Zainteresowania naukowe

  • Stabilność oraz odporność neuronowych układów sterowania predykcyjnego
    Badania dotyczą zagadnień związanych z wyznaczeniem warunków stabilności schematu sterowania predykcyjnego typu GPC wykorzystującego model neuronowy typu wejście-wyjście. Nałożone w odpowiednim horyzoncie czasowym ograniczenia terminalne powodują monotoniczne obniżanie wartości funkcji celu.
    Zobacz prezentację na konferencji SysTol 2013, Nicea, Francja
    Drugim wątkiem jest analiza pracy systemu sterowania w obecności szumów, zakłóceń oraz niedoskonałości wyznaczonego modelu. Do uzyskania odpornego schematu sterowania odpornego wykorzystano modelowanie niepewności modelu za pomocą metody MEM (ang. Model Error Modelling). Wyznaczony obszar niepewności został użyty do przedefiniowania problemu optymalizacji
    Zobacz prezentację na konferencji MSC 2014, Antibes, Francja
  • Sterowanie tolerujące uszkodzenia wykorzystujące modele neuronowe w przestrzeni stanów
    Badania dotyczą zagadnień związanych z kompensacją uszkodzeń w istniejącym układzie regulacji. Na podstawie modelu neuronowego w przestrzeni stanów oraz neuronowego obserwatora stanu wyznacza się korektę sygnału sterującego. Dzięki temu, w przypadku wystąpienia uszkodzeń układ jest w stanie wyznaczyć estymatę funkcji opisującej uszkodzenie i skompensować je, aby zapewnić warunki pracy układu sterowania jak najbliższe założonym.
    Zobacz prezentację na konferencji DPS 2011, Zamość, Polska
  • Sterowanie tolerujące uszkodzenia wykorzystujące modele liniowe o zmiennych parametrach
  • Zastosowanie metod analizy czasowo-częstotliwościowej w klasyfikacji napadów padaczkowych
    Badania dotyczą klasyfikacji napadów padaczkowych na podstawie analizy zarejestrowanych sygnałów EEG. Ekstrakcja cech dokonywana jest na podstawie analizy czasowo-częstotliwościowej realizowanej za pomocą transftomaty Stockwella. Na podstawie reprezentacji czas-częstotliwość generowane są cechy w postaci mocy sygnału, entropii sygnału lub wyznaczania podstawowych statystyk. Tak wyodrebnione cechy są poddawane klasyfikacji za pomocą klasyfikatorów typu SVM czy jednkierunkowych sieci neuromowych. Najbliższe plany obejmują zastosowanie uczenia głębokiego i sieci splotowych do rozwiązania tego problemu.
  • Neuronowe sterowanie iteracyjne z uczeniem
    W ramach badań proponowane są schematy iteracyjnego sterowania z uczeniem realizowane z użyciem sieci neuronowych. W odróżnieniu od dotychczasowych rozwiązań neuronowy regulator ILC umożliwia wyprowadzenie regulatora nieliniowego co jest szczegónie przydatne w przypadku sterowania obiektami nieliniowymi. Do głównych zagadnień związanych z syntezą neuronowych układów ILC należą: (i) opracowanie algorytmu uczenia parametrów regulatora w trybie on-line, (ii) stabilność układu sterowania oraz (iii) zbieżność prawa sterowania z iteracji na iterację.
    Zobacz prezentację na konferencji IFAC 2017, Tuluza, Francja
Najnowsze publikacje
  • A neural network approach to simultaneous state and actuator fault estimation under unknown input decoupling. Witczak P., Patan K., Witczak M., Mrugalski M., Neurocomputing, Vol. 250, pp. 65-75, DOI: 10.1016/j.neucom.2016.10.076, 2017
  • Neural network based model predictive control: Fault tolerance and stability. Patan K., IEEE Transactions on Control System Technology, Vol. 23, No. 3, pp 1147-1155, DOI: 10.1109/TCST.2014.2354981, 2015
  • Application of the state space neural network to the fault tolerant control system of the PLC-controlled laboratory stand. Czajkowski A., Patan K., Szymański M., Engineering Applications of Artificial Intelligence, Vol. 30, pp 168-178, DOI: 10.1016/j.engappai.2014.01.017, 2014
Najczęściej cytowane publikacje
  • Identification of neural dynamic models for fault detection and isolation: the case of a real sugar evaporation process. Patan K., Parisini T., Journal of Process Control, Vol. 15, No. 1, pp. 67-79, DOI: 10.1016/j.jprocont.2004.04.001, 2005
  • Soft computing approaches to fault diagnosis for dynamic systems. Calado J.M.F., Korbicz J., Patan K., Sa da Costa, J. M. G., Patton R. European Journal of Control, Vol. 7, No. 7-8, pp. 248-286, DOI: 10.3166/ejc.7.248-286, 2002
  • Stability analysis and the stabilization of a class of discrete-time dynamic neural networks. Patan K., IEEE Transactions on Neural Networks, Vol. 18, No. 3, pp. 660-673, DOI: 10.1109/TNN.2007.891199 , 2007
Pełna lista publikacji