Diagnostika ložisek s využitím strojového učení

Abstract

Diplomová 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.

The 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.