OBAVIJEST O ODBRANI ZAVRŠNOG MAGISTARSKOG RADA – Nedim Dželilović, bachelor inž. el.

UNIVERZITET U TUZLI
FAKULTET ELEKTROTEHNIKE 

 

O B J A V L J U J E

 

Kandidat Nedim Dželilović, bachelor inž. el., javno će braniti završni magistarski rad pod nazivom „Primjena naprednih autoenkoderskih arhitektura za detekciju anomalija u sekvencama vibracija“ u utorak, 24.03.2026. godine u 11:00 sati u Multimedijalnoj sali (G20) Gimnazije “Meša Selimović”, pred Komisijom u sastavu:

 

  1. Dr. sci. Jakub Osmić, redovni profesor za užu naučnu oblast “Automatika i robotika”, Fakultet elektrotehnike Univerziteta u Tuzli – predsjednik
  2. Dr. sci. Lejla Banjanović-Mehmedović, vanredni profesor za užu naučnu oblast “Automatika i robotika”, Fakultet elektrotehnike Univerziteta u Tuzli – mentor i član
  3. Dr. sci. Amila Dubravić, vanredni profesor za užu naučnu oblast “Automatika i robotika”,
    Fakultet elektrotehnike Univerziteta u Tuzli – član

 

  • dr. sci. Amira Šerifović-Trbalić, vanredni profesor – zamjenski član (uža naučna oblast ”Automatika i robotika” Fakultet elektrotehnike Univerziteta u Tuzli),

 

Završni magistarski rad može se pogledati u Sekretarijatu Fakulteta radnim danom od 10,00 do 14,00 sati.

Pristup javnosti je slobodan.

 

REZIME RADA

 

Ovaj magistarski rad istražuje primjenu metoda dubokog učenja za detekciju anomalija uvibracijskim signalima u industrijskim sistemima. Razvijen je sistem zasnovan naautoenkoderskim arhitekturama (AE, VAE i DAE) koji omogućava efikasno prepoznavanje odstupanja u ponašanju sistema bez potrebe za označenim podacima. Modeli su trenirani i evaluirani na realnim vibracijskim podacima, čime je omogućeno rano otkrivanje potencijalnih kvarova i degradacije opreme.

Eksperimentalni rezultati pokazuju da arhitekture zasnovane na rekonstrukcijskoj grešci uspješno detektuju tranzijentne poremećaje. Standardni AE model pokazao se najosjetljivijim, s odzivom (Recall) od preko 98%, što ga čini pogodnim za sigurnosno kritične sisteme.

S druge strane, Denoising Autoenkoder (DAE) demonstrirao je superiornu robusnost i preciznost (91.2%) u uslovima procesnog šuma. VAE model je pokazao ograničenja u detekciji oštrih impulsa uslijed efekta glačanja latentnog prostora.

Mjerenja latencije inferencije (16 ms na standardnom procesoru) potvrđuju mogućnost implementacije ovih modela u sisteme za nadzor u realnom vremenu.

Dobijeni rezultati potvrđuju da su metode zasnovane na dubokom učenju pogodne za primjenu u prediktivnom održavanju i industrijskoj automatizaciji, s ciljem povećanja pouzdanosti i smanjenja zastoja sistema.

 

Ključne riječi:  Industrija 4.0, Duboko učenje, Autoenkoderi (AE, VAE, DAE), Vibracije, Prediktivno održavanje, Detekcija anomalija