Práce pana Vašíčka se zabývá detekcí anomálií v měřeném signálu ze stacionárního železničního měřicího systému pomocí konvoluční neuronové sítě. Řešené téma je aktuální a dobře zapadá do oblasti prediktivní údržby železniční infrastruktury, kde je cílem využít průběžně získávaná provozní data pro včasnou identifikaci nestandardního chování.

Značné úsilí student věnoval přípravě trénovacích dat z reálně měřených záznamů. Za silnou stránku práce považuji zejména kombinaci reálně měřených a synteticky generovaných dat, která umožnila vytvořit použitelný dataset i v situaci, kdy nejsou k dispozici rozsáhlá anotovaná data se spolehlivě ověřenými vadami. Stejně tak testování na jednotlivých simulovaných vadách vhodně ukazuje možnosti navrženého řešení a poskytuje základní představu o tom, na jaké typy odchylek je model citlivý.

Silnou stránkou práce je také systematická rešerše, která vhodně podporuje řešené téma a nepůsobí samoúčelně. Teoretická část vytváří přiměřený rámec pro praktické řešení a dobře vysvětluje kontext prediktivní údržby, stacionárního monitorování i použitých metod neuronových sítí.

Jako prostor pro další zlepšení vnímám zejména podrobnější závěrečné zhodnocení, které by ještě přehledněji shrnulo silné stránky, limity navrženého řešení a možné směry dalšího vývoje. Přínosné by bylo také doplnění širší statistické charakterizace zpracovaných průjezdů, například z hlediska jejich počtu, rozložení, kvality segmentace nebo variability vstupních dat. Tyto informace by dále podpořily interpretaci dosažených výsledků a usnadnily posouzení praktické využitelnosti navrženého přístupu.

Student pracoval samostatně a značnou část řešení věnoval vytvoření metodiky pro přípravu datasetu. Tato časově náročná část byla pro práci zásadní a představuje jeden z jejích důležitých praktických přínosů. Současně je pochopitelné, že vzhledem k rozsahu přípravy dat zůstal menší prostor pro další experimentální rozšíření a hlubší statistické vyhodnocení.

Celkově práci hodnotím jako kvalitní a metodicky dobře vedenou diplomovou práci. Oceňuji zejména přípravu dat, vhodnou volbu přístupu vzhledem k omezením dostupných dat a systematickou rešeršní část. Práci doporučuji k obhajobě.

Předkládaná práce se zabývá návrhem systému pro detekci anomálií v signálech piezoelektrických senzorů integrovaných na kolejnici. Navrženým řešením je konvoluční neuronová síť s autoenkoderovou architekturou. Student provedl poměrně rozsáhlou rešerši v oblasti senzoriky a prediktivní údržby železniční infrastruktury. Student navrhl postup extrakce dat z reálných měření, vytvořil vlastní datovou sadu z více než 1200 záznamů a 8752 extrahovaných oken dvojkolí, navrhl a natrénoval 1D CNN autoenkodér. Cíl práce byl z mého pohledu a vzhledem k implementaci v dané úloze vhodně upraven na detekci anomálií místo klasifikace. S pohledu vlastního přínosu práce oceňuji zpracování extrakce signálů pro dvojkolí a simulace vad. Slabinou práce jsou omezená validace na reálných poruchových stavech a méně kritická rešeršní část v oblasti ML metod.  V rámci práce s literaturou bych ocenil širší záběr rešerše na ML metody primárně využívané pro 1D časový signál, které se využívají ve vibrodiagnostice či přímo v železničních aplikacích. Celkově je práce na velmi dobré úrovni jak po technické, stylistické, tak i formální stránce a přes určité výhrady hodnotím práci dobře C. Topics for thesis defence:

1. Na str. 28, MNIST a CIFAR-10 jsou dvě základní a celosvětově nejrozšířenější datové sady v oblasti strojového učení a počítačového vidění. Slouží primárně k trénování, testování a porovnávání výkonnosti algoritmů klasifikace obrázků. V práci máte časovou řadu senzorického signálu, a nebylo by tak vhodnější pro srovnání vybraných architektur zvolit jinou datovou sadu pro volbu architektury v této práci?
2. Většina validace byla provedena na datech generovaných fyzikálním simulátorem. Jaké hlavní rozdíly očekáváte mezi simulovanými a reálnými poruchovými daty a jak byste experimentálně ověřil, že model není přetrénován na specifické vlastnosti simulátoru?
3. Proč jste zvolil autoenkodér pro detekci anomálií místo jednodušších ML metod, např. One-Class SVM, Isolation Forest nebo PCA-based anomaly detection? Jaké výhody a nevýhody by tyto přístupy měly pro zpracovávané data?
4. Jak by se podle Vás změnilo chování systému, pokud by byl latentní prostor autoenkodéru výrazně zvětšen?