Moduł oferowany także w ramach programów studiów:
Informacje ogólne:
Nazwa:
Sztuczna inteligencja w automatyce i robotyce
Tok studiów:
2019/2020
Kod:
RAIR-2-304-AM-n
Wydział:
Inżynierii Mechanicznej i Robotyki
Poziom studiów:
Studia II stopnia
Specjalność:
Automatyka i metrologia
Kierunek:
Automatyka i Robotyka
Semestr:
3
Profil:
Ogólnoakademicki (A)
Język wykładowy:
Polski
Forma studiów:
Niestacjonarne
Strona www:
 
Prowadzący moduł:
dr inż. Nawrocki Marcin (marcin.nawrocki@agh.edu.pl)
Treści programowe zapewniające uzyskanie efektów uczenia się dla modułu zajęć

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

Opis efektów uczenia się dla modułu zajęć
Kod MEU Student, który zaliczył moduł zajęć zna i rozumie/potrafi/jest gotów do Powiązania z KEU Sposób weryfikacji i oceny efektów uczenia się osiągniętych przez studenta w ramach poszczególnych form zajęć i dla całego modułu zajęć
Wiedza: zna i rozumie
M_W001 Student zna metody modelowania układów nieliniowych, niestacjonarnych z zastosowaniem adaptacji i kompensacji zakłóceń. AIR2A_W05 Wykonanie ćwiczeń laboratoryjnych,
Wynik testu zaliczeniowego
M_W002 Student ma wiedzę o budowie systemów ekspertowych, metodach reprezentacji wiedzy, heurystycznych algorytmach sterowania, uczeniu maszynowym i eksploracji danych. AIR2A_W06 Wykonanie ćwiczeń laboratoryjnych,
Wynik testu zaliczeniowego
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 Wykonanie ćwiczeń laboratoryjnych,
Wynik testu zaliczeniowego
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 Wykonanie ćwiczeń laboratoryjnych,
Wykonanie ćwiczeń,
Wynik testu zaliczeniowego
Umiejętności: potrafi
M_U001 Student potrafi przeprowadzić syntezę systemu sterowania z zastosowaniem regulatora rozmytego, sztucznej sieci neuronowej, systemu neuro-rozmytego oraz algorytmu genetycznego. AIR2A_U06 Wykonanie ćwiczeń laboratoryjnych,
Sprawozdanie
M_U002 Student potrafi implementować w wybranym sterowniku PLC opracowane przez siebie algorytmy sterowania wykorzystujące metody sztucznej inteligencji. AIR2A_U06 Sprawozdanie
M_U003 Student potrafi przeprowadzić syntezę systemu sterowania z zastosowaniem regulatora rozmytego, sztucznej sieci neuronowej, systemu neuro-rozmytego. AIR2A_U06 Wykonanie ćwiczeń laboratoryjnych,
Sprawozdanie
Kompetencje społeczne: jest gotów do
M_K001 Student rozumie potrzebę ciągłego uczenia i dokształcania się w zakresie nowatorskich rozwiązańw układów sterowania AIR2A_K01 Wykonanie ćwiczeń laboratoryjnych
Liczba godzin zajęć w ramach poszczególnych form zajęć:
SUMA (godz.)
Wykład
Ćwicz. aud
Ćwicz. lab
Ćw. proj.
Konw.
Zaj. sem.
Zaj. prakt
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
20 8 0 12 0 0 0 0 0 0 0 0
Matryca kierunkowych efektów uczenia się w odniesieniu do form zajęć i sposobu zaliczenia, które pozwalają na ich uzyskanie
Kod MEU Student, który zaliczył moduł zajęć zna i rozumie/potrafi/jest gotów do Forma zajęć dydaktycznych
Wykład
Ćwicz. aud
Ćwicz. lab
Ćw. proj.
Konw.
Zaj. sem.
Zaj. prakt
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
Wiedza
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. + - + - - - - - - - -
Umiejętności
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. - - + - - - - - - - -
Kompetencje społeczne
M_K001 Student rozumie potrzebę ciągłego uczenia i dokształcania się w zakresie nowatorskich rozwiązańw układów sterowania - - + - - - - - - - -
Nakład pracy studenta (bilans punktów ECTS)
Forma aktywności studenta Obciążenie studenta
Sumaryczne obciążenie pracą studenta 50 godz
Punkty ECTS za moduł 2 ECTS
Udział w zajęciach dydaktycznych/praktyka 20 godz
Przygotowanie do zajęć 10 godz
przygotowanie projektu, prezentacji, pracy pisemnej, sprawozdania 8 godz
Samodzielne studiowanie tematyki zajęć 12 godz
Szczegółowe treści kształcenia w ramach poszczególnych form zajęć (szczegółowy program wykładów i pozostałych zajęć)
Wykład (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.

Ćwiczenia laboratoryjne (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.

Pozostałe informacje
Metody i techniki kształcenia:
  • Wykład: Treści prezentowane na wykładzie są przekazywane w formie prezentacji multimedialnej w połączeniu z klasycznym wykładem tablicowym wzbogaconymi o pokazy odnoszące się do prezentowanych zagadnień.
  • Ćwiczenia laboratoryjne: 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.

Zasady udziału w zajęciach:
  • Wykład:
    – Obecność obowiązkowa: Nie
    – Zasady udziału w zajęciach: 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.
  • Ćwiczenia laboratoryjne:
    – Obecność obowiązkowa: Tak
    – Zasady udziału w zajęciach: 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.
Sposób obliczania oceny końcowej:

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.

Wymagania wstępne i dodatkowe, z uwzględnieniem sekwencyjności modułów :

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

Zalecana literatura i pomoce naukowe:
  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.
Publikacje naukowe osób prowadzących zajęcia związane z tematyką modułu:
  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
Informacje dodatkowe:

Brak