Predikce výrobních časů v průmyslu pomocí metod strojového učení

Abstract

S rozvojem automatizace plánování v průmyslu se zvyšují požadavky na~správný odhad parametrů jednotlivých výrobních operací, především pak jejich časová náročnost. Práce se zabývá různými metodami, jak odhad časové náročnosti nových operací provádět automaticky z dříve provedených operací. První část práce se zaměřuje na standardní regresní algoritmy a jejich úpravu dle vhodnosti pro tento problém. Druhá, hlavní část práce, se soustředí na řešení s využitím hlubokých neuronových sítí, které jsou schopny zpracovat i nestrukturovaná data jako například textový popis operací. Závěrečné výsledky ukazují, že zejména pro zcela nové typy operací dosahuje hluboké učení dobré úrovně predikce. Především ve výrazně dynamických prostředích lze tedy doporučit jeho praktické využití pro plánování nových výrobků.

With the development of automated task planning in industry, the requirements for a correct estimation of the parameters of individual operations, especially their lead time, are increasing. This thesis is discussing various methods of estimating the lead time for new tasks automatically from previously executed tasks. The first part of the thesis focuses on standard regression algorithms and their modifications according to the suitability for this problem. The second, main part of the theses, focuses on solutions using deep neural networks, which are able to process unstructured data, such as textual descriptions of operations. The final results show that deep learning achieves a good level of prediction, especially for new types of operations. Its practical use can therefore be recommended as an estimate for planning new products, especially in highly dynamic environments.