ІНФОРМАЦІЙНА СИСТЕМА ДЛЯ ВІЗУАЛІЗАЦІЇ ЗВ’ЯЗКІВ МІЖ ФАКТОРАМИ ЯКОСТІ ТЕХНОЛОГІЧНОГО ПРОЦЕСУ

А. В. Кудряшова; Т. І. Оліярник

doi:10.31649/1997-9266-2025-182-5-89-95

Автор(и)

А. В. Кудряшова

Національний університет «Львівська політехніка» ROR

Т. І. Оліярник

Національний університет «Львівська політехніка» ROR

DOI https://doi.org/10.31649/1997-9266-2025-182-5-89-95

Ключові слова

якість технологічного процесу растрове зображення фактор ієрархічне дерево зв’язків факторний аналіз ранжування

Анотація

У дослідженні зазначено, що на якість технологічного процесу впливає певна множина факторів. Кожний з них утворює відношення у вигляді прямого або опосередкованого зв’язку. Як приклад, розглянуто процес створення растрових зображень. Наведений приклад дозволяє продемонструвати ефективність методики у реальних виробничих умовах. До множини увійшли такі найважливіші фактори: роздільна здатність, глибина кольору, колірна модель, формат файлу, розмір файлу, розмір зображення, компресія, яскравість, насиченість, різкість. Формування взаємозв’язків між ними здійснено на основі попередньо отриманих експертних суджень. Розроблено семантичну мережу, яка відображає напрями та типи впливу між зазначеними факторами.

Для формалізації виявлених зв’язків побудовано матрицю досяжності. Вона подана у вигляді двовимірного масиву, де кожний рядок та кожний стовпчик мають відповідність одному з факторів. Залежність між факторами визначено за наявністю одиниць у відповідних позиціях. Здійснено декомпозицію множини факторів на основі матриці. Розроблено окремі графічні моделі для прямих та опосередкованих впливів. Кожен вузол дерева демонструє відношення між параметрами якості. Сформовані структури дають змогу виявити пріоритетні фактори, що мають найбільший вплив на досліджуваний технологічний процес.

На основі запропонованої методики аналізу зв’язків між факторами якості технологічного процесу розроблено інформаційну систему для їх візуалізації. Основу системи становить набір модулів, кожний з яких виконує визначене функціональне завдання. Серед них модулі для конфігурації, обробки введених даних, управління інтерфейсом, побудови матриці, проведення обчислень, відображення діаграм, візуалізації графів та координації між елементами. Програмна реалізація забезпечує інтерактивне введення кількості факторів, коректне формування матриці, масштабування вмісту та адаптивне відображення результатів. Візуалізація факторних впливів дає змогу здійснювати оцінювання структури зв’язків і виявляти ключові закономірності у формуванні показників якості. Створена архітектура програмного продукту дозволяє розширення, модифікацію та повторне використання у схожих задачах.

135 53

Як цитувати

[1]

«ІНФОРМАЦІЙНА СИСТЕМА ДЛЯ ВІЗУАЛІЗАЦІЇ ЗВ’ЯЗКІВ МІЖ ФАКТОРАМИ ЯКОСТІ ТЕХНОЛОГІЧНОГО ПРОЦЕСУ», Вісник ВПІ, вип. 5, с. 89–95, Жов 2025, doi: 10.31649/1997-9266-2025-182-5-89-95.

Завантажити посилання

Біографії авторів

автор А. В. Кудряшова, афіліація Національний університет «Львівська політехніка»

д-р техн. наук, доцент, доцент кафедри систем віртуальної реальності

автор Т. І. Оліярник, афіліація Національний університет «Львівська політехніка»

аспірант кафедри комп’ютерних технологій у видавничо-поліграфічних процесах

Посилання

H. Siirtola, Interactive visualization of multidimensional data. Finland: University of Tampere, 2007, 99 p.

P. Drieger, “Semantic network analysis as a method for visual text analytics,” Procedia-social and Behavioral Sciences, vol. 79, pp. 4-17, 2013.

H. Sharma, N. Sohani, and A. Yadav. “Structural modeling of lean supply chain enablers: a hybrid AHP and ISM-MICMAC based approach,” Journal of Engineering, Design and Technology, vol. 21 (6), pp. 1658-1689, 2023.

R. Ming, B. Li, C. Du, W. Yu, H. Liu, R. Kosonen, and R. Yao, “A comprehensive understanding of adaptive thermal comfort in dynamic environments–an interaction matrix-based path analysis modeling framework,” Energy and Buildings, vol. 284, pp. 112834, 2023.

A. Sharma, Z. Zhang, and R. Rai, “The interpretive model of manufacturing: a theoretical framework and research agenda for machine learning in manufacturing,” International Journal of Production Research, vol. 59(16), pp. 4960-4994, 2021.

X. Xiahou, et al., “Analyzing critical factors for the smart construction site development: A DEMATEL-ISM based approach,” Buildings, vol. 12 (2), рр.116, 2022.

S. Jamil, “Review of image quality assessment methods for compressed images,” Journal of Imaging, vol. 10 (5), 113, 2024.

I. Stępień, and M. Oszust, “A brief survey on no-reference image quality assessment methods for magnetic resonance images,” Journal of Imaging, vol. 8 (6), p. 160, 2022.

J. H. Lim, Y. L. Rhie, and J. Park, “Applying Semantic network analysis to develop user experience assessment model for Smart TV,” Applied Sciences, vol. 9 (16), рp. 3307, 2019.

K. Nikiforaki, et al., “Image quality assessment tool for conventional and dynamic magnetic resonance imaging acquisitions,” Journal of Imaging, vol. 10 (5), 115, 2024.

S. W. Cheng, K. L. Choy, and H. Y. Lam, “A workflow decision support system for achieving customer satisfaction in warehouses serving machinery industry,” IFAC-PapersOnLine, vol. 48 (3), pp. 1714-1719, 2015.

T. W. Stephenson. “Effective data visualization and analytics: unique considerations for large scale production operations,” SPE Oklahoma City Oil and Gas Symposium/Production and Operations Symposium. SPE, 2023. D021S001R002.

В. М. Сеньківський, і А. В. Кудряшова, Моделі інформаційної технології проєктування післядрукарських процесів, моногря. Львів, Україна: УАД, 2022, 204 с.

O. Sichevska, V. Senkivskyy, S. Babichev, and O. Khamula. Information technology of forming the quality of art and technical design of books. DCSMart, 2019, pp. 45-57.

Й. З. Піскозуб, А. В. Кудряшова, і Т. І. Оліярник, «Модель факторів впливу на якість цифрових зображень,» Вимірювальна та обчислювальна техніка в технологічних процесах, № 2, с. 107-111, 2024.

V. Senkivskyi, A. Kudriashova, I. Pikh, I. Hileta, and O. Lytovchenko. “Models of post-press processes designing,” 1st International Workshop on Digital Content & Smart Multimedia, DCSMart, 2019, рp. 259-270.

D. Varga, “No-reference image quality assessment using the statistics of global and local image features,” Electronics, vol. 12 (7), pp. 1615, 2023.

F. Chen, H. Fu, H. Yu, and Y. Chu. “No-reference image quality assessment based on a multitask image restoration network,” Applied Sciences, vol. 13 (11), 6802, 2023.

J. Ryu, “Improved image quality assessment by utilizing pre-trained architecture features with unified learning mechanism,” Applied Sciences, vol. 13 (4), рр. 2682, 2023.

M. Trigka, and E. Dritsas, “A comprehensive survey of deep learning approaches in image processing,” Sensors, vol. 25 (2), 531, 2025.

N. Alangari, M. El Bachir Menai, H. Mathkour, and I. Almosallam, “Exploring evaluation methods for interpretable machine learning: a survey,” Information, vol. 14(8), 469, 2023.