Detail předmětu

Optimalizace regulátorů

FEKT-MOPRAk. rok: 2019/2020

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.

Výsledky učení předmětu

Seznámení se s různými přístupy používanými při teoretickém a zejména praktickém řešení problémů vznikajících při návrhu řídicích algoritmů. Posluchač kurzu zvládne realizaci diskrétních variant PID regulátorů se dvěma stupni volnosti, adaptivních regulátorů, optimálních regulátorů, fuzzy regulátorů a použití neuronových sítí v řídicích algoritmech. Rovněž dokáže optimalizovat nastavení jejich parametrů.

Prerekvizity

Jsou požadovány znalosti na úrovni bakalářského studia BC-AMT automatizace a měření.

Doporučená nebo povinná literatura

Pivoňka, P.: Optimalizace regulátorů. Skriptum, VUT FEKT, Brno, 2005. (CS)
Havlena, V.-Štecha, J.: Moderní teorie řízení, ČVUT Praha, 2000 (CS)
Camacho, E. at all: Advanced control, Springer, 1997 (EN)
Astrom, K.,J.,-WittenmarkB.:Adaptive Control, Addison Wesley, 1995 (EN)

Plánované vzdělávací činnosti a výukové metody

Metody vyučování zahrnují přednášky, cvičení na počítači a laboratoře. Předmět využívá e-learning (Moodle). Student odevzdává jeden samostatný projekt.

Způsob a kritéria hodnocení

až 10 bodů za aktivity v laboratorních cvičeních.
až 20 bodů za projekty.
Kombinovaná zkouška - písemná část a ústní hodnocení písemného zpracování. Max. 70 bodů.

Jazyk výuky

čeština

Osnovy výuky

Přednáška
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
Optimální filtrace systému (Kalmanův filtr)

Cvičení na poč.
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 použitím S-funkcí v MATLABu
PID regulátor, jeho varianty, optimalizace nastavení
Identifikace parametrů ARX modelu v reálném čase
Zadání samostatného projektu
Realizace automaticky se nastavujícího regulátoru
Návrh LQ regulátoru
Metody řešení algoritmu LQ regulátoru
Ověření vlastností fuzzy regulátorů
Ověření vlastností neuronových sítí v identifikaci a řízení
Ověření vlastností prediktivního regulátoru
Realizace a ověření spojitých a diskrétních filtrů
Návrh a ověření Kalmanova filtru
Zhodnocení výsledků, zápočet

Cíl

Cílem předmětu je naučit se formulovat inženýrský problém návrhu regulátoru jako optimalizační úlohu, nalézt řešení a správně ji interpretovat. Tento postup bude průběžně popsán klasickými i moderními metodami používanými v teorii automatického řízení a metody jejich nastavení. Základ pro porovnání tvoří varianty diskrétních PID regulátorů a jejich optimální nastavení parametrů. Moderní metody představují adaptivní, optimální a prediktivní regulátory a metodika jejich realizace a nastavení. Metody umělé inteligence zahrnují fuzzy regulátory a neuronové sítě a metodika jejich realizace a nastavení parametrů.

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

Laboratorní cvičení jsou povinná, řádně omluvené cvičení lze po domluvě s vyučujícím nahradit.

Zařazení předmětu ve studijních plánech

  • Program EEKR-M1 magisterský navazující

    obor M1-KAM , 1. ročník, zimní semestr, 5 kreditů, volitelný oborový

  • Program EEKR-CZV celoživotní vzdělávání (není studentem)

    obor ET-CZV , 1. ročník, zimní semestr, 5 kreditů, volitelný oborový

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Vyučující / Lektor

Cvičení na poč.

26 hod., povinná

Vyučující / Lektor