Práci studenta Simona Bielka technicky vedl a hodnotil konzultant pan Dr. Beneš s VMEngineering, jehož posudek je přiložen. Student Bielek přistupoval k práci velmi aktivně a pravidelně konzultoval svoji práci, zároveň ji ale zpracovával naprosto samostaně. Práce je na vysoké formální i technické úrovni, jednotlivé dílčí výzvy jsou srozumitelně popsány a je vidět hluboké porozumění řešenému problému. Bakalářskou práci pana Bielka hodnotím jako velmi nadprůměrnou s extrémní šířkou a propojením disciplín, mimo jiné reálně pracuje s 86 zdroji literatury.  Práce pokrývá celý řetězec od fyziky fluidizace přes teorii neuronových sítí, A/D převodníky, FPGA až po síťové protokoly. Teoretická kapitola je velmi dlouhá, ale není to prázdná výplň. Téměř vše z ní se reálně použije v praktické části (např. matematický důkaz vlastnosti CRC v kap. 1.7.6 je pak přímo využit k optimalizaci výpočtu CRC32 ve FPGA). Takové sepnutí teorie a experimentální části je na bakalářské úrovni nadstandardní.
Autor si navíc sám napsal ve VHDL komunikaci SPI, SMI i kompletní vysílání Ethernet rámců včetně CRC32, tzn. nepoužil hotová IP jádra, takže prokazatelně rozumí protokolům až na úroveň bitů.Předpočítání konstantního CRC32 hlaviček díky matematické vlastnosti cyklických kódů (a počítání CRC jen nad proměnnou částí dat) je elegantní řešení, které reálně zvyšuje dosažitelnou vzorkovací frekvenci a je v práci korektně odvozeno, ne jen převzato. Každá vrstva návrhu je ověřena měřením: osciloskopické průběhy SPI, SMI i Ethernetu jsou porovnány s časovými specifikacemi z katalogových listů. Práce obsahuje návrh DPS a kompletního HW, kódu programů ve VHDL, Pythonu, neuronových sítí až po krabičku na HW.
Oceňuje, že práce nepřikrášluje výsledky,  u autoenkodéru uvádí 70 %, resp. 80,8 % úspěšnost a rozebírá příčiny. U HONU popisuje i anomálie, které síť nedetekovala a vysvětluje proč. V práci se vyskytují některé drobné stylistické i technické chyby, namátkou se mluví o semestrální práci místo bakalářské, opakují se některé odstavce (str. 88 duplicitní odstavec), jsou polámané některé odkazy a místo popisu obrázků jsou placeholdery (s. 56, s 61), na straně 32 je v rovnici dvakrát index i, předpokládám druhý má být j. V tab. 2.3 se zdá být nekonzistentní hlavička rámce - nesedí délky. V Tab. C.2 nesedí hodnoty změny napětí. Takové nedostatky je ale těźké v průběhu zpracování odhalit a považuji je za minoritní.
Práci doporučuji k obhajobě, hodnotím A 98b a navrhuji na ocenění děkana FEKT. Points proposed by supervisor: 98

Bakalářská práce Simona Bieleka se zabývá problematikou metod předzpracování signálů pro průmyslovou fluidní vrstvu s modulem AI brány. Jedná se o aktuální téma propojující oblast fluidizace, zpracování signálů, FPGA systémů a metod umělé inteligence. Rozsah práce i technická náročnost řešené problematiky převyšují běžný standard bakalářských prací.

Z hlediska splnění zadání lze konstatovat, že většina stanovených cílů byla splněna. Autor provedl rozsáhlou literární rešerši, identifikoval vhodné architektury neuronových sítí, navrhl hardwarovou i softwarovou architekturu systému a prezentoval experimentální výsledky. Určitou výhradu však představuje skutečnost, že navržené metody nebyly ověřeny na reálných datech průmyslového procesu, jak požadovalo zadání, ale pouze na synteticky generovaných datech. Autor tento nedostatek zdůvodňuje nedostupností reálných dat od průmyslového partnera, což lze považovat za objektivní okolnost, nicméně vypovídací hodnota výsledků je tím částečně omezena.

Za hlavní přínos práce považuji návrh a realizaci funkčního hardwarově-softwarového systému. Autor implementoval akvizici dat pomocí A/D převodníku, komunikaci SPI, SMI a Ethernet v FPGA a experimentálně ověřil funkčnost jednotlivých částí. Pozitivně hodnotím rovněž implementaci autoenkodéru a neuronových sítí HONU pro detekci anomálií a modelování procesů. Práce prokazuje schopnost autora samostatně řešit komplexní technický problém a propojit znalosti z více odborných oblastí.

Práce však vykazuje i několik nedostatků. Určitý nesoulad lze spatřovat mezi názvem, zadáním a vlastním řešením. Zadání je zaměřeno především na metody předzpracování signálů a rozpoznávání vzorů fluidní vrstvy, zatímco významná část práce se věnuje návrhu FPGA systému, komunikační infrastruktury a hardwarového řešení. Tyto části jsou technicky přínosné, avšak jejich přímá vazba na problematiku rozpoznávání stavů fluidní vrstvy není vždy dostatečně zdůvodněna. Teoretická část je navíc velmi rozsáhlá a některé kapitoly, zejména věnované A/D převodníkům, FPGA a síťovým protokolům, přesahují potřeby vlastního řešení a místy působí spíše jako obecný přehled než jako cílená rešerše zaměřená na řešený problém. Nejzávažnějším nedostatkem zůstává absence validace navržených metod na reálných datech.

Práce s literaturou je na dobré úrovni. Autor využívá relevantní odborné zdroje, vědecké články i technickou dokumentaci a prokázal dobrou orientaci v řešené problematice. Formální stránka práce je rovněž dobrá. Dokument obsahuje přehledná schémata, grafy a přílohy. Popisky obrázků a grafů jsou zpravidla dostatečné. V textu se však vyskytují drobné stylistické nepřesnosti, překlepy a terminologické nejednotnosti, které však zásadním způsobem nesnižují odbornou úroveň práce.

Celkově hodnotím práci jako technicky náročnou a přínosnou. Přes uvedené připomínky autor prokázal schopnost samostatného technického návrhu a realizace komplexního systému. Práci doporučuji k obhajobě a navrhuji hodnocení B Topics for thesis defence:

1. Jaké rozdíly očekáváte mezi výsledky získanými na syntetických datech a na reálných datech fluidizačního procesu?
2. Jaké hlavní výhody přináší použití architektury HONU oproti běžným neuronovým sítím typu MLP nebo LSTM?
3. Které části navrženého hardwaru považujete za klíčové pro budoucí průmyslové nasazení systému a proč?

Points proposed by reviewer: 85