Studiare
In questa sezione è possibile reperire le informazioni riguardanti l'organizzazione pratica del corso, lo svolgimento delle attività didattiche, le opportunità formative e i contatti utili durante tutto il percorso di studi, fino al conseguimento del titolo finale.
Piano Didattico
Il piano didattico è l'elenco degli insegnamenti e delle altre attività formative che devono essere sostenute nel corso della propria carriera universitaria.
Selezionare il piano didattico in base all'anno accademico di iscrizione.
1° Anno
Insegnamenti | Crediti | TAF | SSD |
---|
Compulsory activities for Embedded & Iot Systems
Compulsory activities for Smart Systems & Data Analytics
2° Anno Attivato nell'A.A. 2023/2024
Insegnamenti | Crediti | TAF | SSD |
---|
Compulsory activities for Embedded & Iot Systems
Compulsory activities for Robotics Systems
Compulsory activities for Smart Systems & Data Analytics
Insegnamenti | Crediti | TAF | SSD |
---|
Compulsory activities for Embedded & Iot Systems
Compulsory activities for Smart Systems & Data Analytics
Insegnamenti | Crediti | TAF | SSD |
---|
Compulsory activities for Embedded & Iot Systems
Compulsory activities for Robotics Systems
Compulsory activities for Smart Systems & Data Analytics
Insegnamenti | Crediti | TAF | SSD |
---|
3 modules among the following (Computer vision and Human computer interaction 1st year only; Advanced computer architectures 2nd year only; the other courses both 1st and 2nd year). Year 2023/24: Robot Programming and Control not activated
Legenda | Tipo Attività Formativa (TAF)
TAF (Tipologia Attività Formativa) Tutti gli insegnamenti e le attività sono classificate in diversi tipi di attività formativa, indicati da una lettera.
Process monitoring (2022/2023)
Codice insegnamento
4S009011
Crediti
6
Lingua di erogazione
Inglese
Settore Scientifico Disciplinare (SSD)
ING-INF/05 - SISTEMI DI ELABORAZIONE DELLE INFORMAZIONI
L'insegnamento è organizzato come segue:
Teoria
Laboratorio
Obiettivi di apprendimento
Il corso si propone di fornire allo studente competenze in ambito di: i) analizzare di dati con metodi di statistica univariata, multivariata e ad alta dimensionalità (mega-variata); ii) identificazione di situazioni anomale; iii) analisi di dati eterogenei; iv) analisi di processi dinamici e non stazionari; v) predizione di serie temporali. Al termine del corso lo studente dovrà dimostrare di essere in grado gestire il monitoraggio di un processo industriale. In particolare dovrà dimostrare di saper: i) identificare le potenziali failure mode; ii) progettare un sistema di acquisizione dati sulla linea di produzione; iii) identificare anomalie di funzionamento del processo; iv) ottimizzare i parametri di processo secondo degli obiettivi predefiniti (rejection rate, time reduction, etc.); v) analizzare le cause di failures inattese (root cause analysis); vi) gestire la manutenzione dell'impianto con tecniche predittive.
Prerequisiti e nozioni di base
Lo studente dovrebbe avere conoscenze di base in analisi matematica, fisica, algebra lineare, probabilità e statistica.
Programma
Misure e sensori:
- Fondamenti di metrologia industriale: terminologia, sistema internazionale delle unità di misura, modellazione di sistemi di misura, errori, calibrazione statica e dinamica
- Misure di spostamento e deformazione: potenziometri resistivi, linear variable differential transformers, eddy current transducers, fotodiodi a triangolazione, encoders, estensimetri
- Misure di vibrazione: vibrometri e accelerometri
- Misure di flusso: tubo di pitot, anemometro a filo caldo, flussimetro a caduta di pressione, drag force e ad ultrasuoni
- Misure di temperatura: termometri bimetallici, termocoppie, resistori, termistori, bolometri and termocamere
Data analysis:
- Monitoring charts: Shewhart, cumulative sum, moving average, exponentially weighted moving average, Western Electric rules
- Univariate monitoring schemes: hypothesis testing, generalized likelihood ratio, Kullback-Leibler divergence, Hellinger distance, ordinary least square, ridge regression, principal component analysis and regression
- Multivariate monitoring schemes: multivariate monitoring charts, dynamic latent variable regression
- Unsupervised data analysis: hierarchical clustering, mean shift, k-Nearest neighbours, k-means, one-class SVM, support vector data description
- Fault isolation techniques
Bibliografia
Modalità didattiche
Lezioni frontali, esercitazioni, esperienze di laboratorio.
Modalità di verifica dell'apprendimento
L’esame prevede la discussione con il docente di un progetto che propone una soluzione ad un problema industriale.
Lo studente dovrà presentare il proprio lavoro in circa 15 minuti (con o senza l'uso di materiale di supporto come slides, relazione scritta, demo, ecc.), seguiti da domande da parte del docente.
Criteri di valutazione
Per la composizione del voto si terrà conto di:
- performance del sistema sviluppato (con metriche diverse da problema a problema);
- motivazione teorica che ha spinto lo studente ad effettuare le scelte progettuali;
- capacità di esporre in modo chiaro e conciso i punti chiave del progetto;
- capacità di sostenere una discussione sulle possibili soluzioni alternative e potenziali cause di fallimento della soluzione elaborata.
Lo studente dovrà altresì dimostrare padronanza di tutti gli argomenti in programma (anche quelli non affrontati nel corso del progetto).
Criteri di composizione del voto finale
Il voto sarà basato sulla discussione di un progetto individuale che verterà sui temi presentati durante le lezioni.
Lingua dell'esame
English