Testilaitteiden kokoonpanon työaikojen arvioinnin parantaminen

Abstract

Tämän opinnäytetyön aiheena on GPV Finland Oy:n testauskehitystiimille tehty ohjelma, jonka tarkoituksena on parantaa piirilevyntestauslaitteiden kokoonpanoaikojen arviointia. Opinnäytetyön tarkoituksena oli tehdä koneoppimista hyödyntäen ohjelma, jonka toiminta perustuu GPV:n edellisten projektien datan analysointiin. Opinnäytetyössä käytettiin Python-ohjelmointikieltä ja monia eri koneoppimismalleja.

Opinnäytetyössä käytettiin myös testilaitteiden kokoonpanotyöntekijöiltä saatuja kommentteja ohjelman hienosäätämisessä. Suunnitteluvaiheessa selvitettiin erilaisten kiinteiden parametrien vaikutusta testilaitteiden kokoonpanoaikaan. Opinnäytetyön suunnitteluvaiheessa kokeiltiin myös eri koneoppimismalleja, kunnes löydettiin malli, joka sopii kokoonpanoajan aika-arviointitehtävään parhaiten

Opinnäytetyön lopputuloksena saatiin Python-ohjelma, joka arvioi tarkasti testilaitteiden kokoonpanon uusien- ja kopioprojektien kokoonpanoaikoja tarkemmin kuin ihminen. Tästä ohjelmasta tehtiin myös PowerPoint-esitelmä sekä käyttöohjeet suunnittelijoille. Opinnäytetyön lopuksi päädyttiin tulokseen, että automatisoimalla testilaitteiden kokoonpanoosuuksien aika-arviointia voidaan parantaa aika-arvioinnin tuloksia myös monimutkaisissa kokonaisuuksissa.

The topic of this thesis is a program made for GPV Finland Oy's testing development team, the purpose of which is to improve the assessment of assembly times. The aim was to make a program using machine learning, the operation of which is based on the analysis of data from previous projects. Python programming language and many machine learning models were used in the work.

Comments received from the assemblers were also utilized to fine-tune the program's operation, and in the design phase, and the effect of various fixed parameters on the duration of the assembly time was investigated. During the planning phase, different mechanical models were also tested, until the most suitable model with the best results was settled on.

The end result was a program that manages to accurately estimate assembly times of new and duplicate projects generally more accurately than a human. A presentation and instructions were also created for the program. Finally, it was concluded that by automating the time estimation of assembly task of projects, the results can be improved even in complex situations.