Bakalářská práce Lukáše Zezuly se zabývá detekcí mezizávitového zkratu uvnitř statoru střídavého synchronního motoru s permanentními magnety (PMSM) pomocí umělé neuronové sítě. Před započetím této práce si student připravil model PMSM, na kterém je možné simulovat mezizávitový zkrat. Model vytvořil v SimScape a k němu v Simulinku realizoval strukturu vektorového řízení. Již tato část by svojí obtížností a kvalitou zpracování vystačila na bakalářskou práci. Následná část byla časově velmi náročná a měla nádech vědecké práce. Na základě prostudování článků s touto problematikou se pustil do realizace svého řešení, které postupně vylepšoval. Kromě toho, že je jeho řešení schopné diagnostikovat mezizávitový zkrat, věnoval se nad rámec zadání možnosti detekovat i hloubku zkratu, a i zde dosahuje velmi slušných výsledků.
Na přání studenta byla po vypracování semestrálního projektu do zadání bakalářské práce přidána část ověření na reálném motoru s možností emulace mezizávitového zkratu. Na základě získaných hodnot z měření upravil parametry svého simulačního modelu, aby co nejvíce odpovídal realitě.
Student přistoupil k řešení bakalářské práce zodpovědně a s obrovským zaujetím. Problémy řešil samostatně. Konzultace využíval ke sdělení aktuálního stavu prací a k diskuzi následujících kroků. Pracoval průběžně, po celou dobu bylo jeho pracovní nasazení nadstandardně vysoké. Práci odevzdal bez problémů, s předstihem.
Zúčastnil se soutěže Student EEICT 2020 s článkem INTER TURN SHORT-CIRCUIT DETECTION IN VECTOR CONTROLLED PMS MOTOR USING AI, kde opublikoval jednu z prvních verzí svého řešení. Umístil se ve své kategorii na hezkém čtvrtém místě.
Práce zcela jistě svědčí o bakalářských schopnostech studenta. Snad jen proto, že ke stobodové hranici by se měli studenti jen limitně blížit navrhuji hodnocení A 99 bodů. Výsledný počet bodů navržený vedoucím: 99

Student se v práci věnuje především diagnostice hloubky mezi-závitového zkratu u PMS motoru pomocí konvoluční neuronové sítě GoogLeNet. Z pohledu náročnosti jde o velice komplexní zadání. Během řešení bylo potřebné, aby si student zvolil nejen strukturu a typ neuronové sítě, kterou použil, ale taktéž musel zvolit správné před-zpracování dat, aby data mohla být použita jako vstup do neuronové sítě. Mohu tedy konstatovat, že zadání se náročností bez problémů vyrovná diplomovým pracím.

V teoretické části student rozebírá metody modelování PMSM. Taktéž jsou zde popsány základy před-zpracování dat pro neuronovou síť a je zde uvedena struktura zvolené neuronové sítě. Samotná úprava práce je na vysoké úrovni. Veškeré použité odborné zdroje jsou náležitě citované. Některé části práce, kterým se musel student věnovat, aby dosáhl požadovaných výsledků, jsou zmíněny jen okrajově. I přes tuto skutečnost, je práce po obsahové stránce velice rozsáhlá.    

Model vytvořený studentem pro simulaci mezi-závitových zkratů je poměrně složitý a je patrné, že student si danou problematiku velmi poctivě nastudovat. Model je realizovaný pomocí knihovny Simscape v prostředí MATLAB/Simulink. Student si zde vytvořil vlastní blok PMS motoru. Musím konstatovat, že již samotné zprovoznění a nastavení modelu tak, aby bylo dosaženo uvedené shody modelu s reálným motorem, by náročností odpovídalo standardní bakalářské práci. Taktéž bych rád vyzdvihnul fakt, že studentem navržené řízení motoru bez problémů fungovalo na reálném motoru. Práci je možné vytknout jen drobné nepřesnosti. Například, jeden sub-systém použitého dvakrát troj-fázového motoru byl při experimentech odpojen a ne zkratovaný. Také by bylo vhodné uvést, jaký HW byl použit při učení neuronové sítě. Doba trvání učení je v práci uvedena, ale bez znalosti HW je tato informace irelevantní.  

Prezentovaná metoda používá k učení neuronové sítě data ze simulací. Následně je naučená síť testována pomocí dat, které jsou získány z experimentů na reálném pohonu. Dosažené výsledky ukazují, že by bylo možné použít síť nejen na detenci přítomnosti zkratu, ale i jeho samotné hloubky. Zajímavé by mohlo být rozšíření sítě tak, aby dokázala, detekovat různé typy poruch.

Student při řešení bakalářské práce prokázal mimořádné schopnosti, proto práci doporučuji k obhajobě a hodnotím známkou A, 99 bodů. Otázky k obhajobě:

1. 1. Parametry reálného motoru se mohou lišit od parametrů použitých v simulacích, například z důvodu zanedbání saturací a podobně. Bylo by možné, při učení sítě uvažovat v simulaci změnu parametrů motoru (+-10% u indukčností, odporu a konstanty back-EMF)? Jak by se podle vašeho názoru mohli změnit dosažené výsledky?
2. 2. Byla by takto naučená neuronová síť použitelná i při přechodových dějích, například při zrychlování?
3. 3. Bylo by možné nasadit prezentovanou neuronovou síť na reálný motor tak, aby vyhodnocení probíhalo real-time například s periodou 10 ms. Jaký HW by bylo nutné použít?

Výsledný počet bodů navržený oponentem: 99