Calibrazione di uno strumento
Transcript
Calibrazione di uno strumento
Calibrazione Come possiamo fidarci di uno strumento? Abbiamo bisogno di acquisire sperimentalmente (identificare) il suo funzionamento in condizioni controllate. L’ identificazione deve essere razionalmente organizzata e condivisa in termini procedurali: si tratta dell’operazione di calibrazione. Argomenti : ¾definizione del modello di strumento idealizzato; ¾la tecnica della regressione lineare; ¾la verifica della bontà di una regressione; ¾il processo di calibrazione. 1 Lo strumento idealizzato 2 1 Lo strumento idealizzato Lo strumento prima di essere tale è un oggetto fisico, quindi soggetto in ogni sua parte alle leggi della fisica che governano i fenomeni che caratterizzano ciascuna di esse L’oggetto è quindi caratterizzato da un insieme di proprietà, comportamenti … di varia natura comportamenti, Solo un sottoinsieme di queste caratteristiche è utile per la misura e solo limitando opportunamente le condizioni Il comportamento è tipicamente descritto attraverso equazioni differenziali pp le condizioni al contorno le leggi gg Solo limitando opportunamente di funzionamento si riducono ad una legge utile per la misura (es una costante) e l’ «oggetto strumento» può essere utilizzato come «strumento». 3 Lo strumento reale Lo strumento può essere rappresentato come un sistema a più ingressi ed una singola uscita. Ingressi: desiderato di interferenza di modifica Uscita: misura di interferenza desiderato di modifica STRUMENTO misura La completa caratterizzazione di uno strumento prevedrebbe l’individuazione sperimentale della sua funzione di trasferimento ovvero della funzione che lega l’uscita l uscita a tutti gli ingressi. ingressi Misura=f(desiderato, interferenza, modifica) La misura è in genere dipendente, attraverso le sensibilità incrociate, a molti ingressi diversi da quello desiderato. Particolare importanza rivestono anche il tempo e la frequenza, come vedremo nel proseguo 4 del corso. 2 Lo strumento idealizzato Dal punto di vista metrologico lo strumento viene normalmente ricondotto ad un sistema singolo ingresso – singola uscita (SISO). Ingressi: desiderato di interferenza di modifica di interferenza desiderato Uscita: misura di modifica STRUMENTO misura La caratterizzazione dello strumento viene semplificata: Misura=f(desid., interf., modif.)=K(desiderato)•desiderato+offset La dipendenza dell’uscita dall’ingresso viene ridotta ad un singolo parametro (K) detto coefficiente di calibrazione. Nelle comuni applicazioni in ambito sperimentale il coefficiente di calibrazione è in realtà una costante di calibrazione e l’offset è nullo. 5 Lo strumento idealizzato Il comportamento dello strumento reale è quindi ricondotto a quello dello strumento ideale definibile da una relazione ingresso-uscita: u(t)=k i(t) con k costante, costante almeno nel campo di variabilità dell’ingresso dell ingresso in cui viene utilizzato lo strumento. Out La costante di calibrazione non dipende dalla variabilità temporale dell’ingresso: il diagramma ingresso / uscita è un segmento. Questo comportamento è detto statico: lo strumento non ha stati interni che contribuiscono t ib i alla ll di dinamica i d dell’uscita. ll’ it In La funzione di trasferimento è una costante ed ogni variabilità dell’uscita è esclusivamente dovuta alla variazione dell’ingresso con un legame puramente proporzionale e non risente di altri disturbi. 6 3 Lo strumento idealizzato Lo strumento ideale è un modello metrologico; la maggior parte degli strumenti ha caratteristiche assimilabili allo strumento ideale solo per particolari modalità di impiego. Occorre quindi un metodo di analisi che ci permetta di capire come usare uno strumento perché funzioni in maniera ideale. ideale Dobbiamo quindi costruire un modello più complesso del semplice SISO lineare; l’analisi del suo comportamento consentirà di capire in quali condizioni si riduce al modello metrologico. La definizione analitica delle caratteristiche dinamiche consente di capire alcune delle limitazioni di utilizzo. La definizione sperimentale delle caratteristiche statiche permette di costruire il modello metrologico (quasi (quasi-ideale) ideale) dello strumento strumento. Le caratteristiche statiche definiscono la qualità della misura, quindi valgono anche nelle applicazioni dinamiche. Questi elementi verranno discussi nella seconda parte del corso. 7 Regressione di dati sperimentali Revisione dei concetti principali 8 4 Tendenze e regressioni ¾ Nelle attività sperimentali è pratica comune correlare dati mediante la regressione (fitting) di funzioni matematiche, come polinomi di basso ordine o esponenziali, n y = a0 + a1 x + a2 x 2 + L = ∑ ai x i y = aebx i =0 ¾ Una delle funzioni più comunemente utilizzate per la caratterizzazione di strumenti è la retta. In altri casi è possibile eseguire una trasformazione in modo da ricondurre il legame ad una forma lineare. Il problema bl può ò essere cosìì fformulato: l t dato un insieme di coppie di dati (Xi, Yi), trovare la funzione che descrive “meglio” l’andamento generale 9 Tendenze e regressioni Analizziamo in dettaglio il problema di regressione polinomiale di ordine generico. M Ordine M y = a0 + a1 x + a2 x 2 + L = ∑ x k ak k =0 M Errore ei = yi − ∑ x ak k =0 k i M ⎛ ⎞ I = ∑ ⎜ yi − ∑ xik ak ⎟ errore quadratico per gli N punti disponibili i =1 ⎝ k =0 ⎠ ∂I = 0 k = 0:M Minimizzazione errore: M equazioni del tipo ∂ak N [C ]{a} = {B} Soluzione di un sistema lineare di ordine M N N Ckj = ∑ xik xij = ∑ xik + j Matrice coefficienti e termine noto 2 i =1 i =1 N Bk = ∑ x yi i =1 k i k, j = 0 : M 10 5 Tendenze e regressioni Affrontiamo un caso particolare: il modello di ordine 0 y = a0 L’errore L errore per ogni punto è dato da ei = yi − a0 N i =1 i =1 N ∂I = ∑ ( a0 − yi ) = 0 ∂a0 i =1 Minimizziamo rispetto all’incognita Soluzione N I = ∑ ei2 = ∑ ( yi − a0 ) 2 L’errore quadratico totale è N N i =1 i =1 ∑ ( a0 − yi ) = Na0 − ∑ yi = 0 ⇒ a0 = 1 N ∑ yi N i =1 Il modello regressivo definisce il coefficiente di regressione come la media dei valori e deve essere impiegato solo in assenza di una tendenza 11 Tendenze e regressioni Affrontiamo il caso lineare, tipico della calibrazione di uno strumento: y = a0 + a1 x ei = yi − (a0 + a1 xi ) e o e pe per og ogni pu punto o è da dato o da L’errore L’errore quadratico totale è N N i =1 i =1 I = ∑ ei2 = ∑ ( yi − (a0 + a1 xi )) 2 N ⎧ ∂I 2 = ( a1 xi + a0 − yi ) = 0 ∑ ⎪ ∂a i =1 ⎪ 0 Minimizziamo rispetto alle incognite ⎨ N ⎪ ∂I = 2 x ( a x + a − y ) = 0 ∑ i 1 i 0 i ⎪⎩ ∂a1 i =1 Sistema di equazioni N ⎧ ⎛N ⎞ ⎛N ⎞ 1 a x a + = ⎪ ⎜ ∑ ⎟ 0 ⎜ ∑ i ⎟ 1 ∑ yi i =1 ⎪ ⎝ i =1 ⎠ ⎝ i =1 ⎠ ⎨ N N N ⎪⎛ x ⎞ a + ⎛ x2 ⎞ a = x y ∑ ∑ ∑ i i ⎪⎩⎜⎝ i =1 i ⎟⎠ 0 ⎜⎝ i =1 i ⎟⎠ 1 i =12 1 6 Tendenze e regressioni Ordine 1 Soluzione: a0 = N N i =1 i =1 2 N N i =1 a1 = i =1 2 ⎛ ⎞ 2 N ∑ xi − ⎜ ∑ xi ⎟ i =1 ⎝ i =1 ⎠ N Condizioni di esistenza: - Denominatore non nullo N N N N ∑ xi yi − ∑ yi ∑ xi i =1 i =1 i =1 ⎛ ⎞ 2 N ∑ xi − ⎜ ∑ xi ⎟ i =1 ⎝ i =1 ⎠ N N 2 2 ⎛ N ⎞ N ∑ xi − ⎜ ∑ xi ⎟ ≠ 0 i =1 ⎝ i =1 ⎠ N 2 x12 = ( x1 ) Questo comporta: - N >1 - N ∑ yi ∑ xi −∑ xi yi ∑ xi 2 punti distinti, infatti per N punti coincidenti xi = x si avrebbe 2 2 N ⎛ N ⎞ ⎛ N ⎞ 2 N ∑ xi − ⎜ ∑ xi ⎟ = Nx 2 ∑1 − ⎜ x ∑1⎟ = Nx 2 N − ( xN ) = 0 i =1 i =1 ⎝ i =1 ⎠ ⎝ i =1 ⎠ N 2 13 Qualità della regressione Per operare una regressione è necessario ipotizzare un modello che «spieghi» la distribuzione dai dati disponibili. Il modello ricalcherà il comportamento dei dati quanto più corrette sono le ipotesi p e a meno dell’errore q quadratico residuo. Per apprezzare la qualità della regressione può essere utile analizzare il residuo. Si calcolano quindi le deviazioni del modello in ogni punto di misura: Δi = yi − yi = yi − C ( xi , M ) e le si diagrammano rispetto all’ingresso all ingresso xi Se il modello è coretto, il residuo non può avere una relazione con la variabile in ingresso, quindi non può evidenziare una tendenza (un comportamento) riconoscibile, cioè riconducibile ad un altro modello La dispersione dei residui deve essere quindi «casuale» 7 Qualità della regressione Per ogni coppia: xi , yi ¾ calcolare la misura con il polinomio di regressione: yi = a0 + a1 xi ¾ calcolare la deviazione rispetto al valore di riferimento: Δ i = yi − yi ¾ mettere in grafico le deviazioni in funzione dell’ingresso dell ingresso. Si deve verificare l’assenza di una qualsiasi tendenza La scala sulle deviazioni mette in evidenza eventuali comportamenti anomali, in particolare: Dispersione corretta ¾ tendenze di ordine superiore rispetto all’ordine all ordine del polinomio usato (la linea «media» rossa), quindi un problema di modello; ¾ dispersioni non omogenee (il punto cerchiato in verde), quindi un problema di qualità dei dati. Anomalia di tendenza Anomalia di dispersione 15 Qualità della regressione lineare Possibile quantificare la qualità della regressione e in particolare di quella lineare? I dati sono realmente bene interpretati da una retta? L’indicatore principe è l’errore quadratico medio (*) tra modello e dati: σ y2, x = 1 N ∑ ( yi − (a0 + a1xi ))2 N i =1 E’ una misura della «distanza» tra modello e dati ed è nulla se i punti appartengono alla retta di regressione. 1 N ∑ 2 ( yi − y ) 2 Nel caso di carenza di correlazione, a1 → 0 , essa σ y = N i =1 tende allo scarto quadratico dalla media delle misure ((sicuramente maggiore). gg ) σ y2 − σ y2, x Un indicatore sintetico della qualità della regressione 2 r = è la distanza percentuale dalla situazione di assenza σ y2 di correlazione: il coefficiente di determinazione, r. * Possibili correzioni per effetti legati a N piccolo r = 1− σ y2, x σ y2 16 8 Qualità della regressione Con questa notazione r = 1 se tutti i punti giacciono sulla retta r = 0 se i punti hanno distribuzione casuale r≈0 r r≈ 1 Una buona correlazione presenta un coefficiente di regressione superiore a 0.98; per uno strumento ci si aspetta un valore superiore a 0.99. 17 Tendenze e regressioni E’ noto che cambi di coordinate possono semplificare l’interpretazione dei dati (es. le coordinate logaritmiche consentono di descrivere in termini lineari alcuni fenomeni come la scarica di un condensatore o in generale la risposta esponenziale di un’equazione diff differenziale i l di primo i grado). d ) IIn questi ti casii sii parla l di regressione i lineare con trasformazione. Graficamente: 18 9 Tendenze e regressioni Esaminiamo un’equazione esponenziale: y = aehx Applicando il logaritmo ad entrambi i termini otteniamo ln(y) (y) = hx + ln(a) ( ) ⇒ Y = Bx + A Poichè ln(a) è una costante, abbiamo ottenuto una relazione lineare tra x e ln(y). Eseguendo quindi il logaritmo delle misure y (Y=ln(y)) otteniamo un problema di regressione nella forma lineare canonica Y=B Bx + A con a=exp(A) e h=B 19 L’operazione di calibrazione 21 10 Calibrazione La calibrazione è la procedura sperimentale che permette di definire la caratteristica metrologica più importante di uno strumento: il rapporto ingresso-uscita o guadagno o sensibilità (sensitivity) Permette di mettere in relazione l'uscita di uno strumento con l'ingresso attraverso una misura nota e precisa dell'ingresso stesso. Stiamo identificando una funzione di trasferimento. Tale relazione è genericamente non lineare ma per molti strumenti è costante, almeno nell’ambito di particolari condizioni di utilizzo definite proprio per garantire questo comportamento Se il guadagno è costante, l’uscita è puramente proporzionale all’ ingresso: si dice che lo strumento ha un comportamento statico nei confronti dell’ingresso, cioè non produce effetti dinamici propri dello strumento e innescati dalla variabilità nel tempo dell’ingresso. 22 Opzioni di calibrazione Obiettivi della calibrazione: ¾ valutazione metrologica di uno strumento (Costruttore, Responsabile della Qualità). Definizione delle curve di calibrazione e taratura per cui è necessario avere sia un numero elevato di punti nell’intervallo di variabilità dell’ingresso sia un numero elevato di ripetizione della misura per lo stesso valore di ingresso. Definizione di tutti gli elementi di interesse generale (limiti di accuratezza, isteresi, effetti di ingressi, … ) ¾ mantenimento in qualità dello strumento (Responsabile dell’utilizzo) Valutazione dello stato generale dello strumento per cui sono necessarie solo alcune misure ripetute in alcune stazioni per garantire il corretto funzionamento del dispositivo. Verifica delle curve di calibrazione e taratura tipicamente svolta con procedura a singolo ciclo. 23 11 Calibrazione La procedura di calibrazione consiste dei seguenti passi: ¾ registrazione dei dati ambientali e verifica dell’assenza di effetti non controllati sullo strumento soggetto a calibrazione; ¾ applicazione li i di una serie i di valori l i iin iingresso allo ll strumento t t e trascrizione dei corrispondenti valori in uscita; ¾ tracciatura della curva (retta) di regressione; ¾ identificazione dei valori caratteristici della funzione di calibrazione (per una retta: costante di calibrazione ed offset). Nel caso di sensibilità apprezzabile ad ingressi diversi da quello desiderato è necessario ripetere la calibrazione con valori differenti di tali parametri (modifica o interferenza) in modo da quantificarne gli effetti sui parametri di calibrazione. Si ottengono le derive di sensibilità o di zero: la derivata della costante di calibrazione, o dell’offset, rispetto ad un ingresso indesiderato. 24 Modalità di prova: sequenziale/casuale La calibrazione prevede l’applicazione statica di ingressi sull’intero campo di misura dello strumento. Gli ingressi possono essere applicati in maniera sequenziale o casuale. ¾ Una prova sequenziale prevede la variazione progressiva dell’ingresso sull’intervallo desiderato, in salita (up-scale) ed in discesa (down-scale): ogni applicazione dell’ingresso consiste in un incremento/decremento del precedente. ¾ Una prova casuale prevede l’applicazione degli ingressi, distribuiti sull’intero intervallo di variabilità, con un ordine casuale: ogni applicazione dell’ingresso è indipendente dal precedente. I requisiti operativi per la realizzazione della calibrazione sono stringenti (ambiente controllato o di laboratorio) e non compatibili con quelli di esercizio: la calibrazione deve avvenire in condizioni ambientali controllate. 25 12 Modalità di prova: sequenziale/casuale La prova con modalità sequenziale permette di evidenziare gli effetti di isteresi cioè la presenza di dissipazioni nello strumento che producono una variazione dell’uscita dovuta all’incremento /alla diminuzione progressivo/a dell’ingresso dell ingresso (particolarmente utile anche nelle prove oltre che nella calibrazione). La sequenza casuale permette di minimizzare effetti quali le interferenze degli ingressi non desiderati e l’isteresi. La conoscenza dei fenomeni fisici coinvolti permette di valutare a priori l’importanza della scelta. La strumentazione di buona qualità dovrebbe presentare ridotti effetti isteretici, quindi una prova sequenziale non è critica. 26 Calibrazione La calibrazione quindi: ¾ è un’operazione un operazione che permette di ottenere la relazione che lega l'uscita di uno strumento con l'ingresso attraverso l'impiego di una misura nota, certa e precisa dell'ingresso stesso; ¾ può essere applicata ad uno strumento, ad un sistema di misura o a un trasduttore singolo; ¾ può avvenire tramite metodologia: diretta: le uscite dello strumento vengono confrontate con i ingressi i omogeneii notii ((standard): d d) es. peso calibrato, lib metro indiretta: se l’entità dell’ingresso di calibrazione viene contestualmente misurata con uno strumento preventivamente calibrato. 27 13 Calibrazione IMPORTANTE: l’accuratezza dello strumento utilizzato per confronto deve essere un ordine superiore di quella dello strumento da tarare. Wr < 1/10 Wm Incertezza della misura Wm Incertezza del riferimento Wr 28 Calibrazione e Taratura Operativamente: ¾ i dati di ingresso/uscita vengono trascritti/registrati in tabelle; ¾id datiti vengono elaborati l b ti mediante di t una regressione i (lineare) (li ) iin modo d d da ottenere la curva di calibrazione in forma analitica: v misurata = k Ingresso + h Ingresso v misurata ¾ Nel caso di uno strumento che presenti la misura in termini omogenei con l’ingresso, es. un manometro in cui si legga direttamente il valore di pressione), i coefficienti di calibrazione correggono la lettura: Pmisurata = z Pimposta + w con z ≈1 e w≈0 29 14 Taratura Operativamente la relazione di calibrazione è inutile: l’obiettivo di un’attività sperimentale è di conoscere l’ingresso applicato allo strumento data la sua uscita. La relazione di calibrazione viene q quindi risolta rispetto p alla misura p per fornire la curva di taratura o diagramma di taratura: Misura = K v misurata + H relazione che permette di ricavare la misura da assegnare al misurando per un valore di lettura fornito da un dispositivo di misurazione. p indicata = K v misurata + H p indicata = Z p misurata + W La curva di taratura è una relazione biunivoca tra i valori forniti dallo strumento e i corrispondenti valori da assegnare al misurando. Se la curva di taratura è una retta parleremo di costante di taratura; in caso contrario il comportamento non è lineare (impiego prevalente in applicazioni statiche). 30 Calibrazione La figura mostra una curva di calibratura reale ottenuta mediante un solo percorso di carico-scarico. Sono riportati i dati relativi alla curva di calibrazione vera e propria, del tipo pressione indicata/ pressione reale e i valori della retta di regressione. Sono mostrate inoltre le informazioni inerenti le condizioni ambientali in cui si è svolta la p prova,, temperatura, e le condizioni operative, livelli di accelerazione e vibrazione. 31 15 Opzioni di calibrazione La qualità della calibrazione dipende dalle informazioni disponibili ed in particolare dal: ¾ numero di stazioni utilizzate per definire l’andamento del legame ingresso-uscita sul campo di misura; ¾ numero di cicli impiegati per definire i parametri di qualità valutando la dispersione delle risposte sul campo di misura (ripetibilità, accuratezza, … ). Se non serve definire la qualità dello strumento è inutile eseguire cicli multipli di carico/scarico perché è infatti sufficiente un singolo ciclo di acquisizione per definire correttamente il legame funzionale, sempre che lo strumento sia in condizioni ottimali. E’ importante sottolineare che la regressione non è in grado di capire la differenza tra più livelli di ingresso o più misure per livello a parità di numero complessivo di valutazioni. 32 Calibrazione Passi del procedimento: ¾ registrare i dati ambientali; ¾ acquisire le coppie di valori ingresso/uscita sull sull’intero intero campo di misura e, se necessario, per più cicli (se possibile a parità di ingressi, ma non necessario); ¾ calcolare e tracciare la retta di regressione; ¾ calcolare e mettere in grafico le deviazioni dalla retta di regressione; ¾ calcolare e tracciare l’intervallo di confidenza; ¾ definire le caratteristiche di qualità dello strumento. ATTENZIONE! Si tratta di una procedura del tutto generica che non tiene conto di tutte le caratteristiche di funzionamento di uno strumento (si pensi alla calibrazione di un termometro) 33 16 Calibrazione Dati da un rapporto su attività di laboratorio: calibrazione di un potenziometro lineare Pos 23 20 17 14 11 8 6 4 2 0 Misure ciclo 1 2 4.998 4.998 4.358 4.363 3.695 3.694 3.042 3.043 2.389 2.376 1.722 1.718 1.276 1.278 0.844 0.829 0.41 0.399 0.001 0.001 3 4.998 4.364 3.702 3.054 2.386 1.735 1.289 0.843 0.419 0.001 4 4.998 4.358 3.693 3.048 2.387 1.727 1.286 0.849 0.416 0.001 5 4.998 4.375 3.708 3.054 2.389 1.724 1.283 0.843 0.399 0.001 6 4.998 4.37 3.706 3.044 2.386 1.722 1.276 0.839 0.394 0.001 34 Calibrazione La visualizzazione dei dati ovvero il mettere in grafico i punti e la retta di regressione evidenzia: ¾ comportamenti anomali; ¾ punti discutibili; ¾ differenze di comportamento tra i cicli di carico/scarico. 6 Coeff. retta regressione: B = -0.0343 Notate qualche problema? La tendenza del modello (lineare in questo caso) nasconde possibili «incoerenze» presenti nei dati 4 Missure [V] A = 0.2187 5 3 2 1 0 -1 0 5 10 Posizione [cm] 15 20 25 35 17 Calibrazione Visualizzazione scostamenti dalla misura attesa: ei =yi-(a xi+b) Equazione V=0.218711 cm + -0.021502 Ci si aspetta un andamento privo di qualsiasi tendenza, cioè «casuale» 0.025 0.02 0.015 Aggiungiamo: ¾ valori medi stazioni; ¾ dispersione stazioni. Errore: yi-(ax-b) [V] 0.01 Notate qualcosa? 0.005 0 -0.005 -0.01 -0.015 -0.02 Commenti? -0.025 0 5 10 15 Posizione [cm] 20 25 Il diagramma evidenzia incongruenze di comportamento: ¾ la dispersione dei punti estremi è molto più piccola; ¾ la differenza di dispersione indica un comportamento diverso; ¾ escludendo i punti estremi si evidenzia una tendenza lineare. 36 Calibrazione Qualora fosse giustificato e corretto escludere i punti estremi si otterrebbe una curva di calibrazione leggermente diversa Il grafico uscita/ingresso non si modifica sensibilmente, cambia invece il g grafico deviazione/ingresso: g 0.03 Commenti? ¾ la distribuzione delle dispersioni è omogenea; ¾ la tendenza media è evidentemente orizzontale; ¾ la piccola differenza sulla pendenza provoca differenze sensibili. Errore: yi-(ax-b) [V] 0.02 0.01 0 -0.01 -0.02 -0.03 -0.04 0 5 10 15 Posizione [cm] 20 Correzione minima dei coeff: Effetto significativo sulla misura a FS: aerrato acorretto err misura a VFS: 0.2187 0.2199 (err % 0.584 ) 25 1.343 mm su 230 37 18 Calibrazione: legame ingresso uscita Se eseguiti più cicli di ingressi, sono possibili tre schemi operativi: A. regressione totale: si utilizzano insieme tutti i valori disponibili; B. regressioni indipendenti e valutazione dei valori medi e delle deviazioni standard dei coeff. di regressione per ogni ciclo; C ripetizione degli stessi ingressi e calcolo della regressione sui valori C. medi per ogni stazione. Coeff A B 1 2 N. Ciclo 3 4 5 Valore Media Dev. Std. Globale 0.21953 0.22030 0.21952 0.21909 0.22080 0.21985 0.00069 0.21985 -0.03319 -0.04562 -0.02605 -0.02513 -0.04128 -0.03425 0.00909 -0.03425 Qualche domanda cui dovremo trovare una risposta: p • Quale schema adottare? • come sono influenzati i coefficienti dalla posizione, xi, e dal numero, N, di misurazioni svolte? • cosa aggiunge la molteplicità di xi? • a parità di numero di misure è meglio avere più stazioni o ripetizioni? 38 Un commento sulla regressione Osservazioni: • Nella soluzione B il calcolo della dispersione dei coefficienti medi fornisce solo una indicazione: i cicli sono troppo pochi per un calcolo preciso. • La soluzione C , con l’uso dei valori medi, prevede che i motivi di dispersione abbiano distribuzione simmetrica (quindi a media nulla) nelle singole stazioni; inoltre il valor medio probabilmente non è preciso, sempre viste le poche ripetizioni • Si può dimostrare che usare due volte la stessa ascissa equivale ad utilizzare un solo punto con misura pari al valore medio dei singoli dati Quindi l’aggiunta di punti in una singola stazione di misura ha il solo effetto di migliorare la valutazione di quel valor medio, es in presenza di errori di misura, ma non migliora la qualità generale dell’operazione Questa situazione poteva essere prevista: per infiniti punti xi coincidenti, la soluzione non esiste esattamente come per un solo punto. Le ripetizioni quindi non migliorano la stima dei coefficienti della regressione • A parità di informazioni le tre procedure forniscono gli stessi risultati. 39 19 Un commento sulla regressione Raccomandazioni: • Si effettua sempre p una regressione g totale su tutti i p punti • Anche quando si opera con ripetizione, gli ingressi devono essere misurati ad ogni ciclo, di fatto rientrando nell’opzione A. Da evitare l’utilizzo della medesima serie di valori di ingresso per i diversi cicli di carico: la imprecisione di riproduzione dell’ingresso tra i vari cicli verrebbe vista come una mancanza di ripetibilità dello strumento in calibrazione (unico caso: bilancia con pesi calibrati). La decisione finale dovrà però tenere conto anche della discussione dell’incertezza dei coefficienti della regressione 40 Altri impieghi della regressione 41 20 Altri impieghi della regressione La regressione è una procedura di stima dei coefficienti di una funzione in grado di minimizzare gli scostamenti di un modello dal comportamento definito da un insieme di dati sperimentali. La regressione g lineare è un utile mezzo p per determinare da dati sperimentali le costanti di funzionamento che determinano l’uscita di un sistema in proporzione ad un ingresso dato: ¾ rigidezza di estremità di una trave incastrata caricata trasversalmente; k= L3 w = 3EJ F ¾ rigidezza di flessionale di una sezione di trave; ¾ modulo elastico di un materiale E= EJ = L⎛F⎞ ⎜ ⎟ A⎝ u ⎠ L3 ⎛ F ⎞ ⎜ ⎟ 3 ⎝ w⎠ Il coefficiente angolare della regressione che ha in ingresso il carico e in uscita lo spostamento è sempre correlato al parametro cercato. 42 Uso regressione Prendiamo una serie di valori di un legame lineare (rigidezza come legame forza-spostamento o modulo elastico di un materiale come legame sforzo-deformazione). Procedure possibili: p ¾ calcolare i rapporti forza/spostamento e farne la media (la media sarebbe la stessa anche per piccole perturbazioni dei dati); ¾ calcolare il coefficiente angolare della regressione. K= N ∑ si Fi − ( ∑ si )( ∑ Fi ) N ∑ s − ( ∑ si ) 2 i 2 K= 1 Fi 2 ∑ N si Possiamo dedurre che le due metodologie sono del tutto alternative una all’altra? Essendo più semplice, si può usare la media dei rapporti? 43 21 Uso regressione Evidentemente per A= yi = k xi i coefficienti della regressione sono: N ∑ xi yi − ( ∑ xi )( ∑ yi ) N ∑ xi2 − ( ∑ xi ) B = ... = k ( k N ∑ xi2 − ( ∑ xi ) = 2 N ∑ xi2 − ( ∑ xi ) 2 2 ) =k (∑ x )(∑ x ) − (∑ x )(∑ x ) = 0 N ∑ x − (∑ x ) i 2 i 2 i i 2 2 i i Così come per la media dei rapporti si ottiene: 1 A% = N yi ∑x i = 1 N ∑k i ≈ 1 N ∑k = k In campo sperimentale i dati però non seguono perfettamente il modello matematico di una retta priva di intercetta ma essendo affetti da errori di misura si disperdono attorno a tale andamento. In questo caso il risultato si mantiene? 44 Uso regressione Se i dati non rispondono ad un comportamento perfettamente lineare i punti possono non appartenere ad una retta spiccata dall’origine F _ k ki k s Usare i rapporti F/s, ignorando che ciò equivale a spiccare una retta d ll’ i i dall’origine, può ò portare t a una pendenza d variabile i bil con il carico i e a un valore medio diverso dalla pendenza del legame cercato: k ≠ k E’ il caso di una prova strutturale, in cui è quasi inevitabile avere giochi o assestamenti, recuperati dall’applicazione di un carico. 45 22 Da ricordare Concetto di separazione tra caratteristiche metrologiche e caratteristiche funzionali di uno strumento. Metodologia per la calibrazione di un trasduttore/strumento, anche in presenza di sensibilità incrociate. p Necessità di adeguare lo schema generale dell’operazione alla tipologia specifica di uno strumento (da riprendere): la “procedura” di calibrazione dovrà tenere conto di come uno strumento funziona. Identificazione sperimentale della funzione di trasferimento di un sistema (caso statico). Validità del processo di idealizzazione di uno strumento e i limiti di applicabilità della funzione di trasferimento lineare lineare. Utilizzo del metodo di regressione per la definizione di legami lineari in genere. Concetto di incertezza sul risultato di una regressione (da riprendere). 46 Domande? 47 23 Cosa sappiamo fare? Tecniche e procedure generiche di calibrazione. Valutare la bontà di una regressione. Valutare la qualità dei dati disponibili per una regressione. 48 48 Cosa sappiamo fare? Esercizio 1 del 15 novembre 2012 Per uno strumento generico viene avanzata l’ipotesi di comportamento descrivibile con un modello di primo ordine. Si chiede di: F Suggerire una procedura sperimentale per verificare che l’ipotesi sia corretta F Elencare e descrivere tutti i passi di una procedura per la sua calibrazione C Suggerire quali caratteristiche fisiche dello strumento andrebbero modificate, e come, per migliorare il suo comportamento dinamico Ai punti in rosso non sappiamo rispondere in quanto non sappiamo ancora cosa sia uno strumento di “primo ordine” Potrebbe sembrare di essere già in grado di rispondere al secondo quesito, ma ATTENZIONE: il punto è in relazione con la parte generale di descrizione del problema CHE PARLA DI UNO STRUMENTO DI PRIMO ORDINE quindi la procedura di calibrazione deve essere contestualizzata al problema esaminato. Lo schema generale è senz’altro la base della risposta: deve però essere completata per poter essere correttamente applicata ad uno strumento di questo tipo 49 24 Fine presentazione 50 Approfondimento tecnica di regressione 51 25 Tendenze e regressioni Conveniente utilizzare una formulazione matriciale per la definizione del problema di regressione per il caso polinomiale di ordine generico. Ordine M Numero misure N ⎧ a0 ⎫ ⎪ ⎪ y = ∑ x ak = ⎡⎣1 x x L x ⎤⎦ ⎨ M ⎬ = [ P ( x, M ) ]{a} k =0 ⎪a ⎪ ⎩ n⎭ M 2 k ei = yi − [ P ( xi , M ) ]{a} N n ⎧M ⎫ ⎧ M ⎫ ⎡ M ⎤ ⎪ ⎪ ⎪ ⎪ ⇒ { E} = ⎨ei ⎬ = ⎨ yi ⎬ − ⎢⎢[ Pi ]⎥⎥ {a} = {Y } − [ X ]{a} ⎪M ⎪ ⎪ M ⎪ ⎢ M ⎥ ⎩ ⎭ ⎩ ⎭ ⎣ ⎦ I = ∑ ( yi − [ X i ]{a} ) = { E} 2 T i =1 {E} = ({Y } − [ X ]{a}) ({Y } − [ X ]{a}) = T {Y } {Y } − {Y } [ X ]{a} − ([ X ]{a}) {Y } + ([ X ]{a}) ([ X ]{a}) = T T T T T {Y } {Y } − 2 − {a} [ X ] {Y } + {a} [ X ] [ X ]{a} 52 T T T T Tendenze e regressioni Funzionale in forma matriciale I = { E} T {E} = {Y } {Y } − 2{a} [ X ] {Y } + {a} [ X ] [ X ]{a} Minimizzazione: T T T T T ∂I T T = − [ X ] {Y } + [ X ] [ X ]{a} = 0 ∂ {a} [C ]{a} = {B} N [C ] = [ X ]T [ X ] = ∑ [ Pi ]T [ Pi ] N {B} = [ X ]T {Y } = ∑ [ Pi ]T yi ; i =1 N Coefficienti: i =1 N [C ] = ∑ [ P( xi )] [ P( xi )] T ; i =1 N Ckj = ∑ xik + j i =1 [ B ] = ∑ [ P( xi )] i =1 N ; Bk = ∑ xik yi T yi k, j = 0 : M i =1 53 26 Tendenze e regressioni La struttura dell’operatore è . Ordine n ⎡ ⎢N ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢⎣ N N ∑x ∑x i i =1 N ∑x i =1 i =1 N 2 i ∑x 3 i i =1 N ∑x i i =1 Simm ⎤ ⎧ N 0 ⎫ ⎧ N ⎫ ⎥ ⎪ ∑ xi yi ⎪ ⎪ ∑ yi ⎪ i =1 ⎥ ⎪ i =1 ⎪ ⎪ i =1 ⎪ N N a ⎧ ⎫ ⎪ ⎪ N ⎪ ⎪ 0 n +1 ⎥ 1 L ∑ xi ⎥ ⎪ ⎪ ⎪ ∑ xi yi ⎪ ⎪ ∑ xi yi ⎪ a i =1 ⎪⎪ ⎪⎪ i =1 ⎪⎪ ⎥ ⎪⎪ 1 ⎪⎪ ⎪⎪ i =1 N N = a ⎥ ⎬=⎨ N 2 ⎬ ⎨ n+2 ⎨ 1 ⎬ 2 L ∑ xi ⎥ ⎪ ⎪ ⎪ ∑ xi yi ⎪ ⎪ ∑ xi yi ⎪ i =1 ⎥ ⎪ M ⎪ ⎪ i =1 ⎪ ⎪ i =1 ⎪ O M ⎥ ⎩⎪an ⎭⎪ ⎪ M M ⎪ ⎪ ⎪ ⎥ ⎪N ⎪ ⎪N ⎪ N ⎪∑ xin −1 yi ⎪ ⎪∑ xin −1 yi ⎪ xi 2 n ⎥ ∑ ⎥ ⎪⎩ i =1 ⎪⎭ ⎩⎪ i =1 i =1 ⎦ ⎭⎪ N 2 i 4 L ∑x n i Matrice simmetrica e di struttura prevedibile Matrice malcondizionata per ordini superiori a 5 o 6 54 Tendenze e regressioni Vediamo le soluzioni di ordine inferiore. N N Ordine 0 T T [C] = ∑[ Xi ] [ Xi ] = ∑[1] [1] = N i =1 i =1 N N N i =1 i =1 i =1 {B} = ∑[ Xi ]T yi = ∑[1]T yi = ∑ yi {a0} = [C]−1{b} = 1 N ∑yi N i=1 Abbiamo quindi ottenuto che il valor medio di una serie è il valore che h minimizza i i i l somma degli la d li scarti ti quadratici. d ti i Nel caso di assenza di ingresso il modello regressivo fornisce come stima il valor medio. Condizione di applicabilità del metodo è che l’errore sia a valore medio nullo. 55 27 Tendenze e regressioni Regressione, o “fitting”, lineare: ⎡ ⎢ N ⎢ ⎢N ⎢ ∑ xi ⎣ i =1 N a0 = N ⎤ ⎧ N ⎫ ⎥ ⎧a ⎫ ⎪ ∑ yi ⎪ i =1 ⎥ ⎨ 0 ⎬ = ⎨⎪ i =1 ⎬⎪ N N 2⎥ a xi ⎥ ⎩ 1 ⎭ ⎪∑ xi yi ⎪ ∑ ⎪⎩ i =1 ⎪⎭ i =1 ⎦ N ∑x i N i =1 i i =1 2 i i i =1 i i =1 2 ⎛ ⎞ N ∑ xi − ⎜ ∑ xi ⎟ i =1 ⎝ i =1 ⎠ N 2 N N ∑ y ∑ x −∑ x y ∑ x N i a1 = N N N ∑ xi yi − ∑ yi ∑ xi i =1 i =1 i =1 ⎛ ⎞ N ∑ xi − ⎜ ∑ xi ⎟ i =1 ⎝ i =1 ⎠ N 2 N 2 56 28