Sylabus przedmiotu
Diagnostyka procesów
| Forma zajęć | Atrybuty formy | Godziny w semestrze | Godziny w tygodniu | Zaliczenie | Kompetencje | Waga | ||
|---|---|---|---|---|---|---|---|---|
| stacjonarne | niestacjonarne | stacjonarne | niestacjonarne | |||||
| Wykład zdalnie | Forma mieszana, Kontakt bezpośredni: 100% | 15 | 9 | 1 | 1 | Zaliczenie na ocenę |
|
(50%)1 przez 2 |
| Laboratorium | Kontakt bezpośredni: 100% | 30 | 18 | 2 | 1 | Zaliczenie na ocenę |
|
(50%)1 przez 2 |
| Forma aktywności | Liczba godzin - stac. | Liczba godzin - niestac. |
|---|---|---|
| Przygotowanie do zajęć | 10 | 20 |
| Analiza wskazanej literatury | 25 | 25 |
| Przygotowanie do egzaminu / zaliczenia | 20 | 28 |
| SUMA | 55 | 73 |
Cele przedmiotu: Celem przedmiotu jest zapoznanie studentów z podstawowymi metodami detekcji, lokalizacji i identyfikacji uszkodzeń oraz ukształtowanie umiejętności w zakresie projektowania systemów diagnostyki technicznej
Wymagania wstępne:
brak
Zakres tematyczny
| Rodzaj zajęć | Opis | Godz. stac. | Godz. niestac. |
|---|---|---|---|
| Wykład | Wprowadzenie do diagnostyki procesów. Podstawowe zadania, pojęcia podstawowe, cele diagnostyki, koncepcje układów diagnostyki, klasyfikacja metod detekcji, lokalizacji i identyfikacji uszkodzeń. Modele w diagnostyce procesów. | 1 | 1 |
| Wykład | Detekcja uszkodzeń: równania fizyczne (np. równania różniczkowe), równania stanu obiektów liniowych, obserwatory stanu (filtr Kalmana i Luenbergera), transmitancje obiektów liniowych, modele neuronowe, modele rozmyte. | 2 | 1 |
| Wykład | Lokalizacja uszkodzeń: binarna macierz diagnostyczna, drzewo i grafy diagnostyczne, reguły i funkcje logiczne. Detekcja uszkodzeń Metody kontroli ograniczeń. Kontrola wiarygodności. Metody analizy sygnałów. Analiza parametrów statystycznych sygnału, analiza spektralna. | 2 | 2 |
| Wykład | Analityczne metody detekcji. Redundancja analityczna. Generowanie residuów z wykorzystaniem: transmitancji obiektu liniowego, równań zgodności, równań stanu obiektu, obserwatorów stanu, identyfikacji parametrów modelu procesu. | 2 | 1 |
| Wykład | Zastosowania metod sztucznej inteligencji w układach detekcji. Modele neuronowe: perceptron wielowarstwowy, sieci rekurencyjne, sieci głębokie, sieci typu GMDH. Modele rozmyte: typu Wang’a i Mendel’a, rozmyte sieci neuronowe typu Takagi-Sugeno-Kanga (TSK). | 2 | 1 |
| Wykład | Lokalizacja uszkodzeń | 2 | 1 |
| Wykład | Zastosowanie logiki rozmytej. Rozmyta ocena wartości residuów. Rozmyte wnioskowanie diagnostyczne. Rozmyte sieci neuronowe. | 2 | 1 |
| Wykład | Systemy doradcze w diagnostyce technicznej. Reprezentacja wiedzy. Stwierdzenia i reguły. Statyczne i dynamiczne systemy doradcze. Wnioskowanie w sieci przekonań. | 2 | 1 |
| Laboratorium | Modele systemów dynamicznych - równania różniczkowe, modele w przestrzeni stanów, funkcje transmitancji | 4 | 2 |
| Laboratorium | Modelowanie systemów nieliniowych z zastosowaniem metod sztucznej inteligencji (sieci NN, modele rozmyte) | 6 | 4 |
| Laboratorium | Projektowanie obserwatorów różnych sygnałów w systemie diagnozowanym (filtr Kalmana i Luenbergera) | 6 | 3 |
| Laboratorium | Detekcja uszkodzeń na bazie generowanych sygnałów residuów. Metody analityczne | 6 | 4 |
| Laboratorium | Zastosowanie logiki rozmytej. Rozmyta ocena wartości residuów. Rozmyte wnioskowanie diagnostyczne. Rozmyte sieci neuronowe. | 4 | 3 |
| Laboratorium | Systemy doradcze w diagnostyce technicznej. Reprezentacja wiedzy. Zastosowanie metod uczenia maszynowego do generowania bazy wiedzy. Stwierdzenia i reguły. Statyczne i dynamiczne systemy doradcze. Metody wnioskowania. | 4 | 2 |
Metody dydaktyczne
| Opis |
|---|
| Wykład problemowy |
| Wykład konwencjonalny |
| Metoda przypadków |
| Dyskusja |
| Demonstracja |
| Ćwiczenia laboratoryjne |
Warunki zaliczenia:
bardzo dobry 5.0 student/ka zna, rozumie i wyjaśnia zakładane efekty uczenia się i potrafi je zastosować w praktyce w stopniu bardzo dobrym dobry plus 4.5 student/ka zna, rozumie i wyjaśnia zakładane efekty uczenia się i potrafi je zastosować w praktyce w stopniu ponad dobrym dobry 4.0 student/ka zna, rozumie i wyjaśnia zakładane efekty uczenia się i potrafi je zastosować w praktyce w stopniu dobrym dostateczny plus 3.5 student/ka zna, rozumie i wyjaśnia zakładane efekty uczenia się i potrafi je zastosować w praktyce w stopniu dość dobrym dostateczny 3.0 student/ka zna, rozumie i wyjaśnia zakładane efekty uczenia się i potrafi je zastosować w praktyce w stopniu dostatecznym zaliczone zal student/ka zna, rozumie i wyjaśnia zakładane efekty uczenia się i potrafi je zastosować w praktyce niezaliczone nzal student/ka nie zna, nie rozumie i nie wyjaśnia zakładanych efektów uczenia się i nie potrafi ich zastosować w praktyce
Literatura podstawowa: Marcin Witczak, Fault Diagnosis and Fault-Tolerant Control Strategies for Non-Linear Systems, Springer, 2014 Marcin Witczak, Sterowanie i wizualizacja systemów, wyd. PWSZ w Głogowie, 2011
Literatura uzupełniająca: Korbicz J., Kościelny J.M., Kowalczuk Z., Cholewa W. (red.): Diagnostyka procesów. Modele, Metody Sztucznej Inteligencji, Zastosowania, Wydawnictwa NaukowoTechniczne, Warszawa, 2002 Kościelny J.M.: Diagnostyka zautomatyzowanych procesów przemysłowych, Akademicka Oficyna Wydawnicza EXIT, Warszawa, 2001 Kowalczuk Z., Wiszniewski B (red.): Inteligentne wydobywanie informacji w celach diagnostycznych, Pomorskie Wydawnictwo Naukowo-Techniczne, Gdańsk, 2007
| Symbole | Opis efektu | Metoda weryfikacji | Forma zajęć |
|---|---|---|---|
| Zna podstawowe metody diagnostyki technicznej i właściwości schematu diagnostycznego stosowanego w celu rozwiązania postawionego problemu diagnostycznego |
|
|
|
| Potrafi zidentyfikować istotne sygnały zawierające informacje diagnostyczne, zaprojektować dla nich układ pomiarowy oraz przeprowadzić ich analizę |
|
|
|
| Potrafi zaprojektować i wdrożyć system diagnostyczny realizujący określone zadania |
|
|
|
| Ma świadomość konieczności współpracy wynikającej z potencjalnie dużego stopnia skomplikowania diagnozowanego systemu i jego niejednorodności |
|
|