Detail předmětu

Optimalization of controllers

FEKT-NOPRAk. rok: 2011/2012

Kurs je zaměřen na výběr vhodného typu regulátoru s optimalizací jeho struktury a parametrů s ohledem na požadované vlastnosti regulačního obvodu. Zabývá se klasickými i moderními metodami návrhů řídicích algoritmů (adaptivní, optimální a prediktivní přístupy) včetně použití principů umělé inteligence v řídicích algoritmech.

Jazyk výuky

angličtina

Počet kreditů

5

Výsledky učení předmětu

Seznámení se s různými přístupy používanými při teoretickém a zejména praktickém řešení problémů vznikajících při návrhu řídicích algoritmů.

Prerekvizity

Jsou požadovány znalosti na úrovni bakalářského studia.

Plánované vzdělávací činnosti a výukové metody

Metody vyučování závisejí na způsobu výuky a jsou popsány článkem 7 Studijního a zkušebního řádu VUT.

Způsob a kritéria hodnocení

Cvičení. Individuální projekt. Max. 30 bodů.
Kombinovaná zkouška. Max. 70 bodů.

Učební cíle

Cíle předmětu je naučit se formulovat inženýrský problém jako optimalizační úlohu, nalézt řešení a správně jej interpretovat. Tento postup bude průběžně popsán klasickými i moderními metodami používanými v teorii automatického řízení.

Vymezení kontrolované výuky a způsob jejího provádění a formy nahrazování zameškané výuky

Vymezení kontrolované výuky a způsob jejího provádění stanoví každoročně aktualizovaná vyhláška garanta předmětu.

Zařazení předmětu ve studijních plánech

  • Program EEKR-MN magisterský navazující

    obor MN-KAM , 1 ročník, zimní semestr, volitelný oborový

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Vyučující / Lektor

Osnova

Fyzikální podstata řízení
Diskrétní PID regulátory a jejich varianty jako základní referenční regulátory
Metody adaptivního řízení, identifikace parametrů ARX modelu
Automaticky se nastavující regulátor (STC)
Optimální řízení
Diskrétní kvadraticky optimální řízení , LQG metoda návrhu regulátoru
Spojitá a diskrétní filtrace signálu
Optimální filtrace systému (Kalmanův filtr)
Umělé neuronové sítě, metody učení NS
Identifikace systémů pomocí neuronových sítí
Adaptivní optimální regulátor s identifikací pomocí NS (kvantizační efekt)
Řídicí algoritmy na bázi neuronových sítí
Omezení při návrhu zpětnovazebního řízení, stabilizující regulátory, robustnost
Prediktivní a zpětnovazební strategie řízení, návrh prediktivního LQ regulátoru

Cvičení na počítači

26 hod., povinná

Vyučující / Lektor

Osnova

Seznámení s pracovištěm a s Automation studiem pro přímou implementaci řídicích algoritmů v reálném čase ve spojení MATLAB/Simulink – PLC B&R – fyzikální modely
Seznámení s toolboxy používanými při návrhu řídicích algoritmů
Seznámení s použitím S-funkcí v MATLABu
Identifikace parametrů ARX modelu v reálném čase
Návrh LQ regulátoru
Metody řešení algoritmu LQ regulátoru
Realizace a ověření spojitých a diskrétních filtrů
Návrh a ověření Kalmanova filtru
Ověření vlastností neuronových sítí v identifikaci a řízení
Ověření vlastností prediktivního regulátoru
Zadání samostatného projektu
Zhodnocení výsledků, zápočet