Göm meny

Kursinformation

TSFS06 Diagnos och Övervakning, 6 hp
Period 2, vt 2020

Allmän information

Aktuellt kursmaterial hittas på kursens git-repo https://gitlab.liu.se/vehsys/tsfs06.

Kursansvarig

Kursansvarig är Erik Frisk, Tel: 013-28 5714, Epost: erik.frisk@liu.se

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 kursplanen 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 bra att köra GeNIE under Mac OS X och Linux via Windows-emulatorn Wine.

Extra hjälpmaterial

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
  • prel. Gästföreläsning,
  • Prel. Populärvetenskapligt från del av vår forskning
  • 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 Lektions
Titel
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

Informationsansvarig: Erik Frisk
Senast uppdaterad: 2021-05-20