Snahou práce je poukázať na využite neurónových sietí pri experimentálnej identifikácii a riadení systémov. Neurónové siete sa v tejto oblasti presadzujú iba pomaly, pretože vo väčšine praktických aplikácií dostatočne vyhovujú klasické metódy riadenia, ale ich použitie prináša výhody, ktoré klasickým metódam chýbajú.
Pre účely práce bola použitá reálna sústava, teplovzdušný model, pre ktorú bol vytvorený statický a dynamický neurónový model.
Pri tvorbe statického modelu sa nadstavovali parametre siete pomocou evolučných algoritmov ? genetického algoritmu a diferenciálnej evolúcie, čím sa tento alternatívny spôsob trénovania siete mohol porovnať s klasickým.
Použitím rovnakých algoritmov a dynamického neurónového modelu sa hľadali optimálne nadstavenia parametrov PID regulátora. Kvalita riadenia takto nadstaveného regulátora sa potom porovnala s regulátorom, ktorého parametre boli nadstavené klasickou metódou.
Anotace v angličtině
The thesis deals with application of neural networks in experimental identification and process control. Neural networks are enforced slowly in this field because in most of practical applications, classical control methods are suitable enough. On the other hand, neural networks bring advantages which are missing in classical methods.
The real system (hot-air model) was used in the thesis. Both static and dynamic neural models of the real system were designed.
In static model design, the parameters were adjusted by evolutionary algorithms ? genetic algorithm and differential evolution. These alternative ways of neural network training were compared with the classical one.
By using of the same evolutionary algorithms and dynamic neural model, optimal set of PID controller parameters was searched. The control quality PID controller tuned this way was then compared with controller of which parameters were adjusted by classical method.
Klíčová slova
Umelé neurónové siete, evolučné algoritmy, identifikácia, riadenie
Klíčová slova v angličtině
Neural network, evolutionary algorithms, identification, control
Rozsah průvodní práce
70 s.
Jazyk
SK
Anotace
Snahou práce je poukázať na využite neurónových sietí pri experimentálnej identifikácii a riadení systémov. Neurónové siete sa v tejto oblasti presadzujú iba pomaly, pretože vo väčšine praktických aplikácií dostatočne vyhovujú klasické metódy riadenia, ale ich použitie prináša výhody, ktoré klasickým metódam chýbajú.
Pre účely práce bola použitá reálna sústava, teplovzdušný model, pre ktorú bol vytvorený statický a dynamický neurónový model.
Pri tvorbe statického modelu sa nadstavovali parametre siete pomocou evolučných algoritmov ? genetického algoritmu a diferenciálnej evolúcie, čím sa tento alternatívny spôsob trénovania siete mohol porovnať s klasickým.
Použitím rovnakých algoritmov a dynamického neurónového modelu sa hľadali optimálne nadstavenia parametrov PID regulátora. Kvalita riadenia takto nadstaveného regulátora sa potom porovnala s regulátorom, ktorého parametre boli nadstavené klasickou metódou.
Anotace v angličtině
The thesis deals with application of neural networks in experimental identification and process control. Neural networks are enforced slowly in this field because in most of practical applications, classical control methods are suitable enough. On the other hand, neural networks bring advantages which are missing in classical methods.
The real system (hot-air model) was used in the thesis. Both static and dynamic neural models of the real system were designed.
In static model design, the parameters were adjusted by evolutionary algorithms ? genetic algorithm and differential evolution. These alternative ways of neural network training were compared with the classical one.
By using of the same evolutionary algorithms and dynamic neural model, optimal set of PID controller parameters was searched. The control quality PID controller tuned this way was then compared with controller of which parameters were adjusted by classical method.
Klíčová slova
Umelé neurónové siete, evolučné algoritmy, identifikácia, riadenie
Klíčová slova v angličtině
Neural network, evolutionary algorithms, identification, control
Zásady pro vypracování
Úvodem je třeba provést rešerši literatury týkající se modelování a řízení technologických procesů, dopředných neuronových sítí a jejich algoritmů učení a evolučních optimalizačních technik.
Je rovněž nutné provést popis teplovzdušné soustavy a v programovém prostředku Matlab vytvořit funkce pro komunikaci mezi soustavou a počítačem. Dále je nutné vytvořit grafické uživatelské rozhraní pro přívětivé ovládání soustavy.
Primárním cílem práce je vytvoření statického a dynamického neuronového modelu teplovzdušné soustavy a to nejprve pomocí standardních postupů. Následně bude diplomantka experimentovat s použitím některých evolučních výpočetních technik. Výstupem se kromě neuronových modelů soustavy předpokládá také zhodnocení a porovnání klasických metod trénování s alternativami v podobě evolučních algoritmů.
Posledním bodem práce bude hledání využití získaných neuronových modelů v oblasti řízení technologických procesů.
Zásady pro vypracování
Úvodem je třeba provést rešerši literatury týkající se modelování a řízení technologických procesů, dopředných neuronových sítí a jejich algoritmů učení a evolučních optimalizačních technik.
Je rovněž nutné provést popis teplovzdušné soustavy a v programovém prostředku Matlab vytvořit funkce pro komunikaci mezi soustavou a počítačem. Dále je nutné vytvořit grafické uživatelské rozhraní pro přívětivé ovládání soustavy.
Primárním cílem práce je vytvoření statického a dynamického neuronového modelu teplovzdušné soustavy a to nejprve pomocí standardních postupů. Následně bude diplomantka experimentovat s použitím některých evolučních výpočetních technik. Výstupem se kromě neuronových modelů soustavy předpokládá také zhodnocení a porovnání klasických metod trénování s alternativami v podobě evolučních algoritmů.
Posledním bodem práce bude hledání využití získaných neuronových modelů v oblasti řízení technologických procesů.
Seznam doporučené literatury
HAYKIN, S. Neural Networks. New Jersey : Prentice Hall, 1999. 845 s. ISBN 0-13-273350-1
MAŘÍK, V., ŠTĚPÁNKOVÁ, O., LAŽANSKÝ, J. Umělá intelligence (4). Praha : Academia, 2003. 479 s. ISBN 80-200-1044-0
MIKLEŠ, J., FIKAR, M. Modelovanie, identifikácia a riadenie procesov I. Bratislava : Vydavatelstvo STU, 1999. 168 s. ISBN 80-227-1289-2
TUČKOVÁ, J. Úvod do teorie a aplikací umělých neuronových sítí. Praha : Vydavatelství ČVUT, 2003. 103 s. ISBN 80-01-02800-3
Seznam doporučené literatury
HAYKIN, S. Neural Networks. New Jersey : Prentice Hall, 1999. 845 s. ISBN 0-13-273350-1
MAŘÍK, V., ŠTĚPÁNKOVÁ, O., LAŽANSKÝ, J. Umělá intelligence (4). Praha : Academia, 2003. 479 s. ISBN 80-200-1044-0
MIKLEŠ, J., FIKAR, M. Modelovanie, identifikácia a riadenie procesov I. Bratislava : Vydavatelstvo STU, 1999. 168 s. ISBN 80-227-1289-2
TUČKOVÁ, J. Úvod do teorie a aplikací umělých neuronových sítí. Praha : Vydavatelství ČVUT, 2003. 103 s. ISBN 80-01-02800-3
Přílohy volně vložené
1 CD-ROM
Přílohy vázané v práci
-
Převzato z knihovny
Ne
Plný text práce
Přílohy
Posudek(y) oponenta
Hodnocení vedoucího
Záznam průběhu obhajoby
Diplomantka práce se v souladu se zadáním zabývá tvorbou statického a dynamického neuronového modelu laboratorní soustavy, následně návrhem řízení soustavy s využitím těchto neuronových modelů. V rámci práce bylo třeba vytvořit ovládací skripty a funkce k soustavě a grafické uživatelské rozhraní, to vše ve vývojovém prostředí Matlab. Diplomantka k úkolu přistupovala iniciativně a samostatně. Komise ohodnotila DP známkou výborně.