| Popis: |
Z vse bolj digitalizirano družbo in tudi industrijo, na katero se bomo osredotočili v nadaljevanju diplomske naloge, je vzporedno prisotnih tudi vse več podatkov, ki se zbirajo na takšen ali drugačen način. V diplomski nalogi je zato predstavljeno področje strojnega učenja kot orodja, ki nam omogoča algoritmično obdelavo podatkov večjih razsežnosti. Podatki se v našem primeru v večji meri zbirajo na podlagi senzoričnih meritev, medtem ko se nekatere od teh meritev tudi nadaljnje obdela za namen ali vizualne ali poglobljene predstavitve delovanja različnih procesov znotraj proizvodnje. Slednje operaterjem v proizvodnji in ne nazadnje tudi vodilnim v podjetju omogoča pregled nad delom in lažje načrtovanje poslovanja. Na podlagi primerjave modelov je bilo ugotovljeno, da se je kot najbolj učinkovita metoda za napovedovanje učinkovitosti proizvodnje na podlagi preteklih podatkov za to spremenljivko izkazala metoda naključnih gozdov, medtem ko sta se preostali dve metodi izkazali podobno slabše. With increased attendance of digitalization among society and even in industry on which we primarily focused on paper below, there is also growing amount of data, which are collected in one way or another. Therefore we have presented machine learning as a tool that helps to analyze large amount of data. In our case, data is collected through sensors, while some of measurements are further modified for the purpose of visualization and deeper presentation of different process within manufacturing. Latter enables operators and leaders, to get insights over the work and to manage company business with ease. Results derived from comparative analysis of taken models show that in case of predicting manufacturing efficiency with previous data for this variable random forest method performs best, while other two methods perform similarly bad. |
