Corsi di Laurea Corsi di Laurea Magistrale Corsi di Laurea Magistrale
a Ciclo Unico
Scuola di Ingegneria
INGEGNERIA CHIMICA E DEI PROCESSI INDUSTRIALI
Insegnamento
DATA ANALYTICS AND DESIGN OF INDUSTRIAL EXPERIMENTS
INP8083337, A.A. 2019/20

Informazioni valide per gli studenti immatricolati nell'A.A. 2019/20

Principali informazioni sull'insegnamento
Corso di studio Corso di laurea magistrale in
INGEGNERIA CHIMICA E DEI PROCESSI INDUSTRIALI
IN0530, ordinamento 2012/13, A.A. 2019/20
N0
porta questa
pagina con te
Crediti formativi 6.0
Tipo di valutazione Voto
Denominazione inglese DATA ANALYTICS AND DESIGN OF INDUSTRIAL EXPERIMENTS
Dipartimento di riferimento Dipartimento di Ingegneria Industriale (DII)
Obbligo di frequenza No
Lingua di erogazione INGLESE
Sede PADOVA
Corso singolo È possibile iscriversi all'insegnamento come corso singolo
Corso a libera scelta È possibile utilizzare l'insegnamento come corso a libera scelta

Docenti
Responsabile PIERANTONIO FACCO ING-IND/26

Dettaglio crediti formativi
Tipologia Ambito Disciplinare Settore Scientifico-Disciplinare Crediti
CARATTERIZZANTE Ingegneria chimica ING-IND/26 6.0

Organizzazione dell'insegnamento
Periodo di erogazione Secondo semestre
Anno di corso I Anno
Modalità di erogazione frontale

Tipo ore Crediti Ore di
didattica
assistita
Ore Studio
Individuale
LEZIONE 6.0 48 102.0

Calendario
Inizio attività didattiche 02/03/2020
Fine attività didattiche 12/06/2020
Visualizza il calendario delle lezioni Lezioni 2019/20 Ord.2012

Syllabus
Prerequisiti: Nessun prerequisito.
Conoscenze e abilita' da acquisire: L'obiettivo del corso è insegnare le tecniche di base per l'analisi di dati industriali e per la progettazione di esperimenti industriali.
In particolare, per quanto riguarda l'analisi di dati industriali l'obiettivo è la conoscenza delle metodologie più importanti per l'analisi esplorativa dei dati, la comprensione del processo e la risoluzione dei problemi, il di processo, la classificazione di processi e prodotti e il miglioramento della qualità del prodotto. Per quanto concerne la progettazione e l'analisi degli esperimenti, lo studente acquisirà competenze su come pianificare una campagna sperimentale e gestirne gli esperimenti in ambiente industriale e di laboratorio. Infine, lo studente imparerà come svolgere l'analisi degli esperimenti al fine di ottimizzare un processo o un prodotto.
Alla fine del corso lo studente sarà in grado di: analizzare dati (uni- e multi-variati) per valutare la qualità di un prodotto e lo stato del processo produttivo; incrementare la comprensione del processo dai dati e ottimizzare il processo e il prodotto; monitorare un prodotto o un processo per identificare e diagnosticare anomalie e malfunzionamenti; valutare le risorse disponibili, organizzare e gestire una campagna sperimentale in ambiente industriale o di laboratorio; estrarre le informazioni più significative dalla sperimentazione e identificare le condizioni ottimali mediante cui esercire un processo.
Modalita' di esame: L'esame include due parti:
• due o tre homeworks ed un progetto più ampio;
• esame scritto finale.
Queste parti contribuiranno al voto finale in proporzioni differenti: 35% homework, 65% esame scritto.

HOMEWORK
Durante il corso due homework saranno assegnati e verranno svolti individualmente. Verrà assegnato inoltre un progetto di gruppo più ampio che verrà valutato mediante una presentazione finale.

ESAME SCRITTO
L'esame scritto (di circa 2 ore) sarà composto di due esercizi numerici (uno di analisi dei dati e uno di pianificazione degli esperimenti) e sarà tenuto in polo di calcolo com l'utilizzo del calcolatore. A seguito (circa 45 min) verranno fatte due domande a risposta aperta e 5 domande a risposta multipla.
Criteri di valutazione: • Correttezza della soluzione finale e rigore nella metodologia di calcolo
• Capacità di esposizione, chiarezza e sintesi nella presentazione dei risultati
Contenuti: OBIETTIVI

Parte 1 – ANALISI DEI DATI
1.Estrarre informazioni da dati di processo: analisi esplorativa dei dati mediante tecniche statistiche multivariate e modelli basati su dati
Identificazione delle forze motrici di un processo
Comprensione dei parametri critici per la qualità di un prodotto
2. Miglioramento della qualità:
Modelli basati su dati per la qualità di processi e prodotti
Controllo statistico di processo, carte di controllo e capacità del processo
Stima della qualità del prodotto
3. caratterizzazione di un processo da dati storici di processo e classificazione della qualità del prodotto; tecniche di classificazione lineari, nonlineari, supervisionate e non
4. Monitoraggio di processo, identificazione e diagnosi di anomalie e malfunzionamenti

Parte 2 – PIANIFICAZIONE DEGLI ESPERIMENTI1. Perchè fare esperimenti in un lavoratorio o in impianto? Gli esperimenti come possono essere pianificati in modo efficiente e ottimale? Come si può massimizzare l'informazioe ottenuta da degli esperimenti?
Come dovrebbero essere raccolti dei campioni? Come dovrebbe essere organizzata una campagna sperimentale?
Confronto tra esperimenti
2. Condurre esperimenti su un singolo parametro o su molti parametri
Analizzare la variabilità degli esperimenti
Condurre una campagna sperimentale
3. Scegliere le condizioni ottimali per condurre una campagna sperimentale e ottenere una combinazione ottimale delle proprietà delle materie prime e dei parametri di processo per ottenere un prodotto di qualità desiderata.

METODI

Part 1 – ANALISI DEI DATI
1. Miglioramento della qualità e controllo statistico di processo:
La dimensione della qualità
Aspetti di gestione delle qualità (Deming cycle, Shewhart cycle, sistema di qualità, DMAIC, Six-sigma, Lean manufacturing)
Qualità, produttività e costi della qualità
Aspetti legali della qualità
2. Introduzione alla teoria della probabilità e all'inferenza statistica:
Campionamento, distribuzione campionaria e dimensione dei campioni
3. Carte di controllo e capacità di un processo
SPC e carte di controllo
Capacità di processo
Limiti di controllo, Correlazione e carte adattative
Campionamento
4. tecniche statistiche multivariate e modelli basati su dati per l'analisi esplorativa
Analisi delle componenti principali
Proiezione su strutture latenti
5. Pattern recognition e tecniche di classificazione e clustering
Linear Discriminant Analysis e Quadratic Discriminant Analysis
PCA e PLS-DA
kNN e hierarchical clustering
6. Cenni di machine learning e deep learning

Parte 2 – PIANIFICAZIONE DEGLI ESPERIMENTI
1. Esperimenti su un singolo fattore:
Confronto tra esperimenti
2. Progettazione fattoriale: pianificazione full factorial e fractional factorial
Full factorial design a due fattori
Fractional factorial design
Central composit design
3. Modelli di regressione e curve di risposta
Stima dei parametri del modello
Curve di risposta della sperimentazione
Attivita' di apprendimento previste e metodologie di insegnamento: Lezioni di didattica frontale ed esercitazioni numeriche.
Lezioni in laboratorio di calcolo.
Il materiale usato durante le lezioni verrà reso disponibile nella piattaforma Moodle. Verranno utilizzati quiz in Moodle per la verifica personale periodica della preparazione degli studenti.
Verranno utilizzati metodi di insegnamento innovativo e interattivo: flipped learning, Kahoot, pyramid discussion, ecc...
Eventuali indicazioni sui materiali di studio: Libro di testo:
Montgomery, “Introduction to statistical quality control” J. Wiley & Sons
Testi consigliati:
Montgomery “Design and analysis of experiments” J. Wiley & Sons
Eriksson, Johansson, Kettaneh-Wold, Wikström, Wold, “Design of Experiments: Principles and Applications” Umetrics Accademy
Eriksson, Byrne, Johansson, Trygg, Wikström, “Multi- and Megavariate Data Analysis Basic Principles and Applications” Umetics Accademy
Chiang, Russell, Braatz “Fault detection and diagnosis in Industrial systems” Springer
Ogunnaike, “Random phenomena – Fundamentals of probability and statistics for engineers” CRC Press
Testi di riferimento:

Didattica innovativa: Strategie di insegnamento e apprendimento previste
  • Lecturing
  • Laboratory
  • Case study
  • Interactive lecturing
  • Working in group
  • Problem solving
  • Flipped classroom
  • Quiz o test a correzione automatica per feedback periodico o per esami
  • Active quiz per verifiche concettuali e discussioni in classe
  • Files e pagine caricati online (pagine web, Moodle, ...)

Didattica innovativa: Software o applicazioni utilizzati
  • Moodle (files, quiz, workshop, ...)
  • Kaltura (ripresa del desktop, caricamento di files su MyMedia Unipd)
  • Camtasia (montaggio video)
  • Matlab