Bay-Fi |

Informazioni e aggiornamenti

Mon, 27 Oct 2025 00:00:00 +0000

Abstract

Il monitoraggio strutturale (SHM) e l’analisi modale operativa si basano sull’identificazione accurata delle frequenze modali a partire dai segnali di vibrazione. In molti casi pratici, però, acquisire segnali ad alta frequenza è limitato dall’hardware, dal consumo energetico o dalla banda di trasmissione dei dati: il campionamento Sub-Nyquist diventa quindi una sfida centrale.

Bay-Fi (Bayesian Frequency Identification) affronta questa sfida con un nuovo metodo generale che consente l’identificazione diretta della frequenza modale principale senza richiedere:

la ricostruzione del segnale
alcuna taratura preliminare degli iperparametri

L’approccio usa un framework bayesiano per ottimizzare un algoritmo di curve fitting applicato a segnali di vibrazione fortemente sottocampionati e acquisiti in modo casuale. In questo modo si ottengono stime di frequenza robuste anche quando i metodi convenzionali fallirebbero per aliasing o dati insufficienti.

Metodologia

L’idea centrale di Bay-Fi è riformulare l’identificazione della frequenza come un problema di ottimizzazione bayesiana. Invece di ricostruire l’intero segnale da misure sparse, il metodo stima direttamente la frequenza dominante adattando un modello parametrico ai campioni disponibili in un contesto probabilistico.

Caratteristiche principali del metodo:

Senza parametri da tarare: non richiede conoscenze a priori né regolazioni manuali
Robusto al sottocampionamento: funziona con segnali campionati ben al di sotto della frequenza di Nyquist
Compatibile con il campionamento casuale: gestisce campioni non uniformi e acquisiti casualmente
Scalabile: applicabile a misure a singolo canale e multicanale

Podcast generato con l’IA

Ti sei mai chiesto come suonerebbe Bay-Fi spiegato da due conduttori entusiasti davanti a un caffè? Ecco la risposta. (Aalto University, Finlandia) ha dato l’articolo in pasto a un’IA e ne è uscito un episodio di podcast sorprendentemente coinvolgente, con tanto di inferenza bayesiana e campionamento Sub-Nyquist. Buon ascolto! (Il podcast è in inglese.)

Aggiornamenti

Data	Aggiornamento
ott 2025	Avvio del progetto, primo sviluppo del framework bayesiano

Pubblicazioni e presentazioni

Mon, 27 Oct 2025 00:00:00 +0000

Articoli su rivista

J1. Bay-Fi: Approximate Bayesian main Frequency Identification for extremely undersampled signals

Articoli a conferenze

C1. Bayesian Approach for Main Frequency Identification on Extremely Under-Sampled Signals — EVACES 2025, Porto

Presentazioni

#	Evento	Luogo	Data	Stato
T1		Porto, Portogallo	2–4 lug 2025	✅ presentato
T2		Napoli, Italia	29 giu – 2 lug 2027	🔜 in programma

Codice

Mon, 27 Oct 2025 00:00:00 +0000

Bay-Fi

Il codice sorgente di Bay-Fi è disponibile liberamente su GitHub con licenza MIT.

Bay-Fi è un framework bayesiano per estrarre le principali frequenze di vibrazione da segnali estremamente sparsi e sottocampionati, senza ricostruzione del segnale né taratura dei parametri. Raggiunge rapporti di compressione più elevati rispetto agli approcci tradizionali di compressed sensing.

Struttura del repository

Cartella	Descrizione
`BayFi/`	Algoritmo principale: libreria `LIB.py`
`Classic-CS/`	Routine MATLAB di ottimizzazione convessa (riferimento per il confronto)
`Examples/`	Esempi applicativi, tra cui un dataset di trave semplicemente appoggiata
`Plotting/`	Script di visualizzazione
`Papers/`	Articoli a conferenze e su rivista correlati
`methodology.pdf`	Documentazione visiva del framework bayesiano

Dipendenze

numpy · scipy · tqdm · pyswarms

Python 3.13: installazione con pip install -r requirements.txt

Autori

Chiara Nardin · Stefano Zorzi · Federica Zonzini · Marco Broccardo

💡 Metti una stella al repository su per seguire gli aggiornamenti!