Sistemi di Supervisione Adattativi 8 CFU

Supervision and Adaptive Systems — A.A. 2025/2026

Laurea Magistrale in Ingegneria Informatica e dell’Automazione (64 ore, 8 CFU) • Laurea Magistrale in Meccanica (60 ore, 6 CFU) • Dipartimento di Ingegneria — Università di Ferrara

Informazioni rapide

Google Classroom: accedi con il codice nwhazmod

Scheda ufficiale (CINECA): pagina del corso

Lingua: italiano (materiali in inglese disponibili). Lezioni erogate in modalità blended (video + discussioni/attività in aula).

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

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.
Part 4. Environmental Sustainability in Control Systems (new, 2025). PDF file, slides. PDF file, hands-out.

Argomenti dettagliati delle lezioni di teoria

0. Introduzione al Corso

01. Commenti alla Scheda di Insegnamento del Corso (pagina CINECA).
02. Presentazione della Scheda di Insegnamento sul Sito Web Personale del Docente. I principali argomenti, temi del corso, e verifica dell'apprendimento.
03. Spunti per Tesi di Laurea Magistrale nel Settore dell'Automazione e la Robotica. Lucidi usati per la presentazione.
Videolezione Registrata in Aula su Canale YouTube. Filmato durata 44 minuti.

1. Elementi di Supervisione e di Diagnosi dei Guasti per Processi Dinamici

101. Analisi della Bibliografia del Settore e Nomenclatura nella Diagnosi dei Guasti.
Videolezione Registrata in Aula su Canale YouTube. Filmato durata 59 minuti.
102. 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. Introduzione alla Descrizione Matematica dei Processi Dinamici sotto Osservazione e Modellistica dei Guasti per la Diagnosi.
104. 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. Tecniche di Generazione del Residuo. Introduzione ai Metodi di Stima Parametrica.
Videolezione Registrata in Aula su Canale YouTube. Filmato durata 57 minuti.
106. 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. 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. 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. Le Equazioni (Relazioni) di Parità per la Generazione dei Residui.
Videolezione Registrata in Aula su Canale YouTube. Filmato durata 26 minuti.
110. Dopo la Generazione dei Residui: Il Problema della Valutazione dei Residui.
Videolezione Registrata in Aula su Canale YouTube. Filmato durata 12 minuti.
111. 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. 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. Introduzione Generale al Machine Learning per l'Applicazione a Reti Neurali.
Videolezione Registrata in Aula su Canale YouTube. Filmato durata 52 minuti.
302. Introduzione Generale alle Reti Neurali per la Diagnosi dei Guasti.
Videolezione Registrata in Aula su Canale YouTube. Filmato durata 20 minuti.
303. 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. Il Neurone Adattativo Lineare e Algoritmo del Gradiente Discendente.
Videolezione Registrata in Aula su Canale YouTube. Filmato durata 44 minuti.
305. 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. 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. Introduzione agli Algoritmi Genetici per l'Ottimizzazione di Funzioni Multivariabile.
Videolezione Registrata in Aula su Canale YouTube (parte 1) Filmato durata 25 minuti.
308. 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. 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

400. Esempi Introduttivi sull'Utilizzo di Matlab e Simulink. Introduzione agli Elementi Principali di Matlab. Introduzione ai Blocchi Principali di Simulink. Esempio di script file, Matlab file e Simulink file per la simulazione di una misura con rumore e guasti. Link al filmato sul canale YouTube (durata: 100 min. circa).
401. Esempio di Modellistica dell'Impianto e Topologia dei Guasti. Script file di Matlab con il modello del processo; modello Simulink da commentare a lezione; modello Simulink finale realizzato a lezione; file compresso complessivo. Videolezione Registrata in Aula su Canale YouTube (durata: 45 min. circa).
402. Esempio di Progetto dell'Osservatore d'Uscita per un Modello SISO e Generazione dell'Errore di Stima. Matlab script file con il modello del processo e il progetto dell'osservatore; modello Simulink complessivo del processo e osservatore per la generazione dell'errore di stima; esempio di modello con rumore e guasti; file complessivo in formato compresso (file .zip). Videolezione Registrata in Aula su Canale YouTube (parte 1) (durata: 40 min. circa); videolezione (parte 2) (durata: 46 min. circa).
403. Esempio di Progetto dell'Osservatore d'Uscita per un Modello SIMO con un Banco di 3 Osservatori per FDI. Matlab script file con il modello del processo e il progetto dell'osservatore; modello Simulink complessivo con guasti sui sensori di uscita; modello Simulink con guasti sul sensore di ingresso; Matlab script file per la valutazione dei residui; file in PDF con gli script Matlab e gli schemi Simulink; file della lezione in formato compresso (file .zip); videolezione registrata in aula su Canale YouTube (durata: 22 min. circa).
404. Stima Ricorsiva per la Diagnosi dei Guasti sui Parametri di un Processo Dinamico. Implementazione dell'Algoritmo RLS con Fattore d'Oblio (forgetting factor); script di Matlab per la visualizzazione dei risultati; file Simulink per la generazione dei dati in presenza di variazioni parametriche; file Simulink per la generazione di guasti ingresso - uscita. File PDF con i Matlab script e schemi Simulink. Note utili all'esercitazione (file PDF); file della lezione in formato compresso (file .zip); videolezione registrata in aula su Canale YouTube (parte 1) (durata: 20 min. circa); videolezione registrata in aula su Canale YouTube (parte 2) (durata: 11 min. circa).
405. Stima Ricorsiva con Fattore d'Oblio in Simulink per la Diagnosi dei Guasti sui Parametri di un Processo Dinamico. File Simulink per la generazione delle stime con blocco Simulink RLS (Matlab R2016); note utili all'esercitazione (file PDF); file della lezione in formato compresso (file .zip); videolezione registrata in aula su Canale YouTube (durata: 21 min. circa).
406. Confronto delle Stime Ricorsive con Fattore d'Oblio in Simulink per la Diagnosi dei Guasti sui Parametri di un Processo Dinamico. File Simulink per la generazione delle stime con blocco Simulink RLS; file della lezione in formato compresso (file .zip); videolezione registrata in aula su Canale YouTube (durata: 4 min. circa).
407. Esempio di Apprendimento del Percettrone Lineare. Esempio di training di un percettrone in Matlab con esempi linearmente separabili; funzione di training di un percettrone in Matlab; Live Script di Matlab; esempio di classificazione binaria con percettrone lineare; file Matlab degli esempi in cartella compressa. Esempi Sito MathWorks (LiveScripts). Videolezione registrata in aula su Canale YouTube (parte 1) (durata: 6 min. circa); videolezione registrata (parte 2) (durata: 12 min. circa);
408. Esempi di Apprendimento di una Rete Neurale a 2 strati. Esempio di training di rete neurale in Matlab; File della lezione in formato compresso (file .zip). Videolezione registrata in aula su Canale YouTube (durata: 14 min. circa).
409. Esempi di Apprendimento di una Rete Neurale a Back-Propagation. Esempio Matlab di implementazione dell'algoritmo di back-propagation dell'errore; Semplice implementazione dell'algoritmo di training di rete neurale in Matlab; file dati per il training; File della lezione in formato compresso (file .zip). Link al filmato della prima parte di lezione su canale YouTube (durata: 59 min. circa); filmato della seconda parte di lezione su canale YouTube (durata: 26 min. circa).
410. Esempi di Utilizzo del Neural Network Toolbox e di Reti Neurali per l'Approssimazione di una Funzione non Lineare Statica. Generazione dei dati in Simulink per l'addestramento della rete neurale; script file in Matlab per il training di una rete neurale MLP con Back-Propagation; file Simulink per la validazione della rete neurale generata dai dati (rete neurale da inserire); file Matlab per la verifica delle prestazioni della rete neurale generata dai dati; file Simulink per la validazione della rete neurale generata dai dati (con rete neurale); file Simulink per la validazione della rete neurale in presenza di guasto (con rete neurale e guasto a gradino). Link al filmato della prima parte di lezione su canale YouTube (durata: 46 min. circa); filmato della seconda parte di lezione su canale YouTube (durata: 14 min. circa).
411. Esempi di Utilizzo di Algoritmo Genetico e Rete Neurale a Base Radiale. Esempio Matlab di utilizzo della funzione di minimizzazione con gradiente discendente per una funzione non lineare a due variabili; Esempio Matlab di utilizzo di un algoritmo genetico per la minimizzazione di una funzione non lineare a due variabili; Esempio Matlab di generazione e utilizzo di rete neurale a base radiale; file PDF dello script in Matlab; File della lezione in formato compresso (file .zip). Link al filmato della lezione su canale YouTube (durata: 20 min. circa);

5. Esempi Pratici di Progetto e Applicazione di Sistemi di Supervisione Adattativi ai Processi Dinamici. Esercizi in Preparazione all'Esame

501. Progetto di Sistemi di Supervisione Adattativi (Osservatori Dinamici, RLS, e Reti Neurali) per la Diagnosi dei Guasti in un Modello di Antenna Direzionale. Esempio di modello non puramente dinamico. 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); filmato della terza parte di lezione con osservazioni relative a modelli non puramente dinamici su canale YouTube (durata: 39 min. circa).
502. 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. Progetto di Sistemi di Supervisione Adattativi (Osservatori Dinamici, RLS, e Reti Neurali) per la Diagnosi dei Guasti di un 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: 49 min. circa); filmato della seconda parte di lezione su canale YouTube (durata: 40 min. circa).
504. Progetto di Sistemi di Supervisione Adattativi (Osservatori Dinamici, RLS, e Reti Neurali) per la Diagnosi dei Guasti del 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). Filmato della prima parte di lezione su canale YouTube (durata: 58 min. circa); filmato della seconda parte di lezione su canale YouTube (durata: 34 min. circa).
505. Progetto di Sistemi di Supervisione Adattativi (Osservatori Dinamici, RLS, e Reti Neurali) per la Diagnosi dei Guasti del Processo di Tennessee Eastman - TEP. File per la definizione del problema in cartella compressa (file .zip); file delle soluzioni in cartella compressa (file .zip). Filmato con il commento delle soluzioni su canale YouTube (durata: 20 min. circa).
506. Esempio di Domande d'Esame, Aperte e a Scelta Multipla. File in formato PDF; documento con le Risposte Ragionate. File in formato PDF. Filmato con il commento alle domande su canale YouTube (durata: 20 min. circa).
507. Guida alla Sintesi di Sistemi di Supervisione Adattativi - Vademecum al Progetto degli Schemi di Diagnosi: Osservatori dell'Uscita, Stima Parametrica e Reti Neurali. File in formato PDF. Filmato con il commento alla sintesi di SSA su canale YouTube (durata: 22 min. circa).
508. Guida ai 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).

Esame e valutazione

La valutazione finale è composta da due prove svolte nello stesso giorno:

Prova pratica al PC (Matlab e Simulink): progettazione e simulazione di schemi di supervisione per un processo non lineare (residui con osservatore d’uscita, RLS con fattore d’oblio, rete neurale per la generazione dei residui). Durata: circa 90 minuti. Punteggio massimo: 22 punti.
Quiz scritto: domande a scelta multipla su tutti gli argomenti del corso e i fondamenti di controllo digitale. Durata: circa 30 minuti. Punteggio massimo: 9 punti.

Voto finale = somma delle due prove. L’esame si intende superato con almeno 18/31. In caso di esito insufficiente o voto finale < 18, entrambe le prove devono essere ripetute; in caso di ripetizione, fa fede l’ultimo voto. La prova può essere sostenuta in inglese su richiesta.

Nota: la prova pratica ha funzione selettiva; se non si dimostra adeguata comprensione teorica, non si accede al quiz.

Sostenibilità & SDGs

Il corso integra la sostenibilità ambientale nel progetto di controllo (consumo energetico, uso di risorse, impatto sul ciclo di vita) e contribuisce agli SDG 7, 9, 12, 13. Dispensa e slides: PDF file, slides. PDF file, hands-out.