prikaz prve stranice dokumenta Predikcija korektivnih mjera u stabilizaciji sustava proizvodnog procesa
  Preuzmi
PDF 3.41 MB
diplomski rad
Predikcija korektivnih mjera u stabilizaciji sustava proizvodnog procesa
Pula: Sveučilište Jurja Dobrile u Puli, 2021. urn:nbn:hr:137:385426
Šverko, Mladen
Sveučilište Jurja Dobrile u Puli
Fakultet informatike u Puli

Institucijski repozitorij: Digitalni repozitorij Sveučilišta Jurja Dobrile u Puli

Citirajte ovaj rad

Šverko, M. (2021). Predikcija korektivnih mjera u stabilizaciji sustava proizvodnog procesa (Diplomski rad). Pula: Sveučilište Jurja Dobrile u Puli. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:137:385426

Šverko, Mladen. "Predikcija korektivnih mjera u stabilizaciji sustava proizvodnog procesa." Diplomski rad, Sveučilište Jurja Dobrile u Puli, 2021. https://urn.nsk.hr/urn:nbn:hr:137:385426

Šverko, Mladen. "Predikcija korektivnih mjera u stabilizaciji sustava proizvodnog procesa." Diplomski rad, Sveučilište Jurja Dobrile u Puli, 2021. https://urn.nsk.hr/urn:nbn:hr:137:385426

Šverko, M. (2021). 'Predikcija korektivnih mjera u stabilizaciji sustava proizvodnog procesa', Diplomski rad, Sveučilište Jurja Dobrile u Puli, citirano: 23.11.2024., https://urn.nsk.hr/urn:nbn:hr:137:385426

Šverko M. Predikcija korektivnih mjera u stabilizaciji sustava proizvodnog procesa [Diplomski rad]. Pula: Sveučilište Jurja Dobrile u Puli; 2021 [pristupljeno 23.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:137:385426

M. Šverko, "Predikcija korektivnih mjera u stabilizaciji sustava proizvodnog procesa", Diplomski rad, Sveučilište Jurja Dobrile u Puli, Pula, 2021. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:137:385426

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:137:385426
Podaci o radu
NaslovPredikcija korektivnih mjera u stabilizaciji sustava proizvodnog procesa
Naslov (engleski)Corrective Measures Prediction in the Stabilization of the Production Process System
AutorMladen Šverko
MentorNikola Tanković (mentor)
MentorDarko Etinger (komentor)
Član povjerenstvaTihomir Orehovački (predsjednik povjerenstva)
Član povjerenstvaNikola Tanković (član povjerenstva)
Član povjerenstvaDarko Etinger (član povjerenstva)
Član povjerenstvaGoran Oreški (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište Jurja Dobrile u Puli
(Fakultet informatike u Puli)
Pula
Datum i država obrane2021-06-23, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		DRUŠTVENE ZNANOSTI
Informacijske i komunikacijske znanosti
Informacijski sustavi i informatologija
Sažetak
Razina kompleksnost industrijskih kontrolnih sustava neprestano se povećava tijekom posljednjih desetljeća. To je uglavnom slučaj zbog primjene novih tehnologija s krajnjim ciljem postizanja boljih rezultata produktivnosti poboljšanjem kontrole procesa, dostupnosti sustava, pouzdanosti i fleksibilnosti. S tim ciljem, u eri koncepta Industrije 4.0, granice su pomaknute prema Big data, industrijskom Internetu stvari (IIoT), strojnom učenju i heterogenim mrežama. Kao posljedica navedenog, sustavi nadzora, kontrole i prikupljanja podataka (SCADA) upravljaju s više podataka, imaju više funkcija i postaju složeniji za upotrebu. To možda nije problem za industrijske grane u kojima razina automatizacije omogućuje kontrolu procesa bez ljudi. Ali u slučaju industrijskih grana s kontinuiranim procesima poput industrije čelika s ulančanim pogonima kontinuiranog lijevanja, valjaonica, galvanizacijskih linija i valjačkih stanova, gdje se očekuje određena stohastička komponenta, operateri su i dalje nezamjenjivi. Za takva postrojenja kompetencija i iskustvo operatera presudni su u održavanju stabilnosti i kontinuiteta procesa u vremenu. Ovaj se rad fokusira na podršku operateru primjenom nadziranih modela strojnog učenja više-izlazne linearne regresije i modela potpornih vektora koji se koriste za predikciju najučinkovitijeg odgovora operatora za određeno stanje procesa u stvarnom vremenu, putem analize skupa podataka sa aktivnostima svih operatora u odnosu na kontrolirani proizvodni proces te izdvajanja najučinkovitijeg operatora koji će se koristiti kao referenca.
Sažetak (engleski)
Complexity of industrial control systems has been increasing constantly over past decades. This is mostly the case due to implementation of new technologies with the ultimate goal of achieving higher productivity results by improving process control, system availability, reliability and flexibility. Following this goal, in the era of Industry 4.0 concept, boundaries have been pushed toward Big data, Industrial internet of things, machine learning and heterogeneous networks. As a consequence, supervisory control and data acquisition (SCADA) systems manage more data, have more functions and become more complex to use. This might not be the issue for some industries where level of automation allows unmanned process control. But in the case of industries with continuous stream processes like the steel industry with chained processes of continuous casting, rolling mills, galvanizing lines, and wire rods mills where a certain stochastic component is expected, operators are still irreplaceable. For those plants, an operator's competence and experience is crucial in maintaining process stability and continuity over time. This work focuses on operator decision support by implementing supervised machine learning models of multi-output linear regression and support vector machine used for predicting the most efficient operator’s response for a given process state in real time, achieved by analysing dataset with all operator activities to the controlled production process, and allocating the most efficient operator to be used as a reference.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:137:385426
Studijski programNaziv: Informatika; smjerovi: Informatika i Nastavni smjer informatike, Informatika, Nastavni smjer informatike
Smjer: Informatika i Nastavni smjer informatike
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra informatike (mag. inf.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2021-07-16 10:54:08