Cílem této diplomové práce je sestavit a naučit neuronovou síť predikovat výsledky
heterogenního povrchu, který vznikl za pomoci technologie obrábění vodním paprskem
s příměsí abraziva a následný důkaz, že statistické vyhodnocení, za využití nástrojů
regresní analýzy není zcela správné. Zkoumané vzorky se od sebe odlišují jakostí povrchu,
díky změnám řezných podmínek, přesněji řečeno změnám řezné rychlosti.
Anotace v angličtině
The goal of this diploma thesis is to compile and learn the neural network to predict the
results of the heterogenous surface which was created by the water jet machining
technology with abrasive admixture and following evidence that statistical evaluation,
using the tools of regresion analysis is not completely correct. The investigated samples
differs by the surface quality thanks to the changes in cutting conditions. Specifically the
changes speed of cutting.
Klíčová slova
neuronová síť, regresní analýza, statistické hodnocení povrchu
Klíčová slova v angličtině
Neural network, regression analysis, statistical evaluation of the surface
Rozsah průvodní práce
85
Jazyk
CZ
Anotace
Cílem této diplomové práce je sestavit a naučit neuronovou síť predikovat výsledky
heterogenního povrchu, který vznikl za pomoci technologie obrábění vodním paprskem
s příměsí abraziva a následný důkaz, že statistické vyhodnocení, za využití nástrojů
regresní analýzy není zcela správné. Zkoumané vzorky se od sebe odlišují jakostí povrchu,
díky změnám řezných podmínek, přesněji řečeno změnám řezné rychlosti.
Anotace v angličtině
The goal of this diploma thesis is to compile and learn the neural network to predict the
results of the heterogenous surface which was created by the water jet machining
technology with abrasive admixture and following evidence that statistical evaluation,
using the tools of regresion analysis is not completely correct. The investigated samples
differs by the surface quality thanks to the changes in cutting conditions. Specifically the
changes speed of cutting.
Klíčová slova
neuronová síť, regresní analýza, statistické hodnocení povrchu
Klíčová slova v angličtině
Neural network, regression analysis, statistical evaluation of the surface
Zásady pro vypracování
1. Vypracování rešerše na zadané téma
2. Proměření vzorků danou technikou měření
3. Sestavení perceptonové neuronové sítě včetně jejího naučení
Zásady pro vypracování
1. Vypracování rešerše na zadané téma
2. Proměření vzorků danou technikou měření
3. Sestavení perceptonové neuronové sítě včetně jejího naučení
Seznam doporučené literatury
MELOUN, Milan a Jiří MILITKÝ. Kompendium statistického zpracování dat. Praha: Karolinum, 2012. ISBN 978-80-246-2196-8.
WHITEHOUSE, D. J. Handbook of surface and nanometrology. 2nd ed. Boca Raton: CRC Press, c2011. ISBN 978-1-4200-8201-2.
AGGARWAL, Charu C. Neural networks and deep learning: a textbook. Cham: Springer, [2018].
Seznam doporučené literatury
MELOUN, Milan a Jiří MILITKÝ. Kompendium statistického zpracování dat. Praha: Karolinum, 2012. ISBN 978-80-246-2196-8.
WHITEHOUSE, D. J. Handbook of surface and nanometrology. 2nd ed. Boca Raton: CRC Press, c2011. ISBN 978-1-4200-8201-2.
AGGARWAL, Charu C. Neural networks and deep learning: a textbook. Cham: Springer, [2018].
Přílohy volně vložené
-
Přílohy vázané v práci
ilustrace, grafy, schémata, tabulky
Převzato z knihovny
Ne
Plný text práce
Přílohy
Posudek(y) oponenta
Hodnocení vedoucího
Záznam průběhu obhajoby
Student představil komisi výsledky své diplomové práce. Poté byla komise seznámena s posudky a hodnocením vedoucího a oponenta (hodnocení vedoucího: A - výborně, hodnocení oponenta:A - výborně). Poté byla vedena diskuze o diplomové práci, během které byly jednotlivými členy komise položeny následující dotazy: Ing. Milan Žaludek Ph.D.– Jaké jsou nevýhodny řezání vodním paprskem? ZODPOVĚZEN ZCELA; Nevadí podkost u měření? ZODPOVĚZEN ZCELA; doc. Ing. Michal Sedlačík Ph.D. - Proč jste provedl zlogaritmování dat? ZODPOVĚZEN ČÁSTEČNĚ; Je možné aby neuronová síť určila zda je povrch homogenní či heterogenní? ZODPOVĚZEN ČÁSTEČNĚ