Metody sztucznej inteligencji w systemach sterowania
Transkrypt
Metody sztucznej inteligencji w systemach sterowania
Nazwa przedmiotu: METODY SZTUCZNEJ INTELIGENCJI W SYSTEMACH STEROWANIA ARTIFICIAL INTELLIGENCE METHODS IN CONTROL SYSTEMS Kierunek: Kod przedmiotu: Mechatronika Rodzaj przedmiotu: Poziom przedmiotu: obowiązkowy na specjalności systemy sterowania II stopnia B07 Rok: I Semestr: II Rodzaj zajęd: Liczba godzin/tydzieo: Liczba punktów: wykład, laboratorium 1W, 2L 3 ECTS PRZEWODNIK PO PRZEDMIOCIE I KARTA PRZEDMIOTU CEL PRZEDMIOTU C1. Zapoznanie studentów z problematyką wykorzystania metod sztucznej inteligencji w systemach sterowania poprzez analizę możliwości tych narzędzi, przegląd możliwych zastosowao, jak również poprzez przykłady typowych aplikacji. C2. Nabycie przez studentów praktycznych umiejętności wykorzystywania narzędzi sztucznej inteligencji w zakresie projektowania, programowania, uruchamiania, testowania i usuwania błędów przykładowych aplikacji. WYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCH KOMPETENCJI 1. Wiedza z zakresu matematyki, techniki cyfrowej i podstaw automatyki. 2. Umiejętnośd wykonywania działao matematycznych do rozwiązywania postawionych zadao związanych doborem parametrów pracy narzędzi sztucznej inteligencji 3. Umiejętnośd korzystania z różnych źródeł informacji w tym z instrukcji i dokumentacji technicznej. 4. Umiejętności pracy samodzielnej i w grupie. 5. Umiejętności prawidłowej interpretacji i prezentacji własnych działao. EFEKTY KSZTAŁCENIA EK 1 – objaśnia podstawowe zagadnienia z zakresu wykorzystania metod sztucznej inteligencji w systemach sterowania, EK 2 – identyfikuje i opisuje sztuczne sieci neuronowe wykorzystywane jako estymatory zmiennych stanu obiektów regulacji, EK 3 – opisuje systemy rozmyte wykorzystywane jako regulatory, EK 4 – wykorzystuje sztuczne sieci neuronowe do estymacji zmiennych stanu obiektów regulacji, EK 5 – wykorzystuje systemy rozmyte jako regulatory w systemach sterowania, EK 6 – przygotowuje sprawozdanie z przebiegu realizacji dwiczeo. TREŚCI PROGRAMOWE Forma zajęd – WYKŁADY W 1 – Wprowadzenie do tematyki wykorzystania sztucznej inteligencji w systemach sterowania. W 2 – Podstawy sieci neuronowych. W 3 – Architektury sieci neuronowych. W 4 – Wykorzystanie sieci neuronowych do zadao estymacji. W 5 – Przykłady zastosowao sieci neuronowych do zadao estymacji w medycynie. W 6 – Przykłady zastosowao sieci neuronowych do zadao estymacji w projektowaniu filtrów cyfrowych. W 7 – Przykłady zastosowao sieci neuronowych do zadao estymacji w rafineriach. W 8 – Wprowadzenie do problematyki zbiorów rozmytych i logiki rozmytej. W 9 – Sterowanie rozmyte a stabilnośd. W 10 – Wykorzystanie logiki rozmytej do autonomicznego sterowania robotem podwodnym. W 11 – Wykorzystanie logiki rozmytej do regulacji ogrzewania, chłodzenie i klimatyzacją. W 12 – Zastosowanie adaptacyjnego wnioskowania neuro-rozmytego w robotyce. W 13 – Wykorzystanie narzędzi sztucznej inteligencji do technologii odsalania. W 14 – Inteligencja obliczeniowa w rozpoznawaniu obiektów. W 15 – Wykorzystanie metod ewolucyjnych i genetycznych do identyfikacji i sterowania. Forma zajęd – LABORATORIUM L 1 – Sieci neuronowe w środowisku Matlab/Simulink. L 2 – Modelowanie podstawowych architektur sieci neuronowych. L 3 – Wykorzystanie sieci neuronowych do zadao estymacji. L 4 – Badanie wpływu różnych metod uczenia na dokładnośd estymacji. L 5 – Neurosterowanie. L 6 – Projekt estymatora neuronowego. L 7 – Realizacja estymatora neuronowego. L 8 – Testowanie estymatora, ocena dokładności estymacji. L 9 – Logika i zbiory rozmyte w środowisku Matlab/Simulink. L 10 – Badanie właściwości zbiorów rozmytych L 11 – Logika rozmyta – przybliżone wnioskowanie. L 12 – Projekt regulatora rozmytego, ocena stabilności. L 13 – Wykorzystanie regulatora rozmytego w układzie regulacji. L 14 – Porównanie jakości regulacji dla układu z regulatorem rozmytym i klasycznym L 15 – Dyskusja uzyskanych wyników. Konkluzja Liczba godzin 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 Liczba godzin 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 NARZĘDZIA DYDAKTYCZNE 1. – wykład z wykorzystaniem prezentacji multimedialnych 2. – dwiczenia laboratoryjne, opracowanie sprawozdao z realizacji przebiegu dwiczeo 3. – przykładowe programy 4. – instrukcje do wykonania dwiczeo laboratoryjnych 5. – środowisko programistyczne do realizacji programu dwiczeo 2 SPOSOBY OCENY ( F – FORMUJĄCA, P – PODSUMOWUJĄCA) F1. – ocena przygotowania do dwiczeo laboratoryjnych F2. – ocena umiejętności stosowania zdobytej wiedzy podczas wykonywania dwiczeo F3. – ocena sprawozdao z realizacji dwiczeo objętych programem nauczania F4. – ocena aktywności podczas zajęd P1. – ocena umiejętności rozwiązywania postawionych problemów oraz sposobu prezentacji uzyskanych wyników – zaliczenie na ocenę* P2. – ocena opanowania materiału nauczania będącego przedmiotem wykładu – zaliczenie wykładu (lub egzamin) *) warunkiem uzyskania zaliczenia jest otrzymanie pozytywnych ocen ze wszystkich ćwiczeń laboratoryjnych, OBCIĄŻENIE PRACĄ STUDENTA Forma aktywności Godziny kontaktowe z prowadzącym Średnia liczba godzin na zrealizowanie aktywności 15W 30L 45 h Zapoznanie się ze wskazaną literaturą 2.5 h Przygotowanie do dwiczeo laboratoryjnych 10 h Wykonanie sprawozdao z realizacji dwiczeo laboratoryjnych 10 h (czas poza zajęciami laboratoryjnymi) Udział w konsultacjach 5h Przygotowanie do testu z wykładu 2.5 h Suma SUMARYCZNA LICZBA PUNKTÓW ECTS DLA PRZEDMIOTU Liczba punktów ECTS, którą student uzyskuje na zajęciach wymagających bezpośredniego udziału prowadzącego Liczba punktów ECTS, którą student uzyskuje w ramach zajęd o charakterze praktycznym, w tym zajęd laboratoryjnych i projektowych 75 h 3 ECTS 2 ECTS 2 ECTS LITERATURA PODSTAWOWA I UZUPEŁNIAJĄCA 1. Korbicz J., Obuchowicz A., Uciński D.: Sztuczne sieci neuronowe, Warszawa, Akademicka Oficyna Wydawnicza PLJ, 1994, 2. Rutkowska D., Piliński M., Rutkowski L.: Sieci neuronowe, algorytmy genetyczne i systemy rozmyte, Warszawa PWN, 1997, 3. Tadeusiewicz R.: Sieci neuronowe, Warszawa Akademicka Oficyna Wydawnicza PLJ, 1993, 4. Osowski S.: Sieci neuronowe w ujęciu algorytmicznym, Warszawa WNT, 1996, 5. Piegat A.: Modelowanie i sterowanie rozmyte, Warszawa, Akademicka Oficyna Wydawnicza Exit, 1999, 6. Vas P.: Artificial-Intelligence-Based Electrical Machines and Drives, Oxford University Press, 1999, 7. Zilouchian A., Jamshidi M.:, Intelligent Control Systems Using Soft Computing Methodologies, CRC Press, 2001 3 PROWADZĄCY PRZEDMIOT ( IMIĘ, NAZWISKO, ADRES E-MAIL) Dr inż. Jerzy Jelonkiewicz, [email protected] Matryca realizacji i weryfikacji efektów kształcenia Efekt kształcenia Odniesienie danego efektu do efektów zdefiniowanych dla całego programu (PEK) Cele przedmiotu Treści programowe Narzędzia dydaktyczne EK1 K_W13_B07 C1 W1-15 L1-15 1-5 EK2 K_W13_B07 C1 W1-7 L1-8 1-5 EK3 K_W13_B07 C1 W8-15 L9-15 1-5 EK4 K_U13_B07 C2 W1-7 L1-8 1-5 EK5 K_U13_B07 C2 W8-15 L9-15 1-5 EK6 K_U01_A_01 C1,C2 W1-15 L1-15 1-5 Sposób oceny F1 P2 F2 F3 F4 P1 F1 F2 F3 F4 P1 F1 F2 F3 F4 P1 F1 F2 F3 F4 P1 F3 P1 4 II. FORMY OCENY - SZCZEGÓŁY Na ocenę 2 EK1, EK2, EK3 Student objaśnia Student nie opanował podstawowe podstawowej wiedzy zagadnienia z z metod sztucznej zakresu metod sztucznej inteligencji inteligencji w systemach w systemach sterowania, podaje sterowania przykłady wykorzystania takich systemów EK4, EK5 Student stosuje zdobyta wiedzę w praktycznym rozwiązywaniu problemów związanych z metodami sztucznej inteligencji w systemach sterowania EK6 Student efektywnie prezentuje i dyskutuje wyniki własnych działao Na ocenę 3 Na ocenę 4 Na ocenę 5 Student częściowo opanował wiedzę z zakresu metod sztucznej inteligencji w systemach sterowania Student opanował wiedzę z zakresu metod sztucznej inteligencji w systemach sterowania, potrafi wskazad właściwą metodę realizacji zadania z wykorzystaniem odpowiedniego narzędzia Student bardzo dobrze opanował wiedzę z zakresu materiału objętego programem nauczania, samodzielnie zdobywa i poszerza wiedzę przy użyciu różnych źródeł Student nie realizuje prostej aplikacji z wykorzystaniem metod sztucznej inteligencji w systemach sterowania, nawet z pomocą wytyczonych instrukcji oraz prowadzącego Student nie wykorzystuje zdobytej wiedzy, zadania wynikające z realizacji dwiczeo wykonuje z pomocą prowadzącego Student poprawnie wykorzystuje wiedzę oraz samodzielnie rozwiązuje problemy wynikające w trakcie realizacji dwiczeo Student dokonuje wyboru właściwych elementów sztucznej inteligencji do realizacji zadania oraz wykorzystad środowisko symulacyjne do przygotowania uruchomienia i testowania aplikacji Student nie opracował sprawozdania/ Student nie zaprezentował wyników swoich badao Student wykonał sprawozdanie z wykonanego dwiczenia, ale nie dokonał interpretacji oraz analizy wyników własnych badao Student wykonał sprawozdanie z wykonanego dwiczenia, zaprezentowad wyniki swojej pracy oraz dokonał ich analizy Student wykonał sprawozdanie z wykonanego dwiczenia, w sposób zrozumiały zaprezentował, oraz przedyskutował osiągnięte wyniki Dopuszcza się wystawienie oceny połówkowej o ile student spełniający wszystkie efekty kształcenia wymagane do oceny pełnej spełnia niektóre efekty kształcenia w stopniu odpowiadającym ocenie wyższej. III. INNE PRZYDATNE INFORMACJE O PRZEDMIOCIE 1. Wszelkie informacje dla studentów (prezentacje do zajęd, instrukcje do dwiczeo laboratoryjnych, przykładowe aplikacje) dostępne są na stronie internetowej http://www.iisi.pcz.pl. 2. Informacja na temat konsultacji przekazywana jest studentom podczas pierwszych zajęd danego z przedmiotu. 5