This page is only available in Swedish
TSFS06 Diagnos och övervakning, 6 hp, VT2
Kursansvarig är Daniel Jung, Tel: 013-28 5743, Epost: daniel.jung@liu.se
Notera: Det här är en statisk sida. Aktuellt kursmaterial hittas på kursens git-repo https://gitlab.liu.se/vehsys/tsfs06.
Mål
Målet med kursen är att ge både en teoretisk och en praktisk grund för hur man konstruerar automatiska system (diagnossystem) för detektering och isolering av fel i tekniska processer. Kursen ska ge kunskaper i hur man kan använda matematiska modeller av tekniska processer för att konstruera och analysera diagnossystem.
- veta varför diagnossystem används inom olika industriella applikationer.
- veta hur man kan analysera vilka fel i en komplex process som behöver övervakas för att uppnå de övergripande målen.
- från en fallbeskrivning kunna strukturera problemet och ta fram princip och arkitektur för en komplett implementering av ett diagnossystem.
- givet en formell modellbeskrivning kunna välja lämplig matematisk metod för att lösa problemet.
- veta för- och nackdelar med de olika metoder som ingår i kursen.
- kunna tillämpa matematiska verktyg och metoder från ett brett spektrum av tidigare kurser för att lösa diagnosproblem.
- kunna värdera och verifiera funktionalitet och prestanda hos ett diagnossystem.
- ha en fördjupad och bred teoretisk insikt i ämnet, tillräcklig för att kunna tillgodogöra sig nya forskningsresultat i fältet.
Se studieinfo för mer information om kursinnehåll.
Kursmaterial
Kursmaterialet kommer att finnas i elektroniskt format som kan laddas ned via de klickbara länkarna nedan.
- Kurskompendium: M. Nyberg och E. Frisk “Diagnosis of Technical Processes”
- Övningshäfte tillhörande teorikompendiet
- Utdrag ur boken: M. Basseville, I.Nikiforov
“Detection of Abrupt Changes”
Läsanvisningar: Hela kapitel 2 kan läsas.
Följande avsnitt kan betraktas som överkurs och ingår ej i kursen: 2.2.2, 2.2.4, 2.2.6, 2.3, 2.4.2, 2.4.3.2, 2.5, 2.6
Boken har gått ur tryck och kan hämtas i sin helhet från http://people.irisa.fr/Michele.Basseville/kniga/. - Laborationshandledningar tillsammans med datafiler som behövs till respektive laboration kommer att finnas tillgängliga på kurshemsidan ca 1 vecka innan laborationerna är schemalagda.
- En del av kursen, den som rör sannolikhetsbaserad diagnos, kommer använda sig av den fria programvaran GeNIe. Det är en Windows-baserad programvara som alla kan ladda hem och installera. Om din dator ej kör Windows går det att köra GeNIE under MacOS och Linux via Windows-emulatorn Wine.
Extra hjälpmaterial
Tidigare tentamina: [070604, lösning], [070814, lösning], [080114, lösning], [090604], [100115, lösning], [100601, lösning], [100819, lösning], [110113], [110601], [110818], [120112], [120530 (inkl. lösning)], [130601 (inkl. lösning)], [140605 (inkl. lösning)], [160604], [190605], [200605 (inkl. lösning), task4.m].
Preliminär föreläsningsplan
Föreläsning | Innehåll | Läsanvisning |
---|---|---|
Fö1 | Kursformalia och introduktion till diagnos | Kap 1 |
Fö2 | Felisolering | Kap 2 utom 2.4, Kap 3 tom 3.4 |
Fö3 | Linjär residualgenerering | Avsnitt 4.1, 4.3, Kap 6 utom 6.6 |
Fö4 | Linjär detekterbarhet | Avsnitt 6.6 |
Fö5 | Design av teststorheter | Avsnitt 4.2, 4.4, 4.5 |
Fö6 | Tröskling och analys av teststorheter | Avsnitt 4.6, Kap 5 |
Fö7 | Olinjära system och observatörer | Kap 7 |
Fö8 | Change Detection | Avsnitt 4.7 + häfte |
Fö9 | Multipelfelisolering med metoder från Artificell Intelligens | Avsnitt 2.4, 3.5-3.7 |
Fö10 | Sannolikhetsbaserad diagnos | Kap. 8 |
Fö11 | Gästföreläsning och tentamensinformation |
Preliminär lektionsplan
Uppgifterna under rubriken “Uppgifter” är planerade för lektionstiden medan under kolumnen “Alla uppgifter” finns samtliga uppgifter hörande till lektionens titel.
(D) betyder att lektionen är i datorsal.
Lektion | Lektionstitel | Uppgifter | Alla uppgifter |
---|---|---|---|
Le1 | Introduktion | 1.1-7, 1.9, 1.10, 1.14 | 1.1-1.14 |
Le2 | Felisolering | 2.1, 2.2, 2.4, 2.5, 2.6, 2.7, 2.8, 2.9 | 2.1-2.11 |
Le3 | Linjär residualgenerering | 4.1, 4.3, 4.4 a-b, 4.6 a-b, 4.9, 4.15 a-b, 4.19, 4.12, 4.13, 4.6 c-e | 4.1-4.24 |
Le4 | Linjär residualgenerering (D) | 4.15c, 4.17, 4.20, 4.4c | |
Le5 | Design av teststorheter | 3.1, 3.5, 3.4, 3.6, 3.9 | 3.8, 3.10, 3.11, 3.12, 3.16, 3.17 |
Le6 | Design av teststorheter (D) | 3.2, 3.7, 3.13, 3.18, 3.15 | 3.3, 3.14a-c |
Le7 | Olinjär residualgenerering | 5.1, 5.2, 5.5, 5.6, 5.7, 5.8, 5.3 | 5.1-5.12 |
Le8 | Change detection (D) | 3.19, 3.20, 3.21, 3.22 | |
Le9 | Multipelfelisolering | 6.3, 6.4, 6.5, 6.1, 6.2, 6.6, 6.7, 6.8 | |
Le10 | Sannolikhetsbaserad diagnos (D) | 7.2, 7.3, 7.4, 7.6 | 7.1-7.7 |