Cel kształcenia i wykaz literatury

Główny cel kształcenia: przekazanie podstawowych kompetencji dotyczących koncepcji, narzędzi i technologii informatycznych związanych z Przemysłem 4.0

Ogólne informacje o zajęciach: moduł jest prowadzony na trzecim semestrze studiów magisterskich; dostarcza podstawowej wiedzy dotyczącej obszarów i sposobów wykorzystania technologii informatycznych w Przemyśle 4.0

Wykaz literatury, wymaganej do zaliczenia zajęć

Literatura wykorzystywana podczas zajęć wykładowych

1	T. Żabiński i in.	Prezentacje i materiały własne wykładowców	.	2018
2		infosys.beckhoff.com	.
3		Pomoc i dokumentacja systemu Matlab	.
4		Pomoc i dokumentacje dla języków Python i R	.

Literatura wykorzystywana podczas zajęć ćwiczeniowych/laboratoryjnych/innych

1	T. Żabiński i in.	Materiały własne wykładowców	.	2018
2		infosys.beckhoff.com	.
3		Pomoc systemu Matlab	.
4		Pomoc i dokumentacje dla języków Python i R	.

Literatura do samodzielnego studiowania

1	K. Schwab	The Fourth Industrial Revolution	Crown Business.	2017
2	R. Agnihotri, S. New	Industry 4.0 Data Analytics	CreateSpace Independent Publishing Platform.	2016
3	P. Dittmann, E. Szabela-Pasierbińska, I. Dittmann, A. Szpulak	Prognozowanie w zarządzaniu sprzedażą i finansami przedsiębiorstwa	Oficyna a Wolters Kluwer business.	2011
4	A. Zagdański, A. Suchwałko	Analiza i prognozowanie szeregów czasowych. Praktyczne wprowadzenie na podstawie środowiska R	Państwowe Wydawnictwo Naukowe.	2016

Wymagania wstępne w kategorii wiedzy/umiejętności/kompetencji społecznych

Wymagania formalne: rejestracja na trzeci semestr studiów

Wymagania wstępne w kategorii Wiedzy: podstawowa wiedza i umiejętności w zakresie stosowania metod Inteligencji Obliczeniowej

Wymagania wstępne w kategorii Umiejętności: korzystanie z pakietu Matlab/Simulink lub języka Python oraz zasad stosowania środowisk projektowania inżynierskiego

Wymagania wstępne w kategorii Kompetencji społecznych: zdolność do współpracy w niewielkim zespole (projekt)

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 PRK
01	wyjaśnia podstawowe idee związane z Przemysłem 4.0	wykład	zaliczenie	K_W02+ K_W04+++ K_U02++ K_K01+++	P7S_KK P7S_UU P7S_WG
02	stosuje w podstawowym wymiarze narzędzia inżynierskie (Matlab, TwinCAT 3) lub język Python do konstruowania systemów monitorowania i nadzorowania zasobów produkcyjnych oraz procesów technologicznych.	wykład,projekt	zaliczenie	K_W02++ K_W04+ K_U02++ K_U06++ K_U13+++ K_K04++	P7S_KO P7S_UU P7S_UW P7S_WG
03	stosuje w podstawowym wymiarze narzędzia inżynierskie do analizy danych produkcyjnych przy zastosowaniu metod drążenia danych	wykład, projekt	zaliczenie	K_W02++ K_W04+ K_U02++ K_U06++ K_U13+++ K_K04++	P7S_KO P7S_UU P7S_UW P7S_WG
04	omawia wybrane pojęcia i metody prognozowania w kontekście ich zastosowań w przemyśle.	wykład, projekt	zaliczenie	K_W02++ K_U02+ K_U13++	P7S_UU P7S_UW P7S_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).

Treści kształcenia dla zajęć

Sem.	TK	Treści kształcenia	Realizowane na	MEK
1	TK01	Wprowadzenie do Przemysłu 4.0. Idea i cele.	W01
1	TK02	Inteligentne systemy produkcyjne; systemy klasy ERP i MES; systemy monitorowania zasobów produkcyjnych;metody inteligencji obliczeniowej.	W02	MEK01
1	TK03	Predykcyjne utrzymanie ruchu; Nadzorowanie procesów technologicznych; Strategia unikania produkcji wadliwych produktów	W03
1	TK04	Zasady i przykłady konstruowania systemów informatycznych dla Predykcyjnego Utrzymania Ruchu	W04, P1	MEK02
1	TK05	Zasady i przykłady konstruowania systemów monitorowania i nadzorowania zasobów produkcyjnych oraz procesów technologicznych	W05, P1
1	TK06	Rozwój systemów wspomagania decyzji w oparciu o analizę danych	W6	MEK02 MEK03
1	TK07	Analiza eksploracyjna, wizualizacja i wstępna obróbka danych przemysłowych	W7	MEK02 MEK03
1	TK08	Zastosowanie metod regresji i klasyfikacji do analizy danych przemysłowych.	W8, P2	MEK02 MEK03
1	TK09	Podstawowe pojęcia i metody analizy asocjacji i klasteryzacji	W9	MEK02 MEK03
1	TK10	Metody i techniki prognozowania w produkcji	W10,P2	MEK02 MEK03 MEK04

Nakład pracy studenta

Forma zajęć	Praca przed zajęciami	Udział w zajęciach	Praca po zajęciach
Wykład (sem. 1)		Godziny kontaktowe: 10.00 godz./sem.
Projekt/Seminarium (sem. 1)		Godziny kontaktowe: 10.00 godz./sem..
Konsultacje (sem. 1)
Zaliczenie (sem. 1)

Sposób wystawiania ocen składowych zajęć i oceny końcowej

Forma zajęć	Sposób wystawiania oceny podsumowującej
Wykład
Projekt/Seminarium
Ocena końcowa	0.25 test z wykładu + 0.75 ocena z projektu

Przykładowe zadania

Wymagane podczas egzaminu/zaliczenia
TIP40_PrzZad.pdf

Realizowane podczas zajęć ćwiczeniowych/laboratoryjnych/projektowych
(-)

Inne
(-)

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

Dostępne materiały :

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