Sistemi di Supervisione Adattativi - Supervision and Adaptive Systems
Codice Classroom del Corso: 4bwlq5n
Supervision and Adaptive Systems. Modulo di 64 ore (8 CFU) al I anno della Laurea
Magistrale in Ingegneria Informatica e dell'Automazione e Laurea Magistrale in Meccanica. Dipartimento di Ingegneria dell'Università di Ferrara
Course Programme
Introduction: Course Introduction
Issues in Model-Based Fault Diagnosis
Fault Detection and Isolation (FDI) Methods Based on Analytical Redundancy
Model-based Fault Detection Methods
Issues in Model-Based Fault Diagnosis
Model Uncertainty and Fault Detection
The Robustness Problem in Fault Detection
System Identification for Robust FDI
Fault Identification Methods
Modelling of Faulty Systems
Residual Generation Techniques
The Residual Generation Problem
Fault Diagnosis Technique Integration
Neural Networks in Fault Diagnosis
Residual Robustness to Disturbances
Application Examples
Downloads: Lecture Notes
-
Part 1. Introduction to Fault Diagnosis, Residual Generation and Evaluation, Robustness Problems and Related Issues:
PDF file single page.
-
Part 2. Recursive Least Squares with Forgetting Factor for Detection of Process (System Component) Faults.
PDF file, single page.
-
Part 3. Neural Networks for Fault Diagnosis.
PDF file, single page.
Argomenti Dettagliati delle Lezioni di Teoria
0. Introduzione al Corso
1. Elementi di Supervisione e di Diagnosi dei Guasti per Processi Dinamici
-
101. 19/09/2024. Analisi della Bibliografia del Settore e Nomenclatura nella Diagnosi dei Guasti.
-
Videolezione Registrata in Aula su Canale YouTube. Filmato durata 59 minuti.
-
102. 20/09/2024. Esempi applicativi. Il Principio della Ridondanza Fisica e Analitica. La Generazione e la Valutazione del Residuo per la Diagnosi dei Guasti: Introduzione.
-
Videolezione Registrata in Aula su Canale YouTube. Prima parte filmato durata 48 minuti.
-
Videolezione Registrata in Aula su Canale YouTube. Seconda parte filmato durata 50 minuti.
-
103. 26/09/2024. Introduzione alla Descrizione Matematica dei Processi Dinamici sotto Osservazione e Modellistica dei Guasti per la Diagnosi.
-
104. 26/09/2024. La Generazione e Valutazione del Residuo per la Diagnosi dei Guasti.
-
Videolezione Registrata in Aula su Canale YouTube. Prima parte filmato durata 51 minuti.
-
Videolezione Registrata in Aula su Canale YouTube. Seconda parte filmato durata 55 minuti.
-
105. 27/09/2024. Tecniche di Generazione del Residuo. Introduzione ai Metodi di Stima Parametrica.
-
Videolezione Registrata in Aula su Canale YouTube. Filmato durata 57 minuti.
-
106. 03/09/2024. Equivalenza tra Modelli Ingresso - Uscita e Modelli nello Spazio degli Stati a Tempo Discreto LTI.
-
Videolezione Registrata in Aula su Canale YouTube. Filmato durata 39 minuti.
-
107. 3/10/2023. Metodo di Generazione del Residuo basato sugli Osservatori Dinamici dell'Uscita.
-
Videolezione Registrata in Aula su Canale YouTube. Prima parte del filmato durata 20 minuti.
-
Videolezione Registrata in Aula su Canale YouTube. Seconda parte del filmato durata 40 minuti.
-
108. 4/10/2023. Strategia di Generazione di Residui per l'Isolamento dei Guasti sui Sensori di Uscita di un Processo Dinamico.
-
Videolezione Registrata in Aula su Canale YouTube (parte 1). Filmato durata 13 minuti.
-
Videolezione Registrata in Aula su Canale YouTube (parte 2). Filmato durata 36 minuti.
-
109. 10/10/2024. Le Equazioni (Relazioni) di Parità per la Generazione dei Residui.
-
Videolezione Registrata in Aula su Canale YouTube. Filmato durata 26 minuti.
-
110. 10/10/2024. Dopo la Generazione dei Residui: Il Problema della Valutazione dei Residui.
-
Videolezione Registrata in Aula su Canale YouTube. Filmato durata 12 minuti.
-
111. 11/10/2024. Integrazione delle Tecniche di Diagnosi dei Guasti - Introduzione alle Reti Neurali.
-
Videolezione Registrata in Aula su Canale YouTube. Filmato durata 47 minuti.
2. Il Metodo della Stima Parametrica come Tecnica di Generazione dei Residui per il Rilevamento dei Guasti di Processo o Sistema
-
201. 11/10/2024 - 17/10/2024. La stima di parametri tempo varianti per la diagnosi dei guasti sui componenti di un processo dinamico.
-
Videolezione Registrata in Aula su Canale YouTube (parte 1). Filmato durata 57 minuti; videolezione Registrata in Aula su Canale YouTube (parte 2). Filmato durata 43 minuti.
3. Reti Neurali per la Modellistica e la Diagnosi dei Guasti nei Processi Dinamici
-
301. 18/10/2024. Introduzione Generale al Machine Learning per l'Applicazione a Reti Neurali.
-
Videolezione Registrata in Aula su Canale YouTube. Filmato durata 52 minuti.
-
302. 18/10/2024. Introduzione Generale alle Reti Neurali per la Diagnosi dei Guasti nei Guasti.
-
Videolezione Registrata in Aula su Canale YouTube. Filmato durata 20 minuti.
-
303. 18/10/2024. Il Neurone Artificiale - Il Percettrone Lineare come Elemento di Base delle Reti Neurali.
-
Videolezione Registrata in Aula su Canale YouTube (parte 1) . Filmato durata 19 minuti. Videolezione Registrata in Aula su Canale YouTube (parte 2) . Filmato durata 45 minuti.
-
304. 7/11/2024. Il Neurone Adattativo Lineare e Algoritmo del Gradiente Discendente.
-
Videolezione Registrata in Aula su Canale YouTube. Filmato durata 44 minuti.
-
305. 14/11/2024. Il Percettrone Multistrato e Metodologia di Apprendimento Back-Propagation.
-
Videolezione Registrata in Aula su Canale YouTube (parte 1): filmato durata 52 minuti; videolezione Registrata in Aula su Canale YouTube (parte 2): filmato durata 30 minuti.
-
306. 15/11/2024. Modifiche all'Algoritmo di Back Propagation (BP) e Osservazioni sul Training a BP di Reti Neurali Multistrato (MLP) ad Alimentazione in Avanti (FF).
-
Videolezione Registrata in Aula su Canale YouTube (parte 1) Filmato durata 56 minuti; videolezione Registrata in Aula su Canale YouTube (parte 2) Filmato durata 40 minuti.
-
307. 21/11/2024. Introduzione agli Algoritmi Genetici per l'Ottimizzazione di Funzioni Multivariabile.
-
Videolezione Registrata in Aula su Canale YouTube (parte 1) Filmato durata 25 minuti.
-
308. 21/11/2024. Introduzione alle Reti Neurali a Base Radiale.
-
Videolezione Registrata in Aula su Canale YouTube (parte 1) Filmato durata 19 minuti; videolezione Registrata in Aula su Canale YouTube (parte 2) Filmato durata 51 minuti.
-
309. 22/11/2024. Utilizzo delle Reti Neurali per la Modellistica di Sistemi Dinamici Non Lineari.
-
Link al filmato sul canale YouTube (durata: 13 min. circa).
4. Esercitazioni Pratiche al PC in Laboratorio di Informatica
5. Esempi Pratici di Progetto e Applicazione di Sistemi di Supervisione Adattativi ai Processi Dinamici. Esercizi in Preparazione all'Esame
-
501. 22/11/2024 - 28/11/2024. Progetto di Sistemi di Supervisione Adattativi (Osservatori Dinamici, RLS, e Reti Neurali) per la Diagnosi dei Guasti in un Modello di Antenna Direzionale.
Cartella compressa (.zip) con i file di progetto;
cartella compressa (.zip) con le soluzioni del progetto.
Presentazione del problema. Filmato della lezione su canale YouTube (durata: 11 min. circa).
Filmato della prima parte di lezione su canale YouTube (durata: 53 min. circa);
filmato della seconda parte di lezione su canale YouTube (durata: 39 min. circa).
-
502. 29/11/2024. Progetto di Sistemi di Supervisione Adattativi (Osservatori Dinamici, RLS, e Reti Neurali) per la Diagnosi dei Guasti del Sistema dell'Aerostato (Mongolfiera).
File con la definizione del problema (senza soluzioni) in cartella compressa (file .zip, 171 kB circa);
file con le soluzioni per il progetto dei sistemi di supervisione adattativi in cartella compressa (file .zip, 8 MB circa).
Filmato della prima parte di lezione su canale YouTube (durata: 63 min. circa);
filmato della seconda parte di lezione su canale YouTube (durata: 19 min. circa).
-
503. 05/12/2024. Progetto di Schemi di Supervisione Adattativi per la Diagnosi di un Modello di Reattore Chimico (Continuous Stirred Tank Reactor - CSTR).
Cartella compressa (.zip) con i file per progetto;
cartella compressa (.zip) con le soluzioni del progetto.
Filmato della prima parte di lezione su canale YouTube (durata: xx min. circa);
filmato della seconda parte di lezione su canale YouTube (durata: xx min. circa).
-
504. Esempio di Domande d'Esame, Aperte e a Scelta Multipla. File in formato PDF.
-
505. Modellistica e la Simulazione di un Processo Dinamico con (1) Osservatore Dinamico dell'Uscita, (2) RLS, (3) Rete Neurale per la Diagnosi dei Guasti: Applicazione al Levitatore Magnetico.
File per la definizione del problema in cartella compressa (file .zip, 65kB circa);
file delle soluzioni in cartella compressa (file .zip, 7MB circa);
file con le soluzioni ricavate e discusse in aula (file .zip, 1MB circa).
-
506. Guida alla Sintesi di Sistemi di Supervisione Adattativi - Vademecum al Progetto degli Schemi di Diagnosi: Osservatori dell'Uscita, Stima Parametrica, Sistemi Fuzzy e Reti Neurali.
File in formato PDF.
-
507. Guida sui File da Consegnare per l'Esame. File in formato PDF.
References: Monographs and Textbooks on FDI
Simani, S. and Fantuzzi, C. and Patton, R. J., "Model-based fault diagnosis in dynamic systems using identification techniques",
Springer-Verlag, 2002. ISBN 1852336854. Advances in Industrial Control Series. London, UK. First Eq. November, 2002. (298 pages).
Chen, J. and Patton, R. J., "Robust Model-Based Fault Diagnosis for Dynamic Systems", Kluwer Academic Publishers, 1999. ISBN: 0792384113.
Downloads: Related Readings
"Model-Based Fault Diagnosis for Industrial Processes" (Silvio Simani's Extended Report, October 2007): (PDF file, 35 MB).
Parameter Estimation Examples for Fault Detection. Matlab and Simulink files and models for Matlab 6.1:
(zipped Matlab and Simulink files, 5 KB).
Recursive Estimation Examples. 2 Matlab files for Matlab 6.1:
(zipped Matlab and Simulink files, 2 KB).
Design Example of Output Observer for FDI. Example with Noise (Matlab and Simulink files and models for Matlab 6.1):
(zipped Matlab and Simulink files, 7 KB).
Design Example of Output Observers for FDI. SIMO Model with three Observers.
(2 Matlab files and 1 Simulink model for Matlab 6.1):
(zipped Matlab and Simulink files, 5 KB).
Examples taken from
Matlab Exchange Files Web Site: (i) implementation of a two-layers two-neurons network, (ii)
multi-layer perceptron training with variable learning rate, (iii) character recognition GUI.
Zipped Matlab file (495 KB).
Examples of nonlinear models and neural network training. Zipped Matlab
and Simulink directories (14 MB).
Examples of integration of neural networks with dynamic observers and filters for
fault detection and isolation. Zipped Matlab
and Simulink directories (5 MB).
-