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: 2019-2020
Anno regolamentoAnno regolamento: 2018-2019
Crediti: 9
Ore di lezioneTeaching hours: 72
TipologiaType: B - Caratterizzante
Settore disciplinareAcademic discipline: ING-INF/04 - AUTOMATICA
I principali contenuti del corso di Automazione Industriale (Definizione di sistemi ad eventi discreti - Petri nets)
Basic definitions and concepts of Discrete Event Systems - Basic concepts of Petri Nets
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.
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 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).
Nella seconda parte del corso, verranno illustrate le più importanti tecniche ed architetture di controllo avanzato in ambito industriale, evidenziandone le problematiche implementative.
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 course aims to illustrate to students advanced methods of 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, the principal advanced
control techniques and architectures typically
applied in industrial field will be illustrated,
highlighting their implementation problems.
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, it
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, allo studente verranno illustrate le più importanti tecniche ed architetture di controllo avanzato "time driven" in ambito industriale.
Nell’ ambito del corso si imparerà:
Parte prima – Sistemi ad eventi discreti
- La descrizione delle prestazioni e gli indici di prestazione di AMS
- Definizioni generali su Reti di Petri, Reti di Petri e temporizzazione, Reti di Petri con Priorità, stati, condizioni di abilitazione e di scatto delle transizioni, metodi di analisi
- Informazioni di base su i modelli statistici detti processi di Markov (sia a stato discreto che continuo) e le 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.
Parte seconda: controllo "time-driven"
Verranno descritte:
- Architetture di controllo avanzato basate su PID industriali evidenziandone le problematiche implementative. Quando possibile si farà riferimento ad esempi derivanti da realtà industriali.
- Cenni di Controllo Predittivo ed esempi di applicazioni industriali.
Esercitazioni.: 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.
Concepts of production systems and production processes. Automation production systems and their classification. Production equipment. Process and manufacturing productions automation. Principal performance indexes. DCS systems.
Discrete Event System Modelling and Analisys:
- Time in Petri Nets, Petri Nets with priority, PN states, Enabling of transitions;
- Brief notes on Markov Process and on generalyzed Markov processes (GSMP). Continuous time and discrete time Markov Chains
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 tiene conto dei risultati delle prove di verifica/misurazione dell'apprendimento, delle competenze teorico/pratiche acquisite e della capacità di recuperare eventuali lacune emerse dai risultati delle prove di verifica.
Criteri di misurazione dell'apprendimento.
La misura 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 con controllori industriali. Alla eventuale prova scritta sarà assegnato un tempo limite. La misura dell'apprendimento mediante prova orale ha lo scopo di verificare la comprensione degli argomenti trattati nel corso approfondendone le applicazioni pratiche. La misura 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 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 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.
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 timed discrete event stochastic 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.
The evaluation the learning takes into account the results of verification tests / learning measurements and skills acquired and the ability to overcome any deficiency encountered by the results of the tests.
Learning Measurement Criteria.
The measure of learning through written test is intended to assess the modeling skills on stochastic dynamic systems and the knowledge on control techniques with advanced industrial controllers.To perform the written test, if required, a time limit is given. The measure of learning by means of the oral test is designed to test the comprehension of the topics covered in the course deepening practical applications. The measure of learning through the design activity is designed to test the ability of modeling of stochastic timed discrete event systems and the use of the tools of analysis and synthesis of such systems. The written test, if required, and the practical are in preparation for the oral exam. The tests are carried out of thirty.
Final Mark Allocation Criteria.
In order to pass the exam with the minimum score, equal to eighteen, 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 "lode" 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.
-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.
Le informazioni contenute nella presente scheda assumono carattere definitivo solo a partire dall'A.A. di effettiva erogazione dell'insegnamento. Academic year 2019-2020
Università Politecnica delle Marche
P.zza Roma 22, 60121 Ancona
Tel (+39) 071.220.1, Fax (+39) 071.220.2324
P.I. 00382520427