Guida degli insegnamenti
Syllabus
Partially translatedTradotto parzialmente
Silvia Maria ZANOLI
Lingua di erogazione: ITALIANOLessons taught in: ITALIAN
Laurea Magistrale - [IM12] INGEGNERIA INFORMATICA E DELL'AUTOMAZIONE Master Degree (2 years) - [IM12] COMPUTER AND AUTOMATION ENGINEERING
Dipartimento: [040040] Dipartimento Ingegneria dell'InformazioneDepartment: [040040] Dipartimento Ingegneria dell'Informazione
Anno di corsoDegree programme year : 2 - Primo Semestre
Anno offertaAcademic year: 2020-2021
Anno regolamentoAnno regolamento: 2019-2020
Crediti: 9
Ore di lezioneTeaching hours: 72
TipologiaType: B - Caratterizzante
Settore disciplinareAcademic discipline: ING-INF/04 - AUTOMATICA
Italiano
Italian
Parte I: conoscenze di base di sistemi ad eventi discreti e Reti di Petri (principali contenuti del corso di Automazione Industriale)
Parte II: conoscenza di base di teoria dei sistemi: descrizione in spazio di stato e ingresso uscita di sistemi dinamici. Metodi di controllo digitale basati su discretizzazione.
Part I: Basic definitions and concepts of Discrete Event Systems - Basic concepts of Petri Nets.
Part II: Basics of System Theory: state space and input-output description of dynamic systems
Digital control methods based on discretization and direct synthesis approaches for discrete time systems
Il corso è organizzato in lezioni teoriche, esercitazioni in aula. Inoltre, quando possibile è prevista una visita ad una azienda manifatturiera ad integrazione delle lezioni teoriche sui sistemi di produzione industriale automatizzati.
Lezioni di Teoria, 50 ore
Esercizi, 22 ore
The course is organized in theoretical lessons and classroom exercises. When possible, a visit to a manufacturing company is planned to integrate theoretical lessons on automated industrial production systems.
L’insegnamento ha la finalità di illustrare agli studenti tecniche avanzate di modellazione e controllo di Sistemi di Produzione Automatizzati. A tal fine si analizzeranno sia gli aspetti di modellazione ed analisi di sistemi ad eventi discreti sia problemi di controllo (“time driven”) avanzato. Durante il corsolo studente imparerà diverse tecniche di modellazione ed analisi ad eventi discreti temporizzati stocastici quali catene di Markov, Reti di Petri Stocastiche (SPN) e SPN Generalizzate (GSPN).
Nella seconda parte del corso, verranno illustrate alcune importanti tecniche di controllo avanzato “time-driven” in ambito industriale, evidenziandone le problematiche implementative. In particolare si illustrerà la metodologia di controllo Predittivo (controllo multivariabile) e si descriveranno le principali architetture di controllo avanzato basate su PID industriali. Quando possibile si farà riferimento ad esempi derivanti da realtà industriali.
Capacità di applicare conoscenze e comprensione.
Le competenze teoriche apprese verranno applicate a casi reali. Lo studente utilizzerà modelli ad eventi discreti temporizzati stocastici al fine di prevederne/ valutarne le prestazioni in condizioni operative reali, e perciò incerte. Allo studente è richiesto di giustificare le scelte di modellazione fatte, e di proporre appropriati criteri di valutazione delle prestazioni del sistema esaminato. Nell'applicazione di tecniche di controllo avanzato si richiede di saper riconoscere e risolvere le principali problematiche implementative.
Competenze trasversali.
La partecipazione a gruppi di lavoro per la
modellizzazione e analisi di i casi reali, contribuirà a
migliorare una serie di abilità professionalizzanti,
quali: 1. la capacità di valutare in maniera critica e
propositiva i risultati; 2. la capacità comunicativa 3. la
capacità di organizzare un lavoro in sottoattività
e di coordinamento delle singole attività, lavorando in
team con altri elementi coinvolti alla
risoluzione del problema. Lo studente acquisirà
inoltre la capacità di produrre report tecnici.
Knowledge and Understanding.
The aim of the course is to illustrate advanced techniques for modeling and control of automated production systems. Discrete event systems modeling and advanced time-driven control issues will be studied. During the course, the student will learn stochastic discrete events modeling and analysis techniques such as Markov chains, Stochastic Petri Nets (SPN) and Generalized SPN (GSPN). In the second part of the course, some "time-driven" advanced control techniques will be illustrated, which result particularly relevant for industrial applications.. In particular, Predictive control techniques (multivariable control) will be illustrated. In addition, advanced control architectures based on industrial PIDs will be described, highlighting their implementation problems. Whenever possible, reference will be made to examples deriving from industrial applications.
Capacity to apply Knowledge and Understanding.
The theoretical competences learned will be applied to real cases Students will use stochastic discrete events models in order to predict / evaluate system performances under real (uncertain) operating conditions. The student is asked to justify the modeling choices made, and to propose appropriate criteria for evaluating the performance of the system examined. In the application of advanced control techniques, the student is required to be able to recognize and solve the main implementation problems.
Transversal Skills.
Participation in working groups for the modeling and
analysis of real cases will contribute to refining
professional skills, such as: 1. the ability to evaluate
results in a critical and proactive way; 2.
communication skills; 3. the ability to organize work
in sub-activities and coordination of individual
activities, working in teams with other elements
involved in solving the problem. Finally, the student
will improve his/he skill on writing of technical reports.
Lo studente che avrà seguito con successo il corso avrà appreso a modellare e analizzare un Sistema di Produzione Automatizzato, inteso come un complesso sistema ad eventi discreti, al fine di prevederne/ valutarne le prestazioni in condizioni operative reali, e perciò incerte. I modelli che imparerà a sviluppare ed analizzare sono catene di Markov, Reti di Petri Stocastiche (SPN) e SPN Generalizzate (GSPN). Inoltre, come altro aspetto importante di un reale sistema di automazione, lo studente apprenderà le più importanti tecniche ed architetture di controllo avanzato "time driven" in ambito industriale.
Nell’ambito del corso si imparerà:
Lezioni di teoria.
Parte prima – Sistemi ad eventi discreti
- Descrizione dei principali indici di prestazione di un sistema di produzione
- Definizioni generali su Reti di Petri, Reti di Petri e temporizzazione, Reti di Petri con Priorità, stati vanishing e stati tangible, condizioni di abilitazione e di scatto delle transizioni, metodi di analisi
- Informazioni di base sui modelli statistici detti processi di Markov (sia a stato discreto che continuo); caratteristiche dei Processi di Markov generalizzati -GSMP. In particolare si analizzeranno Catene di Markov a tempo continuo e a tempo discreto.
- Le caratteristiche delle SPN e GSPN e il loro legame con le Catene di Markov. Risultati relativi al loro impiego per la valutazione/previsione delle prestazioni dei sistemi in studio.
- L’ impiego di SW di analisi e simulazione dei modelli in studio, nell’ambito degli argomenti precedenti.
Agli studenti, organizzati in gruppi di lavoro, sarà richiesto di proporre esempi di sistemi reali per affinare le loro capacità di modellazione di sistemi ad eventi discreti temporizzati. Tali esempi saranno discussi in aula insieme al docente.
Esercizi:
Modellazione con catene di Markov continue e discrete. Calcolo Reward functions. Moldellazione tramite SPN e GSPn. Calcolo Enebedded Marcov Chain, Calcolo matrici associate al modello.
Parte seconda – Controllo "time-driven"
Lezioni di teoria.
- Architetture di controllo avanzato basate su PID industriali evidenziandone le problematiche implementative. Quando possibile si farà riferimento ad esempi derivanti da realtà industriali.
- Controllo Predittivo (MPC:Model Predictive Control): principali formulazioni ed esempi di applicazioni industriali. Proprietà di stabilizzazione del MPC.
Esercizi:
Durante le esercitazioni si farà uso di strumenti di simulazione al computer per progettare i controllori con gli algoritmi descritti nel corso e testarne le prestazioni.
The student who has successfully attend the course will learn to model and analyze an Automated Production System, intended as a complex discrete events system (DES). The student will be able to predict / evaluate DES performance in real operating conditions, and therefore uncertain. The models she/he will learn to develop and analyze are Markov chains, Stochastic Petri Nets (SPN) and Generalized SPN (GSPN). Furthermore, as another important aspect of a real automation system, the student will learn the most important "time driven" advanced control techniques and architectures in the industrial sector.
Within the course the student will learn:
Theory lessons.
Part one - Discrete event systems
- Description of the main performance indices of a production system.
- General definitions of Petri nets, Petri nets and timing, Petri nets with Priority, vanishing states and tangible states, enabling and firing conditions of transitions.
- Basic information on statistical models called Markov processes (both discrete and continuous state); characteristics of generalized Markov processes -GSMP. In particular, Markov chains both in continuous and in discrete time will be studied.
- The characteristics of the SPN and GSPN and their link with Markov Chains. Results related to their use for evaluating / predicting the performance of selected case studies.
- The use of SW for the analysis and simulation of GSPN models.
Students, organized in working groups, will be asked to propose examples from real production systems to improve their modeling skills of timed discrete-event systems. These examples will be discussed in the classroom together with the teacher.
Exercises:
Modeling with continuous and discrete Markov chains. Reward functions calculation. Modeling via SPN and GSPn. Embedded Markov Chain calculation, Matrix computation.
Part two - Time-driven control
- Advanced control architectures based on industrial PIDs and related implementation problems. Whenever possible, reference will be made to examples deriving from industrial realities.
- Predictive Control (MPC: Model Predictive Control): main formulations and examples of industrial applications. Stabilizing properties of MPC.
Exercises:
Computer simulation tools will be used to design the controllers with the algorithms described in the course and test their performance.
La valutazione del livello di apprendimento degli studenti avviene tramite due prove volte a valutare le competenze teoriche (una prova scritta ed una prova orale) ed una prova pratica di modellazione ed analisi delle prestazioni di un sistema ad eventi discreti mediante modelli temporizzati stocastici. A documentazione della prova pratica è richiesta la stesura di una relazione scritta. Gli studenti che nella prova pratica abbiano dimostrato sufficienti competenze e chiarezza e precisione nella relazione sono esonerati dalla prova scritta.
La prova scritta e quella pratica sono propedeutiche alla prova orale. Nel caso di esito negativo per la prova orale, lo studente deve ripetere anche la prova scritta.
Criteri di valutazione dell'apprendimento.
La valutazione dell'apprendimento mediante prova scritta ha lo scopo di verificare le competenze teoriche di modellazione di sistemi dinamici di tipo stocastico e delle tecniche di controllo avanzato. Alla eventuale prova scritta sarà assegnato un tempo limite. La valutazione dell'apprendimento mediante prova orale ha lo scopo di verificare la comprensione degli argomenti trattati nel corso approfondendone le applicazioni pratiche. La valutazione dell'apprendimento mediante l'attività di progettazione ha lo scopo di verificare la capacità di modellazione di sistemi ad eventi discreti temporizzati stocastici e l'utilizzo degli strumenti di analisi e di sintesi di tali sistemi. Gli studenti dovranno saper giustificare eventuali scelte di modellazione fatte, proporre appropriati criteri di valutazione delle prestazioni del sistema esaminato. La prova scritta, se richiesta, e quella pratica sono propedeutiche alla prova orale. Le prove sono valutate in trentesimi.
Criteri di misurazione dell'apprendimento.
Viene attribuito un voto in trentesimi, con eventuale lode. Il voto minimo per il superamento dell’esame è 18/30.
Criteri di attribuzione del voto finale.
Al fine del superamento dell'esame con votazione minima, pari a diciotto, lo studente deve possedere una sufficiente conoscenza di tutti gli argomenti del corso. Ulteriore punteggio sarà attribuito dimostrando una conoscenza approfondita dei contenuti del corso nell'ambito delle prova scritta, nella nell'attività di progettazione e di quella orale e buona autonomia nell'impostare e risolvere i problemi proposti. La lode è riservata agli studenti che, avendo svolto tutte le prove in modo corretto e completo, abbiano dimostrato una particolare brillantezza nella esposizione orale e nella redazione degli elaborati scritti e nell'attività di progettazione e dimostrino di essere in grado di applicare autonomamente conoscenze e competenze acquisite.
Learning Evaluation Methods.
The assessment of students' level of learning is performed by means of two tests to evaluate the theoretical skills (written and oral test) and a practical test of modeling and analysis of the performance of a system by means of stochastic timed discrete event models. A written report of the practice test is required. Students that in the practical test have demonstrated sufficient expertise and clarity and precision in the report are exempted from the written test.
The written and practical test are preparatory to the oral test. In the event of a negative outcome for the oral exam, the student must repeat the written test.
Learning Evaluation Criteria.
Learning evaluation by written test has the purpose of verifying the theoretical skills of modeling stochastic dynamic systems and advanced control techniques. The written test will be assigned a time limit. The learning evaluation by oral test has the purpose of verifying the understanding of the topics covered in the course by deepening their practical applications. Learning evaluation through the design activity is aimed at verifying the modeling capacity of stochastic timed discrete event systems and the use of the analysis and synthesis tools of these systems. Students must be able to justify any modeling choices made, propose appropriate criteria for evaluating the performance of the system examined. The written test, when required, and the practical one are preparatory to the oral test. The tests are evaluated in thirtieths.
Learning Measurement Criteria.
The evaluation of the exams is expressed in thirtieths, which means in a scale from 1 up to 30 (the
best score), with the possibility of distinction/honor “cum laude”. The exam is passed with a
minimum grade of 18 out of 30.
Final Mark Allocation Criteria.
In order to pass the exam with the minimum score, equal to 18, the student must have sufficient knowledge of all the topics of the course. Additional points will be awarded by demonstrating in-depth knowledge of the content of the course in the written and oral tests together with good autonomy in setting and solving proposed problems. The distinction/honor “cum laude” is given to students who, having done all the tests correctly and completely, have demonstrated a particular brilliance in the oral and in the preparation of written assignments and in the design activity.
- Dispense del corso a cura del docente (scaricabili dal sito moodle del corso)
https://learn.univpm.it
- Ajmone Marsan M. et alii: “Modelling with Generalised Stochastic Petri Nets” John Wiley, 1994
Per approfondimenti si consigliano i seguenti testi :
- Carlucci D., Menga G. “Teoria dei Sistemi ad eventi discreti” .UTET, Torino (1998),Collana UTET università
- Cassandras,C.G., Lafortune S. Introduction to Discrete Event Systema (Cap 8), Kluwer Academic Pub., 2008.
- GianAntonio Magnani, Tecnologie dei sistemi di controllo, McGraw-Hill.
- Maciejowski J.M. , Multivariable Feedback Design, Editore: Addison-Wesley, Anno edizione: 1989
-Lecture notes (scaricabili dal sito moodle del corso)
https://learn.univpm.it/
- Ajmone Marsan M. et alii: “Modelling with Generalised Stochastic Petri Nets” John Wiley, 1994
For further readings the following texts are recommended:
- Carlucci D., Menga G. “Teoria dei Sistemi ad eventi discreti” .UTET, Torino (1998),Collana UTET università
- Cassandras,C.G., Lafortune S. Introduction to Discrete Event Systema (Cap 8), Kluwer Academic Pub., 2008.
- GianAntonio Magnani, Tecnologie dei sistemi di controllo, McGraw-Hill.
- Maciejowski J.M., Multivariable Feedback Design, Editore: Addison-Wesley, Anno edizione: 1989
no
no
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