dc.contributor.advisor	Vavroušek Miroslav, Ing. Ph.D. :64137	cs
dc.contributor.author	Tengler, Lukáš	cs
dc.contributor.other	Koblasa František, Ing. Ph.D. :56995	cs
dc.contributor.referee	Svadbík Martin, Ing. Ph.D. :69627	cs
dc.date.accessioned	2025-07-15T06:12:45Z
dc.date.available	2025-07-15T06:12:45Z
dc.date.committed	7.5.2026	cs
dc.date.defense	16.6.2025	cs
dc.date.issued	2025-06-16	cs
dc.date.submitted	7.11.2024	cs
dc.description.abstract	Diplomová práce se zabývá možností využití umělé inteligence, konkrétně neuronových sítí, pro predikci časové náročnosti výrobních operací u odlitků na základě jejich rozměrových charakteristik. Cílem bylo vytvořit nástroj, který eliminuje subjektivitu při sumární metodě normování a umožní odhad technologických časů efektivnějším způsobem. V úvodu práce je popsán vývoj normování a jeho vazba na konstrukční charakteristiky odlitků, přičemž je navázáno na historické poznatky prof. Pacyny z 80. let 20. století. V praktické části byla přeměřena a analyzována 3D data 48 odlitků poskytnutých firmou Alumetall CZ s.r.o., pro které byly definované i nově navržené charakteristiky. Na základě zaznamenaných dat byla provedena korelační analýza mezi rozměrovými a časovými charakteristikami s cílem potvrdit jejich vzájemnou závislost. Pomocí vlastních skriptů byla data převedena do databáze a připravena pro trénování neuronové sítě. Byla vytvořena experimentální nastavení, která byla dále optimalizována pomocí dávkového zpracování, repetic a generací. Pro praktické využití byl navržen a sestaven uživatelský nástroj ve formě spustitelné aplikace, která umožňuje buď provádět predikci operací pro nové odlitky, nebo trénovat model na základě aktualizovaných dat. Funkčnost systému byla demonstrována na reálné poptávce, kde byly charakteristiky nového odlitku použity jako vstup pro predikci, jejíž výsledky byly následně vloženy do nabídkové kalkulace. Výsledky ukazují, že navržený přístup může výrazně usnadnit a zefektivnit proces sumárního normování v praxi.	cs
dc.description.abstract	Diploma thesis focuses on the potential use of artificial intelligence, specifically neural networks, for predicting the time demands of manufacturing operations for castings based on their dimensional characteristics. The aim was to develop a tool that eliminates subjectivity in the summary method of work standardization and enables a more efficient estimation of technological times. The introductory part of the thesis describes the development of work standardization and its relationship to the design characteristics of castings, building on the historical findings of Prof. Pacyna from the 1980s. In the practical part, 3D data of 48 castings provided by the company Alumetall CZ s.r.o. were measured and analyzed. For these castings, both predefined and newly proposed characteristics were recorded. Based on the collected data, a correlation analysis between dimensional and time-based characteristics was conducted to confirm their interdependence. Using custom scripts, the data were transformed into a database and prepared for training a neural network. An experimental setup was created and further optimized through batch processing, repetitions, and generations. For practical application, a user-friendly executable tool was designed and implemented. It enables users either to perform operation predictions for new castings or to train the model based on updated data. The functionality of the system was demonstrated using a real customer inquiry, where the characteristics of a new casting served as input for prediction, and the results were subsequently inserted into a pricing calculation. The results show that the proposed approach can significantly simplify and streamline the process of summary work standardization in practice.	en
dc.format	72 s. (83 359 znaků)	cs
dc.identifier.uri	https://dspace.tul.cz/handle/15240/177694
dc.language.iso	CS	cs
dc.subject	sumární normování	cs
dc.subject	neuronová síť	cs
dc.subject	slévárenství	cs
dc.subject	charakteristiky odlitků	cs
dc.subject	predikce časů	cs
dc.title	Normování slévárenských operací pomocí neuronové sítě na základě podobnosti s aktuální výrobou	cs
dc.title	Normalization of foundry operations using a neural network based on similarity to current production	en
dc.type	diplomová práce	cs
local.degree.abbreviation	Navazující	cs
local.identifier.author	S23000222	cs
local.identifier.stag	48388	cs

Normování slévárenských operací pomocí neuronové sítě na základě podobnosti s aktuální výrobou

Files

Original bundle

Collections