ZONYGOVÁ, K. Diagnostika ložisek s využitím strojového učení [online]. Brno: Vysoké učení technické v Brně. Fakulta strojního inženýrství. 2022.
Práce se zabývá tvorbou a testováním algoritmů pro klasifikaci konkrétních závad ložisek rotačních strojů. V práci jsou využity volně přístupné datasety, které obsahují reálná měření vibrodiagnostických signálů. Práce není striktně rozdělena na teoretickou a praktickou část, nicméně text je formulován systematicky a logicky. Originálním řešením v práci je volba a výpočet prediktorů, které slouží jako vstup do klasifikačních algoritmů. Výsledky jsou přehledně shrnuty a vysvětleny. Nedílnou součástí práce jsou vytvořené skripty, které díky licenční politice lze využit i v komerční sféře, avšak z těchto důvodů mohla práce více popsat licence použitých knihoven. Práce dosahuje nadprůměrné úrovně a předloženou práci tudíž doporučuji k obhajobě.
| Kritérium | Známka | Body | Slovní hodnocení |
|---|---|---|---|
| Splnění požadavků a cílů zadání | A | ||
| Postup a rozsah řešení, adekvátnost použitých metod | A | ||
| Vlastní přínos a originalita | A | ||
| Schopnost interpretovat dosažené výsledky a vyvozovat z nich závěry | A | ||
| Využitelnost výsledků v praxi nebo teorii | A | ||
| Logické uspořádání práce a formální náležitosti | A | ||
| Grafická, stylistická úprava a pravopis | A | ||
| Práce s literaturou včetně citací | A | ||
| Samostatnost studenta při zpracování tématu | B |
Cílem předložené diplomové práce byla tvorbou algoritmů pro diagnostiku ložisek na základě metod umělé inteligence. Jedná se o středně obtížnou úlohu s velkou částí praktické SW realizace. V první části se diplomantka zabývá metodami technické diagnostiky. Dále se zaměřuje na vibrodiagnostiku. Dále jsou uvedeny poruchy ložisek a jejich projev v diagnostickém signálu. Následuje popis použitých datasetů. Pro datasety jsou vypočítány frekvence ložiskových závad. V další kapitole jsou popsány prediktory, které charakterizují data nebo stavy ložiska. Součástí práce je také uvedení metod umělé inteligence a použité metody klasifikace. U metod byly testovány různé kombinace parametrů pro dosažení co nejlepších výsledků. Ke každému modelu je přidána matice záměn, která přehledně zobrazuje jeho úspěšnost klasifikace. V přílohách jsou přiloženy skripty, pomocí kterých je možné si natrénovat klasifikační metody SVC, KNN, RFC i CNN na vlastních datech. Přiloženy jsou také skripty, které vytvářejí predikce vkládaných dat na základě již natrénovaného modelu. Přiložené zdrojové kódy mohli být lépe komentované a jejich funkce mohla být popsána a vysvětlena pomocí vývojových diagramů. Mohlo být použito více typů prediktorů. V obrázcích, které se předkládají konvoluční neuronové síti by neměli být uvedeny čísla, ale pouze signál. Tyto nedostatky jsou však spíše drobného charakteru. Grafická a stylistická úroveň práce je dobrá bez překlepů. Cíle práce byly splněny a zadané téma lze považovat za splněné v požadovaném rozsahu.
| Kritérium | Známka | Body | Slovní hodnocení |
|---|---|---|---|
| Splnění požadavků a cílů zadání | A | ||
| Postup a rozsah řešení, adekvátnost použitých metod | A | ||
| Vlastní přínos a originalita | B | ||
| Schopnost interpretovat dosaž. výsledky a vyvozovat z nich závěry | A | ||
| Využitelnost výsledků v praxi nebo teorii | B | ||
| Logické uspořádání práce a formální náležitosti | A | ||
| Grafická, stylistická úprava a pravopis | A | ||
| Práce s literaturou včetně citací | A |
eVSKP id 139775