Module also offered within study programmes:
General information:
Name:
Sztuczna inteligencja w automatyce i robotyce
Course of study:
2019/2020
Code:
RAIR-2-304-AM-n
Faculty of:
Mechanical Engineering and Robotics
Study level:
Second-cycle studies
Specialty:
Automatic Control and Metrology
Field of study:
Automatics and Robotics
Semester:
3
Profile of education:
Academic (A)
Lecture language:
Polish
Form and type of study:
Part-time studies
Course homepage:
 
Responsible teacher:
dr inż. Nawrocki Marcin (marcin.nawrocki@agh.edu.pl)
Module summary

Celem modułu jest przekazanie wiedzy z zakresu praktycznych zastosowań wybranych algorytmów sztucznej inteligencji w automatyce, szczególnie w przypadku sterowania obiektami nieliniowymi.

Description of learning outcomes for module
MLO code Student after module completion has the knowledge/ knows how to/is able to Connections with FLO Method of learning outcomes verification (form of completion)
Social competence: is able to
M_K001 Student rozumie potrzebę ciągłego uczenia i dokształcania się w zakresie nowatorskich rozwiązańw układów sterowania AIR2A_K01 Execution of laboratory classes
Skills: he can
M_U001 Student potrafi przeprowadzić syntezę systemu sterowania z zastosowaniem regulatora rozmytego, sztucznej sieci neuronowej, systemu neuro-rozmytego oraz algorytmu genetycznego. AIR2A_U06 Execution of laboratory classes,
Report
M_U002 Student potrafi implementować w wybranym sterowniku PLC opracowane przez siebie algorytmy sterowania wykorzystujące metody sztucznej inteligencji. AIR2A_U06 Report
M_U003 Student potrafi przeprowadzić syntezę systemu sterowania z zastosowaniem regulatora rozmytego, sztucznej sieci neuronowej, systemu neuro-rozmytego. AIR2A_U06 Execution of laboratory classes,
Report
Knowledge: he knows and understands
M_W001 Student zna metody modelowania układów nieliniowych, niestacjonarnych z zastosowaniem adaptacji i kompensacji zakłóceń. AIR2A_W05 Execution of laboratory classes,
Test results
M_W002 Student ma wiedzę o budowie systemów ekspertowych, metodach reprezentacji wiedzy, heurystycznych algorytmach sterowania, uczeniu maszynowym i eksploracji danych. AIR2A_W06 Execution of laboratory classes,
Test results
M_W003 Student zna podstawowe wiadomości z logiki rozmytej, budowy modeli wnioskowania rozmytego Mamdaniego, Takagi-Sugeno-Kanga i Tsukamoto. Student zna metodykę budowy systemu sterowania z regulatorem rozmytym. AIR2A_W06 Execution of laboratory classes,
Test results
M_W004 Student zna podstawowe modele sztucznych neuronów oraz modele sztucznych sieci neuronowych: jednokierunkowych, rekurencyjnych, dwukierunkowych. Student zna metody uczenia sieci neuronowych. Student wie jak zbudowany jest system adaptacyjny ANFIS. AIR2A_W06 Execution of laboratory classes,
Execution of exercises,
Test results
Number of hours for each form of classes:
Sum (hours)
Lecture
Audit. classes
Lab. classes
Project classes
Conv. seminar
Seminar classes
Pract. classes
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
20 8 0 12 0 0 0 0 0 0 0 0
FLO matrix in relation to forms of classes
MLO code Student after module completion has the knowledge/ knows how to/is able to Form of classes
Lecture
Audit. classes
Lab. classes
Project classes
Conv. seminar
Seminar classes
Pract. classes
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
Social competence
M_K001 Student rozumie potrzebę ciągłego uczenia i dokształcania się w zakresie nowatorskich rozwiązańw układów sterowania - - + - - - - - - - -
Skills
M_U001 Student potrafi przeprowadzić syntezę systemu sterowania z zastosowaniem regulatora rozmytego, sztucznej sieci neuronowej, systemu neuro-rozmytego oraz algorytmu genetycznego. - - + - - - - - - - -
M_U002 Student potrafi implementować w wybranym sterowniku PLC opracowane przez siebie algorytmy sterowania wykorzystujące metody sztucznej inteligencji. - - + - - - - - - - -
M_U003 Student potrafi przeprowadzić syntezę systemu sterowania z zastosowaniem regulatora rozmytego, sztucznej sieci neuronowej, systemu neuro-rozmytego. - - + - - - - - - - -
Knowledge
M_W001 Student zna metody modelowania układów nieliniowych, niestacjonarnych z zastosowaniem adaptacji i kompensacji zakłóceń. + - + - - - - - - - -
M_W002 Student ma wiedzę o budowie systemów ekspertowych, metodach reprezentacji wiedzy, heurystycznych algorytmach sterowania, uczeniu maszynowym i eksploracji danych. + - + - - - - - - - -
M_W003 Student zna podstawowe wiadomości z logiki rozmytej, budowy modeli wnioskowania rozmytego Mamdaniego, Takagi-Sugeno-Kanga i Tsukamoto. Student zna metodykę budowy systemu sterowania z regulatorem rozmytym. + - + - - - - - - - -
M_W004 Student zna podstawowe modele sztucznych neuronów oraz modele sztucznych sieci neuronowych: jednokierunkowych, rekurencyjnych, dwukierunkowych. Student zna metody uczenia sieci neuronowych. Student wie jak zbudowany jest system adaptacyjny ANFIS. + - + - - - - - - - -
Student workload (ECTS credits balance)
Student activity form Student workload
Summary student workload 50 h
Module ECTS credits 2 ECTS
Udział w zajęciach dydaktycznych/praktyka 20 h
Preparation for classes 10 h
przygotowanie projektu, prezentacji, pracy pisemnej, sprawozdania 8 h
Realization of independently performed tasks 12 h
Module content
Lectures (8h):

  1. Mechatroniczne systemy nieliniowe, nieparametryzowalne, bez znajomości modelu matematycznego, niestacjonarne.
  2. Klasyfikacja i projektowanie inteligentnych systemów sterowania. Metody reprezentacji wiedzy. Heurystyczne algorytmy sterowania.
  3. Metody uczenia maszynowego. Ekspertowe systemy sterowania, wspomagania projektowania i zarządzania. Systemy sterowania z zastosowaniem logiki rozmytej. Metodyka budowy systemu sterowania z regulatorem rozmytym.
  4. Systemy uczące się na sieciach neuronowych. Sieci neuronowe w automatyce.
  5. Systemy adaptacyjne neuro-rozmyte – ANFIS. Model odwrotny przy użyciu ANFIS. Zastosowanie regulatora rozmytego w sterowaniu obiektem nieliniowym i o zmiennych parametrach.

Laboratory classes (12h):

  1. Mechatroniczne systemy nieliniowe, nieparametryzowalne, bez znajomości modelu matematycznego, niestacjonarne.
  2. Metody uczenia maszynowego. Eksploracja danych.
  3. Ekspertowe systemy sterowania, wspomagania projektowania i zarządzania.
  4. Systemy sterowania z zastosowaniem logiki rozmytej: model wnioskowania Mamdaniego, Takagi-Sugeno-Kanga i Tsukamoto.
  5. Metodyka budowy systemu sterowania z regulatorem rozmytym. Przykład implementacji regulatora rozmytego w wybranych sterownikach PLC.
  6. Systemy uczące się na sieciach neuronowych. Sieci neuronowe w automatyce.
  7. Systemy adaptacyjne neuro-rozmyte – ANFIS. Model odwrotny przy użyciu ANFIS.
  8. Zastosowanie regulatora rozmytego w sterowaniu obiektem nieliniowym i o zmiennych parametrach.
  9. Zastosowanie sieci neuronowych w diagnostyce.

Additional information
Teaching methods and techniques:
  • Lectures: Treści prezentowane na wykładzie są przekazywane w formie prezentacji multimedialnej w połączeniu z klasycznym wykładem tablicowym wzbogaconymi o pokazy odnoszące się do prezentowanych zagadnień.
  • Laboratory classes: W trakcie zajęć laboratoryjnych studenci samodzielnie rozwiązują zadany problem praktyczny, dobierając odpowiednie narzędzia. Prowadzący stymuluje grupę do refleksji nad problemem, tak by otrzymane wyniki miały wysoką wartość merytoryczną.
Warunki i sposób zaliczenia poszczególnych form zajęć, w tym zasady zaliczeń poprawkowych, a także warunki dopuszczenia do egzaminu:

Zaliczenie zajęć laboratoryjnych odbywa się na podstawie obecności, sprawozdań i ocen uzyskanych w trakcie ćwiczeń. Przewiduje się możliwość jednokrotnego zaliczenia poprawkowego, które będzie zorganizowane w wyznaczonym przez prowadzącego ćwiczenia laboratoryjne terminie sesji zasadniczej.
Test z wykładu, który jest podstawą zaliczenia zdobytej wiedzy będzie zorganizowany na ostatnim wykładzie.

Participation rules in classes:
  • Lectures:
    – Attendance is mandatory: No
    – Participation rules in classes: Studenci uczestniczą w zajęciach poznając kolejne treści nauczania zgodnie z syllabusem przedmiotu. Studenci winni na bieżąco zadawać pytania i wyjaśniać wątpliwości. Rejestracja audiowizualna wykładu wymaga zgody prowadzącego.
  • Laboratory classes:
    – Attendance is mandatory: Yes
    – Participation rules in classes: Studenci wykonują ćwiczenia laboratoryjne zgodnie z materiałami udostępnionymi przez prowadzącego. Student jest zobowiązany do przygotowania się w przedmiocie wykonywanego ćwiczenia, co może zostać zweryfikowane kolokwium w formie ustnej lub pisemnej. Zaliczenie zajęć odbywa się na podstawie zaprezentowania rozwiązania postawionego problemu. Zaliczenie modułu jest możliwe po zaliczeniu wszystkich zajęć laboratoryjnych.
Method of calculating the final grade:

Wykłady zakończą się testem sprawdzającym wiedzę teoretyczną z którego ocena stanowi 30% oceny końcowej. Pozostałe 70% oceny końcowej student uzyska za wykonanie poszczególnych ćwiczeń na podstawie oddanych sprawozdań.

Sposób i tryb wyrównywania zaległości powstałych wskutek nieobecności studenta na zajęciach:

Zajęcia wykładowe są nieobowiązkowe, w przypadku nieobecności student zdobywa wiedzę poprzez samokształcenie.
Nieobecności na zajęciach laboratoryjnych należy odrobić w ciągu tygodnia od powrotu z nieobecności w sposób wskazany przez prowadzącego ćwiczenia laboratoryjne.

Prerequisites and additional requirements:

Student posiada wiedzę z zakresu architektury i programowania sterowników PLC, zna metody sterowania dyskretnego.

Recommended literature and teaching resources:
  1. Rudkowski L.: Metody i techniki sztucznej inteligencji. Inteligencja obliczeniowa. PWN Warszawa 2005.
  2. Osowski S.: Sieci neuronowe do przetwarzania informacji, Oficyna Wydawnicza Politechniki Warszawskiej 2006.
  3. Kwaśniewski J: Wprowadzenie do inteligentnych przetworników pomiarowych, WNT 1992.
  4. Kwaśniewski J: Programowalny sterownik SIMATIC S7-300 w praktyce inżynierskiej, BTC 2009.
  5. Fuzzy Logic Toolbox MATLAB, The MathWorks, Inc., 2010.
  6. Neural Network Toolbox MATLAB, The MathWorks, Inc., 2010.
Scientific publications of module course instructors related to the topic of the module:
  1. Advanced control algorithms for mobile robot, Agata NAWROCKA, Marcin NAWROCKI, Andrzej KOT, ICCC 2017, Romania, 2017 : proceedings / eds. Dorin Șendrescu, [et al.]. — [Piscataway] : IEEE, cop. 2017.
  2. Sterowanie neuronowo-genetyczne, Agata NAWROCKA, Marcin NAWROCKI, „Modelowanie w Mechanice” : Polskie Towarzystwo Mechaniki Teoretycznej i Stosowanej. Oddział Gliwice, Ustroń : 2016
  3. Neural network control of nonlinear objects, Agata NAWROCKA, Marcin NAWROCKI, Andrzej KOT,
    ICCC 2016, eds. Ivo Petráš, Igor Podlubny, Ján Kačur. — [Piscataway] : IEEE, cop. 2016
  4. Type-2 fuzzy logic controller for nonlinear object control, Agata NAWROCKA, Marcin NAWROCKI, Andrzej KOT, ICCC 2015, eds. Ivo Petráš [et al.]. — [Piscataway] : IEEE, cop. 2015
  5. Neuro – fuzzy control for nonlinear object, Agata NAWROCKA, Marcin NAWROCKI, Andrzej KOT, KraSyNT 2015: Department of Process Control. AGH University of Science and Technology, Kraków 2015
  6. Inteligencja obliczeniowa w zastosowaniach inżynierskich – wybrane problemy, red. Agata NAWROCKA ; aut.: Cedro Leszek, Gierlak Piotr, IZWORSKI Andrzej, Kekez Michał, KOT Andrzej, Muszyńska Magdalena, NAWROCKA Agata, NAWROCKI Marcin, Radziszewski Leszek, WSZOŁEK Wiesław, Katedra Automatyzacji Procesów. Akademia Górniczo-Hutnicza, Kraków 2015
  7. Control algorithms for robot manipulator, Agata NAWROCKA, Andrzej KOT, Marcin NAWROCKI, Mechatronics, robotics and control / ed. A. Kot. — Switzerland : Trans Tech Publications, cop. 2015
  8. The application of visual evoked potentials in brain-computer interface, Agata NAWROCKA, Marcin NAWROCKI, Diffusion and Defect Data – Solid State Data. Part B, Solid State Phenomena. — 2014
  9. Artificial neural networks for identification in real time of the robot manipulator model parameters,
    Marcin NAWROCKI, Agata NAWROCKA, ICCC 2014, eds. Ivo Petráš [et al.]. — [Piscataway] : IEEE, cop. 2014
Additional information:

None