Robust Optimal Experimental Design Accounting for Sensor Failure

1. Il Problema

L'articolo affronta le sfide legate alla Progettazione Sperimentale Ottimale (OED) nell'analisi delle vibrazioni strutturali. L'obiettivo dell'OED è determinare a priori le posizioni e le orientazioni migliori per posizionare gli accelerometri al fine di calibrare i parametri incerti di un modello dinamico strutturale (es. proprietà dei materiali, smorzamento, forze esterne).

Il problema centrale identificato è che le formulazioni OED classiche (come la D-ottimalità, che minimizza il determinante della matrice di covarianza dei parametri) non tengono conto dei fallimenti reali dei sensori. In esperimenti di vibrazione ad alta accelerazione, i sensori possono:

• Staccarsi (Sensor Dropout): Perdita fisica del sensore.
• Saturare (Sensor Clipping): I dati vengono distorti o persi quando l'ampiezza della vibrazione supera il range dinamico del sensore.

Questi fallimenti non sono modellati nelle formulazioni standard, portando a strategie di posizionamento che potrebbero risultare inefficaci o non informative se si verifica un guasto durante l'esperimento. Esistono lavori precedenti su OED robusta, ma spesso richiedono spazi di progettazione ridotti o modelli surrogati, rendendoli non applicabili a problemi ad alta dimensionalità con modelli agli elementi finiti (FEM) costosi da computare.

2. Metodologia

Gli autori propongono un framework OED robusto applicato a un modello dinamico strutturale tridimensionale (il problema del "Wedding Cake", una struttura a più livelli modellata con il software FEM Sierra-SD di Sandia).

A. Formulazione del Problema Inverso

Il problema è formulato come un'inversione lineare dove i dati osservati (accelerazioni) sono legati ai parametri incerti (forze di carico) tramite una funzione di risposta in frequenza (FRF). La covarianza dei parametri stimati dipende dalla matrice di progettazione $W$ (che indica quali sensori sono attivi).

B. Approccio di Rilassamento e Ottimizzazione

Per gestire lo spazio di progettazione ad alta dimensionalità (centinaia di candidati) e la complessità computazionale dell'ottimizzazione binaria (un sensore è attivo o no), gli autori adottano un approccio basato sul rilassamento:

1. Pesatura Frazionaria: Invece di variabili binarie $w_i \in \{0, 1\}$, si utilizzano pesi continui $w_i \in [0, 1]$. Questo trasforma il problema in uno continuo, permettendo l'uso di efficienti metodi di ottimizzazione basati sul gradiente.
2. Penalità Double-Well: Per ottenere un design binario finale senza ricorrere a euristiche di arrotondamento post-ottimizzazione (che possono essere subottimali), viene introdotta una nuova funzione di penalità, la penalità double-well:
   $$P(w) = \sum w_i(1 - w_i)$$
   Questa funzione penalizza i valori frazionari, spingendo la soluzione verso 0 o 1 durante l'ottimizzazione stessa.

C. Formulazioni Robuste

Vengono proposte due strategie principali per incorporare la robustezza:

1. Probabilità di Fallimento Note: Se le probabilità di fallimento ($q_i$) per ogni sensore sono note o prevedibili, si utilizza una formulazione che pondera la covarianza in base a queste probabilità. La matrice di covarianza robusta diventa:
   $$C(Rw) = \sigma^2 \left( \sum (1-q_i) w_i T_i T_i^\top \right)^{-1}$$
   dove $R$ è una matrice diagonale contenente le probabilità di sopravvivenza.
2. Probabilità di Fallimento Sconosciute (Scenario-based): Quando le probabilità non sono note, si campionano scenari di fallimento specifici (es. "cosa succede se il sensore $i$ fallisce?"). L'obiettivo diventa la minimizzazione della media (o del caso peggiore) del criterio OED su un insieme di scenari di fallimento campionati.

3. Contributi Chiave

• Applicazione a Problemi Dinamici Strutturali: Estensione delle formulazioni OED robuste a problemi 3D complessi con modelli FEM costosi, superando i limiti dei lavori precedenti che richiedevano spazi di progettazione ridotti.
• Penalità Double-Well Innovativa: Introduzione di una penalità specifica per indurre soluzioni binarie all'interno di un'ottimizzazione rilassata, offrendo un'alternativa ai metodi di arrotondamento tradizionali.
• Valutazione Post-Ottimizzazione Estesa: Oltre ai criteri di ottimizzazione standard (log-determinante), gli autori valutano le prestazioni in termini di Errore Quadratico Medio (MSE) sui parametri e sulle previsioni, sia in assenza che in presenza di fallimenti.
• Gestione del Clipping: Dimostrazione di come il framework possa essere adattato per gestire la saturazione dei sensori (clipping) generando scenari di dropout basati sulle previsioni di risposta dinamica.

4. Risultati Computazionali

Gli esperimenti sono stati condotti sul modello "Wedding Cake" con 267 posizioni candidate per i sensori.

• Confronto Classico vs. Robusto (Design Frazionari): Quando si rimuove la restrizione binaria, i design robusti risultano meno sparsi (più sensori attivi) rispetto ai design classici, il che è intuitivamente vantaggioso per la ridondanza.
• Robustezza a un Singolo Fallimento:
  • Se nessun sensore fallisce, i design robusti e classici hanno prestazioni simili.
  • Se un sensore ottimale fallisce, il design robusto mantiene un guadagno informativo superiore rispetto al design classico, sia in media che nel caso peggiore.
  • Interessantemente, un design ottimizzato per resistere al fallimento di un sensore mostra anche una certa robustezza contro il fallimento di due sensori, suggerendo che risolvere un problema computazionalmente più semplice può offrire benefici per scenari più complessi.
• Robustezza con Probabilità Note: Quando si incorporano probabilità di fallimento differenziate (es. sensori in alto più soggetti a guasto), il design robusto differisce da quello classico, evitando le posizioni ad alto rischio.
  • Su $10^5$ scenari simulati, il design robusto supera quello classico in termini di MSE di parametro e previsione, pur mantenendo prestazioni simili in assenza di guasti.
• Gestione del Clipping: Nel caso di saturazione dei sensori dovuta a vibrazioni elevate, il design robusto evita strategicamente di posizionare sensori nelle zone ad alta accelerazione (livello superiore della struttura), mentre il design classico li include. Il design robusto dimostra una maggiore stabilità nelle prestazioni quando si verificano scenari di clipping.

5. Significato e Conclusioni

Il lavoro dimostra che, sebbene i design classici e robusti possano condividere molte posizioni ottimali e performare in modo simile in condizioni ideali, i design robusti offrono un vantaggio significativo in media quando si considerano scenari di fallimento realistici.

L'approccio proposto rende l'OED robusta computazionalmente trattabile per problemi ingegneristici complessi e ad alta dimensionalità, evitando la complessità combinatoria dell'ottimizzazione binaria diretta. L'introduzione della penalità double-well permette di ottenere direttamente design binari ottimali durante il processo di ottimizzazione.

In sintesi, questo studio fornisce un metodo pratico e rigoroso per progettare reti di sensori che non solo massimizzano l'informazione in condizioni ideali, ma garantiscono anche la resilienza e l'affidabilità dei dati in scenari reali dove i fallimenti dei sensori sono una certezza statistica.