eDIH: SOFTLI - proof-of-concept AI modelu pro automatizované plánování založené na historických datech

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F46747885%3A24620%2F24%3A00013240" target="_blank" >RIV/46747885:24620/24:00013240 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

čeština

Název v původním jazyce

eDIH: SOFTLI - proof-of-concept AI modelu pro automatizované plánování založené na historických datech

Popis výsledku v původním jazyce

V rámci PoC byl připraven model pro automatizované plánování výroby na výrobních strojích, který využívá neuronové sítě v kombinaci s metodami data miningu pro analýzu historických dat. Model analyzuje velké objemy dat z minulých výrobních cyklů, identifikuje vzory a optimalizuje plánování výrobních dávek tak, aby byl zajištěn plynulý provoz a efektivní využití strojů. Neuronová síť je trénována na různých parametrech, jako jsou typy výrobků, výrobní kapacity, dodací lhůty a typ surovin, což umožňuje vytvářet optimalizované týdenní plány s minimálními prostoji a maximální efektivitou. Automatizace plánování výroby může přinést zákazníkovi značné úspory času a nákladů tím, že eliminuje ruční zásahy do plánovacího procesu a minimalizuje chyby způsobené lidským faktorem. Systém zajišťuje efektivní využití strojů, snižuje prostoje a optimalizuje pořadí výrobních dávek, což vede ke zvýšení celkové produktivity. PoC potvrdil možnost vytvářet přesné týdenní plány na základě analýzy historických dat, které umožní zákazníkovi lépe řídit zásoby, plánovat dodávky a reagovat na změny v poptávce, čímž se zvýší flexibilita a konkurenceschopnost jejich výroby.

Název v anglickém jazyce

eDIH: SOFTLI - proof-of-concept AI model for automated planning based on historical data

Popis výsledku anglicky

Within the PoC, a model for automated production planning on production machines was prepared, which uses neural networks in combination with data mining methods to analyse historical data. The model analyzes large volumes of data from past production cycles, identifies patterns, and optimizes production batch scheduling to ensure smooth operation and efficient machine utilization. The neural network is trained on various parameters such as product types, production capacities, lead times, and raw material type, allowing it to create optimized weekly schedules with minimal downtime and maximum efficiency. Automating production scheduling can bring significant time and cost savings to the customer by eliminating manual intervention in the scheduling process and minimizing human error. The system ensures efficient machine utilization, reduces downtime and optimizes the sequence of production batches, resulting in increased overall productivity. PoC has confirmed the ability to create accurate weekly schedules based on historical data analysis, enabling the customer to better manage inventory, plan deliveries and respond to changes in demand, increasing the flexibility and competitiveness of their production.

Druh

O - Ostatní výsledky

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

—

Návaznosti

V - Vyzkumna aktivita podporovana z jinych verejnych zdroju

Rok uplatnění

2024

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů