| Study programme competencies |
| Code | Study programme competences |
| A2 | Capacidade para planificar, presupostar, organizar, dirixir e controlar tarefas, persoas e recursos. |
| A3 | Capacidade para realizar medicións, cálculos, valoracións, taxacións, peritaxes, estudos e informes. |
| A4 | Capacidade de xestión da información, manexo e aplicación das especificacións técnicas e da lexislación necesarias no exercicio da profesión. |
| A5 | Capacidade para analizar e valorar o impacto social e medioambiental das solucións técnicas actuando con ética, responsabilidade profesional e compromiso social, e buscando sempre a calidade e mellora continua. |
| A10 | Coñecementos básicos sobre o uso e programación dos ordenadores, sistemas operativos, bases de datos e programas informáticos con aplicación en enxeñaría. |
| A17 | Coñecer os fundamentos dos automatismos e métodos de control. |
| A30 | Coñecer e ser capaz de modelar e simular sistemas. |
| A31 | Coñecementos de regulación automática e técnicas de control e a súa aplicación á automatización industrial. |
| A32 | Coñecer os principios e aplicacións dos sistemas robotizados. |
| A33 | Coñecemento aplicado de informática industrial e comunicacións. |
| A34 | Capacidade para deseñar sistemas de control e automatización industrial. |
| B1 | Capacidade de resolver problemas con iniciativa, toma de decisións, creatividade e razoamento crítico. |
| B2 | Capacidade de comunicar e transmitir coñecementos, habilidades e destrezas no campo da enxeñaría industrial. |
| B3 | Capacidade de traballar nun contorno multilingüe e multidisciplinar. |
| B4 | Capacidade de traballar e aprender de forma autónoma e con iniciativa. |
| B5 | Capacidade para empregar as técnicas, habilidades e ferramentas da enxeñaría necesarias para a práctica desta. |
| B6 | Capacidade de usar adecuadamente os recursos de información e aplicar as tecnoloxías da información e as comunicacións na enxeñaría. |
| C3 | Utilizar as ferramentas básicas das tecnoloxías da información e as comunicacións (TIC) necesarias para o exercicio da súa profesión e para a aprendizaxe ao longo da súa vida. |
| C6 | Valorar criticamente o coñecemento, a tecnoloxía e a información dispoñible para resolver os problemas cos que deben enfrontarse. |
| Learning aims | |||
| Learning outcomes | Study programme competences | ||
| The students learns the intelligent control techniques based on artificial intelligence. | A2 A3 A4 A5 A10 A17 A30 A31 A32 A33 A34 |
B1 B2 B3 B4 B5 B6 |
C3 C6 |
| The student is able to combine the conventional control techniques and the ones used with artificial intelligence. | A10 A17 A30 A31 A32 A33 A34 |
B6 |
C3 C6 |
| The student is able to design intelligent systems using control software. | A4 A5 A10 A30 A31 A32 |
B3 B5 B6 |
C3 C6 |
| Contents |
| Topic | Sub-topic |
| A continuación presentase a correspondencia entre os temas e os contidos da memoria de verificación: · Estudo das diferentes vertentes tradicionais da Intelixencia Artificial: toma de decisións e aprendizaxe baseados en sistemas expertos, algoritmos xenéticos, lóxica borrosa e redes neuronais. 1.1.- Fundamentos do control intelixente. 2.1.- Fundamentos dos sistemas expertos. 3.1.- Fundamentos de Lóxica borrosa. 4.1.- Fundamentos de redes neuronais. 5.1.- Fundamentos de algoritmos xenéticos. · Estudo de técnicas emerxentes da Intelixencia Artificial e sistemas híbridos. Módulo 1.2.- Búsqueda Heurística. 1.3.- Planificación. 2.2.- Estratexias e modelos de control. 3.2.- Modelado e identificación de sistemas mediante lóxica borrosa. 4.2.- Identificación de sistemas con redes neuronais. 4.3.- Modelado de sistemas con redes neuronais. · Deseño, programación, simulación e validación de sistemas de control intelixente. 1.4.- Aplicación a tarefas de control. 3.3.- Deseño de controladores borrosos. 4.4.- Control de sistemas con redes neuronais. 5.2.- Optimización de sistemas mediante algoritmos xenéticos. |
|
| Block I: Intelligent Control | 1.1.- Basics of intelligent control. 1.2.- Heurístics. 1.3.- Planification. 1.4.- Control task aplication. |
| Block II: Expert systems | 2.1.- Basics of expert systems 2.2.- Control estrategies and modeling. |
| Block III: Fuzzy Logic | 3.1.- Basics of Fuzzy logic. 3.2.- Modeling and system identification using Fuzzy Logic. 3.3.- Design of Fuzzy logic controllers. |
| Block IV: Neural Networks. | 4.1.- Basics of neural networks. 4.2.- System identification using neural networks. 4.3.- System modeling using neural networks. 4.4.- Control strategies using neural networks. |
| Block V: Genetic algorithms. | 5.1.- Basics of genetic algorithms 5.2.- System optimization using genetic algorithms. |
| Planning | ||||
| Methodologies / tests | Competencies | Ordinary class hours | Student’s personal work hours | Total hours |
| Guest lecture / keynote speech | A4 A10 A17 A30 A31 A32 A33 A34 B1 B2 B3 B4 C3 C6 | 16 | 30 | 46 |
| Laboratory practice | A2 A3 A4 A5 A10 A17 A30 A31 A32 A33 A34 B1 B2 B3 B4 B5 B6 C3 C6 | 26 | 32 | 58 |
| Supervised projects | A2 A3 A4 A5 A10 A17 A30 A31 A32 A33 A34 B1 B2 B3 B4 B5 B6 C3 C6 | 9 | 24 | 33 |
| Objective test | A10 A17 A30 A31 A32 A33 A34 B1 B5 B6 C3 C6 | 3 | 0 | 3 |
| Personalized attention | 10 | 0 | 10 | |
| (*)The information in the planning table is for guidance only and does not take into account the heterogeneity of the students. | ||||
| Methodologies |
| Methodologies | Description |
| Guest lecture / keynote speech | During guest lecture lessons the content of the subject will be developed in a theorethical and practical way. |
| Laboratory practice | There will be practical lessons using diferent programming languages. This lessons will consist on solving different practical problems using intelligent control techniques. |
| Supervised projects | During lessons different project will be proposed. This project will consist on solving different practical problems. Different aspects as working in groups, solving real problems or public presentations will be considered to evaluate the student. |
| Objective test | Writing/practical test using a computer to assess the concepts learnt during the season. Different theoretical, practical, short answer question will be made. |
| Personalized attention |
|
|
| Assessment | |||
| Methodologies | Competencies | Description | Qualification |
| Laboratory practice | A2 A3 A4 A5 A10 A17 A30 A31 A32 A33 A34 B1 B2 B3 B4 B5 B6 C3 C6 | The student must submit a document summing up the work done in each of the practical task proposed by the teacher. | 20 |
| Objective test | A10 A17 A30 A31 A32 A33 A34 B1 B5 B6 C3 C6 | A final test will be done. This may have short questions, problems solving or practical part. | 40 |
| Supervised projects | A2 A3 A4 A5 A10 A17 A30 A31 A32 A33 A34 B1 B2 B3 B4 B5 B6 C3 C6 | A practical project to be solved by the student will be proposed. The grade will depend on the project content, the documantation and the public presenation. | 40 |
| Assessment comments | |||
|
The final grade will be made as a combination of the three assessment methodologies: Grade= 0.2 x Laboratory practice + 0.4 x The assessment of the second oportunity will consist on a final test. This may have short questions, problems solving or practical part. |
|||
| Sources of information |
| Basic |
Shin, Yung C. (2009). Intelligent systems : modeling, optimization, and control. CRC Press
F. Prieto (). Apuntes / Presentaciones Asignatura.
Fausett, Laurene V. (1994). Fundamentals of neural networks: architectures, algorithms and applications. Englewood cliffs: Prentice Hall
Pinto Bermúdez, Enrique (2010). Fundamentos de control con MATLAB. Pearson Educacion
Nils J. Nilsson (2000). Inteligencia Artificial. Una nueva sintesis. McGrawHill
Ponce-Cruz, Pedro (2010). Intelligent control systems with LabVIEW. Springer
Martin del Brío, B (2001). Redes Neuronales y Sistemas Borrosos. Ra-Ma |
|
|
|
| Complementary | |
|
|
| Recommendations | ||||
| Subjects that it is recommended to have taken before | ||||
|
| Subjects that are recommended to be taken simultaneously | |
|
| Subjects that continue the syllabus | |
|
| Other comments | |