Guida degli insegnamenti
Syllabus
Partially translatedTradotto parzialmente
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: 2024-2025
Anno regolamentoAnno regolamento: 2022-2023
Crediti: 9
Ore di lezioneTeaching hours: 72
TipologiaType: B - Caratterizzante
Settore disciplinareAcademic discipline: ING-INF/04 - AUTOMATICA
Italiano
Italian
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.
72 Ore:
• Lezioni di Teoria, 51 ore
• Esercizi in Laboratoiro, 21 ore
L'insegnamento è attivo sulla piattaforma Moodle di Ateneo
72 Hours:
• Theoretical lessons, 51 Hours
• Practical lessons and exercise, 21 Hours
The teaching is active on the University's Moodle platform
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.
LEZIONI TEORICHE.
Richiami di teoria dei sistemi
- Modelli in spazio di stato
- Proprietà strutturali
- Modi Naturali
- Decomposizione alla Kalman
- Funzione di trasferimento
Modellistica e identificazione non parametrica.
- Proprietà delle rappresentazioni in forma di stato e modelli in forma di stato.
- 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.
Classi di modelli e identificazione parametrica.
- Introduzione e generalità sul problema della costruzione di modelli per sistemi dinamici a partire da dati sperimentali
- Problematiche della raccolta dati.
- Determinazione del miglior modello nella classe.
- Tecniche di identificazione (minimi quadrati, massima verosimiglianza, tecniche ricorsive).
- Tecniche di validazione del modello.
Modellazione mediante reti neurali (facoltativo)
- 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 di schede a microcontrollore. 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.
Using Matlab System Identification Toolbox. Laboratory with the use of microcontroller boards. Data collection problems. Determination of the best model in the class. Identification techniques (least squares, maximum likelihood, recursive techniques). Model validation techniques.
La valutazione dell’apprendimento avverrà per mezzo di una prova orale, consistente in due quesiti di natura teorica, tra quelli svolti a lezione e contenuti nel materiale fornito agli studenti. Ogni studente potrà inoltre realizzare un progetto su 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 tutti gli studenti ed entro la prima sessione di esami. Lo svolgimento del progetto sarà valutato al fine di comprendere meglio la preparazione dello studente.
Per gli studenti e le studentesse con disabilità/invalidità o disturbo specifico di apprendimento (DSA), che abbiano presentato debita richiesta di supporto per affrontare lo specifico esame di profitto all’Info Point Disabilità/DSA dell’Ateneo, le modalità di esame saranno adattate alla luce di quanto previsto dalle linee guida di Ateneo.
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 eventuali elaborati pratici suggeriti durante il corso. 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 due gruppi di domande sulle varie parti del programma, ogni gruppo contiene una domanda cui è assegnato un punteggio compreso tra 0 e 30. La prova è considerata “sufficiente” solo se il punteggio è maggiore o uguale a 18. Al progetto facoltativo viene assegnato un punteggio da 0 a 30; è 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 nelle eventuali consegne teoriche e pratiche. 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 assessment of learning will occur through an oral test consisting of two theoretical questions, among those presented in class and contained in the material provided to students. Each student will also create a project on topics covered in class and make a technical report. The project can also be prepared with another student. In this case, the project's discussion must occur with the participation of all students and within the first exam session. The project will be evaluated to understand the student's preparation better.
For students with disabilities/invalidities or specific learning disorders (DSA), who have submitted a request for support to take the specific exam at the Disability/DSA Info Point of the University, the exam methods will be adapted in light of what is recommended by the University guidelines.
Learning Evaluation Criteria.
Correctness, organization, and completeness in illustrating the topics covered by the questions in the oral exam.
Correctness and completeness in carrying out any practical papers suggested during the course. Regarding the project, the student must demonstrate that he can apply the concepts learned in the course. He can correctly use the appropriate materials and technologies and draw up a technical report.
Learning Measurement Criteria.
The theory part consists of two groups of questions on the various parts of the program, each group contains a question that will have a score between 0 and 30. The test is considered "sufficient" only if the score is greater than or equal to 18. The optional project will have a score from 0 to 30; it is sufficient only if the score is greater than or equal to 18.
Final Mark Allocation Criteria.
The overall grade is given by the arithmetic average, rounded up to the integer, of the sum of the scores obtained in any theoretical and practical performances. The overall grade required to pass the exam is 18 points. Honours are given to the student who, in addition to obtaining a score greater than or equal to 30, has demonstrated complete mastery of the topics addressed and clarity of presentation in the answers.
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/
Le informazioni contenute nella presente scheda assumono carattere definitivo solo a partire dall'A.A. di effettiva erogazione dell'insegnamento. Academic year 2024-2025
Università Politecnica delle Marche
P.zza Roma 22, 60121 Ancona
Tel (+39) 071.220.1, Fax (+39) 071.220.2324
P.I. 00382520427