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.