ADAPTIVE LEARNING, ESTIMATION AND SUPERVISION OF DYNAMICAL SYSTEMS | Università degli studi di Bergamo - Didattica e Rubrica

ADAPTIVE LEARNING, ESTIMATION AND SUPERVISION OF DYNAMICAL SYSTEMS

Attività formativa monodisciplinare
Codice dell'attività formativa: 
38095

Scheda dell'insegnamento

Per studenti immatricolati al 1° anno a.a.: 
2021/2022
Insegnamento (nome in italiano): 
ADAPTIVE LEARNING, ESTIMATION AND SUPERVISION OF DYNAMICAL SYSTEMS
Insegnamento (nome in inglese): 
ADAPTIVE LEARNING, ESTIMATION AND SUPERVISION OF DYNAMICAL SYSTEMS
Tipo di attività formativa: 
Attività formativa Affine/Integrativa
Tipo di insegnamento: 
Opzionale
Settore disciplinare: 
AUTOMATICA (ING-INF/04)
Anno di corso: 
2
Anno accademico di offerta: 
2022/2023
Crediti: 
6
Responsabile della didattica: 
Mutuazioni

Altre informazioni sull'insegnamento

Modalità di erogazione: 
Didattica Convenzionale
Ciclo: 
Primo Semestre
Obbligo di frequenza: 
No
Ore di attività frontale: 
48
Ore di studio individuale: 
90
Ambito: 
Attività formative affini o integrative
Prerequisiti

Concetti di identificazione dei sistemi dinamici

Analisi dei sistemi dinamici a tempo continuo e discreto. Schemi a blocchi e retroazione. Risposta in frequenza. Teorema del campionamento. Trasformata di Fourier.

Matrici, autovalori e autovettori, spazi vettoriali.

Derivate, integrali, gradienti, limiti, punti stazionari di una funzione matematica.

Variabili casuali, distribuzioni di probabilità, momenti di una distribuzione di probabilità.

Obiettivi formativi

Il corso di Adaptive Learning, Estimation and Supervision of dynamical systems (ALES) è la naturale continuazione del corso di Identificazione dei Modelli e Analisi dei Dati (IMAD), con l'ulteriore argomento della diagnosi dei guasti, al giorno d'oggi parte fondamentale per implementare i concetti di manutenzione predittiva in ottica industria 4.0.

Al termine del corso lo studente sarà in grado di:
• Utilizzare e implementare metodi di stima ricorsivi e adattativi, senza e con vincoli sulle variabili di stima
• Stimare modelli di sistemi dinamici in forma di spazio degli stati, con input multipli e output multipli
• Stimare modelli di sistemi dinamici in condizioni di anello chiuso
• Definire e risolvere i problemi di diagnosi dei guasti industriali, identificandone le componenti principali e prevedendo una possibile soluzione utilizzando un approccio basato sul modello del sistema

Contenuti dell'insegnamento

PARTE 1: STIMA RICORSIVA E ADATTIVA
Metodo dei minimi quadrati ricorsivi (RLS). Fattore di oblio. Receding Horizon Estimation (RHE).

PARTE 2: STIMA A SOTTOSPAZI
Stima di un modello dinamico in spazio di stato. Metodi N4SID e MOESP, con estensione a sistemi MIMO.

PARTE 3: IDENTIFICAZIONE DI MODELLI IN ANELLO CHIUSO
Identificazione PEM per sistemi in anello chiuso. Confronto con identificazione in anello aperto.

PARTE 4: SUPERVISIONE E DIAGNOSI
Diagnosi dei guasti basata sul modello. Guasti additivi e moltiplicativi. Modellazione di un sistema dinamico con guasti. Approccio parity space. Approccio tramite osservatore. Approccio basato su RLS.

Metodi didattici

Il percorso didattico proposto allo studente è il seguente:

1) Seguire la lezione frontale esposta con il supporto di diapositive. Esse sono tutte disponibili prima dell’inizio del corso ed è utile che lo studente visioni le diapositive di una lezione prima di seguire la lezione.

2) Studiare gli argomenti della lezione con l’ausilio del libro di testo, delle diapositive e degli appunti personali.

3) Implementare gli algoritmi visti a lezione, in modo autonomo, in MATLAB. La valutazione degli esercizi di implementazione fornisce dei punti per superare l'esame.

4) Verso la fine delle lezioni lo studente è in grado di svolgere un tema d’esame, proposto con la sua soluzione.

Viene data molta importanza alla partecipazione attiva alle lezioni da parte degli studenti, che viene stimolata mediante un dialogo continuo. Gli studenti possono trovare il docente in ogni momento (meglio previo appuntamento) recandosi presso l'ufficio del docente (Ufficio 303 Edificio C).

Modalità verifica profitto e valutazione

L'esame è composto da due parti:

1) Esame scritto da 1 ora con 3 domande di teoria a risposta aperta. Ogni domanda vale da 5 a 8 punti. L'esame scritto vale al massimo 15 punti. Sono necessari almeno 10 punti per superare l'esame scritto e accedere alla valutazione del progetto.

2) Valutazione di un progetto con discussione orale. Il progetto consiste nell'implementare in MATLAB un algoritmo dalla letteratura scientifica. Il progetto vale fino a 15 punti.

Gli esercizi per casa, svolti tramite MS Teams, concorrono fino a un massimo di +3 punti sul voto finale.

Altre informazioni

All'indirizzo https://cal.unibg.it è possibile trovare tutte le informazioni sul corso.

I materiali per seguire le lezioni e per la preparazione personale sono messi a disposizione sul Gruppo Teams e sul sito del corso.

In caso di disposizioni dell’autorità competenti in materia di contenimento e gestione dell’emergenza epidemiologica, l'insegnamento potrebbe subire modifiche rispetto a quanto dichiarato nel syllabus per rendere il corso e gli esami in linea con quanto disposto.

Prerequisites

Concepts of identification of dynamic systems

Continuous and discrete time dynamic systems analysis. Block diagrams and feedback. Frequency response. Sampling theorem. Fourier transform.

Matrices, eigenvalues ​​and eigenvectors, vector spaces.

Derivatives, integrals, gradients, limits, stationary points of a mathematical function.

Random variables, probability distributions, moments of a probability distribution.

Educational goals

The Adaptive Learning, Estimation and Supervision of dynamical systems (ALES) course is the natural continuation of the Model Identification and Data Analysis (MIDA) course, with the further topic of fault diagnosis, nowadays a fundamental part to implement predictive maintenance concepts from an industry 4.0 perspective.

At the end of the course, the student will be able to:
• Employ and implement recursive and adaptive estimation methods, without and with constraints on the estimation variables
• Estimate models of dynamical systems in state-space form and with multiple-inputs and multiple-outputs
• Estimate models of dynamical systems under closed-loop conditions
• Define and solve industrial fault diagnosis problems, identifying its main components and envisage a possible solution using a model-based approach

Course content

PART 1: RECURSIVE AND ADAPTIVE ESTIMATION
Recursive least squares method (RLS). Oblivion factor. Receding Horizon Estimation (RHE).

PART 2: SUBSPACE IDENTIFICATION
Estimation of a dynamic model in state space. N4SID and MOESP methods, with extension to MIMO systems.

PART 3: CLOSED LOOP IDENTIFICATION
PEM identification for closed loop systems. Comparison with open-loop identification.

PART 4: SUPERVISION AND DIAGNOSIS
Model-based fault diagnosis. Additive and multiplicative faults. Modeling of a dynamical system with faults. Parity space approach. Observer approach. RLS-based approach.

Teaching methods

The educational path proposed to the student is as follows:

1) Follow the lecture presented with the slides. They are all available before the start of the course and it is useful for the student to view the slides of a lesson before following the lesson.

2) Study the topics of the lesson with the help of the textbook, slides and personal notes.

3) Implement the algorithms seen in class, independently, in MATLAB. The assessment of the implementation exercises provides points for passing the exam.

4) Towards the end of the lessons the student is able to carry out an exam example, proposed with its solution.

Much importance is given to students' active participation in lessons, which is stimulated through continuous dialogue. Students can find the teacher at any time (preferably by appointment) by going to the teacher's office (Office 303 Building C).

Assessment and Evaluation

The exam consists of two parts:

1) 1 hour written exam with 3 open-ended theory questions. Each question is worth 5 to 8 points. The written exam is worth a maximum of 15 points. At least 10 points are required to pass the written exam and access the project evaluation.

2) Evaluation of a project with oral discussion. The project consists in implementing an algorithm from the scientific literature in MATLAB. The project is worth up to 15 points.

The exercises at home, carried out through MS Teams, contribute up to a maximum of +3 points on the final grade.

Further information

At the address https://cal.unibg.it you can find all the information on the course.

The materials for following the lessons and for personal preparation are made available on the Teams Group and on the course website.

In case of public authority actions for the containment of epidemiological emergencies, the teaching modality could undergo changes compared to what is stated in the syllabus, to make the course and exams in line with the sanitary limitations.