AUTOMATION AND ROBOTICS ENGINEERING

I Modulo - INTRODUTION TO MECHANICAL SYSTEMS DYNAMICS Conoscenza e capacità di comprensione: Al termine del corso lo studente sarà in grado di descrivere e interpretare la cinematica e la dinamica tridimensionale dei corpi rigidi, le formulazioni lagrangiane e i principali fenomeni vibrazionali che caratterizzano i sistemi robotici. Capacità di applicare conoscenza e comprensione: Lo studente saprà applicare modelli cinematici e dinamici a sistemi meccanici tridimensionali, formulare modelli del moto mediante approcci energetici e analizzare problemi di equilibrio, stabilità e comportamento dinamico. Autonomia di giudizio: Lo studente saprà selezionare in modo critico i modelli e le ipotesi più appropriate per l'analisi dinamica di sistemi meccanici e robotici, valutando il significato fisico dei risultati ottenuti e i limiti dei modelli adottati. Abilità comunicative: Lo studente saprà descrivere e discutere modelli e fenomeni della dinamica dei sistemi meccanici utilizzando terminologia tecnica appropriata, formalismo matematico rigoroso e adeguate rappresentazioni grafiche. Capacità di apprendimento: Lo studente acquisirà un metodo di analisi dei sistemi meccanici che gli consentirà di approfondire in autonomia temi avanzati di dinamica, stabilità e vibrazioni e di proseguire gli studi con crescente autonomia.

I Modulo - INTRODUTION TO MECHANICAL SYSTEMS DYNAMICS Dinamica dei corpi rigidi nello spazio (30 ORE – 3 CFU) Sistemi di riferimento; matrice di rotazione e trasformazione di coordinate; tensore velocità di rotazione; teorema di Poisson; composizione delle rotazioni finite. Cinematica del corpo rigido nello spazio tridimensionale; esempi: giunto cardanico di Cardano-Hooke e giunti omocinetici. Distribuzione di massa, centro di massa, definizione e proprietà del tensore d'inerzia e dell'ellissoide d'inerzia. Rappresentazione matriciale delle equazioni del moto di un corpo rigido nello spazio tridimensionale e teoremi di conservazione. Equilibrio e stabilità. Esempi: tecniche di equilibratura statica e dinamica di corpi tridimensionali; stabilità delle rotazioni; giroscopio. Metodi per l'analisi dei sistemi dinamici e della stabilità (15 ORE – 1,5 CFU) Coordinate lagrangiane e spazio delle configurazioni; principio dei lavori virtuali; equazioni di Lagrange; principio di Hamilton e funzionale d'azione. Coordinate cicliche e integrali del moto. Introduzione alla meccanica hamiltoniana. Stabilità dei sistemi dinamici e tecniche perturbative con applicazioni alla robotica: esempi di sistemi motore-carico accoppiati e sistemi di trasmissione con riduttori. Vibrazioni nella robotica (15 ORE – 1,5 CFU) Sistemi multibody flessibili; fenomeni vibrazionali nei manipolatori robotici; vibrazioni lineari e non lineari; vibrazioni autoeccitate e indotte dall'attrito nei giunti e nelle trasmissioni robotiche; fenomeni di stick-slip e modelli di smorzamento non lineare; introduzione alle biforcazioni e alle oscillazioni a ciclo limite; tecniche di isolamento delle vibrazioni e smorzamento passivo; modelli modali e a ordine ridotto per sistemi robotici flessibili; accoppiamento dinamico e fenomeni di risonanza nei sistemi meccanici articolati.

I Modulo - INTRODUTION TO MECHANICAL SYSTEMS DYNAMICS Meccanica Applicata alle Macchine: indispensabile

I Modulo - INTRODUTION TO MECHANICAL SYSTEMS DYNAMICS L'insegnamento prevede 6 CFU per un impegno complessivo dello studente pari a 150 ore. Le attività didattiche comprendono 60 ore di lezioni frontali in presenza dedicate all'introduzione dei modelli teorici, alla discussione di esempi applicativi e all'analisi di casi studio relativi a sistemi meccanici e robotici. Le lezioni sono integrate da esempi numerici, discussione di problemi applicativi e approfondimenti su sistemi reali di interesse industriale e robotico. Lo studio individuale stimato è pari a 90 ore. La frequenza non è obbligatoria ma fortemente consigliata. Materiale didattico, dispense e comunicazioni saranno resi disponibili tramite la piattaforma Microsoft Teams del corso. Gli studenti non frequentanti sono invitati a contattare il docente via e-mail per ottenere le informazioni di accesso alla piattaforma Microsoft Teams, a utilizzare il materiale didattico e le dispense messe a disposizione e a concordare con il docente eventuali chiarimenti. Gli studenti con disabilità o DSA sono invitati a contattare il docente per concordare eventuali misure specifiche.

I Modulo - INTRODUTION TO MECHANICAL SYSTEMS DYNAMICS La valutazione finale consiste in un colloquio orale individuale. Il colloquio è finalizzato ad accertare la conoscenza e comprensione dei contenuti del corso, la capacità di formulare e interpretare modelli ed equazioni del moto, l'analisi di condizioni di equilibrio e stabilità, la comprensione dei fenomeni vibrazionali e l'utilizzo appropriato del linguaggio tecnico. Durante il colloquio lo studente potrà essere invitato a discutere semplici problemi applicativi, schemi dinamici e modelli matematici relativi agli argomenti trattati. Non sono previste prove intermedie obbligatorie. Il voto finale è espresso in trentesimi. Criteri di valutazione 18–21/30: Conoscenza essenziale degli argomenti e capacità applicative di base. 22–25/30: Buona comprensione dei modelli dinamici e adeguata capacità di analisi. 26–28/30: Padronanza dei contenuti, capacità di collegare gli argomenti e corretta interpretazione fisica dei risultati. 29–30/30: Conoscenza completa e approfondita, autonomia di giudizio e rigore nell'analisi. 30 e lode: Eccellente padronanza dei contenuti, particolare maturità scientifica e capacità critica.

I Modulo - INTRODUTION TO MECHANICAL SYSTEMS DYNAMICS Testi e materiali di base 1. Dispense e materiale didattico forniti dal docente. 2. N. Bellomo, L. Preziosi, C. Romano, Mechanics and Dynamical Systems with Mathematica, Springer-Verlag New York Inc., 2012. 3. A.A. Shabana, Dynamics of Multibody Systems, Cambridge: Cambridge University Press.

CONOSCENZA E CAPACITÀ DI COMPRENSIONE Lo studente acquisirà conoscenze relative alla progettazione e realizzazione di sistemi automatici di test e misura di impiego nell’ambito dell’automazione industriale e della robotica, e all’acquisizione e analisi dei segnali di misura. CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE Lo studente saprà utilizzare strumentazione di misura e schede DAQ in sistemi distribuiti, supervisionare PLC, impiegando ambienti software industriali e scientifici per controllo strumenti, sviluppo di pannelli operatore ed elaborazione dei dati. AUTONOMIA DI GIUDIZIO. Lo studente sarà in grado di valutare le prestazioni dei sistemi di misura automatici realizzati, analizzandone criticamente i risultati e stimandone l’incertezza di misura. ABILITÀ COMUNICATIVE. Lo studente sarà in grado di descrivere in modo chiaro le architetture dei sistemi di misura, le procedure di acquisizione ed elaborazione dei segnali, nonché i risultati ottenuti dalle attività sperimentali. CAPACITÀ DI APPRENDIMENTO. Lo studente svilupperà la capacità di approfondire autonomamente l’uso di strumenti hardware e software per la misura automatica, adattandosi a contesti applicativi industriali e scientifici in continua evoluzione.

Dispositivi DAQ, sistemi di misura distribuiti e tecniche di condizionamento del segnale (10 h, 1 CFU). Il rumore e le sue proprietà (5 h, 0.5 CFU). Analisi e interpretazione delle specifiche di strumenti e sistemi di acquisizione (5 h, 0.5 CFU). Analisi di dati di misura nel dominio della frequenza (5 h, 0.5 CFU). Tecniche di trasmissione dell’informazione di misura (5 h, 0.5 CFU). Sistemi ATE(5 h, 0.5 CFU). Strumentazione a logica programmata e virtuale (10 h, 1 CFU). Esercitazioni di laboratorio (15 h, 1.5 CFU). Introduzione all’uso di LabVIEW e realizzazione di strumenti di misura virtuali. Dispositivi per l’acquizione dati. Controllo di strumentazione tramite interfaccia GPIB e seriale. Introduzione all’uso di Arduino e di schede embedded. Supervisione e controllo di sistemi di automazione industriale tramite OPC UA.

Fondamenti di scienza delle misure, strumentazione analogica e digitale e principali metodi di misurazione.

L’insegnamento prevede 6 CFU, corrispondenti a 150 ore di impegno complessivo dello studente, che includono: 60 ore di didattica assistita, di cui 45 h per lezioni ed esercitazioni in aula e 15 h per esercitazioni di laboratorio guidate condotte da team di studenti; 90 ore di studio individuale, eventuale sviluppo di un progetto, tutoraggio in forma di assistenza individuale. Supporti alla didattica: dispense del corso, Arduino, strumentazione di misura, sensori, PC, software LabVIEW, laboratorio remotizzato, piattaforma istituzionale MS Teams per condivisione materiale e software didattico ed interazione con gli studenti. Gli studenti lavoratori e gli studenti con disabilità o DSA sono invitati a contattare il docente per concordare eventuali misure specifiche di supporto. Si invitano lavoratori e studenti con disabilità o DSA a contattare il docente per concordare eventuali ulteriori misure specifiche. La frequenza in presenza delle attività di laboratorio è fortemente raccomandata, tuttavia a supporto del raggiungimento degli obiettivi formativi gli studenti possono fruire del laboratorio remotizzato a distanza, disponibile in particolare per studenti part-time o in mobilità internazionale.

Lo studente può optare tra due modalità d’esame: una verifica orale sui contenuti del corso e sulle attività di laboratorio; la discussione di un progetto consistente nello sviluppo di un sistema di misura concordato con il docente. La discussione del progetto è finalizzata a valutare aspetti quali: competenza sull’argomento; chiarezza espositiva; comprensione del funzionamento del sistema di misura, sulla base dei fondamenti teorici; consapevolezza delle scelte progettuali; conoscenza delle caratteristiche, dei limiti e dei possibili miglioramenti del sistema. Criteri di graduazione del voto: 18-21, preparazione sufficiente; 22-24, preparazione discreta; 25-27, preparazione buona; 28-29, preparazione ottima; 30-30 e lode, preparazione eccellente. Per gli studenti con disabilità e DSA saranno garantiti gli strumenti compensativi e le misure dispensative previste dalla normativa.

Course lecture notes provided by the teacher trough institutional channels. DAQ’s and instrumentations data-sheets, application notes. F. Attivissimo, N. Giaquinto, “Data Acquisition”, Sciyo, 2010 Keitheley, “Low Level Measurement Handbook”, 2015 J. M. Pipier, “Automatic Measurement Control”, Rodhe & Schwarz, 2001 Steven W. Smith, The Scientist and Engineer's Guide to Digital Signal Processing, California Technical Publishing, 1998 S. L. Brunton and J. N. Kutz, Data-Driven Science and Engineering: Machine Learning, Dynamical Systems, and Control, 2nd ed. Cambridge: Cambridge University Press, 2022.

Conoscenza e capacità di comprensione 1. Conoscenza e capacità di comprensione delle tecniche di modellazione dei sistemi dinamici temporizzati tempocontinui e tempodiscreti. 2. Conoscenza e capacità di comprensione delle tecniche di analisi delle prestazioni dei sistemi dinamici temporizzati tempocontinui e tempodiscreti. 3. Conoscenza e capacità di comprensione delle tecniche di simulazione delle prestazione dei sistemi dinamici temporizzati tempocontinui e tempodiscreti. Capacità di applicare conoscenza e comprensione 1. Capacità di modellare autonomamente sistemi dinamici temporizzati tempocontinui e tempodiscreti. 2. Capacità di applicare autonomamente metodologie di analisi delle prestazioni e/o progettazione di sistemi dinamici temporizzati tempocontinui e tempodiscreti. 3. Capacità di progettare ed eseguire autonomamente test al calcolatore per la simulazione e valutazione delle prestazioni di sistemi dinamici temporizzati tempocontinui e tempodiscreti. Eventuali ulteriori risultati di apprendimento attesi, relativamente a: • Autonomia di giudizio: Capacità di scegliere autonomamente il metodo di calcolo adatto all'esecuzione di test di analisi delle prestazioni e/o progettazione di sistemi dinamici temporizzati tempocontinui e tempodiscreti. • Abilità comunicative: Capacità di scrivere relazioni tecniche e descriverne il contenuto sulla modellazione, l’analisi delle prestazioni e la simulazione di sistemi dinamici continui temporizzati. • Capacità di apprendimento: Capacità di studiare e comprendere autonomamente nuovi metodi di modellazione, analisi delle prestazioni e simulazione di sistemi dinamici temporizzati tempocontinui e tempodiscreti.

Lezioni teoriche ed esercitazioni numeriche: Oggetto della teoria dei sistemi. Sistemi statici e dinamici. Definizione assiomatica di sistema dinamico: movimento, traiettoria, equilibrio. Sistemi tempo-discreti e tempo-continui, tempoinvarianti, regolari, a dimensioni finite, lineari. Sistemi interconnessi. Il movimento nei sistemi lineari e tempoinvarianti; rappresentazione di stato e matrice di trasferimento. L’equilibrio nei sistemi lineari e tempoinvarianti. Stabilità del movimento e dell’equilibrio. Stabilità dei sistemi lineari. Linearizzazione intorno all’equilibrio e analisi di stabilità. Stabilità in grande. Raggiungibilità e osservabilità nei sistemi lineari e tempoinvarianti e scomposizione canonica.

Nozioni fondamentali di fisica, di calcolo matriciale e spazi vettoriali. Trasformata di Laplace e rappresentazione di sistemi tempo-continui, lineari e tempoinvarianti mediante funzione di trasferimento. Z-trasformata e rappresentazione di sistemi tempo-discreti, lineari e tempoinvarianti mediante funzione di trasferimento. Stabilità di una funzione di trasferimento.

Lezioni alla lavagna supportate da slide powerpoint, esempi numerici, analisi di casi in studio anche in laboratorio con il software MATLAB.

Esame scritto o due esoneri in alternativa. È possibile richiedere un tema d’anno aggiuntivo. Il candidato deve dimostrare di aver ben compreso gli argomenti insegnati nel corso, dimostrando autonomia di scelta degli strumenti e capacità di superare le difficoltà tipiche dell’applicazione della disciplina a contesti reali. Il requisito minimo è la capacità di applicare ai sistemi dinamici le tecniche di modellazione, analisi e simulazione studiate durante il corso con il medesimo livello di dettaglio con cui gli argomenti sono stati presentati a lezione.

TESTI DI RIFERIMENTO PRINCIPALI: 1) M. Dotoli, Dispense del corso, sito web del corso http://e-learning.poliba.it/course/view.php?id=74 2) S. Rinaldi, Teoria dei sistemi, CLUP Milano. 3) E. Fornasini, G. Marchesini, Appunti di teoria dei sistemi, Edizioni Libreria Progetto, Padova. ULTERIORI TESTI SUGGERITI: 4) G. Marro, Fondamenti di teoria dei sistemi, Pàtron,Bologna. 5) A. Ruberti, A. Isidori, Teoria dei sistemi, Boringhieri, Torino.

Tipo esame: Orale - Valutazione: Voto Finale - Frequenza: Non obbligatoria

Tipo esame: Orale - Valutazione: Voto Finale - Frequenza: Non obbligatoria

Conoscenza e capacità di comprensione - conoscenze e competenze relative a metodi e tecniche di Interazione Uomo-Macchina con particolare riferimento all’esperienza utente - conoscenza relativa a tecnologie delle applicazioni 3D Capacità di applicare conoscenza e comprensione - saper impiegare tecniche e strumenti propri dell’Interazione Uomo-Macchina nella progettazione di applicazioni interattive - saper creare applicazioni 3D attraverso l’uso di strumenti di programmazione avanzati e professionali Autonomia di giudizio - capacità di gestione delle problematiche relative alla creazione di applicazioni interattive Abilità comunicative: - saper redigere report e relazioni tecniche - saper lavorare in gruppo - saper comunicare con chiarezza le metodologie utilizzate nella realizzazione di applicazioni 3D e i risultati ottenuti Capacità di apprendimento: - avere le capacità di apprendere nuove conoscenze scientifiche nell'area delle tecnologie digitali - avere le capacità di studiare e valutare autonomamente un problema e le sue possibili soluzioni

Fondamenti dell'interazione uomo-computer Interaction Design e Human-Centred Design User experience Modello di interazione Norman Principi di dialogo Analisi dei requisiti Prototipi Valutazione euristica Studi sull'utente Visualizzazione delle informazioni Intelligenza Artificiale Centrata sull'Uomo Brain-Computer Interfaces Modellazione 3d con Unity Scripting C# Shader, materiali e texture Fisionomia negli ambienti 3D Rigging e skinning Animazioni Interfacce utente 3D Introduzione all'AR/VR Compilazione di applicazioni 3D

L'insegnamento è strutturato in lezioni frontali, che incoraggiano l'interazione e la partecipazione attiva degli studenti. Sono previste anche attività di laboratorio. È previsto l'uso di tecnologie digitali per lo svolgimento delle lezioni e delle esercitazioni.

Le date degli appelli sono rese disponibili su Esse3 non appena il docente viene abilitato a farlo. Il periodo di prenotazione termina una settimana prima. L’esame consiste di una prova di verifica della teoria e di una prova pratica (caso di studio) da svolgere in gruppi di 2-4 studenti. Prova teorica La prova di verifica della teoria consisterà in un’interrogazione orale (o, in caso di molti iscritti all’appello, di una traccia contenente domande a cui rispondere per iscritto). La prova di verifica della teoria riceve un voto espresso in trentesimi. Prova pratica Durante il corso, il docente propone un elenco di casi di studio. Anche se fortemente sconsigliato, gli studenti possono proporre un caso di studio diverso da quelli proposti in cui dimostrano di essere in grado di applicare correttamente il processo Human-Centred a un caso di studio (per esempio, progettazione user-centred di un sistema interattivo, valutazione di un sito web, etc). Il caso di studio verrà presentato da tutti i componenti del gruppo nell’appello in cui sosterrà la prova di verifica della teoria il primo componente del gruppo. La presentazione avrà una durata di circa 15 minuti e sarà coadiuvata dall’uso di slides (una decina circa). La documentazione che descrive il caso di studio va consegnata (usando un qualunque canale: email, WeTransfer, link dropbox, etc) non più tardi di 3 giorni prima la data dell’appello. La prova di verifica della teoria riceve un voto espresso in trentesimi. A seconda della difficoltà o della qualità della realizzazione, i casi di studio proposti dal docente permettono di guadagnare eventuali punti bonus (da 0 a 3). Calcolo del voto finale Il voto finale dell’esame, espresso in trentesimi, è calcolato secondo la seguente formula: voto finale = media(voto tema d’anno + voto orale) + punti bonus Per gli studenti del Dottorato di Ricerca, l’esame consiste nella presentazione di un seminario, della durata massima di 30 minuti, in cui presentano la loro ricerca e come tenere in considerazione l’HCI. Bisogna preparare una breve tesina e una presentazione powerpoint.

Dispense fornite dal docente. Roberto Polillo. FACILE DA USARE – Una moderna introduzione alla ingegneria dell’usabilità. Edizioni Apogeo.

Scopo dell’insegnamento è quello di descrivere le architetture, le tecnologie abilitanti ed i principi di progettazione delle reti di telecomunicazioni nella Internet of Things. Gli argomenti trattati nelle lezioni teoriche saranno riscontrati in laboratorio per ottenere tangibili prove sul campo dell’efficacia delle soluzioni architetturali presentate nel corso. Conoscenze e abilità attese: Conoscenza delle principali architetture IoT Conoscenza dei protocolli IPv6 e 6LoWPAN Capacità di analisi degli elementi di una rete IoT (WPAN e WAN) Capacità di usare un corretto linguaggio tecnico scientifico. Capacità di progettare sistemi IoT complessi

Fondamenti di Internet (0,5 CFU): concetti di base, reti di telecomunicazioni, architetture protocollari e modello TCP/IP (richiami). Elementi di IoT (1 CFU): requisiti architetturali e di sistema, consumi energetici, tolleranza ai guasti, specifiche di qualità del servizio, domini applicativi. Sistemi Radio Frequency Identification (2 ore): tag, accesso multiplo, applicazioni, standard EPC. Il protocollo IPv6 (1 CFU): indirizzamento, instradamento e formato del pacchetto. Architetture e protocolli di comunicazione per l’Internet of Things (1,5 CFU): 802.15, LP-WAN, ZigBee, Wireless HART, 6LoWPAN, RPL, CoAP, Wireless Sensor Network e IoT industriale. Le reti di telecomunicazioni per applicazioni industriali (1 CFU): tecnologia HART. Standard IEC/ISA SP50. Industrial Ethernet. Foundation Fieldbus, WorldFIP, SERCOS. CAN, TTCAN, FLexray, LIN. Profibus, P-Net, Ethernet power link, Lonworks. Lo standard IEC 61850 ed i sistemi di comunicazione nelle Smart Grid. Power Line Communication. Piattaforme di prototipazione rapida per sistemi IoT (1 CFU).

Conoscenze di base di reti di telecomunicazioni.

Lezioni frontali ed esercitazioni di laboratorio. Informazioni per il ricevimento studenti: Dipartimento di Ingegneria Elettrica e dell'Informazione, Politecnico di Bari ( http://dei.poliba.it) Stanza docente: III piano, DICAR, palazzo strutture.Tel. 0805963911. E-mail: [email protected]. Ricevimento: ogni giorno previo appuntamento via email.

La verifica dell’apprendimento è stabilita tramite una prova orale finalizzata ad accertare il livello di conoscenza e capacità di comprensione raggiunto dallo studente sui contenuti teorici e metodologici indicati nel programma. La prova orale consente inoltre di verificare la capacità di comunicazione dello studente con proprietà di linguaggio ed organizzazione autonoma dell'esposizione. Contenuti minimi: architetture di protocolli a corto a lungo raggio per sistemi IoT. IPv6

O. Hersent et al. The Internet of Things: Key Applications and Protocols, Wiley; 2nd ed, 2012. D. Uckelmann et al. Architecting the Internet of Things, Springer, 1st ed. 2011. Z. Shelby. 6LoWPAN: The Wireless Embedded Internet. Wiley; 1st ed. 2010. L. Yan et al. The Internet of Things: From RFID to the Next-Generation Pervasive Networked Systems. Auerbach Publications. 2008.

ML: -Conoscere i principi del machine learning supervisionato e non supervisionato e i relativi paradigmi; descrivere le principali famiglie di algoritmi; comprendere le principali problematiche e i criteri di valutazione e selezione dei modelli. -Formulare un problema reale come compito di apprendimento, selezionare e addestrare il modello appropriato, valutare le prestazioni con metriche adeguate, implementare e interpretare i modelli su dati reali in linguaggio Python. -Valutare criticamente l’idoneità di un modello al problema e ai dati, confrontare soluzioni alternative sulla base di evidenze sperimentali, riconoscere e diagnosticare problematiche e formulare giudizi sull’affidabilità dei risultati. -Comunicare in forma chiara, in lingua inglese, metodi, scelte progettuali e risultati di un’analisi di machine learning a interlocutori specialisti e non specialisti, utilizzando terminologia tecnica appropriata e grafici adeguati. -Acquisire gli strumenti cognitivi per approfondire autonomamente tecniche e tecnologie emergenti del settore e per aggiornare le proprie competenze in modo autodiretto, anche consultando letteratura scientifica e documentazione tecnica. AI: Il corso introduce i principi fondamentali dell’Intelligenza Artificiale con particolare attenzione alla modellazione e alla progettazione di sistemi intelligenti e agenti autonomi. Al termine del corso, gli studenti saranno in grado di comprendere e applicare tecniche di ricerca e risoluzione di problemi, soddisfacimento di vincoli, rappresentazione della conoscenza, ragionamento automatico, pianificazione, ricerca avversaria e apprendimento per rinforzo. Il corso mira inoltre a sviluppare la capacità di formalizzare problemi complessi, selezionare le tecniche di Intelligenza Artificiale più appropriate e valutarne criticamente prestazioni, vantaggi e limiti. Una particolare attenzione è dedicata agli aspetti applicativi, attraverso la progettazione di semplici agenti intelligenti e lo sviluppo di programmi in Prolog per la rappresentazione della conoscenza e l’inferenza logica.

ML: 1. Introduzione al Machine Learning (4 ore – 0,4 CFU) Definizione e paradigmi (apprendimento supervisionato e non supervisionato); esempi applicativi reali; concetti chiave: dati, modello, generalizzazione e overfitting. 2. Apprendimento supervisionato: metodi di base (6 ore – 0,6 CFU) Impostazione del problema di apprendimento supervisionato; metodi basati sulla distanza (k-NN); alberi di decisione. 3. Regressione lineare (6 ore – 0,6 CFU) Minimi quadrati ed equazioni normali; discesa del gradiente; stima di massima verosimiglianza; variabili categoriche. 4. Regressione logistica e classificazione (6 ore – 0,6 CFU) Classificatore probabilistico; logistic loss; confine di decisione; classificazione multiclasse (softmax). 5. Valutazione e affidabilità dei modelli (8 ore – 0,8 CFU) Errore su nuovi dati; hold-out e k-fold cross-validation; compromesso bias-varianza; metriche per classificatori (matrice di confusione, precision/recall, F1, ROC/AUC). 6. Regolarizzazione e selezione del modello (6 ore – 0,46CFU) Regolarizzazione dei parametri; selezione delle variabili (subset e stepwise); criteri Cp/AIC/BIC; scelta degli iperparametri. 7. Reti neurali e deep learning (8 ore – 0,8 CFU) Dal modello lineare alle reti multistrato; reti profonde; addestramento (discesa del gradiente stocastica, backpropagation); regolarizzazione (dropout); esempio MNIST. 8. Metodi ensemble (5 ore – 0,5 CFU) Bagging; errore out-of-bag; random forest; introduzione al boosting. 9. Support Vector Machines e metodi kernel (5 ore – 0,5 CFU) Margine massimo; support vector; kernel trick e classificazione non lineare. 10. Apprendimento non supervisionato (6 ore – 0,6 CFU) Modelli generativi e analisi discriminante (GMM, LDA/QDA); clustering (k-means, k-medoids, density-based); riduzione della dimensionalità (PCA) e autoencoder. AI: Il corso copre i principali paradigmi dell’Intelligenza Artificiale classica e agent-based. Dopo un’introduzione all’Intelligenza Artificiale e al concetto di agente intelligente, vengono affrontate la formulazione dei problemi mediante spazi degli stati e le principali strategie di ricerca informata e non informata, incluse euristiche e tecniche di ricerca locale. Una parte del corso è dedicata ai Constraint Satisfaction Problems (CSP), con tecniche di modellazione e algoritmi quali backtracking e forward checking. Vengono quindi introdotte la rappresentazione della conoscenza, la logica proposizionale e la logica del primo ordine, insieme ai principali meccanismi di inferenza, alle clausole di Horn, all’unificazione e alla risoluzione. Questi concetti vengono applicati alla programmazione logica mediante Prolog. La parte conclusiva introduce problemi decisionali multi-agente, giochi a somma zero, ricerca avversaria e principi fondamentali dell’apprendimento per rinforzo. Il corso comprende inoltre attività pratiche dedicate all’implementazione di algoritmi di ricerca, alla risoluzione di CSP e allo sviluppo di programmi in Prolog.

ML: Per seguire efficacemente l’insegnamento sono utili i seguenti prerequisiti, riconducibili a conoscenze acquisibili nel percorso precedente e nei primi insegnamenti di base: – Elementi di algebra lineare (vettori, matrici, operazioni tra matrici): importante. – Elementi di analisi matematica (funzioni, derivate, nozione di ottimizzazione): importante. – Nozioni di base di probabilità e statistica: utile. – Fondamenti di logica e programmazione (preferibilmente in linguaggio Python): utile. AI: Per affrontare efficacemente il corso sono consigliate conoscenze di base di programmazione, strutture dati e algoritmi. In particolare, è utile avere familiarità con la programmazione procedurale e orientata agli oggetti, le principali strutture dati e le nozioni fondamentali di complessità computazionale. Sono inoltre richieste conoscenze di base di matematica discreta e logica, tra cui insiemi, relazioni, funzioni, logica proposizionale e ragionamento deduttivo, oltre ai principi generali della rappresentazione dei dati e della progettazione del software.

ML: L’insegnamento è erogato in lingua inglese e si articola in lezioni frontali, esercitazioni in aula ed esercitazioni di laboratorio in Python con strumenti open source come Google Colab (che non richiedono l’uso di particolare hardware da parte dello studente) su dataset reali, con attività di lavoro guidato a supporto delle competenze applicative e trasversali. Le metodologie sono scelte secondo il principio del Constructive Alignment, in coerenza con i risultati di apprendimento attesi: le lezioni frontali sviluppano la conoscenza e comprensione (Descrittore A); le esercitazioni e il laboratorio sviluppano la capacità di applicare conoscenza (B) e l’autonomia di giudizio (C); la presentazione e discussione dei risultati sviluppa le abilità comunicative (D); l’apertura verso tecniche emergenti sostiene la capacità di apprendimento (E). Carico di lavoro: – CFU totali: 6 – Ore totali: 150 – Ore di didattica frontale: 36 – Ore di didattica a distanza: 0 – Ore di attività pratiche (laboratorio/esercitazioni): 24 – Ore di studio individuale: 90 La frequenza è fortemente consigliata. Materiali e comunicazioni sono gestiti tramite la piattaforma di Ateneo (Microsoft Teams). Gli studenti lavoratori e gli studenti con disabilità o DSA sono invitati a contattare la docente per concordare modalità e strumenti adeguati. AI: Il corso prevede 6 CFU, corrispondenti a 150 ore complessive di impegno dello studente. Le 60 ore di didattica assistita sono articolate in 36 ore di lezioni frontali, 12 ore di esercitazioni e 12 ore di laboratorio; le restanti 90 ore sono dedicate allo studio individuale e alla preparazione delle prove di valutazione. Le lezioni introducono e approfondiscono i fondamenti teorici attraverso slide, spiegazioni alla lavagna ed esempi guidati. Le esercitazioni consolidano i concetti attraverso la risoluzione e la modellazione di problemi, mentre le attività di laboratorio sono dedicate all'applicazione pratica delle metodologie studiate, con particolare attenzione alla programmazione in Prolog. La frequenza non è obbligatoria, ma è fortemente consigliata. Il materiale didattico, comprendente slide, dispense, esercizi, esempi di codice, tracce d’esame e materiale integrativo, viene reso disponibile attraverso la piattaforma indicata dal docente, di norma Microsoft Teams.

ML: La valutazione complessiva è espressa in trentesimi e si compone di due prove: 1) Prova scritta (teoria ed esercizi): quesiti a risposta aperta ed esercizi numerici, finalizzata ad accertare la conoscenza dei fondamenti e la capacità di applicarli (Descrittori A e B) e l’autonomia di giudizio nella scelta e valutazione dei modelli (C). Durata indicativa: 2 ore; è consentito l’uso di una calcolatrice. La valutazione della prova è espressa in ventesimi. 2) Project work in Python con discussione: sviluppo individuale (o in piccolo gruppo) di una pipeline di machine learning su un dataset assegnato, con relazione e discussione orale; accerta la capacità applicativa (B), l’autonomia di giudizio (C) e le abilità comunicative (D). La presentazione ha una durata indicativa di 20 minuti ed è supportata da slide. La valutazione è espressa in decimi. È prevista una valutazione formativa durante il corso, tramite feedback sulle attività di laboratorio. Criteri di gradazione del voto (fasce): – 18–21: conoscenza essenziale dei concetti fondamentali e applicazione guidata; – 22–25: buona padronanza dei metodi e capacità di applicarli a problemi standard; – 26–28: conoscenza approfondita, con corretta scelta e valutazione critica dei modelli; – 29–30 e lode: piena padronanza, autonomia nell’impostare e giustificare soluzioni anche in contesti nuovi, esposizione chiara e rigorosa. Per gli studenti con disabilità e DSA sono garantiti gli strumenti compensativi e le misure dispensative previste dalla normativa vigente. AI: La valutazione finale è espressa in trentesimi e comprende due componenti: una prova pratica di programmazione e una prova teorica. La prova pratica verifica la capacità di applicare gli algoritmi e le tecniche affrontate durante il corso attraverso esercizi di programmazione e di problem solving, con particolare riferimento a Python e Prolog. La prova teorica verifica invece la conoscenza e la comprensione dei principali argomenti del corso e può comprendere domande aperte, esercizi di modellazione e problemi. Le prove possono essere organizzate secondo differenti modalità, incluse prove intermedie, prove separate o una prova completa, secondo quanto comunicato dal docente all’inizio del corso. Per superare l’esame è necessario ottenere una valutazione finale di almeno 18/30 e superare entrambe le componenti previste.

ML: Testi di riferimento principali: – T. Hastie, R. Tibshirani, J. Friedman, The Elements of Statistical Learning, Springer. – G. James, D. Witten, T. Hastie, R. Tibshirani, An Introduction to Statistical Learning, Springer. – C. M. Bishop, Pattern Recognition and Machine Learning, Springer. Approfondimenti consigliati: – K. P. Murphy, Probabilistic Machine Learning, MIT Press. – D. MacKay, Information Theory, Inference, and Learning Algorithms, Cambridge University Press. – S. Shalev-Shwartz, S. Ben-David, Understanding Machine Learning, Cambridge University Press. Materiale didattico: slide delle lezioni, lecture note ed esercitazioni (anche per studenti non frequentanti) resi disponibili dalla docente sulla piattaforma Microsoft Teams del corso. Ove possibile sono indicate risorse didattiche in accesso aperto (OER). AI: Il principale materiale di studio è costituito dalle slide, dispense, esercizi, esempi svolti, tracce d’esame e materiali integrativi messi a disposizione dal docente. I principali testi di riferimento sono: - S. Russell, P. Norvig, Artificial Intelligence: A Modern Approach, 4th Edition, Pearson. - I. Bratko, Prolog Programming for Artificial Intelligence, 4th Edition, Addison-Wesley. Il testo di Russell e Norvig costituisce il principale riferimento per i fondamenti dell’Intelligenza Artificiale, gli agenti intelligenti, la ricerca, i Constraint Satisfaction Problems, i giochi e l’apprendimento per rinforzo. Il testo di Bratko è il riferimento principale per la programmazione logica e Prolog. Ulteriori articoli scientifici, documentazione tecnica e risorse online potranno essere indicati durante il corso per l’approfondimento di specifici argomenti.

Tipo esame: Orale - Valutazione: Voto Finale - Frequenza: Non obbligatoria

Tipo esame: Orale - Valutazione: Voto Finale - Frequenza: Non obbligatoria

Conoscenza e capacità di comprensione: - Conoscere e comprendere le principali strutture di conversione e le caratteristiche dei principali dispositivi semiconduttori di potenza. - Conoscere e comprendere le principali tecniche PWM con modulante costante e sinusoidale e le principali tecniche di controllo dei convertitori elettronici di potenza. Capacità di applicare conoscenza e comprensione: - Scegliere e implementare la tecnica di modulazione PWM più adeguata al tipo di conversione. - Individuare il dispositivo elettronico di potenza adeguato alle specifiche applicative, implementare tecniche PWM su sistemi di controllo e simulare convertitori elettronici di potenza con software specifico. Autonomia di giudizio: - Analizzare e valutare con autonomia il funzionamento dei principali convertitori elettronici di potenza, individuando criticità e soluzioni progettuali coerenti con le specifiche applicative. Abilità comunicative: - Descrivere e documentare con adeguata proprietà di linguaggio tecnico il funzionamento, la modulazione, il controllo e i risultati di simulazione dei principali convertitori elettronici di potenza. Capacità di apprendimento: - Applicare in modo autonomo le tecniche di analisi, simulazione e progettazione acquisite per affrontare lo studio di convertitori elettronici di potenza più complessi non trattati durante il corso.

Argomento 1 (28 ORE – 2,8 CFU) Principali strutture di conversione e tecniche di modulazione PWM: celle base di conversione; Half Bridge con modulazione PWM costante; Full Bridge con modulazione PWM bipolare e unipolare costante; richiami sull’analisi di Fourier; Half Bridge e Full Bridge con modulazione PWM sinusoidale; inverter trifase con modulazione PWM sinusoidale, iniezione di terza armonica e Space Vector Modulation; campionamento ed effetto dei dead time. Argomento 2 (8 ORE – 0,8 CFU) Controllo di convertitori elettronici di potenza: controllo di corrente di un convertitore; controllo basato su regolatori PI; Internal Model Principle e controllori risonanti; controllo dell’inverter trifase. Argomento 3 (14 ORE – 1,4 CFU) Esercitazioni al Matlab/Simulink: implementazione dei modelli e delle tecniche di controllo per i convertitori elettronici di potenza analizzati. Argomento 4 (10 ORE – 1 CFU) Esercitazione di laboratorio: realizzazione del circuito Half Bridge; implementazione in linguaggio C di PWM Trailing Edge DC/AC e PWM Double Edge DC/AC; controllo in open loop Half Bridge DC/AC; post-processing delle grandezze elettriche misurate.

Conoscenze e competenze acquisibili attraverso i corsi di Analisi Matematica, Geometria ed Elettrotecnica.

L’insegnamento prevede 6 CFU, corrispondenti a 60 ore di attività didattica assistita e circa 90 ore di studio individuale. Le attività sono organizzate in lezioni frontali sui principi di conversione, modulazione e controllo dei convertitori elettronici di potenza, esercitazioni al calcolatore con Matlab/Simulink e attività pratiche di laboratorio. Sono previste 36 ore di didattica frontale, 14 ore di esercitazioni al Matlab/Simulink, 10 ore di laboratorio. Le esercitazioni e il laboratorio sono finalizzati all’implementazione dei modelli, delle tecniche PWM e delle tecniche di controllo analizzate durante il corso.

La verifica dell’apprendimento consiste in una prova orale unica che concorre interamente alla valutazione finale. Il colloquio è volto ad accertare la conoscenza dei principi base dei convertitori elettronici di potenza, dei collegamenti logici e matematici relativi alle principali grandezze fisiche, delle tecniche PWM e delle tecniche di controllo trattate nel corso. Sono inoltre valutate la capacità di leggere e comprendere i principali layout circuitali, di analizzare il funzionamento dei convertitori, di descrivere con proprietà di linguaggio tecnico le soluzioni adottate e di applicare le conoscenze acquisite a casi non affrontati direttamente a lezione. I requisiti minimi per il superamento dell’esame consistono nella conoscenza dei principi di funzionamento, della configurazione circuitale e delle modalità di modulazione e controllo dei principali convertitori elettronici di potenza in programma. La valutazione tiene conto della correttezza tecnica, della completezza delle risposte, della capacità di collegamento tra teoria, simulazione e laboratorio, dell’autonomia di giudizio e della chiarezza espositiva. Per gli studenti con disabilità e DSA saranno garantiti gli strumenti compensativi e le misure dispensative previste dalla normativa.

1. M.H. Rashid, “Elettronica di potenza. Vol. 1 - Dispositivi e circuiti”, Pearson Prentice Hall, 2007. 2. M.H. Rashid, “Elettronica di potenza. Vol. 2 - Applicazioni”, Pearson Prentice Hall, 2008.

Al termine dell'insegnamento lo studente sarà in grado di descrivere e interpretare: le caratteristiche di base e i principi di funzionamento dei principali sensori e trasduttori utilizzati in ambito industriale (sensori di temperatura quali RTD, termistori, termocoppie, ecc., sensori di spostamento e posizione, sensori di deformazione meccanica, sensori di corrente elettrica, ecc.). Conoscerà inoltre i principali standard di riferimento per il condizionamento e la trasmissione a distanza dei segnali utilizzati nei sistemi di automazione industriale.

Argomento 1 (2.5 ORE - 0.25 CFU) Lezione zero: impostazione del corso, metodi e modalità di verifica. Presentazione dell'insegnamento, della sua articolazione teorica e pratica, del materiale didattico e delle modalità di lavoro. Descrizione delle attività di laboratorio, delle consegne, della prova scritta con risposte in Matlab, della correzione automatica e dell'eventuale prova orale di verifica. Argomento 2 (2.5 ORE – 0.25 CFU) CONCETTI FONDAMENTALI SUI SENSORI E TRASDUTTORI: sensibilità, detectività, principali componenti di errore (offset, guadagno, nonlinearità, ecc.), classificazione e caratterizzazione dei sensori, sensori attivi e passivi Argomento 3 (5 ORE – 0.5 CFU) PRINCIPI FISICI DI TRASDUZIONE: termoresistivo, termoelettrico, piezoelettrico, piezoresistivo, ecc. Argomento 4 (10 ORE – 1 CFU) CONDIZIONAMENTO SEGNALI PER I PRINCIPALI TIPI DI SENSORI E TRASDUTTORI UTILIZZATI NELL’INDUSTRIA: Trasduttori di segnali isolati (a una, due e tre vie), Standard industriali per la trasmissione dei segnali di uscita dei trasduttori (0-10 V, loop di corrente 0(4) – 20 mA) Argomento 5 (10 ORE – 1 CFU) SENSORI DI TEMPERATURA: s.t. termomeccanici, RTD (Resistive Temperature Detectors) e relativi standard di riferimento, Termistori (NTCs e PTCs) e i loro modelli fondamentali (Beta e Steinhart-Hart), s.t. termoelettrici.: termocoppie e loro caratteristiche di dettaglio, coefficiente di Seebeck assoluto e relativo, termocoppie standard industriali, compensazione del giunto freddo in modo hardware e software; generatori termoelettrici di Peltier. Esercitazioni di laboratorio: misura di temperatura con Arduino e NTC, Pt100 e termocoppie. Argomento 6 (10 ORE – 1 CFU) SENSORI DI DEFORMAZIONE MECCANICA: concetti di base: stress, strain e relazione tra esse, coefficiente di Poisson, sensori di deformazione piezoresistivi bonded e unbonded, gauge factor, misura di deformazione con strain gauge e ponte di Wheatstone; sensori a fibra ottica e reticolo di Bragg. Esercitazione di laboratorio con strain gauge resistivi. Argomento 7 (10 ORE – 1 CFU) SENSORI DI SPOSTAMENTO E POSIZIONE: sensori resistivi, capacitivi e induttivi; LVDT e RVDT; sensori magnetostrittivi; encoder ottici lineari e rotativi. Argomento 8 (10 ORE – 1 CFU) SENSORI DI CORRENTE ELETTRICA: shunt resistivi, bobina di Rogowski, trasformatori di corrente, sensori ad effetto Hall ad anello aperto e chiuso, Sensori FluxGate, Sensori di corrente a fibra ottica (FOCS).

• teoria dei segnali: Importante - Fondamenti di scienza della misurazione: Importante - Teoria dei controlli automatici: Importante

Il corso comprende 6 CFU, corrispondenti a 150 ore complessive di impegno dello studente. Le ore di didattica assistita sono 60: 36 ore di lezioni frontali e 24 ore di esercitazioni in aula e laboratorio. Le restanti 90 ore sono dedicate allo studio individuale, allo svolgimento di esercizi, alla preparazione della prova scritta e, per gli studenti che partecipano alle esercitazioni, alla preparazione e alla rielaborazione delle attività di laboratorio e delle relative consegne. Le lezioni frontali sono svolte con lavagna elettronica, slide e uso di ambienti di sviluppo specifici (MATLAB, Visual Studio Code, LabVIEW e altri). Le esercitazioni in laboratorio prevedono l'uso di strumentazione reale, in particolare multimetri digitali, generatori di forme d'onda e oscilloscopi a segnali misti o analizzatori di segnali digitali, e sono supportate da slide sintetiche e concettuali e comprendono dimostrazioni preliminari interattive eseguite direttamente dal docente al fine di consentire la migliore comprensione possibile delle attività da svolgere. La frequenza delle lezioni e delle esercitazioni non è obbligatoria, ma è fortemente consigliata, soprattutto per le attività di laboratorio. Gli studenti non frequentanti sostengono l'esame con le stesse modalità degli altri studenti e sul programma corrente; non possono tuttavia ottenere il punteggio addizionale associato alle consegne di laboratorio dell'anno accademico corrente. Le esercitazioni di laboratorio possono essere organizzate in turni distinti per gruppi di studenti; il monte ore indicato si riferisce all'impegno previsto per ciascuno studente. La didattica ordinaria è svolta in presenza. Non vi sono ore programmate di didattica a distanza. Quando necessario o utile per gli studenti, e conformemente alle disposizioni di Ateneo, alcune attività non di laboratorio possono essere svolte anche da remoto mediante Microsoft Teams.

La valutazione finale è espressa in trentesimi e si basa su una prova orale e sulla valutazione delle eventuali consegne di laboratorio. Le consegne di laboratorio consistono nella descrizione dettagliata dei setup sperimentali realizzati con relativi schemi elettrici ed eventuale codice sviluppato, nonché delle misure effettuate e dei risultati finali ottenuti. Per gli studenti con disabilità e DSA saranno garantiti gli strumenti compensativi e le misure dispensative previste dalla normativa.

[1] Materiale didattico sviluppato dal docente [2] A. Cataldo et al., Basic Theory and Laboratory Experiments in Measurement and Instrumentation, Springer Nature Switzerland AG, 2020 [3] J. Fraden, Handbook of modern sensors - physics, designs, and applications, 5th ed., Springer, 2016, ISBN 978-3-319-19302-1 [4] Nathan Ida, Sensors, Actuators, and Their Interfaces: A multidisciplinary introduction, 2nd Edition, The Institution of Engineering and Technology, Herts (UK), 2020, ISBN 978-1-78561-835-2/978-1-78561-836-9 [5] Jon S. Wilson (Editor), Sensor Technology Handbook, Newnes, 2005, ISBN 9780750677295, https://doi.org/10.1016/B978-0-7506-7729-5.50080-X. [6] R. Pallàs-Areny, J. G. Webster, Sensors and Signal Conditioning, 2nd ed., John Wiley & Sons Inc., 2003 [7] I. R. Sinclair, Sensors and Transducers (3rd Edition), Newnes, 2001, ISBN 0-7506-4932-1 [8] T. Petruzzellis, Electronic Sensors for the Evil Genius, McGraw Hill, 2006, ISBN 0-07-147036-0 [9] Measurement Computing, Data Acquisition Handbook - A Reference for DAQ and Analog & Digital Signal Conditioning, available online: https://www.mccdaq.com/support/Data-Acquisition-Handbook [10] Selection of application notes published by main ICs, sensors and instrumentation manufacturing companies [11] Altro materiale di approfondimento su richiesta degli studenti Il materiale didattico non coperto da copyright è reso disponibile nella cartella dedicata della classe MS Teams associata al corso. ENG [1] Teaching material developed by the teacher [2] A. Cataldo et al., Basic Theory and Laboratory Experiments in Measurement and Instrumentation, Springer Nature Switzerland AG, 2020 [3] J. Fraden, Handbook of modern sensors - physics, designs, and applications, 5th ed., Springer, 2016, ISBN 978-3-319-19302-1 [4] Nathan Ida, Sensors, Actuators, and Their Interfaces: A multidisciplinary introduction, 2nd Edition, The Institution of Engineering and Technology, Herts (UK), 2020, ISBN 978-1-78561-835-2/978-1-78561-836-9 [5] Jon S. Wilson (Editor), Sensor Technology Handbook, Newnes, 2005, ISBN 9780750677295, https://doi.org/10.1016/B978-0-7506-7729-5.50080-X. [6] R. Pallàs-Areny, J. G. Webster, Sensors and Signal Conditioning, 2nd ed., John Wiley & Sons Inc., 2003 [7] I. R. Sinclair, Sensors and Transducers (3rd Edition), Newnes, 2001, ISBN 0-7506-4932-1 [8] T. Petruzzellis, Electronic Sensors for the Evil Genius, McGraw Hill, 2006, ISBN 0-07-147036-0 [9] Measurement Computing, Data Acquisition Handbook - A Reference for DAQ and Analog & Digital Signal Conditioning, available online: https://www.mccdaq.com/support/Data-Acquisition-Handbook [10] Selection of application notes published by main ICs, sensors and instrumentation manufacturing companies [11] Additional in-depth material available upon student request. Teaching material not copyrighted is made available through the platform indicated by the instructor, typically Microsoft Teams, and include slides, handouts, demo scripts in Python, Matlab, or LabVIEW, manuals, and selected technical notes.

Tipo esame: Orale - Valutazione: Voto Finale - Frequenza: Non obbligatoria

Tipo esame: Orale - Valutazione: Voto Finale - Frequenza: Non obbligatoria

Conoscenza e capacita’ di analizzare i problemi connessi con la determinazione di un modello matematico partendo da dati numerici; Conoscenza e capacità di progettare un esperimento di raccolta dati al fine di ottenere un buon modello; Capacità di individuare la giusta famiglia di modelli per un dato problema, ed un criterio di ottimizzazione idoneo; Conoscenza e capacità di comprensione degli schemi di controllo basati su modelli. Capacità di determinare un modello matematico idoneo ad un predefinito scopo, impostando correttamente tutti i gradi di libertà della scelta, avvalendosi di strumenti di ottimizzazione numerica realizzati in moderni ambienti di programmazione matematica; Capacità di progettare sistemi di controllo basati sui modelli ottenuti o ottimizzati attraverso procedure di identificazione. Autonomia di giudizio: lo studente acquisirà piena autonomia nell’affrontare un problema di identificazione di un modello di dati numerici e di controllo basato su tale modello Abilità comunicative: Il corso fornisce sia nozioni teoriche che pratiche, e fornisce allo studente l’abilità di confrontarsi e dialogare sui temi del corso sia in ambiente accademico sia in contesti applicativi ed industriali Capacità di apprendimento: miglioramento delle capacità di apprendimento basato su metodi didattici che incentivano l’approfondimento, anche basandosi su esercitazioni da svolgere in autonomia individualmente ed in gruppo.

Lezioni frontali 1) Introduzione al problema dell’identificazione, modelli parametrici e non parametrici, algoritmi di ricerca, scelta dei dati, validazione. 2) L’approccio basato sull’errore di predizione. Famiglie di modelli per l’identificazione di sistemi lineari, e corrispondenti predittori. Metodo dei minimi quadrati e relative estensioni. Ingressi persistentemente eccitanti. 3) Analisi asintotica ed in frequenza dei metodi di identificazione basati sull’errore di predizione. Strategie per il miglioramento della qualita’ del modello. 4) Il caso dell’identificazione di sistemi non lineari: famiglie di modelli lineari nei parametri e non lineari. 5) Reti neuronali: fondamenti e proprieta’. L’algoritmo di retropropagazione dell’errore. 6) Tecniche di controllo basato su modello: dalla feedback linearization agli approcci alla Lyapunov. 7) Adaptive Feedback linearization ed altre strategie per l’apprendimento on-line dei parametri del modello finalizzate al controllo. Argomenti erogati mediante lezioni con l’ausilio del calcolatore 1) Identificazione di modelli lineari, anche con l’ausilio del System Identification Toolbox del Matlab 2) Identificazione di modelli non-lineari con reti neuronali, anche avvalendosi del Neural Network Toolbox del Matlab 3) Controllo basato su modello: progettazione e simulazione con il con il Matlab ed il Simulink. Conoscenze di base della teoria dei sistemi e dei fondamenti dell’automatica. Lezioni frontali Argomenti erogati mediante lezioni con l’ausilio del calcolatore

Il candidato deve dimostrare in un colloquio orale di aver ben compreso gli argomenti insegnati nel corso, dimostrando autonomia di scelta degli strumenti e capacità di superare le difficoltà tipiche dell’applicazione della disciplina a contesti reali. Il requisito minimo è la capacità di presentare in forma orale e, laddove si tratti di aspetti implementativi, attraverso il computer tutti gli argomenti svolti con il medesimo livello di dettaglio con cui gli argomenti sono stati presentati a lezione. Su richiesta degli studenti, è possibile parcellizzare i contenuti del corso in due prove di esonero, da svolgersi a metà e fine corso.

1. “Appunti del corso” 2. S. Bittanti, “Identificazione dei modelli e sistemi adattativi”, ISBN 88-371-1200-9, Pitagora Editrice. 3. J.A. Farrell, M. M. Polycarpou, “Adaptive Approximation Based Control: Unifying Neural, Fuzzy and Traditional Adaptive Approximation Approaches”, Wiley-Interscience, 2006. MATERIALE DI SUPPORTO ALLA DIDATTICA Materiale in formato elettronico fornito dal docente attraverso cartelle condivise su Teams. ULTERIORI TESTI SUGGERITI 1. O. Nelles, Nonlinear System Identification, Springer, 2000. 2. L. Ljung, System Identification, Theory for the User, Prentice-Hall, 1987.

Nel primo modulo si approfondisce lo studio delle macchine elettriche. In particolare, si ricavano i diagrammi a blocchi dei modelli dinamici dei motori elettrici in coordinate d-q. Nel secondo modulo si approfondisce lo studio degli azionamenti elettrici industriali ad alta dinamica. Si illustrano le tecniche di progetto dei controllori. Si illustrano, inoltre, gli osservatori più utilizzati per la stima del flusso e della velocità.

I Modulo: Modelli dinamici di macchine elettriche CFU: 6 Per le seguenti tipologie di macchine elettriche saranno esposti alcuni elementi costruttivi, il modello matematico in coordinate di fase, α−β e d-q ed i diagramma a blocchi in regime stazionario e transitorio. Motori sincroni brushless sinusoidali (1.5 CFU, 12 ore lez.). Motori sincroni brushless trapezoidali (0.5 CFU, 4 ore lez.). Motori sincroni a riluttanza (0.5 CFU, 4 ore lez.). Motori asincroni (1.5 CFU, 16 ore lez). Esercitazioni al calcolatore: simulazioni al calcolatore delle macchine elettriche con il metodo degli elementi finiti (1 CFU 16 ore) e modelli dinamici con Matlab/Simulink (1 CFU 16 ore) II Modulo: Controllo di azionamenti elettrici CFU: 6 PROGRAMMA: Azionamenti con motori brushless sinusoidali e trapezoidali. (1 CFU, 8 ore lez.) Controllo vettoriale di una macchina sincrona a magneti permanenti. Controllo delle componenti d-q della corrente di statore. Controllo in cascata di coppia, velocità e di posizione. Equivalente tempo-continuo di un azionamento digitale. Tipi di carico, elementi meccanici di trasmissione e limiti della regolazione nel caso di sistemi meccanici oscillanti. (0.75 CFU, 6 ore lez.) Traiettorie per azionamenti elettrici, vincoli sui profili di velocità ed accelerazione, applicazione di filtri per l’attenuazione delle oscillazioni meccaniche. (0,75 CFU, 6 ore lez) Azionamenti con motori asincroni. (1 CFU, 8 ore lez.) Controllo scalare. Principio del controllo vettoriale degli azionamenti con motori asincroni: comando delle componenti di coppia e di flusso rotorico della corrente di statore. Controllo in cascata di coppia, velocità e di posizione, controllo in cascata della componente di corrente generante il flusso di rotore e del flusso stesso. Funzionamento alle alte velocità, indebolimento del campo, limitazioni dovute alla tensione dell’inverter. Azionamenti con motori sincroni a riluttanza, controllo a massima coppia per unità di corrente, per unità di flusso o massimo fattore di potenza. (0,25 CFU, 2 ore lez.) Controllo sensorless di motori sincroni ed asincroni. (0,25 CFU, 2 ore lez.) Sistemi di protezione degli azionamenti elettrici. (0,25 CFU, 2 ore lez.). Compatibilità elettromagnetica per azionamenti elettrici (0,5 CFU, 4 ore lez.) Esercitazioni di laboratorio: Prototipizzazione rapida di sistemi di controllo di azionamenti di motori elettrici ad induzione e brushless sinusoidali (0,25 CFU, 6 ore es.). Esercitazioni al calcolatore: Simulazione al calcolatore di azionamenti sincroni ed asincroni (1 CFU, 16 ore es.)

Circuiti monofase e trifase in regime sinusoidale e transitorio. Trasformata di Laplace. Funzioni di trasferimento. Diagrammi di Bode. Luogo delle radici. Uso di Matlab e Simulink. Principio di funzionamento delle macchine elettriche rotanti.

Lezioni in aula, esercitazioni al calcolatore con software Matlab/Simulink, lavoro di gruppo in laboratorio, tutoraggio in forma di assistenza individuale.

Tipo esame: Orale - Valutazione: Voto Finale - Frequenza: Non obbligatoria

TESTI DI RIFERIMENTO PRINCIPALI: H. Grob, J. Hamann, G. Wiegartner: “Azionamenti elettrici di avanzamento nell’automazione industriale”, Tecniche Nuove, 2002. L. Bonometti: “Convertitori di potenza e servomotori brushless”, UTET, 2001. ULTERIORI TESTI SUGGERITI: R. Krishnan: “Electric Motor Drives: Modeling, Analysis, and Control”, Prentice Hall, 2001. G. Legnani, M. Tiboni, R. Adamini: “Meccanica degli azionamenti”, Editrice Esculapio, 2002. C. Melchiorri: “Traiettorie per Azionamenti Elettrici”, Editrice Esculapio, 2001. Dispense fornite dal docente.

Prova finale

Tipo esame: Orale - Valutazione: Voto Finale - Frequenza: Non obbligatoria

Prova finale

Tipo esame: Orale - Valutazione: Voto Finale - Frequenza: Non obbligatoria

Tipo esame: Orale - Valutazione: Voto Finale - Frequenza: Non obbligatoria

Tipo esame: Orale - Valutazione: Giudizio Finale - Frequenza: Non obbligatoria

Tipo esame: Orale - Valutazione: Voto Finale - Frequenza: Non obbligatoria

Tipo esame: Orale - Valutazione: Voto Finale - Frequenza: Non obbligatoria

Tipo esame: Orale - Valutazione: Voto Finale - Frequenza: Non obbligatoria

Tipo esame: Orale - Valutazione: Voto Finale - Frequenza: Non obbligatoria

Gli studenti dovranno acquisire le tecniche per modellare, analizzare, progettare e gestire sistemi complessi che possono essere modellati come sistemi ad eventi discreti (sistemi automatizzati di produzione, sistemi di trasporto integrati, sistemi lohistici, sistemi sanitari). Inoltre inizieranno ad affrontare problemi di automazione conl’uso dell’intelligenza artificiale. Gli studenti dovranno acquisire le tecniche per modellare, analizzare, progettare e gestire sistemi complessi che possono essere modellati come sistemi ad eventi discreti (sistemi automatizzati di produzione, sistemi di trasporto integrati, sistemi lohistici, sistemi sanitari). Inoltre inizieranno ad affrontare problemi di automazione conl’uso dell’intelligenza artificiale.

1. Generalità sui sistemi ad eventi discreti (modelli logici e temporizzati) 2 ore 2. Generalità sulla simulazione ad eventi 2 ore 3. Reti di Petri: definizioni, analisi delle proprietà strutturali. 6 ore 4. Determinazione degli invarianti 4 ore 5. Controllo a supervisione mediante reti di Petri. 4 ore 6. Reti di Petri temporizzate e simulazione 2 ore 7. Modelli con le reti di Petri di sistemi complessi (manifatturieri, di trasporto, ecc.) 2ore 8. Le catene di Markov: proprietà 2 ore 9. Ergodicità e probabilità di regime 2 ore 10. Generalità sul reinforcement learning e deep reinforcement learning 4 ore 11. Algoritmi di reinforcement 4 ore 12. Ricerca della politica 4 ore 13. Casi di studio con deep reinforcement learning 2 ore Esercitazioni: 14. Esempi di modelli di sistemi ad eventi con reti di Petri 2 ore 15. Esempi di analisi e di controllo di sistemi ad eventi 2 ore 16. Esempi di modelli con reti di code 2 ore 17. Esempi di simulazione con Matlab e con Arena 4 ore

Conoscenze di algebra lineare, calcolo della probabilità, elementi di teoria dei grafi

Conoscenze di algebra lineare, calcolo della probabilità, elementi di teoria dei grafi

1. Generalità sui sistemi ad eventi discreti (modelli logici e temporizzati) 2 ore 2. Generalità sulla simulazione ad eventi 2 ore 3. Reti di Petri: definizioni, analisi delle proprietà strutturali. 6 ore 4. Determinazione degli invarianti 4 ore 5. Controllo a supervisione mediante reti di Petri. 4 ore 6. Reti di Petri temporizzate e simulazione 2 ore 7. Modelli con le reti di Petri di sistemi complessi (manifatturieri, di trasporto, ecc.) 2ore 8. Le catene di Markov: proprietà 2 ore 9. Ergodicità e probabilità di regime 2 ore 10. Generalità sul reinforcement learning e deep reinforcement learning 4 ore 11. Algoritmi di reinforcement 4 ore 12. Ricerca della politica 4 ore 13. Casi di studio con deep reinforcement learning 2 ore Esercitazioni: 14. Esempi di modelli di sistemi ad eventi con reti di Petri 2 ore 15. Esempi di analisi e di controllo di sistemi ad eventi 2 ore 16. Esempi di modelli con reti di code 2 ore 17. Esempi di simulazione con Matlab e con Arena 4 ore

Conoscenza e capacità di comprensione 1.Conoscenza delle proprietà caratteristiche di un processo aziendale, dei criteri di classificazione dei processi e delle caratteristiche e modalità di implementazione di una organizzazione per processi 2.Conoscenza approfondita dei passi del ciclo di vita del Business Process Management (analisi, (ri)progettazione, implementazione (digitalizzazione), esecuzione e monitoraggio dei processi) e degli approcci/metodologie per la loro gestione, con particolare riferimento alla Soft System Methodology 3.Conoscenza delle principali tecniche di rappresentazione grafica dei processi, con particolare riferimento alla Extended Event-Driven Process Chain (e-epc) e al Business Process Modeling Notation (BPMN) 4. Conoscenza dei principi alla base della trasformazione digitale e sostenibile di un processo aziendale Capacità di applicare conoscenza e comprensione Capacità di individuare un processo aziendale. Capacità di caratterizzazione di una istanza di processo e di applicazione dei concetti di decomposizione e specializzazione di un processo. Capacità di definire Key Performance Indicators per un processo. Capacità di effettuare l’analisi as-is di un processo. Capacità di riprogettare un processo in chiave di trasformazione digitale e sostenibile. Capacità di disegnare un processo attraverso differenti tecniche di rappresentazione grafica. Capacità di gestire tutte le fasi del ciclo di vita del BPM. Capacità di classificare le piattaforme di BPM. Capacità di digitalizzare un processo. Eventuali ulteriori risultati di apprendimento attesi, relativamente a: •Autonomia di giudizio: sviluppo della capacità di giudizio su necessità di riprogettazione di un processo aziendale in chiave di trasformazione sostenibile e digitale: capacità di confrontarsi, nell’ambito di un gruppo, in fasi di analisi e riprogettazione di un processo, in merito alla propria visione su priorità e metodi propri del BPM •Abilità comunicative: capacità di scrivere un report tecnico nel quale (i) illustrare le modalità di funzionamento di un processo as-is (ii) argomentare sulla necessità di eventuale riprogettazione in chiave di trasformazione sostenibile e digitale (iii) illustrare e presentare ipotesi di riprogettazione; capacità di realizzare e discutere una presentazione usando supporti software; capacità di comunicare un lavoro svolto in gruppo; capacità di discutere i vantaggi derivanti dalla digitalizzazione dei processi •Capacità di apprendimento: la preparazione acquisita rende lo studente capace di analizzare, riprogettare e eventualmente digitalizzare qualsiasi processo aziendale

Introduzione al corso/Cenni/richiami di organizzazione aziendale (0,5 CFU) Introduzione. Organizzazione: definizione e proprietà. Modello di Mintzberg. Dimensioni contestuali e strutturali di una organizzazione. Introduzione alla Progettazione organizzativa. Principali Strutture organizzative. Processi aziendali e organizzazione per processi (1,25 CFU) Proprietà caratteristiche dei processi. Istanze di processo. Attività, interdipendenze e meccanismi di coordinamento. Teorie organizzative sul coordinamento. Classificazione dei processi. Specializzazione, decomposizione dei processi e Business Process Reference Models. Organizzazione per processi. Processi e misurazione delle prestazioni. Analisi e riprogettazione dei processi (1,75 CFU) Metodologie di analisi e riprogettazione dei processi. L’importanza della trasformazione e la Soft System Methodology. Casi di studio. Tecniche di rappresentazione dei processi. Extended-event driven process chain (e-epc). Business Process Modeling Notation (BPMN). Software per mappare i processi: Aris express Il ciclo di vita del Business Process Management (0,75 CFU) Fondamenti teorici. Differenze fra Business Process Management (BPM) e Business Process Reengineering. Il ciclo di vita del BPM. Digitalizzazione dei processi e Piattaforme di BPM: la piattaforma BONITA BPM. La piattaforma Jamio e il caso Openwork. Green Business Process Management e Sustainable Business Process Management per la trasformazione sostenibile dei processi aziendali. Cenni su Case Management. Process Theory e Variance theory. Business Process Maturity Models. BPM e Industria 4.0. Cenni su process mining Applicare praticamente il BPM (1,75 CFU) Approfondimenti riguardante l’analisi e la riprogettazione dei processo aziendale su casi reali da svolgersi in gruppo.

Concetti di base dell’organizzazione aziendale

Lezioni, articoli scientifici e casi di studio presentati in aula con il supporto di PC portatile e videoproiettore; seminari e testimonianze da parte di esperti di trasformazione digitale su invito del docente; chiarimenti forniti dal docente, esercitazioni in laboratorio su software di mappatura e esecuzione dei processi. Lavori di gruppo su casi di studio reali

L’esame consiste in una prova orale durante la quale gli studenti e le studentesse sono invitati/e a: (i) presentare il project work svolto in gruppo su un caso di analisi e redesign di un processo reale e (ii) discutere sui principali temi affrontati nel corso Per superare l'esame, lo studente deve: - saper caratterizzare, analizzare e riprogettare un processo aziendale - sapere disegnare un processo in e-epc e BPMN - Conoscere e saper applicare i concetti di: istanza di processo, decomposizione e specializzazione - Conoscere le fasi del ciclo di vita del BPM e sapere come le piattaforme di BPM possono supportare tali fasi - Sapere cosa significa e come effettuare la digitalizzazione di un processo - Sapere come usare i green e social process patterns per rendere più sostenibile un processo

The aim of the course it that of allowing the students to understand all the aspects related to DEEP LEARNING problems in their different applications. At the end of the course they will get all the knowledge needed to classify and formalize a problem under an algorithmic perspective and eventually focus on the elements related to the application domain. An implementation for all the algorithms and techniques addressed is shown during the lectures thus allowing the students for a better and deeper understanding of all the aspects associated with their application. The implementation is initially presented independently of a specific programming language in order to leave to the students the choice of the tool they are more comfortable with. • Autonomia di giudizio: Whenever possible and available, different algorithms and techniques are presented to tackle the same problem in order to foster autonomy in judging the right approach to adopt for a given problem. • Abilità comunicative: Lectures are given in a very interactive way in order to favor communication skills of the students. • Capacità di apprendimento: For some very specific topics, the students will be provided with only some initial pointers to scientific literature thus promoting their ability of self-training.

• Intro to Deep Learning (2,5 h - 0,25 CFU) - Deep Learning Fundamentals (2,5 h - 0,25 CFU) - Deep Neural Networks (10 h - 1 CFU) How the backpropagation algorithm works, Neural Network training, Architectural Components, Activations, Losses, Improving the way neural networks learn, Examples: Music Generation - Deep Computer Vision (7,5 h - 0,75 CFU) Parameter transformation, CNNs, Computer Vision Applications, Examples: A brief introduction to Neural Style Transfer - Deep Sequence Modeling (5 h - 0,5 CFU) RNNs, GRUs, LSTMs, Attention Mechanisms, Transfer Learning and Transformers - Energy-Based Models (2,5 h - 0,25 CFU) Self supervised learning, Energy-Based Models - Deep Generative Modeling (5 h - 0,5 CFU) Autoencoders, Variational Autoencoders, Generative Adversarial Networks, Examples: De-biasing Facial Recognition Systems - Deep Reinforcement Learning (7,5 h - 0,75 CFU) Policy Gradients, Actor-Critic Algorithms, Value Function Methods, Deep RL with Q-functions, Advanced Policy Gradients, Model-based Planning, Model-based Reinforcement Learning, Model-based Policy Learning, Exploration, Offline Reinforcement Learning, Examples: Learning End-to-End Self-Driving Control, Examples: Autonomous Driving with LiDAR - Deep Learning for Natural Language Processing (5 h - 0,5 CFU) Neural Language Models, Multi-headed attention, Examples: Speech Recognition - Graph Convolutional Networks (5 h - 0,5 CFU) Graph Convolution, Spectral Graph ConvNets, Spatial Graph ConvNets, Anisotropic GCNs - Graphical methods (2,5 h - 0,25 CFU) - Uncertainty in Deep Learning (2,5 h - 0,25 CFU) - Research Directions (2,5 h - 0,25 CFU) AI Ethics, Explainability

Basic Algorithms and Data Structures; Recursive programming; Mathematical Analysis; Probability Theory; Statistics; Foundations of Machine Learning

The final exam consists in a final test with questions and exercises related to all the topics introduced and discussed during the lectures. A final project work contribute to the final evaluation of the student.

Deep Learning by Ian Goodfellow, Yoshua Bengio, Aaron Courville, Francis Bach Dive into Deep Learning Reinforcement Learning: An Introduction by Richard S. Sutton and Andrew G. Barto Lecture Notes Implementation of algorithms in Python

CONOSCENZA E CAPACITÀ DI COMPRENSIONE - Conoscenza dei principali modelli di business ed e-business e del loro ruolo nei contesti aziendali digitali. - Conoscenza dei fondamenti teorici della Business Intelligence e del Data Mining. - Conoscenza dei principali modelli quantitativi per l’analisi dei dati, quali regressione, classificazione e regole associative. - Comprensione del ruolo dei dati e delle tecniche di analisi a supporto dei processi decisionali e delle strategie aziendali, con particolare riferimento alla gestione delle relazioni con i clienti (CRM). CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE - Capacità di applicare modelli di business e strumenti di analisi dei dati a casi aziendali reali. - Capacità di svolgere attività di data preparation e data exploration su dataset reali. - Capacità di selezionare e applicare tecniche di Business Intelligence e Data Mining per la risoluzione di problemi aziendali. - Capacità di utilizzare software di Data Mining per l’analisi dei dati e l’interpretazione dei risultati a supporto delle decisioni manageriali. ULTERIORI RISULTATI DI APPRENDIMENTO ATTESI - Autonomia di giudizio: capacità di valutare criticamente la qualità dei dati, l’adeguatezza dei modelli utilizzati e la significatività dei risultati ottenuti. - Abilità comunicative: capacità di utilizzare correttamente il linguaggio tecnico della Business Intelligence e del Data Mining e di presentare in modo chiaro i risultati delle analisi. - Capacità di apprendimento: capacità di comprendere e adottare autonomamente nuovi modelli, strumenti e tecniche di analisi dei dati per il supporto alle decisioni aziendali.

1.Business models: Canvas, Patterns e Strategia (2 CFU). 2.Principali nozioni di Business intelligence e Data Mining (0,5 CFU). 3.Data preparation e data exploration (1 CFU). 4.Regressioni (0,5 CFU). 5.Classificazione (0,5 CFU). 6.Regole associative (0,5 CFU). 7.Utilizzo del software di data mining software Weka per obiettivi di CRM (1 CFU).

Analisi matematica (importante) Statistica (indispensabile) Economia (utile)

Lezioni frontali ed esercitazioni numeriche in aula, supportate da PC e proiettore. Esercitazioni pratiche svolte mediante l’utilizzo di software di Data Mining e di analisi statistica, con applicazione a casi di studio reali.

La verifica dell’apprendimento riguarda tutti gli argomenti del programma e richiede di dimostrare la conoscenza dei contenuti teorici del corso (primo indicatore di Dublino), la capacità di applicare modelli, strumenti e tecniche di Business Intelligence e Data Mining a problemi aziendali (secondo indicatore di Dublino), nonché la capacità di interpretare criticamente i risultati ottenuti (terzo indicatore di Dublino), utilizzando un adeguato lessico e una corretta terminologia tecnica (quarto indicatore di Dublino). La prova d’esame consta di una prova unica, di durata compresa tra 60 e 90 minuti, da svolgersi di norma in forma scritta. L’apprendimento dei concetti teorici è verificato mediante quesiti a risposta multipla e aperta relativi ai modelli di business, ai fondamenti di Business Intelligence e alle tecniche di Data Mining. La verifica della capacità di applicare le conoscenze acquisite è effettuata mediante la risoluzione di esercizi pratici, riguardanti l’analisi dei dati, l’applicazione di modelli di regressione, classificazione e regole associative, nonché l’interpretazione dei risultati a supporto delle decisioni aziendali. È prevista, ove necessario, una prova orale di approfondimento. Sono previsti otto appelli nel corso dell’anno accademico. I requisiti minimi per il superamento dell’esame sono la conoscenza dei principali modelli di business e delle tecniche di Business Intelligence e Data Mining trattate nel corso, nonché la capacità di applicarle correttamente a semplici casi di studio e dataset di dimensione limitata. Il risultato della valutazione è espresso in trentesimi. Il voto minimo per il superamento dell’esame (18/30) è attribuito a fronte di una conoscenza sufficiente dei contenuti fondamentali e di una capacità minima di applicazione delle tecniche studiate. Il voto massimo (30/30) è attribuito agli studenti che dimostrano una conoscenza completa e approfondita degli argomenti del programma, unitamente a una elevata capacità di applicare e interpretare i modelli analitici. La lode è attribuita agli studenti che dimostrano eccellenti capacità di analisi e interpretazione, nonché la capacità di applicare le conoscenze acquisite anche a contesti e problemi diversi da quelli affrontati durante il corso (quinto indicatore di Dublino). Fasce di valutazione Eccellente (30 – 30 e lode): conoscenza completa e approfondita degli argomenti, ottima padronanza del linguaggio tecnico, elevata capacità analitica e critica; lo/la studente/essa è in grado di applicare in modo autonomo ed efficace i modelli a casi complessi. Molto buono (27 – 29): conoscenza molto buona degli argomenti, buona proprietà di linguaggio e solida capacità analitica; lo/la studente/essa applica correttamente i modelli a casi concreti. Buono (24 – 26): buona conoscenza dei principali argomenti e discreta proprietà di linguaggio; lo/la studente/essa mostra un’adeguata capacità di applicare le tecniche studiate. Soddisfacente (21 – 23): conoscenza di base degli argomenti principali, sufficiente proprietà di linguaggio e capacità applicativa limitata ma adeguata a casi semplici. Sufficiente (18 – 20): conoscenza minima dei contenuti fondamentali e del linguaggio tecnico, limitata capacità di applicare correttamente i modelli. Insufficiente: conoscenza non adeguata dei contenuti del programma e incapacità di applicare le tecniche di analisi richieste.

Lecture notes del docente (disponibili sul canale Teams del corso) Osterwalder A., Pigneur Y., Business Model Generation, 2010 Vercellis C., Business Intelligence: modelli matematici e sistemi per le decisioni, McGraw-Hill, 2006 Witten I.H., Frank E., Data Mining, Morgan Kaufmann, 2005

Conoscenza dei principi fondamentali di funzionamento dei sistemi digitali programmabili. Conoscenza della architettura degli FPGA. Conoscenza del principio fisico delle interconnessioni programmabili. Conoscenza del linguaggio VHDL per la programmazione degli FPGA. Conoscenza dei parametri prestazionali dei sistemi logici programmabili Capacità di progettazione su scheda FPGA di sistemi con funzionalità combinatorie e sequenziali. Capacità di analisi e programmazione di sistemi logici tramite linguaggio VHDL. Autonomia di giudizio: sviluppo della capacità di giudizio ingegneristico circa il comportamento dei sistemi logici programmabili, in termini di capacità di integrazione, velocità, consumo di potenza e complessità delle funzionalità. Abilità comunicative: capacità di argomentazione fisico-ingegneristico circa il funzionamento dei sistemi combinatori e sequenziali implementati su scheda FPGA Capacità di apprendimento: capacità di affrontare problemi di programmazione dei sistemi digitali programmabili non specificatamente affrontati nel corso.

1) Fondamenti di elettronica digitale (0,25 CFU) 2) Porte logiche in tecnologia NMOS e CMOS (1,5 CFU) 3) Memorie: flip-flops, RAMs, ROMs (0,75 CFU) 4) Sistemi logici programmabili (0,25 CFU) 5) Convertitori Analog-to-Digital e convertitore Digital-to-Analog (0,25 CFU) 6) L'origine e l'architettura FPGA (0,25 CFU) 7) Flusso di progetto e linguaggio VHDL (0,25 CFU) 8) Introduzione al ModelSim e al Quartus II (0,5 CFU) 9) Programmazione schede FPGA (2 CFU)

Concetti di base sul funzionamento dei MOSFET e di elettronica digitale.

Lezioni teoriche mediante il supporto di slide. Esercitazioni pratiche di laboratorio. Progetto ed implementazione di sistemi digitali su scheda FPGA

Il Candidato dovrà dimostrare, mediante prova orale e relazione scritta su un progetto in VHDL, di conoscere sia i concetti fondamentali sulle architetture dei sistemi digitali programmabili che le modalità di progettazione e programmazione delle schede FPGA. Requisito minimo di apprendimento: conoscenza del linguaggio VHDL, dimostrata con lo sviluppo un progetto semplice implementato su scheda FPGA. Fasce di voto: - Eccellente (30 - 30 e lode): ottima conoscenza degli argomenti, ottima proprietà̀ di linguaggio, ottima capacità analitica; lo/la studente/essa è in grado di applicare brillantemente le conoscenze teoriche ad applicazioni reali. - Molto buono (27 - 29): buona conoscenza degli argomenti, notevole proprietà̀ di linguaggio, buona capacità analitica; lo/la studente/essa è in grado di applicare correttamente le conoscenze teoriche ad applicazioni reali. - Buono (24-26): buona conoscenza dei principali argomenti, discreta proprietà̀ di linguaggio; lo/la studente/essa mostra una adeguata capacità di applicare le conoscenze teoriche ad applicazioni reali. - Soddisfacente (21-23): lo/la studente/essa non mostra piena padronanza degli argomenti principali dell'insegnamento, pur possedendone le conoscenze fondamentali; mostra comunque soddisfacente proprietà̀ di linguaggio e sufficiente capacità di applicare le conoscenze teoriche ad applicazioni reali. - Sufficiente (18-20): minima conoscenza degli argomenti principali dell'insegnamento e del linguaggio tecnico, limitata capacità di applicare in modo adeguato le conoscenze teoriche ad applicazioni reali. - Insufficiente: lo/la studente/essa non possiede una conoscenza accettabile dei contenuti dei diversi argomenti del programma

1) Slides of the course 2) “Microelectronic circuit design”; Richard Jaeger – Travis N. Blalock 3) “VHDL : Programming By Example”, Douglas L. Perry 4)The Design Warrior's Guide to FPGAs”; Clive Maxfield 5)Digital Signal Processing with FPGA” - Uwe Meyer-Baese 6)Digital Integrated Circuit Design” - Hubert Kaeslin

Il corso mira a fornire agli studenti una solida comprensione delle minacce alla sicurezza e privacy dei sistemi informativi e delle relative contromisure. Gli obiettivi includono l'approfondimento di concetti di sicurezza, malware, crittografia, autenticazione e controllo accessi, insieme alle best-practice per la sicurezza del software e la mitigazione delle vulnerabilità.

L'esame si articola in una prova scritta per una durata complessiva di 90 minuti. La prova consiste nella somministrazione di 11 quesiti, di natura sia teorica che pratica, volti a verificare il livello di preparazione dello studente, con particolare attenzione alla conoscenza degli argomenti del corso, alla capacità di analisi e risoluzione di problemi, e alla correttezza delle soluzioni proposte. Ciascun quesito prevede l'attribuzione di un punteggio massimo pari a 3 punti, valutato con una granularità di 0,5 punti, per un punteggio teorico massimo raggiungibile di 33 punti. La valutazione finale si basa sul punteggio complessivo ottenuto dalla somma dei singoli quesiti: il superamento dell'esame è fissato a una votazione minima di 18/30. Ai fini del calcolo del voto finale in trentesimi, in caso di somma dei punteggi dei singoli quesiti risultante in frazioni di punto, si procederà all'arrotondamento all'intero superiore. Le valutazioni complessive che, a valle di tale arrotondamento, risulteranno maggiori o uguali a 31 punti consentiranno allo studente il conseguimento della lode. La gradazione del voto rispecchierà le seguenti fasce di conoscenze teoriche e capacità applicative: 18-20 - conoscenze e capacità essenziali; 21-24 - conoscenze e capacità discrete; 25-27 - conoscenze e capacità buone; 28-30 - conoscenze e capacità ottime; 30 e lode - conoscenze e capacità eccellenti. Per gli studenti con disabilità e/o con disturbi specifici dell'apprendimento (DSA) saranno garantiti gli strumenti compensativi e le misure dispensative previsti dalla normativa vigente e dai regolamenti di Ateneo.

Conoscenza e capacità di comprensione: Il corso intende fornire le conoscenze utili per comprendere gli aspetti principali di scelta e caratterizzazione tecnica degli elementi di base della Logistica in ambito industriale. Con particolare riferimento alla valutazione delle strategie e delle modalità di trasporto inbound/outbound più performanti. Specifica attenzione sarà dedicata alle problematiche di material handling nei magazzini industriali ed alle soluzioni tecnico-gestionali di stoccaggio più utilizzate. Capacità di applicare conoscenza e comprensione: Il corso, attraverso l’analisi di casi studio riferiti a reali sistemi logistici aziendali, fornirà agli studenti molteplici strumenti di valutazione che permetteranno di “quantificare” l’efficienza dei diversi modelli logistici ai fini dei processi gestionali di decision-making. Per ciascun caso, lo studente individuerà la soluzione ottimale in riferimento a parametri tecnici, vincoli e peculiari variabili decisionali. Eventuali ulteriori risultati di apprendimento attesi: • Autonomia di giudizio: Attraverso lo studio di scenari alternativi e dei fattori di scelta decisivi, con riferimento alle possibili scelte logistiche, lo studente sarà in grado di affinare la conoscenza tecnica e la capacità di giudizio, al fine di identificare le migliori soluzioni logistiche riferite a specifici scenari di progetto. • Abilità comunicative: La descrizione dei fattori logistici ed impiantistici, con riferimento alle tecniche di gestione integrata, sarà svolta in modo da consentire l’acquisizione di una terminologia specialistica adeguata. Lo sviluppo di abilità comunicative, orali e scritte, sarà anche stimolata attraverso la discussione in aula, la descrizione di casi di studio, la partecipazione a visite aziendali e mediante il supporto di strumenti multimediali ed opportuni software informatici.

Introduzione al corso (0.5 CFU) La logistica nelle attività produttive. La logistica interna di stabilimento (1.0 CFU) Le esigenze di movimentazione interna dei materiali in rapporto alle caratteristiche dei sistemi di produzione ed al Layout di stabilimento; i sistemi a flusso continuo, produzione discontinua, produzione automatizzata e flessibile. I sistemi di trasporto nella logistica interna (1.5 CFU) Classificazione dei sistemi manuali e automatici; veicoli e mezzi attrezzati speciali; impianti fissi e macchine per la movimentazione interna con particolare riferimento alle tipologie costruttive, ai costi di esercizio e manutenzione, ai criteri di scelta; attrezzature per usi specifici; cenni sui sistemi di trasporto automatico e flessibile. La logistica esterna (1.5 CFU) I principali sistemi di trasporto; problematiche di integrazione con la logistica interna; la logistica distributiva; gli elementi decisionali per una corretta valutazione delle scelte logistiche. I magazzini industriali (1.5 CFU) I magazzini manuali ed i magazzini automatizzati; progettazione dei magazzini; la gestione efficiente delle capacità di stoccaggio; sistemi di gestione dei flussi informativi e procedure interne di organizzazione operativa della logistica.

Conoscenze di Impianti Industriali e Gestione della Produzione Industriale

Lezioni frontali in aula con argomenti teorici ed esercitazioni e lezioni a distanza su piattaforma Teams.

La verifica dell’apprendimento riguarda tutti gli argomenti del programma e richiede di dimostrare la conoscenza degli argomenti del programma (primo indicatore di Dublino) e la capacità applicare gli strumenti e le tecniche trattati nel corso (secondo e terzo indicatore di Dublino), dimostrando padronanza del lessico e della terminologia tecnica (quarto indicatore di Dublino). L esame consiste in una prova orale nella quale può essere richiesto di svolgere un esercizio applicativo. Generalmente sono previsti 8 appelli in ciascun anno solare. Nel semestre di insegnamento del corso possono essere organizzati esoneri per la parte di logistica esterna e per quella di logistica interna, che prevedono lo svolgimento di esercizi numerici o risposte libere a quesiti di teorie e che consentono di escludere dall esame orale dell anno accademico di riferimento l una, l altra o entrambe le sezioni del programma didattico, in quest ultimo caso con sostituzione dell esame orale. Il risultato della valutazione è espresso da una valutazione in trentesimi. Il voto minimo per il superamento dell’esame (18/30) sarà assegnato per un livello e qualità sufficienti di conoscenza dei requisiti minimi. Gli studenti raggiungeranno il voto massimo (30/30) nel caso in cui dimostrino un livello eccellente di conoscenze sugli argomenti del programma, insieme con elevate capacità di applicare conoscenze e competenze acquisite. Saranno meritevoli di lode qualora siano in grado di applicare le conoscenze e le competenze acquisite anche in contesti diversi da quelli proposti a lezione (quinto indicatore di Dublino). Per l’intero insegnamento, si applicano le seguenti fasce di voto: - Eccellente (30 - 30 e lode): ottima conoscenza degli argomenti, ottima proprietàÌ di linguaggio, ottima capacità analitica; lo/la studente/essa eÌ in grado di applicare brillantemente le conoscenze teoriche a casi concreti. - Molto buono (27 - 29): buona conoscenza degli argomenti, notevole proprietà di linguaggio, buona capacitaÌ analitica; lo/la studente/essa eÌ in grado di applicare correttamente le conoscenze teoriche a casi concreti. - Buono (24-26): buona conoscenza dei principali argomenti, discreta proprietàÌ di linguaggio; lo/la studente/essa mostra una adeguata capacitaÌ di applicare le conoscenze teoriche a casi concreti. - Soddisfacente (21-23): lo/la studente/essa non mostra piena padronanza degli argomenti principali dell insegnamento, pur possedendone le conoscenze fondamentali; mostra comunque soddisfacente proprietàÌ di linguaggio e sufficiente capacitaÌ di applicare le conoscenze teoriche a casi concreti. - Sufficiente (18-20): minima conoscenza degli argomenti principali dell insegnamento e del linguaggio tecnico, limitata capacitaÌ di applicare in modo adeguato le conoscenze teoriche a casi concreti. - Insufficiente: lo/la studente/essa non possiede una conoscenza accettabile dei contenuti dei diversi argomenti del programma

1. A. Monte “Elementi di impianti industriali” Vol 1 e Vol 2 (Cap. 32 e 33) . Ed. Libreria Cortina Torino, 2002-2003. 2. A. Pareschi: “Logistica Integrata e Flessibile”; Ed. Esculapio – Bologna – 2002 3. E. Rullani: “Sistema logistico e gestione della produzione” – Ed. ISEDI Milano – 1981 4. B. Dalla Chiara: “Sistemi di trasporto intermodale: progettazione ed esercizio”. Ed. Egaf - Forlì - 2009 5. F. Caron, G. Marchet, R. Wegner: “Impianti di movimentazione e stoccaggio dei materiali”; Ed. Hoepli - Milano – 1997 6. D. Lowe: “Intermodal Freight Transport”. Ed. Routledge - London - 2005

Tipo esame: Orale - Valutazione: Voto Finale - Frequenza: Non obbligatoria

Il corso ha lo scopo di fornire le conoscenze delle nuove metodologie avanzate di Stampa 3D (Rapid Manufacturing, Rapid Prototyping, Rapid Tooling, 3D Printing) e del Reverse Engineering, per l'innovazione delle tecnologie di fabbricazione, la riduzione dei tempi e dei costi di sviluppo di nuovi prodotti. Lo studente acquisirà conoscenze teorico-pratiche mirate al raggiungimento di una preparazione utile per sbocchi lavorativi quali attività di progettazione di nuovi prodotti, prototipazione rapida con diverse tecnologie, ed ingegneria inversa.

Lezioni : 1. Introduzione alla progettazione avanzata di prodotto, processo e sistema. 2. Progettazione di Prodotto: Utilizzo del CAD 3D per la prototipazione rapida. 3. Interfacce CAD/CAM e relativi sistemi; informazioni di prodotto-processo-sistema. Lo standard STEP e STEP-NC. 4. Metodi per la generazione di prodotti a geometria complessa. •Generalità; •Tassellizzazione; •Slicing e generazione dei supporti. 5. Tecnologie e metodi per l'additive manufacturing, rapid prototyping e rapid tooling. •Stereolitografia (SLA: tecnologia, materiali, caratteristiche, interazione laser-materia); •Sinterizzazione Laser Selettiva (SLS: tecnologia, materiali, caratteristiche, interazione laser-materia); •Fusione Deposition Modeling (FDM: tecnologia, materiali, caratteristiche); •3D Printing e Stampa a Getto (tecnologia, materiali, caratteristiche); •Altre tecnologie additive. 8. Tecnologie e metodi per il rapid/layer manufacturing sottrattivi. 9. Analisi dei tempi e dei costi per il Rapid Manufacturing. 10. Tecnologie e metodi per il reverse engineering. •Sistemi di digitalizzazione a contatto •Scansione Laser •Metodi fotogrammetrici •Metodi con luce strutturata •Altre tecniche di Reverse Engineering •Metodi software per la ricostruzione dei modelli CAD da nuvole di punti. 11. FABLABs: l’artigianato digitale. Laboratori: Gli studenti potranno utilizzare durante l’orario ufficiale del corso il Laboratorio di Prototipazione Rapida e Reverse Engineering del DMMM per svolgere specifiche attività di laboratorio ed esercitazioni pratiche con workstation per la prototipazione rapida additiva, sottrattiva e per il reverse engineering, utilizzando anche software avanzati per la modellazione 3D e la prototipazione rapida additiva e sottrattiva, ed il reverse engineering.

Conoscenze relative alle tecnologie meccaniche acquisite con la laurea triennale. Non vi sono propedeuticità all'interno della laurea Magistrale di Ingegneria Gestionale.

Lezioni in aula ed esercitazioni di laboratorio supportate da videoproiettore e software applicativi. Lavoro di gruppo in laboratorio, tutoraggio in forma di assistenza individuale. Le attività di laboratorio sono integrate con la didattica d'aula.

L'esame finale consiste in una prova orale. Può essere prevista in itinere per il controllo dell'apprendimento una prova di esonero, che consente di sostituire la prova orale. La prova di esonero è svolta con test a domanda chiusa, problemi da risolvere in sede di esame e domande di tipo teorico.

A. Gatto, L. Iuliano: "Prototipazione Rapida - la tecnologia per la competizione globale", Tecniche Nuove, Milano, 1998 3. Prototipazione Rapida e Ingegneria Inversa - Dispensa dal corso scaricabile dal sito web. 4. M. E. Bonafede "La stampa 3D. Come la tecnologia rivoluziona il fai da te",Editore 40K, 2014 ISBN 8898001649, 9788898001644

Tipo esame: Orale - Valutazione: Voto Finale - Frequenza: Non obbligatoria

Conoscenza e capacità di comprensione 1) Conoscere e comprendere il principio di funzionamento delle strutture di conversione considerate. 2) Conoscere e comprendere le tecniche di modulazione dei convertitori elettronici di potenza considerati. 3) Conoscere e comprendere le tecniche di controllo dei convertitori elettronici di potenza considerati. Capacità di applicare conoscenza e comprensione 1) Sapere dimensionare convertitori elettronici di potenza. 2) Saper scegliere ed implementare la tecnica di modulazione più adeguata per i convertitori elettronici di potenza considerati. 3) Saper scegliere ed implementare la tecnica di controllo più adeguata per i convertitori elettronici di potenza considerati. • Autonomia di giudizio: Saper individuare la struttura di conversione più adeguata alla specifica applicazione. • Abilità comunicative: Descrivere e documentare con adeguata proprietà di linguaggio il funzionamento dei convertitori elettronici di potenza considerati. • Capacità di apprendimento: Analizzare e valutare il funzionamento di ulteriori convertitori elettronici di potenza utilizzabili nei campi applicativi considerati.

PRESENTAZIONE DEL CORSO (1 h) CONVERTITORI ELETTRONICI DI POTENZA 2L GRID FOLLOWING (8 h) Architettura. Dimensionamento. Tecniche di controllo. Sincronizzazione con la rete elettrica. CONVERTITORI ELETTRONICI DI POTENZA 2L GRID FORMING (6 h) Architettura. Dimensionamento. Tecniche di controllo. CONVERTITORI ELETTRONICI DI POTENZA PER SISTEMI DI ACCUMULO DI ENERGIA (6 h) Architetture. Tecniche di controllo. Inerzia virtuale. CONVERTITORI ELETTRONICI DI POTENZA PER HVDC E MVDC (8 h) Architetture. Tecniche di modulazione e controllo. CONVERTITORI ELETTRONICI DI POTENZA PER STATCOM (7 h) Architetture. Tecniche di modulazione e controllo. ESERCITAZIONE AL MATLAB/SIMULINK (20 h) Implementazione al Matlab/Simulink dei modelli e delle tecniche di controllo per i convertitori elettronici di potenza analizzati. ESERCITAZIONE DI LABORATORIO (4 h) Implementazione in linguaggio C su microcontrollore del controllo di corrente in anello chiuso di un Half Bridge. Conoscenze e competenze acquisibili attraverso i corsi di Analisi Matematica, Geometria e Elettrotecnica

L’esame consiste in un colloquio orale volto alla verifica della conoscenze e delle abilità legate all’analisi e ai principi di progettazione e di controllo dei convertitori elettronici di potenza. I requisiti minimi di apprendimento per il superamento dell’esame consistono nella conoscenza della configurazione circuitale e del principio di funzionamento dei convertitori elettronici di potenza inseriti in programma.

1. M.H.RASHID: "Elettronica di potenza. Vol.1 - Dispositivi e circuiti " – Pearson Prentice Hall 2007 2. M.H.RASHID: "Elettronica di potenza. Vol.2 - Applicazioni. " – Pearson Prentice Hall 2008

Tipo esame: Orale - Valutazione: Voto Finale - Frequenza: Non obbligatoria

Fornire basi teoriche, metodologiche e pratiche per la modellazione CAD, la virtualizzazione, simulazione e CAD integrata al ciclo di vita del prodotto. La parte teorica tratta la tecnologia CAD e della sua evoluzione nel tempo dal 2D, al CAD solido parametrico associativo hystory based, al PLM. Saranno trattati elementi di rendering e computer grafica, i kernel CAD, le rappresentazioni digitali approssimate, quelle esatte, le non convenzionali, e le curve e superfici free form, in modo da fornire soluzioni a esigenze di modellazione e di scambio dati anche non comuni. Da un punto di vista applicativo, saranno utilizzati CAX di ultima generazione, per la modellazione di parti e assiemi, piegatura e spianatura di lamiera, simulazione virtuale estetica e funzionale, e la generazione di documentazione tecnica a norma multimediale. Il progetto d’anno mira a esercitare un ciclo di progettazione, lo scambio dati CAD, la applicazione delle best practices, ma soprattutto la capacità di comunicazione e di operare in squadra.

T1- Digital Product The global market scenario, Product Lifecycle: Sequential, Concurrent Engineering, Digital Master, Digital Mock ups (DMU), Live experience. T2- CAD History and technology Classification, choice, Architecture, User Interface, Kernel functions, Accuracy, visualization, database, CAD History, Parametric, Associativity, history, Direct. Surface modelers, Multibody CAD, Product modelling, Digital Master, EDM, PDM, CAD future. T3: Digital geometric representation History of representation: Wireframe, Surfaces, 2D Meshes, Chordal error, optimization. Analytical Surface Representation, Solid Modelling. Spatial partition (Voxel), CSG, Boundary Evaluation, B-rep, Topology Elements, B-rep, Euler’s laws, Non-conventional representations. T4: Free Form Curves Definition a curve in space, tangent and normal, Osculating circle, curvature, Torsion. Mathematical Representations of Curves: Explicit, Implicit, Parametric. The polynomial parametric functions. Continuity of curves G0, G1, G2, G3, G4, 2D Hermite, Bezier, Spline, B-Spline, NURBS curves. Approximation, Interpolation, Control points Editing. T5: Engineering Surfaces Parametric representation of Surfaces: Isolines, ruled, revolution, Coons, Hermite, Bezier, B-Spline, NURBS Surfaces. Patches and Trim curves. Surface continuity, G0, G1, G2, Zebra Lines, Environment map, Curvature Analysis. Definition of Normal to a Surface, Curvatures of a Surface, Gaussian, mean, max, absolute, Saddles and Minimum Surface. Curvature combs, Surface Gap, Healing. Surface A, B, C Class. Surface Vs Solid Modelling, Subdivision Surfaces, T-Splines. T6 - Interoperability Definition, external and internal Interoperability, CAD Formats, Downstream applications. Data Exchange grounds and methods. Neutral CAD Format and mapping: DXF, DWG, STL, AMF, Pdf 3D, 3DXML, glTF, IGES, STEP, Hybrids. Laboratorio Modellazione di Parti, Schizzo parametrico vincolato, generazione di documentazione tecnica multimediale, assegnazione di materiali estetici e strutturali, modellazione di lamiere presso piegate e assiemi, Simulazione di prodotto funzionale, estetica e cinematica. Scambio dati CAD, Strategie di modellazione e best practices.

Metodi di rappresentazione Tecnica, Costruzione di Macchine, Tecnologia Meccanica.

Il corso si svolge con lezioni teoriche, esercitazioni in laboratorio, workshop con consegne intermedie obbligatorie

Tipo esame: Orale - Valutazione: Voto Finale - Frequenza: Non obbligatoria

1. Mastering CAD/CAM, Zeid, Ibrahim, ISBN: 0072976810, Pub Date: 2004-05-03, McGraw-Hill 2. Mortenson M.E., Geometric Modeling - Second Edition, John Wiley & Sons, 1997. 3. Fondamenti Di Computer Graphics, Zingaretti, Editore: Pitagora, ISBN: 8837114869, 2004 4. Curves and Surfaces for CAGD: A Practical Guide, Gerald Farin, Morgan Kaufmann; ISBN: 5. Lecture notes.

Conoscenza e capacità di comprensione: Conoscenza e capacità di comprensione degli strumenti modellistici e metodologici per la formalizzazione e la risoluzione di problemi di controllo, ottimizzazione e coordinamento dei sistemi energetici per e-transition e e-mobility. Capacità di applicare conoscenza e comprensione: Capacità di applicare autonomamente metodologie di analisi, progettazione e validazione di tecniche di controllo, ottimizzazione e coordinamento di sistemi energetici per e-transition e e-mobility Autonomia di giudizio Capacità di scegliere autonomamente la metodologia adatta alla modellazione, progettazione, analisi e simulazione di sistemi di controllo per e-transition e e-mobility. Abilità comunicative: Capacità di scrivere relazioni tecniche e descriverne il contenuto su modellazione, progettazione, analisi delle prestazioni e simulazione di sistemi di controllo per e-transition e e-mobility. Capacità di apprendimento: Capacità di studiare e comprendere autonomamente nuovi metodi di modellazione progettazione, analisi delle prestazioni e simulazione di sistemi di controllo per e-transition e e-mobility.

Introduzione (2.5 ore – 0.25 CFU) Introduzione alle tecniche di gestione dell’energia e agli strumenti di controllo dei sistemi energetici per e-transition e e-mobility. Metodologie (20 ore – 2 CFU) Architetture di controllo dei sistemi energetici: architettura centralizzata, decentralizzata, gerarchica e distribuita. Ottimizzazione e controllo decentralizzato/distribuito dei sistemi energetici: decomposizione primale e duale; consenso e sistemi multi-agente. Teoria dei giochi per il coordinamento dei sistemi energetici: giochi e connessioni con le problematiche di ottimizzazione e controllo. Controllo ottimo e controllo predittivo dei sistemi energetici. Applicazioni (30 ore – 3 CFU) Controllo ottimo di sistemi energetici con fonti rinnovabili ed accumulatori di energia. Gestione ottimale delle reti di distribuzione e delle microreti. Strategie di retroazione per il bilanciamento di potenza e la regolazione di frequenza. Controllo decentralizzato e distribuito del flusso di potenza ottimale di una rete. Tecniche di ottimizzazione e controllo per il demand side management dei sistemi energetici a larga scala. Schedulazione e gestione energetica della ricarica di flotte di veicoli elettrici. Schedulazione e gestione energetica di edifici/case e reti di edifici/case intelligenti. Esercitazioni in Laboratorio (7.5 ore – 0.75 CFU) Casi di studio: implementazione, simulazione ed analisi in ambiente numerico (Matlab) degli esempi formalizzati dal punto di vista teorico.

Nozioni fondamentali di informatica, calcolo, algebra, e controlli automatici.

Lezioni ed esercitazioni in aula supportate da presentazioni con videoproiettore, lavoro di gruppo in laboratorio, tutoraggio in forma di assistenza individuale.

L’apprendimento sarà verificato tramite un esame orale, della durata media di 30-45 minuti, articolato in domande teorico/numeriche seguite dalla discussione di un elaborato progettuale e finalizzato a verificare il grado di conoscenza e la capacità metodologica acquisita nei diversi argomenti, nonché nelle relative applicazioni (primo, secondo e terzo indicatore di Dublino); durante il colloquio saranno inoltre valutate la qualità di esposizione con terminologia appropriata e l’organizzazione autonoma dell'esposizione (quarto indicatore di Dublino). Il risultato della valutazione è espresso in trentesimi; il voto minimo per il superamento dell’esame è 18/30 corrispondente ad un livello sufficiente di conoscenza e comprensione dei requisiti minimi di seguito illustrati. Gli studenti che conseguiranno il voto massimo di 30/30 e che dimostrino un livello di preparazione eccellente, unito a un'elevata capacità di applicare autonomamente le competenze acquisite anche in contesti diversi da quelli proposti a lezione (quinto indicatore di Dublino), potranno ottenere la lode. I requisiti minimi per il superamento dell’esame sono: identificazione dell’architetture di controllo dei sistemi energetici; definizione di tecniche di base di ottimizzazione e controllo decentralizzato/distribuito; utilizzo della teoria dei giochi per il coordinamento; definizione di tecniche di controllo ottimo e controllo predittivo; modellazione di sistemi energetici con fonti rinnovabili ed accumulatori di energia; formulazione di strategie ottimali per il bilanciamento di potenza e il calcolo del flusso di potenza ottimale di una rete; gestione ottimale di microreti, flotte di veicoli elettrici e reti di edifici/case intelligenti. È inoltre richiesto, come requisito minimo, il possesso della capacità di implementare in ambiente numerico le tecniche di modellazione, progettazione, analisi e simulazione presentate durante le lezioni, applicandole a sistemi energetici con un livello di dettaglio coerente con quello affrontato in aula. Per la valutazione finale si applicano i seguenti criteri. Voto: 18 - Soddisfacimento dei requisiti minimi di apprendimento. Voti: 19-22 - Conoscenza di base degli argomenti trattati e comprensione sufficiente dei concetti fondamentali. Capacità di risolvere problemi semplici e di applicare le conoscenze acquisite in contesti noti. Capacità di formulare giudizi autonomi su argomenti semplici. Capacità di esprimere concetti utilizzando un linguaggio tecnico adeguato. Voti: 23-26 - Buona conoscenza degli argomenti trattati e comprensione approfondita dei concetti. Capacità di risolvere problemi complessi e di applicare le conoscenze in contesti nuovi. Capacità di formulare giudizi autonomi e critici su argomenti complessi. Capacità di esprimere concetti utilizzando un linguaggio tecnico di buon livello ed in modo chiaro e coerente. Voti: 27-30 - Ottima conoscenza degli argomenti trattati e comprensione completa e approfondita dei concetti. Capacità di risolvere problemi molto complessi e di applicare le conoscenze in contesti innovativi. Ottima capacità di formulare giudizi autonomi, critici e originali. Ottima capacità di esprimere concetti utilizzando un linguaggio tecnico di alto livello ed in modo chiaro, coerente e persuasivo. Elevata capacità di esprimere concetti utilizzando un linguaggio tecnico di alto livello in modo chiaro, coerente e con un alto livello di precisione.

G. Magnani, G. Ferretti, P. Rocco, Tecnologie dei sistemi di controllo, seconda edizione, McGraw Hill,2007. Dispense e lucidi forniti dal docente.

Conoscenza e capacità di comprensione Lo studente è in grado di descrivere le principali architetture delle reti di telecomunicazioni, interpretando le funzioni della pila protocollare TCP/IP, e confrontare i principali standard e tecnologie di comunicazione applicati ai sistemi energetici. Capacità di applicare conoscenza e comprensione Lo studente è in grado di analizzare reti di telecomunicazioni, progettare architetture per sistemi energetici, selezionare standard e tecnologie adeguati e descrivere le soluzioni con linguaggio tecnico-scientifico appropriato (anche mediante attività pratiche). Autonomia di giudizio Lo studente è in grado di valutare criticamente soluzioni di rete per sistemi energetici, analizzare vincoli tecnici e applicativi anche con informazioni incomplete, e motivare le scelte progettuali considerando affidabilità, sicurezza, sostenibilità e implicazioni etiche. Abilità comunicative Lo studente è in grado di presentare in modo chiaro e strutturato l’analisi e il progetto di soluzioni di rete per sistemi energetici, utilizzando un linguaggio tecnico-scientifico appropriato e adattando la comunicazione a interlocutori specialisti e non specialisti. Capacità di apprendimento Lo studente è in grado di approfondire autonomamente architetture, protocolli e tecnologie di comunicazione per sistemi energetici, consultare documentazione tecnica e standard di settore e aggiornare le proprie conoscenze in relazione all’evoluzione delle reti e delle applicazioni per l’energia.

Introduzione a sistemi e protocolli di comunicazione per l'energia (2,5 ORE – 0,25 CFU) Modalità di svolgimento delle lezioni, sintesi del programma e modalità di esame Principali definizioni Principi di base delle reti di telecomunicazioni, architettura e protocolli Internet (37,5 ORE – 3,75 CFU) -Tassonomia e Topologia delle reti, Tecniche di commutazione (reti a commutazione di circuito, reti a commutazione di pacchetto), Tecniche di multiplazione (TDM, FDM) -Il modello ISO-OSI e le sue funzionalità -Il modello TCP/IP -Livello di applicazione (nascita del Web, architettura client-server, protocollo HTTP, URI e URL, cookie, DNS) -Livello di trasporto e protocolli del livello di trasporto: TCP e UDP, Porte, Socket -Livello di rete e protocolli del livello di rete: IP, DHCP, NAT -Livello datalink, IEEE 802, LLC, MAC Principali tecnologie/standard relativi alle reti wired e wireless applicabili in ambienti industriali per la generazione e la distribuzione dell’energia (20 ORE – 2 CFU) -Architettura generale di reti LAN e Standard IEEE in area locale e personale: IEEE 802.3, IEEE 802.11 -Cenni ad Architetture di rete basate su IEEE 802.15.4: ZigBee e 6TiSCH; CoAP, IPv6, RPL, LR-WPAN: BLE, LP-WAN: LoRaWAN, NB-IoT 5G -Tecnologia CAN e sistemi CAN-bus -Smart grid e Standard di comunicazione per l’energia: IEC 61850 -Cenni a IEC 60870 e Standard per la sicurezza IEC 62351, OSGP, Wi-SUN -Architetture di telecomunicazioni a supporto di sistemi di generazione e distribuzione dell’energia

Non sono richieste conoscenze preliminari

Modalità e metodologie didattiche L’insegnamento è organizzato in lezioni frontali integrate da attività laboratoriali (semplici e tenute durante le lezioni teoriche) a supporto dell’apprendimento, finalizzate all’analisi e alla progettazione di reti di telecomunicazioni a supporto dei sistemi di generazione e distribuzione dell’energia. Le lezioni frontali introducono i principi teorici relativi alle architetture di rete, alla pila protocollare TCP/IP e ai principali standard e tecnologie di comunicazione per l’energia. Le attività pratiche consentono allo studente di applicare le conoscenze acquisite all’analisi di elementi di rete, alla selezione di tecnologie e standard adeguati e alla progettazione di soluzioni di comunicazione coerenti con specifici requisiti tecnici e applicativi. Le attività didattiche sono progettate secondo il principio del constructive alignment, in modo da favorire il raggiungimento dei risultati di apprendimento attesi: conoscenza e comprensione dei principali modelli e protocolli di rete, capacità di applicarli in contesti energetici, autonomia di giudizio nella valutazione di soluzioni tecniche e capacità comunicative nell’esposizione delle scelte progettuali. Le competenze trasversali sono sviluppate attraverso discussione guidata di casi applicativi, eventuali attività collaborative, analisi critica di soluzioni tecniche e presentazione delle scelte adottate con linguaggio tecnico-scientifico appropriato. Il materiale didattico, le comunicazioni relative al corso e le eventuali risorse integrative sono resi disponibili attraverso la piattaforma didattica indicata dal docente (Teams). La piattaforma è utilizzata anche per la condivisione di avvisi, documentazione tecnica e materiali di supporto allo studio individuale. La frequenza è fortemente consigliata, in particolare per le attività pratiche, poiché esse contribuiscono allo sviluppo delle capacità applicative previste dall’insegnamento. Gli studenti non frequentanti sono invitati a consultare regolarmente il materiale didattico disponibile sulla piattaforma e a contattare il docente per indicazioni sul programma e sulle modalità di preparazione dell’esame. Per studenti lavoratori, studenti con disabilità o DSA, o con specifiche esigenze documentate, possono essere concordate modalità didattiche flessibili e misure di supporto, nel rispetto della normativa vigente e delle procedure di Ateneo. Gli studenti interessati sono invitati a contattare il docente all’inizio del corso e anche prima dell’esame per definire eventuali adattamenti, anche tramite i servizi competenti dell’Ateneo. Articolazione del carico didattico L’insegnamento prevede complessivamente 6 CFU, corrispondenti a 150 ore di impegno complessivo per lo studente. Il carico di lavoro è articolato come segue: - didattica frontale: 50 - didattica a distanza: 5 (entro il limite massimo del 20% del totale e comunque in linea con le linee di indirizzo dell’Offerta Formativa dell’Ateneo) - attività pratiche laboratoriali: 5 - studio individuale: 90

Verifica dell'apprendimento La verifica dell’apprendimento consiste in un’unica prova orale, finalizzata ad accertare il raggiungimento dei risultati di apprendimento attesi. La prova mira a verificare il livello di conoscenza e comprensione dei contenuti teorici e metodologici indicati nel programma, con particolare riferimento alle architetture di rete, alla pila protocollare TCP/IP, ai principali protocolli di comunicazione e alle tecnologie di comunicazione per i sistemi di generazione e distribuzione dell’energia. La prova orale consente inoltre di valutare la capacità dello studente di applicare le conoscenze acquisite all’analisi di elementi di rete e alla scelta di soluzioni tecnologiche adeguate, nonché la capacità di comunicare i contenuti con chiarezza, proprietà di linguaggio tecnico-scientifico e organizzazione autonoma dell’esposizione. Non sono previste prove intermedie. Per gli studenti con disabilità e DSA saranno garantiti gli strumenti compensativi e le misure dispensative previste dalla normativa vigente. Contenuti minimi Ai fini del superamento dell’esame, lo studente deve dimostrare una conoscenza almeno basilare dei seguenti contenuti: • pila protocollare TCP/IP; • principali protocolli di comunicazione; • elementi fondamentali delle architetture di rete; • principali tecnologie di comunicazione applicate ai sistemi energetici. Criteri per la valutazione finale La valutazione è espressa in trentesimi e tiene conto della correttezza e completezza delle risposte, della padronanza dei contenuti, della capacità di collegare gli argomenti del corso, dell’uso appropriato del linguaggio tecnico-scientifico, della chiarezza espositiva e dell’autonomia nell’organizzazione della risposta. Voto 18: Lo studente raggiunge i requisiti minimi di apprendimento previsti, dimostrando una comprensione basilare dei contenuti essenziali del corso, in particolare della pila TCP/IP e dei principali protocolli di comunicazione. L’esposizione è semplice ma sufficientemente comprensibile. Voti 19-22: Lo studente possiede una conoscenza essenziale degli argomenti trattati e una comprensione adeguata dei concetti fondamentali. È in grado di descrivere gli elementi principali delle reti di telecomunicazioni e dei protocolli di comunicazione, utilizzando un linguaggio tecnico generalmente corretto, anche se non sempre rigoroso. Voti 23-26: Lo studente evidenzia una buona padronanza dei contenuti del corso e una comprensione solida dei concetti affrontati. È in grado di collegare gli argomenti principali, analizzare elementi di rete e discutere tecnologie e standard di comunicazione con linguaggio tecnico appropriato, chiaro e coerente. Voti 27-30: Lo studente dimostra un’eccellente conoscenza degli argomenti trattati e una comprensione piena e approfondita dei concetti. È in grado di analizzare criticamente soluzioni di rete, motivare la scelta di protocolli, standard e tecnologie adeguati ai sistemi energetici, ed esporre i contenuti con linguaggio tecnico di alto livello, in modo chiaro, coerente e rigoroso. Voto 30 e lode: Lo studente possiede una conoscenza eccezionalmente completa e approfondita degli argomenti trattati, dimostrando capacità di stabilire connessioni originali tra architetture di rete, protocolli di comunicazione e applicazioni nei sistemi energetici. L’esposizione risulta estremamente chiara, precisa e articolata, con uso accurato e rigoroso del linguaggio tecnico-scientifico.

Testo di riferimento principale: J. F. Kurose, K. W. Ross, Computer Networking: A Top-Down Approach, VIII ed., Pearson, 2020 (Versione italiana: J. F. Kurose, K. W. Ross, A. Capone, S. Gaito, Reti di calcolatori e Internet. Un approccio top-down, VIII ed., Pearson, 2022) Ulteriori testi di approfondimento: -Achille Pattavina, Reti di Telecomunicazione, II ed., McGraw-Hill, 2007 -Behrouz A. Forouzan, Reti di Calcolatori – Un approccio top-down, McGraw-Hill, 2013 Slide, dispense, esercitazioni, documentazione tecnica e materiali integrativi saranno disponibili sulla piattaforma didattica istituzionale indicata dal docente (Teams) e aggiornati durante il corso. Per i non frequentanti valgono gli stessi testi e materiali disponibili online; si raccomanda la consultazione regolare della piattaforma e il contatto con il docente per eventuali chiarimenti.

Il corso si prefigge di fornire, ai futuri ingegneri, dimestichezza con i problemi dell'automazione attraverso l’uso di azionamenti pneumatici, in particolare in ambito industriale. Le tematiche principali riguardano la conoscenza dei componenti fondamentali degli impianti ed i sistemi realizzabili attraverso la loro connessione. Si farà cenno alle tecniche di automazione di processi con dispositivi semplici o elettro assistiti a logica di comando tradizionale o avanzata. Sono previste attività sperimentali di prove al banco di circuiti elementari e non.

1. Introduzione al corso (0,25 CFU: 2L): presentazione degli argomenti, obbiettivi formativi, modalità della verifica, esercizi ed esercitazioni. 2. Introduzione agli impianti di automazione (0,375 CFU: 3L): struttura e vantaggi. Conversione, controllo e trasporto dell’energia. Simboli grafici secondo DIN ISO 1219 3. Proprietà dei fluidi (0,25 CFU: 2L): Trasmissione pneumatica dell’energia. Trattamento dell’aria compressa: unità, grandezze, simboli, umidità assoluta e relativa, dinamica dell’aria compressa. 4. Accumulo e distribuzione (1,063 CFU: 8L 1E): Sistemi di accumulo dell’aria, a lobi, a viti, a palette, a pistone, turbine, progetto del serbatoio. Tipologia e dimensionamento delle reti di distribuzione dell’aria compressa. 5. Cilindri (0,813 CFU: 6L 1E): Cilindri pneumatici: tipologie costruttive, ammortizzamento di fine corsa, tipi di tenuta, parametri e dimensionamento, cilindri a semplice effetto, a doppio effetto, telescopici, esecuzioni speciali. Principi costruttivi, tipi di fissaggio, sollecitazione di punta. 6. Valvole ordinarie e speciali (0,813 CFU: 6L 1E): Valvole Direzionali: Funzione e Rappresentazione, Struttura ed Azionamenti, Esecuzione Costruttiva delle valvole direzionali ad Otturatore e a Cassetto, Esecuzioni Pratiche, Elettrovalvole. Valvole di non ritorno pilotate e non. Selettore di Alta Pressione (valvola OR). Selettore di Bassa Pressione (valvola AND). Valvole di Scarico Rapido. Valvole di Registrazione: Strozzatori e Diaframmi Fissi e Variabili. Riduttori di Pressione. Valvole di Sequenza. Temporizzatori Pneumatici. Fine Corsa: ad azionamento meccanico, magnetico, virtuali. Sensori di Prossimità a getto d’aria: a contropressione, a riflessione, a induzione, a getto divergente. Sensori ad Intercettazione: ad emettitore e ricevitore, a due ugelli emettitori, a tre ugelli. Amplificatori Pneumatici. Convertitore pneumatico-elettrico. 7. Tecniche proporzionali (0,313 CFU: 2L 1E) Distributori proporzionali. Funzionamento e descrizione delle valvole: Caratteristica portata-segnale, tipi di cursore, il ricoprimento. Elettronica di comando con l’uso di microprocessori e segnali PWM, il dithering, il sezionamento elettrico del carico (high, low). Descrizione degli spigoli di un cursore proporzionane. Frequenza dei sistemi proporzionali, diagrammi di Bode. Servovalvole proporzionali. Cavitazione nelle valvole. 8. Circuiti (0,813 CFU: 6L 1E): Circuiti pneumatici fondamentali. Descrizione di funzionamento degli impianti: Diagrammi funzionali, Schemi funzionali (schemi sequenziali). Principi di tecnica digitale, apparecchi pneumatici per funzioni logiche. Cicli pneumatici sequenziali: esercizi con uno o più cilindri, sovrapposizioni di segnali, metodi per la disinserzione del segnale. Sequenziatore integrato. 9. Automazione elettro-assistita (0,313 CFU: 2L 1E): Contatti N.A. e N.C. Circuito di automantenimento. Relè monostabili, relè passo-passo, relè temporizzati. Descrizione dei principali circuiti di automazione elettropneumatica. Logiche cablate e logiche programmabili. I controllori programmabili: l’alimentazione, la CPU, le memorie, le unità di ingresso/uscita digitali, le unità di ingresso uscita analogiche. Il PLC S7 della Siemens. Conoscenza di base dei principi di termodinamica e delle macchine a fluido. Le lezioni saranno impartite alla lavagna con l'aiuto di Slide proiettate ed esercitazioni di laboratorio Le video lezioni sono fruibili su sito didattica.dmmm.poliba.it

La verifica dei risultati di apprendimento avviene mediante prova orale a fine corso. Il colloquio orale verifica la comprensione dei principi fondamentali, la capacità di analisi critica e l’uso corretto della terminologia tecnica, anche attraverso la risoluzione di schemi ed esempi applicativi. La corrispondenza tra risultati di apprendimento e voti è la seguente: • <18/30: conoscenze frammentarie e incapacità di applicare i modelli di base. • 18–21/30: conoscenze essenziali e applicazione corretta ma limitata. • 22–24/30: buona comprensione e adeguata capacità applicativa. • 25–27/30: conoscenze complete, applicazione autonoma e corretta. • 28–30 e lode: padronanza piena, autonomia di giudizio e capacità di sintesi.

acquisire competenze relative alla progettazione di architetture software acquisire competenze nella pianificazione e progettazione del test del software acquisire competenze nella modellazione e progettazione di architetture software complesse ed ecosistemi software

architettura software: principali definizioni componenti di una architettura software modellazione di architettura requisiti non funzionali modelli, pattern e stili pattern architetturali design pattern evoluzione del concetto di architettura software architettura per sistemi software complessi, adaptive e future internet applications modellazione e verifica a runtime di software metodi formali verifica formale il test teoria del test modelli di qualità

modellazione e progettazione di software ingegneria dei requisiti categorizzazione di requisiti

presentazione in aula di materiale didattico teorico presentazione di casi di studio esercitazioni di progetto

lavoro progettuale

• Richard N. Taylor, Nenad Medividovic , Eic M. Dashofy. Software Architecture: Foundations, Theory, and Practice - Len Bass, Paul Clements, Katzam. Software Architecture in Practice . Addison-Wesley. - Design Patterns: Elements of Reusable Object-Oriented Software. 2000 Erich Gamma. -Pattern-Oriented Software Architecture Volume 1: A System of Patterns Volume 1 Edition by Frank Buschman, Regine Meunier, Hans Rohnert, Peter Sommerlad, Michael Stal. -Software Testing And Analysis: Process, Principles And Techniques. Mauro Pezze, Michal Young

Gli studenti svilupperanno conoscenza e capacità di comprensione riguardo ai seguenti concetti: sostenibilità e innovazione verde; strategia di prodotto verde; marketing orientato alla sostenibilità; processo di sviluppo di nuovi prodotti verdi; eco-design; comportamento di consumo sostenibile. Capacità di applicare conoscenza e comprensione Le conoscenze apprese consentono in particolare di: riconoscere le innovazioni di prodotto verde; definire una strategia di prodotto verde; identificare le diverse opzioni di eco-design e caratterizzare le innovazioni di prodotto verde attraverso la Green Option Matrix; pianificare una ricerca di marketing per comprendere il comportamento dei consumatori nei confronti di nuovi prodotti verdi. Eventuali ulteriori risultati di apprendimento attesi, relativamente a: • Autonomia di giudizio: Lo studente/ la studentessa svilupperà la capacità di valutare criticamente le strategie di prodotto verde adottate dalle imprese. Inoltre, il corso porrà lo studente in condizione di saper indicare, date le caratteristiche dell’impresa, il settore di appartenenza e le preferenze dei consumatori riguardo alle caratteristiche dei prodotti verdi, le migliori strategie di prodotto verde. • Abilità comunicative: Alla fine del corso lo studente/ la studentessa sarà in grado di illustrare i concetti di innovazione sostenibile, strategia di prodotto verde, sviluppo di nuovi prodotti verdi, eco-design, comportamento di consumo sostenibile, utilizzando la terminologia ed i modelli consolidati a livello internazionale, di organizzare le informazioni e i dati secondo un format e un processo di reporting comprensibile ai professionisti. • Capacità di apprendimento: Lo studente/ la studentessa svilupperà capacità di comprensione, analisi e interpretazione delle strategie di prodotto verde sviluppate dalle imprese e del comportamento dei consumatori nei confronti dei prodotti verdi.

Sostenibilità e innovazione verde (0.5 CFU) Sviluppo sostenibile e Agenda 2030. Definizioni ed esempi di innovazioni sostenibili. Strategia di prodotto verde (3 CFU) Definizione e componenti. Il marketing sostenibile. Sviluppo di una strategia di marketing sostenibile (analizzare le problematiche di sostenibilità e gli attori, segmentare il mercato e scegliere il/i target; introdurre innovazioni sostenibili; posizionare i prodotti sostenibili; collaborare con gli stakeholders). Le 4C del marketing sostenibile (customer solutions, customer costs, convenience, communications). Strategie di sviluppo di nuovi prodotti sostenibili (capabilities e criteri di scelta). Casi di studio di imprese che hanno integrato la sostenibilità nelle loro strategie e sviluppato con successo innovazioni di prodotto verde. Esempi di strategie di prodotti sostenibili da parte dei decisori di politiche pubbliche. Sviluppo di nuovi prodotti verdi ed eco-design (1 CFU) Processo di sviluppo di un nuovo prodotto verde. Strategie di eco-design e caratterizzazione dei prodotti verdi attraverso la Green Option Matrix. Comportamento di consumo sostenibile (1.5 CFU) Definizioni. Spiegazioni razionali, sociologiche, psicologiche e ruolo dei fattori di contesto. Teoria del comportamento pianificato. Indagini a livello nazionale e intenzionale.

Conoscenze di base di marketing

Le attività didattiche comprendono lezioni frontali, esercitazioni in aula, discussione di casi di studio aziendali e lezioni in modalità interattiva e/o a distanza (asincrona o sincrona) mediante serious game, videolezioni, aule virtuali o e-tivity. La frequenza è facoltativa ma fortemente consigliata. Il materiale didattico (slide e materiale integrativo) è reso disponibile tramite la piattaforma Microsoft Teams. Organizzazione della didattica e carico di lavoro: • CFU totali: 6 • ore totali di impegno dello studente: 150 • ore di didattica erogata: 60 • ore di didattica in presenza: 50 • ore di didattica interattiva e/o a distanza (sincrona o asincrona): 10 • ore di attività pratiche/esercitazioni incluse nella didattica erogata: circa 10 • ore di studio individuale: 90

L’esame si svolge con una prova scritta strutturata che comprende un prima parte con domande teoriche (a risposta aperta e chiusa) e una seconda parte con un caso di studio che include domande relative all’applicazione pratica dei concetti teorici. Le domande d’esame vertono sulle aree in cui sono classificati i contenuti del corso: sostenibilità e innovazione verde, strategia di prodotto verde, sviluppo di nuovi prodotti verdi ed eco-design, comportamento di consumo sostenibile. Allo studente/studentessa è offerta la possibilità di partecipare ad un serious game. La partecipazione attiva e proficua al serious game permette di essere esonerato/a dalla parte della prova scritta sul caso di studio. La prova d’esame ha lo scopo di verificare che lo studente/ la studentessa abbia appreso i concetti principali del corso (parte I della prova scritta - primo indicatore di Dublino), sia in grado di applicarli in diversi contesti (parte II della prova scritta/serious game - secondo indicatore di Dublino), di scegliere le migliori strategie di prodotto verde date le caratteristiche dell’impresa, il settore di appartenenza e le preferenze dei consumatori (parte II della prova scritta/serious game - terzo indicatore di Dublino) e di utilizzare un adeguato lessico e una corretta terminologia tecnica (parte I e II della prova scritta/ serious game - quarto indicatore di Dublino). Un punteggio nel range 18/30-21/30 corrisponde alla dimostrazione di un livello di apprendimento sufficiente/più che sufficiente dei concetti di base del corso, trattati con un livello sufficiente/più che sufficiente di chiarezza, e ad una sufficiente/più che sufficiente capacità di applicarli in specifici contesti in maniera critica. Un punteggio nel range 22/30-24/30 corrisponde a un buon livello di apprendimento dei concetti del corso, trattati con un buon livello di chiarezza espositiva, e ad una buona capacità di applicarli in specifici contesti in maniera critica. Un punteggio nel range 25/30-27/30 corrisponde a un livello molto buono di apprendimento dei concetti del corso, trattati con un livello molto buono di chiarezza espositiva, e ad una capacità molto buona di applicarli in specifici contesti in maniera critica. Un punteggio nel range 28/30-30/30 corrisponde alla piena padronanza di tutti gli argomenti trattati, esposti con chiarezza molto elevata, e ad una ottima capacità di applicarli in specifici contesti in maniera critica. Il punteggio 30 e lode corrisponde alla dimostrazione anche di elevate capacità critiche nei confronti di contesti non esplicitamente trattati nel corso e la proposta di soluzioni particolarmente innovative e creative. Requisiti minimi di apprendimento L’esame si ritiene superato con punteggio pari o superiore a 18/30, corrispondente alla dimostrazione di un livello di apprendimento sufficiente dei concetti di base del corso (definizioni ed esempi di innovazioni sostenibili; definizione e componenti di una strategia di prodotto verde; definizioni, fasi, strumenti e fattori di successo di una strategia di marketing orientata alla sostenibilità; processo di sviluppo di un nuovo prodotto verde; strategie di eco-design e Green Option Matrix; comportamento di consumo sostenibile), trattati con un livello sufficiente di chiarezza, e ad una sufficiente capacità di applicarli in specifici contesti (settori, tipologie di imprese o di prodotti) in maniera critica. Per gli studenti con disabilità e DSA saranno garantiti gli strumenti compensativi e le misure dispensative previste dalla normativa vigente.

Materiale in formato elettronico PDF predisposto dal docente disponibile tramite Microsoft Teams. Belz F.-M., Peattie K. (2025) Sustainability Marketing: A Global Perspective. Wiley, 3rd edition.