Prediktivní řízení procesů s využitím prvků umělé inteligence

DSpace Repository

Language: English čeština 

Prediktivní řízení procesů s využitím prvků umělé inteligence

Show simple item record

dc.contributor.author Antoš, Jan
dc.date.accessioned 2019-10-01T07:11:44Z
dc.date.available 2019-10-01T07:11:44Z
dc.date.issued 2013-09-30
dc.identifier Elektronický archiv Knihovny UTB cs
dc.identifier.isbn 978-80-7454-860-4
dc.identifier.uri http://hdl.handle.net/10563/45829
dc.description.abstract Prediktivní řízení procesů je metoda regulace vhodná pro řízení různých typů systémů, která je založená na myšlence využití predikce budoucího chování systému a její optimalizace. Běžně se pro predikci chování využívá modelu systému, a proto je nutné pro správnou funkci prediktivního řízení provést jeho správný výběr a určit jeho parametry tak, aby byl co nejpřesněji popsán řízený systém. Další výhodou prediktivního řízení je možnost zahrnutí omezení signálů přímo do regulátoru. Cílem této práce je aplikace některých prvků umělé inteligence ve vhodných oblastech prediktivního řízení, zejména využití jednoduchých evolučních algoritmů v rámci optimalizace a neuronových sítí jako nelineárních modelů. Práce popisuje možnosti nasazení těchto prvků. Je prokázáno, že kromě klasických optimalizačních algoritmů je možné použít i jednoduché evoluční algoritmy pro optimalizaci predikce, přičemž výpočetní náročnost může být srovnatelná v závislosti na typu řešeného problému a nastavení. Dále se práce zabývá výběrem vhodných modelových systémů s pomalou dynamikou, jejich odvozením a vytvořením nelineárních modelů v podobě škálovatelných neuronových sítí. Potenciální výhodnost tohoto přístupu pro řízení systémů obtížně popsatelných či pro řízení systémů, jejichž matematicko-fyzikální popis není znám, byla v práci prokázána. Práce se také zabývá možností nasazení nalezených modelů na reálné systémy a stanovením nutných podmínek a požadavků pro jejich aplikaci.
dc.format 54
dc.format.extent 102
dc.language.iso cs
dc.publisher Univerzita Tomáše Bati ve Zlíně cs
dc.rights Bez omezení cs
dc.subject Prediktivní řízení cs
dc.subject MPC cs
dc.subject diskrétní řízení cs
dc.subject diskrétní dynamické modely cs
dc.subject umělá inteligence cs
dc.subject neuronové sítě cs
dc.subject evoluční algoritmy cs
dc.subject nelineární systémy cs
dc.subject modelové systémy cs
dc.subject nádrže cs
dc.subject optimalizace cs
dc.subject kvadratické programování cs
dc.subject omezen cs
dc.subject Predictive Control en
dc.subject MPC en
dc.subject Discrete Control en
dc.subject Discrete Dynamical Models en
dc.subject Artificial Intelligence en
dc.subject Neural Network en
dc.subject Evolutionary Algorithms en
dc.subject Models en
dc.subject Tanks en
dc.subject Optimization en
dc.subject Quadratic Programming en
dc.subject Constraints en
dc.title Prediktivní řízení procesů s využitím prvků umělé inteligence cs
dc.title.alternative Prediktivní řízení procesů s využitím prvků umělé inteligence
dc.type disertační práce cs
dc.contributor.referee Pokorný, Miroslav
dc.contributor.referee Šeda, Miloš
dc.contributor.referee Wagnerová, Renata
dc.date.accepted 2019-09-11
dc.description.abstract-translated Predictive control is a method of control process which is suitable for different types of systems. This method is based on the utilization of prediction of the future behaviour of a system and its optimization. A model of this system is mainly used for prediction, hence it is crucial to choose the model properly and set its parameter so that it describes the behaviour of the system as precisely as possible. Another advantage of the predictive control is the possibility to directly apply constraints within a controller. The aim of this work is the application of some elements of artificial intelligence in proper fields of predictive control. It is focused especially on the utilization of simple evolutionary algorithms in the optimization process as well as using neural networks as models of the systems. It has been shown that, besides classical optimization algorithms, it is possible to apply simple evolutionary algorithms with similar computational demands depending of the problem type and accordingly setting the algorithm. The process of choosing proper systems with slow dynamics, their derivations of mathematical formulas and the methodology of model creation in the form of scalable neural networks is discussed further. This approach can be convenient for controlling of systems which are difficult to be mathematically described or for systems whose description is not known at all. The possibility of application of these models to real systems, the definition of necessary conditions and the requirements for their applications are discussed as well.
dc.description.department Ústav automatizace a řídicí techniky cs
dc.thesis.degree-discipline Automatické řízení a informatika cs
dc.thesis.degree-discipline Automatic Control and Informatics en
dc.thesis.degree-grantor Univerzita Tomáše Bati ve Zlíně. Fakulta aplikované informatiky cs
dc.thesis.degree-grantor Tomas Bata University in Zlín. Faculty of Applied Informatics en
dc.thesis.degree-name Ph.D.
dc.thesis.degree-program Inženýrská informatika cs
dc.thesis.degree-program Engineering Informatics en
dc.identifier.stag 53640
dc.date.submitted 2019-06-27


Files in this item

Files Size Format View Description
antoš_2019_teze.pdf 2.854Mb PDF View/Open
antoš_2019_dp.pdf 2.907Mb PDF View/Open None
antoš_2019_op.pdf 1.023Mb PDF View/Open None
antoš_2019_vp.pdf 219.0Kb PDF View/Open None

This item appears in the following Collection(s)

Show simple item record

Find fulltext

Search DSpace


Browse

My Account