aalto1 untyped-item.component.html
Utilizing product data in smart production planning and scheduling
Loading...
URL
Journal Title
Journal ISSN
Volume Title
School of Chemical Engineering |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
Department
Major/Subject
Mcode
Language
en
Pages
103
Series
Abstract
Fourth industrial revolution both enables and demands efficiency from the companies. In production processes, many of the operations can be enhanced or automatized with data. In the thesis, machine learning with product data was investigated for production planning and control.
Difference of the quality of the product data, its utilization for regressive time series forecasting and possibility to implement automatic smart production planning and control in the case study was investigated. It was found out, that data quality had significant difference when forecasting was done on hourly level. It was also found that automatic mechanisms for machine learning must be developed to enable large scale. Not every forecasting method produces good results easily.
In the end, predictive-reactive type of planning and control was implemented. The results were very promising, but questions for large scale implementation still existed. Previously in relatively inefficient manually executed production scheduling case, up to 60 % reduction in production capacity was possible to be reached with full end-to-end automatic planning and control solution.
Neljäs teollinen vallankumous sekä mahdollistaa, että vaatii tehokkuutta yrityksiltä. Tuotannon prosesseissa, monia operaatioita voidaan tehostaa tai automatisoida datan avulla. Tässä työssä tutkittiin koneoppimista ja tuotedataa tuotannon suunnittelussa ja ohjauksessa.
Työssä tutkittiin tuotedatan laadun vaikutusta, sen käyttöä regressiopohjaisessa aikasarjamallinnuksessa ja mahdollisuutta rakentaa automaattinen älykäs tuotannon suunnittelu ja ohjaus tapaustutkimuksessa. Työssä havaittiin, että datan laadulla on merkittävä vaikutus, kun ennustaminen tehdään tuntitasolla. Työssä havaittiin myös, että automaattisia tapoja koneoppimiselle on tarpeen kehittää suuren mittakaavan mahdollistamiseksi. Kaikki ennustamistavat eivät tuota hyviä tuloksia helposti.
Lopussa, ennustava-reagoiva tyyppinen suunnittelu ja ohjaus toteutettiin. Tulokset olivat lupaavia, mutta kysymyksiä suuren mittakaavan toteutukseen jäi vielä auki. Aiemmin suhteellisen epätehokkaassa manuaalisesti toteutetun tuotannon suunnittelun tapauksessa, jopa 60 % vähennys tuotannon kapasiteetissa oli mahdollista saavuttaa täysin alusta loppuun automatisoidulla suunnittelun ja ohjauksen ratkaisulla.