David Vetturi
Università degli Studi di Brescia
DIMI – Dipartimento di Ingegneria Meccanica e Industriale
Utilizzo del Metodo Monte Carlo per la Valutazione
dell’Incertezza di Misura
• Valutazione dell’incertezza secondo la GUM
• Metodo Monte Carlo
• Valutazione dell’Incertezza mediante il metodo Monte Carlo
• Esempio 1 – Rettilineità guida
• Esempio 2 - Planck LFI Alignment
Sommario
Secondo la norma UNI 4546 la Misura
un’informazione costituita da tre componenti:
• numero / valore di riferimento
• incertezza
• unità di misura
assegnati a rappresentare un parametro in un determinato stato del sistema
lunghezza della sala : 23.0 ± 0.1 m
La Misura
La GUM - Guide to the expression of Uncertainty in Measurement – è, dal 1995, lo strumento che indica come operare per valutare l’incertezza di misura (UNI-CEI-ENV 13005)
Il contributo più importante che questa norma ha dato è stato quello di guidare l’operatore nella valutazione dell’incertezza di misura con una modalità definita.
Misura
La norma dal 1995 introduce il termine INCERTEZZA e il termine STIMA che sostituiscono i termini di ERRORE e VALORE VERO ancora comunemente utilizzati in
diversi ambiti.
Misura
Valore di riferimento
Incertezza
• Quando si parla di incertezza ci si riferisce alla sola componente casuale (modello di distribuzione
probabilistica)
• Se esiste una componente di deviazione sistematica delle misure questa va corretta prima
• Se un effetto sistematico non è conoscibile, non
sarà neppure possibile correggerlo e rientrerà nella stima dell’incertezza della misura
Misura
• INCERTEZZA: parametro, associato al risultato di
una misurazione, che caratterizza la dispersione dei valori ragionevolmente attribuibili al misurando.
• INCERTEZA STANDARD: incertezza espressa come deviazione standard
• INCERTEZZA ESTESA: incertezza espressa come
ampiezza di un intervallo in cui si aspetta ricada una certa frazione dei valori ragionevolmente attribuibili al misurando
Incertezza
Il concetto di INCERTEZZA si basa su
una visione probabilistica della realtà, o meglio descrive il risultato di una
misurazione attraverso una funzione densità di probabilità.
fx(X)
Incertezza
Quando la misura da effettuare è indirette è
necessario comprendere come l’incertezza delle misure dirette si propaga sulla misura indiretta
y=f(x1,x2,x3, …, xn)
Incertezza composta / combinata
y x1
x2
xn f
Esempio:
𝑉𝑒𝑙𝑜𝑐𝑖𝑡à = 𝑆𝑝𝑎𝑧𝑖𝑜 𝑝𝑒𝑟𝑐𝑜𝑟𝑠𝑜 𝐼𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑙𝑜 𝑑𝑖 𝑡𝑒𝑚𝑝𝑜
In questo caso la GUM propone di propagare
l’incertezza delle misure dirette sulla misura indiretta attraverso la Legge di Propagazione dell’Incertezza Ipotesi:
• Buona linearità del legame fra misure dirette e indirette
• Variabili concentrate attorno alla media (bassa varianza=bassa incertezza)
GUM
La GUM propone quindi di valutare l’incertezza composta di y -> u(y) attraverso la relazione:
𝑢𝑐 𝑦 =
𝑖
𝑐𝑖. 𝑢 𝑥𝑖 2
Incertezza composta
I limiti sono:
• conoscere il legame funzionale/analitico fra y e x
• legame lineare
• Valutare i coefficienti di propagazione ci
Il metodo Monte Carlo è una tecnica matematica che consente di valutare e studiare determinati problemi attraverso l’uso della simulazione.
Prende origine nella seconda metà del ‘900 anche grazie alla diffusione degli strumenti di calcolo
automatico (computer)
Si basa sull’analisi statistica dei risultati delle
simulazioni che singolarmente rappresentano uno scenario possibile
Cosa è il metodo Monte Carlo
Se volessi conoscere quale è la probabilità, lanciando 5 dadi, di ottenere come somma dei valori almeno 20, dovrei risolvere un problema di calcolo combinatorio / calcolo delle probabilità.
Dal punto di vista teorico il problema è estremamente banale, tuttavia dal punto di vista operativo è
decisamente oneroso!
Metodo Monte Carlo: esempio
Nel gioco del Risiko l’attaccante lancia tre dadi e
ottiene 6 - 5 - 2. Che probabilità sconfiggere le truppe avversarie? E quante ne sconfigge?
Metodo Monte Carlo: esempio 2
2 4 5 2 5 4 2 2 3 233 23%
3 2 3 5 5 3 2 2
4 6 3 1 6 3 1 2 simulazioni 1000
5 2 5 6 6 5 2 0
6 2 5 5 5 5 2 1
7 2 5 1 5 2 1 3
8 1 2 3 3 2 1 3
9 4 6 2 6 4 2 1
10 6 1 1 6 1 1 2
11 6 5 2 6 5 2 0
12 1 4 2 4 2 1 3
13 1 1 6 6 1 1 2
14 6 4 6 6 6 4 0
15 1 1 6 6 1 1 2
16 3 6 5 6 5 3 0
17 3 6 3 6 3 3 1
18 4 1 2 4 2 1 3
19 4 4 5 5 4 4 2
20 5 3 3 5 3 3 2
21 2 1 6 6 2 1 2
22 3 6 1 6 3 1 2
23 2 6 1 6 2 1 2
24 5 6 4 6 5 4 0
25 4 1 4 4 4 1 3
0%
5%
10%
15%
20%
25%
30%
35%
40%
0 1 2 3
Numero vittorie
Non è facilmente definibile una relazione analitica fra ingresso (lancio dei dadi) e uscita
• Consente di valutare l’incertezza anche nel caso di relazioni ingresso-uscita fortemente non lineari
• Non richiede la definizione analitica della reazione fra la misura indiretta e quella diretta
• Non richiede ipotesi sulla tipologia di distribuzione statistica delle misure in ingresso
• Permette di valutare anche uscite multidimensionali (analisi multivariata)
• … non richiede di conoscere troppa matematica
Perché il metodo Monte Carlo
Modello della Misura
y = f(x1,…, xn) Y
Nel caso del metodo Monte Carlo la valutazione avviene attraverso la simulazione di N diversi casi possibili selezionati casualmente
Il cuore della GUM è la definizione del modello della misura
1. Viene ipotizzata una fdp per ogni ingresso xi
2. Si implementa un sistema di calcolo che permette di valutare y in funzione di tutte le xi (non
necessariamente una relazione analitica)
3. Si genera casualmente una n-pla di valori x1, x2, .., xn 4. Si computa y corrispondente
5. Si eseguono i passi 3-4 per N volte (N molto grande!!!) 6. Si ottiene un campione che rappresenta la fdp di Y
Come funziona con la GUM
Si eseguono N simulazioni e si
ottengono N valori equiprobabili di Y Questo campione permette di
stimare la fdp di Y
Simulazioni
y = f(x1,…, xn) x11
x21 x31
x12 x22 x32
…
…
…
x1N x2N x3N
y1 y2
… yN
Y
media
Analisi dei risultati
mediana
Up 95%
Lw 95%
s = dev.st Y
Benini, Gelmi, Magalini, David Vetturi “Impiego di strumentazione laser nel collaudo geometrico di macchine utensili in ambienti debolmente controllati”, VI Congresso Nazionale MMT – 2005
NORME ISO serie 230
• 230-1: Precisione Geometrica
Esempio 1 –Rettilineità guida
Rettilineità
Tr (Scostamento dalla rettilineità)
A
B
Profilo rilevato
Esempio 1 –Rettilineità guida
Livella elettronica
Il misurando Y (rettilineità) è funzione delle singole misure di inclinazione registrate dalla livella
elettronica e risulta essere una funzione fortemente non lineare (presenza dell’operatore MAX)
Esempio 1 –Rettilineità guida
Problema:
Valutare l’incertezza associata alla misura della rettilineità (misura indiretta) conoscendo l’incertezza dello strumento (livella elettronica)
Soluzione:
Implementazione del metodo Monte Carlo per valutare la propagazione dell’incertezza
Esempio 1 – Rettilineità guida
• Si divide la guida in una serie tratti a lunghezza fissa (100 mm)
• Per ogni tratto si misura l’inclinazione con una livella elettronica
• Si ricostruisce il profilo della guida come una spezzata di tratti rettilinei
• Si definisce la rettilineità come distanza fra le due linee parallele di massima distanza fra le creste
rettilineità della guida
xi g(xi)
) ,...,
,
(X1 X2 XN f
Y
) ,...,
,
( 1 2 N
r f
T Livella
P1 P2 P3 Pi PN
1
• distribuzione normale
• s dovuta allo strumento
1j
1j
2j
2j
ij
ij
Nj
Nj
2
j
3
TRj
4
Ogni quantità Xi viene trattata come una variabile casuale a cui viene assegnata una certa pdf g(xi)
Per ognuna delle Xi si possono generare M valori xij compatibili con la distribuzione assegnata
Per il j-esimo profilo è possibile calcolare il j-esimo valore dello scostamento dalla rettilineità TRj
Vengono generati M possibili profili ed M possibili valori TRj
xi g(xi)
xi g(xi)
xi g(xi)
X1j X2j
Xij TRj • Stima dell’incertezza tipo ed
estesa di TR
Il lavoro presentato aveva lo scopo di confrontare il risultato atteso (in termine di incertezza) utilizzando metodi di misura tradizionali (livella elettronica) con metodi ottici (interferometria)
Confronto con metodi ottici
Risultati
Cambiaghi, Magalini, Vetturi, “Numerical method to estimate tolerances combined effects on a mechanical system”, Design 2004 - 8th International Design Conference, Dubrovnik 2004
Missione Planck – ESA
The Planck mission was devised to collect and characterise radiation from the Cosmic Microwave Background (CMB) using sensitive radio receivers operating at extremely low temperatures. These receivers determined the black body equivalent temperature of the background radiation and were capable of distinguishing temperature variations of about one microkelvin. These measurements have been used to
Cambiaghi, Magalini, Vetturi, “Numerical method to estimate tolerances combined effects on a mechanical system”, Design 2004 - 8th International Design Conference, Dubrovnik 2004
Esempio 2 - Planck LFI Alignment
Valutare gli effetti delle tolleranze geometriche (di progetto)
sull’allineamento finale dei Feed Horn (sensori)
Progetto Planck -ESA
1
2
3 4
Effetto delle Tolleranze
L’accoppiamento fra gli elementi avviene mediante:
• un piano di riferimento (3 gdl)
• foro/spina e asola/spina – cerniera carrello (3 gdl)
x y
z
P P z
y
xx
Mediante la simulazione con il metodo Monte Carlo si analizza quale sia l’impatto delle tolleranze geometriche di progetto sull’allineamento finale del sensore
x y
z
P P z
y
xx
• Ogni elemento geometrico viene variato nella sua
posizione geometrica di una quantità compatibile con i valori della tolleranza assegnata
• Viene definita la terna di accoppiamento fra i pezzi e quindi la variazione di posizione di ciascun elemento in catena
• Viene valutata la posizione finale del sensore
• Questa sequenza viene effettuata N volte in modo da generare una distribuzione di probabilità della posizione finale del sensore (incertezza di posizionamento)
• Possibilità di valutare l’impatto complessivo delle prescrizioni di progetto sulla qualità del risultato ex- ante e senza un modello matematico analitico
(funzione)
• Possibilità di valutare l’impatto singolo di una sola
tolleranza e quindi del budget complessivo di incertezza imputabile alla singola causa
• Possibilità di valutare congiuntamente output multipli (posizione e orientamento di ogni sensore – 6 gdl)