Diplomové práce - 12110http://hdl.handle.net/10467/30802024-03-29T08:58:27Z2024-03-29T08:58:27ZVektorové řízení synchronního motoru s permanentními magnety s vývojovou deskou PYNQ-Z2Tomáš Buriánekhttp://hdl.handle.net/10467/1135032024-02-01T23:53:15Z2024-02-01T00:00:00ZVektorové řízení synchronního motoru s permanentními magnety s vývojovou deskou PYNQ-Z2; Vector control of permanent magnet synchronous motor implemented on development board PYNQ-Z2
Tomáš Buriánek
Tato diplomová práce se zaměřuje na vytvoření vektorového řízení synchronního motoru s permanentními magnety (PMSM) Teknic M-2310P-LN-04K na vývojové desce PYNQ-Z2. Práce také popisuje princip fungování programovatelných hradlových polí (FPGA) a způsob jejich programování. Při tom se zaměřuje na vývojová prostředí Vivado a Simulink. V praktické části je realizováno vektorové řízení s regulací rychlosti a jeho uživatelské rozhraní. Uživatel může nastavovat veškeré parametry regulace a průběžně sledovat a zaznamenávat průběhy řízených a doplňkových veličin. Řízení bylo úspěšně otestováno s dobrými výsledky. Výpočetní čas je roven 325 ns, při započítání doby měření se jedná celkem o 3925 ns. Nejvyšší nastavitelná frekvence PWM je 100 kHz, zároveň je možné zaznamenávat vzorky zvolených veličin z každé periody PWM.; This thesis focuses on the development of a vector control of a Teknic M-2310P-LN-04K permanent magnet synchronous motor (PMSM) on the PYNQ-Z2 development board. The thesis also describes the principle of operation of field programmable gate arrays (FPGAs) and how to program them. In doing so, it focuses on the Vivado and Simulink development environments. In the practical part, the vector control with speed control and its user interface are implemented. The user can set all control parameters and continuously monitor and record the waveforms of the controlled and additional variables. The control has been successfully tested with good results. The computation time is equal to 325 ns, with a total of 3925 ns when the measurement time is included. The highest adjustable PWM frequency is 100 kHz, at the same time it is possible to record samples of selected quantities from each PWM period.
2024-02-01T00:00:00ZRozšíření aplikace pro monitorování dostupností zařízení na sítiJan Veselýhttp://hdl.handle.net/10467/1135042024-02-01T23:53:15Z2024-02-01T00:00:00ZRozšíření aplikace pro monitorování dostupností zařízení na síti; Extension of the application for monitoring the availability of devices on the network
Jan Veselý
Tato diplomová práce se zaměřuje na rozvoj a implementaci rozšíření aplikace pro monitorování dostupnosti zařízení na síti. Práce začíná teoretickým základem, pokrývajícím základy síťové komunikace a bezpečnosti, a následně se věnuje praktické implementaci navrženého řešení. Klíčové aspekty práce zahrnují rozvoj metod autentizace, zabezpečení datového přenosu a integrace těchto prvků do stávajícího systému. Výsledkem je robustnější a bezpečnější systém pro monitorování sítí, který je schopen identifikovat a zaznamenávat potenciální bezpečnostní hrozby.; This thesis focuses on the development and implementation of an extension for a network device monitoring application. The work begins with a theoretical foundation covering the basics of network communication and security, followed by the practical implementation of the proposed solution. Key aspects of the thesis include the development of authentication methods, securing data transmission, and integrating these elements into the existing system. The result is a more robust and secure network monitoring system capable of identifying and recording to potential security threats.
2024-02-01T00:00:00ZNavigace zemědělského robota v ovocném saduPavel Grebennikovhttp://hdl.handle.net/10467/1134992024-02-01T23:53:04Z2024-02-01T00:00:00ZNavigace zemědělského robota v ovocném sadu; Agricultural robot navigation in the orchard
Pavel Grebennikov
Tato práce se zaměřuje na implementaci konceptu Zemědělství 4.0 v ovocném sadu. Klíčovým prvkem je zde fúze senzorů zahradního robota pro tvorbu robotické mapy. Teoretická část se zaměřuje na popis konceptu Zemědělství 4.0 z hlediska využitých technologií, využitých přístupů a praktických aplikací. Druhá část popisuje obecné přístupy k fúzi senzorických dat a obsahuje rozdělení jednotlivých metod doplněných o jejich stručný popis. Poslední část pojednává o robotickém mapování, jeho výzvách, algoritmech a typech map. Praktická část se zabývá zpracováním roboticky naměřených senzorických dat. Data z kamer, senzorů GPS, enkodérů a lidaru jsou zde využita pro detekci jednotlivých stromů. Součástí práce je i vyvinutý program v prostředí Python, jehož výstupem je robotická mapa prostředí. Ke každému detekovaném stromu v mapě jsou přiděleny jeho fotografie a informace o jeho relativní a absolutní poloze. Další část se zabývá režimem poloautonomního snímkování doplněného o vývoj uživatelského rozhraní zobrazujícího informace klíčové pro operátora vozidla. Poslední část obsahuje konceptuální návrh autonomních prvků řízení robota včetně vedení v řadě, zastavování a otočky.; This thesis focuses on the implementation of Agriculture 4.0 concepts in an orchard setting with key emphasis on the sensor fusion of a garden robot for the creation of robotic map. The theoretical section provides an in-depth exploration of the Agriculture 4.0 concept, examining the technologies employed, approaches adapted and practical applications. The second part outlines general strategies for sensor data fusion, presenting a classification of various methods accompanied by concise descriptions. The final section addresses the intricacies of robotic mapping, discussing its challenges, algorithms, and several map types. The practical section revolves around processing sensor data acquired by the robot. Data from cameras, GPS sensors, encoders, and LiDaR are used for the detection of individual trees. This part of the work also includes development of a Python program designed to generate robotic map of the environment. Each identified tree on the map is associated with its photographs and information about its relative and absolute position. Next segment focuses on a semi-autonomous mode of capturing pictures complemented by the creation of a user interface displaying crucial information for the robot operator. The concluding section encompasses the conceptual design of autonomous robot control elements covering aspects such as row following, stopping, and turning.
2024-02-01T00:00:00ZAplikace metod strojového vidění a strojového učení pro vývoj modelu a simulaci autonomně řízeného vozidlaOmar Alif Abdelhakim Allamhttp://hdl.handle.net/10467/1113802023-08-31T22:53:36Z2023-08-31T00:00:00ZAplikace metod strojového vidění a strojového učení pro vývoj modelu a simulaci autonomně řízeného vozidla; Applying Computer Vision, and Machine Learning Techniques for Modelling and Simulation of Autonomous Car
Omar Alif Abdelhakim Allam
V této práci prozkoumáme vyvíjející se doménu autonomního řízení a ponoříme se do metodik strojového učení. Primárně se zaměřujeme na základní principy Deep Neural Networks (DNN) a specializovanou architekturu konvolučních neuronových sítí (CNN). Naším cílem bylo vytrénovat neuronovou síť pro autonomní navigaci v prostředí Car Simulator společnosti Udacity. Fáze návrhu zahrnovala pečlivý sběr dat, jejich zpracování a optimalizaci obrazu, což výrazně ovlivnilo výkon modelu. Díky pozoruhodné ztrátě ověření dosažené díky přísné optimalizaci náš model předvedl značnou robustnost. Tento model byl poté integrován do simulace zajišťující obousměrnou komunikaci v reálném čase a šikovné řízení vozidla. Náš výzkum zdůrazňuje významný dopad, který může mít strojové učení na vývoj autonomních vozidel.; In this thesis, we explore the evolving domain of autonomous driving, delving into Machine learning methodologies. We primarily focus on the foundational principles of Deep Neural Networks (DNN) and the specialized architecture of Convolutional Neural Networks (CNN). Our aim was to train a neural network for autonomous navigation within Udacity’s Car Simulator environment. The design phase involved meticulous data collection, processing, and image optimization, significantly influencing the model’s performance. With a noteworthy validation loss achieved through rigorous optimization, our model showcased substantial robustness. This model was then integrated into a simulation, ensuring real-time bidirectional communication and adept vehicular control. Our research highlights the significant impact that machine learning can have on the development of autonomous vehicles.
2023-08-31T00:00:00Z