EPN

ELVE3600 Control Engineering 2 Course description

Course name in Norwegian
Kybernetikk 2
Weight
10.0 ECTS
Year of study
2019/2020
Course history

Introduction

Bygger på ELI2300 dynamiske systemer, ELFT2400 kybernetikk og ELFT2500 instrumentering.

Valgemnet igangsettes forutsatt at det er et tilstrekkelig antall studenter som velger emnet.

Recommended preliminary courses

Ingen.

Required preliminary courses

Studenten må ha godkjent laboratoriekurs i ELFT2400 kybernetikk og ELFT2500 instrumentering eller tilsvarende kvalifikasjoner.

Learning outcomes

Etter å ha gjennomført dette emnet har studenten følgende læringsutbytte, definert som kunnskap, ferdigheter og generell kompetanse:

Kunnskap

Studenten har kunnskap om praktiske metoder for avansert prosessregulering inkluderende:

  • Flere innstillingsmetoder for PID-regulator, feilsøking
  • Systemidentifikasjon
  • Tilstandsestimering (state estimation), med observer og Kalman-filter
  • Optimal kontroll og linear-kvadratisk regulator (LQR)
  • Model prediktiv regulering (MPC) 
  • Introduksjon i kunstig intelligens med neural nettverk
  • Introduksjon i data-analyse for store data mengder

Ferdigheter

Studenten kan:

  • implementere, tune og teste PID-baserte reguleringsstrukturer
  • velge reguleringsstrategi (CV-MV parer), implementere og teste
  • bruke simuleringsverktøy for å samle data for identifisering av state-space- / transfer funksjonsmodeller.
  • implementere og teste Kalman filter
  • implementere og teste optimal kontroll algoritme
  • utvikle enkle MPC-strukturer, implementere, tune og teste

Generell kompetanse

Studenten kan:

  • identifisere datadrevne modeller og bruke disse for å utvikle og teste multivariable reguleringsalgoritmer
  • bruke dataprogrammer som Matlab/ Simulink for å implementere og teste forskjellige reguleringsalgoritmer.
  • drøfte og begrunne egne valg og prioriteringer innen avansert regulering av kontinuerlige dynamiske systemer
  • kan formidle reguleringstekniske resultater i skriftlig og muntlig form

Content

Teaching and learning methods

Undervisningen består av forelesninger, øvinger i datalab, gruppeveiledning og prosjektoppgave med rapportering. Individuelt arbeid under øvinger, gruppearbeid (2 studenter/gruppe) ved prosjektarbeid og rapportskriving.

Course requirements

Følgende arbeidskrav er obligatorisk og må være godkjent for å fremstille seg til eksamen:

  • 5 øvinger eller laboratorieoppgaver
  • Prosjektarbeid
  • 2 teoritester

Assessment

Eksamen høst 2020 grunnet Covid-19:

Individuell digital hjemmeeksamen på 72-timer (3 døgn).

[Eksamen tidligere:]

1) Individuell skriftlig digital eksamen på 3 timer teller 70 %

2) Prosjektrapport på 10-30 sider med muntlig presentasjon teller 30%. Prosjekt gjennomføres i gruppe på 2 studenter.

Alle eksamensdeler må være vurdert til karakter E eller bedre for at studenten skal kunne fåbestått emnet.

Individuell skriftlig eksamen kan påklages.

Prosjektrapport med muntlig presentasjon kan ikke påklages.

Permitted exam materials and equipment

Hjelpemidler høsten 2020:

Alle hjelpemidler tillatt

[Hjelpemidler tidligere:]

Alle trykte og skrevne hjelpemidler. Kalkulator som ikke kommuniserer trådløst. Bruk av internett eller andre kommunikasjonsmedier er ikke tillatt.    

Merknad: Matlab og Matlab/Simulink skal være tilgjengelig i digital eksamen.

Grading scale

Gradert skala A-F.

Examiners

Eksamensdel 1) Individuell digital eksamen vurderes av en intern sensor.

Eksamensdel 2) Prosjektoppgave vurderes av to sensorer.

Ekstern sensor brukes jevnlig.