Predikce výrobních časů v průmyslu pomocí metod strojového učení
Název práce v češtině: | Predikce výrobních časů v průmyslu pomocí metod strojového učení |
---|---|
Název v anglickém jazyce: | Predicting Production Times Using Machine Learning |
Klíčová slova: | výrobní čas|strojové učení|predikce|hluboké učení |
Klíčová slova anglicky: | production time|machine learning|prediction|deep learning |
Akademický rok vypsání: | 2018/2019 |
Typ práce: | diplomová práce |
Jazyk práce: | čeština |
Ústav: | Katedra teoretické informatiky a matematické logiky (32-KTIML) |
Vedoucí / školitel: | Mgr. Martin Pilát, Ph.D. |
Řešitel: | skrytý - zadáno a potvrzeno stud. odd. |
Datum přihlášení: | 18.02.2019 |
Datum zadání: | 19.02.2019 |
Datum potvrzení stud. oddělením: | 01.03.2019 |
Datum a čas obhajoby: | 01.02.2023 09:00 |
Datum odevzdání elektronické podoby: | 05.01.2023 |
Datum odevzdání tištěné podoby: | 09.01.2023 |
Datum proběhlé obhajoby: | 01.02.2023 |
Oponenti: | Mgr. Roman Neruda, CSc. |
Zásady pro vypracování |
V průmyslové výrobě je důležité efektivně rozvrhovat jednotlivé pracovní úkony zejména kvůli maximalizaci jednotkové produktivity. K tomu je však třeba znalost očekávané doby trvání jednotlivých operací, v ideálním případě i s odhadem spolehlivosti těchto predikcí. Doby trvání operací však musí být zadávány experty. Často tak zejména u nových výrobků chybí či jsou nepřesné, spolehlivost predikcí navíc nebývá určována. Cílem práce je návrh a porovnání různých metod strojového učení pro provedení expertní predikce.
Student nastuduje literaturu týkající se strojového učení a předpovídání časů výroby. Na základě toho navrhne nové modely. Ty budou učeny a testovány na reálných průmyslových datech obsahujících informace k jednotlivým operacím a dělníky zahlášené skutečné výrobní časy. Student se tak musí vypořádat například s velkým rozptylem hodnot a neúplnými či chybnými daty. |
Seznam odborné literatury |
[1] Flach P.: "Machine Learning: The Art and Science of Algorithms that Make Sense of Data". Cambridge University Press, 2012. ISBN: 978-1107422223
[2] Goodfellow I., Bengio Y., Courville, A.: "Deep Learning". MIT Press, 2016. ISBN: 978-0262035613. Online: http://www.deeplearningbook.org [3] Öztürk, A, Kayalıgil, S., Özdemirel, N.: "Manufacturing lead time estimation using data mining". European Journal of Operational Research, vol. 173 (2), pp. 683-700. 2006. ISSN 0377-2217 DOI: 10.1016/j.ejor.2005.03.015. [4] Gurevich P., Stuke, H.: "Pairing an arbitrary regressor with an artificial neural network estimating aleatoric uncertainty". Preprint arXiv (arXiv:1707.07287), 2018 [5] Bai, X.: "Robust Linear Regression". M.S. thesis, Kansas state university, 2012. [6] Polgar, K. C.: "Simplified time estimation for basic machining operations", M.S. thesis, MIT, 1996. |