Využití strojového učení pro predikci poruchových stavů tepelného čerpadla

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.

Grantor dc:publisher

Vysoké učení technické v Brně. Fakulta strojního inženýrství

Author dc:creator

• Sněhota, Daniel

Advisor dc:contributor.advisor

• Hejčík, Jiří

• 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

Statement dc:rights

• Standardní licenční smlouva - přístup k plnému textu bez omezení

Language dc:language.iso

cs

Dc Identifier Other

174093

OAI identifier oai:identifier

oai:dspace.vut.cz:11012/257631