|
|
Systém identifikace vlaků ve výhybkách pomocí pokročilých metod strojového učení
Krč, Rostislav ; Vorel,, Jan (oponent) ; Plášek, Otto (oponent) ; Podroužek, Jan (vedoucí práce)
Tato disertační práce pojednává o možnostech automatického rozpoznání vlaků ve výhybkách na základě akcelerometrických dat. Byl zohledněn současný stav poznání včetně požadavků výzkumných projektů jako S-Code, In2Track a Výhybka 4.0. V provedených experimentech byly uvažovány různé architektury umělých neuronových sítí (ANN) a statisticky vyhodnoceny různé scénáře použití. Výsledná přesnost dosáhla 89.2 % pro konvoluční neuronovou síť (CNN), která byla vybrána jako vhodná základní architektura pro další experimenty. Projevila se vysoká schopnost zobecnění problému, jelikož modely natrénované na datech z jedné lokality byly schopné určit typ lokomotivy na jiné lokalitě. Další experimenty posuzovaly vliv filtrů a redukce šumu. Ukázalo se, že natrénované modely jsou vhodné pro aplikaci in-situ s ohledem na hardwarová omezení, neboť mají malé nároky na paměť a výpočetní výkon. Kvůli omezenému množství naměřených dat byla využita data z elektrické přenosové soustavy, což umožnilo další upřesnění navržené CNN architektury. Nejvyšší přesnosti pro klasifikaci časových řad je dosaženo pomocí hluboké vícevrstvé architektury s využitím regularizačních metod jako dropout nebo normalizace batche. Využití aktivační mapy tříd (CAM) napomohlo vysvětlení rozhodovacího procesu neuronové sítě. Prezentované výsledky prokázaly proveditelnost identifikace typů vlaků přímo ve výhybce. CNN byla zvolena jako optimální architektura pro tento úkol, vzhledem k vysoké přesnosti, schopnosti automatické filtrace a rozpoznání vzorů, což umožňuje využití end-to-end strategie. Vzhledem k nízkým výpočetním nárokům je navíc možné použití natrénovaných modelů přímo na výhybce. Byly rovněž formulovány požadavky na minimální množství dat a parametry senzorů. Tato disertační práce přispívá k porozumění problematiky identifikace typů vlaků a poskytuje pevné teoretické základy pro další výzkum.
|
|
|
Skutečně chytrá chytrá zásuvka
Valušek, Ondřej ; Zemčík, Pavel (oponent) ; Materna, Zdeněk (vedoucí práce)
Na trhu je dnes k dispozici mnoho takzvaně chytrých zásuvek. Jejich využití je však značně omezené. Typicky umí měřit spotřebu a lze je spínat na dálku pomocí mobilní aplikace nebo časovače. Tato práce řeší, jak využít spínací modul s měřením spotřeby k tomu, aby se ze zásuvky stala skutečně chytrá zásuvka, která umí rozpoznat co je do ní aktuálně připojeno pouze na základě krátkého časového okna, a to až pro tři spotřebiče najednou. Spotřeba je měřena chytrým relé Shelly 1PM společně pro tři zástrčky. Extrakcí příznaků z časové řady, detekcí neznámých spotřebičů pomocí SVM a poté klasifikaci neuronovou sítí se podařilo dosáhnout přesnosti přes 99 % na datasetu obsahující různé kombinace zapojení chytré televize, stolní lampičky a notebooku. Informace o aktuálně připojených spotřebičích jsou přehledně zobrazeny ve webovém rozhraní a také jsou průběžně zapisovány do databáze pro zpětné zobrazení statistik. Informaci o připojení a odpojení spotřebičů je také dále možné poslat do systému pro správu chytré domácnosti.
|
|
|
Deep learning methods for acoustic emission evaluation
Kovanda, M. ; Chlada, Milan
The goal of this paper is to show the possibilities of state-of-the-art deep learning methods for ultrasound signals evaluation. Several neural network architectures are applied to\nacoustic emission signals measured during the tensile tests of metallic specimen to determine the beginning of plasticity in the material. Plastic deformation is accompanied by microscopic\nevents such as a slip of atomic plane dislocations which is hardly detectable by other methods. The potential of machine learning is demonstrated on two tensile tests where the material is\nstrained until it collapses. The examined networks proved well to reliably predict the risk of collapse together with changes in the ultrasound emission signals.
|
|
|
Skutečně chytrá chytrá zásuvka
Valušek, Ondřej ; Zemčík, Pavel (oponent) ; Materna, Zdeněk (vedoucí práce)
Na trhu je dnes k dispozici mnoho takzvaně chytrých zásuvek. Jejich využití je však značně omezené. Typicky umí měřit spotřebu a lze je spínat na dálku pomocí mobilní aplikace nebo časovače. Tato práce řeší, jak využít spínací modul s měřením spotřeby k tomu, aby se ze zásuvky stala skutečně chytrá zásuvka, která umí rozpoznat co je do ní aktuálně připojeno pouze na základě krátkého časového okna, a to až pro tři spotřebiče najednou. Spotřeba je měřena chytrým relé Shelly 1PM společně pro tři zástrčky. Extrakcí příznaků z časové řady, detekcí neznámých spotřebičů pomocí SVM a poté klasifikaci neuronovou sítí se podařilo dosáhnout přesnosti přes 99 % na datasetu obsahující různé kombinace zapojení chytré televize, stolní lampičky a notebooku. Informace o aktuálně připojených spotřebičích jsou přehledně zobrazeny ve webovém rozhraní a také jsou průběžně zapisovány do databáze pro zpětné zobrazení statistik. Informaci o připojení a odpojení spotřebičů je také dále možné poslat do systému pro správu chytré domácnosti.
|
|
|
Systém identifikace vlaků ve výhybkách pomocí pokročilých metod strojového učení
Krč, Rostislav ; Vorel,, Jan (oponent) ; Plášek, Otto (oponent) ; Podroužek, Jan (vedoucí práce)
Tato disertační práce pojednává o možnostech automatického rozpoznání vlaků ve výhybkách na základě akcelerometrických dat. Byl zohledněn současný stav poznání včetně požadavků výzkumných projektů jako S-Code, In2Track a Výhybka 4.0. V provedených experimentech byly uvažovány různé architektury umělých neuronových sítí (ANN) a statisticky vyhodnoceny různé scénáře použití. Výsledná přesnost dosáhla 89.2 % pro konvoluční neuronovou síť (CNN), která byla vybrána jako vhodná základní architektura pro další experimenty. Projevila se vysoká schopnost zobecnění problému, jelikož modely natrénované na datech z jedné lokality byly schopné určit typ lokomotivy na jiné lokalitě. Další experimenty posuzovaly vliv filtrů a redukce šumu. Ukázalo se, že natrénované modely jsou vhodné pro aplikaci in-situ s ohledem na hardwarová omezení, neboť mají malé nároky na paměť a výpočetní výkon. Kvůli omezenému množství naměřených dat byla využita data z elektrické přenosové soustavy, což umožnilo další upřesnění navržené CNN architektury. Nejvyšší přesnosti pro klasifikaci časových řad je dosaženo pomocí hluboké vícevrstvé architektury s využitím regularizačních metod jako dropout nebo normalizace batche. Využití aktivační mapy tříd (CAM) napomohlo vysvětlení rozhodovacího procesu neuronové sítě. Prezentované výsledky prokázaly proveditelnost identifikace typů vlaků přímo ve výhybce. CNN byla zvolena jako optimální architektura pro tento úkol, vzhledem k vysoké přesnosti, schopnosti automatické filtrace a rozpoznání vzorů, což umožňuje využití end-to-end strategie. Vzhledem k nízkým výpočetním nárokům je navíc možné použití natrénovaných modelů přímo na výhybce. Byly rovněž formulovány požadavky na minimální množství dat a parametry senzorů. Tato disertační práce přispívá k porozumění problematiky identifikace typů vlaků a poskytuje pevné teoretické základy pro další výzkum.
|
host ::
RSS.