The aim of this thesis is to present innovative signal processing and machine learning approaches to improve the estimation results of time-domain reflectometry (TDR) and extend its fields of application and capabilities. Different variations of the reflectometry technique and of the relative estimation algorithms are studied. First, algorithms to realize effectively and accurately the stepped-frequency waveform reflectometry (SFWR), i.e. the reflectometric technique based on the use of sinusoidal bursts, are treated. The SFWR technique is first theoretically analyzed, highlighting the problems associated to the transient components in the reflected signals. Then, a method to minimize the effect of the transients, estimating the desired quantities with very low systematic error, is presented. The usage of deep learning for the analysis of TDR signals is then explored. In particular, a convolutional neural network is employed for the detection and characterization of multiple impedance discontinuity points in cables. Finally, a novel method for enhancing TDR detection and localization of water leaks in underground pipes is presented. In this case, TDR signals are analyzed using a novel simulation-based algorithm, which identifies a "gray-box" model of the whole electromagnetic system involved in the measurement. This model provides an approximate but much simpler representation of the system, that is nevertheless capable to reproduce the measured reflectograms with good accuracy.

Lo scopo di questa tesi è quello di presentare approcci innovativi di signal processing e machine learning per migliorare i risultati di stima ottenuti con la riflettometria nel dominio del tempo (TDR), ed estendere i suoi campi di applicazione e possibilità di utilizzo. Vengono studiate diverse varianti della tecnica di riflettometria e degli algoritmi di stima relativi. In primo luogo, vengono trattati gli algoritmi per realizzare in modo efficace e accurato la stepped-frequency waveform reflectometry (SFWR), vale a dire la tecnica riflettometrica basata sull'uso di pacchetti sinusoidali. La tecnica SFWR è prima analizzata dal punto di vista teorico, evidenziando i problemi associati ai transitori nei segnali riflessi. Quindi, viene presentato un metodo per minimizzare l'effetto dei transitori, stimando le quantità desiderate con un errore sistematico molto basso. Successivamente, viene esplorato l'uso del deep learning per l'analisi dei segnali TDR. In particolare, una rete neurale convoluzionale è impiegata per il rilevamento e la caratterizzazione di più punti di discontinuità di impedenza nei cavi. Infine, viene presentato un nuovo metodo per migliorare il rilevamento e la localizzazione mediante TDR di perdite d'acqua nelle tutature sotterranee. In questo caso, i segnali TDR vengono analizzati utilizzando un nuovo algoritmo simulation-based, che identifica un modello "gray-box" dell'intero sistema elettromagnetico coinvolto nella misura. Questo modello fornisce una rappresentazione approssimativa ma molto più semplice del sistema, che è comunque in grado di riprodurre i riflettogrammi misurati con buona precisione.

Signal processing and machine learning for TDR-based distributed sensing

Scarpetta, Marco
2022-01-01

Abstract

Lo scopo di questa tesi è quello di presentare approcci innovativi di signal processing e machine learning per migliorare i risultati di stima ottenuti con la riflettometria nel dominio del tempo (TDR), ed estendere i suoi campi di applicazione e possibilità di utilizzo. Vengono studiate diverse varianti della tecnica di riflettometria e degli algoritmi di stima relativi. In primo luogo, vengono trattati gli algoritmi per realizzare in modo efficace e accurato la stepped-frequency waveform reflectometry (SFWR), vale a dire la tecnica riflettometrica basata sull'uso di pacchetti sinusoidali. La tecnica SFWR è prima analizzata dal punto di vista teorico, evidenziando i problemi associati ai transitori nei segnali riflessi. Quindi, viene presentato un metodo per minimizzare l'effetto dei transitori, stimando le quantità desiderate con un errore sistematico molto basso. Successivamente, viene esplorato l'uso del deep learning per l'analisi dei segnali TDR. In particolare, una rete neurale convoluzionale è impiegata per il rilevamento e la caratterizzazione di più punti di discontinuità di impedenza nei cavi. Infine, viene presentato un nuovo metodo per migliorare il rilevamento e la localizzazione mediante TDR di perdite d'acqua nelle tutature sotterranee. In questo caso, i segnali TDR vengono analizzati utilizzando un nuovo algoritmo simulation-based, che identifica un modello "gray-box" dell'intero sistema elettromagnetico coinvolto nella misura. Questo modello fornisce una rappresentazione approssimativa ma molto più semplice del sistema, che è comunque in grado di riprodurre i riflettogrammi misurati con buona precisione.
The aim of this thesis is to present innovative signal processing and machine learning approaches to improve the estimation results of time-domain reflectometry (TDR) and extend its fields of application and capabilities. Different variations of the reflectometry technique and of the relative estimation algorithms are studied. First, algorithms to realize effectively and accurately the stepped-frequency waveform reflectometry (SFWR), i.e. the reflectometric technique based on the use of sinusoidal bursts, are treated. The SFWR technique is first theoretically analyzed, highlighting the problems associated to the transient components in the reflected signals. Then, a method to minimize the effect of the transients, estimating the desired quantities with very low systematic error, is presented. The usage of deep learning for the analysis of TDR signals is then explored. In particular, a convolutional neural network is employed for the detection and characterization of multiple impedance discontinuity points in cables. Finally, a novel method for enhancing TDR detection and localization of water leaks in underground pipes is presented. In this case, TDR signals are analyzed using a novel simulation-based algorithm, which identifies a "gray-box" model of the whole electromagnetic system involved in the measurement. This model provides an approximate but much simpler representation of the system, that is nevertheless capable to reproduce the measured reflectograms with good accuracy.
time domain reflectometry; machine learning; deep learning; signal processing; fault detection; water leak detection
File in questo prodotto:
File Dimensione Formato  
tesi-scarpetta-iris.pdf

accesso aperto

Descrizione: Tesi di dottorato
Tipologia: Tesi di dottorato
Licenza: Non specificato
Dimensione 16 MB
Formato Adobe PDF
16 MB Adobe PDF Visualizza/Apri

I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/11589/246220
Citazioni
  • Scopus ND
  • ???jsp.display-item.citation.isi??? ND
social impact