dr hab. inż. Radoslaw Nalepa

Back
Adres e-mail radoslaw.nalepa@pwr.edu.pl
Dyscypliny naukowe

Automation, electronics, electrical engineering and space technologies

Strona domowa
Profile naukowe

DONA

Tematyki badawcze

Cyfrowe bliźniaki czasu rzeczywistego dla układów energoelektronicznych.

Poszukiwani są kandydaci do realizacji doktoratu w obszarze modelowania, diagnostyki i sterowania układów energoelektronicznych z wykorzystaniem danych czasowych, rekonstrukcji geometrii ukrytej dynamiki oraz lekkich, interpretowalnych modeli cyfrowych bliźniaków.

Program koncentruje się na budowie modeli, które nie są jedynie dużymi sieciami neuronowymi, lecz mają kontrolowaną strukturę, niski koszt obliczeniowy i potencjał pracy w czasie rzeczywistym. Główna idea polega na odtwarzaniu ukrytego stanu dynamicznego przekształtnika na podstawie przebiegów prądów, napięć, temperatur oraz sygnałów sterujących, a następnie wykorzystaniu tej informacji w modelowaniu, diagnostyce, sterowaniu i ocenie bezpieczeństwa.

Możliwe kierunki doktoratu obejmują: objaśnialne emulatory dyskretne dla cyfrowych bliźniaków, diagnostykę degradacji komponentów, adaptacyjne sterowanie predykcyjne oraz stabilność i bezpieczeństwo cyfrowych bliźniaków pracujących w pętli sterowania.

Tematy są przeznaczone dla osób zainteresowanych energoelektroniką, teorią sterowania, modelowaniem dynamicznym, analizą sygnałów, uczeniem maszynowym, analizą szeregów czasowych, diagnostyką, HIL, DSP, FPGA lub systemami wbudowanymi. Nie jest wymagana znajomość wszystkich tych obszarów. Ważniejsze są systematyczność, ciekawość naukowa i gotowość do pracy na styku energoelektroniki, dynamiki nieliniowej, danych czasowych i AI.

Słowa kluczowe

ukryte atraktory dynamiczne

dane czasowe

cyfrowe bliźniaki czasu rzeczywistego

układy energoelektroniczne

rekonstrukcja geometrii ukrytej dynamiki

rekonstrukcja przestrzeni fazowej

AI dla energoelektroniki

modele interpretowalne

modele objaśnialne

lekkie modele uczone z danych

emulatory AI

NARX–NN

informacja wzajemna

False Nearest Neighbours

diagnostyka

prognostyka

sterowanie predykcyjne

stabilność

bezpieczeństwo

systemy czasu rzeczywistego

Email address radoslaw.nalepa@pwr.edu.pl
Scientific disciplines

Automation, electronics, electrical engineering and space technologies

Personal website
Research profiles

DONA

Research topics

Real-Time Digital Twins for Power Electronic Systems.

PhD candidates are invited to join a research programme focused on modelling, diagnostics, and control of power electronic systems using time-series data, geometry reconstruction of hidden dynamics, and lightweight, interpretable digital-twin models.

The programme focuses on developing models that are not simply large neural networks, but structured, computationally efficient models with potential for real-time operation. The central idea is to reconstruct the hidden dynamic state of a converter from current, voltage, thermal, and control-signal waveforms, and then use this information for modelling, diagnostics, control, and safety assessment.

Possible PhD directions include explainable discrete emulators for digital twins, component degradation diagnostics, adaptive predictive control, and stability and safety of digital twins operating inside control loops.

The topics are suitable for candidates interested in power electronics, control theory, dynamic modelling, signal analysis, machine learning, time-series analysis, diagnostics, HIL, DSP, FPGA, or embedded systems. Candidates are not expected to know all of these areas. More important are systematic work, scientific curiosity, and motivation to work at the intersection of power electronics, nonlinear dynamics, time-series data, and AI.

Keywords

prognostics

real-time digital twins

predictive control

power electronic converters

power electronic systems

NARX–NN

geometry reconstruction of hidden dynamics

phase-space reconstruction

Mutual Information

hidden dynamic attractors

time-series data

False Nearest Neighbours

AI for power electronics

interpretable models

explainable models

stability

lightweight data-driven models

AI emulators

diagnostics

safety