Moduł oferowany także w ramach programów studiów:
Informacje ogólne:
Nazwa:
Modelowanie stochastyczne procesów
Tok studiów:
2016/2017
Kod:
ZIP-3-003-n
Wydział:
Zarządzania
Poziom studiów:
Studia III stopnia
Specjalność:
-
Kierunek:
Inżynieria Produkcji
Semestr:
0
Profil kształcenia:
Ogólnoakademicki (A)
Język wykładowy:
Polski
Forma i tryb studiów:
Niestacjonarne
Osoba odpowiedzialna:
Duda Jan Tadeusz (jtduda@zarz.agh.edu.pl)
Osoby prowadzące:
dr Skalna Iwona (skalna@agh.edu.pl)
dr inż. Pełech-Pilichowski Tomasz (tomek@agh.edu.pl)
Kiluk Sebastian (skiluk@zarz.agh.edu.pl)
Duda Jan Tadeusz (jtduda@zarz.agh.edu.pl)
dr inż. Opiła Janusz (jmo@agh.edu.pl)
Krótka charakterystyka modułu

Opis efektów kształcenia dla modułu zajęć
Kod EKM Student, który zaliczył moduł zajęć wie/umie/potrafi Powiązania z EKK Sposób weryfikacji efektów kształcenia (forma zaliczeń)
Wiedza
M_W001 Potrafi klasyfikować zadania modelowania procesów w zależności od celu modelowania. Zna podstawowe metody budowania modeli matematycznych fenomenologicznych, zna zasady budowania modeli regresyjnych, rozumie ich ograniczenia i zakres stosowalności. Zna zasady redukcji złożoności modelu i linearyzacji. Zna zasady planowania eksperymentów. Zna zasady komputerowej symulacji dynamiki procesów. IP3A_W03, IP3A_W02 Aktywność na zajęciach,
Udział w dyskusji,
Odpowiedź ustna
Umiejętności
M_U001 Umie zbudować model teoretyczny prostego procesu ciągłego i sformułować zadanie jego identyfikacji. Potrafi dobrać strukturę modelu regresyjnego i posługiwać się biegle metodą analizy regresji. Umie wykorzystać pakiety obliczeniowe do identyfikacji współczynników nieliniowego modelu matematycznego. Potrafi ocenić istotność parametrów. Umie wykorzystać pakiety obliczeniowe do symulacji procesów. IP3A_U02 Aktywność na zajęciach,
Udział w dyskusji,
Wykonanie ćwiczeń laboratoryjnych,
Kolokwium
Kompetencje społeczne
M_K001 Ma świadomość możliwości i ograniczeń stosowania modeli matematycznych procesów do wspomagania procesów decyzyjnych w zarządzaniu i inżynierii produkcji. IP3A_K01 Udział w dyskusji,
Wykonanie ćwiczeń
M_K002 rozumie potrzebę stałego poszerzania wiedzy technologicznej dla budowania modeli procesów i doskonalenia umiejętności posługiwania się nowymi narzędziami komputerowymi IP3A_K03 Aktywność na zajęciach
Matryca efektów kształcenia w odniesieniu do form zajęć
Kod EKM Student, który zaliczył moduł zajęć wie/umie/potrafi Forma zajęć
Wykład
Ćwicz. aud
Ćwicz. lab
Ćw. proj.
Konw.
Zaj. sem.
Zaj. prakt
Zaj. terenowe
Zaj. warsztatowe
Inne
E-learning
Wiedza
M_W001 Potrafi klasyfikować zadania modelowania procesów w zależności od celu modelowania. Zna podstawowe metody budowania modeli matematycznych fenomenologicznych, zna zasady budowania modeli regresyjnych, rozumie ich ograniczenia i zakres stosowalności. Zna zasady redukcji złożoności modelu i linearyzacji. Zna zasady planowania eksperymentów. Zna zasady komputerowej symulacji dynamiki procesów. - - - - + - - - - - -
Umiejętności
M_U001 Umie zbudować model teoretyczny prostego procesu ciągłego i sformułować zadanie jego identyfikacji. Potrafi dobrać strukturę modelu regresyjnego i posługiwać się biegle metodą analizy regresji. Umie wykorzystać pakiety obliczeniowe do identyfikacji współczynników nieliniowego modelu matematycznego. Potrafi ocenić istotność parametrów. Umie wykorzystać pakiety obliczeniowe do symulacji procesów. - - - - + - - - - - -
Kompetencje społeczne
M_K001 Ma świadomość możliwości i ograniczeń stosowania modeli matematycznych procesów do wspomagania procesów decyzyjnych w zarządzaniu i inżynierii produkcji. - - - - + - - - - - -
M_K002 rozumie potrzebę stałego poszerzania wiedzy technologicznej dla budowania modeli procesów i doskonalenia umiejętności posługiwania się nowymi narzędziami komputerowymi - - - - + - - - - - -
Treść modułu zajęć (program wykładów i pozostałych zajęć)
Konwersatorium:

1. Pojęcie procesu i jego otoczenia, klasyfikacja procesów (ciągłe/dyskretne, dynamiczne/statyczne, stacjonarne/niestacjonarne), stany równowagowe i przebiegi przejściowe. Model matematyczny procesu i kryteria oceny jego jakości, cel modelowania jako punkt wyjścia do konstrukcji modelu, specyfikacja zmiennych wejściowych, wyjściowych i stanu procesu.
2. Modele fenomenologiczne: zasady zachowania i ich wykorzystanie do konstrukcji modeli w przestrzeni stanu, znaczenie wiedzy dziedzinowej, zasady redukcji złożoności modelu fenomenologicznego. Identyfikacji parametrów modelu teoretycznego. Linearyzacja modeli w przestrzeni stanu, modele liniowe w dziedzinie czasu i częstotliwości. Typowe człony dynamiczne – inercyjne, oscylacyjne, minimalno- i nieminimalnofazowe.
3. Modele statystyczne (wejścia/wyjścia) – metoda czarnej skrzynki: zakres zastosowań metod statystycznych, zasady doboru zmiennych wejściowych, metody redukcji liczby wejść (analiza komponentów głównych). Regresja liniowa – założenia, ograniczenia zastosowań, analiza istotności statystycznej wejść. Zastosowanie regresji liniowej do identyfikacji modeli nieliniowych linearyzowanych – zasady i ograniczenia. Regresja nieliniowa – problemy identyfikacji.
4. Regresja dynamiczna – modele ARMA, ARIMA, i ARMAX i ARIMAX – problemy budowy i identyfikacji.
5. Zastosowanie sztucznych sieci neuronowych do budowy modeli statycznych i dynamicznych – zakres zastosowań i ograniczenia: sieci neuronowe, ich rodzaje i sposoby wykorzystania do modelowania procesów.

Badanie właściwości modeli regresyjnych liniowych na przykładzie modeli statycznych wielomianowych, z wykorzystaniem prostego skryptu przygotowanego przez studenta w środowisku MATLAB (analiza efektów złego uwarunkowania modelu, poziomu zakłóceń, nadparametryzacji, określenie przedziałów ufności). Zapoznanie się z metodami algorytmicznego doboru struktury modelu (metoda odrzucania i dołączania) z wykorzystanie skryptu przygotowanego przez prowadzącego zajęcia. Budowa prostego modelu dynamicznego ARMA.

Nakład pracy studenta (bilans punktów ECTS)
Forma aktywności studenta Obciążenie studenta
Sumaryczne obciążenie pracą studenta 96 godz
Punkty ECTS za moduł 3 ECTS
Udział w konwersatoriach 14 godz
Przygotowanie do zajęć 14 godz
Wykonanie projektu 25 godz
Dodatkowe godziny kontaktowe z nauczycielem 2 godz
Egzamin lub kolokwium zaliczeniowe 2 godz
Samodzielne studiowanie tematyki zajęć 19 godz
Egzamin lub kolokwium zaliczeniowe 2 godz
Samodzielne studiowanie tematyki zajęć 18 godz
Pozostałe informacje
Sposób obliczania oceny końcowej:

Ocena końcowa wystawiana jest przez prowadzącego na podstawie oceny z egzaminu, z uwzględnieniem obecności i aktywności na konwersatoriach.
Ocenę zaokrągla się zależnie od obecności, z możliwością podniesienia (maks. o 1.0) na podstawie dodatkowego kolokwium ustnego.

Wymagania wstępne i dodatkowe:

Wiedza ogólna z zakresu fizyki, znajomość podstawowych metod statystyki matematycznej i algebry, umiejętność programowania w środowisku MATLAB

Zalecana literatura i pomoce naukowe:

Literatura
1. Duda J.T: Modele matematyczne, struktury i algorytmy nadrzędnego sterowania komputerowego. WND AGH, Kraków 2003
2. Mańczak K., Nachorski M.: Komputerowa identyfikacja obiektów dynamicznych. Warszawa, PWN, 1981
3. Tadeusiewicz R.: Sieci neuronowe: Warszawa, WNT, 1997.
4. Box G.E.P., Jenkins G.M.: Analiza szeregów czasowych. PWN, Warszawa, 1983
Zasoby internetowe:
materiały pomocnicze do zajęć (manuskrypt opracowania wykładowcy nt. metod statystycznych modelowania procesów)

Publikacje naukowe osób prowadzących zajęcia związane z tematyką modułu:

Nie podano dodatkowych publikacji

Informacje dodatkowe:

Moduł (przedmiot) jest komplementarny do prowadzonego kursu Prognozowanie i symulacja w przedsiębiorstwie.