viz. posudek v PDF

viz. posudek v PDF

Předložená disertační práce se zabývá automatickou diagnostikou poruch komponent převodovek pomocí hlubokého učení s využitím fyzikálně inspirovaných simulací a doménové adaptace. Téma je vysoce aktuální (Industry 4.0, prediktivní údržba) a autor prokazuje mimořádnou interdisciplinární šíři (mechanika ložisek/ozubení, MBS/FEM, zpracování signálů, DL). Práce výrazně převyšuje běžný standard.

FORMÁLNÍ NÁLEŽITOSTI

Formální požadavky jsou splněny: práce v AJ, abstrakt i klíčová slova v AJ a SK, citace dle ČSN ISO 690, prohlášení o autorství, seznam literatury (128 referencí), formát PDF.

CÍLE, METODIKA, VÝSLEDKY

Cíle byly plně dosaženy: (1) multi-body model ložiska s validovanými tuhostními vlastnostmi (kap. 6) a model převodovky s FEM-vypočtenou tuhostí záběru (kap. 7); (2) návrh a srovnání VGG16-based 2D CNN, 1D CNN-LSTM a DANN; (3) definovaný workflow využití simulací (Obr. 24, kap. 9). Autor koriguje častý metodologický problém v literatuře: nevhodné dělení datasetu CWRU, které vede k nadhodnocení (při korektním dělení může přesnost klesnout z ~95 % na ~45 %). Klíčové výsledky: u diagnostiky ložisek doménová adaptace zvýšila průměrnou přesnost z 59 % na 91 %, u poruch ozubení bylo dosaženo 92,7 % na testovací sadě.

ORIGINALITA A PŘÍNOS

Technicky: model ložiska reprodukuje tuhost bez detailní CAD geometrie (oscilace) a do MBS ozubení integruje FEM-odvozenou tuhost záběru; doménová randomizace pracuje s 5 nezávislými parametry. Metodologicky: obálkové předzpracování cílené pro 1D CNN-LSTM a přenos DANN z počítačového vidění do diagnostiky mechanických poruch se simulačními daty. Vědecky: kvantifikace doménového posunu, doložení nezbytnosti doménové adaptace a zjištění vyšší transferability simulovaných poruch vnějšího kroužku ložiska oproti vnitřnímu kroužku či valivým elementům; poruchy kuliček byly pro atypické symptomy v CWRU z hodnocení vyřazeny.

VYUŽITELNOST, PUBLIKACE, FORMA

Výsledky jsou využitelné pro digitální dvojčata a „what-if“ analýzy, generování tréninkových dat i palubní diagnostiku; workflow je přenositelné i na další rotační stroje. Publikační činnost je solidní (2 časopisecké články, 4 konferenční příspěvky); hlavní disertační výsledky pokrývají zejména [A1] a [A4], klíčový příspěvek doménové adaptace pro převodovku dosud není v cíleném peer-reviewed časopise. Formální úprava je profesionální a jazyková úroveň akademické AJ nadstandardní.

Teze

H1 je přijata (simulovatelné poruchy ložisek i ozubení po adaptaci zvyšují přesnost; 59→91 % a 92,7 %). H2 je podmíněně přijata: v semi-supervised režimu s neoznačenými experimentálními daty všech tříd DANN doménový rozdíl modeluje, avšak bez experimentálních poruchových dat výkon klesá (plně unsupervised adaptace zůstává otevřenou výzvou). Přiložené teze jsou po formální i obsahové stránce naplněny.

SILNÉ STRÁNKY A OMEZENÍ

Silné stránky: rigorózní metodika, hluboká integrace MBS+FEM+DL, validace ložiskového modelu, prokazatelný přínos doménové adaptace a kritická korekce praxe kolem CWRU/overfittingu. Omezení: omezená experimentální validace simulací ozubení a chybějící širší metriky shody sim-exp; nestabilita tréninku DANN (71–96 %, variance až ~20 %); ověření zatím na jedné konfiguraci – vhodné je rozšíření na další typy převodovek (např. planetové).

ZÁVĚR A DOPORUČENÍ

Práci doporučuji k obhajobě; navržená známka: VÝBORNĚ (A). Po úspěšné obhajobě doporučuji udělit titul Ph.D. autorovi Ing. Jakubu Rekemovi  Otázky k obhajobě:

1. Váš model produkuje kvalitativně správné frekvence, ale předchozí práce [93] hlásila 500× amplitudový nesoulad. Zkoumali jste fyzikální zdroje amplitudového nesouladu mezi Adams simulacemi a CWRU měřeními? Co by bylo potřeba k dosažení kvantitativní shody amplitud?
2. Závěry zmiňují "palubní vozidlové diagnostické systémy". Jaká je výpočetní složitost vašeho inference pipeline? Může běžet v reálném čase na embedded hardware (např. automobilový ECU)? Profilovali jste latenci a požadavky na paměť?
3. DANN výsledky ukazují variaci přesnosti testovací sady 71-96% napříč epochami trénování. V produkčním nasazení, jak byste zvládli tuto variabilitu? Jaké stop-kritérium byste navrhli namísto přesnosti validační sady?