Využití umělé inteligence v technické diagnostice
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta strojního inženýrství
Abstract
Diplomová 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.
The 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.
The 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.
Description
Keywords
umělá inteligence, strojové učení, učení s učitelem, klasifikace, extrakce charakteristických rysů, Spyder, Python, Scikit-learn, sklearn, hledání nejvhodnějších parametrů, metoda nejbližšího souseda, metoda podpůrných vektorů, rozhodovací stromy, klasifikace metodou nejbližšího souseda, klasifikační matice, Artificial Intelligence, Machine Learning, Supervised Learning, Classification, Feature Engineering, Spyder, Python, Scikit-learn, sklearn, Hyperparameter Tuning, K-Nearest Neighbors, Support Vector Machines, Decision Trees, Random Forests Classifiers, Confusion Matrix
Citation
KONEČNÝ, A. Využití umělé inteligence v technické diagnostice [online]. Brno: Vysoké učení technické v Brně. Fakulta strojního inženýrství. 2021.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
Kvalita, spolehlivost a bezpečnost
Comittee
doc. 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)
Date of acceptance
2021-06-15
Defence
Student 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.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení