SylabUZ
Course name | Modelling of Measurement Transducers |
Course ID | 06.0-WE-ED-MPP |
Faculty | Faculty of Computer Science, Electrical Engineering and Automatics |
Field of study | Electrical Engineering |
Education profile | academic |
Level of studies | Second-cycle studies leading to MSc degree |
Beginning semester | winter term 2018/2019 |
Semester | 3 |
ECTS credits to win | 4 |
Course type | obligatory |
Teaching language | polish |
Author of syllabus |
|
The class form | Hours per semester (full-time) | Hours per week (full-time) | Hours per semester (part-time) | Hours per week (part-time) | Form of assignment |
Lecture | 30 | 2 | 18 | 1,2 | Credit with grade |
Laboratory | 30 | 2 | 18 | 1,2 | Credit with grade |
- zapoznanie studentów z podstawowymi zasadami budowy modeli matematycznych przetworników pomiarowych,
- ukształtowanie podstawowych umiejętności w zakresie analizowania źródeł błędów podstawowych bloków funkcyjnych przetworników pomiarowych,
- ukształtowanie podstawowych umiejętności w zakresie prowadzenia badań symulacyjnych i doświadczalnych przetworników pomiarowych.
Komputerowe wspomaganie projektowania, Pomiary wielkości nieelektrycznych.
Ogólna charakterystyka inteligentnych przetworników pomiarowych. Charakterystyka podstawowych bloków funkcyjnych przetworników pomiarowych. Cechy odróżniające współczesne przetworniki pomiarowe od przetworników poprzednich generacji.
Uwagi ogólne o projektowaniu i roli modelu. Cel i etapy projektowania. Sekwencyjno-iteracyjny algorytm projektowania. Ograniczenia w procesie projektowania. Istota i zakres modelowania.
Podstawy budowania modeli. Etapy modelowania matematycznego. Analogie między zjawiskami fizycznymi. Sposoby tworzenia klasycznych modeli matematycznych i modeli neuronowych. Przykłady budowania modeli czujników i sprzętu analogowo-cyfrowego.
Podstawowe elementy przetworników i ich modele. Modele matematyczne obwodów wejściowych, analogowych bloków funkcyjnych, przetworników próbkująco - pamiętających i analogowo - cyfrowych. Zastosowanie sieci neuronowych w modelowaniu przetworników pomiarowych.
Zastosowanie modelowania w wybranych metodach korekcji błędów przetworników pomiarowych. Ogólne uwagi o metodach korekcji błędów. Wybrane metody korekcji: metoda korekcji obwodów wejściowych, metoda iteracyjna, metoda źródeł wzorcowych, metody testowe, metoda adaptacji parametrów toru pomiarowego do parametrów przetwarzanych sygnałów i warunków pracy.
Modelowanie procesów przetwarzania odwrotnego w przetwornikach pomiarowych.
Wybrane przykłady realizacji współczesnych przetworników pomiarowych.
wykład: wykład konwencjonalny, konsultacje,
laboratorium: praca w grupach, ćwiczenia laboratoryjne.
Outcome description | Outcome symbols | Methods of verification | The class form |
Wykład - warunkiem zaliczenia jest uzyskanie pozytywnych ocen z kolokwiów pisemnych, przeprowadzonych co najmniej raz w semestrze,
Laboratorium - warunkiem zaliczenia jest uzyskanie pozytywnych ocen cząstkowych z zadań, wykonywanych w ramach laboratorium.
Składowe oceny końcowej = wykład: 50% + laboratorium: 50%.
Rutkowski L.: Metody i techniki sztucznej inteligencji. Wydawnictwo Naukowo PWN, Warszawa, 2005.
Miczulski W., Szulim R., Using time series approximation methods in the modelling of industrial objects and processes //W: Measurements models systems and design / ed. by J. Korbicz .- Warszawa : Wydaw. Komunikacji i Łączności, 2007 - s. 157--174 .- ISBN: 9788320616446.
Miczulski W., Powroźnik P., A new elastic scheduling task model in the node of a control and measurement system// Metrology and Measurement Systems .- 2013, Vol. 20, no 1, s. 87--98, ISSN: 0860-8229.
Tadeusiewicz R.: Sieci Neuronowe. Akademicka Oficyna Wydawnicza. Warszawa, 1993.
Modified by dr hab. inż. Radosław Kłosiński, prof. UZ (last modification: 26-04-2018 19:00)