Ceny Wernera von Siemense za rok 2023 uděleny

V Betlémské kapli v Praze byly ve středu 13. března 2024 vyhlášeny výsledky 26. ročníku soutěže o Ceny Wernera von Siemense za rok 2023. V této soutěži oceňuje český Siemens každoročně nejlepší práce studentů a mladých vědců v technických a přírodovědných oborech, ale také působení jejich pedagogů. Ze 496 přihlášených prací byly v jednotlivých kategoriích vybrány diplomové a disertační práce uvedené v tabulce níže. Velmi dobré uplatnění v praxi mají výsledky výzkumu oceněné v kategoriích zaměřených na průmysl 4.0 a chytrou infrastrukturu a energetiku.

Efektivní metody pro učení modelů a řízení v robotice

Ing. Erik Derner, Ph.D., z Fakulty elektrotechnické Českého vysokého učení technického v Praze uspěl v soutěži o Cenu Wernera von Siemense se svou disertační prací s názvem Efektivní metody pro učení modelů a řízení v robotice.

Běžně používané metody učení modelů, jako jsou hluboké neuronové sítě, mají své nevýhody. Vyžadují velký objem trénovacích dat a značný výpočetní výkon, aby se naučily velký počet parametrů. Jejich black-box charakter navíc neumožňuje interpretaci modelu ani vhled do jeho struktury.

Proto je výhodné zahrnout do procesu učení předem známé informace o robotu, protože teoretický nebo empirický model robotu je často zpracován.

Experimenty s mobilním robotem ukázaly, že model naučený jen z několika desítek vzorků vybraných navrženou metodou může být využit pro úspěšné vykonání úlohy založené na řízení metodou posilovaného učení.

Plánování výroby tepla a elektřiny z odpadu s využitím strojového učení

Cenu za nejlepší absolventskou práci na téma chytré infrastruktury a energetiky získal Ing. Marek Kollmann z Fakulty strojního inženýrství Vysokého učení technického v Brně za diplomovou práci nazvanou Plánování výroby tepla a elektřiny v zařízení na energetické využití odpadu s využitím strojového učení.

Výrobu energií z odpadních materiálů ovlivňuje mnoho faktorů, jako jsou vlastnosti odpadu, odběry ostré páry či vlastní spotřeba elektrické energie. Tyto faktory však není snadné odhadovat. Přitom právě přesnost plánu určuje, jak efektivní provoz zařízení na energetické využití odpadů (ZEVO) bude. Ve své diplomové práci vycházel Marek Kollmann z toho, že mnoho podniků o svém provozu nesbírá žádná data nebo je jen málo využívá. Zaměřil se proto na aplikaci strojového učení na krátkodobé plánování kombinované výroby tepla a elektrické energie v centrálním energetickém zdroji – ZEVO.

Hlavním cílem práce bylo s vysokou přesností předpovídat výkon přenášený do elektrické sítě. Tohoto cíle bylo dosaženo vytvořením komplexního modelu, sestávajícího ze sedmi dílčích, kaskádovitě uspořádaných modelů. Každý dílčí model byl kriticky vyhodnocen pomocí standardních ukazatelů, na nichž pak bylo možné přesvědčivě doložit významné zlepšení přesnosti předpovědí. To vedlo k vyváženějším výrobním plánům a ke snížení provozních penále. V případě skutečně existujícího závodu vybraného pro experiment se podařilo zvýšit jeho roční dodaný výkon o 13 % a zisk o 2,6 milionu korun, přičemž skutečná výroba byla uvnitř tolerančního pásma daného plánem v 95 % případů. V současnosti používaná verze plánovacího nástroje přitom dosahuje pouze 79% úspěšnosti.

(ev)

Obr. 1. Erik Derner ve své disertační práci zpracoval metodu pro učení v robotice, která zahrnuje známé informace o robotu, a proto nevyžaduje velký objem trénovacích dat

Obr. 2. Marek Kollman ve své diplomové práci navrhl, jak využívat strojové učení v plánování výroby tepla a elektřiny z odpadu

Tab. 1. Přehled oceněných studentů, vědců a pedagogů podle kategorií