Аннотация на русском языке: Прогнозирование рисков качества позволяет выявлять неблагоприятные сочетания производственных параметров до получения результатов заключительного контроля. Цель статьи состоит в разработке методического подхода к оценке вероятности последующего несоответствия продукции на основе данных, доступных в ходе производства. На основе целевого анализа научных публикаций рассматриваются подготовка сенсорных данных, формирование признаков, выбор моделей машинного обучения и проверка достоверности прогнозов. Предлагается последовательность построения системы раннего предупреждения, включающая определение момента прогнозирования, связывание измерений с результатами контроля, временное разделение выборок, калибровку вероятностей и мониторинг изменений процесса. Особое внимание уделяется предотвращению утечки целевой информации, дисбалансу классов и достаточности времени для предупредительных действий. На условном числовом примере показано, что высокая общая точность не обеспечивает приемлемого выявления редких несоответствий. Разработан протокол оценки, объединяющий полноту выявления, точность предупреждений, калибровку и время упреждения. Работа носит концептуальный характер; приведенные расчеты являются иллюстрацией, а не результатами производственного эксперимента. Предложенный подход может служить основой для последующей проверки прогнозных моделей на данных конкретного технологического процесса.

The summary in English: Predicting quality risks can reveal adverse combinations of process conditions before final inspection results become available. This article develops a methodological approach for estimating subsequent product nonconformity from information available during production. A targeted literature review examines sensor-data preparation, feature construction, machine-learning alternatives, and forecast validation. The proposed workflow connects a defined prediction checkpoint, traceable outcome labels, temporal evaluation, probability calibration, and monitoring of process changes. Particular attention is given to target leakage, rare nonconformities, and the time available for preventive action. A hypothetical numerical example shows why high overall accuracy can coexist with poor detection of quality failures. The proposed evaluation protocol combines recall, alert precision, calibration, and warning lead time. The study is conceptual; its calculations are illustrative and do not represent a production experiment. The resulting specification provides a basis for testing early-warning models within a defined manufacturing process.

Ключевые слова: производственный процесс, риски качества, прогнозирование, машинное обучение, сенсорные данные, раннее предупреждение, дисбаланс классов, временная валидация.
Key words: Production Process, Quality Risk, Prediction, Machine Learning, Sensor Data, Early Warning, Class Imbalance, Temporal Validation.