Guida degli insegnamenti

Syllabus

Partially translatedTradotto parzialmente
[3I114] - MODELLISTICA E IDENTIFICAZIONE DEI PROCESSI DINAMICIMODELING AND IDENTIFICATION OF DYNAMIC PROCESSES
David SCARADOZZI
Lingua di erogazione: ITALIANOLessons taught in: ITALIAN
Laurea - [IT04] INGEGNERIA INFORMATICA E DELL'AUTOMAZIONE First Cycle Degree (3 years) - [IT04] COMPUTER AND AUTOMATION ENGINEERING
Dipartimento: [040040] Dipartimento Ingegneria dell'InformazioneDepartment: [040040] Dipartimento Ingegneria dell'Informazione
Anno di corsoDegree programme year : 3 - Secondo Semestre
Anno offertaAcademic year: 2020-2021
Anno regolamentoAnno regolamento: 2018-2019
Crediti: 9
Ore di lezioneTeaching hours: 72
TipologiaType: C - Affine/Integrativa
Settore disciplinareAcademic discipline: ING-INF/04 - AUTOMATICA

LINGUA INSEGNAMENTO LANGUAGE

Italiano

Italian


PREREQUISITI PREREQUISITES

Una buona conoscenza delle nozioni fondamentali fornite dai corsi di Analisi Matematica e da un corso base di Controlli Automatici. E’ anche utile che sappia usare strumenti di programmazione

The student should have a good knowledge of the notions provided by basic courses in Mathematics and in Automatic
Control. It is also useful to know how to use programming tools


MODALITÀ DI SVOLGIMENTO DEL CORSO DEVELOPMENT OF THE COURSE

72 Ore:
• Lezioni di Teoria, 51 ore
• Esercizi in Laboratoiro, 21 ore

72 Hours:
• Theoretical lessons, 51 Hours
• Practical lessons and exercise, 21 Hours


RISULTATI DI APPRENDIMENTO ATTESI LEARNING OUTCOMES
Conoscenze e comprensione.

L'obiettivo del corso è quello di fornire allo studente
conoscenze di base teoriche e pratiche dei metodi
per sviluppare modelli matematici a partire da dati
sperimentali e le tecniche per l’identificazione e le
metodologie per l’analisi delle proprietà dei modelli.
Lo studente acquisirà le nozioni di base sulla
costruzione di modelli per processi dinamici lineari e
sui metodi di predizione per la stima dei parametri


Capacità di applicare conoscenze e comprensione.

Lo studente sarò in grado di applicare in pratica i
metodi e le tecniche apprese, progettando un
esperimento di raccolta dati, ed elaborandoli fino ad
arrivare all’identificazione di un modello e alla sua
validazione, sviluppando l’operatività necessaria
attraverso l'uso di adeguata strumentazione di
laboratorio e software dedicati.


Competenze trasversali.

Attraverso lo svolgimento di esercitazioni guidate lo
studente sviluppa la propria capacità di apprendere
valutando la completezza e l'adeguatezza della
propria preparazione; l'autonomia di giudizio nelle
attività che richiedono di esercitare un'analisi critica
autonoma di dati e/o situazioni problematiche; le
capacità comunicative nel formulare e descrivere
correttamente le soluzioni trovate ai problemi
considerati


Knowledge and Understanding.

The aim of the course is to provide the student with
basic theoretical knowledge and practical methods
for developing mathematical models from
experimental data, techniques for the identification
and methodologies for the analysis of models
properties. The student will acquire the basics
notions on the construction of models for linear
dynamic processes and on prediction methods for
parameters estimation.


Capacity to apply Knowledge and Understanding.

Students will develop the skills needed to implement
the methods and techniques learned in theory, they
will learn to design a data collection experiment, to
process them up to the identification of a suitable
model and its validation. They will acquire the skills
to work in the laboratory and to use dedicated
software tools.


Transversal Skills.

Through guided exercises the students develop: the
ability to learn by assessing the completeness and
adequacy of their preparation; the independence of
judgment in analysing the behaviour of economic and
production processes and formulate and propose
solutions to problems inherent in the representation
and management of such models; the
communication skills in formulating and properly
describe the solutions to the problems under
consideration.



PROGRAMMA PROGRAM

Lezioni Teoriche.
Introduzione e generalità sul problema della costruzione di modelli per sistemi dinamici a partire da dati sperimentali. Classi di modelli e identificazione parametrica. Problematiche della raccolta dati. Determinazione del miglior modello nella classe. Tecniche di identificazione (minimi quadrati, massima verosimiglianza, tecniche ricorsive). Tecniche di validazione del modello. Proprietà delle rappresentazioni in forma di stato e modelli in forma di stato. Realizzazione. Analisi di proprietà strutturali e legami tra rappresentazioni in forma di stato e rappresentazioni mediante funzione di trasferimento ingresso/uscita. Problematiche di realizzazione e tecniche di costruzione di rappresentazioni in forma di stato. Introduzione e generalità sulle reti neurali. Tecniche di identificazione mediante reti neurali (cenni).

Esercitazioni di Laboratorio.
Uso del System Identification Toolbox di Matlab. Laboratorio con l’uso della scheda NI myDAQ e NI myRIO. Problematiche della raccolta dati. Determinazione del miglior modello nella classe. Tecniche di identificazione (minimi quadrati, massima verosimiglianza, tecniche ricorsive). Tecniche di validazione del modello.

Theoretical Lessons.
Introduction and generalities about model construction and systems identification from experimental data. Models and
parametric identification. Data collection and related problems. Best model and identification techniques (LS, ML,
recursive methods). Model validation. Systems in state-space form. Structural properties and relations between state-space representations and external I/O representations. Realization of transfer function in state space form. Generalities
on Neural Networks. An outline of identification by Neural Networks. Implementation of identification methods by
Laboratory experiences.
Matlab System Identification Toolbox. Lab with NI myDAQ and NI myRIO low-cost portable data acquisition (DAQ)
devices that use NI LabVIEW-based software instruments. Models and
parametric identification. Data collection and related problems. Best model and identification techniques (LS, ML,
recursive methods). Model validation.


MODALITÀ DI SVOLGIMENTO DELL'ESAME DEVELOPMENT OF THE EXAMINATION
Modalità di valutazione dell'apprendimento.

La valutazione dell’apprendimento avverrà per mezzo di una prova scritta, consistente in quattro quesiti di natura teorica, tra quelli svolti a lezione e contenuti nel materiale fornito agli studenti. Ogni studente dovrà inoltre realizzare un progetto su uno degli argomenti trattati a lezione e farne una relazione tecnica. Il progetto può anche essere svolto con un altro studente. In tal caso, la discussione del progetto deve avvenire con la partecipazione di entrambi gli studenti. Nel caso di esito negativo di una prova, lo studente può ripetere soltanto la prova non superata, mantenendo il risultato raggiunto nelle altre prove, purché ciò avvenga nell'ambito dello stesso Anno Accademico.


Criteri di valutazione dell'apprendimento.

Correttezza, organizzazione e completezza nell'illustrazione degli argomenti oggetto delle domande nella prova teorica.
Correttezza e completezza nello svolgimento degli esercizi contenuti nella prova pratica. Per quanto riguarda il progetto, lo studente deve dimostrare di essere in grado di applicare le nozioni apprese nel corso, di saper impiegare correttamente i materiali e le tecnologie idonee e di saper redigere una relazione tecnica.


Criteri di misurazione dell'apprendimento.

La parte di teoria consiste in 4 gruppi di domande sulle varie parti del programma, ogni gruppo contiene una domanda cui è assegnato un punteggio compreso tra 0 e 10 ed una domanda cui è assegnato un punteggio compreso tra 0 e 6. Lo studente deve scegliere una domanda per gruppo, scegliendo complessivamente due domande da 10 punti e due da 6 punti. La prova è considerata “sufficiente” solo se il punteggio è maggiore o uguale a 15. Al progetto viene assegnato un punteggio da 0 a 30. E' sufficiente solo se il punteggio è superiore o uguale a 18.


Criteri di attribuzione del voto finale.

Il voto complessivo è dato dalla media aritmetica, arrotondata per eccesso all'intero, della somma dei punteggi ottenuti nella prova scritta e nel progetto, purché siano entrambe sufficienti. Altrimenti la prova è “ Insufficiente”. Il voto complessivo necessario per superare l'esame è pari a 18 punti. La lode è attribuita allo studente che oltre ad ottenere il punteggio maggiore o uguale a 30 abbia dimostrato nelle risposte completa padronanza dei temi affrontati e chiarezza di esposizione.


Learning Evaluation Methods.

The learning evaluation will consist of a written test consisting consists of four questions of a theoretical nature, on the
topics discussed in class and contained in the materials provided to the students. Each student must also complete a
practical project on one of the topics discussed in class and present a report on this activity. The project can also worked
out with another student. In this case , the discussion of the project must take place with both students. In the case of a
negative result of one of the tests, the student can repeat only that part, provided this is done within the same
academic year.


Learning Evaluation Criteria.

Correctness, completeness and clarity in answering the questions in the theory test. Accuracy and completeness in
solving the exercises. As for the project, the student must prove that he can apply the concepts learned in the course, to
properly use the tools and appropriate technologies and to write a clear technical report.


Learning Measurement Criteria.

The written test consists of 4 groups of questions on the various parts of the program, each group contains a question
which is assigned a score between 0 and 10, and a question which is assigned a score between 0 and 6. The student must
answer a question in each group, choosing two questions for 10 points and two for 6 points. The test is considered
“sufficient” if the score is greater or equal to 15. The practical project is assigned a score from 0 to 30 and is
“sufficient” only if the score is greater or equal to 18.


Final Mark Allocation Criteria.

The overall grade is given by the arithmetic mean, rounded up to the whole, of the sum of the scores obtained in the
written test and in the project if both are sufficient. The overall grade required to pass the exam is 18 points. Otherwise
the overall grade is “Not sufficient” . The student who in addition to getting a score greater than or equal to 30 has
demonstrated complete mastery of the topics addressed, and clarity of exposition will have a “30 e lode”.



TESTI CONSIGLIATI RECOMMENDED READING

Identificazione dei Modelli e Controllo Adattativi, S. Bittanti, Pitagora Editrice Bologna

Lucidi ed altro materiale didattico nel sito https://learn.univpm.it/

Identificazione dei Modelli e Controllo Adattativi, S. Bittanti – Pitagora Editrice Bologna
Slides and exercises can be found on the web site https://learn.univpm.it/


E-LEARNING E-LEARNING

NO

NO


Scheda insegnamento erogato nell’A.A. 2020-2021
Le informazioni contenute nella presente scheda assumono carattere definitivo solo a partire dall'A.A. di effettiva erogazione dell'insegnamento.
Academic year 2020-2021

 


Università Politecnica delle Marche
P.zza Roma 22, 60121 Ancona
Tel (+39) 071.220.1, Fax (+39) 071.220.2324
P.I. 00382520427