Optimalizace procesů výukového modelu chytré továrny s principy Průmyslu 4.0.

Tato diplomová práce se zaměřuje na dvě problematiky. První problematikou je optimalizace řízení jízdy vozíčku založené na sledování černé čáry. Druhá část se zaměřuje na návrh optimalizace výrobního postupu kompletace náramku s využitím více zásobníků a vozíčků.Řízení vozíčku založené na sledování černé čáry je pomocí třech senzorů. Prostřední senzor detekuje, zda je vozíček na čáře a dva boční detekují hranu čáry a korigují vozíček zpět na čáru. Ve výpočetním programu byla provedena analýza vlivu vstupních parametrů na jízdní vlastnosti. Mezi vstupní parametry patří vysunutí senzorů, rozteč bočních senzorů, tloušťka čáry a minimální křivost čáry v zatáčkách. Následně byly provedeny ověřovací praktické simulace / jízdy. Závěrem je doporučení pro tvorbu dráhy a tvorbu vozíčků.Optimalizace výrobního postupu kompletace náramků je složitou problematikou. V průmyslu se využívá metoda nejkratšího procesního času. Tato metoda má však velké nedostatky, proto se přechází na heuristické algoritmy. Nejprve byla provedena analýza heuristických metod, které spadají do umělé inteligence a využívají se pro tyto účely v Průmyslu 4.0. Využit byl genetický, neboli evoluční algoritmus. Vycházelo se z projektu na katedře výrobních systémů a automatizace, kde se touto problematikou zabývají. Cílem práce bylo navrhnout optimalizaci části tvorby nových populací. Nejprve byla provedena analýza využívaných metod, následovala analýza principů genetiky a obecně inspirace přírodou, ze které tyto algoritmy vycházejí. Závěrem bylo navrženo optimalizační řešení. Řešení vychází z pochopení problematiky tvorby nových populací, a že je vhodné křížit začátek chromozomu v prvních generacích a konec chromozomu ke konci všech vypočítávaných generací. Návrh byl otestován a porovnán s jednoduchým genetickým algoritmem (SGA) a s metodou nejkratšího procesního času (SPT). Navrhovaný memetický genetický algoritmus (MGA) vykazuje oproti SGA rychlejší zlepšování populace. Je doporučeno v optimalizaci MGA pokračovat a ověřovat ho n a složitějších kombinatorických problémech.This thesis focuses on two issues. The first issue is the optimization of wheelchair driving based on black line tracking. The second part focuses on the design optimization of the manufacturing process of bracelet assembly using multiple cartridges and carts.Controlling a black-line tracker is using three sensors. The center sensor detects whether the carriage is on the line and the two side lines detect the line edge and correct the carriage back to the line. In the computational program, an analysis of the influence of input parameters on driving properties was performed. Input parameters include sensor ejection, side sensor spacing, line thickness, and min. curvature of a line in curves. Subsequently verification practical simulations were performed. The conclusion is a recommendation for the creation of the track and the creation of wheelchairs.Optimizing the manufacturing process of bracelet assembly is a complex issue. The industry uses the shortest process time method. However, this method has large inadequacies, so it is changing to heuristic algorithms. Firstly, heuristic methods were analyzed, which fall into artificial intelligence and are used for these purposes in Industry 4.0. A genetic or evolutionary algorithm was used. It was based on the project at the Department of Production Systems and Automation, where they deal with this issue. The aim of this work was to propose optimization of the creation of new populations. At first, the methods used were analyzed, followed by analysis of the principles of genetics and generally the inspiration of nature from which these algorithms are based. Finally, an optimization solution was proposed. The solution is based on the understanding of the issue of the formation of new populations, and it is advisable to cross the beginning of the chromosome in the first generation and the end of the chromosome to the end of all calculated generations. The design was tested and compared with a simple genetic algorithm (SGA) and the shortest process time method. The proposed memetic genetic algorithm (MGA) shows a faster population improvement than SGA. It is recommended to continue to optimize MGA and validate it on more complex combinatorial issues