國立虎尾科技大學 |

登入

回首頁 到查詢結果 [ subject:"Boosting." ]

齒輪加工工時之預測模型建構:多元機器學習方法之應用與評估 = = Pre...

盧兆威

齒輪加工工時之預測模型建構:多元機器學習方法之應用與評估 = = Predictive Modeling for Gear Processing Times:Application and Evaluation of Multiple Machine Learning Methods /

紀錄類型:	書目-語言資料,印刷品 : Monograph/item
正題名/作者:	齒輪加工工時之預測模型建構:多元機器學習方法之應用與評估 =/ 盧兆威.
其他題名:	Predictive Modeling for Gear Processing Times:Application and Evaluation of Multiple Machine Learning Methods /
其他題名:	Predictive Modeling for Gear Processing Times:Application and Evaluation of Multiple Machine Learning Methods.
作者:	盧兆威
出版者:	雲林縣 :國立虎尾科技大學 , : 民113.06.,
面頁冊數:	[8], 79面 :圖, 表 ; : 30公分.;
附註:	指導教授: 李孟樺.
標題:	Gradient Boosting. -
電子資源:	電子資源

齒輪加工工時之預測模型建構:多元機器學習方法之應用與評估 = = Predictive Modeling for Gear Processing Times:Application and Evaluation of Multiple Machine Learning Methods /
盧兆威

齒輪加工工時之預測模型建構:多元機器學習方法之應用與評估 =Predictive Modeling for Gear Processing Times:Application and Evaluation of Multiple Machine Learning Methods /Predictive Modeling for Gear Processing Times:Application and Evaluation of Multiple Machine Learning Methods.盧兆威. - 初版. - 雲林縣 :國立虎尾科技大學 ,民113.06. - [8], 79面 :圖, 表 ;30公分.

指導教授: 李孟樺.

碩士論文--國立虎尾科技大學工業管理系工業工程與管理碩士班.

含參考書目.

標準工時對於建造智慧工廠時有其重要性，制定標準工時在智慧工廠中可以優化資源分配、最佳化生產排程與生產效率的提升。本研究透過制定標準工時掌握現場流程，再利用標準工時有效管理生產效率、產能規劃與預測，通常搜集到的標準工時都會使用機器學習之手法進行預測。因此本研究將使用個案公司現有工時數據建立預測模型，並將進行評估使用不同方法，包括：多元線性迴歸、Lasso 迴歸、Ridge 迴歸、決策樹迴歸、隨機森林、支援向量機、梯度提升、Catboost、類經網路等的效能。本研究將運用以上手法為個案公司之金屬齒輪加工流程制定標準工時，蒐集齒輪研磨流程之生產數據，建立預測模型。本研究除了考慮傳統的材料屬性、工具規格和操作條件等變量外，研究中也考量了工時預測的特定參數。包含了模數、齒數、齒厚、數量、連續加工平均時間、首三件平均加工時間和首三件平均單件時間。這些參數特徵讓我們能夠更全面和精確地建立標準工時的預測模型。本研究預期透過預測模型的開發，能使個案公司能夠全面掌握現場流程並進行有效的管理，也能透過預測模型協助企業適應市場需求變化，做出適當的生產策略與投入資源的調整。.

(平裝)Subjects--Topical Terms:

1449110
Gradient Boosting.

齒輪加工工時之預測模型建構:多元機器學習方法之應用與評估 = = Predictive Modeling for Gear Processing Times:Application and Evaluation of Multiple Machine Learning Methods /
LDR:04423cam a2200241 i 4500 001 1129906
008 241015s2024 ch ak erm 000 0 chi d
035 $a (THES)112NYPI0030016
040 $a NFU $b chi $c NFU $e CCR
041 0 # $a chi $b chi $b eng
084 $a 008.169M $b 2135 113 $2 ncsclt
100 1 $a 盧兆威 $3 1448947
245 1 0 $a 齒輪加工工時之預測模型建構:多元機器學習方法之應用與評估 = $b Predictive Modeling for Gear Processing Times:Application and Evaluation of Multiple Machine Learning Methods / $c 盧兆威.
246 1 1 $a Predictive Modeling for Gear Processing Times:Application and Evaluation of Multiple Machine Learning Methods.
250 $a 初版.
260 # $a 雲林縣 : $b 國立虎尾科技大學 , $c 民113.06.
300 $a [8], 79面 : $b 圖, 表 ; $c 30公分.
500 $a 指導教授: 李孟樺.
500 $a 學年度: 112.
502 $a 碩士論文--國立虎尾科技大學工業管理系工業工程與管理碩士班.
504 $a 含參考書目.
520 3 $a 標準工時對於建造智慧工廠時有其重要性，制定標準工時在智慧工廠中可以優化資源分配、最佳化生產排程與生產效率的提升。本研究透過制定標準工時掌握現場流程，再利用標準工時有效管理生產效率、產能規劃與預測，通常搜集到的標準工時都會使用機器學習之手法進行預測。因此本研究將使用個案公司現有工時數據建立預測模型，並將進行評估使用不同方法，包括：多元線性迴歸、Lasso 迴歸、Ridge 迴歸、決策樹迴歸、隨機森林、支援向量機、梯度提升、Catboost、類經網路等的效能。本研究將運用以上手法為個案公司之金屬齒輪加工流程制定標準工時，蒐集齒輪研磨流程之生產數據，建立預測模型。本研究除了考慮傳統的材料屬性、工具規格和操作條件等變量外，研究中也考量了工時預測的特定參數。包含了模數、齒數、齒厚、數量、連續加工平均時間、首三件平均加工時間和首三件平均單件時間。這些參數特徵讓我們能夠更全面和精確地建立標準工時的預測模型。本研究預期透過預測模型的開發，能使個案公司能夠全面掌握現場流程並進行有效的管理，也能透過預測模型協助企業適應市場需求變化，做出適當的生產策略與投入資源的調整。.
520 3 $a In the construction of smart factories, standard processing time play a crucial role in optimizing resource allocation, production scheduling, and improving production efficiency. This study aims to establish standard processing time to grasp on-site processes and then use these hours to effectively manage production efficiency, capacity planning, and forecasting. Typically, standard work hours data are collected and used in machine learning models for prediction. Therefore, this study utilizes existing processing time data from a case company to build predictive models and evaluate the performance of different methods, including multiple linear regression, Lasso regression, Ridge regression, Classification & regression tree, random forest, support vector machine, gradient boosting, CatBoost, and feedforward neural networks. This study will employ these methods to establish standard work hours for the metal gear processing workflow of the case company by collecting production data from the gear grinding process and developing pr edictive models. In addition to traditional variables such as material properties, tool specifications, and operating conditions, this study also considers specific parameters for work hours prediction. These parameters include module, number of teeth, too th thickness, quantity, average continuous processing time, average processing time for the first three pieces, and average single-piece processing time for the first three pieces. These feature parameters allow for a more comprehensive and accurate establishment of predictive models for standard work hours. This study expects that through the development of predictive models, the case company will be able to comprehensively grasp on-site processes and perform effective management. Additionally, the predictive models can help the enterprise adapt to market demand changes and make appropriate production strategies and resource adjustments..
563 $a (平裝)
650 # 4 $a Gradient Boosting. $3 1449110
650 # 4 $a Neural Networks. $3 995631
650 # 4 $a Prediction. $3 1421709
650 # 4 $a Machine Learning. $3 1137723
650 # 4 $a Metal Processing Industry. $3 1449109
650 # 4 $a 梯度提升. $3 1449108
650 # 4 $a 類神經網路. $3 995635
650 # 4 $a 預測. $3 1016563
650 # 4 $a 機器學習. $3 995923
650 # 4 $a 金屬加工產業. $3 1449111
856 7 # $u https://handle.ncl.edu.tw/11296/9cs37n $z 電子資源 $2 http