NGHIÊN CỨU ỨNG DỤNG HỌC MÁY VÀ XAI TRONG PHÂN TÍCH DỮ LIỆU CHẤT LƯỢNG ĐỂ CẢI THIỆN QUY TRÌNH SẢN XUẤT

Tóm tắt

Nghiên cứu này trình bày phương pháp phát hiện và phân tích lỗi bề mặt thép dựa trên học máy (ML) kết hợp với giải thích mô hình (XAI). Bộ dữ liệu Steel Plate Defects được sử dụng để huấn luyện đồng thời năm mô hình ML gồm Logistic Regression, Decision Tree, Random Forest, XGBoost và LightGBM. Kết quả cho thấy các mô hình boosting (XGBoost, LightGBM) đạt hiệu năng vượt trội với F1-score và AUC cao ở hầu hết các loại lỗi. Bên cạnh đó, SHAP và LIME được tích hợp nhằm giải thích cơ chế dự đoán, giúp xác định các đặc trưng quan trọng tác động đến từng loại lỗi. Hệ thống được đề xuất góp phần nâng cao tính minh bạch và hiệu quả trong kiểm soát chất lượng bề mặt thép theo định hướng Công nghiệp 4.0.

 

Title

RESEARCH ON THE APPLICATION OF MACHINE LEARNING AND EXPLAINABLE AI IN QUALITY DATA ANALYSIS FOR MANUFACTURING PROCESS IMPROVEMENT

Abstract

This study proposes a machine-learning-based approach for detecting and analyzing steel surface defects combined with explainable artifcial intelligence (XAI). The Steel Plate Defects dataset is used to train fve ML models: Logistic Regression, Decision Tree, Random Forest, XGBoost, and LightGBM. Experimental results show that boosting models (XGBoost and LightGBM) achieve superior performance with high F1-scores and AUC values across most defect types. SHAP and LIME are applied to interpret model decisions, revealing key features associated with each defect category. The proposed framework enhances transparency and supports intelligent quality control for steel surfaces in Industry 4.0 environments.