Publication details
Abstracts and keywords
Celem rozprawy było opracowanie modelu szacowania długości czasu montażu wyrobów złożonych z wykorzystaniem sztucznych sieci neuronowych. Badania miały na celu identyfikację czynników wejściowych istotnych dla prognozowania czasu montażu w produkcji jednostkowej i małoseryjnej, realizowanej w strategii mass customization. Zdefiniowano problem w postaci następującego pytania badawczego: Czy możliwe jest przewidzenie czasu montażu wyrobów złożonych bez konieczności posiadania szczegółowej technologii montażu? W pracy przeprowadzono analizę literatury dotyczącą procesów montażowych i metod sztucznej inteligencji. Na podstawie danych z przedsiębiorstwa przemysłu maszynowego dokonano identyfikacji kluczowych czynników wejściowych, takich jak dostępność zasobów, dostępność części oraz czynnik nowości. W procesie przygotowania danych zastosowano analizę głównych składowych (PCA) w celu redukcji wymiarów i eliminacji współliniowości. Do modelowania wykorzystano perceptrony wielowarstwowe (MLP) trenowane różnymi algorytmami uczenia (Levenberga-Marquardta, Bayesowskiej Regularyzacji i Skalowanego Gradientu Sprzężonego). Ocenę jakości modeli przeprowadzono na podstawie wskaźników R, RMSE, MAE i MAPE. Spośród ośmiu testowanych konfiguracji najlepsze rezultaty uzyskał model z redukcją wymiarów (PCA) oraz algorytmem BR, który zapewnił wysoką dokładność prognoz przy ograniczonej liczbie danych wejściowych. Wynikiem pracy jest opracowana aplikacja w środowisku MATLAB, integrująca moduły prognozowania czasu montażu oraz przewidywania opóźnień. Aplikacja umożliwia wyznaczenie zarówno planowanego czasu montażu, jak i czasu sumarycznego uwzględniającego potencjalne opóźnienia, co stanowi istotne wsparcie w planowaniu i zarządzaniu produkcją. Uzyskane wyniki potwierdzają zasadność wykorzystania sztucznych sieci neuronowych w szacowaniu czasu montażu wyrobów złożonych. Opracowana metodyka oraz aplikacja mogą znaleźć praktyczne zastosowanie w przedsiębiorstwach produkcyjnych, wspierając proces planowania, optymalizacji i podejmowania decyzji.
The aim of the dissertation was to develop a model for estimating the assembly time of complex products using artificial neural networks. The research was aimed at identifying input factors relevant for forecasting assembly time in single-unit and small-batch production carried out in a mass customization strategy. The problem was defined in the form of the following research question: Is it possible to predict the assembly time of complex products without the need for detailed assembly technology? The dissertation includes a literature review on assembly processes and artificial intelligence methods. Based on data from a machine industry company, key input factors influencing assembly time were identified, such as resource availability, parts availability, and the novelty factor. In the data preprocessing stage, Principal Component Analysis (PCA) was applied to reduce dimensionality and eliminate multicollinearity. For modeling purposes, multilayer perceptrons (MLP) were employed and trained with different learning algorithms (Levenberg-Marquardt, Bayesian Regularization, and Scaled Conjugate Gradient). Model quality was evaluated using performance indicators such as R, RMSE, MAE, and MAPE. Among eight tested configurations, the best results were achieved by the model combining PCA-based dimensionality reduction with the Bayesian Regularization algorithm, which ensured high prediction accuracy with a limited number of input variables. The main outcome of the dissertation is a MATLAB-based application integrating modules for predicting assembly time and estimating potential delays. The application enables determination of both the planned assembly time and the total time including possible delays, providing essential support for production planning and management. The obtained results confirm the effectiveness of artificial neural networks in estimating the assembly time of complex products. The developed methodology and the application can be practically implemented in manufacturing companies, supporting planning, optimization, and decision-making processes.
