Analisi Termica Forno — Cevolani

Script Python per l'analisi del profilo termico di una scatola che attraversa un forno industriale, con acquisizione tramite sensori IR.

Setup (Windows)

python -m venv venv
venv\Scripts\activate
pip install -r requirements.txt

Avvio rapido

Tutto il progetto è accessibile tramite un menu interattivo:

python main.py

Il menu si ripete dopo ogni operazione finché non si preme 0 per uscire. Le voci del menu vengono costruite automaticamente in base alle cartelle presenti nel progetto: aggiungere una nuova cartella induttoreX/ con un appX.py la fa apparire automaticamente.

---

Struttura del progetto

temperatura/
├── data.csv                  # dati acquisiti (input)
├── main.py                   # menu interattivo
├── report_completo.py        # generatore report PDF + LaTeX
├── algoritmo.md              # descrizione dell'algoritmo di regressione
├── clear.sh                  # elimina tutti i file generati
├── requirements.txt
├── start/
│   ├── calcola_t_amb.py      # calcola T∞ media ponderata
│   └── plot_temperatura.py   # visualizza i dati raw
└── induttoreX/               # una cartella per ogni induttore
    ├── appX.py               # script di fit (parametri hardcoded)
    ├── induttoreX.png        # grafico generato
    └── reportX.md            # report generato

---

Voci del menu

Calcola T ambiente

Script: start/calcola_t_amb.py

Calcola la temperatura ambiente media ponderata sul tempo (regola dei trapezi) usando la colonna temp_amb IR [C] dell'intera acquisizione. Stampa i risultati a console e genera start/report.md.

Il valore ottenuto viene usato come costante T∞ in tutti i fit.

---

Plot dati raw

Script: start/plot_temperatura.py

Visualizza il profilo grezzo di entrambe le serie (temp_obj IR e temp_amb IR) nell'intervallo definito dalle variabili T0 e T_END in cima al file. Salva il grafico in start/plot_temperatura.png.

---

Induttore X — appX.py

Script: induttoreX/appX.py

Esegue la regressione non lineare sul tratto di acquisizione definito dalle variabili T0 e T_END in cima allo script (modificabili manualmente). Produce:

• induttoreX/induttoreX.png — grafico con dati raw e curva di fit sovrapposti
• induttoreX/reportX.md — equazione trovata, parametri stimati con incertezze (1σ) e R²

Per aggiungere un nuovo induttore: copiare uno script esistente, aggiornare T0, T_END (e W0_START/W0_END se serve escludere un intervallo), e salvarlo in una nuova cartella induttoreX/.

---

Algoritmo di regressione

File: algoritmo.md

Spiega l'algoritmo usato per tutti i fit: minimi quadrati non lineari, metodo Trust Region Reflective (TRF), gestione dei pesi, stima iniziale dei parametri e metriche di qualità (R², incertezze dalla matrice di covarianza).

---

Report completo (PDF + LaTeX)

Script: report_completo.py

Legge automaticamente tutti i reportX.md presenti nelle cartelle induttore*/ e genera:

• report_completo.tex — sorgente LaTeX compilabile con MikTeX o TeX Live
• report_completo.pdf — PDF professionale con cover page, scheda documento, header/footer e tabella riepilogativa finale

Il PDF viene generato direttamente da Python tramite reportlab (nessuna dipendenza esterna richiesta).

---

Pulizia file generati

Script: clear.sh

Elimina tutti i file prodotti dagli script (*.md e *.png in start/ e induttore*/, più report_completo.tex e report_completo.pdf). I sorgenti e data.csv non vengono toccati.

bash clear.sh

---

Requisiti di data.csv

Formato

Proprietà	Valore richiesto
Formato	CSV
Separatore	, (virgola)
Encoding	UTF-8
Prima riga	intestazione (header)

Colonne obbligatorie

I nomi delle colonne devono corrispondere esattamente (spazi e maiuscole inclusi):

Colonna	Unità	Descrizione
time since start [ms]	ms	Tempo dall'inizio acquisizione — convertito in secondi (/ 1000) da tutti gli script
temp_obj IR [C]	°C	Temperatura dell'oggetto misurato (target del fit)
temp_amb IR [C]	°C	Temperatura ambiente (usata per calcolare T∞)

Le colonne aggiuntive presenti nel file vengono ignorate.

Copertura temporale

Il file deve contenere campioni nei range temporali usati da ciascuno script. I parametri T0 e T_END in ogni appX.py devono ricadere all'interno dei valori di time since start [ms] presenti nel CSV (convertiti in secondi).

Modello di fitting

Tutti i fit usano il modello di raffreddamento di Newton:

T(t) = T∞ + A · exp( -(t - t₀) / τ )

con T∞ fissa (calcolata da calcola_t_amb.py) e parametri A, τ liberi, stimati con regressione non lineare (metodo TRF di scipy.optimize.curve_fit).