Application of artificial intelligence methods in automation and control tasks

Krasavin Alexandr Lvovich

The instructor profile

Description: In the course of studying this discipline, the issues of using neural networks for approximating functions, as well as in control controllers, in the tasks of identifying the control object and in the tasks of computer simulation of automatic control systems are considered. As a result of the training, knowledge is acquired about the architecture and learning strategies of neural networks, as well as about software tools for creating and training neural networks, about genetic algorithms and their application to automatic control tasks, and skills are formed for applying artificial intelligence methods to various automation and control tasks using modern computer and information and communication technologies

Amount of credits: 5

Пререквизиты:

  • Adaptive methods of prediction of technological process parameters

Course Workload:

Types of classes hours
Lectures 30
Practical works 15
Laboratory works
SAWTG (Student Autonomous Work under Teacher Guidance) 75
SAW (Student autonomous work) 30
Form of final control Exam
Final assessment method

Component: Component by selection

Cycle: Base disciplines

Goal
  • 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.
Objective
  • 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.
Learning outcome: knowledge and understanding
  • способность критически осмыслять и применять методы искусственного интеллекта в задачах автоматизации и управления, демонстрируя глубокое понимание их теоретических основ и практического применения.
Learning outcome: applying knowledge and understanding
  • Способность применять теоретические знания и понимание методов искусственного интеллекта для разработки и оптимизации интеллектуальных систем управления в реальных промышленных процессах.
Learning outcome: formation of judgments
  • 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.
Learning outcome: communicative abilities
  • 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.
Learning outcome: learning skills or learning abilities
  • способность разрабатывать интеллектуальные системы управления на основе методов искусственного интеллекта, а также навыки анализа и оптимизации автоматизированных процессов с применением современных алгоритмов машинного обучения.
Teaching methods

- - 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.

Assessment of the student's knowledge

Teacher oversees various tasks related to ongoing assessment and determines students' current performance twice during each academic period. Ratings 1 and 2 are formulated based on the outcomes of this ongoing assessment. The student's learning achievements are assessed using a 100-point scale, and the final grades P1 and P2 are calculated as the average of their ongoing performance evaluations. The teacher evaluates the student's work throughout the academic period in alignment with the assignment submission schedule for the discipline. The assessment system may incorporate a mix of written and oral, group and individual formats.

Period Type of task Total
1  rating Практическая работа 1 0-100
Практическая работа 2
Практическая работа 3
Практическая работа 4
2  rating Практическая работа 5 0-100
Практическая работа 6
Практическая работа 7
Практическая работа 8
Total control Exam 0-100
The evaluating policy of learning outcomes by work type
Type of task 90-100 70-89 50-69 0-49
Excellent Good Satisfactory Unsatisfactory
Evaluation form

The student's final grade in the course is calculated on a 100 point grading scale, it includes:

  • 40% of the examination result;
  • 60% of current control result.

The final grade is calculated by the formula:

FG = 0,6 MT1+MT2 +0,4E
2

 

Where Midterm 1, Midterm 2are digital equivalents of the grades of Midterm 1 and 2;

E is a digital equivalent of the exam grade.

Final alphabetical grade and its equivalent in points:

The letter grading system for students' academic achievements, corresponding to the numerical equivalent on a four-point scale:

Alphabetical grade Numerical value Points (%) Traditional grade
A 4.0 95-100 Excellent
A- 3.67 90-94
B+ 3.33 85-89 Good
B 3.0 80-84
B- 2.67 75-79
C+ 2.33 70-74
C 2.0 65-69 Satisfactory
C- 1.67 60-64
D+ 1.33 55-59
D 1.0 50-54
FX 0.5 25-49 Unsatisfactory
F 0 0-24
Topics of lectures
  • 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
Key reading
  • 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.