Prenota una demo
Per predizione si intende l’annunciare in precedenza il verificarsi di un evento sulla base di ipotesi fondate su calcoli matematici. Nella parola “predizione” è concentrata tutta l’essenza ed il desiderio che si cela dietro al monitoraggio. Oggigiorno non ci si accontenta di conoscere ciò che sta accadendo ad un oggetto reale in real-time, ma c’è la necessità di predire il futuro basandosi su eventi passati.
Per monitoraggio si intende la continua osservazione di un oggetto o di una grandezza fisica o matematica descrittiva di un oggetto. Quest’ultimo costituisce il bene (tangibile o intangibile) che deve essere controllato costantemente nel tempo.
Il tempo è la grandezza fondamentale che governa il monitoraggio. È evidente come nella realtà la “propagazione del tempo” sia continua e non discreta. In altre parole, nel mondo reale vige il concetto di atomicità del tempo il quale può essere frammentato in infiniti istanti infinitesimi. Nel monitoraggio invece non abbiamo la facoltà di catturare (o acquisire) “continuamente” una grandezza fisica. Non esistendo, in termini matematici, una frequenza di acquisizione dati infinita, dobbiamo accontentarci di acquisizioni discrete nel tempo, a determinate frequenze.
La frequenza di acquisizione è responsabile della suddivisione del monitoraggio in due macro-aree:
Frequenze “elevate” e “ridotte” si quantificano a seconda dell’applicazione (ad esempio nel monitoraggio infrastrutturale la linea di confine tra dinamico e statico può essere fissata circa a 10-20 Hz). Tutte le grandezze oggetto di monitoraggio sono caratterizzate da un andamento nel tempo, le cui variazioni possono dipendere da altre variabili le quali possono essere soggette o meno a monitoraggio.
Sulla base di questa considerazione il monitoraggio costituisce un ottimo strumento per individuare correlazioni tra grandezze fisiche protagoniste di un sistema di monitoraggio. A prescindere dall’uso che se ne fa, chiunque opera nel monitoraggio deve destreggiarsi con una serie di Time Series caratteristiche di ogni grandezza fisica acquisita.
La predizione nel monitoraggio costituisce il meeting point tra l’Ingegneria Civile-Ambientale con il Data Science. Tutte le opere civili erette in età moderna-contemporanea sono state progettate seguendo le leggi della Scienza delle Costruzioni e della Statica, le quali dettano le regole sul dimensionamento di travi e di elementi strutturali portanti. Queste regole, inoltre, tengono conto di come l’opera interagisce con se stessa e con l’ambiente circostante.
Perciò l’Ingegneria Civile-Ambientale ci fornisce le grandezze ingegneristiche principali che descrivono le condizioni nominali di progetto, ossia dei valori numerici che ci si aspetta di ottenere ad opera ultimata. In altre parole il valore nominale delle grandezze ingegneristiche costituisce il valore di regime o di inizio vita dell’opera per poi variare nel tempo durante il normale esercizio dell’opera.
L’osservazione della variazione nel tempo di queste grandezze ingegneristiche è l’obbiettivo del monitoraggio strutturale. In realtà in fase di progettazione si fa già predizione probabilistica. Lo dimostra il fatto che molti parametri e coefficienti correttivi che entrano in gioco in questa fase sono determinati su base statistica facendo riferimenti a dati storici di altre strutture oppure facendo riferimento a test in laboratorio.
Ciò che la predizione nel monitoraggio può fornire in più è il comportamento futuro dell’opera, calcolato sui dati passati caratteristici della stessa opera. Infatti, per quanto possa essere simile il comportamento di due costruzioni progettate allo stesso modo, questo non potrà mai essere identico. La potenza della predizione nel monitoraggio risiede proprio nella conoscenza della storia dell’infrastruttura, di come “respira” nell’alternanza tra giorno e notte e di come reagisce agli stimoli esterni. Nota la storia, si possono determinare i trend che presentano le grandezze sotto esame, fissare delle soglie di avviso per la manutenzione predittiva al di sopra delle quali è necessario intervenire.
Per poter fissare le soglie è necessario avere una conoscenza approfondita ed affidabile della storia dell’infrastruttura. Le soglie possono essere statiche, adattive e dinamiche; vengono calcolate dai dati storici e selezionate sulla base della tipologia di monitoraggio che si sta facendo. In ogni caso la manutenzione predittiva prende forma dal confronto continuo tra più tipologie di soglie con la grandezza ingegneristica presa in considerazione.
Il meeting point tra l’Ingegneria Civile-Ambientale e Data Science scaturisce l’ingresso in gioco di tutta la parte di Machine Learning. Questa costituisce un arma in favore del monitoraggio e della predizione in quanto si possono definire stati del sistema basati su classification e clustering attraverso algoritmi di correlazione.
Un tipico esempio è l’applicazione algoritmi di classification della correlazione di due o più caratteristiche del sistema, dai quali si generano sotto-domini di esistenza. Il continuo monitoraggio della correlazione fornisce indicazioni aggiuntive sul comportamento passato ed attuale della struttura dal quale possiamo determinare trend futuri ed eventuali derive.
Il futuro necessita sempre di più di sistemi di monitoraggio. I campi di applicazione sono i più disparati e coinvolgono molte tecnologie e campi di ricerca, si va dalla sensoristica (elettrica, fibra ottica) all’ingegneria civile passando per il data science, informatica e statistica. Questo impone un approccio multidisciplinare che coinvolge diverse figure lavorative che devono saper comunicare efficacemente.
Ad oggi non c’è ancora la cultura del monitoraggio multidisciplinare, nel senso che è una materia ancora troppo sottovalutata per poter giustificare investimenti su queste risorse. In queste condizioni il compito del monitoraggio è demandato a strumentazione poco automatizzata che causa povertà di dati e di conseguenza una scarsa conoscenza della vita di un opera durante il suo normale esercizio. Le condizioni non favoriscono il fiorire della materia del monitoraggio.
Una scossa è avvenuta a causa di eventi catastrofici come i crolli di ponti e viadotti. La conseguenza è stata una spinta ad investire in nuove tecnologie, che permettono di monitorare h24 in real time infrastrutture. Inoltre la maggior parte delle opere infrastrutturali stradali e ferroviarie sono state costruite negli anni 50-60, per cui attualmente siamo alla fine della vita progettuale di tali opere (che iniziano a manifestare segnali di cedimento). Questi fatti stanno incentivando l’installazione di sistemi di monitoraggio che però a volte non sono supportati dalla giusta considerazione che meritano.
Per concludere, la multi-disciplinarietà della materia impone anche lo stare al passo con i tempi. Tecnologie innovative possono diventare obsolete nel giro di pochi anni (nel giro di pochi anni il Machine Learning è diventata materia nota a tutti ed in poco tempo potrebbe diventare addirittura obsoleta). Per questo motivo si iniziano a studiare applicazioni con Deep Learning o algoritmi non supervisionati.
La discussione prosegue qui.
Scrivimi la tua opinione sull’argomento, o per suggerire uno dei prossimi approfondimenti! Se te lo fossi perso, leggi anche il mio primo intervento nella rubrica Tech Coffee Break, dedicato alle tecnologie edge!
AUTORE: ANDREA CANFORA
Senior Data Scientist in Sensoworks. Le sue competenze ingegneristiche trasversali su più settori gli permettono di essere l’anello di congiunzione tra i team che disegnano le soluzioni Sensoworks e il team tecnico che si occupa di realizzarle.
