Última actualización: 12/12/2019


Curso Académico: 2019/2020

Control Inteligente
(14046)
Grado en Ingeniería Electrónica Industrial y Automática (Plan 2008) (Plan: 167 - Estudio: 223)


Coordinador/a: MORENO LORENTE, LUIS ENRIQUE

Departamento asignado a la asignatura: Departamento de Ingeniería de Sistemas y Automática

Tipo: Optativa
Créditos: 6.0 ECTS

Curso:
Cuatrimestre:




Al terminar con éxito esta asignatura, los estudiantes serán capaces de: 1. Tener una comprensión sistemática de los conceptos y aspectos clave de su rama de ingeniería de la identificación de sistemas, optimización de los parámetros de los controladores , así como el diseño de controladores por medio de técnicas Fuzzy y de redes Neuronales 2. Tener un conocimiento adecuado de su rama de ingeniería que incluya algún conocimiento a la vanguardia de su campo, especialmente las técnicas de inteligencia artificial basadas en optimización global (GA¿s, DE, etc), técnicas Fuzzy y de Redes Neuronales, incluyendo Deep Learning. 3. Aplicar su conocimiento y comprensión para identificar, formular y resolver problemas de ingeniería utilizando métodos establecidos, usando los métodos de identificación de sistemas, optimización de los parámetros de los controladores, y el diseño de nuevos controladores neuronales. 4. Aplicar sus conocimientos para desarrollar y llevar a cabo diseños que cumplan unos requisitos específicos de los controladores antedichos. 5. Tener comprensión de los diferentes métodos y la capacidad para diseñar sistemas de control mediante la optimización global de los parámetros de los controladores, así como el desarrollo de controladores Fuzzy y Neuronales. 6. Tener competencias técnicas y de laboratorio 7. Seleccionar y utilizar equipos, herramientas y métodos adecuados para el análisis de sistemas de tiempo continuo. 8. Combinar la teoría y la práctica para resolver problemas de ingeniería 9. Tener la comprensión de métodos y técnicas aplicables y sus limitaciones
Descripción de contenidos: Programa
El programa se descompone del siguiente modo : 1. Fundamentos de la logica fuzzy o borrosa. 1.1. Conceptos básicos de logica fuzzy. Imprecisión e incertidumbre. 1.2. Conjuntos borrosos. 1.3. Funciones de pertenencia. 1.4. Operaciones sobre conjuntos borrosos. 1.5. Relaciones borrosas. 1.6 Operaciones con relaciones borrosas. 1.7. Razonamiento aproximado. Variables lingüisticas. 1.8. Proposiciones borrosas. 1.9. Operaciones con proposiciones borrosas. 1.10. Reglas if-then borrosas. 1.11. Operadores de implicación. Inferencia borrosa. 1.12. Diseño de controladores basado en reglas con lógica borrosa. 1.13. Modelos Mandani y Tagaki-Sugeno-Kang. 2. Modelado e identificación de sistemas mediante técnicas borrosas. 2.1. Aproximación fuzzy de funciones. 2.2. Modelado fuzzy de sistemas. 2.3. Tipos de modelo. 2.4. Modelo de estado fuzzy de un sistema dinámico. 2.5. Modelos Mandani y Tagaki-Sugeno-Kang. 2.6. Modelos borrosos Mandani y TSK equivalentes de un controlador clásico. 2.7. Identificación de modelos borrosos. Métodos de identificación. 2.8. Identificación de la estructura. 2.9. Estimación de los parámetros. 3. Diseño de controladores fuzzy. 3.1. Diseño de controladores borrosos sin modelo. 3.2. Controladores borrosos tipo PID. 3.3. Diseño de controladores borrosos basados en modelo. Métodos adaptativos. Métodos de síntesis directa. Métodos de optimización on-line. 3.4. Diseño de controladores fuzzy con matlab. 4. Fundamentos de las redes neuronales . 4.1. Concepto de neurona artificial. Capas de neuronas. Concepto de red neuronal. 4.2. Redes multicapa. Redes recurrentes. 4.3. Redes neuronales básicas. Redes de flujo lineal: Perceptrón y Adaline. Redes recurrentes: Hamming y Hopfield. Métodos de aprendizaje. 4.4. Redes feedforward. Aprendizaje: backpropagation. 4.5. Funciones de base radial. Redes probabilísticas y redes de regresión generalizada. 4.6. Redes neuronales con matlab. 5. Identificación de sistemas con redes neuronales 5.1. Aproximación de funciones con redes neuronales. 5.2. Tipos de modelos de sistema. 5.3. Modelado de sistemas con redes neuronales. NN-FIR. NN-ARX. NN-ARMAX, NN-OE, NN-SSIF. Modelos híbridos. 5.4. Tipos de redes usadas en el modelado. Redes con retardo en capas internas. Backpropagation en sistemas dinámicos. 5.1. 5.5. Identificación de sistemas dinámicos. 6. Control de sistemas con redes neuronales. 6.1. Esquemas de control directo. Control directo inverso. Control con modelo interno. Linealización por realimentación. Control feedforward. 6.2. Esquemas de control indirecto. 7. Fundamentos de optimización y algoritmos evolutivos. 7.1 Métodos de optimización monopunto. 7.2 Métodos basados en la derivada: máxima pendiente, Newton-Raphson, Quasi-Newton, Gradiente conjugado. 7.3 Métodos no derivativos: fuerza bruta, paseo aleatorio, Hooke-Jeeves, Simulated-Annealing. 7.4 Métodos de optimización multipunto. 7.5 Métodos derivativos: multistart y clustering. 7.6 Métodos no derivativos: Nelder-Mead, CRS, Algoritmos Genéticos, Differential Evolution, PSO.
Actividades formativas, metodología a utilizar y régimen de tutorías
Las actividades que se llevan a cabo en la impartición de la asignatura son: ¿ Clases magistrales. Presentación de los principales conceptos. Discusión y aclaración de dudas sobre los conceptos. Se trabajará sobre transparencias que se les darán a los alumnos para facilitar el aprendizaje además de un texto o textos básicos de referencia requeridos en la asignatura. ¿ Clases de ejercicios prácticos. Sesiones en las que se plantean problemas y se deja a los estudiantes en grupos que planteen sus soluciones. ¿ Laboratorios. A los alumnos (en equipos de 2 o 3) se les propondrán unos casos prácticos de estudio, deberán estudiarlos y posteriormente sacar los datos de simulación y analizarlos. Se utilizará el conocimiento de los temas tratados en clases magistrales y clases prácticas en la asignatura. Se hará un estudio previo, se trabajará en el laboratorio y posteriormente se entregará un informe escrito con los resultados y soluciones propuestas.
Sistema de evaluación
  • Peso porcentual del Examen Final 0
  • Peso porcentual del resto de la evaluación 100

Bibliografía básica
  • Kriesel, D.. Neural Networks. http://www.dkriesel.com/en/science/neural_networks.
  • Oliver Nelles. Nonlinear System Identification: from classical approaches to Neural Networks and Fuzzy Models, . Springer Verlag. 2001
  • Spall, J.C. . Introduction to stochastic search and optimization. Ed Wiley-Interscience..
  • Zhang, H. and Liu, P. . Fuzzy modelling and control.. Ed Birkhauser..
Bibliografía complementaria
  • A. Eiben and J. Smith. Introduction to evolutionary computing, . Springer. 2003

El programa de la asignatura podría sufrir alguna variación por causa de fuerza mayor debidamente justificada o por eventos académicos comunicados con antelación.