---
title: Time Process
emoji: 🔧
colorFrom: red
colorTo: red
sdk: docker
app_port: 8501
tags:
- streamlit
- machine-learning
- regression
- manufacturing
- predictive-analytics
pinned: false
short_description: Веб-приложение для прогнозирования времени обработки деталей
---

# Time Process 🔧

Веб‑приложение для прогнозирования времени обработки деталей на станках с использованием машинного обучения.

Технологическое преимущество проекта — возможность быстрой адаптации под конкретные производственные условия и типы оборудования.

## Основные возможности

* Расчёт времени обработки на основе входных параметров.
* Визуализация зависимостей между параметрами.
* Сохранение истории расчётов.
* Просмотр метрик качества модели.

## Используемые технологии

* **Streamlit** — для создания веб‑интерфейса.
* **Pandas** — для работы с данными.
* **Matplotlib/Seaborn** — для визуализации.
* **Scikit‑learn** — для предобработки данных.
* **LightGBM** — для прогнозирования.

## Тип модели

* **Алгоритм:** `LGBMRegressor`.
* **Тип:** регрессионная модель.

## Используемые признаки

Модель использует следующие входные параметры для прогнозирования:

* Скорость шпинделя (об/мин).
* Подача (мм/об).
* Глубина резания (мм).
* Длина обработки (мм).
* Тип операции (категориальный признак).
* Материал (категориальный признак).
* Тип инструмента (категориальный признак).

## Метрики качества

Качество модели оценено на тестовой выборке. Результаты:

| Метрика | Значение |
|--------|----------|
| MSE    | 379.5    |
| RMSE   | 19.4     |
| MAE    | 10.6     |
| MAPE   | 1.08%    |
| R²     | 0.85     |

## Как использовать

1. Запустите приложение (через Docker или локально).
2. Введите параметры обработки детали в соответствующие поля интерфейса.
3. Нажмите кнопку расчёта — получите прогноз времени обработки.
4. Просмотрите графики зависимостей и историю предыдущих расчётов.