90761 - ELEMENTI DI AUTOMAZIONE INDUSTRIALE LM

Conoscenze e abilità da conseguire

Il corso si propone di fornire le basi concettuali, metodologiche e pratiche che permettono di analizzare e progettare sistemi automatici di controllo di impianti e processi industriali. Il corso prevede quindi l’approfondimento delle tecniche di modellazione, analisi e controllo dei sistemi dinamici ad eventi discreti, indispensabili per lo studio di problemi di automazione industriale. Inoltre, verranno analizzati alcuni significativi casi di processi e impianti industriali. Vengono infine illustrate le più avanzate tecniche, caratterizzanti Industry 4.0, di Condition Monitoring e Predictive Maintenance basate su machine learning e reti neurali, nonché le tecniche a tempo discreto di controllo digitale per il (auto)tuning dei regolatori Industriali DiGITAL PID

Contenuti

INTRODUZIONE ALL'AUTOMAZIONE INDUSTRIALE

• Dalla rivoluzione industriale ad Industry 4.0
• Classificazione di impianti, processi e sistemi di controllo
  
• Tipologie e componenti principali delle linee di produzione
• Supervisione, controllo, monitoraggio
• Impianti di produzione e loro problematiche di automazione
• Computer Integrated Manufactoring (CIM)
• Modello piramidale di un sistema CIM: Campo, Macchina, Cella, Stabilimento, Azienda
• Controllo di campo, controllo di procedure, controllo di coordinamento.
  

 

MACHINE LEARNING INDUSTRIAL AUTOMATION

 

MACHINE LEARNING per la DIAGNOSI DI GUASTI e la MANUTENZIONE PREDITTIVA degli Impianti e Macchinari Industriali

• Fondamenti di Machine Learning: principali algoritmi come Support Vector Machine, Random Forest, Naive Bayes e loro applicazione al learning di tipo Bagging, Boosting and Blended .
• Applicazione del Machine Learning all’Automazione Industriale
• Condition Monitoring (CM) e Manutenzione predittiva (MP) Inell’ambito della Smart Factory
• Sensorizzazione per ottenere Big Data degli impianti per il CM la MP: misurazione in tempo reale dati meccanici, elettronici, elettrici, dati su usura, surriscaldamento e consumi
• Applicazione ai Big Data di algoritmi di Machine Learning per il CM e la MP
• Fault Detection and Isolation, Remaining Useful Life (RUL) prediction
• Fault tolerant Control: mitigazione degli affetti dei guasti
• Illustrazione del pacchetto di Predictive Maintenance di Matlab/SImulink: programmazione, esempi e utilizzo sinergico del Toolbox di Machine Learning di Matlab
• Applicazione di tecniche di Machine Learning alla diagnosi di guasti nei cuscinetti a sfera mediante l'uso di accelerometri (dati reali): analisi del vibrazioni, spectrum e Envelope Spectrum delle vibrazioni, incremento del rapporto segnale/rumore mediante Kurtogramma, Support Vector Machine based classification of the fault (inner and/or outer race fault). Programmazione in Matlab/Simulink
• Applicazione di Tecniche di Machine Learning alla diagnosi di Guasti ed alla predizione del tempo di vita utile rimanente di una Pompa Idraulica mediante misure di pressione (dati da digital twin). Programmazione in Matlab/Simulink

 

NEURAL NETWORK INTELLIGENT CONTROL

Neuro Adaptive Control

• Fondamenti sulle reti Neurali: Radial Basis Function Neural Networks
• Fondamenti di Feedback Error Learning Control
• Fondamenti Sliding Mode Control

 Applicazioni di Machine Vision ai Sistemi Industriali

• “Machine Vision” e “Imaging Transformations”
• “Multi Cameras-Based Visual Servoing for Industrial Robots”
• “Distributed Filtering for Sensorless Control”

 

AUTOMAZIONE INDUSTRIALE DI CATENE DI MONTAGGIO

Modellizzazione di sistemi dinamici ad eventi discreti mediante Reti di Petri

• Sistemi dinamici ad eventi discreti: definizioni e proprietà
  
  
• Modellizzazione con reti di Petri di sistemi ad eventi discreti: posti, transizioni, relazione di flusso tra posti e transizioni, grafo di Petri, funzione di marcatura
  
  
• Evoluzione delle Reti di Petri Dinamiche: abilitazione e firing delle transizioni, matrice di incidenza, vettore delle occorrenze, analisi di raggiungibilità, analisi grafica delle reti di petri
  
  
• Simulatori di Reti di Petri: software WoPeD e PIPE 2.0
  
  
• Modellistica con Reti di Petri di sistemi di produzione industriale: approccio fisico ed approccio funzionale
  
  

• Esempi di Modelli, Simulazione e Controllo di processi produttivi:

1. Modello del sistema produttore/consumatore
2. Modello del sistema client/server con buffer delle richieste a capacità unitaria o con capacità illimitata
3. Modello di un processo di produzione con 3 magazzini, tre robot, un nastro trasportatore, due macchine utensili
4. Implementazione e simulazione in WoPeD e PIPE 2.0 dei sistemi di cui ai punti 1,2,3
   
   

Analisi e Controllo di Reti di Petri ed Applicazione al Controllo dei Processi Industriali

• Analisi processi industriali descritti con reti di Petri: Vivezza, limitatezza, reversibilità, Albero e grafo di raggiungibilità e di copertura, Tecniche di riduzione, P-Invarianti, T-Invarianti, Sifoni, Trappole, Deadlock.
  
  
• Controllo e supervisione di un processo industriale mediante Reti di Petri: controllo mediante invarianti
  

• Pianificatore di Azioni basato su Reti di Petri
  
  
• Esempi di Controllo mediante Reti di Petri.

         sistema di movimentazione con veicoli autoguidati

• Cenni alla traduzione di Reti di Petri in codice

 

 

 

 

Testi/Bibliografia

• Dispense del Docente

• C. Bonivento, L. Gentili, A. Paoli, Sistemi di automazione industriale, Editore: McGraw-Hill, Anno edizione: 2011, ISBN: 88-386-6693-3

• P. Chiacchio, F. Basile, Tecnologie informatiche per l'automazione, Editore: McGraw-Hill, Anno edizione: 2004, ISBN: 88-386-6147-2
  

• Luca Ferrarini, Automazione Industriale: Controllo Logico con Reti di Petri, Editore: Pitagora Editrice, Anno edizione: 2001, ISBN: 88-371-1296-3

• Luca Ferrarini, Luigi Piroddi, Esercizi di Controllo Logico con Reti di Petri, Editore: Pitagora Editrice, Anno edizione: 2002, ISBN: 88-371-1340-4

• Pedro Larrañaga et al, Industrial Applications of Machine Learning. Editore: Chapman & Hall/CRC Data Mining and Knowledge Series

Metodi didattici

Lezioni in presenza. Software Matlab/Simulink. Software CAM.

Modalità di verifica e valutazione dell'apprendimento

Colloquio orale con lo studente. Eventuale tesina facoltativa su argomento concordato con lo studente.

Il colloquio orale può avvenire anche on-line su piattaforma TEAMS o ZOOM

Strumenti a supporto della didattica

Computer in aula e laboratorio didattico

Visite didattiche in industrie locali del settore.

Orario di ricevimento

Consulta il sito web di Paolo Castaldi