Cykl kształcenia: 2024/2025
Nazwa jednostki prowadzącej studia: Wydział Elektrotechniki i Informatyki
Nazwa kierunku studiów: Elektrotechnika
Obszar kształcenia: nauki techniczne
Profil studiów: ogólnoakademicki
Poziom studiów: pierwszego stopnia
Forma studiów: niestacjonarne
Specjalności na kierunku: Napędy elektryczne w energetyce, motoryzacji i lotnictwie, Przetwarzanie i użytkowanie energii elektrycznej
Tytuł otrzymywany po ukończeniu studiów: inżynier
Nazwa jednostki prowadzącej zajęcia: Katedra Informatyki i Automatyki
Kod zajęć: 1741
Status zajęć: obowiązkowy dla programu
Układ zajęć w planie studiów: sem: 3 / W20 L10 / 3 ECTS / Z
Język wykładowy: polski
Imię i nazwisko koordynatora: dr inż. Tomasz Żabiński
Terminy konsultacji koordynatora: informacja na stronie KIiA: https://office.kia.prz.edu.pl
Główny cel kształcenia: Głównym celem kształcenia realizowanego w ramach modułu jest przekazanie studentom podstawowej wiedzy dotyczącej metod i narzędzi stosowanych w projektowaniu typowych układów sterowania logicznego z uwzględnieniem, w elementarnym zakresie, umiejętności programowania przemysłowych sterowników automatyki
Ogólne informacje o zajęciach: Moduł jest prowadzony na 3 semestrze studiów inżynierskich na kierunku Elektrotechnika
Materiały dydaktyczne: Treść wykładów w postaci plików pdf, wprowadzenia do ćwiczeń laboratoryjnych
1 | J. Kasprzyk | Programowanie sterowników przemysłowych | WNT. | 2006 |
2 | K. Pietrusewicz, P. Dworak | Programowalne Sterowniki Automatyki PAC | NAKOM. | 2007 |
1 | jak podczas zajęć wykładowych | . | ||
2 | Beckhoff Information System | infosys.beckhoff.com. |
1 | Z. Świder | Sterowniki mikroprocesorowe | Ofic. Wyd. PRz. | 2009 |
Wymagania formalne: Rejestracja na trzeci semestr studiów
Wymagania wstępne w kategorii Wiedzy: Podstawowa wiedza z matematyki i fizyki
Wymagania wstępne w kategorii Umiejętności: Podstawowa umiejętność obsługi komputera
Wymagania wstępne w kategorii Kompetencji społecznych: Podstawowa umiejętność współpracy w zespole
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 PRK |
---|---|---|---|---|---|
01 | Potrafi konfigurować i programować, zgodnie z wytycznymi normy IEC 61131-3, przemysłowe sterowniki automatyki, w zakresie podstawowym i przy wykorzystaniu narzędzi automatyzujących proces | wykład interaktywny, laboratorium problemowe | zaliczenie cz. praktyczna |
K_U23+ |
P6S_UW |
02 | Projektuje oraz realizuje praktycznie, za pomocą wybranych języków programowania zgodnych z normą IEC 61131-3, podstawowe układy sterowania logicznego | wykład interaktywny, laboratorium problemowe | zaliczenie cz. praktyczna |
K_W15+ K_U01+ K_K10+ |
P6S_KK P6S_KO P6S_UU P6S_UW P6S_WG |
03 | Omawia aktualne trendy rozwojowe w obszarze automatyki przemysłowej | wykład interaktywny, laboratorium problemowe | zaliczenie cz. pisemna |
K_W03+ K_U05+ |
P6S_UU P6S_WG |
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).
Sem. | TK | Treści kształcenia | Realizowane na | MEK |
---|---|---|---|---|
3 | TK01 | W01, L01 | MEK01 | |
3 | TK02 | W02-W04,L02 | MEK02 | |
3 | TK03 | W05,L03 | MEK02 | |
3 | TK04 | W06-W07,L04 | MEK02 | |
3 | TK05 | W08-W09, L05 | MEK02 | |
3 | TK06 | W10 | MEK03 |
Forma zajęć | Praca przed zajęciami | Udział w zajęciach | Praca po zajęciach |
---|---|---|---|
Wykład (sem. 3) | Godziny kontaktowe:
20.00 godz./sem. |
Uzupełnienie/studiowanie notatek:
10.00 godz./sem. Studiowanie zalecanej literatury: 5.00 godz./sem. |
|
Laboratorium (sem. 3) | Przygotowanie do laboratorium:
10.00 godz./sem. Przygotowanie do kolokwium: 4.00 godz./sem. |
Godziny kontaktowe:
10.00 godz./sem. |
Dokończenia/wykonanie sprawozdania:
5.00 godz./sem. |
Konsultacje (sem. 3) | Przygotowanie do konsultacji:
2.00 godz./sem. |
Udział w konsultacjach:
0.50 godz./sem. |
|
Zaliczenie (sem. 3) | Przygotowanie do zaliczenia:
8.00 godz./sem. |
Zaliczenie pisemne:
1.00 godz./sem. |
Forma zajęć | Sposób wystawiania oceny podsumowującej |
---|---|
Wykład | |
Laboratorium | Zaliczenie praktyczne i pisemne |
Ocena końcowa | Zaliczenie laboratorium |
Wymagane podczas egzaminu/zaliczenia
Zaliczenie praktyczne - przykładowe zadanie.pdf
Zaliczenie-zagadnienia - Seria I.pdf
Realizowane podczas zajęć ćwiczeniowych/laboratoryjnych/projektowych
(-)
Inne
(-)
Czy podczas egzaminu/zaliczenia student ma możliwość korzystania z materiałów pomocniczych : tak
Dostępne materiały : Dokumentacja urządzeń
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 |