Analisi Dei Segnali Dinamici - Manfrida Contini

Analisi dei segnali G. Manfrida & D.
Contini 2001

Universit degli Studi di Firenze
Dipartimento di Energetica Sergio Stecco
Via Santa Marta 3, 50139

CORSO DI FORMAZIONE E AGGIORNAMENTO
SULLANALISI DEI SEGNALI DINAMICI

Giampaolo Manfrida
&
Daniele Contini

0.000 0.001 0.002 0.003 0.004 0.005 0.006 0.007 0.008
-1.25
-1.00
-0.75
-0.50
-0.25
0.00
0.25
0.50
0.75
1.00
1.25
seno 250Hz
seno 250Hz in ritardo di periodo
tempo (s)

-0.006 -0.004 -0.002 0.000 0.002 0.004 0.006
-1.25
-1.00
-0.75
-0.50
-0.25
0.00
0.25
0.50
0.75
1.00
1.25
CORRELAZIONE INCROCIATA
tempo (s)

Analisi dei segnali G. Manfrida & D. Contini 2001
2
Indice

Indice delle principali figure ............................................................................................................. 3
Introduzione ....................................................................................................................................... 5
I dati sperimentali .............................................................................................................................. 6
Le serie temporali ............................................................................................................................... 7
Acquisizione dei dati ........................................................................................................................ 11
Trasduttori .................................................................................................................................... 12
Condizionamento del segnale....................................................................................................... 13
Convertitori analogico-digitali (ADC) ........................................................................................ 14
Multiplexer .................................................................................................................................... 14
Sistemi di acquisizione dati .......................................................................................................... 15
Linee di trasmissione .................................................................................................................... 18
Quantizzazione .............................................................................................................................. 20
Aliasing .............................................................................................................................................. 22
Probabilit ........................................................................................................................................ 25
Funzione densit di probabilit ................................................................................................... 25
Definizione e calcolo dei momenti statistici ................................................................................... 32
La distribuzione Gaussiana ............................................................................................................. 34
Distribuzioni Binomiale e di Poisson .............................................................................................. 36
Funzione di densit di probabilit congiunta ................................................................................ 37
Il test del chi-quadrato per una distribuzione ............................................................................... 39
Esclusione dei dati ............................................................................................................................ 44
Deviazione standard della media e del valore RMS ...................................................................... 45
Media pesata ..................................................................................................................................... 47
Tecnica del fit ai minimi quadrati .................................................................................................. 49
Detrending ........................................................................................................................................ 52
Smoothing ......................................................................................................................................... 53
Media di insieme............................................................................................................................... 55
Teoria di Fourier ........................................................................................................................... 56
Trasformata di Fourier discreta (DFT) e Trasformata di Fourier Veloce (FFT) ................... 60
Applicazione di finestre al campione .......................................................................................... 62
Funzione di autocorrelazione .......................................................................................................... 65
Densit spettrale di potenza ............................................................................................................ 70
Analisi RPM...................................................................................................................................... 79
Unit di misura e scala in decibel ................................................................................................... 80
Analisi in bande di ottava ................................................................................................................ 81
Segmentazione e overlap ................................................................................................................. 83
Errore statistico nella stima dello spettro di potenza ................................................................... 86
Analisi bicanale o incrociata ........................................................................................................... 88
Funzione Correlazione Incrociata ............................................................................................... 88
Funzione Densit Spettrale Incrociata ........................................................................................... 93
Funzione di coerenza ....................................................................................................................... 95
Sistemi lineari a singolo input e singolo output ............................................................................. 97
Filtri analogici e digitali ................................................................................................................. 100
Filtri digitali non recursivi ......................................................................................................... 103
Filtri digitali recursivi ................................................................................................................ 104
Cepstrum ......................................................................................................................................... 108
Riferimenti bibliografici ................................................................................................................ 109

3
Indice delle principali figure

Fig. 1) Esempio di segnale analogico variabile nel tempo .................................................................. 7
Fig. 2) Esempio di campionamento digitale di un segnale di uscita di un trasduttore con frequenza
di campionamento variabile. ......................................................................................................... 9
Fig. 3) Esempio di distribuzione di tempi di arrivo di un segnale ottenuto con la tecnica LDV e
delleffetto del ricampionamento sullo spettro di potenza del segnale. ...................................... 11
Fig. 4)Esempio di risposta lineare (trasduttore di pressione) e non-lineare (anemometro a filo
caldo). .......................................................................................................................................... 13
Fig. 5) Illustrazione della quantizzazione .......................................................................................... 21
Fig. 6) Illustrazione del fenomeno dellaliasing ................................................................................ 23
Fig. 7) Esempio che mostra leffetto dellaliasing su di uno spettro di potenza ............................... 24
Fig. 8) Schema esplicativo della definizione della funzione di densit di probabilit (PDF). .......... 26
Fig. 9) Esempio di istogrammi di densit di probabilit. .................................................................. 28
Fig. 10) La funzione x(t) una sinusoide alla frequenza di 100 Hz. ................................................. 29
Fig. 11) La funzione x(t) la sovrapposizione di una sinusoide alla frequenza di 100 Hz e di un
rumore bianco di ampiezza massima pari al 25% dellampiezza della sinusoide. ..................... 29
Fig. 12) Esempio di distribuzione di velocit in un flusso daria turbolento allinterno dello strato
limite. ........................................................................................................................................... 30
Fig. 13) Esempi di densit di probabilit .......................................................................................... 31
Fig. 14) Esempio di distribuzioni gaussiane. ..................................................................................... 35
Fig. 15) Schema esemplificativo della definizione di densit di probabilit congiunta. ................... 37
Fig. 16) Tipico esempio di probabilit congiunta di tipo gaussiano ................................................. 38
Fig. 17) Tabella della fuunzione erf(t) ............................................................................................... 41
Fig. 18) Tabella di esempio per esclusione dati ................................................................................ 42
Fig. 19) Tabella della probabilit per il chi-quadrato ridotto .......................................................... 43
Fig. 20) Esempio di detrending lineare ............................................................................................. 52
Fig. 21) Esempio di detrending lineare a due pendenze. ................................................................... 53
Fig. 22) Esempio di applicazione dello smoothing su di un segnale sinusoidale con rumore di
natura random. ............................................................................................................................ 54
Fig. 23) Esempio di utilizzo di medie di insieme..55
Fig. 24) Accelerazione periodica ma non armonica di un pistone in un motore a combustione
interna. ........................................................................................................................................ 56
Fig. 25) Le prime due componenti armoniche del segnale di accelerazione del pistone di un motore
a combustione interna. ................................................................................................................ 58
a combustione interna. ................................................................................................................ 58
Fig. 27) Esempi di sviluppo nelle prime armoniche di Fourier di segnali periodici di interesse
applicativo. .................................................................................................................................. 59
Fig. 28) Fattore di velocit per il calcolo della trasformata di Fourier. .......................................... 61
Fig. 28) Esempio di Finestre utilizzate come peso nellanalisi di campioni digitali nel dominio delle
frequenze. .................................................................................................................................... 62
Fig. 29) Effetto delle varie finestre sul modulo della DFT di un segnale armonico. Dallalto in
basso: il segnale, leffetto della finestra rettangolare, finestra triangolare, finestra di Hanning.
..................................................................................................................................................... 64
Fig. 30) Schema di interpretazione per il significato della funzione di autocorrelazione ................ 65
Fig. 31) Esempi di funzioni di autocorrelazione..67
Fig. 32) Esempio di calcolo del coefficiente di autocorrelazione per un segnale sinusoidale e per lo
stesso segnale a cui sovrapposto un rumore bianco di ampiezza pari a quella del segnale. ... 68
Fig. 33) Esempio di C(t) per un segnale random. ............................................................................. 68
4
Fig. 34) Esempi di calcolo di C(t) per le fluttuazioni di velocit di un flusso daria turbolento. ..... 69
Fig. 35) Illustrazione della circolarit di Rc. .................................................................................... 73
Fig. 36) Eliminazione della circolarit sul calcolo della funzione di autocorrelazione per via
spettrale. ...................................................................................................................................... 73
Fig. 37) Il segnale dato da una combinazione di due sinusoidi di ampiezza diversa e a due
frequenze diverse: x t t t ( ) sen( ) sen( ) = + 2 2 100 2 1000 t t ........................................................... 74
frequenze diverse: x t t t ( ) sen( ) sen( ) = + 2 2 100 2 1000 t t +segnale random di ampiezza 20. .... 74
Fig. 39) Esempio di spettro di potenza delle fluttuazioni di velocit di un flusso turbolento. .......... 74
Fig. 40) Esempio di spettro di potenza delle vibrazioni di un pannello di una galleria del vento
rilevate con un accelerometro. .................................................................................................... 75
Fig. 41) Esempi di spettri di potenza ................................................................................................. 76
Fig. 42) Confronto fra spettro in banda stretta ed in bande di ottava. ............................................. 83
Fig. 43) Illustrazione dei livelli di confidenza della valutazione dello spettro di potenza attraverso
la DFT di un segnale di velocit di una corrente aeriforme in moto turbolento. ....................... 87
Fig. 44) Valutazione della cross-correlazione per due segnali sinusoidali shiftati nel tempo. .... 89
Fig. 45) Esempio di analisi bicanale per segnali random ................................................................. 90
Fig. 46) Illustrazione delle relazioni di input-output. (a) spettro di potenza. (b) cross-spettro ........ 99
Fig. 47) Risposta in frequenza del filtro RC passa-alto. ................................................................. 102
Fig. 48) Esempio di applicazione di un filtro passabanda .............................................................. 106
Fig. 49) Esempio di applicazione di filtri per selezionare il segnale .............................................. 107
Fig. 50) Esempio di utilizzo del cepstrum sia reale che complesso ................................................. 108

5
Introduzione

Il presente corso sviluppa unintroduzione allanalisi dei segnali sperimentali includendo sia
lanalisi nel dominio del tempo che lanalisi nel dominio delle frequenze di segnali singoli e di
coppie di segnali fra loro correlati (analisi incrociata o bicanale). La prima parte riguarda la
descrizione dei segnali ed il loro campionamento nella forma digitale fino ad ottenere le serie di dati
(time hystories del segnale). Si introduce la densit di probabilit sia sul segnale singolo che la
densit di probabilit congiunta su due segnali, trattando in particolare dettaglio la distribuzione
normale degli errori (distribuzione gaussiana). In termini di analisi statistica si descrivono i
momenti statistici ed il metodo di calcolo di tali momenti insieme con la loro interpretazione fisica.

Segue poi unintroduzione alle tecniche di analisi dei dati nel dominio del tempo e delle frequenze
con particolare riferimento allo spettro di potenza, alla funzione di autocorrelazione ed allanalisi
bicanale di una coppia di segnali (cross-spettro e cross-correlazione). Queste metodologie di analisi
di largo impiego nelle indagini a carattere tecnologico e scientifico sono descritte enfatizzando le
applicazioni e la loro interpretazione fisica.

Sono inoltre descritte le catene di acquisizione dati di tipo digitale e si analizzano i vari problemi
connessi con la digitalizzazione (aliasing ed errore di quantizzazione); viene introdotta la tecnica
della regressione lineare basata sul metodo dei minimi quadrati ed il test del chi-quadrato per una
distribuzione di probabilit. In questo ambito anche introdotto il detrending dei dati e lo
smoothing.

I vari argomenti sono trattati in modo da fornire le basi matematiche generalmente utilizzate
nellanalisi dei segnali e vengono messe in particolare evidenza le metodologie atte a evidenziare le
particolari caratteristiche di un segnale cos come le moderne metodologie di approccio al problema
della coerenza dei segnali e alle tecniche di segmentazione, overlap e finestrature ampiamente
utilizzate nella costruzione degli spettri di potenza.

Una sezione finale dedicata alla descrizione dei filtri digitali, alla loro caratterizzazione e
costruzione mettendo in particolare evidenza le potenzialit che il filtraggio digitale offre
nellinterpretazione e nella manipolazione dei dati sperimentali.

I vari argomenti sono corredati da esempi applicativi sviluppati in ambiente MATLAB, che sono
parte integrante del corso, che servono per evidenziare linterpretazione fisica di alcune grandezze
tipicamente legate allanalisi dei segnali e per chiarire ed illustrare le potenzialit applicative delle
varie metodologie proposte.

6

I dati sperimentali

Un dato sperimentale rappresenta il risultato di una misura di una certa grandezza fisica e
contribuisce quindi alla rappresentazione di un particolare fenomeno fisico che pu essere
deterministico o non deterministico (random). I dati deterministici sono quelli che seguono una
particolare legge matematica, esistono numerosi fenomeni di questo tipo, ad esempio il moto di un
corpo di massa m ancorato ad una molla di costante elastica k. Esempi di fenomeni casuali possono
essere il moto delle onde in un mare in tempesta od il segnale elettrico generato da un generatore di
rumore. Affinch il fenomeno si possa definire deterministico deve essere oggetto di ripetute
indagini sperimentali il cui risultato sia praticamente lo stesso. Il praticamente necessita di una
spiegazione anche perch nellindagine sperimentale entrano in gioco due livelli di valutazione:

1) linsieme dellindagine sperimentale, ad esempio la realizzazione di una stessa misura in diverse
condizioni di equilibrio,
2) la misura fatta in una data condizione di equilibrio che pu ad esempio essere ripetuta numerose
volte per verificarne lattendibilit.

Pu verificarsi che il fenomeno sia ragionevolmente deterministico su larga scala, ovvero si
verifica la ripetibilit dellesperimento ma la singola misura ripetuta in condizioni stazionarie non
fornisce mai una risposta deterministica in quanto i dati fluttuano in maniera casuale (random)
intorno ad un certo valor medio.

In linea di principio possiamo quindi considerare come segnale una serie di misure ripetute
successivamente nel tempo di una certa grandezza fisica i cui valori possono cambiare nel tempo in
base a leggi deterministiche o random a seconda che si stia misurando levoluzione di un fenomeno
fisico oppure un valore stazionario con sovraimpresso un rumore.

Per quanto ogni misura sperimentale sia affetta da errori dovuti alla limitata accuratezza dei
trasduttori e/o della catena di misura in questo corso trascureremo gli errori sperimentali e
considereremo le variabilit del segnale come derivanti dalla sua stessa evoluzione o dalla presenza
di rumore elettronico dovuto alla catena di acquisizione.

7
Le serie temporali

Prima di entrare nei dettagli relativi allanalisi dei dati bene sottolineare le caratteristiche generali
delle serie temporali di dati e la metodologia di acquisizione dei medesimi. Generalmente il segnale
da analizzare un segnale elettrico che rappresenta luscita di un opportuno trasduttore. Il
trasduttore fornisce un segnale elettrico (in corrente o in tensione) che varia, spesso, ma non sempre,
linearmente, con la grandezza fisica da misurare. Il segnale di uscita del trasduttore quindi di tipo
analogico e rappresenta una funzione continua del tempo:

100 200 300 400 500 600 700 800 900 1000
-4
-3
-2
-1
0
1
2
3
4
Tempo (s)
U
s
c
i
t
a

t
r
a
s
d
u
t
t
o
r
e

(
V
)
Limite superiore
Limite inferiore

Fig. 1) Esempio di segnale analogico variabile nel tempo

Il segnale y pu assumere qualunque valore, in maniera continua, nei limiti di funzionamento del
trasduttore stesso ed quindi un numero reale. Questo tipo di segnale si dice analogico. Il segnale
analogico pu essere registrato direttamente (senza alcuna conversione) su supporti di tipo
magnetico tramite opportuni registratori o messo in grafico, ad esempio, con il sistema della carta
che scorre sotto un apposito pennino (tipo sismografo). Si pu inoltre processare direttamente il
segnale analogico eseguendo operazioni sul segnale sia semplici (moltiplicazioni ed addizioni) sia
complesse (derivazioni, integrazioni) sfruttando circuiti elettronici basati sia su reti passive che su
amplificatori operazionali opportunamente reazionati (circuiti derivatori e circuiti integratori). In
questo modo possibile condizionare e processare direttamente il segnale analogico senza cambiare
la sua natura elettrica.

Lalternativa al segnale analogico consiste nella digitalizzazione del segnale stesso e quindi nel
campionamento delluscita del trasduttore a certi istanti t
i
convertendo il segnale analogico
allistante t
i
in un numero (da qui la dizione digitale) con un numero di cifre congruente con il
numero di bit a disposizione del convertitore analogico-digitale (CAD o ADC). Il funzionamento e
la precisione ottenibile dai sistemi ADC saranno argomenti discussi in seguito. Per il momento si
suppone che lADC sia scelto in maniera tale da svolgere adeguatamente il suo compito in termini
di precisione e velocit di campionamento. Il risultato quindi quello di ottenere un campione di N
dati che costituisce una serie temporale (detta anche time hystory)

N i 0 con ) t ( y y
i i
s < =

rappresentativa del segnale in uscita dal trasduttore e, in ultima analisi, rappresentativa della
grandezza fisica in esame tramite la calibrazione del trasduttore stesso.

y=y(t)
8
Bisogna sottolineare che spesso si lavora direttamente sullanalisi del segnale di uscita campionato
dal trasduttore, tuttavia questo lecito e corretto solo nel caso in cui la risposta del trasduttore di
pura proporzionalit diretta con la grandezza fisica in osservazione. Questo vero per molti
trasduttori, ad esempio trasduttori di pressione, misuratori laser di distanza ecc. Tuttavia per altri
trasduttori, ad esempio misure di velocit di correnti aeriformi con tubi di Pitot in cui la relazione
fra la velocit del fluido e la pressione dinamica effettivamente misurata di tipo quadratico o per
misure di velocit con anemometri a filo caldo in cui la relazione fra velocit e tensione del
trasduttore una potenza si avr una legge di calibrazione che permette di passare dalla uscita
elettrica del trasduttore x(t) alla grandezza fisica in esame y(t) del tipo:

x(t)=C(y(t))

In questi casi, per analizzare e processare la grandezza fisica, necessario applicare dapprima la
funzione C perch questo porta a delle distorsione sia nei momenti statistici che negli spettri di
potenza del segnale.

Da questo momento in avanti considereremo comunque di lavorare sulla grandezza fisica e di avere
quindi un campione di dati x
i
che rappresenta levoluzione temporale della grandezza fisica in
esame campionata a diversi istanti di tempo t
i
a partire da un riferimento temporale noto.

Lutilizzo del segnale analogico potrebbe sembrare la scelta pi naturale per le analisi dei dati,
tuttavia attualmente le procedure di digitalizzazione possono essere fatte con strumenti elettronici
facilmente reperibili e con costi contenuti inoltre si ha la possibilit di conservare grandi quantit di
dati in comuni PC. Inoltre il segnale analogico, per sua stessa natura, soggetto a degrado e molto
sensibile a sporcamenti dovuti al rumore sia in fase di elaborazione ed analisi che in fase di pura
conservazione su supporti magnetici. I campioni di dati digitali sono invece essenzialmente
incorruttibili nel senso che non sono soggetti a sporcamente dovuti al rumore elettrico degli
strumenti di conservazione ed analisi. Ecco quindi come, dal punto di vista pratico, le serie di dati
digitali sono alla lunga preferibili e sono di gran lunga le pi utilizzate in ambito tecnico e
scientifico.

Il teorema del campionamento afferma che per avere una corretta descrizione di un segnale
armonico alla frequenza fs si deve campionare il segnale analogico ad una frequenza di
campionamento almeno doppia: fc=2fs.

Questo significa che per descrivere correttamente il contenuto in frequenza di una sinusoide occorre
avere almeno due misure per ogni periodo della sinusoide stessa. In pratica se si campiona un
segnale qualunque x(t) trasformandolo in una serie di dati digitalizzati campionando ad una
frequenza costante fc si descrive correttamente i contenuti in frequenza del segnale originale x(t)
fino alla frequenza cosiddetta di Nyquist f
N
=fc/2. Qualunque componente del segnale ad una
frequenza maggiore della frequenza di Nyquist subir il fenomeno dellaliasing (descritto in
seguito). Diventa quindi necessario utilizzare un filtro passa basso durante il campionamento che
elimini, o comunque riduca fortemente, le componenti del segnale a frequenze maggiori di f
N
. Si
sottolinea fin da ora che il filtro da utilizzare in questo caso deve essere un filtro di tipo analogico
che agisce prima del campionamento stesso in quanto un segnale che stato campionato
erroneamente e che ha subito laliasing non pi correggibile con tecniche di filtraggio digitali. In
altre parole una volta avvenuto il fenomeno dellaliasing irreversibile.

Il campionare correttamente un segnale non implica soltanto lutilizzo di una corretta frequenza di
campionamento, come prima descritto, ma anche il registrare un campione di dati che sia, da un
punto di vista temporale, sufficientemente lungo per descrivere correttamente i fenomeni in esame.
9

Infatti un segnale deve essere campionato per un tempo pari ad almeno un periodo relativo
alla pi lenta oscillazione presente nel segnale stesso.

Questo vuole dire che se si deve valutare correttamente una oscillazione si deve avere un
campionamento almeno lungo quanto un periodo delloscillazione stessa e quindi evitando di
campionare solamente in una fase di transitorio.

Nella pratica spesso non sufficiente campionare per un solo periodo una oscillazione in quanto
pu essere utile, e talvolta necessario, avere a disposizione un campionamento su pi periodi
completi di una oscillazione per aumentare la convalida statistica dei risultati ottenuti durante
lanalisi (in particolare per quanto riguarda lanalisi nel dominio delle frequenze). Inoltre lavere a
disposizione un campione contenente un certo numero di periodi di oscillazione utile per mettere
in atto le procedure di segmentazione del campione nella determinazione degli spettri di potenza.

Come regola di massima si tende ad acquisire campioni abbastanza lunghi da contenere
almeno 10 periodi della pi lenta oscillazione presente nel segnale.

Ad esempio se si deve registrare, per la successiva analisi, un segnale in cui sono presenti rilevanti
contributi di oscillazione in un intervallo di frequenze compreso fra 1Hz e 10000 Hz si deve
campionare ad una frequenza minima fc=20000 Hz acquisendo cio almeno 20000 dati al secondo.
Inoltre essendo pari ad 1 s il pi lungo dei periodi di oscillazione si dovrebbe acquisire il segnale
per almeno 10s e questo porta a dovere registrare un campione di 200000 dati.

Fig. 2) Esempio di campionamento digitale di un segnale di uscita di un trasduttore con frequenza
di campionamento variabile.

Un segnale di uscita da un trasduttore solitamente campionato ad una certa frequenza di
campionamento fissa f
c
, il che vuole dire che i vari intervalli di tempo fra due istanti successivi di
campionamento sono costanti:

k di valore ogni per
f
1
te tan cos t t t
c
k 1 k
= = A =
+

Questo tipo di campionamento, il pi comune, estremamente utile per lanalisi del segnale in
quanto permette di passare facilmente da formule integrali a formule basate su sommatorie e questo
facilita molto il calcolo dei momenti statistici nellanalisi nel dominio del tempo ed anche i calcoli
10
nel dominio delle frequenze relativi alla determinazione degli spettri di potenza e delle varie
trasformate.

Tuttavia si deve tenere presente che esistono delle eccezioni a questa procedura, come quella
mostrata nel campionamento esemplificato nella figura precedente. Una prima eccezione viene
dallanalisi di segnali legati a rotazioni con velocit di rotazione non costanti (motori in fase di
accelerazione o decelerazione) per i quali pu essere utile utilizzare un metodo di campionamento a
frequenza variabile per le interpretazioni degli spettri di potenza del segnale con il metodo
dellanalisi RPM che sar descritto in seguito. Altri esempi tipici sono quelli relativi allanalisi di
serie temporali lente (ad es. le misure della qualit dellaria in una rete di monitoraggio, situazione
nella quale capita spesso che si verifichi lindisponibilit temporanea di un analizzatore per
problemi di manutenzione o di collegamento). Altre eccezioni si presentano per quei metodi di
misura che utilizzano, per loro natura, un campionamento a frequenza non costante. Un esempio il
metodo di Velocimetria Laser-Doppler (LDV) utilizzato per la misura istantanea della velocit di
una corrente fluida. Questa tecnica ottica permette la misura della velocit istantanea locale di
particelle sospese nel flusso (inseminante) e, quindi, non disturba il flusso. Ambienti ostili, come ad
esempio apparati di combustione, precludono luso di sonde meccaniche; per questi risulta ideale la
caratteristica di non intrusivit della tecnica LDV. Resta comunque da osservare che questa tecnica
anemometrica fornisce serie temporali non omogenee per quanto riguarda il campionamento.
Questo deriva dallimprevedibilit della frequenza di passaggio delle particelle di inseminante
allinterno del volume sonda. I dati acquisiti con questa tecnica non possono essere elaborati
immediatamente utilizzando procedure che tipicamente vengono usate per serie temporali a
campionamento costante (ad esempio FFT per la valutazione dello spettro di potenza). Si
puntualizza quindi che si rende necessario un ricampionamento del segnale oppure un
condizionamento dellacquisizione.

Il metodo pi semplice per ricampionare le serie temporali il cosiddetto Sample and Hold
digitale (ovvero uninterpolazione polinomiale di ordine zero che, tra laltro, pu essere eseguita
direttamente in fase di acquisizione, disponendo dellattrezzatura adatta; il metodo non si deve
confondere con i dispositivi S&H analogici, di cui si parler nel seguito, che hanno in comune
soltanto il principio di congelamento temporaneo della misura precedente).

Da osservare che la tecnica del Sample and Hold digitale porta comunque ad una distorsione delle
caratteristiche spettrali del segnale. Infatti lo spettro di potenza della serie ricampionata differisce da
quello vero a causa dei seguenti effetti:

* Step Noise che deriva dalla natura a gradini del segnale ricampionato. Leffetto
decresce con laumentare della densit delle particelle;
* Effetto di Filter. Le fluttuazioni della componente di velocit ad alta frequenza vengono
soppresse poich il segnale viene mantenuto costante nellintervallo di tempo tra larrivo delle
particelle. Da notare che anche lo Step Noise viene filtrato.

Il ricampionamento, in definitiva, definisce da un lato il limite di risposta alle alte frequenze e
dallaltro modifica il profilo dello spettro alle basse frequenze. In figura riportato un esempio della
distribuzione dei tempi di campionamento del segnale con la tecnica LDV e delleffetto del
ricampionamento su di uno spettro di potenza costante.
11
0.00 0.01 0.02 0.03 0.04
0
200
400
600
800
F
r
e
q
u
e
n
c
y

C
o
u
n
t
Interarrival Time (s)

Fig. 3) Esempio di distribuzione di tempi di arrivo di un segnale ottenuto con la tecnica LDV e
delleffetto del ricampionamento sullo spettro di potenza del segnale.

La tecnica del ricampionamento viene qui ricordata anche in vista di possibili applicazioni di
annullamento dello sfasamento per lanalisi di sistemi bicanale privi di S&H analogico in ingresso.

Acquisizione dei dati

Lacquisizione di dati pu avvenire tramite una catena di tipo ANALOGICO:

Fenomeno
fisico
Trasduttore Condizionatore di
segnale
Processing
Linea di
trasmissione
Tape
recorder

oppure tramite una catena di tipo DIGITALE:

Fenomeno
fisico
Trasduttore
Condizionatore di
segnale
Linea di
trasmissione
ADC
Software
Analisys
hardware
PC

Pu esserci pi di uno stadio di condizionamento del segnale e possono inoltre essere presenti
strumenti atti a codificare il segnale prima della trasmissione e a decodificarlo in ricezione (es.
trasmissioni via radio).

12
In passato le registrazioni ed elaborazioni dei dati erano fatte quasi esclusivamente con catene di
misura completamente analogiche; questo presentava alcuni vantaggi, relativamente alle possibilit
offerte dallelettronica del tempo, in quanto le misure non erano affette dagli errori tipici della
digitalizzazione (es.: aliasing ed errori di quantizzazione). Era inoltre possibile eseguire delle
elaborazioni in tempo reale sui dati utilizzando catene elettroniche analogiche basate su
amplificatori operazionali opportunamente reazionati.

E importante rendersi conto che sia nelle catene analogiche che in quelle digitali, alcuni problemi
di possibile perdita di informazione presente nei dati originari sono comuni: nella fattispecie, si fa
riferimento alla risposta in frequenza (sia per le alte frequenze, con limiti spesso costituiti dalla
risposta in frequenza del singolo componente della catena; che per le basse frequenze, con limiti
determinati dalla lunghezza temporale del campione), al rapporto segnale/rumore (che ad esempio,
nel campo analogico, comporta la limitazione di sistemi con catene di retroazione, e la preferenza di
strumenti con ingresso-uscita diretti e componentistica di alta qualit), alla deriva termica (sia dello
zero od offset che del guadagno) ed ai fenomeni di non linearit ed isteresi. Vale inoltre la pena
ricordare che, per molti sensori, il limite della risposta alle alte frequenze strettamente correlato
alle dimensioni del sensore, in quanto esiste un legame fisico tra risoluzione spaziale e risoluzione
temporale della misura, fortemente dipendente dalla velocit.

Lo sviluppo dellelettronica ha permesso di produrre dei convertitori analogico/digitale (ADC)
molto veloci e degli elaboratori che, con costo relativamente basso, permettono una gestione rapida
ed efficiente di grandi quantit di dati. Questo, aggiunto alle caratteristiche tipiche dei segnali
digitali (maggiore insensibilit al rumore nella trasmissione dei dati, capacit di archiviazione
compatta e con minore degrado nel tempo) ha portato alla diffusione su larga scala delle catene di
acquisizione, elaborazione ed archiviazione dei dati basate su segnali digitali. E a questo tipo di
catene di misura ed elaborazione che si fa quindi riferimento nel seguito.

Trasduttori

I trasduttori sono dei sensori sensibili al fenomeno fisico che vogliamo investigare e di solito
producono un segnale elettrico, generalmente una corrente o una tensione, relazionato in maniera
nota alla grandezza da misurare. Tipici esempi sono:

- trasduttori di pressione
- trasduttori di forza (celle di carico, bialce) e coppia (torsiometri)
- trasduttori di spostamento, velocit ed accelerazione
- trasduttori di deformazione
- trasduttori di temperatura (termocoppie, termometri a resistenza)
- trasduttori di velocit (tubi di Pitot, sonde aerodinamiche, anemometri a filo caldo)
- trasduttori di variabili fisico/chimiche (es. pH, concentrazioni, ....)

Un dato importante dei trasduttori la linearit (cfr. Figure seguenti). Un trasduttore lineare
presenta sostanzialmente un guadagno costante su tutta la gamma di utilizzo; ci oltre a
semplificare le procedure di calibrazione, in quanto sufficiente un numero limitato di punti di
verifica (teoricamente due) presenta anche vantaggi nellanalisi dei sistemi dinamici. Infatti, se il
valore della fluttuazione (rms) risulta una frazione importante del valore medio, la non linearit si
riflette in una distorsione del segnale (in sostanza, il trasduttore risponde in maniera diversa a
fluttuazioni negative e positive attorno al valore medio).

La linearizzazione delluscita spesso effettuata per via digitale risolve solo parzialmente
il problema: infatti, ad es. per le curve con effetto di saturazione (frequenti in molti principi di
13
misura) la sensibilit del trasduttore si attenua procedendo verso la parte alta della gamma di
utilizzo. Poich la sensibilit della catena di misura (analogica o digitale) costante, lerrore di
misura in queste condizioni risulta pi rilevante. In tali situazioni non linearit della catena di
misura - risulta molto utile lapplicazione della teoria della propagazione dellincertezza, in quanto
in tal modo almeno possibile associare ad ogni misura una fascia precisa di incertezza, che ne
descrive laffidabilit.

TRASDUTTORE DI PRESSIONE ANEMOMETRO A FILO CALDO
0 1 2 3 4 5
0
20
40
60
80
100
120
140
0 1 2 3 4 5
0
20
40
60
80
100
120
140
P
r
e
s
s
i
o
n
e

(
m
m
H
2
O
)
Tensione (V)
2 4 6 8 10 12
3,4
3,6
3,8
4,0
4,2
2 4 6 8 10 12
3,4
3,6
3,8
4,0
4,2
T
e
n
s
i
o
n
e

a
n
e
m
o
m
e
t
r
o

(
V
)
Velocit di riferimento (m/s)

Fig. 4)Esempio di risposta lineare (trasduttore di pressione) e non-lineare (anemometro a filo
caldo).

Condizionamento del segnale

I segnali in uscita dai trasduttori devono spesso essere condizionati prima di venire
acquisiti. Tale operazione, nella catena di acquisizione, pu avvenire attraverso uno o pi stadi sia
prima che dopo la digitalizzazione e sia prima che dopo la trasmissione dal luogo di misura a quello
di storage.

Tipiche operazioni di Signal Conditioning sono:
Amplificazione Attenuazione
Bufferizzazione Linearizzazione
Filtraggi (ad esempio i passa basso anti-aliasing)
Preparazione dei dati per la trasmissione

14
Convertitori analogico-digitali (ADC)

Tali strumenti sono utilizzati per convertire un livello analogico di tensione in un numero
proporzionale alla tensione da misurare. Possono essere ottimizzati per la conversione di tensioni
continue prediligendo caratteristiche quali la precisione, la stabilit e la linearit. La velocit di
conversione diviene invece importante quando si deve convertire, ad alta frequenza di
campionamento, un segnale rapidamente variabile.
ADC a conversione tensione-frequenza
Luscita di questo convertitore proporzionale al rapporto fra la tensione da misurare ed
una di riferimento. La sua taratura dipende dai valori di resistori e capacit e, di
conseguenza, la sua accuratezza dipende dalla stabilit dei componenti utilizzati.
ADC a pendenza duale (o doppia rampa)
Particolarmente adatto allimpiego nei multimetri digitali date le sue caratteristiche di
precisione e lindipendenza della sua taratura dalla stabilit dei componenti.
ADC ad approssimazioni successive (o a pesiera)
Convertitore particolarmente veloce che necessita di unaccurata messa a punto. La sua
precisione dipende dalla stabilit dei componenti.

le principali caratteristiche di un ADC che devono essere prese in considerazione per deciderne
luso in una certa catena di misura sono:

Linearit (differenziale ed integrale)
Stabilit
Range (R)
Guadagno (G)
Numero di bits (N)
Tempo di campionamento
Risoluzione data da:

Multiplexer

Il multiplexer una matrice di interruttori (spesso switch CMOS a stato solido) che permette
di gestire molti canali analogici di input con una sola linea analogica di output.

S/H
S/H
S/H
M
U
X
ADC

Ad esempio, lLa risoluzione di un ADC a 16 bits utilizzato
con guadagno 1 nel range tra -5 e +5 Volts sar:

V 152.6 V
1 2
1
1
10
ris
16
~
=

Il range dinamico RD in dB sul rapporto fra il massimo ed
il minimo segnale risolvibile sar quindi dato da:

dB 3 . 90
10 * 6 . 152
5
log 20 RD
6
10
=
|
|
.
|
\
|
=

( ) 1 2 G
R
ris
N

=
15
La commutazione dei canali risente inevitabilmente di effetti di disturbo dai canali adiacenti; questo
tipo di disturbo pi sensibile nella commutazione a stato solido, che risulta peraltro molto veloce
non essendovi parti in movimento. Per applicazioni che richiedono unelevata immunit al disturbo
da canali adiacenti (ad esempio per la commutazione di segnali di bassissimo livello, quali quelli
provenienti da termocoppie od estensimetri, che richiedono a volte la misura di tensioni con
sensibilit inferiore a 0,1 V) si ricorre ancora oggi alla commutazione meccanica, mediante rel
magnetici (Reed) che hanno per una velocit di commutazione ed una vita limitate (max 3000
commutazioni/s).

Il multiplexing una comune tecnica che pu essere utilizzata per aumentare il numero di canali che
un ADC pu gestire. Per ottenere la contemporaneit del campionamento, auspicabile completare
la commutazione con dei dispositivi (Sample and Hold) capaci di congelare la tensione presente
su ogni canale ad un certo istante (determinato da un opportuno segnale di sincronizzazione o
Trigger): lADC converte il primo canale, si sposta al successivo e lo converte e cos via. La
tecnica del multiplexing, quando utilizzata per aumentare il numero di canali di una scheda di
acquisizione ne diminuisce quindi la frequenza massima di acquisizione:

( ) f
a
sc
Frequenza massima di acquisizione su di un singolo canale.
( ) f
a
Frequenza effettiva di acquisizione massima.
N
c
Numero di canali

La presenza di dispositivi S/H su ogni canale garantisce comunque la simultaneit del
campionamento ed elimina i fenomeni di sfasamento temporale tra i canali, pur non aumentando la
velocit del campionamento (per farlo, necessario adottare dispositivi ADC separati,
possibilmente sincronizzati da uno stesso trigger).
Di solito, per le schede di acquisizione, viene indicato il massimo rate di acquisizione (samples/s)
che risulta indipendente dal numero di canali e non la frequenza di acquisizione massima. E in
genere possibile espandere le potenzialit di una scheda con un multiplexer esterno di basso costo,
in genere sprovvisto di S/H in ingresso. In tal caso comunque possibile apportare correzioni alle
serie temporali (interpolazione dei dati) per eliminare lo sfasamento, che risulterebbe (anche se
soltanto alle frequenze pi elevate) nelle analisi multicanale (ad es. correlazioni e spettri incrociati).

La tecnica del multiplexing pu essere estesa in cascata per ogni singolo canale, moltiplicando gli
ingressi: ad esempio, per una scheda National Instr. NI-AT-MIO-16H-9 i 16 canali principali
possono diventare fino a 256 con luso di un sub-multiplexer AMUX-64T.

Sistemi di acquisizione dati

Poco dopo lintroduzione dei PC IBM cominciarono ad apparire sul mercato delle schede dedicate
allacquisizione di dati (DAQ boards) direttamente collegabili al PC. Tali schede trattavano input
analogici e/o digitali ma non esisteva un protocollo di comunicazione standard con il PC ed il
guadagno dellADC era fisso o modificabile solo via hardware. Con il passare del tempo le schede
DAQ sono diventate pi potenti e sofisticate ed attualmente ci sono degli standard che ogni scheda,
indipendentemente dal costruttore, in grado di rispettare.

( )
f
f
N
a
a
sc
c
=
16

Specifiche tecniche di schede I/O multifunzione

16 canali SE (8 DE), Input ed output sia analogico che digitale.
ADC a 12 o pi bits, dotazione di chips di memoria integrati nella scheda.
Comunicazione Direct Memory Access (DMA).
Range e guadagno modificabile via software.
Possibilit di espansione modulare.

La presenza sulla stessa scheda di ingressi ed uscite digitali, oltre che analogici, spesso un
vantaggio per consentire il collegamento a trasduttori digitali (contatori, encoders, etc.) e/o
loperativit di interruttori, rel etc. spesso necessari per le applicazioni di controllo in sistemi di
misura intelligenti (ad esempio per la movimentazione di sonde, per il controllo di motori ed
attuatori, etc.). Per questo motivo le schede I/O multifunzione sono una scelta economica ed
efficace in molte applicazioni.

La modalit di collegamento dei segnali analogici pu essere single-ended (tutti i segnali riferiti ad
una massa comune di strumentazione), o double-ended o differenziale (ogni canale indipendente).
La seconda soluzione garantisce come si vedr una maggiore immunit ai disturbi conseguenti alla
trasmissione di rumore tra i canali, ma porta rispetto alla single-ended al dimezzamento del numero
di ingressi.

ESEMPI DI SCHEDE I/O MULTIFUNZIONE
ADC 16 Bits Veloce
100 kS/s sampling rate
16 canali single-ended o 8 differenziali
Range selezionabile via software: 0-10 V, 10 V
Guadagno 1, 2, 5, 10, 20, 50, and 100
Possibilit di pre e post-triggering
AT-MIO-16X
ADC 12 Bits Veloce
500 kS/s sampling rate
64 canali single-ended o 32 differenziali
Two 12-bit analog outputs
Range selezionabile via software: da 0-100 mV
a 0-10 V
Guadagno 0.5, 1, 2, 5, 10, 20, 50, and 100
8 canali I/O digitali
AT-MIO-64E-3

17
In alternativa alle schede di acquisizione interna, una scelta frequente sono le unit esterne di
acquisizione dati, controllate con collegamento IEEE 488, oppure seriale o SCSI. Queste unit
comprendono S&H, multiplexer, convertitore ADC, e memorie componibili ad accesso veloce, e
possono alleggerire sensibilmente il compito di gestione dellelaboratore.

A livello di costo superiore si trova la strumentazione
componibile VXI, con prestazioni simili ma con unelevata
flessibilit e relativa uniformit di comandi di
programmazione, anche tra diverse marche produttrici. Le
schede VXI sono componibili entro un apposito rack
collegabile al computer con diverse tipologie e di interfaccia,
a seconda delle necessit sulla velocit di trasmissione dei
dati

Molto pratici per la portabilit sul campo e per limmediatezza di restituzione delle elaborazioni,
sono gli analizzatori di spettro, anchessi collegabili ai computers ma con elevate capacit di
calcolo, favorite dallutilizzo di processori dedicati allalgoritmo FFT. Questi strumenti sono in
genere molto meno flessibili per quanto riguarda la capacit di trattare campioni molto lunghi
(memoria non componibile). Ormai simili a questi per prestazioni sono i moderni oscilloscopi
digitali, che offrono per spesso la componibilit dei banchi di memoria veloce.

18

Linee di trasmissione

La trasmissione di dati dallo strumento o dallunit remota di acquisizione al sistema in cui avviene
limmagazzinamento e lelaborazione pu rendersi necessaria ed avviene tramite la propagazione di
un segnale elettrico. Pu essere usata una trasmissione attraverso:

Conduttore: ha il vantaggio di non dover interporre apparecchiature specifiche per
linvio la ricezione dei dati. Tuttavia sono presenti fenomeni di dispersione e di disturbo
(dannosi soprattutto ai segnali analogici) che ne limitano luso a lunghezze limitate,
llilimitatcontenute; altrimenti devono essere presenti degli stadi di filtraggio e rigenerazione del segnale.
Spazio: trasmissione via radio. Necessita di attrezzatura dedite alla modulazione e linvio
del segnale nonch alla demodulazione per la ricezione. Diventa necessaria per
trasmissioni a grandissima distanza (ad esempio trasmissione via satellite).
Fibra ottica:
il segnale viene immesso nelle linee a fibre ottiche sfruttando
particolari apparecchiature di conversione. Il principale vantaggio che
possibile inviare su di una sola linea molti segnali a frequenza leggermente
diversa.

In generale nella trasmissione di un segnale elettrico si introduce del rumore indesiderato. Questo
effetto maggiore nei segnali analogici che vengono perci continuativamente degradati. Nella
trasmissione dei segnali analogici per misure industriali, molto diffusa la trasmissione in corrente,
con trasduttori che forniscono uscita tra 4 e 20 mA (corrispondenti a zero e fondo scala). La
trasmissione in corrente consente di verificare agevolmente linterruzione delle linee, e riduce
sensibilmente il problema dellattenuazione del segnale a seguito della caduta di tensione per effetto
della resistenza delle linee di trasmissione. Comunque, anche in tali condizioni e con cavi schermati
sconsigliata la trasmissione al di l dei 200 m.

I segnali digitali sono invece relativamente immuni al rumore, nel senso che hanno unelevata soglia
di tolleranza. Infatti basta discriminare se il valore di un bit basso (0-0.8 V TTL) o alto (2.5-5 V
TTL), quindi pu essere utile digitalizzare il segnale prima della trasmissione. Inoltre per i segnali
digitali sono stati sviluppati dei sistemi di controllo sulla trasmissione dei dati che mettono al riparo
da un gran numero di errori di trasmissione (ad es. il controllo della parit) mentre non stato
sviluppato nessun metodo di controllo per la trasmissione dei dati analogici.
Per cercare di ottenere la massima accuratezza nelle misure necessario, in generale, limitare il
livello di rumore. Questo pu, entro certi limiti, essere fatto limitando limmissione diretta di
rumore per accoppiamenti conduttivi e limitando gli accoppiamenti sia induttivi che capacitivi.

In particolare:

- Minimizzare linduttanza dei fili di collegamento.
- Minimizzare gli effetti dei ground-loops (utilizzando connessioni differenziali o double-
ended).
- Limitare le antenne.
- Mantenere, quando possibile, le reti bilanciate da un punto di vista dellimpedenza
circuitale.

19

Alla connessione elettrica che porta il segnale dal trasduttore alla scheda di acquisizione (o
comunque allADC) deve essere rivolta particolare cura. Ci sono sostanzialmente 3 metodi,
lutilizzo dei quali deve essere determinato in base allintensit del segnale ed alla strumentazione
disponibile.

(1) Connessione single-ended, in cui un terminale di input riferito a terra. Possono insorgere dei
ground-loops ed perci adeguata quando il segnale da misurare relativamente intenso.
(2) Connessione double-ended, evita i ground-loops ed adeguata per misurare piccole differenze di
tensione.
(3) Connessione tramite isolatore, permette di connettere strumenti riferiti a terre fra cui
intercorrono anche centinaia di Volts di differenza di potenziale senza che questo influisca sul
segnale.

Le principali differenze riguardano la distinzione tra linea di ritorno del segnale e linea di terra (che
riguarda la sicurezza).

Quando un segnale viene acquisito e memorizzato da una catena di tipo digitale si hanno
indubbiamente dei vantaggi per quanto riguarda la flessibilit dei dati per le elaborazioni numeriche
e la trasmissione dei dati. Tuttavia anche in questo caso si va incontro ad alcuni problemi che sono
tipici dellacquisizione digitale e che non hanno corrispondenza nellacquisizione con catene
analogiche. I due principali inconvenienti sono:

+ Lerrore di quantizzazione
+ Il fenomeno dellaliasing

Possono insorgere altre fonti di incertezza imputabili principalmente al convertitore analogico-
digitale; tipicamente il segnale acquisito non sar una rappresentazione istantanea della tensione in
ingresso ma rappresenter piuttosto una sorta di media fatta sul tempo necessario allADC ad
effettuare la conversione (aperture error). Tale errore pu essere drasticamente ridotto utilizzando
un Sample&Hold in ingresso ed un ADC veloce. IL fenomeno del Jitter riguarda le fluttuazioni
casuali dellintervallo di tempo fra un campionamento ed il successivo. Fenomeni di non linearit
possono derivare dallerrore di linearit dellADC che in alcuni casi pu portare alla presenza di
codici mancanti. Questo tipo di inconvenienti sono in genere ridotti fino ad essere trascurabili grazie
allelevata qualit dei convertitori analogico-digitali utilizzati nelle moderne catene di misura.
Lerrore di quantizzazione ed il fenomeno dellaliasing sono invece strettamente connessi con la
digitalizzazione di un segnale analogico e meritano di essere analizzati pi a fondo.
20

Quantizzazione

A causa del fatto che la conversione di una tensione analogica in un numero binario deve essere
fatta con un numero finito di bits (usualmente 12 o 16) si introduce unincertezza sul valore finale.
Non importa quanto fine sia la scala, una scelta fra due codici numerici successivi deve sempre
essere fatta come illustrata in figura.

Se la quantizzazione del valore V
0
di tensione in ingresso fatta correttamente sar scelto il codice
il cui livello il pi vicino possibile a V
0
(in questo caso il codice n-esimo). Ad ogni valore di
tensione convertito dallADC potr quindi essere assegnato un errore di quantizzazione valutabile a
priori in AV/ 2 . Infatti AV/ 2 la massima variazione di tensione in ingresso che pu non
provocare variazioni sulluscita dellADC. Il valore di AV viene ad essere determinato dal range R
delle tensioni in ingresso convertibili dallADC e dal suo numero n di bits dalla seguente relazione:

1 2
R
V
n

= A

Ad esempio consideriamo di avere una scheda di acquisizione con un range R=10V (cio un ADC
che converte tensioni comprese fra -5 e +5V) la risoluzione AV sar data da:

n=10 bits n=12 bits n=16 bits
AV mV = 97 . AV mV = 24 . AV mV = 015 .

Nelle figure seguenti illustrato il problema dellerrore di quantizzazione sul campionamento di
una sinusoide fatta con ADC a diverso numero di bits e con diverso guadagno.

V
V
0
Tensione in
ingresso
n+1-esimo livello
n-esimo livello
AV
21

Fig. 5) Illustrazione della quantizzazione

Dal punto di vista statistico questo errore da ritenersi di tipo casuale ma con una distribuzione di
probabilit non gaussiana. Infatti supponiamo di avere in uscita il codice n-esimo che corrisponda
ad una tensione media in ingresso di V
n
, la distribuzione p(V) di probabilit delle tensioni in
ingresso corrispondente a questa uscita dellADC data da:

p V
V
per V V V V V
p V altrimenti
n n
( ) / /
( )
= < < +
=
1
2 2
0
A
A A

1/ AV
V V
n
A / 2
V V
n
+ A / 2

V
p(V)
22

il valore medio della tensione in ingresso ovviamente dato da V
n
mentre la sua deviazione
standard o data da:

o =
(
(
=

(
=
=
|
\
|
.
|
|
= ~
+
} }
1 1
12 12
029
2
2
2
1 2
2
2
2
1 2
2
1 2
A A
A A
A
A
A
A
A
V
p V V V dV
V
x dx
V V
V
n
V V
V V
V
V
n
n
( )( )
.
/
/
/
/
/
/
/

Questa deviazione standard, pur esprimendo significativamente lincertezza dovuta allerrore di
quantizzazione, non ha lusuale significativo che possibile associarvi nel caso di distribuzioni
gaussiane.

Aliasing

Il campionamento dei dati caratterizzato da un intervallo di tempo (di solito costante) che
intercorre tra un rilievo ed il successivo. La frequenza di acquisizione f
a
data da 1/ . Il teorema del
campionamento di Nyquist ci dice che per avere una corretta descrizione del segnale nel dominio
delle frequenze necessario campionare ad una frequenza almeno doppia rispetto alla massima
frequenza del segnale. Alternativamente possiamo dire che con una frequenza di acquisizione pari
ad f
a
si descrive correttamente il segnale fino alla frequenza massima f
n
=f
a
/2. f
n
detta frequenza di
Nyquist o di folding.

Per ogni frequenza f nellintervallo compreso fra zero e la frequenza di folding si ha aliasing
con le frequenze date da:

2kf f
n
con k un numero intero.

Ad esempio, se si campiona alla frequenza di 200Hz avremo una frequenza di Nyquist di 100Hz; un
segnale a 30Hz presenter effetti di alias alle frequenze di 170, 230, 370, 430Hz e cos via.

Il fenomeno dellaliasing se presente in una serie di dati impedisce di valutarne
correttamente i contributi in frequenza e quindi lo spettro della densit di potenza. Da un punto di
vista della densit spettrale di potenza il fenomeno dellaliasing fa s che i contributi, nel segnale, a
23
frequenze maggiori di f
n
vengano riportati nello spettro a frequenze minori di quella di folding come
si vede in figura.

Fig. 6) Illustrazione del fenomeno dellaliasing

Questo fenomeno pu essere eliminato, od almeno ridotto fino ad essere trascurabile, tramite un
filtraggio analogico, effettuato quindi prima della digitalizzazione, con un filtro passa-basso che
riduca notevolmente i contributi a frequenza maggiore di quella di folding.

Come esempio pratico del fenomeno di aliasing si consideri unonda triangolare con frequenza
fondamentale di 26.6 kHz campionata a 1000 kHz, 500kHz e 200 kHz. Londa triangolare presenta,
oltre alla frequenza principale, tutte le armoniche di ordine dispari con ampiezza progressivamente
calante ( e nessuna delle pari). Lanalisi spettrale in termini di spettro di potenza riportata nella
figura seguente. Nel primo caso (in alto, 1000 kHz) si rilevano chiaramente le prime 17 armoniche;
nel secondo caso (figura intermedia, 500 kHz) si osservano solo le prime nove armoniche, mentre
quelle di ordine superiore hanno subito alias e sono spostate verso le basse frequenze; nellultimo
caso (in basso, 200 kHz) si rilevano soltanto le prime tre armoniche e gli altri picchi rilevabili sono
risultato di alias.

24

Fig. 7) Esempio che mostra leffetto dellaliasing su di uno spettro di potenza
25
Probabilit

La probabilit una grandezza statistica legata alla frequenza con cui si osserva un certo
evento in unanalisi che comprende un gran numero di eventi simili.

Ad esempio lanciando una moneta per un numero N limitato di volte avremo come risultato un
certo numero N
T
di teste ed un certo numero N
C
di croci con N
T
+N
C
=N, tuttavia il numero di teste
ottenuto sar in generale diverso da quello delle croci e ripetendo lesperimento otterremmo
verosimilmente valori di versi per N
T
e N
C
. Se il numero di tentativi N viene fatto crescere i valori
di N
T
e di N
C
si stabilizzeranno intorno al valore N
T
=N
C
=N/2. Per cui nel limite di N tendente
allinfinito la frequenza delle croci sar uguale a quella delle teste e la probabilit a priori di ottenere
uno qualunque dei due risultati sar uguale a 1/2. Nello stesso modo la probabilit di ottenere un
certo numero lanciando un dado pari ad 1/6.

La probabilit di ottenere un certo evento sempre compresa fra zero (assoluta certezza che
levento non si manifesta) ed uno (assoluta certezza del manifestarsi dellevento). Per una variabile
aleatoria la somma delle probabilit relative a ciascuno dei possibili valori che pu assumere
uguale ad uno. La probabilit che avvengano due o pi eventi indipendenti data dal prodotto delle
singole probabilit relative a ciascun evento.

Ad esempio lanciando due dadi la probabilit di ottenere due tre data dal prodotto della probabilit
di ottenere un 3 sul primo dado (1/6) e la probabilit di ottenere un tre sul secondo dado (1/6) ed
quindi uguale a 1/36 essendo i due eventi indipendenti. La probabilit di ottenere 4 dalla somma dei
valori ottenuti sui due dadi la si calcola tenendo presente che il quattro pu essere ottenuto con tre
diverse combinazioni: 1 sul primo dado e tre sul secondo, uno sul secondo dado e tre sul primo
oppure con due 2. Ognuna di queste combinazioni esclude laltra e gli eventi sono perci
dipendenti. La probabilit di ogni combinazione pari a 1/36 mentre quella complessiva la somma
delle tre probabilit ed quindi pari a 3/36=1/12.

Funzione densit di probabilit

Quando si lavora con un insieme di dati che rappresenta una funzione continua, ad esempio
la tensione in uscita da un trasduttore registrata in funzione del tempo, non si pu pi parlare di
probabilit a priori di ottenere un preciso valore per la tensione letta sul trasduttore. Il concetto di
probabilit deve quindi essere sostituito con quello di densit di probabilit. Consideriamo una
time history x(t), la probabilit che x(t) assuma un valore allinterno di un definito range fra x e
x+dx pu essere calcolata come:

P(x,x+dx)= Tx/T dove Tx il tempo totale in cui la x(t) cade nel range predefinito durante
lintervallo di tempo di osservazione T.

Questa funzione approssimer la probabilit quando T tende allinfinito.

26
La densit di probabilit (o probability density function PDF) p(x) sar perci ottenuta nel limite
come:

p x
dx
Tx
T
dx T
( ) lim lim =
|
\
|
.
|
0
1

In questo modo la probabilit che x(t) assuma un valore allinterno di un definito range fra x e x+dx
pu essere valutata tramite la densit di probabilit come:

P(x,x+dx)=p(x)dx

Fig. 8) Schema esplicativo della definizione della funzione di densit di probabilit (PDF).

In pratica si lavora spesso con catene di misura digitali con frequenza di campionamento
fissa, e quindi con serie temporali omogeneamente distribuite nel tempo. Il calcolo della densit di
probabilit viene quindi svolto in maniera discreta, ovvero costruendo listogramma di probabilit
ottenibile contando il numero di dati n(x,x+dx) presente in ogni intervallo considerato e dividendo
per il numero totale N di dati a disposizione e per lampiezza dellintervallo:

|
.
|
\
|
+
=
N
) dx x , x ( n
lim
dx
1
lim ) x ( p
N 0 dx

La funzione densit di probabilit normalizzata in maniera tale che valga la seguente relazione:

1 dx ) x ( p =
}

27
Nella costruzione della densit di probabilit in termini discreti su di un campione di N dati si
procede passando attraverso listogramma di probabilit. La procedura matematica consiste nel
dividere lintervallo di valori di misura del segnale x(t) fra x
minimo
e x
massimo
in k intervalli
(generalmente uguali) di ampiezza Ax=x
j+1
-x
j
centrati intorno al valore x
j
. Si conteggia il numero di
misure n
j
contenute in ogni intervallo x
j
e la densit di probabilit ottenuta come una serie discreta
di valori p
j
=p(x
j
):

x N
n
) x ( p p
j
j j
A
= =

Nella costruzione dellistogramma di probabilit quindi necessario un compromesso fra il numero
di intervalli k (e quindi dellampiezza dellintervallo) rispetto al numero totale di dati disponibili nel
campione. Il compromesso deve ottimizzare laffidabilit del risultato per p
j
. Infatti se il numero di
intervalli k troppo piccolo si rischia di avere una risoluzione povera (Ax troppo elevato) e quindi
insufficiente a descrivere il dettaglio della densit di probabilit mentre se il numero k di intervalli
troppo elevato allora i conteggi n
j
in ogni intervallo possono essere troppo pochi per avere una
sufficiente convalida statistica e la PDF cos costruita avr della ampie fasce di errore statistico
dovuto semplicemente al conteggio. Ad esempio se lampiezza di un intervallo troppo piccola ed
tale che si abbia una probabilit di avere una misura in tale intervallo pari a 1/10000 allora ci si
aspetta di avere un unico conteggio su di un campione di 10000 dati con un errore relativo di
conteggio pari al 100%.

Lerrore statistico di conteggio infatti valutabile attraverso le propriet della distribuzione
binomiale (descritta nel seguito). Per un intervallo in cui si rilevano n conteggi con n<<N si pu
stimare lerrore di conteggio attraverso la standard deviation n
n
= o e quindi lerrore statistico
relativo come:

n
1
n
n
r
=
o
= c

28

Fig. 9) Esempio di istogrammi di densit di probabilit.

Nelle figure che seguono sono riportati alcuni esempi di funzione densit di probabilit. In figura 10
stato scelto il caso di una funzione sinusoidale di ampiezza unitaria, mentre in figura 11 stato
considerato il caso della stessa funzione sinusoidale a cui sovrapposto un rumore bianco (cio un
rumore con spettro di potenza costante al variare della frequenza) di banda relativamente stretta (il
massimo al 25% dellampiezza della sinusoide).

Nella figura 9 (13) sono riportati gli
istogrammi che rappresentano la densit di
probabilit per un rumore a distribuzione
gaussiana per tre diverse ampiezze delle barre
degli istogrammi. Si pu notare che
nellultimo caso in cui si sono considerati 40
intervalli la curva continua passante per il
centro delle barre dellistrogramma da una
buona rappresentazione della densit di
probabilit.
29

Fig. 10) La funzione x(t) una sinusoide alla frequenza di 100 Hz.

Fig. 11) La funzione x(t) la sovrapposizione di una sinusoide alla frequenza di 100 Hz e di un
rumore bianco di ampiezza massima pari al 25% dellampiezza della sinusoide.

Da questi esempi gi possibile rendersi conto di come calcolare un istogramma sufficientemente
dettagliato da rappresentare una funzione di densit di probabilit e di come un segnale sinusoidale
viene influenzato dalla sovrapposizione di un rumore bianco. In figura 12 invece riportato un
esempio di densit di probabilit riguardante le fluttuazioni di velocit in un moto di aria turbolento
allinterno dello strato limite rilevato in galleria del vento. Il campione di dati (lungo 65536
elementi), parzialmente mostrato in figura 12, stato ottenuto con una sonda anemometrica a filo
caldo ed una catena di acquisizione digitale settata per una frequenza di acquisizione pari a 2000
Hz. Il valore medio della velocit era di 8.5 m/s e lintensit di turbolenza era il 13.56 %.
30

Fig. 12) Esempio di distribuzione di velocit in un flusso daria turbolento allinterno dello strato
limite.

La funzione densit di probabilit p(x) permette di valutare la probabilit complessiva di ottenere un
valore di x compreso in un certo intervallo come:

P x x x p x dx
x
x
( ) ( )
1 2
1
2
s s =
}

e la probabilit cumulativa di ottenere un valore minore od uguale ad x come:

P x p x dx
x
( ' ) ( )
'
=
}
.

31

Fig. 13) Esempi di densit di probabilit
32

Definizione e calcolo dei momenti statistici

Dato un segnale x(t) si definisce momento statistico di ordine m la seguente espressione:

}
+

>= < dx ) x ( p x x
m m

se il segnale opportunamente campionato attraverso una serie discreta di dati x
i
si pu passare
dalla formulazione integrale a quella discreta tramite una sommatoria:

=
>= <
k
1 j
j
m
j
m
) x ( p x x

Ovviamente i momenti statistici cos definiti possono essere espressi tramite medie temporali in
forma integrale sia su campioni di lunghezza infinita che su campioni limitati nel tempo:

}

>= <
T
0
m
T
m
dt ) t ( x
T
1
lim x
}
>= <
T
0
m m
dt ) t ( x
T
1
x

dove T il periodo sul quale la funzione x(t) stata registrato. Da un punto di vista puramente
matematico il valore di T dovrebbe tendere allinfinito. Dal punto di vista pratico il valore di T deve
essere sufficientemente lungo da essere multiplo del periodo massimo caratteristico del segnale. Il
numero di multipli da considerare, e quindi il valore di T, dipende peraltro dal momento statistico
che si intende calcolare, e dallaccuratezza della stima richiesta.

Il momento statistico del primo ordine non altro che la media del segnale:

}
>= < >= <

N
1
i
T
0
T
x
N
1
X xdt
T
1
lim X

Oltre alla media importante definire alcune grandezze di largo utilizzo nellanalisi dei segnali nel
dominio del tempo. In particolare il momento statistico del secondo ordine consente di calcolare la
deviazione standard o e la varianza o
2
di un campione di dati che sono definiti in termini integrali
come:

( )
( )
}
}

> < = o
> < = o
dx ) x ( p x x
dx ) x ( p x x
2 2
2

Per una serie di dati x
i
campionati ad intervalli di tempo regolari si pu utilizzare la formulazione in
termini di sommatorie come:

33
( )
( )
=
=
> < = o
> < = o
N
1 i
2
i
2
N
1 i
2
i
x x
N
1
x x
N
1

E da notare che spesso la standard deviation e la varianza sono definite non rispetto al numero N di
dati nel campione ma rispetto agli intervalli di campionamento (N-1) e la definizione di cui sopra
viene modificata con un N-1 al denominatore al posto di N. Questa distinzione irrilevante per
campioni lunghi in cui N>>1 ma pu portare a piccole discrepanze nel caso in cui si elaborino
campioni con pochi dati, come nel caso della valutazione di errori sperimentali nella fase di
calibrazione di uno strumento. La varianza del campione legata al momento statistico del secondo
ordine rispetto alla media e fornisce indicazioni sulla larghezza della PDF e quindi sullo
sparpagliamento dei dati intorno alla media nel campione in esame.

La Skewness fa riferimento al momento statistico del terzo ordine rispetto alla media ed
utilizzata come un indice di asimmetria della PDF del segnale in analisi:
( )
}

> <
o
= dx ) x ( p x x
1
S
3
3

In termini di sommatoria su di una serie di dati campionati a frequenza costante si ha:

( )
=
> <
o
=
N
1 i
3
i
3
x x
N
1
S

La Kurtosis fa invece riferimento al momento statistico del quarto ordine rispetto alla media e
viene utilizzata per avere un indice della ripidit della PDF stessa. Cio per avere una indicazione
riguardante lestensione delle code della PDF intorno al suo valore di massimo.

( )
}

> <
o
= dx ) x ( p x x
1
K
4
4

In forma di sommatoria su di una serie di dati campionata a frequenza costante si ha:

( )
=
> <
o
=
N
1 i
4
i
4
x x
N
1
K

E da notare che se il segnale x(t) rappresenta una grandezza fisica dimensionale allora la standard
deviation e la varianza sono grandezze dimensionali mentre la skewness e la kurtosis per come
sono definite - sono quantit adimensionali, essendo normalizzate tramite il cubo e la quarta potenza
della deviazione standard.

E opportuno notare che per il calcolo dei momenti statistici, soprattutto per gli ordini m elevati,
occorre un segnale campionato per un tempo sufficientemente lungo. Infatti il primo momento
statistico (la media del segnale) dipende dalle code della PDF in maniera lineare ed quindi
principalmente influenzata dai valori x(t) per cui la PDF massima. Il secondo momento statistico
invece fortemente legato alla larghezza della funzione di densit di probabilit e quindi le code
34
della PDF assumono importanza sempre maggiore nel calcolo dei momenti al crescere del valore di
m. Per un calcolo accurato ed affidabile dei momenti statistici di ordine elevato occorre avere una
PDF che ben descritta nelle sue code e quindi necessario avere un segnale campionato per
tempi pi lunghi.

Per il calcolo effettivo dei momenti statistici, avendo a disposizione un campione di N dati
campionato ad intervalli di tempo costanti si possono utilizzare almeno tre principali metodologie:

1) Utilizzare semplicemente dei cicli for-next analizzando la serie temporale in un
programma di calcolo (BASIC, FORTRAN, C,....)
2) Utilizzare le capacit di vettorizzazione di ambienti di lavoro matematici (tipo MATLAB)
per evitare i cicli e lavorare direttamente sul vettore di dati x
i
nella sua interezza
3) Calcolare prima la PDF del campione e valutare poi i momenti statistici attraverso di essa
tramite le loro definizioni.

I metodi 2) e 3) sono comunque pi efficienti del metodo 1) anche per campioni con un numero di
dati relativamente basso. Tuttavia se il numero di dati nel campione elevato pu essere
conveniente dal punto di vista dellefficienza del calcolo passare attraverso la PDF ed adottare il
metodo 3). Nella tabella seguente riportato un esempio di calcolo dei primi 4 momenti statistici su
di un segnale random con distribuzione gaussiana. Si pu notare che gi per campioni con 32768
dati il metodo 3) diventa pi conveniente. Infatti il calcolo necessario alla valutazione
dellistogramma di probabilit diventa inferiore a quello necessario alla gestione ed analisi di vettori
di grandi dimensioni.

Numero di dati Tempo di calcolo
con cicli for (s)
Tempo di calcolo con
vettorizzazione (s)
Tempo di calcolo
tramite PDF (s)

16384 0.83 0.05 0.05
32768 1.76 0.11 0.05
65536 3.51 0.22 0.06
131072 6.98 0.44 0.16
262144 13.84 0.88 0.28
Esempio di velocit di calcolo su dei campioni di dati a distribuzione gaussiana. I primi quattro momenti
statistici sono stati valutati in ambiente MATLAB con un processore PENTIUM III a 600 MHz.

La distribuzione Gaussiana

Esistono molte distribuzioni di probabilit di notevole importanza nella descrizione di particolari
fenomeni fisici. Ad esempio la distribuzione di Maxwell-Boltzmann che descrive la distribuzione
delle velocit degli atomi del gas perfetto allequilibrio termodinamico, oppure la distribuzione di
Poisson che descrive la probabilit di decadimento di un nucleo radioattivo. In fisica quantistica
sono importanti le distribuzioni di Fermi e di Bose-Einstein. Per tutte queste distribuzioni si
rimanda ai testi specialistici. Nel seguito si tratta in dettaglio la distribuzione gaussiana, quella
binomiale e quella di Poisson, che giocano un ruolo di rilievo nellanalisi dellincertezza
sperimentale.
35

La distribuzione gaussiana (normalizzata) data dallespressione:

( )
g x e
x x
( )
*
=

1
2
2
2
2
o t
o

e la normalizzazione tale che: g x dx ( )
+
}
= 1 come deve essere per una distribuzione di probabilit.
La funzione g(x) centrata sul valore x
*
ed simmetrica. Questo implica che il valore medio <x> di
x proprio pari a x
*
, infatti < >= =
+
}
x xg x dx x ( )
*
. Il parametro o detto parametro di larghezza
della gaussiana; nella figura successiva sono riportate tre gaussiane centrate sul valore x
*
=5 e con
tre diversi parametri di larghezza (0.5, 0.3 e 0.2).

0 2 4 6 8 10
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1.4
1.6
1.8
2.0
2.2
0 2 4 6 8 10
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1.4
1.6
1.8
2.0
2.2
o=0.5
o=0.3
o=0.2
g
(
X
)
X
Fig. 14) Esempio di distribuzioni gaussiane.

Questa distribuzione particolarmente importante nellanalisi statistica dellincertezza sperimentale
in quanto la misura multi-campionamento di una grandezza fisica soggetta a molte piccole fonti di
errori casuali indipendenti produce un set di dati la cui distribuzione di probabilit , nel caso limite
di infinite misure, gaussiana. Tale gaussiana centrata sul valore medio dei dati < >=
=
x
N
x
i
i
N
1
1
(N
il numero di misure) ed ha un parametro di larghezza pari alla standard deviation del campione di
dati:

o = < >
=
1
2
1
N
x x
i
i
N
( ) . Tale valore pu generalmente essere assunto come incertezza statistica
sulla misura della variabile x. La probabilit che una variabile x distribuita normalmente (cio che
segue la distribuzione gaussiana) assuma un valore compreso entro t standard deviation dal valore
medio e data dalla funzione normale dellerrore (erf) definita come:

36
erf t P x t x x t g x dx
x t
x t
( ) ( ) ( ) = < > < << > + =
< >
< >+
}
o o
o
o

Ad esempio la probabilit che di misurare un valore di x entro una standard deviation dal valore
medio pari ad erf(1)=68.27%. Quindi assumere una standard deviation come incertezza statistica
ha un limite di confidenza del 68.27%, in quanto effettuando unulteriore singola misura di x si ha il
68.27% di probabilit che il valore misurato cada nellintervallo x-o,x+o.

Limportanza della distribuzione gaussiana deriva anche dal teorema del limite centrale che
afferma che la distribuzione gaussiana la distribuzione limite, sotto condizioni abbastanza
generali, della somma di molte variabili random e indipendenti che agiscono
contemporaneamente anche se le distribuzioni delle singole variabili non sono gaussiane.

Distribuzioni Binomiale e di Poisson

La distribuzione binomiale importante e largamente utilizzata per descrivere le statistiche dei
conteggi (ad esempio per lo studio del decadimento nucleare) e descrive la probabilit di avere n
eventi che si considerano accaduti su N prove. Denotando con p la probabilit di avere un successo
su di un singolo tentativo, la distribuzione binomiale data da:

n N n
p , N
) p 1 ( p
)! n N ( ! n
! N
) n ( B ) prove N in successi n ( P

= =

Il valore medio (o di aspettazione) su N prove, che rappresenta il valore atteso di successi e la sua
standard deviation, che rappresenta lincertezza sul valore di aspettazione, sono dati da:

) p 1 ( Np Np n = o >= <

Nei casi in cui la probabilit p molto piccola (p<<1) la distribuzione binomiale praticamente
indistinguibile da quella di Poisson:

! n
e ) n ( P
n

Dove un parametro positivo che rappresenta il valore di aspettazione (o valore medio di
successi) mentre la standard deviation associata data da = o
37

Funzione di densit di probabilit congiunta

La funzione p(x,y) detta densit di probabilit congiunta (joint probability density) descrive la
probabilit che, dati due segnali x(t) e y(t) e fissati due piccoli intervalli (al limite infinitesimi) dx e
dy, si verifichi contemporaneamente levento x e levento y. Si risponde cio alla domanda di quale
la probabilit che il segnale x(t) sia compreso in un intervallo intorno ad x e contemporaneamente
y(t) sia compreso in un piccolo intervallo intorno ad y. Con riferimento alla figura successiva la
definizione matematica della funzione p(x,y) :

|
|
.
|
\
|
A A
=

A
A
T
T
y x
1
) y , x ( p
xy
T
0 y
0 x
lim lim

Fig 15) Schema esemplificativo della definizione di densit di probabilit congiunta.

La funzione densit di probabilit congiunta normalizzata in maniera tale che:

1 d d ) , ( p = v v
} }

38
La funzione densit di probabilit congiunta quindi una funzione di due variabili e pu
graficamente rappresentarsi con una superficie. Nella figura successiva riportato un esempio della
funzione per una densit di probabilit congiunta di tipo gaussiano.

Fig. 16) Esempio di probabilit congiunta di tipo gaussiano

Analogamente al caso della funzione di densit di probabilit per un singolo segnale possibile
definire le probabilit cumulative tramite integrali definiti della funzione di densit di probabilit
congiunta. In particolare la probabilit P(X,Y) che il segnale x(t) abbia un qualunque valore
inferiore o uguale a X e contemporaneamente il segnale y abbia un qualunque valore inferiore o
uguale a Y data dallintegrale

} }

v v =
X Y
d d ) , ( p ) Y , X ( P

Nel caso in cui i segnali x(t) e y(t) rappresentino fenomeni fisici del tutto scorrelati e quindi
indipendenti (e soltanto in questo caso) si ha:

p(x,y)=p(x)p(y)

e quindi la densit di probabilit congiunta si riduce al prodotto delle densit di probabilit dei
singoli segnali.

La funzione densit di probabilit congiunta utile per le analisi di segnali che hanno fra loro forti
correlazioni, come, ad esempio, luscita e lingresso di un circuito elettronico oppure per stimare il
comportamento di strutture soggette ad interferenza. Ad esempio si pu utilizzare per la stima della
probabilit che avvenga una collisione fra strutture elastiche adiacenti soggette alla sollecitazione di
eventi vibrazionali di tipo random come succede nel caso di eccitazione dovuta al vento turbolento
atmosferico.

Nel caso i serie discrete di dati
quello che si pu valutare
listogramma bidimensionale i
densit i probabilit congiunta
costruibile in maniera simile a
quanto detto per un segnale singolo
facendo riferimento ad intervalli Ax
e Ay di dimensione finita.
39

Il valore di aspettazione (o valore medio) di una funzione f(x,y) dipendente dai due segnali x(t) e
y(t) quindi data da:

} }

>= < dxdy ) y , x ( p ) y , x ( f ) y , x ( f

Ovviamente lanalisi statistica tramite la funzione densit di probabilit congiunta pu estendersi ad
un numero di segnali maggiore di 2 ottenendo delle ipersuperfici di probabilit.

Il test del chi-quadrato per una distribuzione

Le distribuzioni limite di probabilit sono le funzioni che descrivono la distribuzione attesa dei
risultati di un esperimento in cui si ripete la misura di una certa grandezza fisica molte volte (al
limite infinite volte). Sebbene esistano molte distribuzioni a seconda della fisica coinvolta nei
diversi esperimenti, una delle pi importanti, ed a cui faremo di solito riferimento, la distribuzione
normale o gaussiana che abbiamo descritto in maggior dettaglio.

Supponiamo di fare una serie di misure e di studiare la distribuzione dei risultati mediante un
istogramma di densit di probabilit. La domanda che ora ci poniamo questa: come possiamo
decidere se la distribuzione osservata consistente con la distribuzione teorica attesa?

E proprio a questo tipo di domanda che risponde il test del chi-quadrato. Per descrivere di cosa si
tratta supponiamo di fare N misure di una variabile x, suddividiamo lescursione dei valori possibili
per x in n intervalli e contiamo il numero di misure O
k
(k=1, 2, .... ,n) che cadono in ogni
intervallo. Analogamente, supponendo nota la distribuzione dei risultati delle misure si pu
calcolare il numero E
k
di misure attese in ogni intervallo. Se la distribuzione che supponiamo
descriva il fenomeno fisico in esame corretta allora ci aspettiamo che le differenze O
k
-E
k
siano
piccole. Per quantificare quanto piccole debbano essere si costruisce la variabile _
2
definita
come:

( )
_
2
2
1
=

=
O E
E
k k
k
K
n

Il cui valore ci indicher se la distribuzione teorica attesa descrive ragionevolmente bene la
distribuzione osservata dei risultati della misura. Calcoliamo poi il numero d di gradi di libert del
calcolo statistico. Tale numero rappresenta la differenza fra il numero n di intervalli ed il numero c
di vincoli del calcolo statistico.

d=n-c

In generale nel test del _
2
uno dei vincoli dovuto al fatto che la somma di tutte le misure
osservate nei vari intervalli deve eguagliare il numero totale di misure fatte:

O N
k
k
n
=
=
1

40
inoltre tutti i parametri indipendenti calcolati dal set di dati costituiscono un vincolo del calcolo
statistico.

Ad esempio se la distribuzione di cui vogliamo verificare ladattamento ai dati di tipo gaussiano
allora oltre al vincolo appena descritto ci sono altri due vincoli dovuti al fatto che devono essere
calcolati due parametri indipendenti (la media e la standard deviation) dal set di dati per
caratterizzare la distribuzione stessa. Per cui in questo caso c=3.
Una volta calcolato _
2
e valutato il numero di gradi di libert del calcolo si costruisce il chi-
quadrato ridotto _
d
2
definito come:

_
_
d
d
2
2
=

si pu mostrare che il valore di aspettazione di _
d
2
uno.

Se la distribuzione attesa effettivamente corretta ci aspettiamo quindi di trovare un valore del chi-
quadrato ridotto vicino a 1. In pratica si calcola _
d
2
e si valuta tramite lapposita tabella (figura 19)
la probabilit di ottenere un valore del chi-quadrato ridotto maggiore od uguale a quello ottenuto. Se
questa probabilit minore del 5% si considera il disaccordo fra la distribuzione teorica e quella
misurata significativo e quindi si deve assumere che la distribuzione teorica sia sbagliata in quanto
non in grado di descrivere i risultati della misura.

41

Fig. 17) Tabella della fuunzione erf(t)

42

Esempio applicativo

Supponiamo di misurare laltezza di 200 adulti, che supponiamo essere normalmente
distribuita. Dividiamo il range dei valori ottenuti in 8 intervalli e valutiamo per ogni intervallo il
valore osservato e quello atteso di misure. I valori siano quelli riportati nella seguente tabella:

Fig. 18) Tabella di esempio per esclusione dati

Il numero di gradi di libert del calcolo sono d=8-3=5, calcolando il _
d
2
si ottiene
( )
_
d
k k
k
K
O E
E
2
2
1
8
1
5
35 =

=
=
. . Poich questo valore significativamente maggiore di 1 sospettiamo

immediatamente che la distribuzione scelta (quella gaussiana) non descriva correttamente i nostri
dati. Infatti dalla tabella delle probabilit del chi-quadrato ridotto si ottiene che la probabilit di
ottenere un valore del _
d
2
maggiore od uguale a 3.5 e 0.4%, di conseguenza si deve rigettare
lipotesi di distribuzione gaussiana per questi dati.
Si potrebbe naturalmente ripetere la procedura considerando altre distribuzioni, quello che cambia
solo il valore delle misure attese nei vari intervalli, il test del _
d
2
si applica nello stesso modo.

43

Fig. 19) Tabella della probabilit per il chi-quadrato ridotto

44
Esclusione dei dati

Talvolta, in una serie di dati da una misura multi-campionamento per la stima del valore
medio di una grandezza fisica, ci possono essere dei valori sospetti. Tali valori sono quelli che
presentano deviazioni grandi dal valore medio rispetto alla deviazione standard. Tali valori
potrebbero essere dovuti a dei fallimenti temporanei della catena di misura ed in tal caso andrebbero
eliminati dalle successive elaborazioni; potrebbero per anche essere leffetto di un fenomeno fisico
reale ed in tale caso devono essere considerati nelle elaborazioni. Lesclusione di dati da un certo
campione una questione spinosa sulla quale i vari ricercatori si trovano in disaccordo, per questo
motivo necessario utilizzare, nel caso che lesclusione si renda necessaria, dei criteri statistici
precisi e giustificabili per evitare che i risultati dellesperimento vengano influenzati da capricci
umani.
In situazioni in cui siano presenti dei dati sospetti sarebbe preferibile ripetere le misure per
vedere se tali dati si presentano sistematicamente. Infatti se i dati sospetti si ripresentano con una
certa ripetitivit, potrebbero essere dovuti ad effetti fisici non considerati nella progettazione
dellesperimento e bisognerebbe quindi cercare di individuarne le cause e tenere in conto i dati nelle
successive fasi di elaborazione dei dati. Se invece il fenomeno non si ripresenta, si ha una maggiore
sicurezza nellaffermare che il dato sospetto probabilmente dovuto ad una temporanea
disfunzione dellapparato di misura e comunque il suo effetto sui risultati dellelaborazione (ad
esempio media e standard deviation) sar diminuito e quindi anche il fatto di tenerne conto o meno
assume unimportanza minore.
La discussione non oziosa come pu sembrare a prima vista, in quanto molte importanti
scoperte allinizio si sono presentate come dei dati apparentemente errati in mezzo a molti risultati
simili pi consoni ai valori attesi.
Non sempre possibile ripetere pi volte le misure ogni volta che un dato sembra sospetto e
sono quindi necessari dei criteri di tipo statistico che ci permettano di dire quando un dato pu
escluso dallelaborazione e quando invece pi prudente tenerne conto. Uno dei pi noti ed
utilizzati criteri il CRITERIO DI CHAUVENET la cui applicazione pu essere riassunta nei
seguenti passi:

(1) Si calcola la media e la standard deviation del campione di dati.
(2) Si individuano i dati sospetti, cio quelli che hanno deviazioni relativamente grandi
rispetto alla media.
(3) Per ogni dato individuato al punto (2) si calcola la probabilit di avere deviazioni maggiori
od uguali a quelle in esame, utilizzando la probabilit cumulativa calcolabile in base alla
funzione densit di probabilit del campione in esame.
(4) Si calcola il numero atteso di misure che hanno deviazioni maggiori od uguali a quelle in
esame.
(5) Se il numero al punto (4) maggiore di 1/2 si mantiene il dato, altrimenti lo si rigetta.
(6) Se sono stati rigettati dei dati si ricalcola la media e la deviazione standard.

45
Come esempio applicativo supponiamo di aver misurato una lunghezza dieci volte e di avere
ottenuto i seguenti valori (tutti in mm)

46, 48, 44, 38, 45, 47, 58, 44, 45, 43 il calcolo della media e della standard deviation da come
risultato:

< >= = x 458 51 . . o

I dati sospetti sono il 58 ed il 38, applichiamo il criterio di Chauvenet, assumendo che i dati siano
distribuiti in maniera gaussiana intorno alla media, ad entrambi i dati utilizzando la tabella
dellintegrale normale della gaussiana (figura 17). Luso di questa tabella equivale a supporre
gaussiana la distribuzione di probabilit dei valori misurati di x.

Lapplicazione del criterio di Chauvenet porta ad escludere la misura che ha dato il valore x=58.
Ricalcolando la media e la standard deviation si ottiene: < >= = x 44 4 29 . . o . Notare che i nuovi
valori sono significativamente diversi dai precedenti.

Il criterio di Chauvenet lecito se applicato una sola volta.

Nellesempio riportato si utilizzata una tabella di probabilit cumulativa basata sulla distribuzione
gaussiana, tuttavia il principio pu essere applicato nello stesso modo ad un set di dati descritto da
unaltra distribuzione semplicemente ricalcolando, di volta in volta, lopportuna tabella di
probabilit.

Deviazione standard della media e del valore RMS

Spesso la misura di una grandezza fisica avviene tramite la digitalizzazione di una serie temporale
di dati, nella quale le oscillazioni intorno al valore medio possono essere casuali e quindi del tutto
scorrelate (rumore della linea di acquisizione o del trasduttore) oppure avere fluttuazioni correlate
come conseguenza di un preciso fenomeno fisico (ad esempio vorticit di un flusso turbolento). La
grandezza di interesse pu essere il valore medio e la varianza del campione e la misura di un intero
campione di dati serve ad ottenere dei valori affidabili e pi accurati delle grandezze in esame
rispetto ad una singola misura.

Diventa quindi di interesse valutare lincertezza su questa media supponendo che anche la singola
misura sia possibile con un certo livello di incertezza. Si considerano nel seguito serie temporali
campionate ad una frequenza costante.
Per il 58:

t
d
P fuori di erf
N N
atteso misure
= =

=
= =
= =
o
o
58 458
51
2 4
2 4 1 2 4 0 016
0016 016
.
.
.
( . ) ( . ) .
* . .

Il 58 pu essere eliminato.

Per il 38:

t
d
P fuori di erf
N N
atteso misure
= =

=
= =
= =
o
o
38 458
51
153
153 1 153 0126
0126 126
.
.
.
( . ) ( . ) .
* . .

Il 38 non pu essere eliminato.

46

Si supponga ad esempio di avere eseguito una misura di una serie temporale X
i
che rappresenti la
velocit di un fluido in moto turbolento per cui la velocit istantanea misurata pu esprimersi come
la somma di una velocit media <X> e di una fluttuazione x
i
:

X
i
=<X>+x
i

E che la catena di acquisizione sia tale per cui ogni misura X
i
sia soggetta ad un errore o che possa
considerarsi costante. Una tale serie di dati viene generalmente utilizzata per stimare <X> e
lintensit della turbolenza > < =
2
rms
x x ; diventa quindi importante valutare quale la
varianza su queste due grandezza e quindi quale la precisione con cui si possono, dai dati a
disposizione, valutare la velocit media e lintensit di turbolenza del flusso.

Supponendo di avere una serie di N misure si pu pensare che le misure che distano fra loro
temporalmente pi di una macroscala temporale (ovvero pi di un periodo della periodicit pi
lunga riscontrabile nel segnale) siano del tutto indipendenti. Per cui se la macroscala temporale del
campione, che si determina dalla autocorrelazione come sar mostrato pi avanti, corrisponde a n
dati allora nel campione si avranno in pratica k=N/n dati indipendenti. Tali dati indipendenti
potranno essere pensati con un errore distribuito normalmente di entit pari a o per cui il valore
dellincertezza sul valore medio pu essere ottenuto come:
k N
X
X
X
N
1 i
i
o
= o >= <
> <
=

Lincertezza sulla grandezza <X>, valutata attraverso la sua deviazione standard, diminuisce quindi
allaumentare della lunghezza del campione. Questo ovviamente vero solo nel caso in cui il lungo
tempo necessario alla misura non introduca altri errori di tipo sistematico (ad esempio, per derive
termiche della calibrazione dei trasduttori). Ovviamente il valore di k pu essere notevolmente pi
piccolo del numero totale di misure. I due valori diventano uguali solo per fenomeni del tutto
indipendenti, come possono essere delle misure effettuate in momenti differenti e/o con
apparecchiature differenti.

Per quanto riguarda lincertezza sul valore rms, nellipotesi di avere k>>1,si ottiene:

( )
N
X X
X
N
1 i
2
i
rms
=
> <
=
k
1 k
X Xrms

o = o
> <

Se il valore di k molto maggiore di 1 allora in pratica si ha:
> <
o = o
X Xrms

47

Media pesata

Il concetto di media pesata estremamente utile quando si devono confrontare pi misure di una
grandezza fisica (due misure fatte con una strumentazione diversa e quindi soggette ad errore
sperimentale diverso) oppure quando si deve costruire il valore di una grandezza fisica che dipende
in maniera lineare dalle grandezze note o misurate.

Casi tipici sono relativi alla costruzione del valore di una grandezza fisica che dipende dalle
grandezze misurate; ad esempio si pu pensare di costruire il valore del calore specifico medio di
una miscela di fluidi a partire dalla sua composizione e dai calori specifici dei componenti della
miscela stessa.

Come esempio applicativo consideriamo di avere due misure, completamente indipendenti, della
stessa grandezza x ognuna con il suo errore di misura. Tali misure potranno eventualmente essere a
loro volta il frutto di unanalisi statistica di molti dati:

x
a a
o x
b b
o

Vogliamo, in base ad unanalisi statistica, combinare le due misure in maniera tale da avere una
unica stima del valore vero Xv della grandezza x che tenga conto in maniera opportuna sia di x
a

che di x
b
. Tale stima non pu essere semplicemente la media aritmetica di x
a
e

x
b
in quanto non
renderebbe merito alla misura pi precisa. Ad esempio se x
b
stato misurato con unincertezza o
b

pi piccola di o
a
vogliamo che nella nostra stima finale del valore vero di x che il valore x
b
abbia
un peso maggiore di quello di x
a
rendendo cos merito alla misura pi precisa. Per trovare
statisticamente questa stima supponiamo che la grandezza x sia normalmente distribuita (cio con
un densit di probabilit gaussiana) intorno al suo valore vero con standard deviation data
dallincertezza della misura ( o
a
), in questo caso la probabilit di ottenere il valore x
a
sar
proporzionale al fattore
1
2
o
o
a
x X
e
a
a
|
\
|
.
|
v
, mentre la probabilit di ottenere il valore x
b
sar
analogamente proporzionale al fattore
1
2
o
o
b
x X
e
b
b
|
\
|
.
|
v
. Se le due misure sono indipendenti allora
la probabilit P complessiva di ottenere x
a
e x
b
in due misure data dal prodotto delle singole
probabilit. Per cui si potr scrivere:

P e
a b
o
o o
_
1
2
2 /
_
o o
2
2 2
=

|
\
|
.
|
+

|
\
|
.
|
x X x X
a
a
b
b
v v

48

Per massimizzare questa probabilit si deve minimizzare la variabile _
2
(chi quadrato) rispetto al
parametro X
v
. Derivando _
2
rispetto a X
v
e ponendo il risultato uguale a zero si ottiene:

c _
c
o o
2
2 2
2 2 0
X
x X x X
a
a
b
b
v
v v
=

|
\
|
.
|
|
+

|
\
|
.
|
|
=

da cui si pu ricavare la migliore stima X
best
di X
v
:

X
W x W x
W W
W W
best
a a b b
a a
a
a
b
b
=
+
+
= =
1 1
2 2
o o

ed applicando la formula generale della propagazione dellerrore si ricava lincertezza o
best
su X
best

( ) o
x
best
a b
W W = +
1 2 /

Generalizzando la procedura ad n misure indipendenti si ottiene la formula della media pesata:

X
Wx
i
W
i
W
best
i i
i n
i
i n
i
i
=
=
=
=
=
=
1
1
1
2
o
o
best i
i n
W
i
=
=
|
\
|
.
|
|
=

1
1 2 /

Come esempio applicativo della media pesata consideriamo la misura di una resistenza. Tale misura
stata fatta tre volte e ha dato i seguenti risultati:

R R R
1 2 3
10 3 11 1 12 1 = = = O O O

Per valutare la miglior stima e lincertezza sul valore della resistenza ottenuto da queste misure
applichiamo la formula della media pesata ottenendo:

W W W
1
2
2
2
3
2
1
9
1 1 = = =

O O O

da cui si ricava:

R
best
best
=
=
114
07
.
.
O
O o

49

Questo esempio illustra le principali propriet della media pesata. Notare innanzitutto che tutte e tre
le misure sono congruenti in quanto la discrepanza fra le varie R
i
e R
j
sempre minore della somma
delle incertezza A A R R
i j
+ . Se si considerano solo le misure 2 e 3 allora R
best
sarebbe esattamente
la media aritmetica (R
2
+R
3
)/2=115 . O essendo A A R R
2 3
= ; possiamo perci notare che leffetto di
considerare anche R
1
molto piccolo e questo dovuto al fatto che AR
1
tre volte pi grande
dellincertezza delle altre due misure, di conseguenza il suo peso nella media pesata nove volte
minore.

Tecnica del fit ai minimi quadrati

Uno dei pi comuni ed interessanti tipi di esperimenti riguarda la misura di parecchi valori
di due diverse variabili fisiche per investigare la relazione matematica che si suppone esistere fra
dette variabili. Per esempio si potrebbe lasciar cadere una massa da diverse altezze h
1
, h
2
, .... , h
n
e
misurare i tempi di caduta corrispondenti per verificare se le altezze ed i tempi sono connessi dalla
relazione h gt
i i
=
1
2
2
.
Probabilmente gli esperimenti pi comuni di questo tipo sono quelli in cui la relazione attesa
di tipo lineare ed questo il caso che tratteremo in dettaglio. Supponiamo di fare n misure di due
grandezze x e y legate da una relazione lineare del tipo:

y A Bx
i i
= +

e di voler stimare i coefficienti A e B dal set di misure. Supponiamo che tutte le misure y
i
siano
affette da unincertezza pari a o costante e che i valori x
i
siano noti con incertezza trascurabile.
Questa pu sembrare una grossa limitazione ma in realt uno dei casi pi frequenti. Comunque i
risultati possono essere facilmente generalizzati sia al caso in cui le incertezza sulle y
i
non
costante sia al caso in cui anche le x
i
siano affette da unincertezza non trascurabile.
Se la grandezza di y

governata da una distribuzione gaussiana centrata sul valore A+Bx
i

con standard deviation o allora la probabilit di ottenere il valore y
i
:

P y e
A B i
y A Bx
i i
,
( ) /
( )o
o
o
1
2 2
2

e supposte indipendenti le varie misure la probabilit di ottenere tutto il set di dati data da:

P y y y P y P y e
A B n A B A B n
n
, , ,
/
( , ,...., ) ( )..... ( )
1 2 1
2
1
2 2
=

o
o
_ o

dove

( )
_
o
2
2
2
1
=
+
=
=
y A Bx
i i
i
i n

Questa probabilit pu essere massimizzata minimizzando il valore di _
2
rispetto ai parametri A e
B (parametri del fit). Derivando _
2
rispetto ad A e rispetto a B e ponendo il risultato uguale a zero
si ottengono le equazioni normali:

50
( )
( )
c_
c
o
c_
c
o
2
2
1
2
2
1
2
0
2
0
A
y A Bx
B
x y A Bx
i i
i
i n
i i i
i
i n
= + =
= + =
=
=
=
=

Cio:

la cui soluzione indica la migliore stima che possiamo dare dei parametri A e B a partire dai dati a
disposizione.

( )( ) ( )( )
( ) ( )( )
( ) ( )
A
x y x x y
B
n x y x y
n x x
i i i i i
i i i i
i i
=

=

=

2
2
2
A
A
A

Lincertezza sui parametri A e B pu essere ottenuta applicando la formula generale della
propagazione dellerrore alle formule precedenti ricavando:

o o
o o
A
i
B
x
n
=
=
2
A
A

Come esempio applicativo consideriamo la regressione lineare eseguita su di una calibrazione di un
trasduttore di pressione capacitivo SETRA SYSTEM INC. Modello 239. Lerrore sulla pressione
(variabile y) stato scelto
1
pari a 0.2 mm H
2
O mentre lerrore sulla tensione (variabile x) era pari a
circa 0.0004 V ed perci stato trascurato.

1
Seguendo le indicazioni date dal costruttore.

nA B x y
A x B x x y
i i
i i i i
+ =
+ =

2

51
0 1 2 3 4 5
0
20
40
60
80
100
120
140
0 1 2 3 4 5
0
20
40
60
80
100
120
140
P
r
e
s
s
i
o
n
e

(
m
m
H
2
O
)
Tensione (V)

Spesso accade che ci si aspetti che una variabile y sia esprimibile come una polinomiale di
grado m di unaltra variabile x:

y A Bx Cx Hx
m
= + + + +
2
.....

in questo caso la procedura di minimizzazione di _
2
sviluppata precedentemente porta ad un
sistema lineare di m+1 equazioni in m+1 incognite che, in generale, risolvibile. Molti programmi
di calcolo (come ad esempio MATLAB) mettono a disposizione delle routines specifiche per
effettuare fit polinomiali di ordine qualunque.
Molte altri tipi di regressioni sono poi, tramite semplici passaggi matematici, riconducibili a
delle regressioni lineari. Ad esempio se la variabile y relazionata alla variabile x dalla relazione:

y=log(Ax)

si pu effettuare una regressione fra la nuova variabile di appoggio z e
y
= e la variabile x che sono
relazionate da:

z=Ax

in questo modo la regressione ricondotta ad un fit lineare. Naturalmente occorre valutare
lincertezza sulla nuova variabile z a partire dallincertezza sulla y tramite la formula generale di
propagazione dellerrore.

Ovviamente esistono anche dei casi in cui la relazione fra le varie variabili misurate talmente
complicata da non essere riconducibile ad una polinomiale di una o pi variabili, in questo caso (che
noi non tratteremo ulteriormente) esistono degli algoritmi, tipo quello di Levenberg-Marquardt, che
sono procedure iterative appositamente sviluppate per effettuare regressioni non lineari in pi
variabili minimizzando il _
2
.

La linea continua rappresenta il
risultato della regressione lineare
effettuata sui punti di misura.

P a bV
a
b
= +
=
=
023 01
2521 004
. .
. .
mmH O
mmH O / V
2
2

52
Detrending

Loperazione di detrending consiste nelleliminare, quando leliminazione adeguata, una
particolare tendenza (trend) dal segnale misurato x(t). Uno dei detrending pi semplice ed
ampiamente utilizzato nellanalisi nel dominio delle frequenze la sottrazione della media (spesso
indicata come DC CANCEL). Infatti se un segnale x(t) ha una media <x> non nulla questo implica,
nelle determinazione dello spettro di potenza, una distorsione della prima banda dello spettro cio
quella nominalmente a frequenza nulla che rappresenta il valore medio del segnale. Poich spesso
di interesse lanalisi in frequenza delle oscillazioni del segnale, il segnale viene prima modificato
costruendo un nuovo segnale xd(t) a media nulla sottraendo il valore <x>:

xd(t)=x(t)-<x>

Notare che nella determinazione dello spettro di potenza attraverso una segmentazione del
campione auspicabile eseguire questo tipo di detrending separatamente per ogni segmento in cui
stato suddiviso il campione originario.

Un altro tipico detrending riguarda leliminazione di un andamento lineare che si sovrappone al
segnale stesso. Questo un caso molto frequente nelle misure quando si ha a che fare con un
trasduttore che presenta, ad esempio, una deriva termica non trascurabile (ad esempio per molti
trasduttori a semiconduttori). In questo caso pu essere necessario eliminare il trend, dato che esso
rappresenta un disturbo (prevedibile) sul segnale e non una caratteristica peculiare del fenomeno
fisico analizzato. La procedura quella di calcolare una retta xf(t) tramite una procedura di fit
lineare ai minimi quadrati e sottrarre la retta dal segnale stesso:

xd(t)=x(t)-xf(t)

Fig. 20) Esempio di detrending lineare

53
In figura si riporta un esempio di un segnale x(t) che presenta una notevole deriva e del
corrispondente segnale xd(t) dopo il detrending. Se il trend non venisse eliminato, esso risulterebbe
nello spettro di potenza. Il suo effetto sarebbe una distorsione delle componenti a bassa frequenza
dello spettro.

Spesso anche utilizzato un detrending lineare con pendenze differenziate per i diversi intervalli
temporali. In pratica si tratta di approssimare il trend con una spezzata di tipo piecewise. Un
esempio riportato nella figura seguente.

Fig. 21) Esempio di detrending lineare a due pendenze.

Nelleffettuare le operazioni di detrending lo sperimentatore deve accertarsi che il trend che sta
eliminando non sia in realt parte integrante del segnale. Una deriva del segnale pu in realt essere
anche correlata ad un particolare aspetto del fenomeno fisico in esame che era stato trascurato.

Smoothing

Il segnale da analizzare spesso luscita, eventualmente trasformata attraverso una calibrazione, di
un trasduttore di misura. Questo segnale pu presentare fasce di rumore pi o meno ampie a
seconda delle caratteristiche di accuratezza del trasduttore e della relativa linea di acquisizione dati.
La time hystori del segnale pu quindi presentare delle variazioni nel tempo dovute a delle effettive
evoluzioni temporali presenti nel segnale, a cui sono sovrimposte delle oscillazioni di tipo casuale
dovute al rumore. In queste condizioni si pu procedere allo smoothing del segnale stesso con lo
scopo di ridurre linfluenza del rumore nelle successive elaborazioni.

Loperazione di smoothing viene spesso fatte da routine automatiche sugli analizzatori di spettri e
sulle catene di acquisizione basate sulla procedura di media mobile.

54
Sia x
i
=x(t
i
) la time history campionata, sia N il numero totale di dati nella serie e sia n un numero
intero su cui eseguire lo smoothing; si pu eseguire la media mobile per ogni elemento del segnale
ed ottenere la serie temporale x
si
, dopo lo smoothing, in accordo alla formula:

n N i n per
1 n 2
x ...... x x ...... x x
x
n i 1 i i 1 n i n i
si
< <
+
+ +
=
+ + +

0 0.005 0.01 0.015 0.02
-2
-1
0
1
2
Tempo (s)
S
e
g
n
a
l
e

(
U
.
A
.
)
0 0.005 0.01 0.015 0.02
-2
-1
0
1
2
Tempo (s)
S
e
g
n
a
l
e

(
U
.
A
.
)
0 0.005 0.01 0.015 0.02
-2
-1
0
1
2
Tempo (s)
S
e
g
n
a
l
e

(
U
.
A
.
)
0 0.005 0.01 0.015 0.02
-2
-1
0
1
2
Tempo (s)
S
e
g
n
a
l
e

(
U
.
A
.
)
segnale di origine
n=2
n=4 n=9

Fig. 22) Esempio di applicazione dello smoothing su di un segnale sinusoidale con rumore di
natura random.

Ovviamente si deve cercare il valore adeguato di n con un compromesso fra leffetto di smoothing
che si vuole ottenere e le distorsioni che inevitabilmente originano se n troppo elevato. Nel caso in
figura un valore di n=9 porta ad una distorsione del segnale, in termini evidenziati dalla
diminuzione dellampiezza. Il segnale in figura campionato a 10000Hz e la sinusoide a 200Hz e
si compone di 16384 dati.
55
Media di insieme

Fino ad ora si parlato di media temporale di un singolo segnale. Tuttavia spesso nelle applicazioni
risulta utile effettuare medie di insieme, ovvero medie eseguite non nel tempo ma su N diverse serie
ripetitive x
i
(t) del fenomeno fisico. Un esempio quello di un segnale di pressione rivelato a valle
di un sistema di ventilazione su di un tempo di acquisizione T il cui inizio sia sincronizzato da un
trigger con una particolare posizione del
ventilatore. Se sul segnale presente un
rumore random si potr avere una
situazione del tipo riportata nella figura.
Se il fenomeno da analizzare legato alla
frequenza di rotazione del ventilatore e non si
intende analizzare il rumore (turbolenza del
flusso), ma piuttosto evidenziare i fenomeni
sincronizzabili con la causa eccitante, non
indicato effettuare la media temporale dato,
che provocherebbe una eliminazione del
fenomeno stesso.
Si pu invece procedere allacquisizione di
pi serie di dati sincronizzati con una
particolare posizione del rotore ed eseguire
una media di insieme per ridurre il pi
possibile il rumore e mettere cos in evidenza
il segnale di interesse. Nella figura seguente si riportano medie di insieme del segnale di pressione
ottenute su diversi numeri di campioni sincronizzati.
0 0.2 0.4 0.6 0.8 1
-1.5
-1
-0.5
0
0.5
1
1.5
Tempo (s)
S
e
g
n
a
l
e

(
U
.
A
.
)
N=1
0 0.2 0.4 0.6 0.8 1
-1.5
-1
-0.5
0
0.5
1
1.5
Tempo (s)
S
e
g
n
a
l
e

(
U
.
A
.
)
N=64
0 0.2 0.4 0.6 0.8 1
-1.5
-1
-0.5
0
0.5
1
1.5
Tempo (s)
S
e
g
n
a
l
e

(
U
.
A
.
)
N=128
0 0.2 0.4 0.6 0.8 1
-1.5
-1
-0.5
0
0.5
1
1.5
Tempo (s)
S
e
g
n
a
l
e

(
U
.
A
.
)
N=256

Fig. 23) Esempio di utilizzo di medie di insieme
0 0.2 0.4 0.6 0.8 1
-1.5
-1
-0.5
0
0.5
1
1.5
Tempo (s)
S
e
g
n
a
l
e

(
U
.
A
.
)
56
Analisi dei dati nel dominio del tempo e delle frequenze

Le informazioni che sono date nelle pagine seguenti non vogliono affatto essere esaustive essendo
largomento vasto ed in certa misura complicato. Lo scopo principale di introdurre alcune quantit
fondamentali tipiche dellanalisi dei dati. In particolare lanalisi suddivisa in:

+ MONOCANALE
o Teoria di Fourier
o Trasformata di Fourier discreta (DFT) e trasformata di
Fourier veloce (FFT)
o Funzione autocorrelazione
o Densit spettrale di potenza

+ BICANALE (O INCROCIATA)

o Funzione di cross-correlazione
o Spettro di potenza incrociato

ANALISI MONOCANALE

Per analisi monocanale s intende in genere lanalisi di un campione di dati rappresentante una
grandezza fisica in funzione del tempo acquisita in certe prefissate condizioni fisiche relazionandola
solo a se stessa. La funzione densit di probabilit gi stata descritta e discussa; si passa quindi
direttamente alla scomposizione del segnale in serie di Fourier.

Teoria di Fourier

I segnali da analizzare non sono generalmente di tipo armonico (cio riconducili ad un andamento di
tipo sinusoidale) ma spesso hanno delle caratteristiche tali da potere essere classificati come
periodici. Un segnale periodico di periodo Tp tale che x(t)=x(t+Tp) per ogni valore di tempo t.
Questo avviene tutte le volte che si ha a che fare con un segnale generato da un fenomeno fisico che
si ripete periodicamente nel tempo ad intervalli regolari. Un tipico esempio riportato in figura
(segnale di accelerazione di un pistone in un motore a combustione interna). Il segnale
chiaramente periodico anche se non armonico.

Fig. 24) Accelerazione periodica ma non armonica di un pistone in un motore a combustione
interna.

57
Dalla semplice visualizzazione del segnale o dallanalisi dei momenti statistici si pu infatti
affermare che detto segnale non armonico. Tuttavia questo non fornisce alcuna informazione per
prevedere i vari effetti che le vibrazioni possono produrre sugli elementi strutturali connessi. Per
approfondire lanalisi necessario passare dal dominio del tempo al dominio delle frequenze.

Il teorema di Fourier afferma:

un segnale periodico x(t) di periodo Tp, finito, continuo e dotato di derivata, pu essere
rappresentato, per qualsiasi valore di t, da una serie (uniformemente convergente) del tipo:

Tp
1
f con ) t nf 2 sin( b ) t nf 2 cos( a a ) t ( x
o
1 n
o n
1 n
o n o
= t + t + =

=
=

dove i coefficienti dello sviluppo, detti coefficienti di Fourier, sono dati da:

}
} }

t =
t = =
2 / Tp
2 / Tp
o n
2 / Tp
2 / Tp
o n
2 / Tp
2 / Tp
o
dt ) t nf 2 sin( ) t ( x
Tp
2
b
dt ) t nf 2 cos( ) t ( x
Tp
2
a dt ) t ( x
Tp
1
a

Il valore di a
o
il valore medio del segnale x(t) e pu non essere presente se il segnale a media
nulla oppure se stata utilizzata una routine di detrending con sottrazione della media (come viene
spesso fatto nellanalisi dei segnali dinamici). Spesso lo sviluppo in serie di Fourier viene espresso
come:
Tp
1
f con ) t nf 2 sin( c a ) t ( x
o
1 n
n o n o
= + t + =

=

I vari coefficienti sono legati dalle relazioni:

|
|
.
|
\
|
= + =
n
n
n
2
n
2
n n
b
a
arctan b a c

Per comprendere la grande importanza del teorema di Fourier basti pensare che gran parte dei
problemi che si incontrano in Fisica danno luogo ad equazioni differenziali lineari omogenee che
ammettono, come soluzioni particolari, funzioni di tipo sinusoidale. Tenendo presente che la
somma di due o pi soluzioni di una equazione differenziale lineare omogenea rappresenta, a sua
volta, una soluzione dellequazione data, si comprende come il teorema di Fourier permetta di
ricondurre, nello studio di molti fenomeni, il caso generale di grandezze comunque complicate,
purch periodiche, al caso particolarmente s4emplice di funzioni sinusoidali.

Nello sviluppo in serie di Fourier ogni oscillazione presente nel segnale partecipa con una certa fase
ed il segnale viene scomposto in armoniche multiple dellarmonica fondamentale fo=1/Tp.

58
Spesso la serie di Fourier viene scritta in termini di coefficienti complessi come:

}
=
t
= = =
2 / Tp
2 / Tp
t inf 2
o
i
t inf 2
n
dt e ) t ( x
Tp
1
dn
Tp
1
f con e d ) t ( x
o o

dove chiaramente i valori d
n
hanno sia una parte reale che una parte immaginaria.

Notare che, dal punto di vista matematico, sono necessarie infinite armoniche per descrivere
completamente un segnale x(t) non armonico; spesso per i contributi delle varie armoniche
diminuiscono al crescere della frequenza e quindi in molti casi basta un numero relativamente
ridotto di termini della serie per ottenere una buona descrizione del segnale x(t) originale. In figura
riportato lo sviluppo nelle sole prime due armoniche del segnale di accelerazione di un pistone in un
motore a combustione interna.

a combustione interna.

a combustione interna.

Si riportano nel seguito degli esempi di sviluppo nelle prime armoniche di segnali di interesse
pratico.
59

Fig. 27) Esempi di sviluppo nelle prime armoniche di Fourier di segnali periodici di interesse
applicativo.

Nel caso in cui il segnale abbia una natura del tutto casuale (random) non possibile
schematizzarlo come periodico ed utilizzare lo sviluppo in serie di Fourier, dato che non pi
presente una armonica fondamentale

60

Per qualsiasi segnale, comunque possibile passare nel dominio delle frequenze attraverso la
trasformata X(f), detta trasformata di Fourier. Si tratta in pratica di scrivere la sommatoria come
fosse un integrale e, utilizzando la notazione complessa, si ottiene (trasformata diretta od inversa):

} }
+

t
+

t
= = dt e ) t ( x ) f ( X df e ) f ( X ) t ( x
ift 2 ift 2

Vale il teorema di Parseval che si esprime come:
} }
+

+

= df ) f ( X dt ) t ( x
2
2

Trasformata di Fourier discreta (DFT) e Trasformata di Fourier Veloce (FFT)

Come si pu notare delle formula esposte precedentemente loperazione di passaggio al dominio
delle frequenze mediante lutilizzo della trasformata di Fourier implica integrazioni illimitate nel
tempo ed implica anche di lavorare su di un segnale x(t) analogico. Nella pratica si fa in genere
riferimento a campioni di dati digitali che hanno una durata temporale finita T e sono stati acquisiti
ad una certa frequenza di acquisizione f
a
, per cui il campione composto da un numero finito di
dati N=T*f
a
. In questo caso si pu valutare la trasformata di Fourier discreta o DFT (Discrete
Fourier Transform). Sia x(n) con n=1, 2,.N il campione di dati disponibile si utilizzano le
formule:

DFT e ) n ( x ) k ( X
INVERSA DFT e ) k ( X
N
1
) n ( x ) t n ( x
1 N
0 n
N
ink 2
1 N
0 k
N
ink 2
=
t
=
t
=
= = A

dove gli X(k) sono chiamati coefficienti della trasformata di Fourier discreta o coefficienti DFT.
Mentre la trasformata di Fourier implica delle integrazioni, le formula date sopra sono sommatorie
finite in cui la funzione da trasformare viene moltiplicata per il vettore unitario rotante nel campo
complesso
N
ink 2
e
t
che ruota a salti discreti per ogni incremento del parametro temporale n ad una
velocit proporzionale allindice della parametro frequenza k.

Le problematiche inerenti alla Trasformata di Fourier Discreta (che direttamente collegata allo
spettro di potenza di un campione di dati) sono essenzialmente individuabili in tre gruppi:

ALIASING. Questo effetto stato descritto in precedenza ed dovuto al campiona,mento del
segnale ad una frequenza finita e si pu manifestare con un ripiegamento (folding) della parte
dello spettro ad alta frequenza. Leffetto pu essere eliminato con un opportuno filtraggio di tipo
passa-basso analogico prima della digitalizzazione del segnale.

EFFETTI DOVUTI ALLA FINESTRA TEMPORALE. Questi effetti sono la conseguenza della
lunghezza temporale finita del campione. In pratica il campione di dati viene pensato come se fosse
periodico con un periodo pari alla durata T del campionamento. Tuttavia se il segnale originale non
61
periodico esattamente con questo periodo questo provoca delle discontinuit ai bordi del campione
che provocano distorsioni nello trasformata di Fourier e quindi nella valutazione dello spettro di
potenza. Questo tipo di problematica pu essere eliminata o comunque fortemente ridotta
dallutilizzo di finestrature (windowing del campione, come sar descritto in dettaglio nel
prossimo paragrafo.

EFFETTI LEGATI ALLA RISOLUZIONE IN FREQUENZA. Questo tipo di effetti sono
dovuti al numero finito di dati nel campione digitale. Infatti se la frequenza di acquisizione data da
f
a
=N/T allora la separazione in frequenza fra due dati successivi della trasformata discreta di Fourier
pari a Af=fa/N=1/T. Questo implica di avere nella determinazione DFT e quindi nella valutazione
dello spettro di potenza del segnale una risoluzione in frequenza finita che pu impedire di
risolvere, o comunque distorcere, picchi stretti che possono essere presenti nello spettro. Questo
tipo di problematica intrinseca allanalisi di serie temporali finite e non correggibile a posteriori.
In pratica lo sperimentatore deve tenere conto della risoluzione in frequenza necessaria ad
evidenziare i fenomeni caratteristici che intende studiare e mettere a punto lacquisizione di
conseguenza.

Lalgoritmo di trasformata di Fourier veloce o FFT (Fast Fourier Transform) una
particolare applicazione delle formule della DFT applicabile a campioni in cui il numero di
dati una potenza di due. Lalgoritmo, che ormai implementato su tutti gli analizzatori di spettro
ed i codici di analisi dei segnali dinamici, sfrutta delle simmetrie che si vengono a generare nelle
sommatorie per ridurre fortemente il numero di moltiplicazioni necessario al calcolo della
trasformata. La procedura standard per la valutazione della trasformata di Fourier discreta di un
campione di N dati comporta di effettuare circa N
2
operazioni di moltiplicazione e somma fra
numeri reali. Luso dellalgoritmo FFT, nella versione Cooley-Tukey applicabile a campioni con un
numero di dati che sia una potenza di due, permette di ridurre il numero di operazioni necessarie a
calcolare la trasformata a circa N/(4log
2
(N)), con un notevole risparmio in velocit di calcolo come
mostrato in Fig. (28).

N Fattore di velocit

128 4,57
256 8
512 14,22
1024 25,6
2048 46,54
4096 85,33
192 157,54
16384 292,57
32768 546,13
65536 1024

Fig. 28) Fattore di velocit per il calcolo della trasformata di Fourier.
Risulta evidente che consigliabile, da un punto di vista dellefficienza del calcolo, utilizzare
lalgoritmo FFT. Molto spesso se il campione non ha un numero di dati che risulta una potenza
di due si aggiungono zeri, alla fine del campione, in modo da raggiungere il giusto numero di
0
200
400
600
800
1000
1200
0 10000 20000 30000 40000 50000 60000 70000
Numero di punti
F
a
t
t
o
r
e

d
i

v
e
l
o
c
i
t

62
dati (zero-padding) per potere utilizzare lalgoritmo FFT. Alternativamente si segmenta il
campione utilizzando la tecnica del ricoprimento, come descritto pi avanti.

Applicazione di finestre al campione

Per limitare gli effetti che originano dalla lunghezza temporale finita del campione di dati si
utilizzano spesso delle finestre con cui si pesa il campione (od un suo segmento) in modo da avere
un nuovo campione x
W
(t) nel quale siano eliminati i problemi di discontinuit. Questo metodologia
di pesatura, che corrisponde ad una moltiplicazione nel dominio del tempo, si riflette in una
convoluzione nel dominio delle frequenza fra il segnale e le caratteristiche in frequenza della
finestra stessa. La formula di pesatura :

) t ( W ) t ( x ) t ( x
W
=

dove W(t) rappresenta la finestra opportunamente normalizzata. Nella figura seguente si riportano
degli esempi di finestre ampiamente utilizzate nelle analisi nel dominio delle frequenze.

0 20 40 60 80 100
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Dati nel campione (%)
P
e
s
o

f
i
n
e
s
t
r
a
HANNING
HAMMING
TRIANGOLARE
BOXCAR
0 20 40 60 80 100
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Dati nel campione (%)
P
e
s
o

f
i
n
e
s
t
r
a
BARTLETT
BLACKMAN
HANN

Fig. 28) Esempio di Finestre utilizzate come peso nellanalisi di campioni digitali nel dominio delle
frequenze.

Una finestra ampiamente utilizzata la finestra rettangolare che, su di un campione di lunghezza
temporale T, si esprime in formula come:

63
=
< < =
altrove 0 ) t ( W
T t 0 1 ) t ( W

Questa finestra ha la caratteristica di non influire sullampiezza del segnale ed utilizzata quando si
vuole una estrema precisione in termini di ampiezza sullanalisi in frequenza e sullo spettro di
potenza.

Un altro tipo di finestre che si utilizzano spesso sono quelle di Hanning e di Hamming ottenibili
dalla formula:

=
s s
|
.
|
\
|
t
=
altrove 0 ) t ( W
T t 0
T
t 2
cos ) a 1 ( a ) t ( W

La finestra di Hanning si ottiene con a=0.5 mentre quella di Hamming con a=0.54. La finestra
di Hanning tra le preferite perch consente una buona descrizione delle caratteristiche in
frequenza del segnale a leggero discapito di una maggiore distorsione dellampiezza.

Nella figura seguente riportato leffetto di diverse finestre sul calcolo della DFT (in modulo
quadrato ed espressa in dB) di un segnale armonico alla frequenza di 20 Hz.

64

Fig. 29) Effetto delle varie finestre sul modulo della DFT di un segnale armonico. Dallalto in
basso: il segnale, leffetto della finestra rettangolare, finestra triangolare, finestra di Hanning.
Rettangolare
Triangolare
Hanning
65

Funzione di autocorrelazione

La funzione densit di probabilit di un segnale x(t) fornisce una utile descrizione del
fenomeno fisico che ha prodotto il segnale stesso descrivendo come sono distribuite, in media, le
ampiezze istantanee del segnale. Tali funzioni probabilistiche non forniscono essenzialmente alcuna
informazione riguardo alleffettiva evoluzione temporale del segnale stesso. Una descrizione
probabilistica della distribuzione temporale del segnale si ha con la funzione di autocorrelazione
R(t) di un segnale x(t) registrato per un periodo di misura T.
Lautocorrelazione temporale permette di valutare linfluenza dellandamento dei dati in un
certo istante t rispetto a quello che accade in un altro istante t+t, in termini matematici se si suppone
che x(t) rappresenti il segnale misurato lautocorrelazione R(t) data da:

R
T
x t x t dt
T
T
( ) lim ( ) ( ) t t = +
}
1
0

Fig. 30) Schema di interpretazione per il significato della funzione di autocorrelazione

Con riferimento alla figura lampiezza del segnale ad un certo istante t viene messa in relazione
allampiezza del segnale dopo t secondi da t ed il tutto mediato nel tempo. In pratica si pu
pensare che R(t) fornisca informazioni su quanto il segnale ad un certo istante andr a influenzare il
segnale t secondi dopo.

Lautocorrelazione una funzione che gode di alcune propriet, ad esempio per ogni valore
dellintervallo di tempo t :

R R ( ) ( ) 0 > t

R R ( ) ( ) t t =
}

>= =<
0
2
T
2
dt ) t ( x
T
1
lim x ) 0 ( R

<X> =
) ( R lim
T
t

(il simbolo <> indica una media temporale).
E una funzione pari per cui, solitamente, si calcola e si
grafica solo la parte relativa a t >0.
66

Generalmente si fa riferimento al coefficiente di autocorrelazione C(t) che adimensionalizzato
rispetto alla varianza, ed quindi definito da :

C
R
R
R
x
( )
( )
( )
( )
t
t t
= =
< >
0
2

Questo coefficiente caratterizzato dallavere un valore massimo pari ad uno, che ottenuto per un
intervallo di tempo nullo. Nelle figure seguenti sono riportati degli esempi di coefficiente di
autocorrelazione valutati per una funzione sinusoidale e per la stessa funzione a cui stato aggiunto
un rumore bianco di ampiezza pari a quella del segnale sinusoidale.

Come si pu notare dallesempio lo studio dellautocorrelazione pu essere utilizzato per
evidenziare la componente deterministica di un segnale quando questa mascherata dalla presenza
di unampia fascia di rumore. La sinusoide risulta molto pi evidente nel grafico del coefficiente di
autocorrelazione che nel grafico del segnale stesso. Se il segnale in ingresso completamente
random non si ha correlazione fra i valori misurati in istanti diversi ed il coefficiente di
autocorrelazione sempre nullo tranne che per t=0. In pratica per un segnale random la situazione
quella riportata in figura 33. Almeno idealmente lautocorrelazione costituita da un impulso
infinitamente stretto per t=0 ed nulla per gli altri valori di t. Nei casi di interesse pratico anche un
processo random (rumore bianco) il picco a t=0 avr una ampiezza finita a causa dei limiti in
frequenza del segnale e pi basso il limite in frequenza meno descritte risultano le oscillazioni
rapide e quindi il picco a t=0 sar pi largo. E spesso inoltre presente un rumore random che si
presenta come una fascia di oscillazione intorno a valore nullo dellautocorrelazione.

67

Fig. 31) Esempi di funzioni di autocorrelazione

68

Fig. 32) Esempio di calcolo del coefficiente di autocorrelazione per un segnale sinusoidale e per lo
stesso segnale a cui sovrapposto un rumore bianco di ampiezza pari a quella del segnale.

Fig. 33) Esempio di C(t) per un segnale random.

Lautocorrelazione, in quanto metodo per evidenziare periodicit presenti nel segnale, uno
strumento largamente utilizzato per lo studio dei moti turbolenti. [3]. Infatti da analisi integrali e/o
differenziali di C(t) si ottengono informazioni sulle frequenze caratteristiche delle macrostrutture
contenenti la maggior parte dellenergia cinetica turbolenta. In figura 34 riportato come esempio
C(t) per le fluttuazioni di velocit misurate allinterno dello strato limite di un flusso di aria
turbolento sviluppato in galleria del vento. La velocit media del flusso era di circa 8. m/s e
lintensit di turbolenza ammontava al 14. %.
69

Il coefficiente di autocorrelazione permette infatti di valutare la macroscala temporale del segnale
x(t) attraverso lintegrale:
}
t = t
0
M
dt ) ( C

che rappresenta lintervallo di tempo massimo entro il quale ci si attende una interdipendenza dei
dati. Sia x(t) lampiezza del segnale al tempo t, in media ci si aspetta che lampiezza x(t+t
M
) sia
indipendente da x(t) mentre i valori x(td) con t<td<t+t
M
risultano in media correlati con x(t). Nel
caso in cui il segnale x(t) rappresenti la velocit di una corrente fluida in moto turbolento allora t
M

rappresenta il periodo caratteristico dei vortici di grandi dimensioni della turbolenza.

Fig. 34) Esempi di calcolo di C(t) per le fluttuazioni di velocit di un flusso daria turbolento.

Un segnale x
i
campionato a frequenza fa costante e per un tempo finito T composto da un numero
finito di punti N=T/fa e la funzione di autocorrelazione va ottenuta in forma discreta attraverso la
sommatoria:
1 N .... ,......... 1 , 0 n con x x
n N
1
) t n ( R
n N
1 i
n i i
=
= A

=
+

dove nAt=t
n
rappresenta il time-lag per una separazione corrispondente a n dati nel campione.
Ovviamente per n<<N la media rappresentata dalla sommatoria statisticamente convalidata,
tuttavia al crescere di n i termini nella sommatoria diminuiscono e, ad esempio, per un time-lag pari
a tutto lintervallo di tempo di campionamento T (n=N-1) sopravvive solo un termine della
sommatoria. Per evitare quindi di avere dei valori dellautocorrelazione con convalide statistiche
molto diverse si limita il calcolo della sommatoria indicata fino ad un certo valore n
max
che
generalmente pari a circa il 10-20% del numero N di dati nel campione.

La conoscenza della "time history" locale sotto forma di campione digitale consente di
calcolare mediante la forma discreta l'autocorrelazione per diversi t. Va detto che il processo
diretto risulta numericamente molto poco efficiente, specialmente per bassi valori della time-lag
t; ad esempio, per un campione di 1024 dati, campionati con intervallo At, la correlazione con t=At
richiede l'esecuzione di 1024*1023 operazioni (chiaramente il numero di operazioni diminuisce con
t = 2 At, 3At, 4 At, etc.). Si vedr nel seguito che esiste una metodologia di calcolo pi efficace ,
basata sulla trasformata inversa di Fourier dello spettro di potenza; il rapporto delle velocit tra i
due metodi pari a SR = n/8p, con N=2
p
. Assumendo tipicamente n=N/10, con p=10 (N=1024), si
70
ha SR=1.275; gi per p=13 (N=8192) SR=7.8 ed il calcolo per via spettrale diventa estremamente
consigliabile.

Va infine detto che la formula riportata per campioni finiti viene detta una stima unbiased (senza
errori sistematici) della correlazione, essendo pesata rispetto a N-r; si incontra a volte la stima
biased, che risulta equivalente solo per m<<N, ovvero per campioni molto lunghi e studio delle
correlazioni limitato ad una piccola frazione del campione; in ogni caso, la formula della
correlazione biased risulta:

|
|
.
|
\
|
= A
+
n - N
1 = i
n i i
x x
N
1
) t n ( R n = 0, 1,.....,m

Densit spettrale di potenza

La densit spettrale di potenza (brevemente: spettro di potenza) descrive la distribuzione in
frequenza di un segnale. Descrive cio quanto le varie frequenze sono importanti allinterno del
segnale e contribuiscono quindi alla sua forma complessiva. Tale informazione risulta spesso di
notevole importanza in quanto a particolari fenomeni sono spesso associate delle frequenze
caratteristiche ed quindi importante determinarne la presenza o meno in un dato set di misure.

Ad esempio un segnale sinusoidale puro ha una sola frequenza caratteristica, mentre un disturbo
casuale (Rumore bianco o white noise) caratterizzato dallavere una distribuzione uniforme in
frequenza e quindi uno spettro costante. Gli spettri di potenza servono a qualificare diversamente le
informazioni contenute nellautocorrelazione. Non c una maggiore informazione dato che esiste
una precisa relazione fra lautocorrelazione e lo spettro di potenza di un segnale, tuttavia lo spettro
pu essere considerato come unanalisi del segnale fatta nel dominio delle frequenze anzich in
quello del tempo e quindi con un diverso punto di vista.

In termini matematici, la densit spettrale di potenza di un segnale x(t) il valore quadratico medio
della funzione x(t) relativo ad una ristretta banda di frequenza diviso per lampiezza della banda.
Questo si pu ottenere filtrando il segnale attraverso dei filtri passa-banda di tipo analogico o
digitale a banda strettissima.

u A A
2 2
0
1
( , ) lim ( , , ) f f
T
x t f f dt
T
T
=
}

per f A molto piccolo si pu definire lo spettro di potenza tramite la relazione:

G f
f f
f
x
f
( ) lim
( , )
=
A
u A
A
0
2

Lo spettro di potenza one-sided (definito per frequenze positive) legato alla funzione di
autocorrelazione dalla relazione:

< s t t t t = t t =
} }
+ +

t t
f 0 d ) f 2 cos( ) ( R 4 d e ) ( R 2 ) f ( G
0
f 2 i
x

mentre la funzione di autocorrelazione legata allo spettro di potenza tramite la seguente relazione:
71
} }
+ +
t t
t t = = t
0
x
0
f 2 i
x
df ) f 2 cos( ) f ( G 4 df e ) f ( G 2 ) ( R

Sono inoltre valide le seguenti relazioni:

}
+
>= <
0
0
x
df ) f ( G ) t ( x ) 0 ( R df ) f ( G ) t ( x
0
x
2
= t = >= <
}

Lanalisi dei segnali analogici mediante filtri passabanda per la costruzione dello spettro di
potenza ha lasciato il passo allutilizzo dellanalisi di campioni digitali di lunghezza finita.
Una possibilit di calcolo stata, per molto tempo, quella di sfruttare le relazioni
precedentemente descritte fra spettro di potenza e funzione di autocorrelazione. La procedura
consiste nel calcolare la funzione di autocorrelazione in maniera diretta e poi di valutare lo
spettro in maniera indiretta passando attraverso la trasformata di Fourier. Tuttavia questa
procedura risulta poco efficace dal punto di vista del calcolo in quanto poco efficace il
calcolo diretto della funzione di autocorrelazione. La procedura che quindi ha preso piede sia
nellanalisi via computer che in quella DSP degli analizzatori di spettro consiste nello stimare
lo spettro di potenza tramite lalgoritmo FFT e di valutare la funzione di autocorrelazione in
maniera indiretta tramite la trasformata di Fourier discreta inversa dello spettro di potenza.
Questa sar la procedura descritta in dettaglio in questa sede.

Nella pratica anche gli spettri di potenza vengono valutati su campioni di lunghezza temporale
finita, spesso (in campo meccanico ed elettronico) tramite la trasformata di Fourier discreta. In
campo acustico, sono diffusi analizzatori a banda relativa (Af cresce con la frequenza; esistono ad
esempio analizzatori o software di analisi a banda di ottava, a terzi o decimi di ottava, a banda
stretta 1%); e, per lanalisi di campioni lunghi, con necessit di separare campi di frequenza molto
diversi, sono disponibili analizzatori a filtro digitale programmabile, che presentano diversi
vantaggi. E opportuno segnalare che le tecniche digitali pi recenti e le nuove trasformate
matematiche (Wavelet transform) consentono simili prestazioni; tali metodi sono per normalmente
impiegati via software, e quindi in modalit differita, mentre molti analizzatori di spettro operano in
modalit real-time procedendo allelaborazione dello spettro senza interrompere il campionamento
del segnale (almeno fino a frequenze di 50-100 kHZ).

Dato un segnale x(t) registrato per un tempo limitato (0<t<T), la sua trasformata si pu scrivere
come:

}
t

=
T
0
ift 2
T
dt e ) t ( x lim ) T , f ( X

e lo spettro di potenza (two-sided) diventa:

2
T
x
) T , f ( X
T
1
lim ) f ( S

= .

Questo spettro di potenza detto two-sided in quanto comprende anche il contributo di frequenze
negative che sono presenti nella trasformata di Fourier. Nei casi reali tuttavia il valore di T sar
finito e quindi si pu dare una stima dello spettro di potenza two-sided come:

2
x
) T , f ( X
T
1
) f ( S
~
=
72

Ovviamente nel caso pratico anche la relazione precedente di difficile utilizzo in quanto il segnale
digitale sar una serie campionata ad una frequenza costante e quindi si potr utilizzare solo la DFT.
In termini di trasformata di Fourier discreta, per un segnale x(t) a media nulla, si pu scrivere la
densit di potenza spettrale cosiddetta two-sided come:

1 N ,.... 1 , 0 k con ) k ( X
N
T
) f ( S
~ 2
2
k x
= =

che comunque risulta ridondante per il contributo delle frequenze negative. Lo spettro a cui si fa di
solito riferimento quello one-sided che nel seguito sar indicato solo come spettro di potenza che
pu essere stimato da:

2
2
k x
) k ( X
N
T 2
) f ( G
~
= con k=0,1.N/2

La trasformazione di Fourier in modulo quadro agisce come un filtro passa banda per ottenere il
valore quadratico medio di x(t) in un ristretto range di frequenze. La grandezza
2
2
) k ( X
N
T 2
detta
periodogramma e costituisce una stima dello spettro di potenza del segnale.

Le relazioni descritte precedentemente permettono, a partire dallo spettro di potenza, di valutare la
funzione di autocorrelazione del segnale passando allantitrasformata di Fourier dello spettro di
potenza. Questa metodologie risulta pi efficiente dal punto di vista del calcolo su campioni digitali
con un numero di dati maggiore di circa 1024. La procedura completa prevede quindi lo sviluppo
dei seguenti passi:

1) Calcolare la FFT a N punti del segnale
2) Calcolare la densit di potenza spettrale (two-sided)
3) Calcolare la FFT inversa di quanto calcolato al punto 2
4) Scartare la prima met dei valori
5) Moltiplicare per il fattore di scala N/(N-n)

Quanto al calcolo delle autocorrelazioni per via spettrale, occorre fare attenzione ad un particolare
problema che invalida la procedura per valori del ritardo elevati; infatti, l'antitrasformata diretta
dello spettro fornisce una correlazione "circolare" del tipo:

R
c
(nAt) =
( )
( ) | | t ) m 1 N ( R ) t n ( R
N
m N
A + A
n=1,.....,N-1

con R[(N-1-n) At)] = R(nAt). L'errore che deriva dal considerare la correlazione circolare uguale a
quella effettiva risulta trascurabile per n<0.1 N o 0.2N, nel caso frequente in cui R cali rapidamente
nel tempo.

73

Fig. 35) Illustrazione della circolarit di Rc.

Un possibile metodo per evitare il problema della circolarit quello di aggiungere N zeri ad un
campione di N dati originale in modo che le due porzioni della correlazione si separino. In questo
caso per i primi N-1 valori si ha:

( )
1 N ..... 1 , 0 n per ) t n ( R
N
n N
) t n ( R
c
= A
= A

e la situazione riportata in figura.

Fig. 36) Eliminazione della circolarit sul calcolo della funzione di autocorrelazione per via
spettrale.

Si deve notare che nel calcolo della funzione di autocorrelazione per via spettrale sopra descritto si
deve eseguire una trasformata di Fourier inversa che deve agire su tutti gli elementi dello spettro di
potenza calcolato e quindi sullo spettro S(f) two-sided. Inoltre il calcolo dello spettro S(f) deve
essere eseguito senza applicare alcuna finestra al campione originale. Inoltre la segmentazione,
dettagliatamente descritta in seguito, pu essere sfruttata per valutare la funzione di
autocorrelazione come media delle autocorrelazione ottenute su singoli segmenti del campione.
Questa procedura consigliata ma non necessaria in quanto la varianza statistica della stima
dellautocorrelazione diminuisce in maniera inversamente proporzionale al numero N di dati nel
Rc
Rc
74
campione, per cui se N sufficientemente alto si pu avere una stima accurata dellautocorrelazione
direttamente dal campione originale.

Nelle figure seguenti sono riportati degli esempi di calcolo della densit spettrale di potenza.

frequenze diverse: x t t t ( ) sen( ) sen( ) = + 2 2 100 2 1000 t t

frequenze diverse: x t t t ( ) sen( ) sen( ) = + 2 2 100 2 1000 t t +segnale random di ampiezza 20.

Fig. 39) Esempio di spettro di potenza delle fluttuazioni di velocit di un flusso turbolento.

75

Fig. 40) Esempio di spettro di potenza delle vibrazioni di un pannello di una galleria del vento
rilevate con un accelerometro.

76

Fig. 41) Esempi di spettri di potenza
77

Notare che la funzione di autocorrelazione e lo spettro di potenza di uno stesso segnale x(t) sono fra
loro correlati dalla trasformata di Fourier e quindi non risultano funzioni indipendenti. In pratica
rappresentano solo due diversi punti di vista del fenomeno fisico rappresentato dal segnale x(t): il
punto di vista nel dominio del tempo (autocorrelazione) e quello nel dominio delle frequenze
(spettro di potenza). Ogni informazione ottenibile dalla funzione di autocorrelazione pu quindi
ottenersi anche dallo spettro di potenza; tuttavia alcune caratteristiche del segnale risultano pi
evidenti e facilmente interpretabili in termini di spettri di potenza mentre altre caratteristiche sono
pi facilmente identificabili in termini di autocorrelazione. Questo spiega il motivo per cui spesso
queste analisi vengono svolte in parallelo nello studio dei segnali dinamici.

Tra le prestazioni di interesse di un analizzatore di spettro si indica il range dinamico che
rappresenta la differenza, spesso espressa in dB, fra il pi grande ed il pi piccolo segnale che
possono essere misurati simultaneamente. Il concetto di range dinamico illustrato nella
seguente figura.

Illustrazione del significato di range dinamico

Lanalisi dello spettro di potenza di un segnale pu essere estremamente utile per evidenziare alcune
caratteristiche del segnale stesso poco visibili nel dominio delle frequenze. Ad esempio se un
segnale armonico leggermente distorto dalla presenza di una armonica a frequenza pi alta di
quella fondamentale la cosa pu essere di difficile individuazione sulla time hystory (a meno che la
distorsione sia relativamente grande) mentre risulta evidente nello spettro di potenza come mostrato
nella figura seguente.

78
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
Tempo (s)
S
e
g
n
a
l
e

(
V
)
0 200 400 600 800 1000
10
-10
10
-8
10
-6
10
-4
10
-2
10
0
Frequenza (Hz)
S
p
e
t
t
r
o

(
V
o
l
t
2
/
H
z
)

Esempio di segnale sinusoidale a 150Hz con una distorsione armonica a 300 Hz che viene messa in
evidenza dallanalisi spettrale.

La distorsione armonica difficile da individuare
anche nel dominio del tempo basandosi
sullautocorrelazione che riportata nella figura
accanto.

Un'altra applicazione pu essere lindividuazione
di componenti estranee al fenomeno da
analizzare. Ad esempio nelle misure di turbolenza
allinterno di una galleria del vento azionata da
un ventilatore assiale possibile ottenere una
situazione come quella riportata nella figura
seguente dove si riporta lo spettro di potenza
normalizzato della velocit della corrente aeriforme come misurata da un anemometro a filo caldo.

0 200 400 600 800 1000
1E-6
0,00001
0,0001
0,001
0,01
0,1
1
Punto n.3 (669 mm)
P
S
D

(
H
z
-
1
)
Frequenza (Hz)

Spettro di potenza normalizzato di un segnale di velocit di una corrente aeriforme influenzato
dalla presenza di onde acustiche legate allemissione dovuta al passaggio di pala del ventilatore.

Si pu notare la presenza di un picco principale a circa 250 Hz e le sue tre armoniche successive. I
picchi in questione si sovrappongono al naturale spettro della turbolenza e sono dovute ad emissioni
acustiche sincronizzate con la frequenza di rotazione del motore (pi precisamente la frequenza del
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
Tempo (s)
C
o
e
f f i c
i e
n
t e
d
i a
u
t o
c
o
r
r
e
l a
z
i o
n
e
C
(
t a
u
)
Analisi del segnale con distorsione armonica
79
passaggio di pala). Infatti il movimento delle pale la causa principale del rumore di natura
aerodinamica e nel caso in esame essendo la frequenza di rotazione del motore 1470 rpm ed avendo
il ventilatore 10 pale si ha:

f Hz
pala
motore
=

=
e 10
60
245 .

Per la completa identificazione dei picchi come dovuti a fenomeni acustici si possono utilizzare
delle tecniche di analisi bicanale come sar mostrato pi avanti.

Analisi RPM

Finora si sono descritte le metodologie di analisi di serie temporali campionate a frequenza costante.
Tuttavia una importante eccezione nellambito dellIngegneria meccanica lanalisi di segnali
generati da sistemi rotanti (ad esempio alberi motore in fase di accelerazione o decelerazione). In
questo caso si pu utilizzare un campionamento a frequenza variabile collegato ad un sistema di
trigger montato direttamente sul corpo rotante in maniera da mantenere costante il numero di dati
acquisito per ogni rivoluzione del corpo rotante stesso. Si parla in questo caso di analisi RPM. In
figura riportato un esempio di campionamento.

Nella normale analisi in frequenza 1Hz indica una oscillazione che si compie in 1s; nella analisi in
ordini di RPM il primo ordine RPM indica una componente del segnale che si manifesta con un
periodo pari al periodo di rivoluzione. Il secondo ordine RPM indica una componente del segnale
che si manifesta con un periodo par a met di quello di rivoluzione. La frequenza corrispondenrte al
secondo ordine RPM il doppio di quella corrispondente al primo.

Per esempio se si assume che il corpo rotante ruoti a 600 rpm allora la frequenza che corrisponde al
primo ordine RPM data da: 600rpm/60=10Hz mentre la frequenza del secondo ordine corrisponde
a 20Hz. Tuttavia se il corpo rotante modifica la sua velocit angolare fino a 700rpm allora la
frequenza corrispondente al primo ordine di RPM passa da 10Hz a 11.65Hz mentre la frequenza
corrispondente al secondo ordine RPM passa a 23.3Hz.

In pratica linfluenza della velocit di rotazione sul segnale pu essere eliminata scalando
opportunamente la scala delle frequenze ragionando in ordini RPM e questo rende pi facile
lidentificazione di specifiche componenti spettrali.

80
Da notare che nellanalisi RPM cos come nella tradizionale analisi in frequenza il problema
dellaliasing comunque sempre presente. Assumendo ad esempio di analizzare fino ad un massimo
pari a X ordini di RPM con una frequenza di rotazione pari a N avremo una frequenza massima in
analisi data da: fmax=XN/60 Hz e quindi dovrebbe essere filtrato con un passa bassa analogico il
segnale in modo da eliminare le frequenze maggiori di fmax. Il problema che quando la velocit di
rotazione variabile dovrenbe essere anche variabile la frequenza di taglio del filtro analogico e
questo implica la costruzione di un filtro in qualche modo sincronizzato con la rotazione del corpro.

Unit di misura e scala in decibel

Le unit di misura naturali per la funzione di autocorrelazione R(t) sono le unit del segnale al
quadrato. Se il segnale x(t) in volt allora lautocorrelazione in volt
2
. Il coefficiente di
autocorrelazione C(t) invece dimensionale.

Le unit di misura naturali dello spettro di potenza di un segnale sono quelle del segnale al quadrato
per unit di frequenza; se il segnale in volt allora lo spettro di potenza ha le unit di volt
2
/Hz.
Tuttavia spesso si utilizzano diverse normalizzazioni per lo spettro (Pn) ed una normalizzazione
particolarmente utile quella di normalizzarlo in modo tale che il suo integrale esteso a tutte
le frequenze sia 1. In questo caso si definisce lo spettro normalizzato Pn come:

> <
= =
}
2
0
n
x
P
Pdf
P
P

dove P lo spettro in unit naturali del segnale x(t). Questo tipo di normalizzazione porta ad avere
uno spettro Pn in unit pari a 1/Hz e rende facile il confronto delle caratteristiche di spettri di
potenza che si riferiscono a segnali con varianza molto diversa.

La applicazioni dellingegneria moderna richiedono spesso misure accurate su ampi range dinamici.
Se il range dinamico superiore a due ordini di grandezza la visualizzazione in scala lineare degli
spettri di potenza diventa poco pratica in quanto diventa difficile interpretare i risultati intorno al
valore nullo. Una soluzione molto sfruttata (soprattutto in campo acustico) quella di presentare gli
spettri di potenza in termini logaritmici utilizzando una scala in Decibel (dB).

La definizione originale di Decibel sfrutta un rapporto di potenze:

|
|
.
|
\
|
=
ref
10 dB
W
W
log 10 W

dove W la potenza misurata e W
ref
una opportuna potenza di riferimento che individua lo zero
della scala in dB. Una propriet utile degli spettri di potenza in dB quella di comprimere un range
da 1 a 1000 (tre ordini di grandezza) in un intervallo fra 0 e 60 dB. Inoltre pu essere utile il fatto
che un fattore moltiplicativo in una scala logaritmica provoca una traslazione in direzione verticale
della curva.

81
Analisi in bande di ottava

In contrasto con lo spettro di potenza in banda stretta, in cui il campo di frequenze analizzato
diviso in intervalli uguali, in alcuni analizzatori di spettro di tipo analogico si utilizza una
rappresentazione in bande di ottava o 1/3 di ottava. Questo tipo di rappresentazione degli
spettri di potenza comunque tradizionalmente molto utilizzata ed quindi di largo utilizzo
anche negli analizzatori di spettro digitali soprattutto per lanalisi di fenomeni acustici. Per
questo tipo di analisi lasse delle frequenze diviso in maniera logaritmica e lanalisi avviene
utilizzando dei filtri passabanda ad ampiezza fissa. In generale se la frequenza f
2
due volte la
frequenza f
1
allora lintervallo di frequenza Af=f
2
-f
1
fra f
1
e f
2
detto una ottava. Nellanalisi in
terzi di ottava ogni banda di una ottava divisa in tre bande. In questo tipo di analisi quindi
leffettivo intervallo di frequenze coperte da una banda dello spettro variabile in ampiezza
ed aumenta allaumentare della frequenza.
Nellanalisi in bande di ottava ogni intervallo di frequenze il doppio dellintervallo
precedente ed ogni banda delimitata da una frequenza inferiore f
1
e da una superiore f
2
con f
2
=2f
1

e la media geometrica
2 1
f f fn = detta frequenza nominale di centro banda.
Nellanalisi in terze di ottava le due frequenze f
1
e f
2
che delimitano la banda sono legate
dalla relazione: 2
f
f
3
1
2
= .
Nella tabella sono riportata le bande di ottava ed i terzi di ottava di solito utilizzati nellanalisi
spettrale dei fenomeni acustici.

Frequenza Hz
ottava 1/3 di ottava
bande Taglio
inferiore
centrale Taglio
superiore
Taglio
inferiore
centrale Taglio
superiore

12 11 16 22 14,1 16 17,8
13 17,8 20 22,4
14 22,4 25 28,2
15 22 31,5 44 28,2 31,5 35,5
16 35,5 40 44,7
17 44,7 50 56,2
18 44 63 88 56,2 63 70,8
19 70,8 80 89,1
20 89,1 100 112
21 88 125 177 112 125 141
22 141 160 178
23 178 200 224
24 177 250 355 224 250 282
25 282 315 355
26 355 400 447
27 355 500 710 447 500 562
28 562 630 708
29 708 800 891
30 710 1000 1420 891 1000 1122
31 1122 1250 1413
32 1413 1600 1778
33 1420 2000 2840 1778 2000 2239
34 2239 2500 2818
35 2818 3150 3548
36 2840 4000 5680 3548 4000 4467
37 4467 5000 5623
38 5623 6300 7079
39 5680 8000 11360 7079 8000 8913
40 8913 10000 11220
41 11220 12500 14130
42 11360 16000 22720 14130 16000 17780
43 17780 20000 22390

Definizione delle frequenze per analisi acustiche a banda relativa

82
Nella figura seguente riportato il confronto fra lo spettro di potenza di un segnale con molte
componenti armoniche eseguito in banda stretta ed in bande di ottava. Si pu notare che la
componente armonica dominante ad 1 kHz visibile chiaramente in entrambe le figure, larmonica
a 2 kHz anchessa visibile, tuttavia alle alte frequenze lampiezza delle bande di ottava e la
posizione del centro banda sono tali che in pratica non sono pi singolarmente distinguibili i picchi
dello spettro anche se si pu notare un contributo di tali frequenze alla potenza totale associata al
segnale.

I due spettri, ottenuti a banda fissa ed a banda relativa, non devono essere direttamente confrontati
in termini di ampiezza (scala lineare o logaritmica). Infatti, la banda passante del filtro utilizzato per
effettuare lanalisi di Fourier diversa, e varia con la frequenza nel caso degli analizzatori a banda
fissa. Volendo confrontare o calcolare le ampiezze, esistono relazioni di tipo logaritmico che
consentono il passaggio da un sistema allaltro; in questi casi comunque utile riferire gli spettri a
quello equivalente con banda passante unitaria (1Hz). Rispetto a questo spettro di riferimento, la
scalatura da analizzatori FFT od a banda fissa prevede unicamente la moltiplicazione dellampiezza
per una costante; nel caso invece di analizzatori a banda relativa, occorre applicare una correzione
di ampiezza diversa a seconda della banda considerata.

83

Fig. 42) Confronto fra spettro in banda stretta ed in bande di ottava.

Segmentazione e overlap

Lutilizzo del periodogramma per la valutazione dello spettro di potenza porta per ad una
valutazione con una varianza che non decresce necessariamente allaumentare del numero di dati
nel campione. Conviene quindi evidenziare alcuni metodi utilizzati per migliorare la stima dello
spettro di potenza a partire dal periodogramma. Tutto linteresse per il periodogramma consiste nel
fatto che questultimo pu essere valutato in maniera rapida e semplice con lalgoritmo FFT.

Una metodologia ampiamente utilizzata per aumentare lo smoothing dello spettro di potenza
calcolato via FFT riducendo quindi la sua varianza in modo da ottenere un restringimento
dellintervallo di confidenza dei valori dello spettro quello di suddividere il campione di dati
originale (eventualmente dopo lapplicazione di una pesatura mediante una finestra, ad esempio di
84
tipo hanning) in k segmenti non sovrapposti che ricoprano interamente il campione originale. Ad
esempio un campione di 4096 dati pu ricoprirsi con 4 segmenti di 1024 dati:

Oppure in 8 segmenti di 512 dati. La formula generale per segmentare un campione x di N dati in k
segmenti di M dati :

k i 1 e 1 M n 0 con ) M iM n ( x ) n ( x
i
s s s s + =

Il calcolo dello spettro di potenza P(f) avviene sfruttando il metodo di Bartlett che consiste nel
calcolare gli spettri di potenza P
i
(f) relativi ad ogni segmento separatamente (i=1, 2, k) e nel
valutare lo spettro P(f) come media aritmetica degli spettri relativi ai veri segmenti:

=
=
k
1 i
i
) f ( P
k
1
) f ( P

In questo modo si ottiene uno spettro complessivo con una minore varianza. Occorre comunque
tenere presenti due aspetti fondamentali della segmentazione:

1) La segmentazione lecita e consigliabile se i vari segmenti rappresentano correttamente il
fenomeno fisico in esame con un contenuto di informazione paragonabile a quello del
campione originale. Questo vuole dire che il segmento deve essere temporalmente
sufficientemente lungo da includere almeno un periodo della pi lenta oscillazione presente
nel segnale.
2) Lutilizzo di segmenti pi corti del campione originale provoca un deterioramento della
risoluzione in frequenza Af
s
dello spettro rispetto alla risoluzione Af che sarebbe ottenibile
dal campione originale senza segmentazione. Infatti essendo costante la frequenza fa di
acquisizione e quella di Nyquyst f
N
=fa/2 si ha che la risoluzione spaziale Af
s
dello spettro
calcolato attraverso la segmentazione pari a kAf dove Af

la risoluzione spaziale ottenibile
dallintero campione di dati senza ricopertura. La risoluzione in frequenza quindi peggiora
proporzionalmente allaumentare del numero di segmenti. Infatti supponiamo di avere un
campione di 8192 dati acquisito con una frequenza di campionamento di 2000 Hz allora la
risoluzione in frequenza dellintero campione pari a 0.244 Hz (fa/N) mentre se il
campione diviso in 8 segmenti di 1024 dati allora la risoluzione ottenibile 1.95 Hz.

Nella pratica si deve fare un compromesso fra la risoluzione spaziale che si vuole ottenere e la
necessit di utilizzare la segmentazione per diminuire la fascia di incertezza associata ai valori
dello spettro di potenza calcolato.

Spesso nelle procedure di segmentazione si pu suddividere il campione in segmenti che
abbiano un numero di dati Ns che sia una potenza di 2 (e quindi utilizzare lalgoritmo FFT)
anche se il numero di dati N nel campione originale non una potenza di 2. Eventualmente si
pu sfruttare lo zero-padding sullultimo segmento.

Una variante al metodo di Bartlett pi efficace in termini di riduzione della varianza e quindi
di smoothing dei risultati finali sullo spettro di potenza il metodo di Welch. Questo metodo
prevede una segmentazione con totale ricopertura del campione come il metodo di Bartlett ma
1.1024 1025.2048 2049.3072 3073.4096
85
lapplicazione della finestra (i.e. Hanning) avviene separatamente per ogni segmento e non sul
campione originale.

Ovviamente se devono essere eseguite delle operazione di detrending come la sottrazione della
media o la sottrazione di una deriva del segnale queste devono essere applicate su ogni singolo
segmento di ricopertura indipendentemente. Anche la valutazione della autocorrelazione
temporale del segnale per via spettrale pu beneficiare della segmentazione in maniera
analoga al calcolo dello spettro. Infatti si pu calcolare lautocorrelazione da ogni singolo
spettro di potenza dei vari segmenti e valutare poi la funzione di autocorrelazione complessiva
come media aritmetica delle varie autocorrelazioni parziali.

Una metodologia utilizzata per aumentare il numero di segmenti di ricopertura del campione
senza diminuire troppo la risoluzione spaziale quella di ammettere delle ricoperture con
parziale sovrapposizione dei segmenti (overlap). In questo modo si ammette che due segmenti
successivi non siano completamente indipendenti ma abbiano una parte in comune. Si pu ad
esempio ricoprire un campione di 4096 dati con 4 segmenti di 1024 dati senza overlap oppure si pu
ricoprire con 7 segmenti di 1024 dati ammettendo un overlap del 50% come in figura:

Oppure si pu ricoprire con 5 segmenti di 1024 dati con un overlap del 25%. Loverlap massimo
da utilizzarsi il 50% del segmento stesso. In questo modo infatti due segmenti successivi
risultano dipendenti ma il terzo risulta indipendente dal primo e cos via. Generalmente ci si attesta
su valori intorno al 20% delle dimensioni del segmento. Inoltre possibile sfruttare lo zero-
padding per ottimizzare la ricopertura del campione di dati originale.

3073.4096 2049.3072 1025.2048
1537.2561
11024
513.1536 2562.3585
86
Errore statistico nella stima dello spettro di potenza

La stima dello spettro di potenza attraverso la trasformata di Fourier fornisce una stima
generalmente biased e con una certa varianza che non decresce con il tempo di acquisizione T. Il
metodo della finestratura e della segmentazione rende la stima pi corretta. Per dare una stima della
varianza statistica attesa si pu fare riferimento ad un segnale x(t) con densit di probabilit
gaussiana. Sfruttando la stima:

2
x
) T , f ( X
T
2
) f ( G
~
=

si arriva a dimostrare che la densit di probabilit del rapporto fra la stima dello spettro ) f ( G
~
x
e lo
spettro vero e proprio ) f ( G
x
data da:

2
) ( P
) f ( G
) f ( G
~
P
2
x
x
_
=
|
|
.
|
\
|

cio dalla distribuzione del chi-quadrato per due gradi di libert e questo indipendentemente dalla
lunghezza del campione. Lerrore statistico relativo associato alla stima dato da:

( )
% 100
) f ( G
) f ( G
~
x
x
r
=
o
= c

L'errore relativo pu essere ridotto tramite la segmentazione (senza overlap) in quanto ogni calcolo
spettrale introduce due gradi di libert e quindi in pratica per un calcolo con k segmenti si ha:

( )
k
1
) f ( G
) f ( G
~
x
x
k , r
=
o
= c

Quindi una stima dello spettro di potenza con un livello di confidenza pari a circa il 70% (una
standard deviation) dato da:

) f ( G
~
k
1
1 ) f ( G ) f ( G
~
k
1
1
x x x
|
.
|
\
|
+ s s |
.
|
\
|

Questa stima valida per segnali a distribuzione gaussiana, tuttavia viene spesso estesa anche a
segnali non gaussiani. Inoltre di difficile valutazione teorica leffetto delloverlap sullerrore. In
generale leffetto una diminuzione della varianza a causa dellaumento del numero di campioni.

Nella figura seguente riportato un esempio di valutazione di spettri di potenza di un campione di
32768 dati di velocit di una corrente aeriforme turbolenta con diversi livelli di segmentazione. Per
evidenziare la diminuzione dellerrore statistico sulla valutazione dello spettro di potenza del
segnale eseguito sulla base di un livello di confidenza di una standard deviation e basato sulla
distribuzione tipo chi-quadrato.
87

10
0
10
1
10
2
10
3
10
-5
10
0
Frequenza (Hz)
S
p
e
t
t
r
o

(
1
/
H
z
)
Ns=16384 -- k=2
10
0
10
1
10
2
10
3
10
-5
10
0
Frequenza (Hz)
S
p
e
t
t
r
o

(
1
/
H
z
)
Ns=8192 -- k=4
10
0
10
1
10
2
10
3
10
-5
10
0
Frequenza (Hz)
S
p
e
t
t
r
o

(
1
/
H
z
)
Ns=2048 -- k=8
10
0
10
1
10
2
10
3
10
-5
10
0
Frequenza (Hz)
S
p
e
t
t
r
o

(
1
/
H
z
)
Ns=1024 -- k=16

Fig. 43) Illustrazione dei livelli di confidenza della valutazione dello spettro di potenza attraverso
la DFT di un segnale di velocit di una corrente aeriforme in moto turbolento.

88
Analisi bicanale o incrociata

Questo tipo di analisi coinvolge due campioni di dati (che devono essere registrati
contemporaneamente dalla catena di acquisizione) ed molto utile quando si devono, ad esempio,
studiare le relazioni fra input ed output di un sistema fisico (funzioni di trasferimento) oppure
per studiare la cross-correlazione (spaziale e/o temporale) di strutture vorticose turbolente. Lanalisi
bicanale permette inoltre di

Funzione Correlazione Incrociata

La funzione correlazione incrociata di due insiemi di dati R
xy
descrive la dipendenza generale dei
valori di un insieme di dati dai valori dei dati del secondo insieme. Consideriamo i campioni x(t) e
y(t); la funzione correlazione incrociata relativa ad un ritardo t, R
xy
(t), espressa da:

dt ) y(t x(t)
T
1
lim ) ( R
T
0
T
xy
}
t + = t

R
xy
a differenza della funzione di autocorrelazione R
x
non ha un massimo per t=0. E una funzione
reale e dispari e soddisfa comunque le seguenti relazioni:

) ( R ) ( R
yx xy
t = t

(0) R (0) R ) ( R
y x
2
xy
s t

| | (0) R (0) R
2
1
) ( R
y x xy
+ s t

E evidente che se y(t)=x(t) la correlazione incrociata coincide con lautocorrelazione relativa
al segnale x(t). Quando R
xy
(t)=0 x(t) e y(t) sono detti non correlati.

Spesso la funzione di cross-correlazione viene utilizzata in forma dimensionale attraverso un
coefficiente dato da:

) 0 ( R ) 0 ( R
) ( R
) ( C
y x
xy
xy
= t = t
t
= t

Nel caso in cui si operi con serie temporali finite di dati la funzione di cross-correlazione pu essere
stimata dalle serie temporali stesse in maniera diretta e unbiased come:

1 N ...... , 1 , 0 n con y x
n N
1
) t n ( R
n N
0 k
n k k xy
=
= A

=
+

dove At lintervallo di campionamento comune alle due serie di dati e N il numero totale di dati
sia nella serie x(t
i
) che in quella y(t
i
). La stima data nella formula precedente unbiased nel senso
che non affetta da errore sistematico.
89
Per il calcolo diretto valgono le stesse considerazioni riguardanti la convalida statistica e
lefficienza dellalgoritmo fatte per il calcolo diretto della funzione di autocorrelazione. Si
raccomanda quindi di utilizzare il calcolo diretto solo per campioni con bassi valori di N
(N<1024) e di limitare il calcolo per valori del ritardo massimi n
max
dellordine di 10 o 20% di
N. Per campioni con un numero maggiore di dati consigliabile sfruttare il calcolo per via
spettrale descritto nel prossimo paragrafo.

Questa funzione trova ampia applicazione nei problemi di misura del ritardo fra due segnali. Il
ritardo pu essere dovuto al passaggio del segnale attraverso una linea di trasmissione o una rete di
elaborazione. Volendo misurare il tempo che un segnale impiega per attraversare un sistema
sufficiente correlare i segnali di ingresso e uscita del sistema stesso e cercare i massimi della
funzione di autocorrelazione.

Nella figura seguente si riporta un esempio di valutazione della funzione di cross-correlazione
normalizzata per una coppia di segnali sinusoidali di cui uno traslato nel tempo di periodo
rispetto allaltro. I due segnali sono poi identici sotto ogni altro aspetto.

0.000 0.001 0.002 0.003 0.004 0.005 0.006 0.007 0.008
-1.25
-1.00
-0.75
-0.50
-0.25
0.00
0.25
0.50
0.75
1.00
1.25
seno 250Hz
seno 250Hz in ritardo di periodo
tempo (s)
-0.006 -0.004 -0.002 0.000 0.002 0.004 0.006
-1.25
-1.00
-0.75
-0.50
-0.25
0.00
0.25
0.50
0.75
1.00
1.25
tempo (s)

Fig. 44) Valutazione della cross-correlazione per due segnali sinusoidali shiftati nel tempo.

Si pu notare che la cross-correlazione normalizzata presenta un primo massimo per un valore del
ritardo pari proprio a 0.002 s che corrisponde a periodo della sinusoide. La cross-correlazione in
generale ha ancora un andamento sinusoidale con un periodo uguale a quello dei segnali originali.

Nella figura seguente invece riportato lesempio di due segnali random shiftati nel tempo e
peraltro identici. La cross-correlazione ha un massimo per un valore del time lag pari allo shift
temporale ed zero altrimenti in quanto i due segnali random sono incoerenti.
90
0.000 0.001 0.002 0.003 0.004 0.005 0.006 0.007 0.008 0.009 0.010
-0.1
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
1.1
SEGNALE RANDOM 1
tempo

0.000 0.001 0.002 0.003 0.004 0.005 0.006 0.007 0.008 0.009 0.010
-0.1
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
1.1
SEGNALE RANDOM 2
tempo

-0.05 -0.04 -0.03 -0.02 -0.01 0.00 0.01 0.02 0.03 0.04 0.05
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
tempo (s)

Fig. 45) Esempio di analisi bicanale per segnali random

Un esempio pratico di applicazione della funzione di cross-correlazione fra due segnali pu essere
lo studio e la caratterizzazione di componenti estranee al segnale. Si gi visto nella trattazione
dello spettro di potenza che la misura di velocit di una corrente aeriforme in un canale generata da
un ventilatore presenta delle componenti alla frequenza relativa al passaggio di pala (nel caso in
esame 245 Hz) e le sue armoniche. Tali componenti sono generalmente dovute allemissione
acustica aerodinamica generata dalla rotazione del ventilatore. Una analisi pi approfondita del
problema che permette anche di evidenziare che si tratta effettivamente di onde acustiche che si
muovono nel flusso e non di vibrazioni della sonda di misura si pu avere sfruttando la funzione di
autocorrelazione. Si pu utilizzare ad esempio il set-up mostrato in figura in cui due sonde
anemometriche sono posizionate a distanza nota l una dallaltra nel flusso generato in aspirazione
dal ventilatore.

91

Flusso U
Onda sonora
V=c-U
l
Ventilatore
Anemometro 1
Anemometro2

Schema della misura per il calcolo della cross-correlazione

Si effettua lacquisizione simultanea delle velocit dei due anemometri con una elevata frequenza di
campionamento (20 kHz) e successivamente si calcola la cross-correlazione R
21
(t) fra le due serie
digitali ottenute con le metodologie descritte precedentemente. Se presente una onda acustica essa
va ad influire sulle due sonde a tempi diversi. Infatti il ritardo con cui il sensore 1 rileva la
medesima onda sonora rispetto al sensore 2 situato posteriormente vale:
At
l
c U
calc
=

dove l la distanza di separazione fra le due sonde, c la velocit del suono nelle condizioni di prova
e U la velocit media del flusso. I risultati sperimentali, per due diverse separazioni l sono riportati
nelle figure seguenti.

Possiamo rilevare dai diagrammi, come ci si attendeva, valori del coefficiente di cross-correlazione
piuttosto alti per
calc
t t A ~ A
21

dove
21
t A il ritardo rilevato sperimentalmente dal calcolo della funzione R
21
(t). La non perfetta
corrispondenza pu essere dovuta a molteplici effetti fra cui anche eventuali lievi imprecisioni nelle
misure.

E da notare inoltre che la differenza, in ascisse, fra i picchi corrisponde allinverso della frequenza
dellonda a 245 Hz : At s
picco
= ~
1
245
0004 . , caratterizza perci la perturbazione cercata ed la
frequenza caratteristica principale a cui si pu pensare siano generate le onde acustiche.

92
0,000 0,001 0,002 0,003 0,004 0,005 0,006 0,007 0,008 0,009 0,010 0,011 0,012
-0,1
0,0
0,1
At
picco
At
12
V
m
= 11.10 m/s A t
calc
= 0.0028 s
C
r
o
s
s
-
c
o
r
r
e
l
a
z
i
o
n
e
t (s)

0,000 0,001 0,002 0,003 0,004 0,005 0,006 0,007 0,008 0,009 0,010 0,011 0,012
-0,1
0,0
0,1
At
picco
At
12
V
m
=11.36 m/s At
calc
= 0.0015 s
C
r
o
s
s
-
c
o
r
r
e
l
a
z
i
o
n
e
t (s)

Diagrammi di cross-correlazione

La metodologia qui esemplificata pu trovare svariate importanti applicazioni motoristiche. Ad
esempio, utilizzando due trasduttori piezolettrici disposti ad una distanza conosciuta, la cross-
correlazione pu consentire di valutare il ritardo di passaggio di unonda acustica, e quindi
conoscendo la distanza valutare la velocit di propagazione della perturbazione. Come noto,
questa uguale alla velocit del suono soltanto per perturbazioni infinitesime, mentre pu essere
sensibilmente superiore per perturbazioni rilevanti (nei motori, allinterno dei condotti, si possono
avere valori di picco della pressione anche superiori al 70% del valore medio).

Chiaramente lo stesso tipo di informazione ottenibile operando nel dominio delle frequenze
mediante lo spettro incrociato.
93

Funzione Densit Spettrale Incrociata

La funzione densit spettrale incrociata (o semplicemente cross-spettro) stata introdotta perch i
problemi di trasmissione dei dati dipendono anche dalla frequenza e diventa quindi utile poter
relazionare input ed output di linee di trasmissione. In termini matematici il cross-spettro S
xy
(f) la
trasformata di Fourier della funzione correlazione incrociata (cos come la densit di potenza
spettrale la trasformata di Fourier della funzione autocorrelazione).

}
+

t t
t t = d e ) ( R ) f ( S
f 2 i
xy xy

e quindi vale anche la relazione inversa:

}
+

t t
= t df e ) f ( S ) ( R
f 2 i
xy xy

Il cross-spettro gode delle seguenti propriet a carattere matematico:

) f ( S ) f ( S ) f ( S
yx
xy
*
xy
= =

come nel caso della densit spettrale di potenza la definizione attraverso la funzione di correlazione
incrociata porta ad un cross-spettro two-sided ma si pu anche definire una funzione one-sided:

< s = f 0 per ) f ( S 2 ) f ( G
xy xy

che legato alla funzione di correlazione incrociata dalla relazione:

) f ( iQ ) f ( D d e ) ( R 2 ) f ( G
xy xy
f 2 i
xy xy
= t t =
}
+

t t

dove ) f ( D
xy
detta funzione di densit spettrale incrociata coincidente(co-spectrum) mentre
) f ( Q
xy
detta funzione di densit spettrale incrociata in quadratura (quad-spectrum). Si pu quindi
scrivere:

( ) ( ) | |
}
+
t t + t t = t
0
xy xy xy
df f 2 sin ) f ( Q f 2 cos ) f ( D ) ( R

Notare che generalmente ) f ( D
xy
e ) f ( Q
xy
sono definite in termini del cross-spettro two-sided
piuttosto che di quello one-sided.

In termini di frequenza la densit spettrale coincidente pu essere pensata come la media del
prodotto tra x(t) e y(t) in un intervallo limitato di frequenze tra f e f+Af fratto lintervallo di
frequenze. Mentre la densit spettrale in quadratura analoga eccetto che per il fatto che uno dei
campioni (x(t) o y(t)) shiftato nel tempo in modo da avere una sfasatura di 90.

94
Il cross-spettro legato alle trasformate di Fourier dei due segnali in analisi, campionati per un
intervallo di tempo totale T, tramite la relazione:

) T , f ( Y ) T , f ( X
T
1
) f ( S
*
xy
=

) T , f ( Y ) T , f ( X
T
2
) f ( G
*
xy
=

La funzione densit spettrale incrociata soddisfa la seguente relazione:

(f) G (f) G (f) G
y x
2
xy
s

In termini di serie temporali discrete x
i
e y
i
di N punti ciascuna si pu valutare il cross-spettro per le
frequenze discrete utilizzando lalgoritmo DFT o FFT:

) f ( Y ) f ( X
t N
1
) f ( S
k k
*
k xy
A
=

) f ( Y ) f ( X
t N
2
) f ( G
k k
*
k xy
A
=

Lapplicazione principe degli spettri incrociati lanalisi della risposta in frequenza di un dato
sistema in cui si immetta un segnale noto.

La funzione densit di potenza spettrale incrociata, o pi brevemente cross-spettro, permette
di valutare in maniera indiretta la funzione di correlazione incrociata sfruttando le relazioni
che legano le due funzioni e che sono state precedentemente descritte. In particolare i passi
consigliati per tale tipo di analisi, supponendo di avere due serie temporali di N dati luna (x(ti) e
y(ti)) campionate con un certo intervallo di tempo costante At, sono:

1) aggiungere N zeri al campione in maniera da eliminare il problema della circolarit del
calcolo della funzione di cross-correlazione per via spettrale.
2) Calcolare le trasformate di Fourier (DFT o FFT) per le due serie temporali X(f
k
) e Y(f
k
) con
k=0, 1, .2N-1
3) Calcolare il cross-spettro two-sided S
xy
(f
k
) con k=0, 1, .2N-1
4) Calcolare la trasformata di Fourier inversa (IDFT o IFFT) di quanto calcolato al punto 3 su
2N punti che fornisce la cross-correlazione circolare per n=0,1,2N-1
5) Moltiplicare quanto calcolato al punto 4 per N/(N-n) per n=0,1N-1 per ottenere la cross-
correlazione unbiased per ritardi positivi
6) Moltiplicare quanto calcolato al punto 4 per N/(n-N) per n=N,N+12N-1 per ottenere la
cross-correlazione unbiased per ritardi negativi

Valgono in particolare le stesse considerazioni fatte per la valutazione per via spettrale
dellautocorrelazione, che si possono riassumere dicendo che consigliabile la segmentazione
ma non necessaria per grandi valori di N; i calcoli delle varie trasformate di Fourier deve
essere fatto senza lapplicazione di finestre al campione.

95
Funzione di coerenza

E interessante per le applicazioni di elaborazione dei segnali dinamici introdurre un nuovo
parametro, detto funzione di coerenza I
xy
2
(f). Nel caso in cui si abbiano due segnali x(t) e y(t) con
una certa densit di potenza spettrale Gx(f) e Gy(f) entrambe diverse da zero si pu definire la
funzione di coerenza I
xy
2
fra loutput y(t) e linput x(t) come:

(f) S (f) S
(f) S
(f) G (f) G
(f) G
(f)
y x
2
xy
y x
2
xy
2
xy
= I

dove S
x
(f) e S
y
(f) rappresentano gli spettri di potenza two-sided del segnale x(t) e y(t)
rispettivamente.

Nel caso di serie temporali discrete si pu definire la funzione di coerenza in termini degli spettri di
potenza discreti ed ottenibili attraverso lalgoritmo FFT con le metodologie precedentemente
descritte in modo da avere:

) (f S ) (f S
) (f S
) (f G ) (f G
) (f G
) (f
k y k x
2
k xy
k y k x
2
k xy
k
2
xy
= I

La funzione di coerenza quindi una funzione reale e gode della seguente propriet matematica:

1 ) (f
k
2
xy
s I s 0

Attraverso questa funzione possibile classificare la correlazione tra i due campioni x(t) e y(t); se
2
xy
I (f)=0 per certi valori di f allora x e y sono incoerenti per quei valori di f; se
2
xy
I (f)=0 sempre
allora le funzioni sono statisticamente indipendenti. Viceversa i segnali sono completamente
coerenti e quindi correlati quando
2
xy
I (f)=1. Se i due segnali sono linput e loutput di un sistema e,
per certe frequenze si ha una funzione di coerenza compresa fra zero e uno pu succedere una o pi
delle seguenti situazioni:

- nel segnale di output y(t) presente un rumore random non correlato con linput;
- il sistema non lineare e quindi possono essere presenti delle traslazioni in frequenza e dei
miscelamenti;
- y(t) un output che dipende sia da x(t) che da altri input eventualmente trascurati.

Come esempio applicativo consideriamo un aeroplano che vola in una situazione in cui presente
una turbolenza atmosferica, come illustrato nella figura seguente. Consideriamo come segnale x(t)
di input la velocit verticale fluttuante dovuta alla presenza della turbolenza misurata con una sonda
che si estende sul davanti dellaeroplano; consideriamo come segnale di output y(t) quello di
accelerazione misurato con un accelerometro posto nel centro di massa dellaeroplano stesso.

96

Schema della misura della funzione di coerenza

La funzione di coerenza fra i due segnali riportata nella figura seguente per un caso reale del tipo
descritto. Le misure sono state eseguite con una risoluzione di banda di 0.05 Hz e con campioni
della durata di 10 minuti. I risultati mostrano che la funzione di coerenza assume valori alti (0.8-0.9)
nellintervallo di frequenza fra 0.3 e 2 Hz mostrando una forte correlazione dei segnali. Al di fuori
di questi limiti di frequenza la funzione di coerenza decresce bruscamente e questo riflette il fatto
che si ha una perdita di correlazione fra i segnali a causa del fatto che sono presenti altri input a
modificare loutput studiato.

Il prodotto della funzione di coerenza per lo spettro di potenza del segnale di output y(t)
detta potenza di output coerente (C.O.P. coherent output power):

) f ( G ) f ( . P . O . C
y
xy
2
I =

In pratica, per sistemi lineari, il C.O.P. esprime la porzione di potenza nel segnale di output che
direttamente imputabile al solo input x(t).

97
Per un sistema lineare a parametri costanti, a parametri , che sar definito pi
dettagliatamente nel seguito, in cui x(t) sia linput e y(t) loutput, si pu valutare il rapporto
segnale/rumore S/N per ogni componente alla frequenza f sfruttando la funzione di coerenza:

) f ( 1
) f (
) f ( N / S
xy
2
xy
2
I
I
=

Sistemi lineari a singolo input e singolo output

Un sistema lineare a parametri costanti con un singolo input ed un singolo output un sistema che
schematizza molti processi e sistemi fisici reali. Il fatto che abbia parametri costanti implica che
le sue caratteristiche sono invarianti nel tempo mentre il fatto che sia lineare implica che le sue
caratteristiche di risposta sono additive e omogenee e quindi valgono le seguenti relazioni:

f(x
1
+x
2
)=f(x
1
)+f(x
2
)

f(cx)=cf(x)

dove x rappresenta un input variabile nel tempo e f(x) il corrispondente output.

Le caratteristiche dinamiche di un sistema lineare del tipo descritto possono determinarsi attraverso
quella che viene definita la risposta impulsiva del sistema h(t) che rappresenta la risposta del
sistema quando sollecitato da un impulso unitario o(t) applicato ad un tempo t precedente.
Limportanza della risposta impulsiva sta nel fatto che loutput y(t) per un qualunque input x(t) pu
essere determinato dalla funzione h(t) attraverso un integrale di convoluzione:

t t t = =
}
+

d ) t ( x ) ( h ) t )( x * h ( ) t ( y

Ovviamente affinch il sistema sia fisicamente realizzabile deve valere il principio di causalit che
impone:

0 per 0 ) ( h < t = t

Inoltre la risposta di un sistema stabile deve essere tale che la funzione h(t) sia integrabile in valore
assoluto e quindi ( ) ( ) < t t = t t
} }
+ +
0
d h d h . Quindi in pratica per un sistema fisicamente
realizzabile e stabile si avr:

t t t =
}
+
d ) t ( x ) ( h ) t ( y
0

SISTEMA LINEARE
x(t) y(t)
98

Nel dominio delle frequenze il sistema pu essere caratterizzato tramite la sua funzione di risposta
in frequenza H(f) che relazionata alla risposta impulsiva tramite la trasformata di Fourier:

( )
}
+

t t
t t = d e h ) f ( H
f 2 i

anche in questo caso il limite inferiore dellintegrazione pu portarsi a zero dato le caratteristiche
della risposta impulsiva del sistema. In termini di trasformate di Fourier Y(f) e X(f) dei segnali
originali si pu scrivere la relazione:

Y(f)=H(f)X(f)

Quindi lintegrale di convoluzione nel dominio del tempo diventa una moltiplicazione nel dominio
delle frequenze. La funzione di risposta in frequenza (FRF Frequency Response Function), che
viene ampiamente utilizzata per descrivere le caratteristiche di un sistema lineare o di un filtro (sia
digitale che analogico) una funzione complessa ed quindi esprimibile come:

) f ( i
I R
e ) f ( H ) f ( iH ) f ( H ) f ( H
u
= + =

dove il modulo ) f ( H chiamato fattore di guadagno mentre langolo di fase u(f) chiamato fattore
di fase.

La funzione di risposta in frequenza gode delle seguenti propriet di simmetria:

) f ( ) f (
) f ( H ) f ( H
coniugato complesso il indica asterisco ' l ) f ( H ) f ( H
*
u = u
=
=

Inoltre se due sistemi lineari sono posti in cascata e non presente alcun feedback si pu descrivere
le propriet del sistema complessivo 8composto dai due sottosistemi in serie) tramite una funzione
di risposta in frequenza H(f) che legata alle FRF dei singolo sistemi H
1
(f) e H
2
(f) dalla relazione:

H(f)=H
1
(f)H
2
(f)

Spesso la funzione FRF viene, almeno per quanto riguarda il fattore di guadagno, espressa in dB:

( ) ) f ( H log 20 ) f ( H
10
dB
=

I metodi grafici caratteristici per visualizzare la FRF sono i seguenti:

CO-QUAD PLOT la parte reale e la parte immaginaria di H(f) vengono messe in grafico come
funzione della frequenza separatamente.

SISTEMA LINEARE
x(t)

X(f)
y(t)

Y(f)
99
BODE PLOT Il fattore di guadagno e il fattore di fase vengono messi in grafico come
funzione della frequenza separatamente. Il fattore di guadagno spesso
espresso in termini logaritmici in dB.

NYQUI ST PLOT Si riporta in grafico la parte reale di H(f) nelle ascisse e la parte
immaginaria di H(f) nelle ordinate.

NI CHOLS PLOT Si riporta in grafico la FRF in modo da utilizzare sulle ascisse l fattore di
guadagno mentre sulle ordinate il fattore di fase.

Per un sistema lineare a parametri costanti, in assenza di rumore e con un singolo input, la funzione
di coerenza pu esprimersi come:

1
) f ( S ) f ( H ) f ( S
) f ( S ) f ( S ) f ( H
) f ( S ) f ( H ) f ( S
) f ( Y ) f ( X
) f ( S ) f ( S
) f ( S
) f (
x
2
x
x x
2
x
2
x
2
*
y x
2
xy
xy
= = = = I

Un sistema lineare non pu traslare in frequenza linput n eseguire miscelamenti, il suo unico
effetto quello di immettere un fattore di guadagno, eventualmente dipendente dalla
frequenza, ed uno sfasamento del segnale di uscita rispetto allinput. Anche lo sfasamento , in
generale, dipendente dalla frequenza.

Fig. 46) Illustrazione delle relazioni di input-output. (a) spettro di potenza. (b) cross-spettro
100

Filtri analogici e digitali

I filtri permettono di modificare il contenuto in frequenza di un segnale. Essi distorcono la densit
spettrale di potenza in una maniera controllata si da poter mettere in evidenza alcuni aspetti del
segnale che sarebbero impossibili da visualizzare nella forma donda non filtrata. La prima
distinzione da fare fra filtri attivi e passivi, i primi oltre ad una selezione del segnale operano
anche unamplificazione (o comunque presentano un fattore di guadagno diverso da 1 anche nella
zona di banda passante) della parte prescelta, gli altri producono unicamente una selezione del
segnale. A loro volta i filtri si suddividono in:

+ FILTRI ANALOGICI
+ FILTRI DIGITALI

i primi sono circuiti elettrici pi o meno complessi generalmente basati su resistenze, capacit e
(soprattutto nel caso di filtri attivi) anche di amplificatori operazionali. Sono generalmente utilizzati
nelle catene di tipo analogico ma anche in quelle digitali per eliminare (o almeno ridurre) il
fenomeno dellaliasing. Il fatto che si possa costruire filtri, virtualmente di qualunque tipo,
sfruttando solo resistenze, capacit ed amplificatori senza necessariamente utilizzare delle
induttanze di estrema importanza nellelettronica moderna in quanto le attuali tecniche costruttive
dei circuiti integrati precludono luso sistematico delle induttanza che sono ingombranti, pesanti e
dissipano, per effetto Joule, una notevole quantit di potenza. Ci sono ovviamente dei casi
particolari, come quelli dei filtri risonanti LC serie o LC parallelo, in cui vengono utilizzate delle
induttanze. I filtri digitali sono invece delle operazioni matematiche eseguite sui set di dati
memorizzati.

Il fondamento matematico di un filtro la convoluzione. Luscita y(t) di un filtro la convoluzione
fra la sua risposta impulsiva h(t) ed il segnale in ingresso x(t), come descritto nel paragrafo
precedente. I filtri si suddividono generalmente in base al tipo di selezione in frequenza che sono in
grado di eseguire. Si parla di filtri di tipo:

+ PASSA BASSO (low pass)
+ PASSA ALTO (high pass)
+ PASSA BANDA (band pass)
+ ELIMINAZIONE DI BANDA (band-rejection o stop-band)

In figura sono riportati degli esempi di FRF ideale, in termini di fattore di guadagno, per queste
quattro categorie di filtri. Notare che nel caso di filtri ideali la caratteristica bruscamente variabile
al termine delle bande passanti del filtro. Nella realt i filtri avranno un andamento molto meno
ripido, oltre a presentare eventualmente (a seconda del tipo di filtro) delle oscillazioni locali. Il filtro
ideale inoltre non modifica la fase del segnale per nessuna frequenza il che vuole dire che il fattore
di fase della grandezza complessa H(f) nullo. Nella realt i filtri distorcono le relazioni di fase
introducendo degli sfasamenti dipendenti dalla frequenza. In genere, soprattutto nei filtri digitali con
caratteristiche spinte, si riesce a controllare la fase nella passband ma si introducono delle forti
distorsioni al di fuori di questultima.

La frequenza di taglio di un filtro, ad esempio passabasso, definita come la frequenza alla
quale il valore del fattore di guadagno della FRF calato di 3 dB rispetto al valore che aveva
nella passband.

101

Esempi di funzioni di trasferimento ideali.

Nei casi reali i filtri (sia analogici che digitali) presentano delle funzioni di trasferimento diverse da
quelle ideali; nella figura seguente sono riportati degli esempi di frequenze di trasferimento per dei
filtri pi realistici nel caso di passa-basso e di passa-banda. La figura illustra anche la terminologia
generalmente utilizzata per descrivere le caratteristiche dei filtri.

Esempi di funzioni di trasferimento realistiche per un passa-basso ed un passa-banda.

Per progettare un filtro necessario conoscere alcune specifiche che il filtro deve rispettare. In
particolare con riferimento al passa basso in figura:

La o le frequenze di taglio (f
h
)
) f ( H
f
f
t

) f ( H
f
f
t

1 1
) f ( H
f
f
1

1
f
2

) f ( H
f
f
1

1
f
2

102
Lattenuazione di stop-band (H
1
-H
min
).
La frequenza della stop-band (f
s
)
Il massimo ripple permesso (H
max
-H
1
).

Esempio applicativo di filtro analogico

Come primo esempio applicativo consideriamo un filtro RC passa alto. Tale filtro un semplici
esempio di come sia possibile sviluppare un filtro analogico utilizzando solo una resistenza ed una
capacit. La tensione filtrata quella letta ai capi del condensatore.

La funzione di risposta in frequenza di questo filtro riportata in figura, questo tipo di filtro quello
solitamente utilizzata negli ingressi AC delloscilloscopio o degli analizzatori di spettro.

Notare che il decadimento del fattore di guadagno con la frequenza di 20 dB/decade ed
caratteristico dei filtri RC del primo ordine.

0.001 0.01 0.1 1 10 100
-60
-50
-40
-30
-20
-10
0
0.001 0.01 0.1 1 10 100
-60
-50
-40
-30
-20
-10
0
a
b
s
(
H
(
f
)
)
d
B
f/fl
0.001 0.01 0.1 1 10 100
0
20
40
60
80
100
0.001 0.01 0.1 1 10 100
0
20
40
60
80
100
T
e
t
a

(
g
r
a
d
i
)
f/fl

Fig. 47) Risposta in frequenza del filtro RC passa-alto.

Questo tipo di filtro sugli ingressi AC della strumentazione spesso utilizzato per sottrarre la
media di una uscita di trasduttore. Notare che il filtro non si limita a fare questo ma distorce
comunque il segnale in termini di fase e di ampiezza al di fuori della passband. Sarebbe in
effetti molto pi efficace utilizzare un detrending digitale con sottrazione della media (DC
CANCEL) sulla serie gi acquisita.

H f H f e
i f
( ) ( )
( )
=
u

H f
f
f
l
( ) =
+
|
\
|
.
|
1
1
2

0( ) tan f a
f
f
l
=
|
\
|
.
|
f
RC
l
=
1
2t

V
i

C
R V
o

103
Il filtraggio digitale dei dati fa parte di quella fase di precondizionamento delle serie temporali che
pu essere estremamente utile per la preparazione di dati che devono poi subire ulteriori fasi di
analisi. I filtraggi di tipo digitale possono essere effettuati sia nel dominio del tempo (direttamente
sulle serie temporali) e sar utilizzato un integrale di convoluzione (coinvolgendo la risposta
impulsiva del filtro) che nel dominio delle frequenze e quindi agendo direttamente sulla trasformata
di Fourier dei segnali con una moltiplicazione che coinvolge la FRF del filtro. Lapplicazione di
filtri nel dominio delle frequenze pu sembrare pi semplice e diretto anche perch non richiede una
espressione analitica del filtro. Tuttavia le applicazioni su campioni lunghi tende ad essere time-
consuming se si ha la necessit di ricostruire la forma donda. Di conseguenza ci concentreremo
principalmente sullapplicazione dei filtri nel dominio del tempo. Tali filtri possono caratterizzarsi
in due tipi:

1) Filtri non recursivi o filtri con risposta impulsiva finita (FIR finite impulse response)
2) Filtri recursivi o filtri con risposta impulsiva infinita (IIR infinite impulse response)

Filtri digitali non recursivi

Riprendiamo la relazione fra input ed output di un filtro espressa per una funzione continua e
riconduciamola ad una somma finita di termini come si addice per un segnale digitalizzato. Il valore
di y al tempo n t A sar dato da:

{ }
=

=
M
0 k
k n k n
x h y

i valori h
k
sono detti pesi del filtro. La risposta in frequenza FRF del filtro :

( )
=
A t =
M
1 k
k
t fk 2 cos h 2 ) f ( H

ed reale (i pesi del filtro sono reali) e non viene perci introdotta una distorsione di fase. I filtri di
questo tipo sono detti non recursivi in quanto luscita ad un certo istante dipende solo da una somma
finita di termini relativi allingresso non filtrato. Classici esempi di FIR sono i filtraggi di
smoothing, linterpolazione, estrapolazione, la derivazione e lintegrazione

Esempio applicativo

Come esempio di filtro consideriamo un filtro passa basso non recursivo che abbia la risposta in
frequenza ideale data da:

altrimenti 0 ) f ( H
f f f 1 ) f ( H
0 0
=
s s =

i pesi di questo filtro sono dati da:

( )
( )
h fk t df
sin f k t
k t
k
f
f
= =
}
cos 2
2
0
0
0
t
t
t
A
A
A

104
quindi i pesi del filtro sono proporzionali a 1/k cos che sono necessari grandi valori di k affinch
questi pesi diventino piccoli. In pratica questo non considerato un filtro efficiente da un punto di
vista del calcolo perch richiederebbe un enorme numero di pesi e, in genere, sar presente un
significativo errore di troncamento fra la H(f) ideale e quella reale ricavata dai pesi.

Filtri digitali recursivi

Sono filtri in cui luscita non dipende solo dallingresso non filtrato ma anche dalluscita filtrata a
tempi diversi che viene riportata in ingresso con una procedura chiamata feedback. In genere
presentano degli sfasamenti non costanti al variare della frequenza che produrrebbero delle
distorsioni di fase. Con particolari accorgimenti, nelle routines di filtraggio, tuttavia possibile
annullare o comunque limitare, allinterno della banda passante, leffetto di distorsione di fase.
Consideriamo, ad esempio, un filtro standard di tipo recursivo dato da:

=

+ =
M
1 k
k n k n n
y h cx y

in cui luscita dipende da un solo valore dellingresso non filtrato e utilizza M uscite precedenti del
filtro. Naturalmente possibile creare filtri in cui sono utilizzati un numero di ingressi maggiore. In
figura riportato lo schema relativo al filtro in esame.

Diagramma schematico del filtro recursivo.

La trasformata di Fourier dellequazione di questo filtro da come risultato:

=
A t
+ =
M
1 k
t fk 2 i
k
e h ) f ( Y ) f ( cX ) f ( Y

dove X(f) la trasformata di Fourier dellingresso e Y(f) la trasformata di Fourier delluscita. La
risposta in frequenza sar perci data da:

=
A t
= =
M
1 k
t fk 2 i
k
e h 1
c
) f ( X
) f ( Y
) f ( H

la quale presenta cio dei poli e le caratteristiche del filtro sono completamente determinate dalla
posizione di questi poli nel piano complesso.

105
Esempio applicativo

In questo esempio si deve determinare lordine di un filtro digitale passa-basso di tipo butterwhort
per ottenere unattenuazione di 40 dB ad una frequenza pari a due volte quella di taglio f
0
. La
funzione di trasferimento normalizzata di tipo passa-basso di un butterworth si pu esprimere come:

n 2
0
2
1
f
f
1
1
H
) f ( H
|
|
.
|
\
|
+
= dove n detto ordine del filtro.

Avere unattenuazione di 40 dB per f=2f
0
significa che 01 . 0 H / ) f 2 ( H
1 0
= e quindi:

( ) 0 01
1
1 2
2
2
. =
+
n
da cui n = 6 64 .

scegliendo un valore intero per n si avrebbe n=7.

Esempio di utilizzo

In figura riportato un segnale in tensione da un trasduttore (curva nera) ed il suo spettro di potenza
che evidenzia almeno due picchi. Siamo interessati a filtrare il segnale con un filtro digitale di tipo
butterworth per evidenziare il contributo del primo picco a 150 Hz.

Per fare questo costruiamo un filtro passa banda con le seguenti caratteristiche:

+ Frequenza di taglio inferiore: 140 Hz
+ Frequenza di taglio superiore: 160 Hz
+ Ripple: 3dB
+ Stop-band: 130 e 170 Hz
+ Attenuazione di stop-band: 48 dB

106

Fig. 48) Esempio di applicazione di un filtro passabanda

Notare la distorsione di fase introdotta al di fuori della passband del filtro stesso.
107

Fig. 49) Esempio di applicazione di filtri per selezionare il segnale
108
Cepstrum

Queste note si concludono con la descrizione della elaborazione del cepstrum. Questo tipo di analisi
fu introdotta nel 1963 da Bogert, Healy e Tukey. Essi si resero conto che il logaritmo dello spettro
di potenza di un segnale che contiene un eco ha una componente additiva periodica dovuta alleco e
quindi la sua trasformata di Fourier presenterebbe un picco in corrispondenza del ritardo delleco.
Essi chiamarono questa funzione cepstrum e la variabile dipendente (che ha le dimensioni di un
tempo) fu chiamata quefrency.

In pratica il cepstrum utilizzato principalmente per le analisi di segnali di tipo acustico e per
la analisi della voce.

Viene definito un cepstrum complesso che lantitrasformata di Fourier del logaritmo
(complesso) della funzione X(f). La funzione X(f) a sua volta la trasformata di Fourier del
segnale x(t).

Viene anche definito un cepstrum relae che lantitrasformata di Fourier del logaritmo (reale)
dello spettro di potenza S
x
(f) del segnale x(t).

Nella figura riportato il cepstrum complesso di un segnale sinusoidale in cui presente un eco
ritardato di 0.3s del segnale stesso e leco riflette il 50% dellampiezza del segnale.
0 0.2 0.4 0.6 0.8 1 1.2 1.4
-1.5
-1
-0.5
0
0.5
1
1.5
Tempo (s)
S
e
g
n
a
l
e

(
A
.
U
.
)

0 0.2 0.4 0.6 0.8 1 1.2 1.4
-1
-0.5
0
0.5
1
1.5
2
Quefrency (s)
C
e
p
s
t
r
u
m

c
o
m
p
l
e
s
s
o

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7
-0.3
-0.2
-0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
Quefrency (s)
C
e
p
s
t
r
u
m

r
e
a
l
e

Fig. 50) Esempio di utilizzo del cepstrum sia reale che complesso

109
Riferimenti bibliografici

[1] Taylor J.R. , Introduzione all analisi degli errori, Zanichelli, 1990

[2] Doebelin E.O. , Measurement Sistems, application and design, McGraw-Hill, 1990

[3] Bradshaw P., An Introduction to Turbulence and its Measurement, Pergamon Press,
Oxford, 1971.

[4] Bendat J., Piersol A., Random Data: Analysis and Measurements Procedures, Wiley,
1971.

Altri riferimenti non citati in cui si possono trovare approfondimenti ed estensioni degli argomenti
trattati sono:

[5] Holman J. P. , Experimental Methods for Engineers, McGraw-Hill, 1978

[6] Hewlett Packard 98827A, Waveform analysis for the HP series 200 computers, 1982.

[7] Milman J., Grabel A.,Microelectronics, McGraw-Hill, 1987.

[8] Poggi G., Esperimenti di elettricit e magnetismo, Universit Degli Studi di Firenze,
1988.

[9] Oppenheim A. V., Schafer R. W., Elaborazione numerica die segnali, Franco Angeli
Editori, Milano, 1985.

[10] Lo Presti L., Neri F., Lanalisi dei segnali, CLUT, 1992

[11] Del Re E., Elementi di elaborazione numerica, Pitagora Editrice, 1993

Analisi Dei Segnali Dinamici - Manfrida Contini

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Analisi Dei Segnali Dinamici - Manfrida Contini

Caricato da

Copyright:

Formati disponibili

Analisi dei segnali G. Manfrida & D.

. . Poich questo valore significativamente maggiore di 1 sospettiamo

Potrebbero piacerti anche