Tecniche avanzate di campionamento e classificazione di segnali vibrazionali per la valutazione dell’integrità strutturale

Il tema principale del presente studio è il monitoraggio strutturale, disciplina nota come Structural Health Monitoring (SHM), che tramite un monitoraggio real-time, permesso grazie ai sistemi embedded, ha il compito di aumentare la sicurezza di infrastrutture critiche. In questo contesto, sono state evidenziate tecniche di compressione e di intelligenza artificiale che permettono di realizzare un sistema SHM automatizzato e ottimizzato dal punto di vista dei consumi. In particolare, sono state utilizzate tecniche di classificazione di tipo Machine Learning e Deep Learning come gli algoritmi KPCA e OCCNN. Quest’ultimi sono stati testati sia su dati compressi con la tecnica del Compressive Sensing (CS) sia su segnali direttamente acquisiti dai sensori da cui sono emerse differenze significative. È importante sottolineare che i segnali trattati sono frutto di uno lavoro prodotto nel ‘900 che ha riguardato il monitoraggio del Ponte Z-24, struttura non più presente fisicamente, ma che oggigiorno è ancora al centro di numerosi studi. Per la compressione di tali segnali è stato utilizzato il metodo rakeness e per la ricostruzione è stato utilizzato l'algoritmo SPG-l1 ancora poco efficiente dal punto di vista energetico. In prospettiva di un miglioramento sotto questo profilo, è stato analizzato un altro algoritmo di tipo Greedy, il CoSaMP, applicato nella ricostruzione di segnali di vibrazione e direttamente implementato sul MCU.