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: 2021-2022
Anno regolamentoAnno regolamento: 2019-2020
Crediti: 9
Ore di lezioneTeaching hours: 72
Settore disciplinareAcademic discipline: ING-INF/04 - AUTOMATICA
Italiano
Italian
Per una completa comprensione degli argomenti trattati è necessario che lo studente abbia acquisito 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.
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
- Esercitazioni pratiche, 21 ore
72 Hours:
• Theoretical lessons, 51 Hours
• Practical lessons and exercises, 21 Hours
Il corso intende fornire agli studenti gli elementi per affrontare, sia con tecniche classiche, sia con talune tecniche più avanzate, problemi di analisi e sintesi dei sistemi di controllo industriale realizzati con tecniche digitali.
Capacità di applicare conoscenze e comprensione.
La conoscenza di questi elementi dovrà fornire allo studente la capacità di sintetizzare un sistema di controllo tramite la semplice implementazione di un algoritmo. Lo studente sarà inoltre in grado di esaminare le specifiche dinamiche desiderate per il sistema di controllo e saprà, conformemente scegliere l’approccio più adeguato per il progetto del controllore.
Competenze trasversali.
L’ attento studio 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 non esclusivamente riferentesi a un contesto tecnologico. Le competenze acquisite potranno essere usate 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 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.
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 questions of a theoretical nature, 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 discussion of the project must take place with the participation of all students and within the first exam session. The project will be evaluated to understand the student's preparation better.
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 s/he can apply the concepts learned during the course, s/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.
https://learn.univpm.it/
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 2021-2022
Università Politecnica delle Marche
P.zza Roma 22, 60121 Ancona
Tel (+39) 071.220.1, Fax (+39) 071.220.2324
P.I. 00382520427