Опубликовано: 15.10.2026 | Источник: The Verge – Tech Section

Семантический анализ: поддомен — AI/ML в промышленной автоматизации; роль — Data/ML-инженер. Primary keyword: ВКР машинное обучение в промышленной автоматизации лазерной обработки. LSI: компьютерное зрение, PyTorch, OpenCV, MLOps, IoT-сенсоры, временные ряды, LSTM, F1-score, MAE, ГОСТ 34, ISO/IEC 25010, OpenTelemetry, C4-диаграмма. Схема структуры: C.

Анализ лазерной герметизации упаковки без клея для ВКР: ML-контур контроля качества

Немецкие исследователи из четырёх институтов Фраунхофера запустили проект Papure — систему, которая запаивает бумажную упаковку углекислотным лазером, полностью отказываясь от клея и пластика. Для рециклинга это прорыв: чистая бумага перерабатывается без потери качества. Но для нас, айтишников, тут интереснее другое — за каждым импульсом лазера стоит измеримый сигнал: мощность, длительность, температура в зоне шва, влажность бумаги. Всё это — входные признаки для моделей машинного обучения, данные для телеметрии и поле для вполне защищаемой ВКР. Работа по теме «интеллектуальный контроль лазерной сварки бумаги» даёт выпускнику редкое сочетание: ML, промышленный IoT, MLOps и нормоконтроль по ГОСТ 34. Именно об этом — материал ниже.

FAQ: что спрашивают студенты до выбора темы

Где брать данные, если нет реальной лазерной линии?

Публичных датасетов по Papure нет, но это не проблема. Три пути: (1) синтетический генератор временных рядов по модели тепловых процессов (можно реализовать в NumPy и обосновать в главе 2); (2) открытые датасеты лазерной сварки металлов с Kaggle — принцип переносится; (3) симуляция в COMSOL Multiphysics, если вуз даёт лицензию. Все три варианта легитимно защищать, если в методике честно описано происхождение данных.

Какую метрику считать целевой для контроля герметичности?

Для детекции дефекта — F1-score и ROC-AUC, потому что классы несбалансированы (дефектов мало). Для регрессии параметров шва — MAE и MAPE. Для бизнес-эффекта — доля годной продукции и стоимость выявленного брака на 1000 единиц. Три слоя метрик — три раздела в главе 3.

Нужен ли production-деплой модели в ВКР бакалавра?

Нет, но нужна воспроизводимость. Достаточно Docker-Compose с FastAPI-инференсом и логированием в OpenTelemetry. Это покажет, что вы умеете отличить ноутбук от MLOps-контура — а именно это ценят на защите.

Как оформить ML-компонент по ГОСТ 34 и ISO/IEC 25010?

Система целиком описывается как АС по ГОСТ 34.201 (техническое задание, пояснительная записка, схема функциональной структуры). Качество — по ISO/IEC 25010: отдельно оцениваете точность (functional correctness), производительность инференса (performance efficiency), воспроизводимость (reliability). Не смешивайте это с внутренними метриками модели — нормоконтролёр это ловит.

Темы ВКР, которые реально защитить

• Тема 1. Система компьютерного зрения для детекции дефектов лазерной герметизации бумаги.
  Актуальность — прямая отсылка к Papure: контроль шва в реальном времени без оператора.
  Цель — построить классификатор изображений термо-шва с точностью не ниже 0.92 по F1.
  Задачи: 1) анализ методов CV для дефектоскопии; 2) синтез датасета (аугментация + разметка); 3) обучение CNN (ResNet-18 / EfficientNet-B0); 4) интеграция инференса в OpenCV-пайплайн линии.
  Структура: Глава 1 — обзор CV и кейс Fraunhofer; Глава 2 — архитектура и обучение; Глава 3 — валидация, метрики, экономика.

• Тема 2. Предиктивная модель управления мощностью CO₂-лазера на основе временных рядов.
  Актуальность — при смене влажности бумаги лазер нужно перенастраивать; ручное управление — простой.
  Цель — предсказывать оптимальную мощность с MAE не выше 5 %.
  Задачи: 1) сбор и очистка телеметрии; 2) сравнение LSTM, Prophet, CatBoost; 3) реализация онлайн-инференса; 4) оценка снижения брака.
  Структура: Глава 1 — анализ предметной области и физики процесса; Глава 2 — постановка задачи регрессии; Глава 3 — эксперименты и промышленная значимость.

• Тема 3. MLOps-контур для промышленного контроля качества герметизации.
  Актуальность — Papure требует непрерывного дообучения при смене типа упаковки.
  Цель — спроектировать автоматизированный пайплайн «данные → обучение → мониторинг дрейфа → переобучение».
  Задачи: 1) архитектура по C4; 2) CI/CD для моделей (GitLab CI + DVC); 3) дрейф-детектор на Evidently; 4) метрики OpenTelemetry.
  Структура: Глава 1 — обзор MLOps-паттернов; Глава 2 — проектирование контура; Глава 3 — нагрузочные тесты и TCO.

• Тема 4 (для магистратуры). Цифровой двойник процесса Papure с потоковой обработкой датчиков. Kafka + потоковые признаки (Flink / Spark Structured Streaming) + визуализация состояния линии. Самая сложная, но и самая заметная тема на защите.

Как интегрировать кейс Papure в главы ВКР

Глава 1. Обоснование: почему клей — это проблема, а ML — ответ

Здесь статья The Verge становится вашим главным источником актуальности. Опишите цепочку: клей загрязняет макулатуру → рецикл теряет качество → лазерная герметизация решает проблему → но лазер требует точного управления → ручное управление не масштабируется → нужен ML-контроль. Это логический каркас всей работы. Добавьте сравнительную таблицу «клей vs лазер» по критериям: стоимость, рециклинг, дефектность, чувствительность к параметрам. Таблица идёт в приложение, ссылка — в текст.

Глава 2. Проектирование: архитектура, не «просто нейронка»

Обязательно постройте C4-диаграмму (уровень Container): линия-источник телеметрии → брокер сообщений → сервис препроцессинга → сервис инференса → UI оператора. Отдельно — UML Sequence для сценария «зафиксирован дефект → сигнал линии → запись в журнал». Схему можно дать словами или ASCII-блоком, если нормоконтроль запрещает SVG:

[CO2 Laser Sensor] --MQTT--> [Broker] --> [Preprocessor]
                                        |
                                        v
                                  [DB: TimeSeries]
                                        |
                                        v
                                  [ML Inference] --REST--> [Operator UI]
                                        |
                                        v
                                  [OpenTelemetry Collector]

Глава 3. Реализация и оценка эффективности

Псевдокод обучения классификатора дефектов — компактный, воспроизводимый, без «магических констант»:

import torch, torch.nn as nn
from sklearn.metrics import f1_score

class SeamDefectNet(nn.Module):
    def __init__(self, n_features=12, n_classes=3):
        super().__init__()
        self.net = nn.Sequential(
            nn.Linear(n_features, 64), nn.ReLU(),
            nn.Dropout(0.2),
            nn.Linear(64, 32), nn.ReLU(),
            nn.Linear(32, n_classes),
        )
    def forward(self, x): return self.net(x)

# стратифицированный сплит обязателен: дефектов ~3 %
train_loader, val_loader = build_stratified_loaders(df, target='defect_class')
model = SeamDefectNet()
opt = torch.optim.AdamW(model.parameters(), lr=3e-4)
for epoch in range(50):
    train_one_epoch(model, train_loader, opt)
    preds, y = evaluate(model, val_loader)
    print(f'epoch={epoch} F1={f1_score(y, preds, average="macro"):.3f}')

В разделе эффективности считайте три группы метрик: ML-качество (F1, MAE), инженерные (latency p95 инференса, throughput), экономические (снижение брака × средняя себестоимость одной упаковки). Последнюю группу студенты чаще всего забывают — и теряют баллы на защите.

Чему вы научитесь на этой теме

• Проектировать ML-контур под реальные производственные ограничения (латентность, дрейф, смена партий сырья).
• Строить C4/UML-диаграммы и защищать архитектуру, а не «я просто обучил модель».
• Считать F1, MAE, p95-latency и переводить их в деньги и снижение брака.
• Оформлять ТЗ и пояснительную записку по ГОСТ 34, а качество — по ISO/IEC 25010.
• Поднимать минимальный MLOps-контур (Docker, FastAPI, OpenTelemetry) для воспроизводимости.

Чек-лист «Что проверить перед сдачей»

Типичные ошибки студентов

Источник: A new manufacturing process uses lasers to seal paper packaging instead of glue (опубликовано 2026-03-30)