Identifying Data

2020/21

Subject (*)

Smart Control Monitoring Systems

Code

770G01059

Study programme

Grao en Enxeñaría Electrónica Industrial e Automática

Descriptors

Cycle

Period

Year

Type

Credits

Graduate

2nd four-month period

Fourth

Optional

4.5

Language

Spanish

Teaching method

Face-to-face

Prerequisites

Department

Enxeñaría Industrial

Coordinador

Quintián Pardo, Héctor

E-mail

hector.quintian@udc.es

Lecturers

Jove Pérez, Esteban

Quintián Pardo, Héctor

E-mail

esteban.jove@udc.es

hector.quintian@udc.es

Web

General description

A asignatura pretende introducir ao alumno nos conceptos básicos necesarios para poder usar técnicas de control intelixente para o modelado e identificación de sistemas así como para o control dos mesmos. Aprenderase a utilizar lóxica difusa e redes neuronais para controlar e identificar sistemas. Estudiaranse diferentes técnicas de optimización de sistemas, con especial interese nos algoritmos xenéticos. Introducirase tamén ao alumno no campo da supervisión, a detección e o diagnóstico de fallos aplicados en tarefas de supervision e control de procesos.

Contingency plan

1. Modificacións nos contidos
Non se realizarán modificación nos contidos

2. Metodoloxías
*Metodoloxías docentes que se manteñen
Sesión maxistral, Traballos tutelados, Prácticas de laboratorio
*Metodoloxías docentes que se modifican

3. Mecanismos de atención personalizada ao alumnado.
Tanto a sesión maxistral, coma as prácticas levaránse a cabo a través da plataforma Microsoft Teams.
Mantéñense os horarios de titorías a través da plataforma Microsoft Teams e o correo electrónico.

4. Modificacións na avaliación
As presentación dos traballos realizaranse a través de Miscrosoft Teams.
*Observacións de avaliación:

5. Modificacións da bibliografía ou webgrafía
Non se realizarán modificacións

Study programme competencies

Code	Study programme competences
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.
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.
B7	Capacidade para traballar de forma colaborativa e de motivar un grupo de traballo.
B12	CB5 - Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía.
C1	Expresarse correctamente, tanto de forma oral coma escrita, nas linguas oficiais da comunidade autónoma.
C2	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.
C5	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
Conoce as técnicas de Control Intelixente basadas en Intelixencia Artificial.	A30 A31	B3 B4 B5 B6
É capaz de contrastar as técnicas de control convencional coas técnicas intelixentes.	A30 A31	B1 B2 B3 B6 B7 B12
É capaz de deseñar sistemas intelixentes utilizando ferramentas software.	A30 A31	B1 B2 B3 B5 B6 B7	C1 C2 C5
	A30 A31	B1 B3 B4 B7	C1 C2 C5
	A30 A31	B1 B2 B4 B5 B6 B7 B12	C1 C2 C5

Contents

Topic	Sub-topic
Introducción aos Sistemas de Control Intelixente
Sistemas Expertos
Lóxica e control difuso ou fuzzy
Redes Neuronales
Algoritmos xenéticos
Sistemas híbridos intelixentes
Técnicas de identificación de plantas
Detección de anomalías

Planning

Methodologies / tests	Competencies	Ordinary class hours	Student’s personal work hours	Total hours
Laboratory practice	A30 A31 B1 B3 B4	19.5	0	19.5
Supervised projects	A30 A31 B1 B2 B3 B4 B7 B12 C1 C2	77	0	77
Guest lecture / keynote speech	A30 A31 B5 B6 C2 C5	12	0	12

Personalized attention		4	0	4

(*)The information in the planning table is for guidance only and does not take into account the heterogeneity of the students.

Methodologies

Methodologies	Description
Laboratory practice	Método práctico basado en sesións de laboratorio ou na aula de informática, no que se levan a cabo resolución de problemas y estudio de casos
Supervised projects	Proposta de a lo menos un trabajo no que se apliquen os conceptos adquiridos durante as sesións maxistrais e nas prácticas de laboratorio
Guest lecture / keynote speech	Exposición oral complementada co uso de medios audiovisuais e a introdución dalgunhas preguntas dirixidas aos estudantes, coa finalidade de transmitir coñecementos e facilitar a aprendizaxe. Nestas sesións ademais se intercalarán exemplos para facilitar a comprensión dos conceptos.

Personalized attention

Methodologies

Laboratory practice

Supervised projects

Description

No caso de que o alumno necesite algunha aclaración adicional ás das clases teóricas ou prácticas terá dispoñibles as horas de tutorías para liquidar as dúbidas
O alumnado con recoñecemento de dedicación a tempo parcial e dispensa académica de exención de asistencia, poderá realizar sesión periódicas co coordinador da materia a través de Microsoft Teams ou correo electrónico.

Assessment

Methodologies	Competencies	Description	Qualification
Laboratory practice	A30 A31 B1 B3 B4	O alumno deberá ir entregando as memorias das prácticas propostas ao longo do curso.	30
Supervised projects	A30 A31 B1 B2 B3 B4 B7 B12 C1 C2	Proporáse a lo menos un traballo práctico a desenrolar polo alumno. A nota dependerá do contido do traballo, a memoria e a presentación oral.	70

Assessment comments
Para aprobar a asignatura e imprescindible ter entregadas e aprobadas a prácticas de laboratorio Os alumnos que se acollan a matrícula parcial, poderánacordar co profesor a posibilidade de facer actividades alternativas asobligatorias e presenciais.

Sources of information

Basic	A. Aguado (2003). Identificación y Control Adaptativo. Prentice Hall Fausett, Laurene V (1994). Fundamentals of neural networks: architectures, algorithms and applications. Prentice Hall Martin del Brío, B (2001). Redes Neuronales y Sistemas Borrosos. Ra-Ma

Complementary

Recommendations

Subjects that it is recommended to have taken before

Computer Science/770G01002

Automatic Control Systems/770G01017

Industrial Computing/770G01025

Control Engineering/770G01028

Subjects that are recommended to be taken simultaneously

Subjects that continue the syllabus

Other comments

(*)The teaching guide is the document in which the URV publishes the information about all its courses. It is a public document and cannot be modified. Only in exceptional cases can it be revised by the competent agent or duly revised so that it is in line with current legislation.