Применение методов искусственного интеллекта в задачах автоматизации и управления

Описание: В ходе изучения данной дисциплины рассматриваются вопросы применения нейронных сетей для аппроксимации функций, а также в контроллерах управления, в задачах идентификации объекта управления и в задачах компьютерной симуляции систем автоматического управления. В результате обучения приобретаются знания об архитектуре и стратегии обучения нейронных сетей, а также о программных средствах создания и обучения нейронных сетей, о генетических алгоритмах и их применении к задачам автоматического управления, формируются умения и навыки применения методов искусственного интеллекта к различным задачам автоматизации и управления с использованием современных компьютерных и информационно-коммуникационных технологий.

Количество кредитов: 5

Пререквизиты:

• Адаптивные методы прогнозирования параметров технологических процессов

Трудоемкость дисциплины:

Компонент: Компонент по выбору

Цикл: Базовые дисциплины

Цель

• Развить у обучающихся навыки и знания, необходимые для применения методов искусственного интеллекта в задачах автоматизации и управления, с акцентом на разработку инновационных решений для оптимизации процессов и повышения эффективности систем.

Задача

• 1. Овладеть основными алгоритмами машинного обучения и их применением для решения практических задач в области автоматизации и управления. 1. Научиться собирать, анализировать и обрабатывать данные, необходимые для обучения моделей ИИ, а также оценивать качество полученных решений. 1. Развить навыки проектирования, разработки и внедрения интеллектуальных систем управления, используя методы искусственного интеллекта для повышения эффективности и надежности автоматизированных процессов.

Результат обучения: знание и понимание

• способность критически осмыслять и применять методы искусственного интеллекта в задачах автоматизации и управления, демонстрируя глубокое понимание их теоретических основ и практического применения.

Результат обучения: применение знаний и пониманий

• Способность применять теоретические знания и понимание методов искусственного интеллекта для разработки и оптимизации интеллектуальных систем управления в реальных промышленных процессах.

Результат обучения: формирование суждений

• формирование обоснованных суждений о применимости методов искусственного интеллекта в задачах автоматизации и управления, основываясь на критическом анализе существующих технологий и их эффектов на производственные процессы.

Результат обучения: коммуникативные способности

• эффективно передавать и обсуждать идеи, решения и результаты в области применения методов искусственного интеллекта в задачах автоматизации и управления, используя современные средства коммуникации и профессиональную терминологию.

Результат обучения: навыки обучения или способности к учебе

• способность разрабатывать интеллектуальные системы управления на основе методов искусственного интеллекта, а также навыки анализа и оптимизации автоматизированных процессов с применением современных алгоритмов машинного обучения.

Методы преподавания

- - интерактивная лекция (применение следующих активных форм обучения: ведомая (управляемая) дискуссия или беседа; модерация; демонстрация слайдов или учебных фильмов; мозговой штурм; мотивационная речь); - построение сценариев развития различных ситуаций на основе заданных условий; - информационно-коммуникационная (например, занятия в компьютерном классе с использованием профессиональных пакетов прикладных программ); - поисково-исследовательская (самостоятельная исследовательская деятельность студентов в процессе обучения); - решение учебных задач.

Оценка знаний обучающегося

Преподаватель проводит все виды работ текущего контроля и выводит соответствующую оценку текущей успеваемости обучающихся два раза в академический период. По результатам текущего контроля формируется рейтинг 1 и 2. Учебные достижения обучающегося оцениваются по 100-балльной шкале, итоговая оценка Р1 и Р2 выводится как средняя арифметическая из оценок текущей успеваемости. Оценка работы обучающегося в академическом периоде осуществляется преподавателем в соответствии с графиком сдачи заданий по дисциплине. Система контроля может сочетать письменные и устные, групповые и индивидуальные формы.

Политика оценивания результатов обучения по видам работ

Форма оценки

Итоговая оценка знаний обучающего по дисциплине осуществляется по 100 балльной системе и включает:

• 40% результата, полученного на экзамене;
• 60% результатов текущей успеваемости.

Формула подсчета итоговой оценки:

 

где, Р₁, Р₂ – цифровые эквиваленты оценок первого, второго рейтингов соответственно; Э – цифровой эквивалент оценки на экзамене.

Итоговая буквенная оценка и ее цифровой эквивалент в баллах:

Буквенная система оценки учебных достижений обучающихся, соответствующая цифровому эквиваленту по четырехбалльной системе:

Темы лекционных занятий

• Введение в искусственный интеллект: понятия и задачи в управлении
• Основы машинного обучения: теория и методы
• Нейронные сети и их применение в системах управления
• Генетические алгоритмы и эволюционные методы в задачах оптимизации
• Методы оптимизации в задачах управления с использованием ИИ
• Применение логики нечётких множеств в управлении
• Прогнозирование и адаптивное управление с применением ИИ
• Применение методов ИИ в робототехнике
• Анализ данных и предсказательное управление на основе больших данных
• Применение ИИ в системах управления энергетическими процессами
• Применение многослойных нейронных сетей для управления сложными системами
• Интеллектуальные системы управления в реальном времени
• Искусственный интеллект в промышленной автоматизации: применение в Industry 4
• Этические вопросы и проблемы безопасности в использовании ИИ в управлении
• Проблемы прозрачности алгоритмов, безопасность и ответственность в автоматизации с ИИ

Основная литература

• 1. Vlasov M. & Lapteva А. (2021) Economic indicators of the algorithm for introducing artificial intelligence into the automated process control system / International Scientific Conference «Digital transformation in industry: trends, management, strategies»: DTI-2021 conference, Ekaterinburg, 2021 29/OCTOBER. 2. Логический подход к искусственному интеллекту: От классич. логики к логическому программир. / пер. с фр. П. П. Пермяков ; ред. Г. П. Гаврилов. - М. : Мир, 1990. - 432 с. : ил. - Библиогр.: с. 411-417. - Б. ц. 3. Теория решения задач. Подход к созданию искусственного интеллекта / Р. Бенерджи ; пер. с англ. С. П. Чеботарев ; ред. Ю. В. Буркин. - М. : Мир, 1972. - 224 с. - Б. ц. 4. Li, X., Ma, H., &Li, Y. (2020). Artificial Intelligence in Process Control and Optimization: Challenges and Opportunities. *IEEE Transactions on Industrial Informatics*, 16(1), 1-10. 5. Smith, J., & Johnson, R. (2019). Machine Learning Applications in Predictive Maintenance for Industrial Processes. *Journal of Manufacturing Systems*, 50, 106-116. 6. Wang, L., & Chen, S. (2018). Adaptive Control of Nonlinear Processes Using Deep Reinforcement Learning. *AIChE Journal*, 64(9), 3350-3362. 7. Zhang, Y., & Liu, W. (2021). An Overview of Artificial Intelligence Techniques for Fault Diagnosis in Industrial Processes. *Computers&ChemicalEngineering*, 146, 107224.