Drukuj Eksport do pliku (MS Word)
Nazwa przedmiotu:
Sztuczna inteligencja w automatyce
Koordynator przedmiotu:
Maciej Ławryńczuk, Piotr Marusak
Status przedmiotu:
Fakultatywny ograniczonego wyboru
Poziom kształcenia:
Studia II stopnia
Program:
Automatyka i Robotyka
Grupa przedmiotów:
Przedmioty techniczne - zaawansowane
Kod przedmiotu:
SZAU
Semestr nominalny:
2 / rok ak. 2016/2017
Liczba punktów ECTS:
5
Liczba godzin pracy studenta związanych z osiągnięciem efektów uczenia się:
- udział w wykładach: 15 x 2 godz. = 30 godz. - realizacja zadań projektowych: 15 x 2 godz. = 30 godz. - udział w konsultacjach związanych z zadaniami domowymi oraz przed kolokwiami: 5 godz. - przygotowanie do bieżących zajęć (wykładów i ćwiczeń): 10 godz. - rozwiązywanie zadań domowych: 20 godz. - przygotowanie do kolokwiów: 30 godz. Łączny nakład pracy studenta: 125 godz., co odpowiada 5 ECTS
Liczba punktów ECTS na zajęciach wymagających bezpośredniego udziału nauczycieli akademickich:
30 (wykład) + 4 (konsultacje) + 1 (oddawanie projektów)=35, co odpowiada 1,5 ECTS
Język prowadzenia zajęć:
polski
Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym:
30 godz., co odpowiada 1 ECTS
Formy zajęć i ich wymiar w semestrze:
  • Wykład30h
  • Ćwiczenia0h
  • Laboratorium0h
  • Projekt30h
  • Lekcje komputerowe0h
Wymagania wstępne:
Wiadomości na temat projektowania podstawowych algorytmów regulacji (PID oraz najprostszych algorytmów regulacji predykcyjnej)
Limit liczby studentów:
36
Cel przedmiotu:
Celem przedmiotu jest zapoznanie studentów z zastosowaniami sztucznej inteligencji (podejścia określane wspólną nazwą "soft computing") w automatyce. W szczególności, zostaną omówione sztuczne sieci neuronowe oraz systemy rozmyte w problemach modelowania i sterowania. Ponadto, przedstawione zostaną algorytmy genetyczne i ich zastosowanie do projektowania układów regulacji automatycznej.
Treści kształcenia:
(1 jd). Wstęp - przykłady zastosowań systemów rozmytych, sieci neuronowych i algorytmów genetycznych w automatyce. (2 jd). Przypomnienie podstawowych wiadomości z zakresu algorytmów regulacji automatycznej oraz optymalizacji punktu pracy: algorytm regulacji PID, algorytm ze sprzężeniem od stanu, idea algorytmów regulacji predykcyjnej, hierarchiczna struktura sterowania. (3 jd). Sztuczne sieci neuronowe ? zagadnienia podstawowe: pojęcia neuronu, wagi, funkcji aktywacji, rodzaje najpopularniejszych sieci neuronowych (MLP, RBF), algorytmy doboru parametrów sieci neuronowych (uczenie). (2 jd). Zastosowanie sieci neuronowych do modelowania nieliniowych zależności statycznych i dynamicznych. (4 jd). Wykorzystanie sieci neuronowych w automatyce: układ regulacji z modelem odwrotnym, układ regulacji typu IMC, linearyzacja w pętli sprzężenia zwrotnego, regulatory predykcyjne bazujące na modelach neuronowych. (2 jd). Systemy rozmyte - zagadnienia podstawowe: pojęcia: zbioru rozmytego, funkcji przynależności, schematu wnioskowania, wnioskowanie Mamdaniego, modele Takagi-Sugeno. (3 jd). Zastosowanie systemów rozmytych do modelowania nieliniowych zależności statycznych i dynamicznych: metody doboru parametrów modeli rozmytych, dostrajanie modeli rozmytych z wykorzystaniem rozmytych sieci neuronowych. (3 jd). Wykorzystanie systemów rozmytych w automatyce: regulator regułowy PID, regulator obszarowy PID, regulator obszarowy ze sprzężeniem od stanu, regulatory predykcyjne bazujące na modelach rozmytych. (4 jd). Algorytmy genetyczne - zagadnienia podstawowe: pojęcia: chromosom, osobnik, populacja, operatory genetyczne, selekcja, zasada działania algorytmów genetycznych, przegląd algorytmów genetycznych, przykłady zastosowania algorytmów genetycznych w optymalizacji nieliniowej oraz projektowaniu układów regulacji.
Metody oceny:
W trakcie semestru przeprowadzane są 2 kolokwia, na koniec semestru przewidziany jest termin kolokwium poprawkowego. Każde kolokwium oceniane jest w skali 0-25 pkt., dwa pierwsze projekty oceniane są w skali 0-20 pkt., natomiast trzeci projekt w skali 0-10 pkt. (razem 100 pkt.). Aby zaliczyć przedmiot należy uzyskać co najmniej 50 pkt.
Egzamin:
nie
Literatura:
Maciej Ławryńczuk, Piotr Marusak: Soft computing w automatyce. Skrypt, Warszawa, 2011.
Witryna www przedmiotu:
Uwagi:

Efekty uczenia się

Profil ogólnoakademicki - wiedza

Efekt SZAU_W01
Wiedza z zakresu modelowania obiektów nieliniowych za pomocą modeli rozmytych.
Weryfikacja: kolokwia, projekty
Powiązane efekty kierunkowe: K_W01, K_W04, K_W05, K_W06, K_W09
Powiązane efekty obszarowe: T2A_W01, T2A_W02, T2A_W07, T2A_W01, T2A_W03, T2A_W04, T2A_W05, T2A_W07, T2A_W02, T2A_W03, T2A_W04, T2A_W07
Efekt SZAU_W02
Wiedza na temat zastosowania modeli rozmytych obiektów nieliniowych do zaprojektowania regulatora.
Weryfikacja: kolokwia, projekty
Powiązane efekty kierunkowe: K_W01, K_W04, K_W05, K_W06, K_W09
Powiązane efekty obszarowe: T2A_W01, T2A_W02, T2A_W07, T2A_W01, T2A_W03, T2A_W04, T2A_W05, T2A_W07, T2A_W02, T2A_W03, T2A_W04, T2A_W07
Efekt SZAU_W03
Wiedza z zakresu modelowania obiektów nieliniowych za pomocą sieci neuronowych.
Weryfikacja: kolokwia, projekty
Powiązane efekty kierunkowe: K_W01, K_W04, K_W05, K_W06, K_W09
Powiązane efekty obszarowe: T2A_W01, T2A_W02, T2A_W07, T2A_W01, T2A_W03, T2A_W04, T2A_W05, T2A_W07, T2A_W02, T2A_W03, T2A_W04, T2A_W07
Efekt SZAU_W04
Wpisz opisWiedza na temat zastosowania modeli neuronowych obiektów nieliniowych do zaprojektowania regulatora.
Weryfikacja: kolokwia, projekty
Powiązane efekty kierunkowe: K_W01, K_W04, K_W05, K_W06, K_W09
Powiązane efekty obszarowe: T2A_W01, T2A_W02, T2A_W07, T2A_W01, T2A_W03, T2A_W04, T2A_W05, T2A_W07, T2A_W02, T2A_W03, T2A_W04, T2A_W07
Efekt SZAU_W05
Wiedza na temat zastosowania algorytmów genetycznych do modelowania obiektów nieliniowych i projektowania algorytmów regulacji.
Weryfikacja: kolokwia, projekty
Powiązane efekty kierunkowe: K_W01, K_W04, K_W05, K_W06, K_W09
Powiązane efekty obszarowe: T2A_W01, T2A_W02, T2A_W07, T2A_W01, T2A_W03, T2A_W04, T2A_W05, T2A_W07, T2A_W02, T2A_W03, T2A_W04, T2A_W07

Profil ogólnoakademicki - umiejętności

Efekt SZAU_U01
Umiejętność modelowania obiektu nieliniowego za pomocą modelu rozmytego.
Weryfikacja: projekty
Powiązane efekty kierunkowe: K_U08, K_U09
Powiązane efekty obszarowe: T2A_U08, T2A_U09
Efekt SZAU_U02
Umiejętność zaprojektowania algorytmu regulacji bazującego na rozmytym modelu obiektu.
Weryfikacja: projekty
Powiązane efekty kierunkowe: K_U08, K_U09
Powiązane efekty obszarowe: T2A_U08, T2A_U09
Efekt SZAU_U03
Umiejętność modelowania obiektu nieliniowego za pomocą sieci neuronowej.
Weryfikacja: projekty
Powiązane efekty kierunkowe: K_U08, K_U09
Powiązane efekty obszarowe: T2A_U08, T2A_U09
Efekt SZAU_U04
Umiejętność zaprojektowania algorytmu regulacji bazującego na neuronowym modelu obiektu.
Weryfikacja: projekty
Powiązane efekty kierunkowe: K_U08, K_U09
Powiązane efekty obszarowe: T2A_U08, T2A_U09
Efekt SZAU_U05
Umiejętność wykorzystania algorytmu genetycznego do modelowania obiektów nieliniowych i do projektowania algorytmów regulacji.
Weryfikacja: projekty
Powiązane efekty kierunkowe: K_U08, K_U09
Powiązane efekty obszarowe: T2A_U08, T2A_U09