INTELLIGENT AND HYBRID CONTROL

Obiettivi formativi

Obiettivi generali: L'obiettivo principale dell'insegnamento è l'acquisizione e l'uso da parte dello studente degli strumenti di base necessari alla costruzione ed all'analisi di sistemi di controllo intelligenti ed ibridi per fenomeni di interesse nell’ingegneria dell’automazione con riferimento a metodologie data-driven e model-based. Obiettivi specifici Conoscenza e comprensione: Il corso fornisce strumenti avanzati per l'analisi ed il progetto di sistemi complessi che combinano diversi tipi di tecnologie o comportamenti per ottenere un risultato desiderato. I sistemi considerati saranno: - i sistemi di controllo intelligenti che integrano reti neurali e algoritmi per l'apprendimento automatico a partire dall’analisi dei dati - i modelli dinamici che integrano comportamenti dinamici basati sul tempo (modellati con equazioni differenziali) con comportamenti dinamici basati su eventi (modellati da automi). Applicare conoscenza e comprensione: Lo studente apprenderà come applicare in autonomia le metodologie e tecncihe presentate nel corso per il design e lo sviluppo di sistemi di controllo complessi integranti strumenti di apprendimento automatico e modellistica ad eventi. Lo studente sarà in grado di identificare e modellare dinamiche ibride e nonlineari tramite approcci data-driven e model-based. Capacità critiche e di giudizio: Lo studente sarà in grado di determinare quali siano gli approcci più adatti allo sviluppo di modelli predittivi per rappresentare sistemi complessi, combinando tecniche di apprendimento automatico con approcci modellistici generali quali gli automi e dinamiche switching. Lo studente sarà inoltre in grado di valutare con criticità le performance e proprietà closed-loop più critiche per la progettazione di leggi di controllo intelligenti. Capacità comunicative: Lo studente sarà in grado di presentare ed analizzare sistemi dinamici complessi ed i relativi controllori ibridi ed intelligenti nell’ambito di applicazioni di interesse industriale e dell’automatica. Capacità di apprendimento: Il corso mira fornire agli studenti tutti gli elementi per un apprendimento autonomo finalizzato all'analisi e alla progettazione di sistemi di controllo avanzati ed integranti funzionalità di apprendimento automatico in tutti i settori di interesse per l’automazione.

Canale 1
LUCA BENVENUTI Scheda docente

Programmi - Frequenza - Esami

Programma
Il corso si articola in due moduli didattici dedicati rispettivamente allo studio dei sistemi di controllo intelligenti e dei sistemi ibridi. In particolare, il primo modulo presenta i metodi di base per il design di sistemi di controllo intelligenti basati su tecniche data-driven quali il deep learning ed il reinforcement learning. Il corso presenterà sia il ruolo del machine learning integrato nei sistemi di controllo, discutendone metodologie, potenzialità e applicazioni, che quello dei sistemi di controllo basati integralmente su tecniche di intelligenza artificiale. Il corso si concentrerà inoltre su come i recenti sviluppi del deep learning possano essere sfruttati dai sistemi di controllo standard, discutendo le basi dell’analisi avanzata dei dati tramite le deep neural networks nel contesto di problemi classici dell’automazione come il controllo qualità, la manutenzione predittiva e la reiezione dei disturbi. Oltre agli aspetti teorici, saranno presentate applicazioni appartenenti ai domini dell’automazione industriale, della robotica e della cyber security. Al termine del modulo, lo studente possiederà le conoscenze di base che gli permetteranno di analizzare e progettare sistemi intelligenti in grado di controllare processi complessi e nonlineari. Il secondo modulo introduce lo studente allo studio dei sistemi ibridi, ovvero dei sistemi dinamici caratterizzati dall'interazione di diversi tipi di dinamiche, sia continue che discrete. Lo studio sistematico dei sistemi ibridi è richiesto dalle recenti innovazioni tecnologiche che hanno portato alla diffusione pervasiva di sistemi digitali sempre più complessi per il controllo e la supervisione di sistemi fisici. Lo studio dei sistemi ibridi è generalmente più impegnativo di quello dei sistemi puramente discreti o puramente continui, a causa dell'interazione tra dinamiche di diversa natura. In questo corso verranno presentati modelli di sistemi ibridi e verranno descritti metodi generali per studiare alcune delle loro proprietà (raggiungibilità, osservabilità, stabilità). Verrà inoltre affrontato il problema del controllo dei sistemi ibridi concentrandosi su alcuni casi di studio provenienti da diversi contesti applicativi. Al termine del modulo gli studenti dovrebbero essere in grado di apprezzare la diversità dei fenomeni che sorgono nei sistemi ibridi e comprendere come concetti classici nella teoria dei sistemi ad eventi discreti, modellati da automi, possano coesistere in un quadro unificante con concetti classici nella teoria dei sistemi continui, modellati da equazioni differenziali o alle differenze.
Prerequisiti
- Teoria dei sistemi dinamici lineari e nonlineari - Controlli Automatici - Elementi di probabilità e statistica - Elementi di Controllo Ottimo
Testi di riferimento
Sutton RS, Barto AG. Reinforcement learning: An introduction. MIT press; 2018. John Lygeros, Lecture Notes on Hybrid Systems, 2004
Frequenza
La frequenza dell'insegnamento è facoltativa.
Modalità di esame
Il voto finale sarà basato sulla presentazione di un progetto relativamente ad uno dei due moduli e ad un test scritto relativamente all'altro. Il progetto deve essere una realizzazione individuale, i cui obiettivi e contenuti vengono definiti da ogni studente in accordo con i docenti.
Modalità di erogazione
L'insegnamento prevede la didattica frontale.
ALESSANDRO GIUSEPPI Scheda docente

Programmi - Frequenza - Esami

Programma
Il corso si articola in due moduli didattici dedicati rispettivamente allo studio dei sistemi di controllo intelligenti e dei sistemi ibridi. In particolare, il primo modulo presenta i metodi di base per il design di sistemi di controllo intelligenti basati su tecniche data-driven quali il deep learning ed il reinforcement learning. Il corso presenterà sia il ruolo del machine learning integrato nei sistemi di controllo, discutendone metodologie, potenzialità e applicazioni, che quello dei sistemi di controllo basati integralmente su tecniche di intelligenza artificiale. Il corso si concentrerà inoltre su come i recenti sviluppi del deep learning possano essere sfruttati dai sistemi di controllo standard, discutendo le basi dell’analisi avanzata dei dati tramite le deep neural networks nel contesto di problemi classici dell’automazione come il controllo qualità, la manutenzione predittiva e la reiezione dei disturbi. Oltre agli aspetti teorici, saranno presentate applicazioni appartenenti ai domini dell’automazione industriale, della robotica e della cyber security. Al termine del modulo, lo studente possiederà le conoscenze di base che gli permetteranno di analizzare e progettare sistemi intelligenti in grado di controllare processi complessi e nonlineari. Il secondo modulo introduce lo studente allo studio dei sistemi ibridi, ovvero dei sistemi dinamici caratterizzati dall'interazione di diversi tipi di dinamiche, sia continue che discrete. Lo studio sistematico dei sistemi ibridi è richiesto dalle recenti innovazioni tecnologiche che hanno portato alla diffusione pervasiva di sistemi digitali sempre più complessi per il controllo e la supervisione di sistemi fisici. Lo studio dei sistemi ibridi è generalmente più impegnativo di quello dei sistemi puramente discreti o puramente continui, a causa dell'interazione tra dinamiche di diversa natura. In questo corso verranno presentati modelli di sistemi ibridi e verranno descritti metodi generali per studiare alcune delle loro proprietà (raggiungibilità, osservabilità, stabilità). Verrà inoltre affrontato il problema del controllo dei sistemi ibridi concentrandosi su alcuni casi di studio provenienti da diversi contesti applicativi. Al termine del modulo gli studenti dovrebbero essere in grado di apprezzare la diversità dei fenomeni che sorgono nei sistemi ibridi e comprendere come concetti classici nella teoria dei sistemi ad eventi discreti, modellati da automi, possano coesistere in un quadro unificante con concetti classici nella teoria dei sistemi continui, modellati da equazioni differenziali o alle differenze.
Prerequisiti
- Teoria dei sistemi dinamici lineari e nonlineari - Controlli Automatici - Elementi di probabilità e statistica - Elementi di Controllo Ottimo
Testi di riferimento
Sutton RS, Barto AG. Reinforcement learning: An introduction. MIT press; 2018.
Frequenza
La frequenza dell'insegnamento è facoltativa.
Modalità di esame
Valutazione progetto Il voto finale sarà basato sulla presentazione di un progetto. Il progetto deve essere una realizzazione individuale, i cui obiettivi e contenuti vengono definiti da ogni studente in accordo con i docenti.
Modalità di erogazione
L'insegnamento prevede la didattica frontale.
  • Codice insegnamento10606939
  • Anno accademico2025/2026
  • CorsoControl Engineering - Ingegneria Automatica
  • CurriculumCurriculum unico
  • Anno1º anno
  • Semestre2º semestre
  • SSDING-INF/04
  • CFU6