В статье рассматривается интеграция методов статистического управления процессами (SPC) со средствами инженерного моделирования и цифровых двойников для повышения зрелости систем управления качеством в высокотехнологичном машиностроении. Целью исследования является обоснование методологии и инструментария, позволяющих трансформировать традиционную реактивную модель обеспечения качества, основанную на выборочном контроле, в проактивный контур предиктивного управления прецизионной механической обработкой деталей газотурбинных двигателей. Эмпирическую базу составили данные мониторинга ключевых параметров процесса за 18 месяцев эксплуатации производственных участков: более 2,5 млн измерений геометрических, температурных и вибрационных характеристик, регистрируемых сетью IoT-датчиков, интегрированной в систему СПИД. Методология опирается на совмещение классических инструментов SPC (индексы Cp, Cpk, контрольные карты X̄/R, регрессионный и дисперсионный анализ) с высокодетализированным инженерным моделированием термоупругих деформаций методом конечных элементов в составе цифрового двойника оборудования и обрабатываемых деталей, а также на адаптацию модели зрелости CMMI к требованиям стандартов ISO 9001 и AS9100. Показано, что внедрение интегрированной системы приводит к снижению среднеквадратического отклонения критических размерных параметров более чем на 60%, росту индексов Cp и Cpk до уровней выше 2,7, эффективной компенсации температурных деформаций (92-93%) и многократному (более чем в 50 раз) сокращению среднего времени обнаружения отклонений. Дополнительно зафиксировано снижение затрат на внутренний брак с 3,84 до 0,52% оборота, уменьшение доли ложных срабатываний системы контроля и рост комплексного индекса зрелости СМК с 2,15 до 4,35 балла при увеличении доли процессов с автоматической коррекцией до 85%. Установлена высокая корреляция (r≈0,92) между уровнем цифровизации и точностными характеристиками продукции, что подтверждает синергетический эффект объединения стохастических и детерминированных моделей в едином контуре цифрового управления качеством.
The article examines the integration of statistical process control (SPC) methods with engineering modeling tools and digital twin technologies to improve the maturity of quality management systems in high-tech mechanical engineering. The purpose of the study is to substantiate a methodology and a set of tools that enable the transformation of a traditional reactive quality assurance model based on sampling inspection into a proactive predictive control loop for precision machining of gas turbine engine components. The empirical basis consists of data from monitoring key process parameters over 18 months of production operation: more than 2,5 million measurements of geometric, thermal, and vibration characteristics recorded by an IoT sensor network integrated into the SPID system. The methodology is based on combining classical SPC tools (Cp, Cpk indices, X̄/R control charts, regression and variance analysis) with high-detail engineering modeling of thermoelastic deformations using the finite element method as part of a digital twin of the equipment and processed components, as well as adapting the CMMI maturity model to the requirements of ISO 9001 and AS9100 standards. It is shown that the implementation of the integrated system leads to a reduction of the standard deviation of critical dimensional parameters by more than 60%, an increase in Cp and Cpk indices to levels above 2,7, effective compensation of thermal deformations (92-93%), and a multiple (more than 50-fold) reduction in the average time to detect deviations. Additionally, there was a reduction in internal defect costs from 3,84% to 0,52% of turnover, a decrease in the share of false alarms in the control system, and an increase in the comprehensive maturity index of the QMS from 2,15 to 4,35 points, with the share of processes featuring automatic correction increasing to 85%. A high correlation (r≈0.92) was established between the level of digitalization and product accuracy characteristics, confirming the synergistic effect of combining stochastic and deterministic models within a unified digital quality control loop.