Cel kształcenia i wykaz literatury

Główny cel kształcenia: Przekazanie studentom podstawowej wiedzy dotyczącej głównych zagadnień, metod i narzędzi informatycznych stosowanych w obszarze cyfryzacji systemów produkcyjnych i zastosowania w nich metod sztucznej inteligencji

Ogólne informacje o zajęciach: Moduł prowadzony jest na 8 semestrze studiów inżynierskich na kierunku informatyka

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

Wykaz literatury, wymaganej do zaliczenia zajęć

Literatura wykorzystywana podczas zajęć wykładowych

1	A. K. Kordon	Applying Computational Intelligence. How to Create Value	Springer-Verlag.	2010
2	D. Laha, P. Mandal	Handbook of Computational Intelligence in Manufacturing and Production Management	IGI Global.	2008
3	K. Schwab	The Fourth Industrial Revolution	Crown Business.	2017

Literatura wykorzystywana podczas zajęć ćwiczeniowych/laboratoryjnych/innych

1

jak wyżej

.

Literatura do samodzielnego studiowania

1	jak wyżej		.
2	R. Knosala	Zastosowania metod sztucznej inteligencji w inżynierii produkcji	WNT.	2002

Wymagania wstępne w kategorii wiedzy/umiejętności/kompetencji społecznych

Wymagania formalne: Rejestracja na 8 semestr studiów

Wymagania wstępne w kategorii Wiedzy: Podstawowa wiedza dotycząca technologii i systemów informatycznych oraz metod sztucznej inteligencji

Wymagania wstępne w kategorii Umiejętności: Podstawowa umiejętność programowania w językach C# lub Python

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 PRK
01	Ma wiedzę o rozwiązaniach informatycznych oraz trendach rozwojowych związanych z zastosowaniem technologii informatycznych, w tym metod sztucznej inteligencji, w systemach produkcyjnych.	wykład problemowy, projekt	prezentacja projektu	K_W09++ K_U06++ K_K01+++	P6S_KK P6S_UU P6S_UW P6S_WG
02	Ma podstawową wiedzę w zakresie inżynierii produkcji, w tym w szczególności zasad i narzędzi produkcji odchudzonej oraz systemów i technologii informatycznych wspomagających realizację procesów produkcyjnych.	wykład problemowy, projekt	obserwacja wykonawstwa, prezentacja projektu	K_W12++ K_U07++ K_K07+++	P6S_KO P6S_UW P6S_WG
03	Potrafi stosować technologie, systemy i narzędzia informatyczne do cyfryzacji procesów przemysłowych	wykład problemowy, projekt	obserwacja wykonania, prezentacja projektu	K_W09+++ K_U14+++ K_K07+++	P6S_KO P6S_UW P6S_WG
04	Potrafi stosować metody inteligencji obliczeniowej w systemach produkcyjnych	wykład problemowy, projekt	obserwacja wykonania, prezentacja projektu	K_W09+++ K_U06++ K_K07+++	P6S_KO P6S_UW 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).

Treści kształcenia dla zajęć

Sem.	TK	Treści kształcenia	Realizowane na	MEK
8	TK01	Przemysł 4.0 - cyfryzacja przemysłu. Geneza, technologie, sztuczna inteligencja, cyberbezpieczeństwo, kwestie społeczne i etyczne.	W01, P01-P07	MEK01
8	TK02	Proces produkcyjny - definicje podstawowych pojęć. Szeroko rozumiana automatyzacja i robotyzacja procesów produkcyjnych. Ogólne założenia i zasady szczupłej produkcji (Lean Manufacturing), straty występujące w procesach produkcyjnych.	W02, P01-P07	MEK02
8	TK03	Systemy i narzędzia informatyczne stosowane w procesach produkcyjnych.	W03, P01-P07	MEK01 MEK02
8	TK04	Przykłady zastosowania metod sztucznej inteligencji w systemach produkcyjnych. Studium przypadków.	W06-W07, P01-P07	MEK03 MEK04

Nakład pracy studenta

Forma zajęć	Praca przed zajęciami	Udział w zajęciach	Praca po zajęciach
Wykład (sem. 8)	Przygotowanie do kolokwium: 10.00 godz./sem.	Godziny kontaktowe: 10.00 godz./sem.	Uzupełnienie/studiowanie notatek: 20.00 godz./sem. Studiowanie zalecanej literatury: 20.00 godz./sem.
Projekt/Seminarium (sem. 8)		Godziny kontaktowe: 10.00 godz./sem..
Konsultacje (sem. 8)	Przygotowanie do konsultacji: 4.00 godz./sem.	Udział w konsultacjach: 2.00 godz./sem.
Zaliczenie (sem. 8)	Przygotowanie do zaliczenia: 10.00 godz./sem.	Zaliczenie ustne: 1.00 godz./sem.

Sposób wystawiania ocen składowych zajęć i oceny końcowej

Forma zajęć	Sposób wystawiania oceny podsumowującej
Wykład	prezentacja projektu
Projekt/Seminarium
Ocena końcowa	ocena końcowa = ocena z projektu

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	G. Piecuch; R. Żyła	Diagnosing Extrusion Process Based on Displacement Signal and Simple Decision Tree Classifier	2022
6	K. Antosz; E. Kozłowski; D. Mazurkiewicz; J. Sęp; T. Żabiński	Machine Multi-sensor System and Signal Processing for Determining Cutting Tools Service Life	2022
7	K. Antosz; E. Kozłowski; D. Mazurkiewicz; J. Sęp; T. Żabiński	Machining Process Time Series Data Analysis with a Decision Support Tool	2022
8	K. Antosz; E. Kozłowski; J. Sęp; T. Żabiński	The use of random forests to support the decision-making process for sustainable manufacturing	2022
9	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
10	J. Kluska; T. Mączka; T. Żabiński	Applications of Computational Intelligence Methods for Control and Diagnostics	2021
11	K. Antosz; E. Kozłowski; D. Mazurkiewicz; J. Sęp; T. Żabiński	Integrating advanced measurement and signal processing for reliability decision-making	2021
12	L. Gniewek; Z. Hajduk; J. Kluska; T. Żabiński	FPGA-Embedded Anomaly Detection System for Milling Process	2021
13	E. Kozłowski; D. Mazurkiewicz; S. Prucnal; J. Sęp; T. Żabiński	Machining sensor data management for operation-level predictive model	2020
14	G. Piecuch	Rotation Speed Detection of a CNC Spindle Based on Ultrasonic Signal	2020
15	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
16	J. Kluska; M. Kusy; R. Zajdel; T. Żabiński	Weighted Feature Selection Method for Improving Decisions in Milling Process Diagnosis	2020
17	J. Kluska; T. Mączka; T. Żabiński	Zastosowania metod inteligencji obliczeniowej do sterowania i diagnostyki	2020
18	J. Kluska; T. Żabiński	PID-Like Adaptive Fuzzy Controller Design Based on Absolute Stability Criterion	2020
19	M. Hadław; T. Żabiński	A new perspective for the application of the activity based costing method in manufacturing companies using MES class systems	2020
20	E. Kozłowski; D. Mazurkiewicz; S. Prucnal; J. Sęp; T. Żabiński	Assessment model of cutting tool condition for real-time supervision system	2019
21	E. Kozłowski; D. Mazurkiewicz; T. Żabiński	Identyfikacja stopnia zużycia frezu na podstawie analizy sygnału akustycznego	2019
22	G. Piecuch; S. Prucnal; T. Żabiński; R. Żyła	Milling process diagnosis using computational intelligence methods	2019
23	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
24	M. Madera ; G. Piecuch; T. Żabiński	Diagnostics of welding process based on thermovision images using convolutional neural network	2019