Predikce materiálových vlastností vzorků vyráběných procesem válcování

Bc. Valentin PAPAZIAN

Diplomová práce

Prediction of material properties of samples produced by the rolling process

Anotace:

Tato diplomová práce se zabývá vývojem modelu pro efektivní predikci síly potřebné k válcování plechů, což je klíčový aspekt v procesu výroby kovových materiálů. Využívá metody strojového učení a provádí rozsáhlou analýzu dat, zkoumá různé algoritmy, včetně lineární regrese, k-Nearest Neighbors (kNN) a stromových metod. Data pro analýzu byla poskytnuta společností PT Solutions Worldwide (PTSW) a obsahují údaje z válcovny hliníku za studena. Přesné predikce mají za cíl nejen snížit výrobní náklady, ale také zvýšit kvalitu a konzistenci finálních produktů. Práce dále identifikuje potenciální směry pro budoucí výzkum, jako je testování modelů na rozšířených a diverzifikovaných datasetech nebo vytvoření ensemble modelů. Testování algoritmů strojového učení s různými předzpracováními dat odhalilo, že model kNN s logaritmickým předzpracováním dat je pro tuto specifickou úlohu nejvhodnější, dosahující MAPE 6.35 %. Tato studie přináší informace o integraci strojového učení do průmyslových procesů a nastiňuje možnosti jejich dalšího vývoje a optimalizace.

Abstract:

This thesis focuses on the development of a predictive model for effectively forecasting the force required for rolling sheet metal, a key aspect in the production process of metallic materials. It utilizes machine learning methods and conducts extensive data analysis, examining various algorithms, including linear regression, k-Nearest Neighbors (kNN), and tree-based methods. The data for analysis was provided by PT Solutions Worldwide (PTSW). Accurate predictions aim not only to reduce manufacturing costs but also to enhance the quality and consistency of the final products. The work further identifies potential directions for future research, such as testing models on expanded and diversified datasets or creating ensemble models. Testing machine learning algorithms with various data preprocessing revealed that the kNN model with logarithmic data preprocessing is the most suitable for this specific task, achieving a MAPE of 6.35 %. This study provides insights into the integration of machine learning into industrial processes and outlines possibilities for their further development and optimization.

Klíčová slova

Strojové učení, datová analýza, předzpracování dat, válcování, prediktivní analýza, učení s učitelem.

Jazyk práce: čeština

Datum vytvoření / odevzdání či podání práce: 20. 5. 2024

Zveřejnit od: 31. 12. 2999

Obhajoba závěrečné práce

• Vedoucí: Ing. Luboš Šmídl, Ph.D.

ZÁPADOČESKÁ UNIVERZITA V PLZNI

Fakulta aplikovaných věd

Magisterský studijní program / obor:
Kybernetika a řídicí technika / Umělá inteligence a automatizace