|
|
Diagnostika ložisek s využitím strojového učení
Zonygová, Kristýna ; Marada, Tomáš (oponent) ; Zuth, Daniel (vedoucí práce)
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.
|
|
|
Diagnostika ložisek s využitím strojového učení
Zonygová, Kristýna ; Marada, Tomáš (oponent) ; Zuth, Daniel (vedoucí práce)
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.
|
host ::
RSS.