Návrh využití strojového učení v modulu prediktivní údržby
Machine Learning Proposal for Utilization in Predictive Maintenance Module
Type of document
diplomová prácemaster thesis
Author
Kateřina Märzová
Supervisor
Bukovský Ivo
Opponent
Svoboda Petr
Field of study
bez oboruStudy program
Průmysl 4.0Institutions assigning rank
ústav mechaniky, biomechaniky a mechatronikyRights
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Show full item recordAbstract
Cílem této práce je navržení využití algoritmů strojového učení pro vytvoření modulu prediktivní údržby. Práce se zabývá algoritmy shlukové analýzy za účelem analýzy vstupních dat a jejich možným využitím v prediktivní údržbě. Práce popisuje aplikaci jednotlivých metod na data ze simulátoru výrobní linky (od firmy mySCADA s.r.o.) a na umělá data. Závěrem práce je návrh využití popsaných metod v modulu prediktivní údržby pro detekci anomálií a predikci poruchových stavů. This thesis aims to propose the use of machine learning algorithms to design a predictive maintenance module. Cluster analysis algorithms are examined to analyse input data and to decide about their possible utilization in predictive maintenance. The work describes the application of several methods on the data from the production line simulator (company mySCADA s.r.o.) and artificial data. The conclusion of this thesis is a proposal of usage of described methods in predictive maintenance module to detect anomalies and predict fault states.
Collections
- Diplomové práce - 12105 [211]