• бродоградња , 3. семестар, позиција 5
• механика , 3. семестар, позиција 5
• производно машинство , 3. семестар, позиција 5
• аутоматско управљање , 3. семестар, позиција 5
• системи наоружања , 3. семестар, позиција 5
• хидроенергетика , 3. семестар, позиција 5
• индустријско инжењерство , 3. семестар, позиција 5

• Упознавање са методама за анализу и пројектовање интелигентних система управљања. • Стицање практичног знања о неколико главних техника за интелигентно управљање и увод у најновије правце истраживања. • Примена рачунара за симулацију и евалуацију интелигентних система управљања.

По успешном завршетку овог курса, студенти би требало да буду оспособљени да: • Разумеју принципе и функционисање различитих техника интелигентног управљања. • Разумеју теоријске основе са становишта управљања. • Изврше синтезу и анализу интелигентних система управљања заснованих на комбинацији различитих теорија: неуронске мреже, фази системи, симулација, генетски алгоритми, биолошки инспирисани алгоритми, итд. • Користе рачунар у симулацији и евалуацији интелигентних система управљања кроз програмски пакет Matlab/Simulink, као и практична реализација алгоритама управљања на различитим објектима управљања коришћењем пакета Matlab/Simulink.

Увод у интелигентно управљање. Класично и интелигентно управљање. Основе вештачких неуронских мрежа: архитектура, класификација, основна својства. Закони учења, принципи: Хебов закон учења, закон учења Видроуа, делта правило. Једнослојне вештачке неуронске мреже без повратних спрега: перцептрон, линеарна мрежа. Вештачке неуронске мреже са поврaтним простирањем грешке. Вештачке неуронске мреже са радијалном базисном функцијом. Метода потпорних вектора. Динамичке вештачке неуронске мреже. Примена вештачких неуронских мрежа у моделовању идентификацији нелинеарних динамичких система. Примена вештачких неуронских мрежа у управљању: директно и индиректно управљање, директно инверзно управљање, моделско предиктивно управљање. Дубоке и конволуционе неуронске мреже. Биолошки инспирисани и еволутивни алгоритми.

PA: Практична настава укључује рачунске задатке који прате садржај курса. ПЛ: Експериментални рад: примена рачунара у симулацији и евалуацији интелигентних система управљања, као и њихова практична реализација коришћењем пакета Matlab/Simulink на различитим објектима управљања у склопу модуларног едукационог система управљања у реалном времену (обрнуто клатно, систем проточних резервоара, DC серво мотор, струјно термички процес).

Дефинисано курикулумом студијског програма/модула.

• Mодуларни едукациони систем управљања у реалном времену са различитим објектима управљања (DC серво мотор, обрнуто клатно, двоструко обрнуто клатно, куглица-шина систем, струјно термички објект, систем од два проточна резервоара), са аквизиционим хардвером и софтвером. • PC и PC Embedded рачунари, Siemens Simatic PLC, National Instruments контролери. • Инсталација за испитивање управљачких система и аквизицију електричних величина. •Лабораторија за интелигентне системе управљања, Лабораторија за управљачке системе.

укупан фонд часова: 75

ново градиво: 20
разрада и примери (рекапитулација): 10

аудиторне вежбе: 15
лабораторијске вежбе: 10
рачунски задаци: 0
семинарски рад: 5
пројекат: 0
консултације: 0
дискусија/радионица: 0
студијски истраживачки рад: 0

преглед и оцена рачунских задатака: 0
преглед и оцена лабораторијских извештаја: 0
преглед и оцена семинарских радова: 6
преглед и оцена пројекта: 0
колоквијум са оцењивањем: 4
тест са оцењивањем: 0
завршни испит: 5

активност у току предавања: 5
тест/колоквијум: 50
лабораторијска вежбања: 5
рачунски задаци: 0
семинарски рад: 0
пројекат: 0
завршни испит: 40
услов за излазак на испит (потребан број поена): 30

Radiša Jovanović, Inteligentni sistemi upravljanja, Skripta u elektronskom obliku, Mašinski fakultet u Beogradu, 2023.; Simon Haykin, Neural Networks and Learning Machines, Vol. 3. Upper Saddle River, NJ, USA:: Pearson, 2009.; Радиша Јовановић, Mаtlab и Simulink у аутоматском управљању, Машински факултет Београд, 2021.;