Guida degli insegnamenti
Syllabus
Partially translatedTradotto parzialmente
Laura SCREPANTI
Lingua di erogazione: ITALIANOLessons taught in: ITALIAN
Laurea - [IT09] INGEGNERIA GESTIONALE First Cycle Degree (3 years) - [IT09] MANAGEMENT ENGINEERING
Dipartimento: [040004] Dipartimento Ingegneria Industriale e Scienze MatematicheDepartment: [040004] Dipartimento Ingegneria Industriale e Scienze Matematiche
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: C - Affine/Integrativa
Settore disciplinareAcademic discipline: ING-INF/04 - AUTOMATICA
Italiano
Italian
Per una completa comprensione degli argomenti trattati sono necessarie le conoscenze fornite dai corsi di Analisi Matematica e da un corso base di Controlli Automatici. E' anche utile la conoscenza di strumenti di programmazione.
Students should have a solid understanding of the concepts covered in basic Mathematics and Automatic Control courses. Familiarity with programming tools is also recommended.
72 Ore:
- Lezioni di Teoria, 51 ore
- Esercitazioni pratiche, 21 ore
72 Hours:
• Theoretical lessons, 51 Hours
• Practical lessons and exercises, 21 Hours
Il corso si propone di fornire le competenze necessarie per affrontare, utilizzando sia tecniche classiche sia alcune tecniche più avanzate, problemi di analisi e sintesi dei sistemi di controllo industriale implementati con tecnologie digitali.
Capacità di applicare conoscenze e comprensione.
La conoscenza degli argomenti del corso dovrà consentire a studentesse e studenti di acquisire la capacità di sintetizzare un sistema di controllo attraverso la semplice implementazione di un algoritmo, di analizzare le specifiche dinamiche desiderate per il sistema di controllo, e, sulla base di queste ultime, di scegliere l'approccio più adeguato per il progetto del controllore.
Competenze trasversali.
Lo studio approfondito della teoria e la soluzione di problemi di controllo di tipo generale forniranno la capacità di affrontare nello stesso contesto metodologico problemi d’interesse applicativo che non si limitano esclusivamente a un solo contesto tecnologico. Le competenze acquisite potranno essere usate infatti anche nella gestione e programmazione della produzione industriale, nell’ ambito dell’ingegneria ambientale e di quella biomedica.
Knowledge and Understanding.
The purpose of the course is to provide the students with basic and advanced techniques for the analysis and synthesis of digital control systems.
Capacity to apply Knowledge and Understanding.
The student will be able to analyse the technical specifications for the control systems, to choose the most appropriate approach to the synthesis problem, to realize the controller through the implementation of an algorithm.
Transversal Skills.
The general approach adopted for the analysis and synthesis of the control systems will provide the student with the ability of facing different
applications within the same methodological framework. In this way, the acquired competence can be also applied to problems relative to fields like e.g. industrial production management, environment and biomedical engineering.
LEZIONI TEORICHE
- Richiami di teoria dei sistemi fatti al primo anno (Modelli in spazio di stato, Proprietà strutturali, Modi Naturali, Decomposizione alla Kalman, Funzione di trasferimento)
- Modellistica e identificazione non parametrica (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)
- 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 PRATICHE
Uso del System Identification Toolbox di Matlab. 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.
Generalities on Neural Networks. An outline of identification by Neural Networks. Implementation of identification methods by
LABORATORY EXPERIENCES
Using Matlab System Identification Toolbox. 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 tramite una prova orale composta da due quesiti di natura teorica scelti tra quelli trattati a lezione e presenti nel materiale fornito. È possibile realizzare un progetto su argomenti affrontati a lezione, corredato da una relazione tecnica, individualmente o a gruppi; in caso di progetto di gruppo, la discussione del progetto deve avvenire con la partecipazione di tutte le persone coinvolte ed entro la prima sessione di esami. Il progetto sarà valutato per approfondire la comprensione della preparazione individuale.
Per gli di studenti e le studentesse con disabilità/invalidità o disturbo specifico di apprendimento (DSA), che abbiano fatto 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 (https://www.univpm.it/Entra/Servizi_agli_studenti/Disabilita_e_DSA_Servizio_di_accoglienza ).
Criteri di valutazione dell'apprendimento.
Correttezza, organizzazione e completezza nell’illustrazione degli argomenti oggetto delle domande nella prova teorica.
Correttezza e completezza nello svolgimento di eventuali elaborati pratici proposti durante il corso.
Per quanto riguarda il progetto, sarà valutata la capacità di applicare le nozioni apprese nel corso, di utilizzare correttamente i materiali e le tecnologie adeguate e di redigere una relazione tecnica accurata.
Criteri di misurazione dell'apprendimento.
La parte teorica consiste in due gruppi di domande relative alle diverse parti del programma, ciascun gruppo include una domanda a cui viene assegnato un punteggio compreso tra 0 e 30. La prova è considerata “sufficiente” se il punteggio è maggiore o uguale a 18. Al progetto facoltativo viene attribuito un punteggio da 0 a 30, considerato sufficiente se pari o superiore a 18.
Criteri di attribuzione del voto finale.
Il voto finale è calcolato come media aritmetica, arrotondata per eccesso all'intero, dei punteggi ottenuti nelle eventuali prove teoriche e pratiche. Per superare l’esame è necessario ottenere un voto complessivo pari ad almeno 18 punti. La lode viene assegnata a chi, oltre ad aver ottenuto un punteggio maggiore o uguale a 30, abbia dimostrato completa padronanza degli argomenti trattati e chiarezza nell’esposizione.
Learning Evaluation Methods.
The assessment of learning will occur through an oral exam consisting of two theoretical questions selected from those presented in class and included in the provided materials. Participants may also complete a project on topics covered in class, accompanied by a technical report. The project can be developed collaboratively with another person. In such cases, the project discussion must involve all contributors and take place within the first exam session. The project will be evaluated to provide deeper insights into individual preparation.
For students with disabilities or specific learning disorders (SLD) who have duly requested support for the specific examination at the University’s Disability/SLD Info Point, the exam procedures will be adapted in accordance with the University’s guidelines (https://www.univpm.it/Entra/Servizi_agli_studenti/Disabilita_e_DSA_Servizio_di_accoglienza).
Learning Evaluation Criteria.
Correctness, organization, and completeness in presenting the topics addressed in the oral exam questions.
Accuracy and thoroughness in completing any practical assignments proposed during the course.
For the project, participants must demonstrate the ability to apply the concepts learned during the course, effectively use appropriate materials and technologies, and prepare a detailed technical report.
Learning Measurement Criteria.
The theoretical component consists of two groups of questions covering different parts of the program, with each group including one question scored between 0 and 30. The test is deemed "sufficient" if the score is 18 or higher. The optional project is also scored on a scale of 0 to 30 and is considered sufficient with a score of 18 or above.
Final Mark Allocation Criteria.
The final grade is calculated as the arithmetic average, rounded up to the nearest whole number, of the scores achieved in any theoretical and practical assessments. A minimum overall grade of 18 points is required to pass the exam. Honors are awarded to those who, in addition to achieving a score of 30 or higher, demonstrate complete mastery of the topics and clarity in their responses.
https://learn.univpm.it/
https://learn.univpm.it/
SI
YES
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