Využití umělé inteligence v technické diagnostice

Simple item page
but.committeedoc. Ing. Róbert Jankových, CSc. (předseda) (místopředseda) Ing. Jan Šrámek, Ph.D. (člen) Ing. Michal Drlík, Ph.D. (člen) prof. Ing. Milan Oravec, Ph.D. (člen)cs
but.defenceStudent v úvodu prezentace představil téma využití umělé inteligence v technické diagnostice včetně specifikace řešeného problému. V další části student prezentoval myšlenku výběru prediktorů a popsal princip jednotlivých metod (metoda nejbližších sousedů, metoda podpůrných vektorů, metoda rozhodovacích stromů či metoda náhodného lesa). Závěrečná část prezentace shrnuje dosažené výsledky a doporučení pro praktické rozšíření. Na otázku oponenta: “Jakým způsobem je možné modely exportovat pro další možné využití?“ student reaguje představením knihoven, které jsou pro danou funkci použitelné. Jak jste zvolil vybrané prediktory a jaké další prediktory je možné využít? Student podrobněji popisuje postup vytváření modelu a volby prediktoru. Přikládá však další možné prediktory, které by mohly být v modelu zaneseny. Zkušební komise rozporuje reprezentaci dosažených výsledků. Kladně hodnotí programovou část diplomové práce, avšak postrádá v ní prvky technické diagnostiky. Taktéž komentuje, že je velice těžké oddělit nesouosost od nevývahy atp. Co je to OK stav? Neexistuje stav, aby byl nulový signál vibrací. Student na tuto připomínku reaguje tím, že označení OK stav je určitá reference, vůči které aktuální stav porovnáváme. Re možné prediktory RMS slučovat do jednoho prediktoru? Student odpovídá, že to možné není. Ze strany zkušební komise je možnost této úpravy vysvětlena. Jakým způsobem byly modely testovány? Student detailně popisuje práci s daty a odkazuje se na elektronické přílohy práce.cs
but.jazykčeština (Czech)
but.programStrojní inženýrstvícs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorZuth, Danielcs
dc.contributor.authorKonečný, Antoníncs
dc.contributor.refereeHuzlík, Rostislavcs
dc.date.created2021cs
dc.description.abstractDiplomová práce je zaměřena na využití metod umělé inteligence pro vyhodnocení poruchového stavu strojního zařízení. Vyhodnocovaná data jsou z vibrodiagnostického modelu pro simulaci statické a dynamické nevývahy. Aplikovány jsou metody strojového učení, konkrétně učení s učitelem. V práci je popsáno softwarové prostředí Spyder, jeho alternativy, a programovací jazyk Python, ve kterém jsou skripty napsány. Obsahuje přehled s popisem použitých knihoven Scikit-learn, SciPy, Pandas ...) a metod, kterými jsou klasifikace metodou nejbližšího souseda (KNN), metoda podpůrných vektorů (SVM), rozhodovací stromy (DT) a klasifikace metodou náhodného lesa (RF). Výsledky úspěšnosti klasifikace jsou vizualizovány ve výsledné klasifikační matici pro každou metodu. Součástí přílohy jsou napsané skripty pro zpracování a výpočet prediktorů, hledání nejvhodnějších parametrů modelu, hodnocení úspěšnosti učení a klasifikace s vizualizací výsledku.cs
dc.description.abstractThe diploma thesis is focused on the use of artificial intelligence methods for evaluating the fault condition of machinery. The evaluated data are from a vibrodiagnostic model for simulation of static and dynamic unbalances. The machine learning methods are applied, specifically supervised learning. The thesis describes the Spyder software environment, its alternatives, and the Python programming language, in which the scripts are written. It contains an overview with a description of the libraries (Scikit-learn, SciPy, Pandas ...) and methods — K-Nearest Neighbors (KNN), Support Vector Machines (SVM), Decision Trees (DT) and Random Forests Classifiers (RF). The results of the classification are visualized in the confusion matrix for each method. The appendix includes written scripts for feature engineering, hyperparameter tuning, evaluation of learning success and classification with visualization of the result.en
dc.description.markAcs
dc.identifier.citationKONEČNÝ, A. Využití umělé inteligence v technické diagnostice [online]. Brno: Vysoké učení technické v Brně. Fakulta strojního inženýrství. 2021.cs
dc.identifier.other132672cs
dc.identifier.urihttp://hdl.handle.net/11012/197804
dc.language.isocscs
dc.publisherVysoké učení technické v Brně. Fakulta strojního inženýrstvícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjectumělá inteligencecs
dc.subjectstrojové učenícs
dc.subjectučení s učitelemcs
dc.subjectklasifikacecs
dc.subjectextrakce charakteristických rysůcs
dc.subjectSpydercs
dc.subjectPythoncs
dc.subjectScikit-learncs
dc.subjectsklearncs
dc.subjecthledání nejvhodnějších parametrůcs
dc.subjectmetoda nejbližšího sousedacs
dc.subjectmetoda podpůrných vektorůcs
dc.subjectrozhodovací stromycs
dc.subjectklasifikace metodou nejbližšího sousedacs
dc.subjectklasifikační maticecs
dc.subjectArtificial Intelligenceen
dc.subjectMachine Learningen
dc.subjectSupervised Learningen
dc.subjectClassificationen
dc.subjectFeature Engineeringen
dc.subjectSpyderen
dc.subjectPythonen
dc.subjectScikit-learnen
dc.subjectsklearnen
dc.subjectHyperparameter Tuningen
dc.subjectK-Nearest Neighborsen
dc.subjectSupport Vector Machinesen
dc.subjectDecision Treesen
dc.subjectRandom Forests Classifiersen
dc.subjectConfusion Matrixen
dc.titleVyužití umělé inteligence v technické diagnosticecs
dc.title.alternativeUtilization of artificial intelligence in technical diagnosticsen
dc.typeTextcs
dc.type.drivermasterThesisen
dc.type.evskpdiplomová prácecs
dcterms.dateAccepted2021-06-15cs
dcterms.modified2021-06-15-16:09:37cs
eprints.affiliatedInstitution.facultyFakulta strojního inženýrstvícs
sync.item.dbid132672en
sync.item.dbtypeZPen
sync.item.insts2025.03.27 10:32:03en
sync.item.modts2025.01.15 17:53:31en
thesis.disciplineKvalita, spolehlivost a bezpečnostcs
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:
1.97 MB
Format:
Adobe Portable Document Format
Description:
final-thesis.pdf
Download
Thumbnail Image
Name:
appendix-1.zip
Size:
21.67 MB
Format:
zip
Description:
appendix-1.zip
Download
Thumbnail Image
Name:
review_132672.html
Size:
7.35 KB
Format:
Hypertext Markup Language
Description:
file review_132672.html
Download
Collections
2021