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