Diagnostika poruch na experimentálním pneumatickém zařízení "PneuStand"

Simple item page
but.committeeRNDr. Vladimír Opluštil (předseda) doc. Ing. Robert Grepl, Ph.D. (místopředseda) doc. Ing. Jiří Krejsa, Ph.D. (člen) doc. Ing. Radoslav Cipín, Ph.D. (člen) Ing. Dalibor Červinka, Ph.D. (člen) Ing. Michal Bastl, Ph.D. (člen) Ing. Peter Zavadinka, Ph.D. (člen) Ing. Roman Adámek, Ph.D. (člen)cs
but.defencePři obhajobě student nejprve prezentoval svoji diplomovou práci, následně byly přečteny posudky a student odpovídal na dotazy oponenta. Poté byly členy komise položeny následující otázky: Vysvětlete prvky na schématu 5.2. Jaký typ průtokoměru jste použil? Zohledňovali jste tření v modelu? V jakých tlacích jste se pohyboval? Obhajoba byla komisí hodnocena jako dobrá.cs
but.jazykčeština (Czech)
but.programMechatronikacs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorDobossy, Barnabáscs
dc.contributor.authorDvořák, Jancs
dc.contributor.refereeBastl, Michalcs
dc.date.accessioned2025-06-14T03:57:16Z
dc.date.available2025-06-14T03:57:16Z
dc.date.created2025cs
dc.description.abstractDiplomová práce se zabývá prediktivní údržbou technických zařízení, která je v kontextu Průmyslu 4.0 stále důležitější pro minimalizaci prostojů a zvýšení provozní efektivity. Hlavním cílem práce je návrh a vyhodnocení metod pro klasifikaci poruch na experimentálním pneumatickém zařízení PneuStand pomocí algoritmů strojového učení, a to při využití kombinace reálně naměřených a synteticky generovaných dat. K tomuto účelu byl vytvořen fyzikálně založený simulační model zařízení v prostředí Simulink, který umožňuje generovat provozní a poruchové stavy. Výsledná datová sada byla použita pro trénink a testování několika klasifikačních modelů: od modelů založených na ručně extrahovaných příznacích, přes konvoluční neuronové sítě (2DCNN), až po rekurentní architektury (LSTM a 1DCNN-LSTM). Nejvyšší přesnosti dosáhly modely 2DCNN, které překonaly 99% testovací úspěšnosti. Naopak, LSTM se ukázaly jako méně vhodné z hlediska přesnosti i výpočetní náročnosti. Výsledky ukazují, že kombinace digitálního dvojčete a umělé inteligence může být účinným nástrojem pro implementaci prediktivní údržby, a současně poukazují na nutnost kvalitních dat a důsledného nastavení parametrů modelu.cs
dc.description.abstractThis thesis addresses predictive maintenance of technical equipment, which is becoming increasingly important in the context of Industry 4.0 for minimizing downtime and improving operational efficiency. The main objective is to design and evaluate methods for fault classification on the experimental pneumatic system PneuStand using machine learning algorithms, based on a combination of real–world and synthetically generated data. To achieve this, a physics–based simulation model of the system was developed in Simulink, capable of replicating both normal operation and various fault conditions. The resulting dataset was used to train and test several classification models, including manually engineered feature–based models, convolutional neural networks (2DCNN), and recurrent architectures (LSTM and 1DCNN–LSTM). The best performance was achieved by 2DCNN models, reaching over 99% test accuracy. In contrast, LSTM models proved less suitable in terms of both accuracy and computational demands. The results demonstrate that combining a digital twin with artificial intelligence offers an effective approach to implementing predictive maintenance, while also highlighting the importance of high–quality data and careful parameter tuning.en
dc.description.markCcs
dc.identifier.citationDVOŘÁK, J. Diagnostika poruch na experimentálním pneumatickém zařízení "PneuStand" [online]. Brno: Vysoké učení technické v Brně. Fakulta strojního inženýrství. 2025.cs
dc.identifier.other162468cs
dc.identifier.urihttps://hdl.handle.net/11012/252420
dc.language.isocscs
dc.publisherVysoké učení technické v Brně. Fakulta strojního inženýrstvícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjectprediktivní údržbacs
dc.subjectdigitální dvojčecs
dc.subjectklasifikace poruchcs
dc.subjectdiagnostikacs
dc.subjectstrojové učenícs
dc.subjectneuronové sítěcs
dc.subjectLSTMcs
dc.subjectCNNcs
dc.subjectautoenkodércs
dc.subjectMatlabcs
dc.subjectSimulinkcs
dc.subjectsyntetická datacs
dc.subjectpneumatické zařízenícs
dc.subjectpříznakycs
dc.subjectpredictive maintenanceen
dc.subjectdigital twinen
dc.subjectfault classificationen
dc.subjectdiagnosticsen
dc.subjectmachine learningen
dc.subjectneural networksen
dc.subjectLSTMen
dc.subjectCNNen
dc.subjectautoencoderen
dc.subjectMatlaben
dc.subjectSimulinken
dc.subjectsynthetic dataen
dc.subjectpneumatic systemen
dc.subjectfeaturesen
dc.titleDiagnostika poruch na experimentálním pneumatickém zařízení "PneuStand"cs
dc.title.alternativeFault diagnosis on a production line for the assembly of fuel automobiles' inlet modulesen
dc.typeTextcs
dc.type.drivermasterThesisen
dc.type.evskpdiplomová prácecs
dcterms.dateAccepted2025-06-10cs
dcterms.modified2025-06-13-12:48:09cs
eprints.affiliatedInstitution.facultyFakulta strojního inženýrstvícs
sync.item.dbid162468en
sync.item.dbtypeZPen
sync.item.insts2025.06.14 05:57:16en
sync.item.modts2025.06.14 05:32:58en
thesis.disciplinebez specializacecs
thesis.grantorVysoké učení technické v Brně. Fakulta strojního inženýrství. Ústav mechaniky těles, mechatroniky a biomechanikycs
thesis.levelInženýrskýcs
thesis.nameIng.cs
Files
Original bundle
Now showing 1 - 3 of 3
Thumbnail Image
Name:
final-thesis.pdf
Size:
3.97 MB
Format:
Adobe Portable Document Format
Description:
file final-thesis.pdf
Download
Thumbnail Image
Name:
appendix-1.zip
Size:
260.72 KB
Format:
Unknown data format
Description:
file appendix-1.zip
Download
Thumbnail Image
Name:
review_162468.html
Size:
10.59 KB
Format:
Hypertext Markup Language
Description:
file review_162468.html
Download
Collections
2025