Diplomová práce Bc. Jana Píži se zaměřuje na téma virtuálních senzorů, tedy možnosti v reálném čase nepřímo predikovat obtížně či nákladně stanovitelné veličiny na základě veličin, které se v procesních systémech běžně měří. Tato problematika je vysoce relevantní v oblasti čištění odpadních vod, kde virtuální senzory slibují významné ekonomické benefity, efektivnější ochranu životního prostředí a lepší kontrolu nad technologickými celky. Tato diplomová práce specificky přispívá aktuálnímu výzkumně-vývojovému projektu, který VUT řeší se společností ASIO TECH.

Práce je dobře logicky vystavěná, od teoretické části s vymezením pojmů, přes klasifikací přístupů, až po hodnotnou rešerši čtyř případových studií z různých zemí (Hongkong, Řecko, Finsko, JAR), která ukazuje reálně dosahované přesnosti rozličných přístupů a klíčové faktory ovlivňující vhodnost modelů.

Experimentální část je metodicky velmi dobře zpracovaná. Některá omezení metodiky autor přiznává a vhodně komentuje (např. interpolace laboratorních stanovení z kalibrační křivky). Transparentnost lze ocenit i na jiných místech – autor např. otevřeně uvádí výpadky CHSK sondy, kolísání teplot v laboratoři i způsob jejich ošetření. Navržená matice experimentu a syntetické složení je dobrým kompromisem mezi šíří poznatků a časovou náročností.

Klíčovým přínosem práce je přístup k validaci modelů. Autor v prostředí PyCaret testoval řadu modelů a model Extra Trees Regressor dosáhl na syntetických datech velmi přesných predikcí. Nezastavil se nicméně u tohoto výsledku, ale provedl validaci na vzorcích reálné mlékárenské odpadní vody. Zde se ukázalo, že komplexní model nedokáže extrapolovat mimo trénovací rozsah, a autor správně přechází k jednodušším modelům založeným pouze na turbiditě. Toto rozhodnutí svědčí o zralé inženýrské úvaze – preferenci robustnosti a interpretovatelnosti před formální přesností.

Koncepční návrh senzoru včetně ekonomického posouzení a diskuze provozních aspektů (zanášení, údržba, kalibrace) propojuje práci s reálnou průmyslovou praxí ve spolupráci se společností ASIO TECH. Praktická využitelnost výsledků je tedy nadprůměrná.

Za nedostatky této jinak velmi přínosné práce bych označil: a) místy horší schopnost interpretace komplexnějších souvislostí, b) frekventované jazykové neobratnosti a překlepy, c) menší míru kreativity diplomanta. Naopak oceňuji značnou píli a čas strávený v laboratoři průmyslového partnera, stejně jako mimořádný time management a včasnou přípravu textových částí.

Celkově se jedná o zdařilou práci, která splňuje všechny body zadání. Hodnotím ji stupněm B – velmi dobře a doporučuji ji k obhajobě.

Předložená práce se zabývá aktuálním tématem v rámci optimalizace čistíren odpadních vod (ČOV) v reálném čase s využitím soft senzorů, konkrétně pro parametry chemické spotřeby kyslíku

Diplomant provedl kvalitní, detailní rešerši současných přístupů k virtuálním senzorům a matematickým modelům. Teoretický základ je vhodně doplněn o čtyři mezinárodní případové studie, které přidávají na relevantnosti řešení problematiky. Oceňuji precizní přístup při přípravě experimentální části, systematické zpracování dat, vyhodnocení výsledků a aplikaci vhodného matematického modelu.

V části 6 mi chybí detailnější porovnání, kde je navrhována pouze jedna varianta měření zákalu, stejně tak širší porovnání systémů měření CHSK. V práci zcela chybí zmínka o investici do výpočetního hardwaru a softwaru nutného k provozování soft senzoru.

Diplomová práce obsahuje větší množství typografických chyb či strukturních nedostatků, které snižují její kvalitu. U typografických chyb se jedná např. o předložky na koncích řádků, nesprávně použité spojovníky a pomlčky, oddělená čísla od jednotek na konci řádku apod. Nejasné byly také popisky tabulek a grafů, jelikož obsahovaly nedostatek informací, bylo použito nelogické zaokrouhlování čísel na počet platných míst v Tab. 10 a 11. Horší orientaci v textu přispěl také velmi nahuštěný text okolo tabulek či grafů, z důvodu nedostatečného vizuálního rozdělení. A také nejednotvárnost použité terminologie (fyzikální modely -> mechanistické modely; datově založené modely -> Data-driven senzory)

Celkově je diplomová práce čtivá, kvalitně zpracovaná, vykazuje systematický přístup k problematice a poskytuje velký potenciál pro praktickou aplikaci. Byly splněny všechny body zadání a práci proto doporučuji k obhajobě. Topics for thesis defence:

1. Jakým způsobem by měl být v reálném provozu zajištěn systém průběžného dotrénování modelu při výskytu datového driftu či sezónalitě a jak často doporučujete provádět kontrolní laboratorní analýzy pro re-kalibraci?
2. Na obrázcích 5 a 6 je u hodnot s vyšší turbiditou a chemickou spotřebou kyslíku větší rozptyl hodnot. Čím je podle Vás tento větší rozptyl způsoben?
3. V sekci 3.3 se u zpětnovazebného učení zmiňujete o agentovi. Co si pod tímto agentem můžeme představit?