Metodi e strumenti di misura per l'esecuzione di test non distruttivi ...

More documents

Recommendations

Info

Capitolo 3 Sviluppo ed ottimizzazione del sistema basato sulla Sonda Fluxset fase di training), il valore di C. Non esistono particolari criteri teorici sulla base dei quali effettuare tali scelte e generalmente tali parametri vanno scelti in base ai risultati sperimentali ottenuti. Le SVM possono essere applicate in vari settori: classificazione dei pattern, stima di funzioni di densità, stima di funzioni di regressione. Nell’applicazione in esame sono state utilizzate le SVM per la regressione, ovvero le SVR (Support Vector Regression). 3.4.4 La costruzione del database per il training set Nella prima fase di sviluppo dell’algoritmo di identificazione, l’attenzione è stata focalizzata alle cricche sottili. Questa scelta è dettata esclusivamente dall’esigenza di ridurre la mole di dati da analizzare per la costruzione della banca dati necessaria all’addestramento della SVR. Soffermando l’attenzione a questo caso ed utilizzando il software descritto nel §3.4.1.1, sono state effettuate un numero congruo di simulazioni investigando diversi percorsi di scansione (longitudinali, ortogonali ed obliqui), considerando differenti caratteristiche dei difetti (forma, dimensioni e profondità). In particolare, sono state imposte le stesse condizioni operative delle simulazioni mostrate nel §3.4.2, dove la regione considerata per il difetto, di 20x0.01x3mm (lunghezza x spessore x altezza), è stata divisa in una griglia regolare di 20x6 elementi lungo la lunghezza e l’altezza, con passi di 1mm e 0.5mm rispettivamente (vedi fig. 3.28). All’interno della regione così suddivisa, tutte le possibili combinazioni di altezza, lunghezza e profondità sono state imposte come difetto, ottenendo le rispettive mappe di campo. Così facendo è stato possibile creare una banca dati (training set) sufficientemente pregna di informazioni necessarie alla fase di addestramento della SVR. In particolare, a valle dell’analisi fatta nel §3.4.2, il training set della SVR è costituito da tutte le informazioni riguardanti l’ampiezza, la posizione ed il numero dei picchi presenti nelle mappe di campo, nonché la rispettiva forma e dimensione dei difetti. 147
Capitolo 3 Sviluppo ed ottimizzazione del sistema basato sulla Sonda Fluxset Altezza “a” Profondità “z” Lunghezza “l” Il comportamento della fase del campo magnetico, non fornendo informazioni su forma e dimensione dei difetti non è stata inserita tra le grandezze costituenti il training set. Come già accennato infatti, la fase del campo permette di individuare facilmente la posizione del difetto; essendo questa operazione molto semplice, non è stata implementata nell’algoritmo cosicché la posizione del difetto non risulta tra le grandezze in uscita alla SVR. Una volta effettuata la fase di training, dando alla SVR le informazioni relative alle mappe di campo di un difetto incognito, questa fornisce in uscita la lunghezza (l), l’altezza (a) e la profondità (z) del difetto. 3.4.5 L’architettura software realizzata 20 mm Fig. 3.28 L’area di definizione delle cricche imposte. Il set di dati fornito alla SVR è rappresentato da un vettore (denominato feature vector). A valle di un’attenta selezione si è giunti alla conclusione che i feature vector più appropriati per la ricostruzione di l, a e z sono differenti (Il, Ia ed Iz rispettivamente). Il problema cade naturalmente in un problema di regressione in quanto non è facile organizzare in classi tutte le possibili combinazioni di l, a e z al fine di ottenere un problema di classificazione. E’ stato inoltre osservato che per la ricostruzione di a e z, l’assunzione di l ed a (rispettivamente) come grandezze note permette la riduzione degli errori. Ovviamente l ed a sono grandezze incognite; si è allora pensato di progettare tre differenti SVR, una per ogni incognita, utilizzando una struttura a cascata, come mostrato in fig. 3.29 dove: f ) ∧ l = ( l l I 3 mm ∧ a a ∧ , = f ( I , l) a e 148
Page 1 and 2:
UNIVERSITÀ DEGLI STUDI DI CASSINO
Page 3 and 4:
Ringraziamenti Dovuti e sentiti rin
Page 5 and 6:
Capitolo 3 Sviluppo ed ottimizzazio
Page 7 and 8:
Introduzione ed Internazionale che
Page 9 and 10:
Introduzione sviluppando nuove tecn
Page 11 and 12:
Introduzione identificare oltre che
Page 13 and 14:
Capitolo 1 I controlli non distrutt
Page 15 and 16:
Page 17 and 18:
Page 19 and 20:
Page 21 and 22:
Page 23 and 24:
Page 25 and 26:
Page 27 and 28:
Page 29 and 30:
Page 31 and 32:
Page 33 and 34:
Page 35 and 36:
Page 37 and 38:
Page 39 and 40:
Page 41 and 42:
Page 43 and 44:
Page 45 and 46:
Page 47 and 48:
Page 49 and 50:
Page 51 and 52:
Page 53 and 54:
Capitolo 2 I metodi di indagine pro
Page 55 and 56:
Page 57 and 58:
Page 59 and 60:
Page 61 and 62:
Page 63 and 64:
Page 65 and 66:
Page 67 and 68:
Page 69 and 70:
Page 71 and 72:
Page 73 and 74:
Page 75 and 76:
Page 77 and 78:
Page 79 and 80:
Page 81 and 82:
Page 83 and 84:
Page 85 and 86:
Page 87 and 88:
Page 89 and 90:
Page 91 and 92:
Page 93 and 94:
Page 95 and 96:
Page 97 and 98:
Page 99 and 100:
Page 101 and 102: Capitolo 2 I metodi di indagine pro
Page 107 and 108: Capitolo 3 Sviluppo ed ottimizzazio
Page 151: Capitolo 3 Sviluppo ed ottimizzazio
Page 171 and 172: Conclusioni Nell’ambito dei Test
Page 173 and 174: Conclusioni la precisione nell’in
Page 175 and 176: Bibliografia [30] A. Bernieri, G. B
show all

Metodi e strumenti di misura per l'esecuzione di test non distruttivi ...

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?