| 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 |
|
