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: 2024-2025
Anno regolamentoAnno regolamento: 2023-2024
Crediti: 9
Ore di lezioneTeaching hours: 72
TipologiaType: B - Caratterizzante
Settore disciplinareAcademic discipline: ING-INF/04 - AUTOMATICA
ITALIANO
Italian
Parte A: conoscenza di base di fondamenti di automatica, controlli automatici e controllo digitale.
Parte B: conoscenze di base di sistemi ad eventi discreti e Reti di Petri (principali contenuti del corso di Automazione Industriale)
Part A: basic knowledge of fundamentals of automation, automatic controls and digital control.
Part B: basic knowledge of discrete event systems and Petri Nets (main contents of the Industrial Automation course)
Il corso è organizzato in lezioni teoriche, esercitazioni in aula. Inoltre, quando possibile è prevista una visita aziendale ad integrazione delle lezioni teoriche sui sistemi di produzione industriale automatizzati e industrie di processo. L'insegnamento è attivo sulla piattaforma Moodle di Ateneo.
Lezioni di Teoria, 50 ore
Esercizi, 22 ore
The course is organized into theoretical lectures, classroom exercises. In addition, when possible, a visit to a manufacturing company is planned to supplement the theoretical lectures on automated industrial production systems and process industries.
The teaching is active on the University's Moodle platform.
Theory lectures, 50 hours
Exercises, 22 hours
L’insegnamento ha la finalità di illustrare agli studenti tecniche avanzate di modellazione e controllo. 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 corso lo 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). Durante il corso verranno anche 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.
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 sotto attività 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.
This course aims to introduce students to advanced modeling and control techniques. To this end, both modeling and analysis aspects of discrete-event systems and advanced (“time-driven”) control problems will be analyzed. During the course the student will learn several stochastic timed discrete event modeling and analysis techniques such as Markov chains, Stochastic Petri Nets (SPNs) and Generalized SPNs (GSPNs). Some important “time-driven” advanced control techniques in industrial fields will also be illustrated during the course, highlighting their implementation issues. In particular, the Predictive control methodology (multivariable control) will be illustrated and the main advanced control architectures based on industrial PIDs will be described. When possible, reference will be made to examples derived from industrial realities.
Capacity to apply Knowledge and Understanding.
The theoretical skills learned will be applied to real cases. The student will use stochastic timed discrete event models in order to predict/evaluate their performance under real operating conditions.
The student is required to justify the modeling choices made, and to propose appropriate performance evaluation criteria for the system examined. In the application of advanced control techniques, the student is required to recognize and solve major implementation problems.
Transversal Skills.
Taking part in working groups for the modeling and analysis of i real cases, will help to improve a number of professionalizing skills, such as: 1. the ability to critically and proactively evaluate the results; 2. communication skills 3. the ability to organize a work in sub-activities and coordination of individual activities, working in teams with other elements involved in solving the problem. The student will also acquire the ability to produce technical reports.
Lo studente/la studentessa che avrà seguito con successo il corso avrà appreso le più importanti tecniche ed architetture di controllo avanzato "time driven" in ambito industriale. In particolare, si approfondirà la tecnica di controllo predittivo (MPC: Model Predictive Control). Tale tecnica, in cui l’azione di controllo viene calcolata ottimizzando su un orizzonte finito l’indice di prestazione desiderato, è particolarmente indicata per il controllo di sistemi vincolati con molti ingressi e molte uscite (MIMO).
Inoltre, come altro aspetto importante di un reale sistema di automazione, lo studente/la studentessa apprenderà le tecniche di modellazione ed analisi dei sistemi di produzione, intesi come complessi sistemi ad eventi discreti, al fine di prevederne/ valutarne le prestazioni in condizioni operative reali. I modelli che imparerà a sviluppare ed analizzare sono catene di Markov, Reti di Petri Stocastiche (SPN) e SPN Generalizzate (GSPN).
Nell’ambito del corso si imparerà:
Parte A – Controllo avanzato ("time-driven") e ottimizzazione
Lezioni di teoria.
Architetture di controllo avanzato basate su PID industriali; problematiche implementative con esempi derivanti da realtà industriali. – Controllo Predittivo (MPC:Model Predictive Control): principali formulazioni e proprietà. Esempi di applicazioni in ambito industriale e non industriale
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.
Agli studenti/studentesse, organizzati in gruppi di lavoro, sarà richiesto di applicare le tecniche di controllo apprese nel corso utilizzando l’MPC toolbox di Matlab.
Parte B– Sistemi ad eventi discreti
Lezioni di teoria.
- Descrizione dei principali indici di prestazione di un sistema di produzione
- Definizioni generali riguardo Reti di Petri, Reti di Petri e temporizzazione, Reti di Petri con Priorità, classificazione stati (vanishing /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 -GSPN. 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 modellazione e valutazione/previsione delle prestazioni di un sistema.
- SW di analisi e simulazione nell’ambito degli argomenti precedenti.
Agli studenti/studentesse, organizzati/e 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 Embedded Markov Chain, Calcolo matrici associate al modello.
The student who has successfully taken the course will have learned the most important techniques and architectures of advanced “time-driven” control in industry. In particular, the course will cover in depth the Model Predictive Control (MPC) technique. This technique, in which the control action is calculated by optimizing over a finite horizon the desired performance index, is particularly suitable for the control of constrained systems with many inputs and many outputs (MIMO).
In addition, as another important aspect of a real automation system, the student will learn the modeling and analysis techniques of manufacturing systems, understood as complex discrete event systems, in order to predict/evaluate their performance under real operating conditions. The models he/she will learn to develop and analyze are Markov chains, Stochastic Petri Nets (SPNs) and Generalized SPNs (GSPNs).
During the course students will learn:
Part A - Advanced (“time-driven”) control and optimization
Theoretical lectures.
Advanced control architectures based on industrial PIDs; implementation issues with examples from industrial realities. – Model Predictive Control (MPC): main formulations and properties. Examples of applications in industrial and non-industrial settings.
In-class exercises.
During the in-class exercises, computer simulation tools will be used to design controllers with the algorithms described in the course and test their performance.
Students, organized into working groups, will be required to apply the control techniques learned in the course using the MPC toolbox in Matlab.
Part B- Discrete event systems.
Theory lectures.
- Description of the main performance indices of a manufacturing system.
- General definitions regarding Petri nets, Petri nets and timing, Priority Petri nets, state classification (vanishing/tangible), enabling and triggering conditions of transitions, analysis methods.
- Basic information on statistical models called Markov processes (both discrete and continuous state); characteristics of Generalized Markov Processes-GSPN. In particular, continuous-time and discrete-time Markov Chains will be analyzed.
- The characteristics of SPNs and GSPNs and their connection with Markov Chains. Results related to their use for modeling and performance evaluation/prediction of a system.
- SW analysis and simulation in the context of the previous topics.
Students, organized into working groups, will be required to propose examples of real systems to further refine their modeling skills of discrete event timed systems. These examples will be discussed in the classroom with the lecturer.
In class exercises:
Modeling with continuous and discrete Markov chains. Computation Reward functions. Moldering using SPNs and GSPNs. Calculation Embedded Markov Chain, Calculation matrices associated with the model.
La valutazione avviene tramite una prova orale volta a valutare le competenze teoriche ed una prova pratica. La prova pratica riguarda la risoluzione di tecniche di controllo avanzato anche tramite l’ausilio dell’ MPC toolbox del Matlab. Inoltre sarà valutata la capacità 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/le studentesse che non abbiano dimostrato nella prova pratica sufficienti competenze e scarsa precisione nella relazione dovranno sostenere una prova scritta. 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.
La valutazione dell'apprendimento mediante prova orale ha lo scopo di verificare la comprensione degli argomenti trattati nel corso valutando le competenze acquisite sulle tecniche di controllo avanzato multivariabile in presenza di vincoli e le competenze teoriche di modellazione di sistemi ad eventi discreti dinamici di tipo stocastico. La valutazione dell'apprendimento mediante l'attività di progettazione ha lo scopo di verificare la capacità applicazione delle tecniche di controllo predittivo, 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 controllo e modellazione fatte, proporre appropriati criteri di valutazione delle prestazioni del sistema esaminato.
Alla eventuale prova scritta sarà assegnato un tempo limite. 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/la studentessa 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 della prova orale e nell'attività di progettazione 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 nell'attività di progettazione e dimostrino di essere in grado di applicare autonomamente conoscenze e competenze acquisite.
Learning Evaluation Methods.
The assessment of the students'/students' learning level is done through an oral test aimed at evaluating theoretical skills and a practical test. The practical test concerns solving advanced control techniques also using the MPC toolbox of Matlab. In addition, the ability to model and analyze the performance of a discrete event system using stochastic timed models will be required. A written report is required to document the practical test. Students/students who have not demonstrated sufficient skills in the practical test and lack of clarity and accuracy in the report will be required to take a written test. 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.
Assessment of learning by oral test is intended to verify understanding of the topics covered in the course by evaluating the skills acquired on advanced multivariable control techniques in the presence of constraints and theoretical modeling skills of stochastic discrete event dynamic systems. Assessment of learning through the design activity is intended to test the ability to apply the techniques of predictive control, modeling of stochastic timed discrete event systems, and the use of tools for analysis and synthesis of such systems. Students should be able to justify any control and modeling choices made, propose appropriate performance evaluation criteria for the system examined.
A time limit will be assigned to the written test, if any. The test is graded 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 the oral testan in-depth knowledge of the content of the course and good autonomy in setting and solving the 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 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. ISBN: 0471930598.
Per approfondimenti si consigliano i seguenti testi :
- GianAntonio Magnani, Tecnologie dei sistemi di controllo, McGraw-Hill, ISBN: 883867275X.
- Aströng K., Hägglund (1995), PID Controllers: Theory, Design, and Tuning, 2nd Edition, ISBN 1-55617-516-7
- Maciejowski J.M. , Multivariable Feedback Design, Editore: Addison- Wesley, Anno edizione: 1989. ISBN: 9780201398236.
- Magni L., Scattolini R. (2014) Advanced and Multivariable Control. Piatgora Editrice, Bologna. ISBN 10: 8837119054
-Bolzern, P., Scattolini, R., Schiavoni, N. (2015). Fondamenti di controlli automatici. McGraw-Hill Education. ISBN: 978-88-386-6882-1
- Carlucci D., Menga G. “Teoria dei Sistemi ad eventi discreti” .UTET, Torino (1998),Collana UTET università. ISBN: 9788877504548
- Cassandras,C.G., Lafortune S. Introduction to Discrete Event Systems (Cap 8), Kluwer Academic Pub., 2008. ISBN: 978-1-4419-4119-0
Lecture notes (downloadable from the Moodle site of the course)
https://learn.univpm.it
- Ajmone Marsan M. et alii: “Modelling with Generalised Stochastic Petri Nets” John Wiley, 1994. ISBN: 0471930598.
For further readings the following texts are recommended:
- GianAntonio Magnani, Tecnologie dei sistemi di controllo, McGraw-Hill, ISBN: 883867275X.
- Aströng K., Hägglund (1995), PID Controllers: Theory, Design, and Tuning, 2nd Edition, ISBN 1-55617-516-7
- Maciejowski J.M. , Multivariable Feedback Design, Editore: Addison- Wesley, Anno edizione: 1989. ISBN: 9780201398236.
- Magni L., Scattolini R. (2014) Advanced and Multivariable Control. Piatgora Editrice, Bologna. ISBN 10: 8837119054
-Bolzern, P., Scattolini, R., Schiavoni, N. (2015). Fondamenti di controlli automatici. McGraw-Hill Education. ISBN: 978-88-386-6882-1
- Carlucci D., Menga G. “Teoria dei Sistemi ad eventi discreti” .UTET, Torino (1998),Collana UTET università. ISBN: 9788877504548
- Cassandras,C.G., Lafortune S. Introduction to Discrete Event Systems (Cap 8), Kluwer Academic Pub., 2008. ISBN: 978-1-4419-4119-0
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