Questo progetto propone un approccio di controllo ibrido progettato per superare le esitazioni dell'industria verso i controllori puramente AI, garantendo margini di stabilità. Un controllore PID standard rimarrà nel loop per garantire la stabilità di base, mentre una Rete Neurale o un agente RL verranno utilizzati per regolare dinamicamente i guadagni K_p, K_i e K_d in tempo reale in base al carico utile o al punto di lavoro. L'obiettivo della ricerca è valutare se il tuning dinamico tramite AI riduca significativamente il tempo di assestamento e la sovraelongazione rispetto al tradizionale gain-scheduling statico.
Argomenti principali: Reti Neurali, Tuning PID Adattivo, Sistemi di Controllo Ibridi, Attuatori Lineari
Requisiti di base:
Studente di Laurea Magistrale in Ingegneria dell'Automazione, Meccatronica o Ingegneria dei Controlli.
Solida comprensione della teoria del controllo tradizionale (PID) e delle reti neurali artificiali.
Sede: Napoli
___________
This project proposes a hybrid control approach designed to overcome industry hesitation toward pure AI controllers by ensuring guaranteed stability margins. A standard PID controller will remain in the loop to maintain baseline stability, while a Neural Network or an RL agent will be used to dynamically adjust the K_p, K_i, and K_d gains in real-time based on the payload or operating point. The research focus is to evaluate whether dynamic AI tuning significantly reduces settling time and overshoot compared to standard static gain-scheduling.
Main topics: Neural Networks, Adaptive PID Tuning, Hybrid Control Systems, Linear Actuators
Basic requirements:
MSc student in Automation Engineering, Mechatronics, or Control Engineering.
Solid understanding of traditional control theory (PID) and artificial neural networks.
Location: Naples
