Cel kształcenia i wykaz literatury

Główny cel kształcenia: przekazanie studentom podstawowej wiedzy dotyczącej głównych zagadnień, metod i narzędzi informatycznych stosowanych w obszarze klasycznego i inteligentnego monitorowania i sterowania procesami produkcyjnymi

Ogólne informacje o zajęciach: Moduł prowadzony jest na szóstym semestrze studiów inżynierskich na kierunku "automatyka i robotyka"

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

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 szósty semestr studiów

Wymagania wstępne w kategorii Wiedzy: Podstawowa wiedza dotycząca technologii i systemów informatycznych, automatyki przemysłowej, urządzeń automatyki (sterowniki PAC) oraz metod inteligencji obliczeniowej

Wymagania wstępne w kategorii Umiejętności: Podstawowa umiejętność programowania w językach C# lub Java, konfigurowanie i programowanie sterowników PAC

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	Konfiguruje i obsługuje systemy wspomagające sterowanie procesami produkcyjnymi	wykład problemowy, laboratorium, projekt indywidualny	sprawdzian pisemny, obserwacja wykonania, prezentacja projektu	K_W13+ K_W17+++ K_U24+ K_U27+ K_U28+++	P6S_UW P6S_WG
02	Konfiguruje i obsługuje systemy monitorowania procesów produkcyjnych	wykład problemowy, laboratorium, projekt indywidualny	sprawdzian pisemny, obserwacja wykonawstwa, prezentacja projektu	K_W13+ K_W17+++ K_U24+ K_U27+ K_U28+++	P6S_UW P6S_WG
03	Zna podstawowe pojęcia, metody, trendy rozwojowe oraz typowe narzędzia stosowane w systemach monitorowania i sterowania procesami produkcyjnymi	wykład problemowy, laboratorium, projekt indywidualny	sprawdzian pisemny, obserwacja wykonania, prezentacja projektu	K_W13+ K_W16+ K_W17+++	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
6	TK01	Podstawowe pojęcia i aktualne trendy rozwojowe w obszarze monitorowania i sterowania procesami produkcyjnymi, systemy informatyczne - SCADA, MES, ERP, MPR	W01, L01	MEK03
6	TK02	Monitorowanie pracy maszyn i operatorów - studium przypadku	W02-W03, L02-L03, P01-P07	MEK01 MEK02
6	TK03	Planowanie i harmonogramowanie produkcji - studium przypadku	W04-W05, L04-L05, P01-P07	MEK01 MEK02
6	TK04	Monitorowanie produkcji w toku i genealogia produktu - studium przypadku	W06-W07, L06-L07, P01-P07	MEK01 MEK02

Nakład pracy studenta

Forma zajęć	Praca przed zajęciami	Udział w zajęciach	Praca po zajęciach
Wykład (sem. 6)		Godziny kontaktowe: 15.00 godz./sem.	Uzupełnienie/studiowanie notatek: 10.00 godz./sem. Studiowanie zalecanej literatury: 5.00 godz./sem.
Laboratorium (sem. 6)	Przygotowanie do laboratorium: 15.00 godz./sem. Przygotowanie do kolokwium: 6.00 godz./sem.	Godziny kontaktowe: 15.00 godz./sem.	Dokończenia/wykonanie sprawozdania: 3.00 godz./sem.
Projekt/Seminarium (sem. 6)	Przygotowanie do zajęć projektowych/seminaryjnych: 5.00 godz./sem.	Godziny kontaktowe: 15.00 godz./sem..	Wykonanie projektu/dokumentacji/raportu: 15.00 godz./sem. Przygotowanie do prezentacji: 4.00 godz./sem.
Konsultacje (sem. 6)	Przygotowanie do konsultacji: 2.50 godz./sem.	Udział w konsultacjach: 0.50 godz./sem.
Zaliczenie (sem. 6)	Przygotowanie do zaliczenia: 8.00 godz./sem.	Zaliczenie pisemne: 1.00 godz./sem.

Sposób wystawiania ocen składowych zajęć i oceny końcowej

Forma zajęć	Sposób wystawiania oceny podsumowującej
Wykład	zaliczenie pisemne
Laboratorium	obserwacja wykonawstwa
Projekt/Seminarium	prezentacja projektu
Ocena końcowa	ocena końcowa = 0,2 oceny z wykładu + 0,3 oceny z laboratorium + 0,5 oceny 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 : tak

Dostępne materiały : notatki własne, instrukcje obsługi urządzeń i oprogramowania

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