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: 2023-2024
Anno regolamentoAnno regolamento: 2022-2023
Crediti: 9
Ore di lezioneTeaching hours: 72
TipologiaType: B - Caratterizzante
Settore disciplinareAcademic discipline: ING-INF/04 - AUTOMATICA
Italiano
Italian
Parte I: conoscenze di base di sistemi ad eventi discreti e Reti di Petri (principali contenuti del corso di Automazione Industriale)
Parte II: conoscenza di base di fondamenti di automatica, controlli automatici e controllo digitale.
Part I: Basic definitions and concepts of Discrete Event Systems - Basic concepts of Petri Nets.
Part II: Basics of Fundamentals of Automatic Control, Control Systems Engineering and Digital Control.
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 e industrie di processo.
Lezioni di Teoria, 50 ore
Esercizi, 22 ore
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 and process industries.
L’insegnamento ha la finalità di illustrare agli studenti tecniche avanzate di modellazione e controllo di Sistemi di Produzione. 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 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 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 aim of the course is to illustrate advanced techniques for 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, some "time-driven" advanced control techniques will be illustrated, which result particularly relevant for industrial applications.. In particular, Predictive control techniques (multivariable control) will be illustrated. In addition, advanced control architectures based on industrial PIDs will be described, highlighting their implementation problems. Whenever possible, reference will be made to examples deriving from industrial applications.
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, the student 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 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).
Inoltre, come altro aspetto importante di un reale sistema di automazione, lo studente apprenderà 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).
Nell’ambito del corso si imparerà:
Parte prima – 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, 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.
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.
Parte seconda – Controllo "time-driven"
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.
The student who has successfully attend the course will learn to model and analyze an Automated Production System, intended as a complex discrete events system (DES). The student will be able to predict / evaluate DES performance in real operating conditions, and therefore uncertain. The models she/he will learn to develop and analyze are Markov chains, Stochastic Petri Nets (SPN) and Generalized SPN (GSPN). Furthermore, as another important aspect of a real automation system, the student will learn the most important "time driven" advanced control techniques and architectures in the industrial sector.
Within the course the student will learn:
Theory lessons.
Part one - Discrete event systems
- Description of the main performance indices of a production system.
- General definitions of Petri nets, Petri nets and timing, Petri nets with Priority, vanishing states and tangible states, enabling and firing conditions of transitions.
- Basic information on statistical models called Markov processes (both discrete and continuous state); characteristics of generalized Markov processes -GSMP. In particular, Markov chains both in continuous and in discrete time will be studied.
- The characteristics of the SPN and GSPN and their link with Markov Chains. Results related to their use for evaluating / predicting the performance of selected case studies.
- The use of SW for the analysis and simulation of GSPN models.
Students, organized in working groups, will be asked to propose examples from real production systems to improve their modeling skills of timed discrete-event systems. These examples will be discussed in the classroom together with the teacher.
Exercises:
Modeling with continuous and discrete Markov chains. Reward functions calculation. Modeling via SPN and GSPn. Embedded Markov Chain calculation, Matrix computation.
La valutazione del livello di apprendimento degli studenti avviene tramite una prova orale volta a valutare le competenze teoriche ed una prova pratica. La prova pratica riguarda la modellazione ed analisi delle prestazioni di un sistema ad eventi discreti mediante modelli temporizzati stocastici e l’implementazione di tecniche di controllo avanzato. A documentazione della prova pratica è richiesta la stesura di una relazione scritta. Gli studenti che nella prova pratica non abbiano dimostrato sufficienti competenze e chiarezza e precisione nella relazione dovranno sostenere una prova scritta.
Criteri di valutazione dell'apprendimento.
La valutazione dell'apprendimento mediante prova orale ha lo scopo di verificare le competenze teoriche di modellazione di sistemi dinamici di tipo stocastico e delle tecniche di controllo avanzato. La valutazione dell'apprendimento mediante prova orale ha lo scopo di verificare la comprensione degli argomenti trattati nel corso approfondendone le applicazioni pratiche. La valutazione 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. Inoltre verrà verificata la capacità di implementazione di tecniche di controllo avanzato. 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 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 students' level of learning is performed by means of an oral test to evaluate the theoretical skills and a practical test. The practical test concerns the modeling and analysis of the performance of a system by means of stochastic timed discrete event models and the implementation of advanced process control techniques. A written report of the practice test is required. Students that in the practical test have not demonstrated sufficient expertise and clarity and precision in the report must perform a written test.
Learning Evaluation Criteria.
Learning evaluation by oral test has the purpose of verifying the theoretical skills of modeling stochastic dynamic systems and advanced control techniques. The learning evaluation by oral test has the purpose of verifying the understanding of the topics covered in the course by deepening their practical applications. Learning evaluation through the design activity is aimed at verifying the modeling capacity of stochastic timed discrete event systems and the use of the analysis and synthesis tools of these systems. Students must be able to justify any modeling choices made, propose appropriate criteria for evaluating the performance of the system examined. In addition, the capabilities to implement advanced process control techniques are verified. The written test, if present, will be assigned a time limit. The tests are evaluated 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-depth knowledge of the content of the course in the oral test together with good autonomy in setting and solving 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 :
- 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 Systema (Cap 8), Kluwer Academic Pub., 2008. ISBN: 978-1-4419-4119-0
- GianAntonio Magnani, Tecnologie dei sistemi di controllo, McGraw-Hill, ISBN: 883867275X.
- Maciejowski J.M. , Multivariable Feedback Design, Editore: Addison-Wesley, Anno edizione: 1989. ISBN: 9780201398236.
-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.ISBN: 0471930598.
For further readings the following texts are recommended:
- 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 Systema (Cap 8), Kluwer Academic Pub., 2008. ISBN: 978-1-4419-4119-0
- GianAntonio Magnani, Tecnologie dei sistemi di controllo, McGraw-Hill, ISBN: 883867275X.
- Maciejowski J.M. , Multivariable Feedback Design, Editore: Addison-Wesley, Anno edizione: 1989. ISBN: 9780201398236.
no
no
Le informazioni contenute nella presente scheda assumono carattere definitivo solo a partire dall'A.A. di effettiva erogazione dell'insegnamento. Academic year 2023-2024
Università Politecnica delle Marche
P.zza Roma 22, 60121 Ancona
Tel (+39) 071.220.1, Fax (+39) 071.220.2324
P.I. 00382520427