1. Uvajanje CAM programiranja v podjetje Tehnovar d.o.o. : diplomsko deloDejan Pečnik, 2024, undergraduate thesis Abstract: Diplomsko delo obravnava uvedbo CAM (Computer-Aided Manufacturing) sistema v podjetje Tehnovar d.o.o., s čimer podjetje izboljšuje svojo konkurenčnost na trgu CNC obdelovalnih tehnologij, ki postajajo vse bolj zahtevne. V nalogi je prikazana uporaba CAM programske opreme na konkretnem izdelku iz proizvodnega procesa ter izvedena primerjava stanja pred in po vpeljavi tega sistema. Na podlagi analize obeh stanj in podrobnega pregleda funkcionalnosti CAM sistema smo ugotovili, da uvedba predstavlja učinkovito rešitev za posodobitev proizvodnega procesa. Z uvedbo CAM sistema je podjetje Tehnovar d.o.o. izboljšalo učinkovitost proizvodnega procesa ter povečalo svojo konkurenčnost na trgu CNC obdelovalnih tehnologij.
Keywords: CAM programiranje, G koda, CNC obdelovalni stroji, računalniško podprta proizvodnja
Published in DKUM: 06.05.2025; Views: 0; Downloads: 3
 Full text (4,10 MB) |
2. Priprava tehnologije in izdelava dela orodja za montažo : diplomsko deloGregor Dobaja, 2024, undergraduate thesis Abstract: V zaključnem delu smo s pomočjo CNC rezkalnega stroja in CAM programa izdelali del montažnega orodja. Izdelek smo morali zaradi kompleksnosti orodja izdelati natančno in zaradi zahtevne oblike izbrati pravilno zaporedje obdelav. Za izdelek smo izdelali program za izdelavo na CNC rezkalnem stroju, izbrali ustrezna orodja in postopke obdelave. Program za izdelavo smo izdelali s pomočjo programske opreme SolidCAM. V okviru naloge smo del montažnega orodja tudi izdelali in dosegli vse zadane cilje.
Keywords: CAM, CNC rezkalni stroj, SolidCAM, rezkanje, CAM programiranje.
Published in DKUM: 11.04.2025; Views: 0; Downloads: 15
Full text (2,64 MB) |
3. Using a region-based convolutional neural network (R-CNN) for potato segmentation in a sorting processJaka Verk, Jernej Hernavs, Simon Klančnik, 2025, original scientific article Abstract: This study focuses on the segmentation part in the development of a potato-sorting system that utilizes camera input for the segmentation and classification of potatoes. The key challenge addressed is the need for efficient segmentation to allow the sorter to handle a higher volume of potatoes simultaneously. To achieve this, the study employs a region-based convolutional neural network (R-CNN) approach for the segmentation task, while trying to achieve more precise segmentation than with classic CNN-based object detectors. Specifically, Mask R-CNN is implemented and evaluated based on its performance with different parameters in order to achieve the best segmentation results. The implementation and methodologies used are thoroughly detailed in this work. The findings reveal that Mask R-CNN models can be utilized in the production process of potato sorting and can improve the process.
Keywords: image segmentation, potato sorting, neural network, mask RCNN, object detection, production process, machine learning, AI
Published in DKUM: 27.03.2025; Views: 0; Downloads: 10
Full text (5,97 MB)
This document has many files! More... |
4. Predicting corn moisture content in continuous drying systems using LSTM neural networksMarko Simonič, Mirko Ficko, Simon Klančnik, 2025, original scientific article Abstract: As we move toward Agriculture 4.0, there is increasing attention and pressure on the productivity of food production and processing. Optimizing efficiency in critical food processes such as corn drying is essential for long-term storage and economic viability. By using innovative technologies such as machine learning, neural networks, and LSTM modeling, a predictive model was implemented for past data that include various drying parameters and weather conditions. As the data collection of 3826 samples was not originally intended as a dataset for predictive models, various imputation techniques were used to ensure integrity. The model was implemented on the imputed data using a multilayer neural network consisting of an LSTM layer and three dense layers. Its performance was evaluated using four objective metrics and achieved an RMSE of 0.645, an MSE of 0.416, an MAE of 0.352, and a MAPE of 2.555, demonstrating high predictive accuracy. Based on the results and visualization, it was concluded that the proposed model could be a useful tool for predicting the moisture content at the outlets of continuous drying systems. The research results contribute to the further development of sustainable continuous drying techniques and demonstrate the potential of a data-driven approach to improve process efficiency. This method focuses on reducing energy consumption, improving product quality, and increasing the economic profitability of food processing
Keywords: drying, moisture prediction, big data, artificial intelligence, LSTM
Published in DKUM: 21.03.2025; Views: 0; Downloads: 11
Full text (2,99 MB)
This document has many files! More... |
5. Detekcija napak v proizvodnji z uporabo algoritma YOLO : magistrsko deloJovan Babajić, 2025, master's thesis Abstract: Magistrsko delo preučuje uporabo algoritma You Only Look Once (YOLO) za zaznavanje napak na piškotkih v proizvodnih procesih. Ugotovitve kažejo, da modeli manjše velikosti učinkovito zaznavajo napake pri manjših podatkovnih naborih, medtem ko večji modeli zahtevajo večjo količino podatkov za optimalno delovanje. Implementacija YOLO algoritma za avtomatizirano zaznavanje napak prinaša izboljšano kakovost in učinkovitost proizvodnje ter zmanjšuje stroške. Avtomatizacija omogoča zaposlenim, da se osredotočijo na analizo podatkov, kar povečuje njihovo zadovoljstvo in vrednost. Delo poudarja pomembnost naprednih tehnologij pri spodbujanju inovacij in konkurenčne prednosti v industriji.
Keywords: YOLO, zaznavanje napak, piškotek, avtomatizirana kontrola kakovosti, strojno učenje
Published in DKUM: 03.03.2025; Views: 0; Downloads: 25
Full text (4,83 MB) |
6. Optimizacija algoritma za avtonomno navigacijo mobilnega robota : magistrsko deloGregor Popič, 2024, master's thesis Abstract: Magistrsko delo opisuje delovanje algoritma avtonomne navigacije robota FarmBeast, ki je namenjen avtomatizaciji različnih kmetijskih opravil, sekundarno pa tudi za tekmovanje Field Robot Event v sklopu panoge osnovne in napredne navigacije. Za delovanje so uporabljeni napredni senzorji, kot sta LiDAR in IMU, pri čemer se podatki filtrirajo in transformirajo z namenom natančnejše zaznave podatkov o okolici robota. Ob tem je za potrebe obračanja implementirana uporaba kvaternionov, kar pripomore k večji natančnosti in robustnosti delovanja. Testiranja, na podlagi primerjave s predhodno verzijo algoritma, so pokazala znatno izboljšanje hitrosti in večjo natančnost vožnje ter izrazito zmanjšanje poškodovanih rastlin. Meritve potrjujejo, da je novo razviti algoritem bolj učinkovit in bolj zanesljiv v primerjavi s predhodno verzijo.
Keywords: FarmBeast robot, avtonomna navigacija, kmetijska avtomatizacija, optimizacija algoritma
Published in DKUM: 03.10.2024; Views: 0; Downloads: 41
Full text (4,26 MB) |
7. Razvoj traktorskega priključka za uv osvetljevanje rastlin : diplomsko deloTim Peršak, 2024, undergraduate thesis Abstract: Razvoj in izdelava traktorskega priključka za UV osvetljevanje rastlin. UV osvetljevanje rastlin dokazano vpliva na prisotnost rastlinskih patogenov in zmanjšuje nastanek bolezni rastlin. V ta namen je bil razvit in izdelan traktorski priključek, s katerim se lahko osvetljujejo rastline z UV svetlobo tipa C. Njegova delovna širina je 3000 mm, namenjen pa je horizontalnemu in vertikalnemu osvetljevanju. To omogoča osvetljevanje rastlin na polju (krompir, buče, kumare, ...) in v nasadih (vinograd, jagodičevje, ...). Prav tako razvita rešitev omogoča osvetljevanje sadnega drevja.
Keywords: UV-C svetloba, traktorski priključek, osvetljevanje rastlin, konstrukcija.
Published in DKUM: 02.10.2024; Views: 0; Downloads: 24
Full text (3,84 MB) |
8. Uvajanje programskih orodij cad/cam v podjetju strugarstvo Pešak : magistrsko deloNace Pešak, 2024, master's thesis Abstract: V magistrskem delu je obravnavan problem pomanjkanja tehnologije v podjetju Strugarstvo Pešak za izdelavo izdelkov s prostimi površinami. Naša raziskava je pomembna, ker podjetje želi povečati svojo konkurenčnost in razširiti ponudbo izdelkov. Celovito rešitev vidimo v programskem orodju NX. V njem sta uporabljeni funkciji CAD in CAM za računalniško podprto načrtovanje in izdelavo izdelkov, za gradnjo poprocesorja pa uporabimo programsko orodje NX Post Builder. Poprocesor namensko razvijemo za stroj Chiron FZ 12 WN, ki je rezultat nedavne investicije podjetja za širitev na nove produkcijske trge. Z implementacijo inženirskega znanja tehnologij izdelamo polkrogelni pozitiv in negativ. Pripravljena je tudi primerjalno analiza stroškov programskih orodij ter argumentiramo najbolj optimalno izbiro glede na potrebe podjetja. V magistrskem delu osvojimo delovanje stroja in programskega orodja z namenom prihodnje izdelave kompleksnejših izdelkov iz najrazličnejših materialov. Na koncu je prikazano, kako implementacija predlagane rešitve podjetju omogoča izboljšanje proizvodne učinkovitosti, zmanjšanje stroškov ter povečanje kakovosti izdelkov, kar vodi v konkurenčno prednost na trgu.
Keywords: CAD, CAM, TCL, poprocesor, NX, gradnik poprocesorja
Published in DKUM: 25.09.2024; Views: 0; Downloads: 29
Full text (3,42 MB) |
9. Razvoj in implementacija sistema strojnega vida za precizno določanje položajev lukenj v aplikacijah robotskega vijačenja : magistrsko deloLeopold Hauptman, 2024, master's thesis Abstract: Magistrska naloga opisuje uporabo industrijske kamere SICK, PLC Siemens in industrijskega robota Yaskawa za določanje pozicije lukenj za robotsko vijačenje. Razložene so funkcije in uporaba programskega paketa SICK Quality inspection za programiranje industrijske kamere. Za tem je predstavljena uporabljena oprema za izvedbo naloge. Predstavljena je priprava komunikacije med napravami in kalibracija kamere z robotom, kjer se koordinate kamere pretvorijo v koordinate robotskega koordinatnega sistema. Sledi opis naloge in predstavitev problemov, ki so se pojavili med pripravo programov za strojni vid. Na koncu sledijo še opisi funkcij pripravljenih programov in končni parametri.
Keywords: robotika, strojni vid, industrijska kamera, avtomatizacija, vijačenje
Published in DKUM: 06.09.2024; Views: 94; Downloads: 0
Full text (1,58 MB) |
10. Tool condition monitoring using machine tool spindle current and long short-term memory neural network model analysisNiko Turšič, Simon Klančnik, 2024, original scientific article Abstract: In cutting processes, tool condition affects the quality of the manufactured parts. As such, an essential component to prevent unplanned downtime and to assure machining quality is having information about the state of the cutting tool. The primary function of it is to alert the operator that the tool has reached or is reaching a level of wear beyond which behaviour is unreliable. In this paper, the tool condition is being monitored by analysing the electric current on the main spindle via an artificial intelligence model utilising an LSTM neural network. In the current study, the tool is monitored while working on a cylindrical raw piece made of AA6013 aluminium alloy with a custom polycrystalline diamond tool for the purposes of monitoring the wear of these tools. Spindle current characteristics were obtained using external measuring equipment to not influence the operation of the machine included in a larger production line. As a novel approach, an artificial intelligence model based on an LSTM neural network is utilised for the analysis of the spindle current obtained during a manufacturing cycle and assessing the tool wear range in real time. The neural network was designed and trained to notice significant characteristics of the captured current signal. The conducted research serves as a proof of concept for the use of an LSTM neural network-based model as a method of monitoring the condition of cutting tools.
Keywords: tool condition monitoring, artificial intelligence, LSTM neural network
Published in DKUM: 22.04.2024; Views: 181; Downloads: 36
Full text (3,75 MB)
This document has many files! More... |
