{"id":{"repo_id":"brno-tech","oai_identifier":"oai:dspace.vut.cz:11012/257631"},"canonical_url":"https://search.dev.ndltd.org/etd/brno-tech/oai:dspace.vut.cz:11012/257631","repository":{"repo_id":"brno-tech","name":"Brno University of Technology","base_url":"https://dspace.vut.cz/oai/request"},"display":{"title":"Využití strojového učení pro predikci poruchových stavů tepelného čerpadla","abstract":"Tato diplomová práce se zabývá využitím metod strojového učení pro detekci anomálií u tepelných čerpadel země-voda. Hlavním cílem bylo posoudit, zda je v tomto případě možné využít strojové a hluboké učení. V experimentální části byly porovnány různé architektury strojového učení i neuronových sítí. Výsledky potvrzují citlivost modelů na poruchové stavy, což bylo demonstrováno na reálném případu nedetekované závady expanzního ventilu. Jako nejvýhodnější architektura se pro tyto účely ukázala rekurentní síť GRU, která vykazovala vysokou přesnost a robustnost vůči nastavení hyperparametrů. Práce zároveň identifikovala limity přenositelnosti modelů mezi různými instalacemi a zdůraznila význam měření průtoků pro zvýšení obecnosti predikcí.","abstract_html":"Tato diplomová práce se zabývá využitím metod strojového učení pro detekci anomálií u tepelných čerpadel země-voda. Hlavním cílem bylo posoudit, zda je v tomto případě možné využít strojové a hluboké učení. V experimentální části byly porovnány různé architektury strojového učení i neuronových sítí. Výsledky potvrzují citlivost modelů na poruchové stavy, což bylo demonstrováno na reálném případu nedetekované závady expanzního ventilu. Jako nejvýhodnější architektura se pro tyto účely ukázala rekurentní síť GRU, která vykazovala vysokou přesnost a robustnost vůči nastavení hyperparametrů. Práce zároveň identifikovala limity přenositelnosti modelů mezi různými instalacemi a zdůraznila význam měření průtoků pro zvýšení obecnosti predikcí.","abstract_has_math":false,"creators":["Sněhota, Daniel"],"institution":"Vysoké učení technické v Brně. Fakulta strojního inženýrství","degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":["Hejčík, Jiří"],"committee_chairs":[],"committee_members":[],"year":null,"date_issued":"","date_published":null,"updated_at":"2026-07-24T01:22:12Z","subjects":["Tepelné čerpadlo","Chladicí cyklus","Regresní modely","Strojové učení","Hluboké učení","Empirické digitální dvojče","Heat Pump","Refrigeration Cycle","Regression Models","Machine Learning","Deep Learning","Data-driven Digital Twin"],"languages":["cs"],"rights":["Standardní licenční smlouva - přístup k plnému textu bez omezení"],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier.other","label":"Dc Identifier Other","values":["174093"],"render_values":[{"text":"174093","href":null,"code":true}]}]},"links":{"outbound_url":"http://hdl.handle.net/11012/257631","outbound_label":"Handle","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Hejčík, Jiří"]},{"key":"dc:creator","label":"Author","values":["Sněhota, Daniel"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:publisher","label":"Institution","values":["Vysoké učení technické v Brně. Fakulta strojního inženýrství"]},{"key":"dc:type","label":"Dc Type","values":["Text"]},{"key":"thesis:institution_name","label":"Thesis Institution Name","values":["Ing."]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Tepelné čerpadlo","Chladicí cyklus","Regresní modely","Strojové učení","Hluboké učení","Empirické digitální dvojče","Heat Pump","Refrigeration Cycle","Regression Models","Machine Learning","Deep Learning","Data-driven Digital Twin"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["cs"]},{"key":"dc:rights","label":"Dc Rights","values":["Standardní licenční smlouva - přístup k plnému textu bez omezení"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.other","label":"Dc Identifier Other","values":["174093"]},{"key":"dc:identifier.uri","label":"Identifier URI","values":["http://hdl.handle.net/11012/257631"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["Tato diplomová práce se zabývá využitím metod strojového učení pro detekci anomálií u tepelných čerpadel země-voda. Hlavním cílem bylo posoudit, zda je v tomto případě možné využít strojové a hluboké učení. V experimentální části byly porovnány různé architektury strojového učení i neuronových sítí. Výsledky potvrzují citlivost modelů na poruchové stavy, což bylo demonstrováno na reálném případu nedetekované závady expanzního ventilu. Jako nejvýhodnější architektura se pro tyto účely ukázala rekurentní síť GRU, která vykazovala vysokou přesnost a robustnost vůči nastavení hyperparametrů. Práce zároveň identifikovala limity přenositelnosti modelů mezi různými instalacemi a zdůraznila význam měření průtoků pro zvýšení obecnosti predikcí.","This master's thesis explores the application of machine learning methods for anomaly detection in brine-to-water heat pumps. The primary objective was to assess the feasibility of utilizing machine learning and deep learning in this context. In the experimental section, various machine learning architectures and neural networks were compared. The results confirm the models' sensitivity to fault conditions, which was demonstrated through a real-world case of an undetected expansion valve failure. The GRU recurrent neural network emerged as the most advantageous architecture for these purposes, exhibiting high accuracy and robustness to hyperparameter tuning. Furthermore, the thesis identified limitations regarding model transferability between different installations and highlighted the importance of flow measurements for improving the generality of predictions."]},{"key":"dc:title","label":"Title","values":["Využití strojového učení pro predikci poruchových stavů tepelného čerpadla"]}]}],"canonical_facts":{"dc:contributor.advisor":["Hejčík, Jiří"],"dc:creator":["Sněhota, Daniel"],"dc:description.abstract":["Tato diplomová práce se zabývá využitím metod strojového učení pro detekci anomálií u tepelných čerpadel země-voda. Hlavním cílem bylo posoudit, zda je v tomto případě možné využít strojové a hluboké učení. V experimentální části byly porovnány různé architektury strojového učení i neuronových sítí. Výsledky potvrzují citlivost modelů na poruchové stavy, což bylo demonstrováno na reálném případu nedetekované závady expanzního ventilu. Jako nejvýhodnější architektura se pro tyto účely ukázala rekurentní síť GRU, která vykazovala vysokou přesnost a robustnost vůči nastavení hyperparametrů. Práce zároveň identifikovala limity přenositelnosti modelů mezi různými instalacemi a zdůraznila význam měření průtoků pro zvýšení obecnosti predikcí.","This master's thesis explores the application of machine learning methods for anomaly detection in brine-to-water heat pumps. The primary objective was to assess the feasibility of utilizing machine learning and deep learning in this context. In the experimental section, various machine learning architectures and neural networks were compared. The results confirm the models' sensitivity to fault conditions, which was demonstrated through a real-world case of an undetected expansion valve failure. The GRU recurrent neural network emerged as the most advantageous architecture for these purposes, exhibiting high accuracy and robustness to hyperparameter tuning. Furthermore, the thesis identified limitations regarding model transferability between different installations and highlighted the importance of flow measurements for improving the generality of predictions."],"dc:identifier.other":["174093"],"dc:identifier.uri":["http://hdl.handle.net/11012/257631"],"dc:language.iso":["cs"],"dc:publisher":["Vysoké učení technické v Brně. Fakulta strojního inženýrství"],"dc:rights":["Standardní licenční smlouva - přístup k plnému textu bez omezení"],"dc:subject":["Tepelné čerpadlo","Chladicí cyklus","Regresní modely","Strojové učení","Hluboké učení","Empirické digitální dvojče","Heat Pump","Refrigeration Cycle","Regression Models","Machine Learning","Deep Learning","Data-driven Digital Twin"],"dc:title":["Využití strojového učení pro predikci poruchových stavů tepelného čerpadla"],"dc:type":["Text"],"thesis:institution_name":["Ing."]},"updated_at":"2026-07-24T01:22:12Z"}