Moduł oferowany także w ramach programów studiów:
Informacje ogólne:
Nazwa:
Sieci neuronowe w automatyce i robotyce
Tok studiów:
2019/2020
Kod:
RAIR-2-310-AM-s
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:
Stacjonarne
Strona www:
 
Prowadzący moduł:
dr inż. Gibiec Mariusz (mgi@agh.edu.pl)
Treści programowe zapewniające uzyskanie efektów uczenia się dla modułu zajęć

Student poznaje metody sztucznej inteligencji, oprogramowanie do budowy sztucznych sieci neuronowych i wykorzystuje je do rozwiązywania problemów klasyfikacji, modelowania, identyfikacji i sterowania

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 zna podstawy bydowy i działania sztucznych sieci neuronowych oraz wie jakie zadania automatyki i robotyki można rozwiązywać z ich wykorzystaniem AIR2A_W04 Wykonanie ćwiczeń laboratoryjnych,
Wynik testu zaliczeniowego
M_W002 zna i rozumie metodykę wykorzystania sztucznych sieci neuronowych do modelowania i identyfikacji członów, obiektów, układów i systemów w automatyce i robotyce oraz automatyzacji. AIR2A_W05, AIR2A_W04, AIR2A_W07 Wykonanie ćwiczeń laboratoryjnych,
Wynik testu zaliczeniowego
M_W003 zna i rozumie metodykę wykorzystania sztucznych sieci neuronowych do projektowania i budowy wielowymiarowych i nieliniowych systemów sterowania członów, obiektów, układów i systemów w automatyce i robotyce oraz automatyzacji. AIR2A_W05, AIR2A_W07, AIR2A_W02 Wykonanie ćwiczeń laboratoryjnych,
Wynik testu zaliczeniowego
Umiejętności: potrafi
M_U001 potrafi planować i przeprowadzać eksperymenty, w tym pomiary i symulacje komputerowe w celu uzyskania danych dla sieci neuronowych oraz interpretować uzyskane wyniki i wyciągać wnioski AIR2A_U05, AIR2A_U03 Wykonanie ćwiczeń laboratoryjnych,
Wynik testu zaliczeniowego
M_U002 potrafi tworzyć i testować sieci neuronowe rozwiazujące problemy wynikające z zadań inżynierskich AIR2A_U06, AIR2A_U07 Wykonanie ćwiczeń laboratoryjnych,
Wynik testu zaliczeniowego
M_U003 potrafi szczegółowo dokonać modelowania i identyfikacji istniejących rozwiązań technicznych w zakresie wynikającym z potrzeb automatyki, robotyki i automatyzacji za pomoca sieci neuronowych AIR2A_U05, AIR2A_U08, AIR2A_U03 Wykonanie ćwiczeń laboratoryjnych,
Wynik testu zaliczeniowego
M_U004 potrafi wykorzystać wiedzę szczegółową z wielowymiarowych i nieliniowych systemów sterowania, jako wiedzę potrzebną do budowy sieci neuronowych wykorzystywanych w rozwiązywaniu powyższych problemów AIR2A_U06 Wykonanie ćwiczeń laboratoryjnych,
Wynik testu zaliczeniowego
Kompetencje społeczne: jest gotów do
M_K001 potrafi działać i myśleć w sposób kreatywny i przedsiębiorczy rozumie potrzebę ciągłego uczenia i dokształcania się oraz podnoszenia kompetencji zawodowych i osobistych 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
30 10 0 20 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 zna podstawy bydowy i działania sztucznych sieci neuronowych oraz wie jakie zadania automatyki i robotyki można rozwiązywać z ich wykorzystaniem + - + - - - - - - - -
M_W002 zna i rozumie metodykę wykorzystania sztucznych sieci neuronowych do modelowania i identyfikacji członów, obiektów, układów i systemów w automatyce i robotyce oraz automatyzacji. + - + - - - - - - - -
M_W003 zna i rozumie metodykę wykorzystania sztucznych sieci neuronowych do projektowania i budowy wielowymiarowych i nieliniowych systemów sterowania członów, obiektów, układów i systemów w automatyce i robotyce oraz automatyzacji. + - + - - - - - - - -
Umiejętności
M_U001 potrafi planować i przeprowadzać eksperymenty, w tym pomiary i symulacje komputerowe w celu uzyskania danych dla sieci neuronowych oraz interpretować uzyskane wyniki i wyciągać wnioski - - + - - - - - - - -
M_U002 potrafi tworzyć i testować sieci neuronowe rozwiazujące problemy wynikające z zadań inżynierskich - - + - - - - - - - -
M_U003 potrafi szczegółowo dokonać modelowania i identyfikacji istniejących rozwiązań technicznych w zakresie wynikającym z potrzeb automatyki, robotyki i automatyzacji za pomoca sieci neuronowych - - + - - - - - - - -
M_U004 potrafi wykorzystać wiedzę szczegółową z wielowymiarowych i nieliniowych systemów sterowania, jako wiedzę potrzebną do budowy sieci neuronowych wykorzystywanych w rozwiązywaniu powyższych problemów - - + - - - - - - - -
Kompetencje społeczne
M_K001 potrafi działać i myśleć w sposób kreatywny i przedsiębiorczy rozumie potrzebę ciągłego uczenia i dokształcania się oraz podnoszenia kompetencji zawodowych i osobistych - - + - - - - - - - -
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 30 godz
przygotowanie projektu, prezentacji, pracy pisemnej, sprawozdania 14 godz
Samodzielne studiowanie tematyki zajęć 5 godz
Egzamin lub kolokwium zaliczeniowe 1 godz
Szczegółowe treści kształcenia w ramach poszczególnych form zajęć (szczegółowy program wykładów i pozostałych zajęć)
Wykład (10h):

1. Cybernetyczny model komórki nerwowej. Możliwości rozwiązywania zadań Automatyki i Robotyki.
2. Liniowe i nieliniowe sieci neuronowe – modele i algorytmy uczenia.
3. Sieci neuronowe ze sprzężeniem zwrotnym. Hybrydowe sieci neuronowe.
4. Neuronowe modele obiektów dynamicznych. Filtry i estymatory neuronowe.
5. Neuronowa identyfikacja obiektów dynamicznych. Układy sterowania neuronowego.
6. Neuronowe układy diagnostyczne. Zastosowania sieci neuronowych w rozwiązaniach predykcyjnych.
7. Rozpoznawanie wzorców. Analiza obrazów.
8. Modelowanie rozmyto-neuronowe. Projektowanie sterowników rozmyto-neuronowych.

Ćwiczenia laboratoryjne (20h):

1. Wstęp. Zapoznanie z posiadanym oprogramowaniem.
2. Matematyczny model neuronu i jego działanie. Sieci liniowe – zadania klasyfikacji i aproksymacji.
3. Sieci liniowe wielowarstwowe – realizacja funkcji logicznych. .
4. Sieci samouczące – zadanie grupowania.
5. Sieci nieliniowe – zadanie klasyfikacji i aproksymacja funkcji nieliniowych.
6. Implementacja sieci neuronowych w układach budowanych za pomocą Simulinka.
7. Neuronowa identyfikacja współczynników modelu splotowego i ARMA.
8. Identyfikacja parametrów układu drgającego o jednym stopniu swobody.
9. Estymacja wzmocnienia regulatora PID.
10. Neuronowe sterowanie predykcyjne.
11. Modelowanie zachowań układów dynamicznych.
12. Klasyfikacja symptomów diagnostycznych.

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:

Zaliczanie na podstawie : 1. obecności (wymagane 60%), nieobecnosci musza być usprawiedliwione
2. pozytywnej oceny każdego ze sprawozdań
3.pozytywnej oceny z Kolokwium zaliczeniowego
Zaliczenie poprawkowe – maksymalnie dwa terminy tylko w głownej cześci sesji egzaminacyjnej.

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 instrukcjami i 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 obecności (wymagane 80%) sprawozdań z zajęć zawierajacych rozwiazania zadan. Zaliczenie modułu jest możliwe po zaliczeniu wszystkich zajęć laboratoryjnych oraz kolokwium końcowego.
Sposób obliczania oceny końcowej:

Suma ważona z oceny z kolokwium zaliczeniowego (waga 0,7) oraz ocen za sprawozdania z ćwiczeń
laboratoryjnych (waga 0,3) przy czym wszystkie oceny muszą być pozytywne. W przypadku poprawy kolokwium ocena jest srednia oceną ze wszystkich terminów.

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

Nieobecności powinny zostać odrobione w innym terminie. W razie braku terminów student, za zgoda prowadzącego może samodzielnie zrealizować zadania z instrukcji.

Wymagania wstępne i dodatkowe, z uwzględnieniem sekwencyjności modułów :

Nie podano wymagań wstępnych lub dodatkowych.

Zalecana literatura i pomoce naukowe:

Cichosz L. Systemy Uczące się, WNT, 2004
Rutkowska D., Piliński M., Rutowski L.:Sieci neuronowe,algorytmy genetyczne i systemy rozmyte.
PWN, Warszawa 1997
Jang J.-S. R., Sun C.-T., Mizutani E.: “Neuro-Fuzzy and Soft Computing. A Computational Approach
to Learning and Machine Intelligence”, Prentice-Hall, Upper Saddle River, 1997.
Korbicz J., Obuchowicz A., Uciński D.: Sztuczne sieci neuronowe. Podstawy i zastosowania. –
Warszawa: Akademicka Oficyna Wydawnicza PLJ,1994.
Simpson P.: Artificial Neural Systems: Foundations, Paradigms, Applications, Elmsford Press:
Pergamon Press 1990.

Publikacje naukowe osób prowadzących zajęcia związane z tematyką modułu:

1. Fuzzy logic and neural networks in machine state classification process — Zbiory rozmyte i sieci neuronowe w procesie klasyfikacji stanu maszyn / Mariusz GIBIEC // W: Diagnostyka 2000 : II Międzynarodowy Kongres Diagnostyki Technicznej = Diagnostics 2000 : II International Congress of Technical Diagnostics : Warsaw, 19–22 September 2000. Vol. 2, Abstracts / Warsaw University of Technology. Faculty of Automobiles and Heavy Machinery Engineering. Institute of Machine Design Fundamentals. — Warszawa : PW, 2000 + CD-ROM. — S. 121–122. — Bibliogr. s. 121–122
2.Identyfikacja obciążeń eksploatacyjnych w oparciu o metody sztucznej inteligencji — Identification of exploitation loads – an artificial intelligence approach / Mariusz GIBIEC // W: Diagnostyka procesów przemysłowych = Diagnostics of industrial processes : V krajowa konferencja naukowo-techniczna = 5th national conference : Łagów Lubuski, 17–19 września 2001 / red. nauk. Józef Korbicz, Andrzej Pieczyński ; Politechnika Zielonogórska. — Zielona Góra : Oficyna Wydawnicza PZ, 2001. — Opis częśc. wg okł. — ISBN 83-85911-77-4. — S. 195–198. — Bibliogr. s. 198, Streszcz., Abstr.
3.Soft computing tools for machine diagnosing — Metody {\it soft computing} w narzędziach do diagnozowania maszyn / Mariusz GIBIEC // Journal of the Theoretical and Applied Mechanics (Warsaw) ; ISSN 1429-2955. — 2004 vol. 42 no. 3 s. 483–501. — Bibliogr. s. 500–501, Streszcz.. — Computational Intelligence / ed. Tadeusz Burczyński ; Polish Society of Theoretical and Applied Mechanics. — Warsaw : [PSTAM], 2004
4.Zastosowanie sieci neuronowych Kohonena w klasyfikacji stanu obiektu — Kohonen neural networks for object state classification / Mariusz GIBIEC // Pomiary, Automatyka, Kontrola / Stowarzyszenie Inżynierów i Techników Mechaników Polskich. Sekcja Metrologii, Polskie Stowarzyszenie Pomiarów Automatyki i Robotyki POLSPAR ; ISSN 0032-4140. — 2003 nr 5 s. 11–12. — Streszcz., Abstr.

Informacje dodatkowe:

Brak