2.2.4 Data driven approaches vs model driven approach
Secondo il prof. Worden42 esistono due metodi per individuare la presenza di danno in una struttura: Model Driven Approach e Data Driven Approach.
Il primo metodo considera l’identificazione del danno come un problema inverso, viene dapprima creato un modello ad alta fedeltà della struttura, sulla base di leggi fisiche basate sui principi primi della materia, supponendola priva di danno. I cambiamenti nei dati raccolti vengono poi relazionati con le modifiche nei parametri fisici della struttura attraverso un sistema di algoritmi basati sull’algebra lineare o sulle teorie ottimizzate.
Il secondo metodo considera l’identificazione del danno come un problema di riconoscimento di un modello di riferimento. I dati interessanti misurati dal sistema vengono assegnati ad una classe di danno attraverso un algoritmo di riconoscimento del modello. Tali algoritmi possono essere
unsupervised learning oppure supervised learning. Nel caso di algoritmi supervised learning sono
richiesti gli esempi di tutte le classi di danno.
42
Worden K., Manson G.; Structural Health Monitoring using Pattern Recognition; in New Trends in Vibration-Based SHM, CISM, Udine, September, 2008.
31 2.2.4.1 Data Driven Approach
In questo approccio si individua il danno trattando il problema come l’identificazione di un modello di riferimento della struttura. Vengono implementati algoritmi di identificazione del modello al fine di assegnare una classe di danno ai dati raccolti dal sistema. Questi algoritmi si basano su valutazioni comparative sullo stato di salute dei sistemi sotto controllo con quello di altri eventi conosciuti. Finché il comportamento della struttura monitorata è simile a quello del sistema di riferimento è da escludersi la presenza di danno nella struttura. Quando, invece, il comportamento inizia a discostarsi da quello del sistema di riferimento, allora, viene rilevata la presenza di danno nella struttura. Non esistono sensori in grado di misurare il danno, tuttavia questo può essere identificato attraverso l’elaborazione dei dati acquisiti. Sono richieste diverse fasi prima di formulare una decisione. Tale decisione può essere di controllo (SPC) o una decisione basata su un sistema di monitoraggio (SHM o CM).
Figura 7 - Fasi del data driven approach.
Nel Data Driven Approach vengono individuate le seguenti fasi43:
Sensor: i sensori forniscono un segnale elettrico proporzionale alle variabili strutturali e
ambientali di interesse. La frequenza di campionamento del segnale dipende dai dati che dovranno essere misurati.
Pre-processing: in questa fase si preparano i dati raccolti ad una futura elaborazione per
l’estrazione della caratteristiche del sistema, in particolare avviene la pulitura dei dati
43Worden K., Manson G.; Structural Health Monitoring using Pattern Recognition; in New Trends in Vibration-Based SHM, CISM, Udine, September, 2008. Sensor Pre-processing Feature extraction Post-processing Pattern recognition Decision
32
grezzi e la riduzione della loro dimensione. La fase di pulitura include la rimozione del rumore, dei picchi, degli outliers (con questo termine si intende un valore anomalo e aberrante, distante dalle osservazioni disponibili), e il trattamento dei dati dispersi. La riduzione della dimensione cerca di eliminare la ridondanza dei dati. Questo è un processo portato avanti sulla base di giudizi ingegneristici e sulla base dell’esperienza.
Feature extraction: si individuano dei modelli dalla letteratura in base alle caratteristiche
tipologiche. Lo scopo è quello di far esaltare le proprietà della varie classi di danno e di eliminare il comportamento normale di fondo. Ci si può basare su dati statistici o su valutazioni ingegneristiche.
Post-pocessing: è la fase finale per la preparazione di un modello di riferimento, spesso
viene inclusa nella fase feature extraction. Viene eseguita la normalizzazione delle caratteristiche dei vettori come richiesto dal modello dell’algoritmo di riconoscimento. Un’elaborazione più approfondita può essere affrontata trasformando non-linearmente i dati al fine di ottenere una distribuzione di probabilità.
Pattern recognition: è la fase più critica del processo. I vettori caratteristici passano
attraverso un algoritmo in grado di classificare i dati. Esistono tre tipi di algoritmi sulla base della diagnosi desiderata: novelty detection, classification, regression.
Decision: sulla base dei risultati della fase precedente di prendono le decisioni. Questa fase
può essere eseguita dall’uomo oppure può essere automatizzata.
2.2.4.2 Model driven approach
L’approccio basato su modelli permette di affrontare più facilmente situazioni nuove o impreviste, dal momento che questa tecnica può integrare e replicare una ampia gamma di comportamenti, anche se non osservati precedentemente nei sistemi reali, questo perché tale approccio si basa su modelli matematici e non su raccolte dati disponibili. Quando lo stato di un sistema si discosta dal comportamento operativo previsto, si può continuare a lavorare con l’aggiornamento dei parametri fisici che descrivono la nuova situazione. Grazie a questa capacità questo metodo non utilizza le informazioni storiche che sono richieste dal data driven approach.
33
Figura 844 - Fasi del model driven approach.
La fase di System identification ha lo scopo di estrarre informazioni sul modello del sistema. L’identificazione è il nucleo di ogni processo di caratterizzazione dinamica. Nella fase di
post-processing si sottolinea che i parametri individuati sono espressi nella forma più conveniente (ad
esempio quantità modale o FRP, invece di matrici state-space) e che i dati ottenuti dalle varie successioni di identificazione possono essere trattati su base statistica. La fase successiva consiste nella symptom-based decision dove i parametri variati o anomali vengono associati al danno e l’affidabilità può essere definita come una funzione delle quantità identificate che riflette il danno, riferito ad un sintomo. Nel processo di model updating un modello numerico (ad esempio FEM) viene aggiornato sulla base dei parametri identificati. L’aggiornamento del modello può essere diretto (correzione del singolo passaggio) o indiretto (minimizzazione ricorsiva di una funzione di penalità). Infine nell’ultima fase, model-based decision, avviene la classica analisi di affidabilità.