Cel kształcenia i wykaz literatury

Główny cel kształcenia: przekazanie studentom podstawowej wiedzy dotyczącej metod i narzędzi stosowanych w mechatronice i szybkim prototypowaniu układów sterowania

Ogólne informacje o zajęciach: Moduł prowadzony jest na szóstym semestrze studiów inżynierskich na kierunku "automatyka i robotyka" EA-DI-3(06). Zajęcia są alternatywną formą realizacji modułu "Mechatronika i szybkie prototypowanie układów sterowania", przewidzianą dla studentów szczególnie zainteresowanych tematyką modułu, chcących nabyć przewidziane efekty kształcenia realizując projekt w ramach koła naukowego lub/i publikację naukową/branżową.

Materiały dydaktyczne: http://www.automatyka.kia.prz.edu.pl/

Wykaz literatury, wymaganej do zaliczenia zajęć

Literatura wykorzystywana podczas zajęć wykładowych

1	Uhl T. (red.)	Wybrane problemy projektowania mechatronicznego	KRiDM AGH, Kraków.	1999
2	Petko M.	Wybrane techniki projektowania mechatronicznego	UWND AGH, Kraków.	2005
3	Gawrysiak M.	Mechatronika i projektowanie mechatroniczne	Wydawnictwo Politechniki Białostockiej, Białystok.	1997
4			.
5			.

Literatura wykorzystywana podczas zajęć ćwiczeniowych/laboratoryjnych/innych

1	j.w.		.
2		Wprowadzenia do ćwiczeń laboratoryjnych, dokumentacje techniczne	.

Literatura do samodzielnego studiowania

1	Auslander K.L.	Mechatronics	Kluver Academic Press, New York.	1998
2	de Silva C.W.	Mechatronics, An Integrated Approach	CRC Press, Boca Raton, FL.	2003

Wymagania wstępne w kategorii wiedzy/umiejętności/kompetencji społecznych

Wymagania formalne: Rejestracja na szósty semestr studiów

Wymagania wstępne w kategorii Wiedzy: Podstawowa wiedza z matematyki, fizyki, mechaniki i systemów sterowania

Wymagania wstępne w kategorii Umiejętności: Podstawowa umiejętność obsługi komputera, podstawowa umiejętność obsługi pakietu Matlab i Simulink, podstawowa umiejętność projektowania systemów sterowania z regulatorami PID oraz regulatorami stanu

Wymagania wstępne w kategorii Kompetencji społecznych: Podstawowa umiejętność współpracy w zespole

Efekty kształcenia dla zajęć

MEK	Student, który zaliczył zajęcia	Formy zajęć/metody dydaktyczne prowadzące do osiągnięcia danego efektu kształcenia	Metody weryfikacji każdego z wymienionych efektów kształcenia	Związki z KEK	Związki z OEK
01	Zna podstawowe pojęcia, metody, trendy rozwojowe oraz typowe narzędzia stosowane w mechatronice i szybkim prototypowaniu systemów sterowania	projekt lub/i publikacja	prezentacja wyników	K_W18++	T1A_W04+
02	Identyfikuje problemy składowe z zakresu elektroniki, mechaniki i teorii sterowania, składające się na projekt i implementację systemu mechatronicznego	projekt lub/i publikacja	prezentacja wyników	K_W18++ K_U29++	T1A_W04+ T1A_U13+ InzA_U05+ T1A_U15+ InzA_U07+
03	Stosuje techniki wirtualnego lub szybkiego prototypowania systemów sterowania układami mechatronicznymi	projekt lub/i publikacja	prezentacja wyników	K_W18++ K_U29++	T1A_W04++ T1A_U13++ InzA_U05++ T1A_U15++ InzA_U07++
04	Pogłębia zainteresowania oraz umiejętności inżynierskie i badawcze, doskonali zdolność samokształcenia	projekt lub/i publikacja	prezentacja wyników	K_W18++ K_U29++	T1A_W04+ T1A_U13+ InzA_U05+ T1A_U15+ InzA_U07+

Uwaga: W zależności od sytuacji epidemicznej, jeżeli nie będzie możliwości weryfikacji osiągniętych efektów uczenia się określonych w programie studiów w sposób stacjonarny w szczególności zaliczenia i egzaminy kończące określone zajęcia będą mogły się odbywać przy użyciu środków komunikacji elektronicznej (w sposób zdalny).

Treści kształcenia dla zajęć

Sem.	TK	Treści kształcenia	Realizowane na	MEK
6	TK01	Podstawowe pojęcia, metody, narzędzia i aktualne trendy rozwojowe w obszarze mechatroniki i szybkiego prototypowania układów sterowania	spotkania koła naukowego, praca indywidualna	MEK01 MEK02
6	TK02	Wirtualne i szybkie prototypowanie systemów sterowania - własne prace badawcze	spotkania koła naukowego, praca indywidualna	MEK02 MEK03 MEK04

Nakład pracy studenta

Forma zajęć	Praca przed zajęciami	Udział w zajęciach	Praca po zajęciach
Projekt/Seminarium (sem. 6)	Przygotowanie do zajęć projektowych/seminaryjnych: 45.00 godz./sem.	Godziny kontaktowe: 45.00 godz./sem..	Inne: 10.00 godz./sem.
Konsultacje (sem. 6)	Przygotowanie do konsultacji: 2.00 godz./sem.	Udział w konsultacjach: 2.00 godz./sem.
Zaliczenie (sem. 6)		Inne: 1.00 godz./sem.

Sposób wystawiania ocen składowych zajęć i oceny końcowej

Forma zajęć	Sposób wystawiania oceny podsumowującej
Projekt/Seminarium	prezentacja projektu / publikacji
Ocena końcowa	będzie wynikać z poziomu wykonanych prac oraz jakości ich prezentacji

Przykładowe zadania

Wymagane podczas egzaminu/zaliczenia
(-)

Realizowane podczas zajęć ćwiczeniowych/laboratoryjnych/projektowych
(-)

Inne
(-)

Czy podczas egzaminu/zaliczenia student ma możliwość korzystania z materiałów pomocniczych : nie

Treści zajęć powiazane są z prowadzonymi badaniami naukowymi: tak

1	D. Mazurkiewicz; G. Piecuch; P. Sobecki; T. Żabiński	Virtual tomography as a novel method for segmenting machining process phases with the use of machine learning-supported measurement	2024
2	M. Bolanowski; A. Paszkiewicz; G. Piecuch; D. Rączka; M. Salach; T. Żabiński	Estimation of Tool Life in the Milling Process—Testing Regression Models	2023
3	M. Bolanowski; A. Paszkiewicz; G. Piecuch; M. Salach; K. Tomecki; T. Żabiński	System Architecture for Diagnostics and Supervision of Industrial Equipment and Processes in an IoE Device Environment	2023
4	E. Kozłowski; D. Mazurkiewicz; J. Sęp; T. Żabiński	The Use of Principal Component Analysis and Logistic Regression for Cutter State Identification	2022
5	K. Antosz; E. Kozłowski; D. Mazurkiewicz; J. Sęp; T. Żabiński	Machine Multi-sensor System and Signal Processing for Determining Cutting Tools Service Life	2022
6	K. Antosz; E. Kozłowski; D. Mazurkiewicz; J. Sęp; T. Żabiński	Machining Process Time Series Data Analysis with a Decision Support Tool	2022
7	K. Antosz; E. Kozłowski; J. Sęp; T. Żabiński	The use of random forests to support the decision-making process for sustainable manufacturing	2022
8	R. Amadio; A. Carreras-Coch; D. Mazzei; J. Merino; J. Navarro; J. Sęp; D. Stadnicka; C. Stylios; M. Tyrovolas; T. Żabiński	Industrial Needs in the Fields of Artificial Intelligence, Internet of Things and Edge Computing	2022
9	J. Kluska; T. Mączka; T. Żabiński	Applications of Computational Intelligence Methods for Control and Diagnostics	2021
10	K. Antosz; E. Kozłowski; D. Mazurkiewicz; J. Sęp; T. Żabiński	Integrating advanced measurement and signal processing for reliability decision-making	2021
11	L. Gniewek; Z. Hajduk; J. Kluska; T. Żabiński	FPGA-Embedded Anomaly Detection System for Milling Process	2021
12	E. Kozłowski; D. Mazurkiewicz; S. Prucnal; J. Sęp; T. Żabiński	Machining sensor data management for operation-level predictive model	2020
13	J. Kluska; M. Kusy; R. Zajdel; T. Żabiński	Fusion of Feature Selection Methods for Improving Model Accuracy in the Milling Process Data Classification Problem	2020
14	J. Kluska; M. Kusy; R. Zajdel; T. Żabiński	Weighted Feature Selection Method for Improving Decisions in Milling Process Diagnosis	2020
15	J. Kluska; T. Mączka; T. Żabiński	Zastosowania metod inteligencji obliczeniowej do sterowania i diagnostyki	2020
16	J. Kluska; T. Żabiński	PID-Like Adaptive Fuzzy Controller Design Based on Absolute Stability Criterion	2020
17	M. Hadław; T. Żabiński	A new perspective for the application of the activity based costing method in manufacturing companies using MES class systems	2020
18	E. Kozłowski; D. Mazurkiewicz; S. Prucnal; J. Sęp; T. Żabiński	Assessment model of cutting tool condition for real-time supervision system	2019
19	E. Kozłowski; D. Mazurkiewicz; T. Żabiński	Identyfikacja stopnia zużycia frezu na podstawie analizy sygnału akustycznego	2019
20	G. Piecuch; S. Prucnal; T. Żabiński; R. Żyła	Milling process diagnosis using computational intelligence methods	2019
21	J. Kluska; M. Madera ; T. Mączka; J. Sęp; T. Żabiński	Condition monitoring in Industry 4.0 production systems - the idea of computational intelligence methods application	2019
22	M. Madera ; G. Piecuch; T. Żabiński	Diagnostics of welding process based on thermovision images using convolutional neural network	2019