Detail předmětu
Optimalizace regulátorů
FEKT-LOPRAk. rok: 2010/2011
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
čeština
Počet kreditů
5
Garant předmětu
Zajišťuje ústav
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.
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
Typ (způsob) výuky
Přednáška
26 hod., povinná
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
Stavový regulátor
Diskrétní kvadraticky optimální řízení, LQG metoda návrhu regulátoru
Základy fuzzy logiky, fuzzy regulátory
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
Prediktivní a zpětnovazební strategie řízení, návrh prediktivního LQ regulátoru
Spojitá a diskrétní filtrace signálu
Diskrétní PID regulátory a jejich varianty jako základní referenční regulátory
Metody adaptivního řízení, identifikace parametrů ARX modelu
Automaticky se nastavující regulátor (STC)
Optimální řízení
Stavový regulátor
Diskrétní kvadraticky optimální řízení, LQG metoda návrhu regulátoru
Základy fuzzy logiky, fuzzy regulátory
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
Prediktivní a zpětnovazební strategie řízení, návrh prediktivního LQ regulátoru
Spojitá a diskrétní filtrace signálu
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 model
Realizace diskrétního regulátoru PID typu a jeho variant (PSD, I-PD, FF)
Identifikace parametrů ARX modelu v reálném čase
Realizace automaticky se nastavujícího regulátoru
Ověření vlastností stavového regulátoru
Návrh LQ regulátoru
Metody řešení algoritmu LQ regulátoru
Ověření vlastností fuzzy regulátorů
Zhodnocení výsledků, zápočet
Realizace diskrétního regulátoru PID typu a jeho variant (PSD, I-PD, FF)
Identifikace parametrů ARX modelu v reálném čase
Realizace automaticky se nastavujícího regulátoru
Ověření vlastností stavového regulátoru
Návrh LQ regulátoru
Metody řešení algoritmu LQ regulátoru
Ověření vlastností fuzzy regulátorů
Zhodnocení výsledků, zápočet