Diagnostika ložisek s využitím strojového učení

Simple item page
but.committeeprof. Ing. Hana Pačaiová, Ph.D. (předseda) doc. Ing. Róbert Jankových, CSc. (místopředseda) doc. Dr. Ing. Daniel Prostredník, CSc. (člen) Ing. Jan Šrámek, Ph.D. (člen) Ing. Michal Drlík, Ph.D. (člen)cs
but.defenceStudentka seznámila členy komise se svou závěrečnou prací na téma "Diagnostika ložisek s využitím strojového učení". Studentka úspěšně zodpověděla otázky oponenta. Je vhodně zvolený pojem standardní směrodatná odchylka? (zodpovězeno) Z čeho vychází pojem směrodatná odchylka? (zodpovězeno) Jak velké množství datasetů by bylo nutné pro popsání všech možných poškození ložisek? (zodpovězeno) Kterými metodami se dá detekovat poškození ložisek dokážete nakreslit graf? (částečně zodpovězeno) Popište a namalujte princip obálkové metody, kterou zmiňujete v práci? (zodpovězeno) V jakém frekvenčním pásmu je analyzováno chybové chování ložisek? (částečně zodpovězeno) Jaká je funkce prediktoru? (zodpovězeno) Jaké okno ve FT jste použila? (zodpovězeno)cs
but.jazykčeština (Czech)
but.programKvalita, spolehlivost a bezpečnostcs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorZuth, Danielcs
dc.contributor.authorZonygová, Kristýnacs
dc.contributor.refereeMarada, Tomášcs
dc.date.created2022cs
dc.description.abstractDiplomová práce se zabývá použitím metod umělé inteligence za účelem klasifikace poruch ložiska. Jsou zde popsány klasifikační metody SVC (Support Vector Classification), KNN (K-Nearest Neighbors Classifier), RFC (Random Forest Classifier) a CNN (Convolutional Neural Network), které jsou testovány na datech vibračního signálu kuličkového ložiska ze dvou různých datasetů. Všechny metody dosahují poměrně dobrých výsledků klasifikace (od 94,1 % do 99,8 %). Součástí jsou také skripty v programovém prostředí Python, které využívají knihovny s volnou licencí. Ty poskytují možnost natrénování klasifikačních metod (SVC, KNN, RFC nebo CNN) na vlastních datech, nebo využití již natrénovaných modelů.cs
dc.description.abstractThe Master's thesis deals with the use of artificial intelligence methods in order to classify bearing failures. The SVC (Support Vector Classification), KNN (K-Nearest Neighbors Classifier), RFC (Random Forest Classifier) and CNN (Convolutional Neural Network) classification methods are described and tested on ball-bearing vibration signals from two different datasets. All methods achieve quite well accuracy (from 94.1 % to 99.8 %). Scripts in the Python programming environment that use libraries with free-licenses are also included. They provide the possibility of training classification methods (SVC, KNN, RFC or CNN) on your own data, or the use of already trained models.en
dc.description.markAcs
dc.identifier.citationZONYGOVÁ, K. Diagnostika ložisek s využitím strojového učení [online]. Brno: Vysoké učení technické v Brně. Fakulta strojního inženýrství. 2022.cs
dc.identifier.other139775cs
dc.identifier.urihttp://hdl.handle.net/11012/206167
dc.language.isocscs
dc.publisherVysoké učení technické v Brně. Fakulta strojního inženýrstvícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjectstrojové učenícs
dc.subjectdiagnostika ložisekcs
dc.subjectprediktorycs
dc.subjectSupport Vector Classificationcs
dc.subjectK-Nearest Neighbors Classifiercs
dc.subjectRandom Forest Classifiercs
dc.subjectkonvoluční neuronová síťcs
dc.subjectmachine learningen
dc.subjectbearing diagnosticsen
dc.subjectpredictorsen
dc.subjectSupport Vector Classificationen
dc.subjectK-Nearest Neighbors Classifieren
dc.subjectRandom Forest Classifieren
dc.subjectConvolutional Neural Networken
dc.titleDiagnostika ložisek s využitím strojového učenícs
dc.title.alternativeBearing diagnostics using machine learningen
dc.typeTextcs
dc.type.drivermasterThesisen
dc.type.evskpdiplomová prácecs
dcterms.dateAccepted2022-06-15cs
dcterms.modified2022-06-15-13:14:34cs
eprints.affiliatedInstitution.facultyFakulta strojního inženýrstvícs
sync.item.dbid139775en
sync.item.dbtypeZPen
sync.item.insts2025.03.27 10:37:29en
sync.item.modts2025.01.15 11:49:06en
thesis.disciplinebez specializacecs
thesis.grantorVysoké učení technické v Brně. Fakulta strojního inženýrství. Ústav výrobních strojů, systémů a robotikycs
thesis.levelInženýrskýcs
thesis.nameIng.cs
Files
Original bundle
Now showing 1 - 3 of 3
Thumbnail Image
Name:
final-thesis.pdf
Size:
10.68 MB
Format:
Adobe Portable Document Format
Description:
final-thesis.pdf
Download
Thumbnail Image
Name:
appendix-1.zip
Size:
3.48 MB
Format:
zip
Description:
appendix-1.zip
Download
Thumbnail Image
Name:
review_139775.html
Size:
8.87 KB
Format:
Hypertext Markup Language
Description:
file review_139775.html
Download
Collections
2022