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

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