• Treffer 2 von 6
Zurück zur Trefferliste
Zitieren Sie bitte immer diesen URN: urn:nbn:de:kobv:b43-542060

Towards interpretable machine learning for automated damage detection based on ultrasonic guided waves

  • Data-driven analysis for damage assessment has a large potential in structural health monitoring (SHM) systems, where sensors are permanently attached to the structure, enabling continuous and frequent measurements. In this contribution, we propose a machine learning (ML) approach for automated damage detection, based on an ML toolbox for industrial condition monitoring. The toolbox combines multiple complementary algorithms for feature extraction and selection and automatically chooses the best combination of methods for the dataset at hand. Here, this toolbox is applied to a guided wave-based SHM dataset for varying temperatures and damage locations, which is freely available on the Open Guided Waves platform. A classification rate of 96.2% is achieved, demonstrating reliable and automated damage detection. Moreover, the ability of the ML model to identify a damaged structure at untrained damage locations and temperatures is demonstrated.

Metadaten exportieren

Weitere Dienste

Teilen auf Twitter Suche bei Google Scholar Anzahl der Zugriffe auf dieses Dokument
Metadaten
Autor*innen:C. Schnur, P. Goodarzi, Yevgeniya LugovtsovaORCiD, Jannis BullingORCiD, Jens PragerORCiD, K. Tschöke, J. Moll, A. Schütze, T. Schneider
Dokumenttyp:Zeitschriftenartikel
Veröffentlichungsform:Verlagsliteratur
Sprache:Englisch
Titel des übergeordneten Werkes (Englisch):Sensors
Jahr der Erstveröffentlichung:2022
Organisationseinheit der BAM:8 Zerstörungsfreie Prüfung
8 Zerstörungsfreie Prüfung / 8.4 Akustische und elektromagnetische Verfahren
Veröffentlichende Institution:Bundesanstalt für Materialforschung und -prüfung (BAM)
Verlag:MDPI
Verlagsort:Basel
Jahrgang/Band:22
Ausgabe/Heft:1
Aufsatznummer:406
Erste Seite:1
Letzte Seite:19
DDC-Klassifikation:Naturwissenschaften und Mathematik / Chemie / Analytische Chemie
Freie Schlagwörter:Automotive industry; Carbon fibre-reinforced plastic; Composite structures; Interpretable machine learning; Structural health monitoring
Themenfelder/Aktivitätsfelder der BAM:Chemie und Prozesstechnik
DOI:10.3390/s22010406
URN:urn:nbn:de:kobv:b43-542060
ISSN:1424-8220
Verfügbarkeit des Dokuments:Datei für die Öffentlichkeit verfügbar ("Open Access")
Lizenz (Deutsch):License LogoCreative Commons - CC BY - Namensnennung 4.0 International
Datum der Freischaltung:11.01.2022
Referierte Publikation:Ja
Datum der Eintragung als referierte Publikation:21.01.2022
Schriftenreihen ohne Nummerierung:Wissenschaftliche Artikel der BAM
Einverstanden
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.