Diplomová práce navazovala na předchozí semestrální práci. Cílem práce byla implementace a ověření vybraných metod pro prediktivní identifikaci poruch valivých ložisek pomocí metod umělé inteligence. Pro úspěšné vypracování práce bylo nutné se důkladně seznámit s velmi obsáhlou problematikou a to od nastudování poruch valivých ložisek, jejich projevy, dále metod využívající klasické přístupy až po metody  strojového učení. Rád bych podotknul, že student dokázal nejen samostatně nastudovat potřebné znalosti, ale po celou dobu pracoval velmi iniciativně a samostatně, kdy se dokázal vypořádat i s problémy, které při řešení nastaly jako získání vlastních dat, ale sám přicházel s vlastními nápady, kam diplomovou práci ještě dál posunout i nad rámec zadání. Výsledkem je diplomová práce, která svými výsledky, rozsahem i kvalitou je z pohledu vedoucího práce nadstandartní a mimořádná. Jsem přesvědčen, že na dosažené výsledky diplomové práce půjde v řešené problematice nejen navázat, ale také je bude možné i dále publikačně prezentovat. Student po celou dobu pravidelně konzultoval a to jak s vedoucím práce, tak s konzultantem práce Ing. Martinem Dosedělem, který též s přístupem a výsledky práce byl spokojen. Diplomovou práci hodnotím plnými 100 body, jelikož veškeré body, které mám jako vedoucí hodnotit, diplomant plnil na často i více než 100%. Výsledný počet bodů navržený vedoucím: 100

Předložená diplomová práce se věnuje problematice klasifikace poruch valivých ložisek pro diagnostiku rotačních strojů na základě vibračních signálů.
Zadání je možné svým rozsahem a požadavky na nastudování potřebných metod pro zpracování vibračních signálů včetně jejich experimentálního získání na reálném stroji, extrakci příznaků a klasifikaci poruch ložisek včetně implementace na počítači považovat za náročné. Je možné konstatovat, že bylo splněno, i když se diplomant možná záměrně vyhnul problematice predikce, která je vyšším stupněm diagnostiky a její rozbor a realizace by byla pravděpodobně nad rámec této práce. Diplomant úspěšně nastudoval možné poruchy ložisek a klasické diagnostické metody pro jejich odhalení. Stěžejní část práce vidím v implementaci a vyhodnocení úspěšnosti metod strojového učení pro identifikaci a klasifikaci závady ložiska, kde jako příznaky musel vypočítat klasické indikátory (deskriptory) signálů, které nejdříve využil při klasické diagnostice z experimentálně získaných vibračních dat na reálném přípravku. Metody strojového učení úspěšně naimplementoval v prostředí Matlab a otestoval na veřejně dostupné sadě vibračních dat získaných experimentálně na ložiscích s různým stupněm a typem poškození z Case Western Reserve University, které jsou typickým zdrojem experimentálních dat při těchto analýzách. V rámci metod strojového učení se zaměřil i na možnost použití konvolučních neuronových sítí pro klasifikaci poruch ložisek bez nutnosti extrahovat příznaky z experimentálních dat. Všechny implementované metody porovnal z hlediska úspěšnosti klasifikace a časové náročnosti trénování a inference. Analyzoval i vliv velikosti trénovací množiny a kroku učení na úspěšnost klasifikace. Zabýval se i nalezením optimálních parametrů modelů klasických metod strojového učení (např. struktura neuronové sítě, apod.). Porovnání dosažených výsledků jsou přehledná a vhodně okomentovaná. Kladně hodnotím diplomantovu úspěšnou snahu o vytvoření aplikací pro prohlížení naměřených dat v Matlabu a výpočet základních deskriptorů vibračních signálů a dále i úspěšnou implementaci skriptů v Matlabu pro trénování modelů a následnou inferenci s využitím jednotlivých metod.
Textový dokument je zpracován v nadstandardním rozsahu 76 stran a je rozdělen do 5 hlavních kapitol. Kapitoly jsou řazeny v logickém sledu a celková struktura práce reflektuje zásadní požadavky zadání. Teoretická část práce je zpracovaná v kapitolách 1 až 3 v rozsahu 32 stran a poskytuje dostatečný přehled možných poruch valivých ložisek, na který navazuje přehled klasických metod pro jejich diagnostiku zakončené moderními metodami využívající principy strojového učení. Informace uvedené v této kapitole diplomant čerpal zejména z odborných článku ze zahraničních zdrojů doplněných o normativní dokumenty a firemní literaturu. K této části práce nemám kromě již uvedené absence tématu predikce žádné zásadní připomínky. I když slovo predikce v práci zazní, tak ale neodpovídá svému obsahu. Diplomant zaměňuje slovo predikce se slovy klasifikace nebo identifikace, které však daleko přesněji označují děj, kterému se v práci věnuje. Připomínku mám ještě k teoretickému popisu neuronových sítí, zejména jejich biologickému vzoru, kde se diplomant dopouští odvážných tvrzení a nepřesností („základní výpočetní jednotkou v mozku – neuronem“, „neurony jsou mezi sebou propojeny axony“).
Kapitoly 4 a 5 popisují již výhradně vlastní práci diplomanta a zaměřují se praktickou implementaci vybraných metod pro identifikaci a klasifikaci poruch ložisek, jejich testování na experimentálních datech získaných na reálném zařízení, případně s využitím veřejně dostupných datových sadách. Porovnání úspěšnosti klasifikace jednotlivými metodami je zpracováno přehledně. Připomínku mám k absenci výpočtu ložiskových frekvencí pro konkrétně použitá nebo zvolená ložiska, jejich přibližné hodnoty se čitatel dozví pouze z prezentovaných grafů nebo spektrogramů. Dále bych očekával hlubší rozbor možností převodu 1D časového signálu do 2D podoby, která je následně předložena konvoluční neuronové síti.
Práce je po formální stránce bez zásadnějších kritických připomínek a je zpracována pečlivě. V textu se objevuje pouze minimum překlepů a problematických jazykových formulací. Jedinou připomínku mám k použití nevhodného slovního spojení „závadová frekvence“, které se v textu vyskytuje na str. 52 a 56. Z pohledu grafické reprezentace výsledků mám obecnou připomínku k velikosti obrázků a grafů, které by mohly být v celé práci větší, protože jejich čitelnost je omezená a celá šíře stránky není ve většině případů využita. Připomínku mám též k prezentovaným spektrogramům (obr. 4.5, 4.7, 4.13), které by mohly mít vhodněji zvolenou barevnou škálu, aby byly význačné frekvenční složky lépe viditelné. Práce s literaturou je na dobré úrovni, v seznamu literatury se vyskytuje duplicitní položka (13, 41).
Po důkladném prostudování předložené diplomové práce se domnívám, že pan Bár prokázal inženýrské schopnosti a práci doporučuji k obhajobě. Navrhuji hodnocení velmi dobře B/88. Otázky k obhajobě:

1. Jakou funkci má jeden neuron v mozku a jakým způsobem si neurony v mozku vyměňují informace? Jakou funkci plní axon?
2. Jaký tvar mají aktivační funkce ReLU a hyperbolický tangens? Jaké další aktivační funkce se používají? Pro které vrstvy neuronové sítě jsou jednotlivé typy vhodné?
3. Co je to kurtogram? Jak jste toto zobrazení použil pro určení vhodného rozsahu pásmového filtru pro následnou obálkovou analýzu?
4. Zdůvodněte volbu velikosti 2D vstupních dat do konvoluční neuronové sítě. Je nutné, aby tyto data byla čtvercová? Je možné předpokládat vliv tohoto rozměru na úspěšnost klasifikace?
5. Kterou metodu byste považoval za vhodnější pro detekci poškození ložiska na základě Vámi uvedených matic záměn pro metody 1D CNN a k-NN (viz obr. 5.33)?

Výsledný počet bodů navržený oponentem: 88