Cel kształcenia i wykaz literatury

Główny cel kształcenia: Głównym celem kształcenia realizowanego w ramach modułu jest przekazanie studentom podstawowej wiedzy dotyczącej metod i narzędzi stosowanych do projektowania i realizacji typowych układów regulacji automatycznej

Ogólne informacje o zajęciach: Moduł jest prowadzony na 4 semestrze studiów inżynierskich na kierunku Elektrotechnika

Materiały dydaktyczne: Treść wykładów w postaci plików pdf, wprowadzenia do ćwiczeń laboratoryjnych

Wykaz literatury, wymaganej do zaliczenia zajęć

Literatura wykorzystywana podczas zajęć wykładowych

1

L. Trybus

Teoria sterowania

Oficyna Wyd. PRz.

2005

Literatura wykorzystywana podczas zajęć ćwiczeniowych/laboratoryjnych/innych

1	jak wyżej		.
2	T. Żabiński, A. Bożek	Wprowadzenia do ćwiczeń laboratoryjnych	Materiały pomocnicze.
3	L. Trybus, T. Żabiński	Teoria sterowania - zbiór zadań	Oficyna Wyd. PRz.	2009

Wymagania wstępne w kategorii wiedzy/umiejętności/kompetencji społecznych

Wymagania formalne: Rejestracja na czwarty semestr studiów

Wymagania wstępne w kategorii Wiedzy: Podstawowa wiedza z matematyki i fizyki, podstawowa znajomość równań różniczkowych. Podstawowa wiedza z zakresu Automatyki i regulacji automatycznej I.

Wymagania wstępne w kategorii Umiejętności: Umiejętność konfigurowania i programowani sterowników automatyki zgodnie z wytycznymi normy IEC 61131-3

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	Wyjaśnia podstawowe pojęcia, metody, narzędzia oraz omawia typowe urządzenia stosowane w automatyce i układach regulacji automatycznej	wykład interaktywny, ćwiczenia problemowe, laboratorium problemowe	zaliczenie cz. pisemna	K_W03+	P6S_WG
02	Potrafi dokonać eksperymentalnej identyfikacji obiektu regulacji oraz dobrać typ i nastawy regulatora metodą techniczną	wykład interaktywny, ćwiczenia problemowe, laboratorium problemowe	egzamin cz. praktyczna, zaliczenie cz. praktyczna	K_W15+ K_U23+ K_K10+	P6S_KK P6S_KO P6S_UW P6S_WG
03	Omawia aktualne trendy rozwojowe w automatyce i regulacji automatycznej	wykład interaktywny, ćwiczenia problemowe, laboratorium problemowe	zaliczenie cz. pisemna	K_W03+ K_U01+ K_U05+	P6S_UU 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
4	TK01	Układ automatycznej regulacji - pojęcia podstawowe, regulator typu PID, urządzenia automatyki, trendy rozwojowe	W01,C01,L01	MEK01 MEK03
4	TK02	Matematyczne modelowanie typowych obiektów regulacji oraz modelowanie w pakiecie MATLAB/Simulink	W02,C02,L02	MEK01
4	TK03	Identyfikacja obiektów regulacji	W03,C03,,L03	MEK02
4	TK04	Dobór typu i nastaw regulatora dla typowych wymagań projektowych	W04,C04,L04	MEK02
4	TK05	Inne metody doboru nastaw regulatora	W05,C05	MEK03

Nakład pracy studenta

Forma zajęć	Praca przed zajęciami	Udział w zajęciach	Praca po zajęciach
Wykład (sem. 4)		Godziny kontaktowe: 10.00 godz./sem.	Uzupełnienie/studiowanie notatek: 10.00 godz./sem. Studiowanie zalecanej literatury: 5.00 godz./sem.
Ćwiczenia/Lektorat (sem. 4)	Przygotowanie do ćwiczeń: 7.00 godz./sem. Przygotowanie do kolokwium: 10.00 godz./sem.	Godziny kontaktowe: 10.00 godz./sem.	Dokończenia/studiowanie zadań: 5.00 godz./sem.
Laboratorium (sem. 4)	Przygotowanie do laboratorium: 5.00 godz./sem. Przygotowanie do kolokwium: 5.00 godz./sem.	Godziny kontaktowe: 10.00 godz./sem.	Dokończenia/wykonanie sprawozdania: 7.00 godz./sem.
Konsultacje (sem. 4)	Przygotowanie do konsultacji: 2.00 godz./sem.	Udział w konsultacjach: 0.50 godz./sem.
Egzamin (sem. 4)	Przygotowanie do egzaminu: 12.00 godz./sem.	Egzamin pisemny: 2.00 godz./sem.

Sposób wystawiania ocen składowych zajęć i oceny końcowej

Forma zajęć	Sposób wystawiania oceny podsumowującej
Wykład	egzamin pisemny
Ćwiczenia/Lektorat	zaliczenie pisemne
Laboratorium	zaliczenie praktyczne i pisemne
Ocena końcowa	Ocena końcowa = 0,7 oceny z egzaminu + 0,2 oceny z ćwiczeń + 0,1 oceny z laboratorium

Przykładowe zadania

Wymagane podczas egzaminu/zaliczenia
Zad12017.pdf

Realizowane podczas zajęć ćwiczeniowych/laboratoryjnych/projektowych
(-)

Inne
(-)

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

Dostępne materiały : materiały przygotowane przez egzaminatora

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