ECTS
30 crédits
Composante
ENSEIRB-MATMECA
Code interne
EES9AM20
Liste des enseignements
UE E9AM2AS-A - Outils et Logiciels pour l'Automatique (OLA)
5 créditsUE E9AM2AS-B - Modélisation, Identification, Surveillance (MIS)
5 créditsUE E9AM2AS-C - Commandes Robustes Multivariables (CRM)
5 créditsUE E9AM2AS-D - Dynamique du Véhicule et des Systèmes Aéronautiques et Spatiaux (DVSAS)
5 créditsUE E9AM2AS-E - Robotique (R)
5 créditsUE Langues et culture de l'ingénieur
5 crédits
UE E9AM2AS-A - Outils et Logiciels pour l'Automatique (OLA)
ECTS
5 crédits
Composante
ENSEIRB-MATMECA
Niveau de connaissances (savoirs) :
N1 : débutant
N2 : intermédiaire
N3 : confirmé
N4 : expert
Les connaissances (savoirs) attendues à l'issue des enseignements de l'UE
L'objectif de cet enseignement est de fournir aux étudiants la maîtrise des outils mathématiques etinformatiques nécessaires en Automatique. Ces outils seront utilisés par la suite lors des bureaux d'étude,des projets et du stage :- Optimisation- Processus Aléatoire- Modélisation par Bond Graph, Filtrage de Kalman, Systèmes à Dérivées Non Entières, Intelligence Artificielle et Approche Modèle en Automatique.
Acquérir les connaissances de base sur les systèmes à dérivées non entières, théories et applications (C1, N2), (C2, N2), (C3, N2), (C6, N2)
Acquérir les connaissances sur les méthodes d'optimisation linéaire et non linéaire (C1, N2), (C2, N2), (C3, N2), (C6, N2)
Acquérir les compétences sur la modélisation par Bond Graph (C1, N2), (C2, N2), (C3, N2), (C6, N2)
Acquérir les compétences sur les propriétés et les outils de traitement des processus aléatoire et de théorie de l'information (C1, N2), (C2, N2), (C3, N2), (C6, N2)
Les acquis d'apprentissage en termes de capacités, aptitudes et attitudes attendues à l'issue des enseignements de l'UE
S'initier à l'analyse de systèmes non entiers et à la mise en œuvre des outils mathématiques associés (C3, N2), (C6, N2)
Mettre en œuvre les méthodes d'optimisation linéaire sur un exemple d'application (C3, N2), (C4, N2), (C5, N2), (C6, N2)
Mettre en œuvre les méthodes d'optimisation non linéaire sur un exemple d'application (C3, N2), (C4, N2), (C5, N2), (C6, N2)
Réalisation d'un modèle de simulation à partir d'un Bond Graph (C3, N2), (C4, N2), (C5, N2), (C6, N2)
S'initier à la démarche d'ingénierie système à travers la mise en œuvre sous Matlab/Simulink du modèle de simulation à développer à Bond Graph (C3, N2), (C4, N2), (C5, N2), (C6, N2)
Appréhender la manipulation des outils de traitement des processus aléatoire et de théorie de l'information à travers un Bureau d'Etude (C3, N2), (C4, N2), (C5, N2), (C6, N2)
Filtrage de Kalman
Composante
ENSEIRB-MATMECA
L'objet de ce cours est de présenter le filtrage de Kalman, qui repose sur une représentation du système dans l'espace d'état (REE) pouvant être linéaire ou non-linéaire. Pour cela, la manière d'obtenir la REE est tout d'abord rappelée au travers de plusieurs exemples permettant de mettre en avant le caractère linéaire ou non-linéaire. Puis, le filtrage de Kalman qui permet d'estimer le vecteur d'état à partir des informations disponibles sur le système. Le cas linéaire est détaillé puis le cas non-linéaire est abordé au travers du filtre de Kalman étendu. Une illustration sous matlab est effectuée.
Optimisation
Composante
ENSEIRB-MATMECA
Objectifs : Initiation aux méthodes d'optimisation.
Contexte - Problématique : Dans tous les domaines scientifiques ou économiques, on est souvent amené à optimiser un certain critère, fonction réelle de plusieurs variables réelles, ces variables étant
soumises à certaines contraintes d'égalités ou d'inégalités, linéaires ou non linéaires. Par exemple, on veut maximiser un bénéfice, ou minimiser un coût, maximiser une précision numérique, ou minimiser un bruit parasite.
Outils : Exemples d'utilisation de divers logiciels (Matlab, Scilab, Maple, Mathematica, Excel).
Modélisation par Bond Graph
Composante
ENSEIRB-MATMECA
La modélisation par Bond Graph contribue à l'élaboration des spécifications techniques du cahier des charges et à la préparation des essais de validation. La modélisation par Bond Graph est surtout une méthode d'analyse de systèmes complexes.
Objectifs :
- Apprentissage de la technique de modélisation par Bond Graph
- Réalisation d'un modèle de simulation à partir d'un Bond Graph
- Initiation à la démarche d'ingénierie système
Outils :
Matlab / Simulink pour la mise en oeuvre du modèle de simulation à développer lors du BE.
Forme :
Cours (travaux dirigés intégrés), 1 Bureau d'étude ( BE / binôme).
Processus aléatoire et théorie de l'information
ECTS
1,5 crédits
Composante
ENSEIRB-MATMECA
De nombreux phénomènes aléatoires se manifestent dans la nature : c'est le cas des fluctuations de la température, de la pression atmosphérique, etc. En électronique et en télécommunications, l'étude des processus aléatoires est utile notamment dans le contexte des communications numériques certains signaux sont impossibles à caractériser a priori. L'exploitation des processus aléatoires est aussi à la base de nombreuses approches en traitement du signal, que ce soit pour caractériser le contenu fréquentiel du signal (analyse spectrale), ou pour débruiter, coder et tatouer un signal de parole. Plus généralement, les sources d'information telles que le son, les images sont aléatoires et varient dans le temps.
Le cours de processus aléatoire/théorie de l'information vise donc à introduire les propriétés et les outils de traitement des phénomènes variant aléatoirement dans le temps. Il sert notamment pour les enseignements de traitement du signal et d'automatique.
UE E9AM2AS-B - Modélisation, Identification, Surveillance (MIS)
ECTS
5 crédits
Composante
ENSEIRB-MATMECA
Niveau de connaissances (savoirs) :
N1 : débutant
N2 : intermédiaire
N3 : confirmé
N4 : expert
Les connaissances (savoirs) attendues à l'issue des enseignements de l'UE
Acquérir les connaissances de base en identification des systèmes dynamiques (C1, N3), (C2, N3), (C3, N3), (C6, N3)
Acquérir les connaissances des méthodes modernes de détection et localisation de défaillances à base de modèle (C1, N3), (C2, N3), (C3, N3), (C6, N3)
Les acquis d'apprentissage en termes de capacités, aptitudes et attitudes attendues à l'issue des enseignements de l'UE
Mettre en œuvre toute la procédure d'identification à travers un Bureau d'Etudes traitant le cas d'un procédé réel. (C3, N3), (C4, N3), (C5, N3), (C6, N3)
Mettre en œuvre les méthodes pour analyser les tâches d'un système de surveillance, maîtriser les méthodes de projection dans l'espace de parité et à base d'observateur de diagnostic, effectuer une modélisation orientée « surveillance » (C3, N3), (C4, N3), (C5, N3), (C6, N3)
Identification des systèmes dynamiques
Composante
ENSEIRB-MATMECA
La problématique abordée concerne la détermination à partir de la connaissance de signaux entrée/sortie, d'un modèle analytique appartenant à une classe donnée. Le comportement dynamique prédit par le modèle doit être le plus voisin possible de celui du processus considéré, au sens d'un critère. On distingue deux grandes classes de méthodes d'identification : les méthodes dites non paramétriques et les approches dites paramétriques. Dans ce cours, nous abordons les méthodes paramétriques.
Toute procédure d'identification se déroule de la façon suivante : Choix d'un protocole d'expérimentation, choix d'une structure de modèle, choix d'une méthode d'estimation, validation du modèle estimé. L'objectif de ce cours est d'aborder ces différentes étapes. Plus particulièrement, nous commençons par une présentation et une analyse critique des différentes structures en estimation paramétrique. Puis, parmi les différentes méthodes d'estimation existant dans la littérature scientifique, la méthode d'estimation dite des moindres carrés ordinaires basée sur la minimisation d'un critère quadratique, est abordée. Les différents test de validation sont alors présentés. Enfin, le cours se termine par un chapitre sur la méthode dite de l'erreur de prédiction.
Détection et localisation de défauts
Composante
ENSEIRB-MATMECA
Contexte - Problématique : Méthodes modernes de détection et localisation de défaillances (capteurs, actionneurs, composants physiques) à base de modèle, redondance analytique, surveillance/diagnostic
Objectifs : Analyser les tâches d'un système de surveillance. Maîtriser les méthodes de projection dans l'espace de parité et à base d'observateur de diagnostic. Modélisation orientée « surveillance ».
Outils : cours, TD sur papier, mini-projet sous Matlab/Simulink.
UE E9AM2AS-C - Commandes Robustes Multivariables (CRM)
ECTS
5 crédits
Composante
ENSEIRB-MATMECA
Niveau de connaissances (savoirs) :
N1 : débutant
N2 : intermédiaire
N3 : confirmé
N4 : expert
Les connaissances (savoirs) attendues à l'issue des enseignements de l'UE
Classifier les systèmes non linéaires et non stationnaires (C2, N3)
Caractériser et d'étudier la stabilité des systèmes non linéaires / non stationnaires asservis à partir de techniques de type Lyapunov et des techniques issues du théorème du faible gain (C2, N3)
Linéariser/découpler un système par bouclage non linéaire (C4, N3)
découvrir un panorama des systèmes de commande communs (C3, N3)
Prendre en compte l'incertitude des systèmes pour la synthèse de leur commande (C2, N3)
Utiliser les formalismes H infini, LFT, d'ordre fractionnaire et fréquentiels pour la synthèse de commandes robustes monovariables et multivariables (C4, N3)
Les acquis d'apprentissage en termes de capacités, aptitudes et attitudes attendues à l'issue des enseignements de l'UE
Synthétiser des commandes robustes avec la méthodologie CRONE (C3, N3), (C4, N3)
Synthétiser des commandes robustes avec la méthodologie QFT (C3, N3), (C4, N3)
Synthétiser des commandes robustes avec la méthodologie H infini (C3, N3), (C4, N3)
Résoudre des problèmes de commande réalistes pris dans les domaines de l'Automobile et du Spatial (C3, N3), (C4, N3), (C5, N3), (C7, N3), (C8, N3)
Analyse et commande des systèmes non linéaires
Composante
ENSEIRB-MATMECA
La grande majorité des systèmes à commander sont des systèmes non linéaires et/ou non stationnaires. L'automaticien doit par conséquent posséder les outils permettant de les classifier (en vue de choisir les méthodologies de commande appropriées), de les analyser et de les commander.
Objectifs : Donner aux étudiants des notions permettant
- de classifier les systèmes non linéaires et non stationnaires,
- de caractériser et d'étudier la stabilité des systèmes non linéaires / non stationnaires asservis à partir de techniques de type Lyapunov et des techniques issues du théorème du faible gain,
- de commander les systèmes linéaires / non stationnaires.
Synthèse fréquentielle de commandes robustes
Composante
ENSEIRB-MATMECA
Le modèle d'un système à commander étant par nature incertain, les méthodologies de synthèse se doivent de fournir des lois de commande robustes, c'est- à-dire qui garantissent des performances aussi insensibles que possible à l'état paramétrique réel du système commandé. Plusieurs méthodologies sont aujourd'hui proposées. Ce cours présente deux méthodologies fréquentielles, QFT (Quantitative Feedback Theory) et CRONE (Commande Robuste d'Ordre Non Entier), permettant la prise en compte des variations paramétriques éventuelles du système à commander sous la forme de domaines d'incertitude fréquentielle totalement structurés déterminés sans aucune majoration. La spécificité de la méthodologie CRONE développée au laboratoire IMS (ENSEIRB-MATMECA/Université de Bordeaux/CNRS) est l'utilisation de paramètres de haut niveau que sont des ordres fractionnaires de dérivation ou d'intégration pour pré-paramétrer le loi de commande et ainsi en faciliter sa détermination. La mise en oeuvre de la méthodologie QFT s'avère plus intuitive, mais permet de bien faire sentir les finesses du loop shaping. Les deux méthodologies sont illustrées, en cours à travers des exemples, grâce à 2 travaux pratiques effectués avec Matlab/Simulink, et enfin par leur application à un problème de commande réel relatif au contrôle de la dynamique du véhicule étudié dans le module AU314 (Dynamique du Véhicule) de l'UV E5AM-D ou AU307 (Synthèse de commandes robustes par optimisation) de l'UVE5AM-D.
Le plan du module est le suivant (polycopié en Anglais) :
* Robustesse : degré de stabilité et marges de stabilité robustesse et marges de stabilité. * Commande CRONE : présentation Commande CRONE de première génération Commande CRONE de deuxième génération Commande CRONE de troisième génération problèmes de commande spécifiques applications industrielles. Mise en oeuvre avec la boîte à outils CRONE CSD pour Matlab.* Approche QFT : description de la méthodologie mise en oeuvre avec la boîte à outils QFTCT pourMatlab.
Synthèse de commandes robustes par optimisation
Composante
ENSEIRB-MATMECA
La problématique abordée dans ce cours concerne la synthèse de filtres multivariables robustes. Deux familles de filtres sont considérées : les correcteurs multivariables robustes et les estimateurs d'état robustes. Dans ce contexte, les approches étudiées sont basées sur les notions de norme Hinfini, d'optimisation convexe et d'inégalités linéaires matricielles.
Le problème de synthèse de correcteurs robustes de définit comme le problème de synthèse d'une loi de commande qui stabilise simultanément une famille de système, éventuellement non linéaire et de dimension infinie. Cette famille de systèmes est représentée à l'aide d'une famille de modèles constituée d'un modèle nominal et de modèles des perturbations endogènes (incertitudes de modèles) et exogènes (perturbations d'entrée, bruit de mesure...).
Dans le problème de synthèse d'estimateurs robustes, l'objectif consiste à reconstruire une combinaison linéaire de l'état à partir des signaux dont on dispose, tel que l'erreur d'estimation soit robuste vis- à-vis des perturbations endogènes et exogènes.
Dans les deux problèmes, la notion de robustesse est considérée au sens de la norme Hinfini.
UE E9AM2AS-D - Dynamique du Véhicule et des Systèmes Aéronautiques et Spatiaux (DVSAS)
ECTS
5 crédits
Composante
ENSEIRB-MATMECA
Niveau de connaissances (savoirs) :
N1 : débutant
N2 : intermédiaire
N3 : confirmé
N4 : expert
Les connaissances (savoirs) attendues à l'issue des enseignements de l'UE
Acquérir les connaissances dans le domaine du contrôle de la dynamique du véhicule et ce dans l'esprit "méthodes et pratiques" de l'ingénieur (C1, N3), (C2, N3), (C3, N3), (C6, N3)
Acquérir les connaissances et concepts élémentaires du pilotage et de la navigation aérienne (C1, N3), (C2, N3), (C3, N3), (C6, N3)
Les acquis d'apprentissage en termes de capacités, aptitudes et attitudes attendues à l'issue des enseignements de l'UE
Mettre en œuvre et maitriser la modélisation et l'analyse de la dynamique du véhicule à travers des Bureaux d'Etudes portant des exemples issus des travaux de recherche et développement du secteur automobile (C3, N3), (C4, N3), (C5, N3), (C6, N3)
Utiliser les concepts de CADV à travers l'étude simplifiée d'une partie d'un pilote automatique d'axe longitudinal C3, N3), (C4, N3), (C5, N3), (C6, N3)
Utiliser les concepts de CADV à travers l'étude du Contrôle latéral d'un Boeing 747 (C3, N3), (C4, N3), (C5, N3), (C6, N3)
Mettre en œuvre et maitriser la Commande de Vol à travers un Bureau d'Etude sur le maintien à poste autonome d'un satellite en orbite basse (C3, N3), (C4, N3), (C5, N3), (C6, N3)
Dynamique du véhicule
Composante
ENSEIRB-MATMECA
L'objectif du cours est de donner aux étudiants une connaissance dans le domaine du contrôle de la dynamique du véhicule et ce dans l'esprit méthodes et pratiques de l'ingénieur. Aussi, ces méthodes sont présentées d'un point de vue principe, méthodologique, avantages et limitations. Ces techniques sont par ailleurs illustrées par des exemples issus des travaux de recherche et développement du secteur automobile.
Contexte - Problématique : Ce module présente dans un contexte industriel la problématique et les solutions mécatroniques développées pour améliorer la sécurité active, l'agrément de conduite et le confort des véhicules automobiles.
Commande Automatique De Vol
Composante
ENSEIRB-MATMECA
Dynamique des Systèmes Aéronautiques et Spatiaux
Composante
ENSEIRB-MATMECA
Maintien à poste autonome d'un Satellite
1.1 Objectifs
Le problème étudié dans ce bureau d'étude est celui du maintien à poste autonome d'un satellite en orbite basse. L'objectif est de synthétiser une loi de commande robuste permettant de maintenir un satellite sur une orbite de référence malgré les différentes forces perturbatrices pouvant l'en écarter.
La méthode proposée pour aborder ce problème fait intervenir plusieurs étapes. Dans un premier temps, un modèle non-linéaire régissant le mouvement absolu du satellite sera développé. Ce modèle, appelé modèle de validation, sera utilisé par la suite afin d'évaluer la validité de la loi de commande. Dans un second temps, le modèle de validation sera approximé autour de l'orbite de référence par un modèle linéaire. Ce modèle simplifié, appelé modèle de synthèse, sera utilisé pour le calcul de la loi de commande.
Le régulateur sera synthétisé pendant un autre bureau d'étude à partir du modèle de synthèse et sa validité sera évaluée à l'aide du modèle de validation.
1.2 Aspects pratiques
Tout comme pour le bureau d'étude de Dynamique du Véhicule (BEDV), deux séances de quatre heures chacune sont prévues dans l'emploi du temps. Ces séances précèdent celles des bureaux d'étude de Synthèse Frèquentielle de Commande Robuste (SCFR) et Synthèse de Commande Robuste par Optimisation (SCRO).
A l'issue de la dernière séance, il est impératif qu'un modèle de synthèse soit validé et que le simulateur correspondant au modèle de validation soit terminé.
La validation du régulateur sur le modèle de validation sera faite en dehors des heures de bureau d'étude de modélisation, ceux-ci se terminant avant les bureaux d'étude de synthèse.
1.3 Evaluation
L'évaluation des bureaux d'étude de modélisation se fait en commun avec le projet bibliographique et le bureau d'étude de synthèse de commande robuste sur la base d'un rapport et d'une soutenance.
UE E9AM2AS-E - Robotique (R)
ECTS
5 crédits
Composante
ENSEIRB-MATMECA
Niveau de connaissances (savoirs) :
N1 : débutant
N2 : intermédiaire
N3 : confirmé
N4 : expert
Les connaissances (savoirs) attendues à l'issue des enseignements de l'UE
Comprendre la dynamique des systèmes distribués à évènements discrets linéaire (C1, N2), (C2, N2), (C3, N2), (C6, N2)
Acquérir les compétences pour la caractérisation des flux discrets, la modélisation par réseaux de Pétri, l'analyse dynamique linéaire (C1, N2), (C2, N2), (C3, N2), (C6, N2)
Acquérir les connaissances nécessaires pour prendre en compte les actionneurs les plus répandus lorsque ces derniers sont intégrés dans une boucle de commande linéaire (C1, N2), (C2, N2), (C3, N2), (C6, N2)
Acquérir les outils nécessaires pour modéliser un système électro-mécanique linéaire à plusieurs degrés de libertés (C1, N2), (C2, N2), (C3, N2), (C6, N2)
Acquérir les connaissances de base et les outils permettant de générer une trajectoire à suivre et les consignes optimales à appliquer à un système commandé linéaire (C1, N2), (C2, N2), (C3, N2), (C6, N2)
Les acquis d'apprentissage en termes de capacités, aptitudes et attitudes attendues à l'issue des enseignements de l'UE
Savoir traiter, à travers un exemple, la problématique d'analyse des flux discrets (matière, information) dans les systèmes (de production, informatiques) distribués (C3, N2), (C4, N2), (C5, N2), (C6, N2)
Savoir prendre en compte un actionneur (électriques hydrauliques, pneumatique) et savoir le mettre en oeuvre dans la boucle de commande (C3, N2), (C4, N2), (C5, N2), (C6, N2)
Maîtriser la mise en œuvre du formalisme de Lagrange à travers l'étude de plusieurs systèmes électro-mécaniques réels (C3, N2), (C4, N2), (C5, N2), (C6, N2)
Savoir proposer une structure de commande pour chaque modèle obtenu (C3, N2), (C4, N2), (C5, N2), (C6, N2)
Mettre en œuvre les méthodes de génération de mouvement entre deux points, ou avec points intermédiaires, à travers leur étude dans les domaines temporel et fréquentiel (C3, N2), (C4, N2), (C5, N2), (C6, N2)
Mettre en œuvre une démarche structurée pour le choix d'un actionneur au cours d'un Bureau d'étude (C3, N2), (C4, N2), (C5, N2), (C6, N2)
Robotique / Véhicule Autonome Connecté
Composante
ENSEIRB-MATMECA
Option Véhicule Autonome Connecté
Objectif général : contribuer au développement d'une architecture fonctionnelle de véhicule autonome
Les projets associés viseront un ou plusieurs des objectifs scientifiques suivant :
Concevoir une nouvelle fonction de l'architecture
Concevoir d'autres méthodes pour une fonction déj à existante
Améliorer ou compléter une (des) méthode(s) d'une fonction existante
Réunir un ensemble de fonctions en modules et les tester
Réunir un ensemble de modules en strates et les tester
Réunir les strates pour former l'architecture fonctionnelle complète et la tester
Les projets ont les objectifs pédagogiques suivants :
Travailler en équipe
Organiser et répartir les tâches individuelles et collectives à accomplir
Argumenter les choix faits pour répondre aux objectifs scientifiques
Communiquer sur l'avancement des tâches et les résultats obtenus
évaleur le travail de ses pairs
Actionneurs et leur commande
Composante
ENSEIRB-MATMECA
Toute boucle de commande intègre un actionneur. Il est par conséquent nécessaire à l'automaticien de savoir prendre en compte cet actionneur et savoir le mettre en oeuvre dans la boucle de commande.
Objectif : Donner aux étudiants les notions nécessaires pour prendre en compte les actionneurs les plus répandus lorsque ces derniers sont intégrés dans une boucle de commande.
Modélisation et commande des procédés robotisés
Composante
ENSEIRB-MATMECA
Un travail préalable à la commande d'un système électromécanique consiste à obtenir un modèle permettant de caractériser mathématiquement ce système. Ce cours propose une façon analytique d'y parvenir.
Objectif : Donner aux étudiants les outils nécessaires pour modéliser un système électro-mécanique à plusieurs degrés de libertés.
Planification de trajectoire
Composante
ENSEIRB-MATMECA
L'élaboration de la commande d'un procédé devant réaliser une tâche résulte de deux étapes de conception : la synthèse de la commande proprement dite qui permet d'obtenir les performances désirées en asservissement et en régulation en tenant compte notamment de la sensibilité de l'entrée du procédé la planification de trajectoire dont l'objectif est de générer les consignes des boucles de commande en fonction des contraintes imposées par la tâche à effectuer et des limitations physiques du procédé. Cette dernière partie se décompose elle-même en deux phases : la génération de trajectoire qui définit géométriquement la trajectoire à suivre en fonction de la tâche à effectuer et des contraintes imposées par l'environnement de travail la génération de mouvement qui détermine, sous forme de consignes, la façon de suivre la trajectoire en fonction des performances souhaitées et des contraintes physiques des actionneurs.
Objectif : L'objectif est de donner aux étudiants les notions et les outils permettant de générer la trajectoire à suivre et les consignes optimales à appliquer au système commandé.
UE Langues et culture de l'ingénieur
ECTS
5 crédits
Composante
ENSEIRB-MATMECA
Niveau de connaissances (savoirs) :
N1 : débutant
N2 : intermédiaire
N3 : confirmé
N4 : expert
Les connaissances (savoirs) attendues à l'issue des enseignements de l'UE
Connaître au moins deux langues étrangères: Anglais et une autre langue au choix et comprendre les cultures associés (C10, N1 à N4)
Appréhender la vie de l'entreprise dans son environnement (C7, C8, C9, C10, C11 - N4)
Savoir construire son offre professionnelle (C12, C13 - N4)
Les acquis d'apprentissage en termes de capacités, aptitudes et attitudes attendues à l'issue des enseignements de l'UE
Savoir communiquer avec des personnes de langues et cultures différentes (C10, N2 à N4)
Savoir s'adapter dans différents contextes, dans l'entreprise, à l'international (C10, C12, N1 à N3)
Savoir communiquer avec de spécialistes et non-spécialistes (C12, N1 à N3)
Savoir définir une stratégie d'entreprise (C7, C8, C9, C10, C11 - N4)
Savoir piloter des activités (C7, C8, C9, C10, C11 - N4)
savoir meurer la performance des acyivités économiques de l'entreprise (C7, C8, C9, C10, C11 - N4)
sélectionner les offres d emploi, connaître l entreprise, répondre à un besoin professionnel en fonction de ses atouts personnels (C12, C13 - N4)
Engagement Etudiant facultatif (Niveau élevé)
Composante
ENSEIRB-MATMECA
Engagement Étudiant facultatif (Niveau très élevé)
Composante
ENSEIRB-MATMECA
LV1 Anglais
Composante
ENSEIRB-MATMECA
Niveau de connaissances (savoirs) :
N1 : débutant
N2 : intermédiaire
N3 : confirmé
N4 : expert
Les connaissances (savoirs) attendues à l'issue des enseignements de l'UE
Maitriser l'anglais et connaître d'autres cultures (C10, N1 à N4)
Les acquis d'apprentissage en termes de capacités, aptitudes et attitudes attendues à l'issue des enseignements de l'UE
Savoir communiquer avec des personnes de langues et cultures différentes (C10, N2 à N4)
Savoir s'adapter dans différents contextes, dans l'entreprise, à l'international (C10, C12, N1 à N3)
Savoir communiquer avec de spécialistes et non-spécialistes (C12, N1 à N3)
Apprendre à mieux se connaître, à s'autoévaluer, à gérer ses compétences (C13, N2 - N3)
Intégrer l'entreprise
Composante
ENSEIRB-MATMECA
Ce module se compose de deux parties complémentaires :
- Projet Professionnel
- Business Challenge.
Partie 1 : PROJET PROFESSIONNEL (4 heures)
Identification des sources de motivation et des forces/faiblesses/opportunités/menaces rencontrées pendant le stage de 1ere année et 2ème année se préparer à l'embauche Construire son pitch et se préparer à la soutenance du projet professionnel.
MODULE 1 :Debriefing du stage 2A,
MODULE 2 : Préparation du pitch en vue de la soutenance de projet professionnel
Partie 2 : BUSINESS CHALENGE (24 heures)
A travers une simulation l'étudiant doit :- Apprendre à développer une stratégie- comprendre les mécanismes de fonctionnement de l'entreprise ( coûts, comptabilité, finances, marketing, production...)- Analyser les résultats- Se sensibiliser au DDRSMieux comprendre les intéractions entre les différentes dimensions d'une entreprise est un des principaux objectifs de Global Challenge. Les participants devront traiter de multiples disciplines liées à la gestion en les intégrant dans une stratégie globale. De plus, les participants devront apprendre à travailler en équipe, afin de mieux analyser les implications opérationnelles et financières de leurs décision.Chaque équipe, regroupée en unité autonome de gestion, doit gérer un ensemble de produits sur un marché virtuel.