MPC di sistemi non lineari output feedback and tracking

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "MPC di sistemi non lineari output feedback and tracking"

Transcript

1 MPC di sistemi non lineari output feedback and tracking Dipartimento di Informatica e Sistemistica Via Ferrata 1, Pavia 1

2 Stato dell arte Sono stati proposti molti algoritmi MPC stabilizzanti con retroazione sullo stato Il problema della retroazione sull uscita è stato risolto con il principio di separazione Una sfida ancora aperta è quella di sviluppare metodi MPC con capacità di inseguimento di segnali di riferimento con dinamica definita 2

3 Schema della presentazione Schemi di controllo per l inseguimento asintotico nel controllo lineare MPC non lineare: il problema della regolazione MPC non lineare: il problema dell inseguimento con modelli di stato MPC non lineare: il problema dell inseguimento con modelli ingresso - uscita 3

4 Schemi di controllo per l inseguimento asintotico Sistemi lineari e segnali esogeni costanti d w e u R0 R2 R1 R2 R System y R0 = insiemi di integratori 1/(z-1) R1, R2 =regolatori lineari stabilizzanticon azione feedback - feedforward 4

5 Schema 1 w e u R2 R0 v z1 d Sistema y Non molto usato in MPC n. ingressi = n. uscite Utile nel controllo non lineare per estendere il principio del modello interno 5

6 Schema 2 R21 R22 d w e u u R1 R0 Sistema y schema MPC classico, come nel GPC numero di integratori = numero di variabili di ingresso R21, R22 possono essere termini non causali 6

7 Schema 3 w e u R0 R2 Sistema d y Non usato nel MPC Numero di integratori = numero di variabili di uscita 7

8 Il sistema non lineare Sistema non lineare a tempo discreto x(k +1)=f(x(k),u(k)), x(t) =x t f(0,0)=0, h(0)=0 y(k) =h(x(k)) f e h sono funzioni sufficientemente smooth 8

9 Il problema di regolazione retroazione sullo stato è trovare una legge di controllo u=(x) tale che l origine sia un punto di equilibrio stabile e x (k) X u(k) U X e U sono insiemi compatti che contengono l origine 9

10 L output admissible set Data la legge di controllo u=(x) un output admissible set Y k è un insieme di stati iniziali da cui si può raggiungere l origine nel rispetto dei vincoli 10

11 L approccio MPC - I Ad ogni t, minimizza rispetto a [u(t), u(t+1),,u(t+m-1)] il funzionale di costo J = t+nà1 i=t Con i vincoli x(i) 2 + u(i) 2 + V Q R f (x(t + N)) x X, u U e x(t + N) X f u(k) =Kx(k), k > t + M 11

12 L approccio MPC - II Quindi applica soltanto u(t) e ripeti la procedura di ottimizzazione all istante t+1 Ciò definisce la legge di controllo MPC u=rh(x) 12

13 Parametri di progetto N = orizzonte di predizione M = orizzonte di controllo Q, R = matrici dei pesi Vf(x(t+N)) = peso finale Xf = insieme finale u = Kx legge di controllo lineare localmente stabilizzante Yrh = output admissible set di u=rh(x) YK = output admissible set di u=kx 13

14 Stabilità di MPC Xf =0, Vf = 0 Xf =YK, Vf = 0 commuta a u=kx all interno di YK Xf =YK, Vf = x Pf x Xf =YK, V f (x(t)) = x(i) 2 i=t Q+K 0 RK Tutte stabilizzano esponenzialmente l origine 14

15 Retroazione sull uscita Osservatore esponenzialmente stabile (ad esempio EKF) xê(k +1)=g(xê(k),h(x(k)),u(k)) controllo MPC u Sistema y xê Osservatore dello stato Controllo MPC esponenzialmente stabilizzante + osservatore esp. stabile L origine è un equilibrio esponenzialmente stabile 15

16 Il problema del tracking w Orizzonte di predizione Orizzonte del riferimento y w Orizzonte di controllo Legge di controllo lineare Ipotesi: esiste un equilibrio tale che xö(wö) = f(xö(wö),uö(wö)) wö =h(xö(wö)) t W Ipotesi: Il sistema linearizzato è stabilizzabile, detettabile, senza zeri di trasm. z=1 16

17 Sistema + R0 x 1 (k +1)=f 1 (x 1 (k),v(k),w(k)) e(k) =h 1 (x 1 (k),w(k)) Legge lineare localmente stabilizzante v(k) =K 1 (wö)(x 1 (k) à xö 1 (wö)) Metodo 1 - I w e u y R2 R0 v z1 Sistema Minimizza rispetto av(k),,v(k+m-1) t+nà1 J 1 = P ð í í íe(i) 2 + í í ñ Q v(i) 2 + V R f1 (x 1 (t + N),wö) i=t V f1 = P ð í í íe(i) 2 + í K1 (x Q 1 (i) à xö 1 (wö)) í ñ 2 R i=t+n x 1 (t + N) Y K 1 + altri vincoli 17

18 R2 si ottiene combinando la legge MPC con un osservatore Con l ipotesi di osservabilità opportuna, xö 1 (wö) è punto di equilibrio esponenzialmente stabile Pro: facile generalizzare a altri segnali esogeni Metodo 1 - II w e u y R2 R0 v z1 Sistema Contro: è difficile includere vincoli su u, u; stesso numero di ingressi e uscite; bisogna calcolare xö 1 (wö) 18

19 Supponi di conoscere un reg. dinamico localmente stabilizzante x r (k +1)=A r x r (k)+b r e(k) v(k) =C r x r (k)+d r e(k) Metodo 1 - III come evitare il calcolo di xö 1 (wö) Minimizza rispetto av(k),,v(k+m-1), xr(k+m) x r (k J ã +1)=A r x r (k)+b r e(k) 1 = t+ M à 1 è ke(i) k 2 Q + kv(i) é + k x r (t + M ) k 2 Rr + V ã f1 = P i= t t+nà1 + P P i=t+n i=t+m k2 R n v(k) =C o r x r (k)+d r e(k) ke(i) k 2 Qö + kx r (i) + V ã f1 ke(i) k 2 Qö + kx r (i) k 2 Qö R k 2 Qö r, ì x 1 (t + N) x r (t + N) ì Yã f1 (wö) 19

20 Vf ei xr w e u u y R1 R0 Sistema Metodo 2 - I Sistema + R0 x 2 (k +1)=f 2 (x 2 (k),îu(k),w(k)) e(k) =h 2 (x 2 (k),w(k)) Legge lineare localmente stabilizzante îu(k) =K 2 (wö)(x 2 (k) à xö 2 (wö)) J 2 = Minimizza rispetto au(k),,u(k+m-1) t+nà1 P ð i=t ñ ke(i) k 2 Q + kîu(i) + k2 Vf2 (x 2 (t + N),wö) R V f2 = P i=t+n ke(i) k 2 Q + k K 2(x 2 (i) à xö 2 (wö)) x 2 (t + N) Y K2 + altri vincoli k 2 R 20

21 w e u u y R1 R0 Sistema Metodo 2 - II R1 è ottenuto combinando la legge MPC con un osservatore Contro: n. di integratori = n. di ingressi; per modelli incerti, è necessario un osservatore anche se x è noto; non si generalizza ad altri riferimenti. Con l ipotesi di osservabilità opportuna, xö 2 (wö) è un punto di equilibrio esponenzialmente stabile Pro: facile includere vincoli su u e u; schema MPC classico 21

22 w e u y R0 R2 Sistema Metodo 3 - I Sistema + R0 x 3 (k +1)= f 3 (x 3 (k),u(k),w(k)) e(k) =h 3 (x 3 (k),w(k)) dove x 3 (k) contiene lo stato del sistema, degli integratori e u(k-1), cosicché u(k)=u(k)-u(k-1)=u(k)-x 3 (k) 22

23 w e u y R0 R2 Sistema Metodo 3 - II Legge localmente stabilizzante u(k) =uö(wö) + K 3 (wö)(x 3 (k) à xö 3 (wö)) Minimizza rispetto au(k),,u(k+m-1), t+nà1 ð ñ J 3 = ke(i) k 2 Q + kîu(i) + V f3 (x 3 (t + N),wö) V f3 = P i=t P i=t+n k2 R ke(i) k 2 Q + kuö(wö) + K 3 (x 3 (i) à xö 3 (wö)) x 3 (t + N) Y K3 + altri vincoli k 2 R 23

24 w e u y R0 R2 Sistema Metodo 3 - III R2 è ottenuto combinando la legge MPC con un osservatore Contro: schema non standard ; non si generalizza ad altri riferimenti; Con l ipotesi di osservabilità opportuna, xö 3 (wö) è un punto di equilibrio esponenzialmente stabile Pro: facile includere vincoli su u e u; minimo numero di integratori 24

25 Modelli Ingresso-Uscita - I Con riferimento allo schema 2, con tecniche di identificazione si può ottenere il modello ingresso- uscita e(k +1)=í(e(k),..., e(k à n),îu(k),..., îu(k à n)) con (0,0)=0 25

26 Posto Modelli ingresso-uscita - II x(k) = [ e(k),..., e(k à n),îu(k),..., îu(k à n) ] 0 il modello può essere scritto come x(k +1)=f(x(k),îu(k)) e(k) =Cx(k) e il problema di tracking è trasformato in un problema di regolazione 26

27 Un esempio illustrativo Continuous Stirred Tank Reactor Cç A = q V (C Af à C A ) à k 0 exp(à E RT )C A Tç = q V (T f à T) à 4H úcp k 0 exp(à E RT )C A + UA VúCp (T c à T) y = T, u = T c Equilibrio instabile Cö A =0.5mol/L Tö = 350K T ö c = 300K Vincoli 220K 6 T c 6 550K 220K 6 T 6 550K 0 6 C A 6 C Af =1mol/L 27

28 Risposta allo scalino 0.8 T c =300K æ 5K (a) 440 (a) C A (mol/l) C A (mol/l) Time (minute) (b) T (K) T (K) Time (minute ) (b) Time (minute) Time (minute ) (a) +5K, (b) -5K 28

29 Retroazione sull uscita - metodo 2 Regolatore dinamico localmente stabilizzante N = 4 Q = 10, R = 1 Extended Kalman Filter 29

30 Esperimento 1 Scalino pre-programmato C A (mol/l) T (K) T c (K) Time (min) Regolatore lineare: linea blu; MPC: linea rossa 30

31 Esperimento 2 Rampa pre-programmata C A (mol/l) T (K) T c (K) Time (min) Regolatore:linea blu; MPC: linea rossa 31

32 Esperimento 3 variazioni del parametro E/R E/R(K) Time (min) C A (mol/l) Time (min) T(mol/L) T c (mol/l) Time (min) Variazione di E/R Time (min) 32

33 Conclusioni Oggi ci sono algoritmi MPC con retroazione sull uscita e tracking per sistemi non lineari L aspetto computazionale è fondamentale per l impiego pratico di queste tecniche attività di ricerca futura può riguardare: (a) osservatori non lineari (b) identificazione ingresso-uscita affidabile 33

34 Riferimenti Magni L., G. De Nicolao and R. Scattolini : "Output feedback and tracking of nonlinear systems with model predictive control", Automatica, to appear, Magni L., G. De Nicolao, L. Magnani, and R. Scattolini : "A stabilizing modelbased predictive control for nonlinear systems", Automatica, to appear, De Nicolao G., L. Magni and R. Scattolini : "Tracking of nonlinear systems via model based predictive control", ADCHEM 2000, International Symposium on Advanced Control of Chemical Processes, Pisa, Italy - June 14-16, De Nicolao G., L. Magni and R. Scattolini : "Stabilizing Receding-Horizon control of nonlinear time varyng systems", IEEE Trans. on Automatic Control, AC-43, , De Nicolao G., L. Magni and R. Scattolini : "Stabilizing predictive control of Nonlinear ARX models", Automatica, 33, , De Nicolao G., L. Magni and R. Scattolini : "On the robustness of receding-horizon control with terminal constraints", IEEE Trans. on Automatic Control, AC-41, ,

MPC di sistemi nonlineari state-feedback

MPC di sistemi nonlineari state-feedback MPC di sistemi nonlineari state-feedback L. Magni Dipartimento di Informatica e Sistemistica Università Via Ferrata 1, 27100 Pavia Lalo.Magni@unipv.it http://conpro.unipv.it/lab/ 1 Per il sistema Definizione

Dettagli

Controllo Predittivo (cenni)

Controllo Predittivo (cenni) Controllo Predittivo (cenni) Controllo Digitale - A. Bemporad - A.a. 2007/08 Optimizer Model Predictive Control Plant Reference r(t) Input u(t) Output y(t) Measurements MODEL: è richiesto un modello del

Dettagli

Motore in corrente continua Controllo in retroazione dello stato e Osservatore dello stato Controllo ottimo

Motore in corrente continua Controllo in retroazione dello stato e Osservatore dello stato Controllo ottimo Motore in corrente continua Controllo in retroazione dello stato e Osservatore dello stato Controllo ottimo Esercitazioni di Controlli Automatici LS (Prof. C. Melchiorri) Si consideri il motore elettrico

Dettagli

IDENTIFICAZIONE dei MODELLI e ANALISI dei DATI. Lezione 40: Filtro di Kalman - introduzione. Struttura ricorsiva della soluzione.

IDENTIFICAZIONE dei MODELLI e ANALISI dei DATI. Lezione 40: Filtro di Kalman - introduzione. Struttura ricorsiva della soluzione. IDENTIFICAZIONE dei MODELLI e ANALISI dei DATI Lezione 40: Filtro di Kalman - introduzione Cenni storici Filtro di Kalman e filtro di Wiener Formulazione del problema Struttura ricorsiva della soluzione

Dettagli

Fondamenti di Automatica

Fondamenti di Automatica Fondamenti di Automatica Analisi dei sistemi dinamici Dott. Ing. Marcello Bonfè Dipartimento di Ingegneria - Università di Ferrara Tel. +39 0532 974839 E-mail: marcello.bonfe@unife.it pag. 1 Analisi dei

Dettagli

Inversione stabile ingresso-uscita per sistemi lineari e non lineari. 2 Esempio del pendolo sul carrello

Inversione stabile ingresso-uscita per sistemi lineari e non lineari. 2 Esempio del pendolo sul carrello Inversione stabile ingresso-uscita per sistemi lineari e non lineari Alcuni appunti per la Scuola avanzata Giovanni Zappa su tecniche di controllo e identificazione Udine 14-15 Novembre 28 Luca Consolini,

Dettagli

2.5 Stabilità dei sistemi dinamici 20. - funzioni di trasferimento, nella variabile di Laplace s, razionali fratte del tipo:

2.5 Stabilità dei sistemi dinamici 20. - funzioni di trasferimento, nella variabile di Laplace s, razionali fratte del tipo: .5 Stabilità dei sistemi dinamici 9 Risulta: 3 ( s(s + 4).5 Stabilità dei sistemi dinamici Si è visto come un sistema fisico può essere descritto tramite equazioni differenziali o attraverso una funzione

Dettagli

Controllo Ottimo e Predittivo per Sistemi Dinamici a Parametri Concentrati

Controllo Ottimo e Predittivo per Sistemi Dinamici a Parametri Concentrati Controllo Ottimo e Predittivo per Sistemi Dinamici a Parametri Concentrati Angelo Alessandri alessandri@diptem.unige.it Dipartimento di Ingegneria della Produzione, Termoenergetica e Modelli Matematici

Dettagli

Appendice Circuiti con amplificatori operazionali

Appendice Circuiti con amplificatori operazionali Appendice Circuiti con amplificatori operazionali - Appendice Circuiti con amplificatori operazionali - L amplificatore operazionale Il componente ideale L amplificatore operazionale è un dispositivo che

Dettagli

LABORATORY OF AUTOMATION SYSTEMS ADAPTIVE CONTROLLERS

LABORATORY OF AUTOMATION SYSTEMS ADAPTIVE CONTROLLERS Laboratory of Automation Systems p. 1/46 LABORATORY OF AUTOMATION SYSTEMS ADAPTIVE CONTROLLERS Prof. Claudio Bonivento CASY-DEIS, University of Bologna claudio.bonivento@unibo.it Laboratory of Automation

Dettagli

INTRODUZIONE AL CONTROLLO OTTIMO

INTRODUZIONE AL CONTROLLO OTTIMO INTRODUZIONE AL CONTROLLO OTTIMO Teoria dei Sistemi Ingegneria Elettronica, Informatica e TLC Prof. Roberto Zanasi, Dott. Giovanni Azzone DII - Università di Modena e Reggio Emilia AUTOLAB: Laboratorio

Dettagli

Ottimizzazione nella gestione dei progetti Capitolo 4: la gestione dei costi (Programmazione multimodale): formulazioni

Ottimizzazione nella gestione dei progetti Capitolo 4: la gestione dei costi (Programmazione multimodale): formulazioni Ottimizzazione nella gestione dei progetti Capitolo 4: la gestione dei costi (Programmazione multimodale): formulazioni CARLO MANNINO Università di Roma La Sapienza Dipartimento di Informatica e Sistemistica

Dettagli

Segnali e Sistemi. Dispensa integrativa per l insegnamento di Elementi di Controlli Automatici. Gianni Borghesan e Giovanni Marro

Segnali e Sistemi. Dispensa integrativa per l insegnamento di Elementi di Controlli Automatici. Gianni Borghesan e Giovanni Marro Segnali e Sistemi Dispensa integrativa per l insegnamento di Elementi di Controlli Automatici Gianni Borghesan e Giovanni Marro Indice Introduzione 2. Notazione............................. 2 2 Classificazione

Dettagli

Fondamenti di Automatica. Modellistica dei sistemi dinamici a tempo discreto

Fondamenti di Automatica. Modellistica dei sistemi dinamici a tempo discreto Fondamenti di Automatica Modellistica dei sistemi dinamici a tempo discreto Sistemi dinamici a tempo discreto I sistemi dinamici a tempo discreto sono sistemi in cui tutte le grandezze variabili sono funzioni

Dettagli

Cristian Secchi Pag. 1

Cristian Secchi Pag. 1 CONTROLLI DIGITALI Laurea Magistrale in Ingegneria Meccatronica SISTEMI A TEMPO DISCRETO Ing. Tel. 0522 522235 e-mail: cristian.secchi@unimore.it http://www.dismi.unimo.it/members/csecchi Richiami di Controlli

Dettagli

Modulo di Meccanica e Termodinamica

Modulo di Meccanica e Termodinamica Modulo di Meccanica e Termodinamica 1) Misure e unita di misura 2) Cinematica: + Moto Rettilineo + Moto Uniformemente Accelerato [+ Vettori e Calcolo Vettoriale] + Moti Relativi 3) Dinamica: + Forza e

Dettagli

Politecnico di Milano. Fondamenti di Automatica (CL Ing. Gestionale) a.a.2014-15 Prof. Silvia Strada Prima prova intermedia 28 Novembre 2014 SOLUZIONE

Politecnico di Milano. Fondamenti di Automatica (CL Ing. Gestionale) a.a.2014-15 Prof. Silvia Strada Prima prova intermedia 28 Novembre 2014 SOLUZIONE Politecnico di Milano Fondamenti di Automatica (CL Ing. Gestionale) a.a.014-15 Prof. Silvia Strada Prima prova intermedia 8 Novembre 014 SOLUZIONE ESERCIZIO 1 punti: 8 su 3 Si consideri il sistema dinamico

Dettagli

CAPITOLO 3 FONDAMENTI DI ANALISI DELLA STABILITA' DI SISTEMI NON LINEARI

CAPITOLO 3 FONDAMENTI DI ANALISI DELLA STABILITA' DI SISTEMI NON LINEARI 31 CAPITOLO 3 FONDAMENTI DI ANALISI DELLA STABILITA' DI SISTEMI NON LINEARI INTRODUZIONE L'obbiettivo di questo capitolo è quello di presentare in modo sintetico ma completo, la teoria della stabilità

Dettagli

Identificazione di sistemi dinamici

Identificazione di sistemi dinamici Scuola universitaria professionale della Svizzera italiana SUP SI Dipartimento Tecnologie Innovative Identificazione di sistemi dinamici Ivan Furlan 21 dicembre 2011 Identificazione di sistemi dinamici

Dettagli

Computazione per l interazione naturale: Modelli dinamici

Computazione per l interazione naturale: Modelli dinamici Computazione per l interazione naturale: Modelli dinamici Corso di Interazione Naturale Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it boccignone.di.unimi.it/in_2015.html

Dettagli

A Enrica e alla mia famiglia

A Enrica e alla mia famiglia A Enrica e alla mia famiglia Indice Introduzione 1 1 Localizzazione probabilistica con filtraggio Bayesiano 4 1.1 Tassonomia dei problemi di localizzazione............... 4 1.2 Tassonomia dei filtri bayesiani.....................

Dettagli

Introduzione 1. 1 Il controllo supervisivo di una rete di Petri 3 1.1 Il problema del controllo supervisivo... 3 1.2 Il metodo dei posti monitor...

Introduzione 1. 1 Il controllo supervisivo di una rete di Petri 3 1.1 Il problema del controllo supervisivo... 3 1.2 Il metodo dei posti monitor... Indice Introduzione 1 1 Il controllo supervisivo di una rete di Petri 3 1.1 Il problema del controllo supervisivo.................. 3 1.2 Il metodo dei posti monitor....................... 4 Bibliografia

Dettagli

9 Metodi diretti per la risoluzione di sistemi lineari: fattorizzazione P A = LU

9 Metodi diretti per la risoluzione di sistemi lineari: fattorizzazione P A = LU 9 Metodi diretti per la risoluzione di sistemi lineari: fattorizzazione P A LU 9.1 Il metodo di Gauss Come si è visto nella sezione 3.3, per la risoluzione di un sistema lineare si può considerare al posto

Dettagli

Cristian Secchi Pag. 1

Cristian Secchi Pag. 1 INGEGNERIA E TECNOLOGIE DEI SISTEMI DI CONTROLLO Laurea Specialistica in Ingegneria Meccatronica STRUMENTI MATEMATICI PER L ANALISI DEI SISTEMI DISCRETI Ing. Tel. 0522 522235 e-mail: secchi.cristian@unimore.it

Dettagli

Localizzabilità Non Lineare e Telecamere Panoramiche: Applicazioni a Squadre di Robot

Localizzabilità Non Lineare e Telecamere Panoramiche: Applicazioni a Squadre di Robot UNIVERSITÀ DEGLI STUDI DI SIENA FACOLTÀ DI INGEGNERIA Corso di Laurea in Ingegneria Informatica, RA Localizzabilità Non Lineare e Telecamere Panoramiche: Applicazioni a Squadre di Robot Relatore Chiar.mo

Dettagli

6.2 Controllo ottimo di sistemi tempo-discreti

6.2 Controllo ottimo di sistemi tempo-discreti Capitolo 6 CONTROLLO OTTIMO 6.1 Introduzione 6.2 Controllo ottimo di sistemi tempo-discreti Si consideri il sistema tempo-discreto x(k +1) = f (k,x(k),u(k)) (6.1) con k Z, x(k) IR n e u(k) IR m. Dato l

Dettagli

PROGRAMMA SVOLTO fino al 22-06-2015 Fine del corso

PROGRAMMA SVOLTO fino al 22-06-2015 Fine del corso PROGRAMMA SVOLTO fino al 22-06-2015 Fine del corso Prof. Bruno Picasso LEZIONI: Introduzione al corso. Introduzione ai sistemi dinamici. I sistemi dinamici come sistemi di equazioni differenziali; variabili

Dettagli

Introduzione. Ing. Gianmaria De Tommasi A.A. 2008/09. Controllo Digitale. Introduzione. Sommario. Informazioni sul corso.

Introduzione. Ing. Gianmaria De Tommasi A.A. 2008/09. Controllo Digitale. Introduzione. Sommario. Informazioni sul corso. Controllo Ing. Gianmaria De Tommasi A.A. 2008/09 1 2 di un sistema di controllo digitale Segnali tempo continuo e segnali tempo discreto Metodologie di progetto di sistemi di controllo digitali Alcune

Dettagli

Complementi di Controllo Digitale

Complementi di Controllo Digitale Complementi di Controllo Digitale Alberto Bemporad Dipartimento di Ingegneria dell Informazione Università degli Studi di Siena bemporad@dii.unisi.it http://www.dii.unisi.it/~bemporad Corso di Laurea in

Dettagli

Metodi di previsione

Metodi di previsione Metodi di previsione Giovanni Righini Università degli Studi di Milano Corso di Logistica I metodi di previsione I metodi di previsione sono usati per ricavare informazioni a sostegno dei processi decisionali

Dettagli

Controllo Digitale - A. Bemporad - A.a. 2008/09

Controllo Digitale - A. Bemporad - A.a. 2008/09 D 1001 A Conversione D/A Attuatori Sensori 1001 D A Conversione A/D Processo Unità di controllo u(t) y(t) Attuatori Sensori G(s) Processo C(s)? Unità di controllo u(k) D 1001 A Conversione D/A Attuatori

Dettagli

Controlli Automatici T. Trasformata di Laplace e Funzione di trasferimento. Parte 3 Aggiornamento: Settembre 2010. Prof. L.

Controlli Automatici T. Trasformata di Laplace e Funzione di trasferimento. Parte 3 Aggiornamento: Settembre 2010. Prof. L. Parte 3 Aggiornamento: Settembre 2010 Parte 3, 1 Trasformata di Laplace e Funzione di trasferimento Prof. Lorenzo Marconi DEIS-Università di Bologna Tel. 051 2093788 Email: lmarconi@deis.unibo.it URL:

Dettagli

Rappresentazione nello spazio degli stati

Rappresentazione nello spazio degli stati Chapter 1 Rappresentazione nello spazio degli stati La modellazione di un sistema lineare di ordine n, fornisce un insieme di equazioni differenziali che una volta trasformate nel dominio discreto, possono

Dettagli

Osvaldo Maria Grasselli Sergio Galeani Controllo di sistemi a più ingressi e più uscite. Volume 1

Osvaldo Maria Grasselli Sergio Galeani Controllo di sistemi a più ingressi e più uscite. Volume 1 A09 158 Osvaldo Maria Grasselli Sergio Galeani Controllo di sistemi a più ingressi e più uscite Volume 1 Copyright MMXII ARACNE editrice S.r.l. www.aracneeditrice.it info@aracneeditrice.it via Raffaele

Dettagli

Prestazioni dei sistemi in retroazione

Prestazioni dei sistemi in retroazione Prestazioni dei sistemi in retroazione (ver..2). Sensitività e sensitività complementare Sia dato il sistema in retroazione riportato in Fig... Vogliamo determinare quanto è sensibile il sistema in anello

Dettagli

Regolatori PID. Corso di Controllo Digitale. a cura di Simona Onori s.onori@disp.uniroma2.it

Regolatori PID. Corso di Controllo Digitale. a cura di Simona Onori s.onori@disp.uniroma2.it Regolatori PID Corso di Controllo Digitale a cura di Simona Onori s.onori@disp.uniroma2.it Novembre 2005 Introduzione I regolatori lineari più usati in ambito industriale sono certamente i PID, o regolatori

Dettagli

Capitolo 2. Un introduzione all analisi dinamica dei sistemi

Capitolo 2. Un introduzione all analisi dinamica dei sistemi Capitolo 2 Un introduzione all analisi dinamica dei sistemi Obiettivo: presentare una modellistica di applicazione generale per l analisi delle caratteristiche dinamiche di sistemi, nota come system dynamics,

Dettagli

REGOLATORI STANDARD PID

REGOLATORI STANDARD PID CONTROLLI AUTOMATICI Ingegneria Gestionale http://www.automazione.ingre.unimore.it/pages/corsi/controlliautomaticigestionale.htm REGOLATORI STANDARD PID Ing. Federica Grossi Tel. 059 2056333 e-mail: federica.grossi@unimore.it

Dettagli

Feature Selection per la Classificazione

Feature Selection per la Classificazione 1 1 Dipartimento di Informatica e Sistemistica Sapienza Università di Roma Corso di Algoritmi di Classificazione e Reti Neurali 20/11/2009, Roma Outline Feature Selection per problemi di Classificazione

Dettagli

Raffinamento dello schema e forme normali. T. Catarci, M. Scannapieco, Corso di Basi di Dati, A.A. 2008/2009, Sapienza Università di Roma

Raffinamento dello schema e forme normali. T. Catarci, M. Scannapieco, Corso di Basi di Dati, A.A. 2008/2009, Sapienza Università di Roma Raffinamento dello schema e forme normali 1 Forme Normali Le forme normali consentono di valutare la qualità delle relazione Sono state proposte diverse forme normali che includono, in ordine di generalità:

Dettagli

Laboratori remoti ad uso didattico: generalità ed applicazioni

Laboratori remoti ad uso didattico: generalità ed applicazioni Università di Siena Laboratori remoti ad uso didattico: generalità ed applicazioni Marco Casini Dipartimento di Ingegneria dell Informazione Università di Siena Email: casini@ing.unisi.it - 4 Aprile 2008

Dettagli

Differenziazione sistemi dinamici

Differenziazione sistemi dinamici Il controllo di sistemi ad avanzamento temporale si basa sulle tecniche di controllo in retroazione, ovvero, elabora le informazione sullo stato del processo (provenienti dai sensori) in modo sa inviare

Dettagli

Backpropagation in MATLAB

Backpropagation in MATLAB Modello di neurone BACKPROPAGATION Backpropagation in MATLAB Prof. Beatrice Lazzerini Dipartimento di Ingegneria dell Informazione Via Diotisalvi 2, 56122 Pisa La funzione di trasferimento, che deve essere

Dettagli

UN ESEMPIO CONCRETO DI COME LA TECNOLOGIA MPC PUO CONTRIBUIRE A MIGLIORARE E OTTIMIZZARE LA GESTIONE DI UNA RETE DI DISTRIBUZIONE DELL ACQUA POTABILE.

UN ESEMPIO CONCRETO DI COME LA TECNOLOGIA MPC PUO CONTRIBUIRE A MIGLIORARE E OTTIMIZZARE LA GESTIONE DI UNA RETE DI DISTRIBUZIONE DELL ACQUA POTABILE. UN ESEMPIO CONCRETO DI COME LA TECNOLOGIA MPC PUO CONTRIBUIRE A MIGLIORARE E OTTIMIZZARE LA GESTIONE DI UNA RETE DI DISTRIBUZIONE DELL ACQUA POTABILE. Alessandro Masiello Rockwell Automation Mission Overview

Dettagli

Università degli Studi di Siena. Modellizzazione e Controllo Predittivo Ibrido e Decentralizzato di Una Formazione di Velivoli di Tipo Quadcopter

Università degli Studi di Siena. Modellizzazione e Controllo Predittivo Ibrido e Decentralizzato di Una Formazione di Velivoli di Tipo Quadcopter Università degli Studi di Siena Facoltà di Ingegneria Corso di Laurea Specialistica in Ingegneria Informatica Modellizzazione e Controllo Predittivo Ibrido e Decentralizzato di Una Formazione di Velivoli

Dettagli

Altri metodi di indicizzazione

Altri metodi di indicizzazione Organizzazione a indici su più livelli Altri metodi di indicizzazione Al crescere della dimensione del file l organizzazione sequenziale a indice diventa inefficiente: in lettura a causa del crescere del

Dettagli

Electrical motor Test-bed

Electrical motor Test-bed EM_Test_bed Page 1 of 10 Electrical motor Test-bed 1. INTERFACCIA SIMULINK... 2 1.1. GUI CRUSCOTTO BANCO MOTORE... 2 1.2. GUIDE... 3 1.3. GUI PARAMETRI MOTORE... 3 1.4. GUI VISUALIZZAZIONE MODELLO 3D MOTORE...

Dettagli

Esperienze di Apprendimento Automatico per il corso di Intelligenza Artificiale

Esperienze di Apprendimento Automatico per il corso di Intelligenza Artificiale Esperienze di Apprendimento Automatico per il corso di lippi@dsi.unifi.it Dipartimento Sistemi e Informatica Università di Firenze Dipartimento Ingegneria dell Informazione Università di Siena Introduzione

Dettagli

Introduzione agli Algoritmi Genetici Prof. Beatrice Lazzerini

Introduzione agli Algoritmi Genetici Prof. Beatrice Lazzerini Introduzione agli Algoritmi Genetici Prof. Beatrice Lazzerini Dipartimento di Ingegneria della Informazione Via Diotisalvi, 2 56122 PISA ALGORITMI GENETICI (GA) Sono usati per risolvere problemi di ricerca

Dettagli

Studio e applicazione del Controllo Predittivo. Bortoluzzo Riky

Studio e applicazione del Controllo Predittivo. Bortoluzzo Riky Studio e applicazione del Controllo Predittivo Bortoluzzo Riky Indice 1 Introduzione 3 I Controllo Predittivo 4 2 Model Predictive Control 5 2.1 Modello del controllore...................... 7 2.2 Modello

Dettagli

6. Trasformate e Funzioni di Trasferimento

6. Trasformate e Funzioni di Trasferimento 6. Trasformate e Funzioni di Trasferimento 6.3 Richiami sulla Trasformata di Laplace Definizione La trasformata di Laplace di f(t) è la funzione di variabile complessa s C, (s = σ + jω), F (s) = e st f(t)dt

Dettagli

Rete di Hopfield applicata al problema del TSP

Rete di Hopfield applicata al problema del TSP Rete di Hopfield applicata al problema del TSP 1. Introduzione Nel 1982, il fisico John J. Hopfield pubblicò un articolo fondamentale in cui presentò un modello matematico comunemente noto come rete di

Dettagli

9. Strumenti CAD per l analisi e la sintesi di sistemi di controllo.

9. Strumenti CAD per l analisi e la sintesi di sistemi di controllo. CORSO DI PROGETTO DEI SISTEMI DI CONTROLLO 1. Introduzione. 2. Sistemi e modelli. 3. Analisi frequenziale dei sistemi lineari. 4. Criteri di stabilità dei sistemi in retroazione. 5. Luogo delle radici.

Dettagli

Whitepaper Algoritmo Contributo Mensile Automatico

Whitepaper Algoritmo Contributo Mensile Automatico Whitepaper Algoritmo Contributo Mensile Automatico L obiettivo dell algoritmo alla base della funzionalità del Contributo Mensile automatico è quello di fornire al cliente, che investe un determinato importo

Dettagli

Fondamenti di Automatica

Fondamenti di Automatica Fondamenti di Automatica Regolatori PID Dott. Ing. Marcello Bonfè Dipartimento di Ingegneria - Università di Ferrara Tel. +39 0532 974839 E-mail: marcello.bonfe@unife.it pag. 1 Regolatori PID CENNI STORICI

Dettagli

Controllo di temperatura di reattori batch

Controllo di temperatura di reattori batch Controllo di temperatura di reattori batch Paolo Valigi, Mario Luca Fravolini, Antonio Ficola, Monica Forlucci, Claudio Sandali, Ernesto Bove Figura 1 - Il reattore e il sistema di misura/attuazione Il

Dettagli

analisi di sistemi retroazionati (2)

analisi di sistemi retroazionati (2) : analisi di sistemi retroazionati (2) Marco Lovera Dipartimento di Elettronica e Informazione Politecnico di Milano lovera@elet.polimi.it Indice Piccolo guadagno Stabilita ingresso-uscita Guadagno L 2

Dettagli

Indice. Capitolo 1 Introduzione... 1. Capitolo 2 Rappresentazioni lineari e modelli di sistemi da diverse discipline... 9

Indice. Capitolo 1 Introduzione... 1. Capitolo 2 Rappresentazioni lineari e modelli di sistemi da diverse discipline... 9 Indice Capitolo 1 Introduzione... 1 Capitolo 2 Rappresentazioni lineari e modelli di sistemi da diverse discipline... 9 2.1 Alcuni semplici modelli.............................. 10 2.1.a Un sistema meccanico

Dettagli

Tecniche di riconoscimento statistico

Tecniche di riconoscimento statistico On AIR s.r.l. Tecniche di riconoscimento statistico Applicazioni alla lettura automatica di testi (OCR) Parte 4 Reti neurali per la classificazione Ennio Ottaviani On AIR srl ennio.ottaviani@onairweb.com

Dettagli

DEGLI STUDI DI PALERMO UNIVERSITÀ. Tesina di Robotica Industriale. Facoltà di Ingegneria. Corso di Laurea Magistrale in Ingegneria dell Automazione

DEGLI STUDI DI PALERMO UNIVERSITÀ. Tesina di Robotica Industriale. Facoltà di Ingegneria. Corso di Laurea Magistrale in Ingegneria dell Automazione UNIVERSITÀ DEGLI STUDI DI PALERMO Facoltà di Ingegneria Corso di Laurea Magistrale in Ingegneria dell Automazione Tesina di Robotica Industriale Allievi: Roberto Rabbeni Stefania Maria Collura Docente:

Dettagli

Ottimizzazione non Vincolata

Ottimizzazione non Vincolata Dipartimento di Informatica e Sitemistica Università di Roma Corso Dottorato Ingegneria dei Sistemi 15/02/2010, Roma Outline Ottimizzazione Non Vincolata Introduzione Ottimizzazione Non Vincolata Algoritmi

Dettagli

Capitolo 4: Ottimizzazione non lineare non vincolata parte II. E. Amaldi DEIB, Politecnico di Milano

Capitolo 4: Ottimizzazione non lineare non vincolata parte II. E. Amaldi DEIB, Politecnico di Milano Capitolo 4: Ottimizzazione non lineare non vincolata parte II E. Amaldi DEIB, Politecnico di Milano 4.3 Algoritmi iterativi e convergenza Programma non lineare (PNL): min f(x) s.v. g i (x) 0 1 i m x S

Dettagli

Dispositivi Minimamente Invasivi

Dispositivi Minimamente Invasivi Dispositivi Minimamente Invasivi per Diagnosi, Monitoraggio e Terapia Esercitazione 11 Alessandro Tognetti Nicola Carbonaro a.tognetti@centropiaggio.unipi.it tti@ t i i i i it nicola.carbonaro@centropiaggio.unipi.it

Dettagli

Controllo Digitale - A. Bemporad - A.a. 2007/08

Controllo Digitale - A. Bemporad - A.a. 2007/08 Controllo di sistemi con saturazione (tecniche di anti-windup) controllore lineare Kx(k) saturazione Problema del Windup u(k) processo x(k) La maggior parte dei sistemi di controllo viene progettata utilizzando

Dettagli

Analisi di risposte di sistemi dinamici in MATLAB

Analisi di risposte di sistemi dinamici in MATLAB Laboratorio di Fondamenti di Automatica Seconda esercitazione Analisi di risposte di sistemi dinamici in MATLAB 2005 Alberto Leva, Marco Lovera, Maria Prandini Premessa Scopo di quest'esercitazione di

Dettagli

ROTARY HERRINGBONE PARALLEL SYSTEM ROTARY SHEEP AND GOATS SYSTEM FOR SHEEP AND GOATS

ROTARY HERRINGBONE PARALLEL SYSTEM ROTARY SHEEP AND GOATS SYSTEM FOR SHEEP AND GOATS PANAZOO Innovation 2015 Automation in Milking Systems Milk Meter Management Mpc Uniform Agri Link Pulsation management Sheep and Goats Milk Meter PATENT PENDING EP - US LOW LINE 2 3 APPLICATIONS 4 ROTARY

Dettagli

Introduzione agli Algoritmi Genetici Prof. Beatrice Lazzerini

Introduzione agli Algoritmi Genetici Prof. Beatrice Lazzerini Introduzione agli Algoritmi Genetici Prof. Beatrice Lazzerini Dipartimento di Ingegneria della Informazione Via Diotisalvi, 2 56122 PISA ALGORITMI GENETICI (GA) Sono usati per risolvere problemi di ricerca

Dettagli

La Minimizzazione dei costi

La Minimizzazione dei costi La Minimizzazione dei costi Il nostro obiettivo è lo studio del comportamento di un impresa che massimizza il profitto sia in mercati concorrenziali che non concorrenziali. Ora vedremo la fase della minimizzazione

Dettagli

4. Matrici e Minimi Quadrati

4. Matrici e Minimi Quadrati & C. Di Natale: Matrici e sistemi di equazioni di lineari Formulazione matriciale del metodo dei minimi quadrati Regressione polinomiale Regressione non lineare Cross-validazione e overfitting Regressione

Dettagli

Se x* e punto di minimo (locale) per la funzione nell insieme Ω, Ω = { x / g i (x) 0 i I, h j (x)= 0 j J } lo e anche per F(x) = f o (x) + c x x 2

Se x* e punto di minimo (locale) per la funzione nell insieme Ω, Ω = { x / g i (x) 0 i I, h j (x)= 0 j J } lo e anche per F(x) = f o (x) + c x x 2 NLP -OPT 1 CONDIZION DI OTTIMO [ Come ricavare le condizioni di ottimo. ] Si suppone x* sia punto di ottimo (minimo) per il problema min f o (x) con vincoli g i (x) 0 i I h j (x) = 0 j J la condizione

Dettagli

La schedulazione. E.Mumolo mumolo@units.it

La schedulazione. E.Mumolo mumolo@units.it La schedulazione E.Mumolo mumolo@units.it Concetti fondamentali Multiprogrammazione: esecuzione simultanea di più sequenze di esecuzione Pseudo-parallelismo su una sola CPU Esecuzione parallela su più

Dettagli

Energy Performance Contracts (E.P.C.) per l efficienza energetica nell industria

Energy Performance Contracts (E.P.C.) per l efficienza energetica nell industria Energy Performance Contracts (E.P.C.) per l efficienza energetica nell industria Ing. Roberto Udali B o l z a n o, 2 8 m a r z o 2 0 1 5 La schema dell Energy Performance Contract E.S.CO. ENERGY SERVICE

Dettagli

Dimensionamento dei lotti di produzione: il caso con variabilità nota

Dimensionamento dei lotti di produzione: il caso con variabilità nota Dimensionamento dei lotti di produzione: il caso con variabilità nota A. Agnetis In questi appunti studieremo alcuni modelli per il problema del lot sizing, vale a dire il problema di programmare la dimensione

Dettagli

Risparmio energetico nei Data Center

Risparmio energetico nei Data Center Risparmio energetico nei Data Center Danilo Ardagna, Mara Tanelli, Politecnico di Milano {ardagna,tanelli}@elet.polimi.it Politecnico di Milano, 22 Febbraio 2010 Consumi energetici dei Data Center: un

Dettagli

Regressione non lineare con un modello neurale feedforward

Regressione non lineare con un modello neurale feedforward Reti Neurali Artificiali per lo studio del mercato Università degli studi di Brescia - Dipartimento di metodi quantitativi Marco Sandri (sandri.marco@gmail.com) Regressione non lineare con un modello neurale

Dettagli

6 Cenni sulla dinamica dei motori in corrente continua

6 Cenni sulla dinamica dei motori in corrente continua 6 Cenni sulla dinamica dei motori in corrente continua L insieme di equazioni riportato di seguito, costituisce un modello matematico per il motore in corrente continua (CC) che può essere rappresentato

Dettagli

Nome: Nr. Mat. Firma:

Nome: Nr. Mat. Firma: Controlli Automatici - A.A. 1/11 Ingegneria Gestionale 13 Settembre 11 - Esercizi Nome: Nr. Mat. Firma: Rispondere alle seguenti domande. a) Calcolare la trasformata di Laplace X(s) dei seguenti segnali

Dettagli

Modelli Dinamici per l Ingegneria Gestionale

Modelli Dinamici per l Ingegneria Gestionale dispense per il corso di Modelli Dinamici per l Ingegneria Gestionale Lorenzo Farina e Luca Benvenuti Dipartimento di Informatica e Sistemistica A. Ruberti Via Ariosto 25, 85 Roma Anno Accademico 2/2 dispense

Dettagli

La struttura a Termine dei Tassi d interesse

La struttura a Termine dei Tassi d interesse La struttura a Termine dei Tassi d interesse Idee fondamentali Il tempo è rischio, quindi 100 domani non valgono 100 oggi. Ergo si deve attualizzare, ossia trovare il valore attuale dei 100 domani. Tuttosi

Dettagli

Programmi di ricerca cofinanziati - Modello C Rendiconto di unità di ricerca - ANNO 2007 prot. 2007CCRNFA_001

Programmi di ricerca cofinanziati - Modello C Rendiconto di unità di ricerca - ANNO 2007 prot. 2007CCRNFA_001 MINISTERO DELL'ISTRUZIONE, DELL'UNIVERSITÀ E DELLA RICERCA Programmi di ricerca cofinanziati - Modello C Rendiconto di unità di ricerca - ANNO 2007 prot. 2007CCRNFA_001 1. Area Scientifico Disciplinare

Dettagli

Tecniche di riconoscimento statistico

Tecniche di riconoscimento statistico Tecniche di riconoscimento statistico Applicazioni alla lettura automatica di testi (OCR) Parte 8 Support Vector Machines Ennio Ottaviani On AIR srl ennio.ottaviani@onairweb.com http://www.onairweb.com/corsopr

Dettagli

Sistemi Operativi. Scheduling della CPU SCHEDULING DELLA CPU. Concetti di Base Criteri di Scheduling Algoritmi di Scheduling

Sistemi Operativi. Scheduling della CPU SCHEDULING DELLA CPU. Concetti di Base Criteri di Scheduling Algoritmi di Scheduling SCHEDULING DELLA CPU 5.1 Scheduling della CPU Concetti di Base Criteri di Scheduling Algoritmi di Scheduling FCFS, SJF, Round-Robin, A code multiple Scheduling in Multi-Processori Scheduling Real-Time

Dettagli

Sistemi Operativi SCHEDULING DELLA CPU. Sistemi Operativi. D. Talia - UNICAL 5.1

Sistemi Operativi SCHEDULING DELLA CPU. Sistemi Operativi. D. Talia - UNICAL 5.1 SCHEDULING DELLA CPU 5.1 Scheduling della CPU Concetti di Base Criteri di Scheduling Algoritmi di Scheduling FCFS, SJF, Round-Robin, A code multiple Scheduling in Multi-Processori Scheduling Real-Time

Dettagli

Elementi di elettronica per Sensori

Elementi di elettronica per Sensori Elementi di elettronica per Sensori Molti sensori sono dispositivi passivi che condizionano i circuiti nei quali sono inseriti inserendo una dipendenza funzionale delle grandezze elettriche (I, V, f, φ)

Dettagli

Identificazione dei Modelli e Controllo Ottimo

Identificazione dei Modelli e Controllo Ottimo Identificazione dei Modelli e Controllo Ottimo Anno Accademico 2011-2012 Copyright 2012 Pugliese Carratelli Giovanni Salvati Angelo Tufano Angelo Viscuso Cesare Indice 1 Metodi numerici per Ottimizzazione

Dettagli

ESTRAZIONE DI DATI 3D DA IMMAGINI DIGITALI. (Visione 3D)

ESTRAZIONE DI DATI 3D DA IMMAGINI DIGITALI. (Visione 3D) ESTRAZIONE DI DATI 3D DA IMMAGINI DIGITALI () Calcolo delle corrispondenze Affrontiamo il problema centrale della visione stereo, cioè la ricerca automatica di punti corrispondenti tra immagini Chiamiamo

Dettagli

Motore ad induzione Controllo ad Orientamento di Campo (FOC) Controllo non interagente

Motore ad induzione Controllo ad Orientamento di Campo (FOC) Controllo non interagente Motore ad induzione Controllo ad Orientamento di Campo (FOC) Controllo non interagente P. Valigi Ottimizzazione e Controllo 12 Marzo 214 Il modello Motore ad induzione: uno statore, in genere avvolto,

Dettagli

L ERRORE A REGIME NELLE CATENE DI REGOLAZIONE E CONTROLLO

L ERRORE A REGIME NELLE CATENE DI REGOLAZIONE E CONTROLLO L ERRORE A REGIME NELLE CATENE DI REGOLAZIONE E CONTROLLO Per errore a regime si intende quello rilevato dopo un intervallo sufficientemente lungo dal verificarsi di variazioni del riferimento o da eventuali

Dettagli

F. Blanchini # D. Casagrande * P. Gardonio * S. Miani

F. Blanchini # D. Casagrande * P. Gardonio * S. Miani AUTOMATICA.IT Convegno Annuale dei Docenti e Ricercaori Italiani in Automatica Pisa, 7-9 settembre 2011 CONSTANT AND SWITCHING GAINS IN SEMI ACTIVE DAMPING OF VIBRATING STRUCTURES F. Blanchini # D. Casagrande

Dettagli

Circuiti di condizionamento per sensori resistivi

Circuiti di condizionamento per sensori resistivi Perché non è possibile utilizzare direttamente un partitore di tensione per condizionare uno strain gage? isposta: Per problemi di risoluzione: una d piccola provocherebbe una dout difficile da misurare;

Dettagli

TRE UNIVERSITÀ DEGLI STUDI ROMA 3 DIPARTIMENTO DI MATEMATICA E FISICA CORSO DI LAUREA MAGISTRALE IN MATEMATICA

TRE UNIVERSITÀ DEGLI STUDI ROMA 3 DIPARTIMENTO DI MATEMATICA E FISICA CORSO DI LAUREA MAGISTRALE IN MATEMATICA ROMA TRE UNIVERSITÀ DEGLI STUDI UNIVERSITÀ DEGLI STUDI ROMA 3 DIPARTIMENTO DI MATEMATICA E FISICA CORSO DI LAUREA MAGISTRALE IN MATEMATICA Tesi di Laurea Magistrale in Matematica Tecniche di Programmazione

Dettagli

Controllo di forza per robot

Controllo di forza per robot Controllo di forza per robot Claudio Melchiorri Dipartimento di Elettronica, Informatica e Sistemistica (DEIS) Università di Bologna email: claudio.melchiorri@unibo.it Claudio Melchiorri Controllo di forza

Dettagli

Procedure di calcolo implicite ed esplicite

Procedure di calcolo implicite ed esplicite Procedure di calcolo implicite ed esplicite Il problema della modellazione dell impatto tra corpi solidi a medie e alte velocità. La simulazione dell impatto tra corpi solidi in caso di urti a media velocità,

Dettagli

- Trovare soluzione ottima primale ( con il simplesso o algoritmo analogo)

- Trovare soluzione ottima primale ( con il simplesso o algoritmo analogo) Se si ha un problema lineare e' possibile risolverlo in piu' modi (equivalenti ) - Trovare soluzione ottima primale ( con il simplesso o algoritmo analogo) - Trovare soluzione ottima duale (con il simplesso

Dettagli

Sommario. Definizione di informatica. Definizione di un calcolatore come esecutore. Gli algoritmi.

Sommario. Definizione di informatica. Definizione di un calcolatore come esecutore. Gli algoritmi. Algoritmi 1 Sommario Definizione di informatica. Definizione di un calcolatore come esecutore. Gli algoritmi. 2 Informatica Nome Informatica=informazione+automatica. Definizione Scienza che si occupa dell

Dettagli

Capitolo 3: Ottimizzazione Discreta. E. Amaldi DEIB, Politecnico di Milano

Capitolo 3: Ottimizzazione Discreta. E. Amaldi DEIB, Politecnico di Milano Capitolo 3: Ottimizzazione Discreta E. Amaldi DEIB, Politecnico di Milano 3.1 Modelli di PLI e PLMI Moltissimi problemi decisionali complessi possono essere formulati o approssimati come problemi di Programmazione

Dettagli

Corso di Informatica Industriale

Corso di Informatica Industriale Corso di Informatica Industriale Prof. Giorgio Buttazzo Dipartimento di Informatica e Sistemistica Università di Pavia E-mail: buttazzo@unipv.it Informazioni varie Telefono: 0382-505.755 Email: Dispense:

Dettagli

mese 1 2 3 4 5 richiesta 6000 7000 8000 9500 11000

mese 1 2 3 4 5 richiesta 6000 7000 8000 9500 11000 1.7 Servizi informatici. Un negozio di servizi informatici stima la richiesta di ore di manutenzione/consulenza per i prossimi cinque mesi: mese 1 2 3 4 5 richiesta 6000 7000 8000 9500 11000 All inizio

Dettagli

Tesina di Identificazione dei Modelli e Analisi dei Dati

Tesina di Identificazione dei Modelli e Analisi dei Dati Tesina di Identificazione dei Modelli e Analisi dei Dati Ceccarelli Egidio e Papi Alessio 19 Luglio 2000 1 Indice 1 Introduzione 3 2 Valutazioni relative all identificazione 3 3 Prove 4 4 Conclusioni 5

Dettagli

MATERIA : SISTEMI ELETTRICI AUTOMATICI INS. TEORICO: PROF. CIVITAREALE ALBERTO

MATERIA : SISTEMI ELETTRICI AUTOMATICI INS. TEORICO: PROF. CIVITAREALE ALBERTO PIANO DI LAVORO CLASSE 5 ES A.S. 2014-2015 MATERIA : SISTEMI ELETTRICI AUTOMATICI INS. TEORICO: PROF. CIVITAREALE ALBERTO INS. TECNICO-PRATICO: PROF. BARONI MAURIZIO MODULO 1: ALGEBRA DEGLI SCHEMI A BLOCCHI

Dettagli