Ευφυής Έλεγχος

ΜΑΘΗΣΙΑΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ

Με την επιτυχή ολοκλήρωση του μαθήματος ο/η φοιτητής/ήτρια θα διαθέτει εξειδικευμένες γνώσεις αιχμής στο πεδίο του ευφυούς ελέγχου, με βάση τις οποίες θα είναι σε θέση να:

• Αντιλαμβάνεται κριτικά τις σύγχρονες τάσεις στο επιστημονικό πεδίο του ευφυούς ελέγχου και τη διασύνδεσή τους με την επιστήμη του Ηλεκτρολόγου και Ηλεκτρονικού Μηχανικού
• Κατανοεί τις έννοιες και τις βασικές αρχές των συστημάτων ευφυούς, εύρωστου και προσαρμοστικού ελέγχου
• Πραγματοποιεί αναγνώριση γραμμικών και μη γραμμικών συστημάτων με χρονικά αναλλοίωτα δυναμικά μοντέλα και με προσαρμοστικά δυναμικά μοντέλα
• Αναπτύσσει και σχεδιάζει συστήματα αυτομάτου ελέγχου που βασίζονται στα νευρωνικά δίκτυα, την ασαφή λογική και τις μεταευρετικές μεθόδους αναζήτησης
• Αναπτύσσει και σχεδιάζει συστήματα ελέγχου προβλεπτικού μοντέλου
• Αναπτύσσει και σχεδιάζει προσαρμοστικά συστήματα ελέγχου
• Επιδεικνύει εξειδικευμένες δεξιότητες, υιοθετεί καινοτομικές λύσεις και αναπτύσσει νέα γνώση στο πεδίο του ευφυούς ελέγχου, ενσωματώνοντας γνώση από τα συναφή πεδία των συστημάτων αυτομάτου ελέγχου και της υπολογιστικής νοημοσύνης
• Αντιλαμβάνεται, αξιολογεί συγκριτικά και τεκμηριώνει τα σχετικά πλεονεκτήματα και μειονεκτήματα εναλλακτικών λύσεων για το σχεδιασμό συστημάτων ευφυούς ελέγχου

 

Γενικές Ικανότητες

• Αυτόνομη Εργασία
• Ομαδική Εργασία
• Σχεδιασμός και Διαχείριση Έργων
• Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών
• Άσκηση κριτικής και αυτοκριτικής
• Λήψη αποφάσεων
• Παραγωγή νέων ερευνητικών ιδεών

 

ΠΕΡΙΕΧΟΜΕΝΟ ΜΑΘΗΜΑΤΟΣ

1. Ενότητα 1: Ασαφής έλεγχος (1η και 2η Εβδομάδα)
   Στην ενότητα παρουσιάζονται τεχνικές για το σχεδιασμό ασαφών ελεγκτών με έμφαση σε ασαφείς ελεγκτές τύπου PI, PD και PID. Επίσης, παρουσιάζεται η επίδραση της ασαφοποίησης και της αποασαφοποίησης στα χαρακτηριστικά της μεταβατικής απόκρισης τους ελεγκτή. Στα πλαίσια της της ρύθμισης παραμέτρων, επίσης μελετάται ο σχεδιασμός της βάσης κανόνων του ασαφούς ελεγκτή και η επίδρασή του στην απόκριση του συστήματος.
2. Ενότητα 2: Δυναμικά μοντέλα και νευρωδυναμική (3η και 4η Εβδομάδα)
   Στην ενότητα αυτή παρουσιάζονται τα δυναμικά μοντέλα τύπου ARX, ARMAX και η αναγνώριση μοντέλων τύπου NARMAX με νευρωνικά δίκτυα. Μελετώνται επίσης οι καταστάσεις ισορροπίας τέτοιων μοντέλων, οι ελκυστές και τα χαοτικά συστήματα.
3. Ενότητα 3: Αντίστροφος νευρωνικός έλεγχος (5η και 6η Εβδομάδα)
   Στην ενότητα αυτή παρουσιάζεται η χρήση νευρωνικών δικτύων για την προσέγγιση της αντίστροφης δυναμικής μη γραμμικών συστημάτων και στη συνέχεια η χρήση των μοντέλων που προκύπτουν ως απ’ ευθείας ελεγκτές. Μελετώνται η ευστάθεια και η ευρωστία των συστημάτων που προκύπτουν.
4. Ενότητα 4: Ρύθμιση παραμέτρων ελεγκτών με χρήση μεταευρετικών μεθόδων αναζήτησης (7η Εβδομάδα)
   Στην ενότητα αυτή παρουσιάζεται η χρήση μεταευρετικών μεθόδων αναζήτησης για τη ρύθμιση παραμέτρων (tuning) ελεγκτών. Αναλύεται η χρήση μεθόδων όπως οι γενετικοί αλγόριθμοι και η βελτιστοποίηση σμήνους σωματιδίων για την ρύθμιση παραμέτρων κλασικών ελεγκτών PID, αλλά και ελεγκτών βασισμένων σε νευρωνικά δίκτυα και ασαφή λογική.
5. Ενότητα 5: Έλεγχος προβλεπτικού μοντέλου για γραμμικά συστήματα – η μέθοδος ελέγχου δυναμικού μητρώου (8η και 9η Εβδομάδα)
   Στην ενότητα αυτή γίνεται μια ανασκόπηση στις αρχές βέλτιστου ελέγχου και παρουσιάζεται η τεχνική ελέγχου προβλεπτικού μοντέλου (model predictive control, MPC). Αναλύονται οι έννοιες του προβλεπτικού μοντέλου, του ορίζοντα πρόβλεψης και του ορίζοντα ελέγχου. Επίσης μελετώνται ο σχηματισμός της αντικειμενικής συνάρτησης, η επίλυση του προβλήματος βελτιστοποίησης και η εισαγωγή περιορισμών. Στη συνέχεια παρουσιάζεται η μέθοδος ελέγχου δυναμικού μητρώου (dynamic matrix control, DMC) για γραμμικά συστήματα.
6. Ενότητα 6: Έλεγχος προβλεπτικού μοντέλου για μη γραμμικά συστήματα (10η Εβδομάδα)
   Στην ενότητα αυτή η τεχνική ελέγχου προβλεπτικού μοντέλου επεκτείνεται για τον έλεγχο μη γραμμικών συστημάτων. Συγκεκριμένα, παρουσιάζονται τεχνικές έμμεσου ελέγχου με χρήση νευρωνικών δικτύων ως δυναμικά προβλεπτικά μοντέλα. Στη συνέχεια αναλύεται η ευρωστία συστημάτων ελέγχου προβλεπτικού μοντέλου. Τέλος μελετώνται υπολογιστικά θέματα για την πρακτική υλοποίηση συστημάτων ελέγχου προβλεπτικού μοντέλου και παρουσιάζονται τεχνικές για την επίσπευση της επίλυσης του προβλήματος βελτιστοποίησης.
7. Ενότητα 7: Προσαρμοστικά μοντέλα (11η και 12η Εβδομάδα)
   Στην ενότητα αυτή παρουσιάζεται η έννοια του χρονικά μεταβαλλόμενου συστήματος. Στη συνέχεια εισάγεται η έννοια του γραμμικού προσαρμοστικού μοντέλου και παρουσιάζεται ο αλγόριθμος αναδρομικών ελαχίστων τετραγώνων (recursive least squares, RLS). Έπειτα, παρουσιάζονται τεχνικές για την ανάπτυξη μη γραμμικών προσαρμοστικών μοντέλων με χρήση νευρωνικών δικτύων.
8. Ενότητα 8: Προσαρμοστικός έλεγχος (12η και 13η Εβδομάδα)
   Στην ενότητα αυτή παρουσιάζονται τεχνικές για τον προσαρμοστικό έλεγχο συστημάτων. Μελετάται το πρόβλημα της ταυτόχρονης αναγνώρισης μοντέλου και αυτομάτου ελέγχου και παρουσιάζεται η τεχνική της συνεχούς διέγερσης (persistent excitation). Τέλος, παρουσιάζονται αυτοπροσαρμοζόμενοι αλγόριθμοι αυτομάτου ελέγχου με γραμμικά μοντέλα, αλλά και με χρήση νευρωνικών δικτύων και ασαφούς λογικής.

 

ΑΞΙΟΛΟΓΗΣΗ ΦΟΙΤΗΤΩΝ

Ι. Γραπτή τελική εξέταση που περιλαμβάνει: – Ερωτήσεις σύντομης απάντησης – Επίλυση προβλημάτων – Ερωτήσεις κρίσης
ΙΙ. Ομαδικές εργασίες στο σπίτι με αντικείμενο την ανάλυση και το σχεδιασμό συστημάτων ευφυούς ελέγχου

 

ΣΥΝΙΣΤΩΜΕΝΗ ΒΙΒΛΙΟΓΡΑΦΙΑ

Ελληνική:

1. Κινγκ Ρ., Ευφυής έλεγχος, Εκδόσεις Τζιόλα, 2004
2. Παρασκευόπουλος Π., Αναγνώριση Συστημάτων και Προσαρμοστικός Έλεγχος, Αυτοέκδοση, 1992.
3. Παρασκευόπουλος Π., Αυτόματος έλεγχος γραμμικών και μη γραμμικών συστημάτων συνεχούς και διακριτού χρόνου, Αυτοέκδοση, 2005.
4. Κοσμίδου Όλγα, Εύρωστος έλεγχος δυναμικών συστημάτων, Εκδόσεις Γκιούρδα, 2009.
5. Haykin, S., Νευρωνικά Δίκτυα και Μηχανές Μάθησης, Εκδόσεις Παπασωτηρίου, 2010
6. Τζιμόπουλος Χ., Παπαδόπουλος Β., Ασαφής λογική με εφαρμογές σε επιστήμες του μηχανικού, Εκδόσεις Ζήτη, 2013
7. Ι. Θεοδώρου, Εισαγωγή στην Ασαφή Λογική, Εκδόσεις Τζιόλα, 2010

 

Ξενόγλωσση:

1. Z.X. Cai, Intelligent Control: Principles, Techniques and Applications, World Scientific Publishing Company, 1998.
2. Szederkényi, G., Lakner, R., Gerzson, M., Intelligent Control Systems: An Introduction with Examples, Springer, 2001
3. Nguyen, H.T. Prasad, N.R., Walker, C.L. Walker E.A., A First Course in Fuzzy and Neural Control, Chapman and Hall/CRC, 2002. 
4. Omidvar , O., Elliott, D., Neural Systems for Control, Academic Press, 1997
5. S. Haykin, Neural Networks and Learning Machines, 3rd edition, Prentice Hall
6. S. Haykin, Neural networks, Englewood Cliffs, 2nd Edition NJ: Prentice-Hall
7. T.J. Ross, Fuzzy Logic with Engineering Applications, 2nd Edition, Wiley
8. K. Tanaka, An Introduction to Fuzzy Logic for Practical Applications, Springer
9. Jantzen, J., Foundations of Fuzzy Control: A Practical Approach, John Wiley & Sons, 2013 
10. D. E. Goldberg, Genetic Algorithms in Search, Optimization, and Machine Learning, Addison- Wesley Professional
11. Z. Michalewicz, Genetic Algorithms + Data Structures = Evolution Programs, Springer -Συναφή

 

Επιστημονικά Περιοδικά:

1. ΙΕΕΕ Transactions on Neural Networks
2. ΙΕΕΕ Transactions on Automatic Control
3. ΙΕΕΕ Transactions on Fuzzy Logic
4. Intelligent Control and Automation
5. Journal of intelligent and robotic systems
6. ΙΕΕΕ Transactions on Fuzzy Systems
7. Engineering Applications of Artificial Intelligence
8. Expert Systems with Applications