Diagnostika ložisek s využitím strojového učení
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 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.
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.
Description
Keywords
strojové učení, diagnostika ložisek, prediktory, Support Vector Classification, K-Nearest Neighbors Classifier, Random Forest Classifier, konvoluční neuronová síť, machine learning, bearing diagnostics, predictors, Support Vector Classification, K-Nearest Neighbors Classifier, Random Forest Classifier, Convolutional Neural Network
Citation
ZONYGOVÁ, K. Diagnostika ložisek s využitím strojového učení [online]. Brno: Vysoké učení technické v Brně. Fakulta strojního inženýrství. 2022.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
bez specializace
Comittee
prof. 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)
Date of acceptance
2022-06-15
Defence
Studentka 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)
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení