Filtern
Dokumenttyp
- Vortrag (17)
- Beitrag zu einem Tagungsband (11)
- Posterpräsentation (8)
- Zeitschriftenartikel (4)
Schlagworte
- Simulation (40) (entfernen)
Organisationseinheit der BAM
- 8 Zerstörungsfreie Prüfung (40) (entfernen)
Eingeladener Vortrag
- nein (17)
Im Rahmen des Forschungsprojekts "Artificial Intelligence for Rail Inspection" (AIFRI) wird ein KI-Algorithmus entwickelt, um die Fehlererkennung und Bewertung bei der Auswertung von Schienenprüfungen mittels Ultraschall- und Wirbelstromprüfverfahren zu verbessern. Je nach Prüfverfahren werden relevante Schienenschädigungen (z. B. Head Checks) und Artefakte (z. B. Bohrungen) entsprechend analysiert und in einem parametrisierbaren digitalen Zwilling abgebildet, um anschließend die KI-Algorithmen trainieren zu können. Mit der Simulation können Prüffahrten virtuell durchgeführt und Schadensbilder für das KI-Training erzeugt werden, die das Verhalten komplexer Systeme reproduzieren, ohne dass das reale System benötigt wird. Die Modellannahmen sind dabei von erheblicher Bedeutung, denn unzureichende Modellannahmen führen leicht zu falschen Simulationsergebnissen. Um die Ergebnisse einer Simulation ordnungsgemäß darstellen zu können, ist das Simulationsmodell selbst zu überprüfen.
Die Vollständigkeit, Richtigkeit und Genauigkeit der Simulationsergebnisse werden anhand von realen Prüfungen verifiziert. Für die Verifikation der Ultraschallsimulation werden hier Stegbohrungen als Referenzreflektoren herangezogen. Als Testkörper stehen Schienensegmente mit unterschiedlichen Profiltypen sowie speziell angefertigte Testkörper mit schienenähnlicher Geometrie zur Verfügung. In den Testkörpern befinden sich künstliche und reale Schädigungen in Kopf-, Steg- und Fußbereich, sowie Bohrungen mit Nuten. Die Validierung der Wirbelstromsimulation erfolgt an Testkörpern, die aus Schienenköpfen gefertigt sind. Dabei werden die Signale für unterschiedliche Nuttiefen und Nutenpaare mit unterschiedlichen Abständen untersucht.
Für die Modellierung der Simulationsergebnisse verweisen wir auf das ebenfalls eingereichte Poster „Simulation von Ultraschall- und Wirbelstromprüfdaten für die Schienenprüfung“.
Das Projekt AIFRI wird im Rahmen der Innovationsinitiative mFUND unter dem Förderkennzeichen 19FS2014 durch das Bundesministerium für Digitales und Verkehr gefördert.
Im Rahmen des Forschungsvorhabens AIFRI „Arteficial Intelligence for Rail Inspection“ wird der Prozess der mechanisierten Schienenprüfung in einem digitalen Zwilling abgebildet, um in einem zweiten Schritt mit KI-Algorithmen eine automatisierte Defekterkennung und -klassifizierung trainieren zu können. Hierzu werden relevante Schienenschädigungen und in der Schiene vorhandene Artefakte analysiert und in skalierbare Modelle übertragen.
Die Norm DIN EN 16729-1 „Bahnanwendungen - Infrastruktur - Zerstörungsfreie Prüfung an Schienen im Gleis - Teil 1: Anforderungen an Ultraschallprüfungen und Bewertungsgrundlagen“ gilt für die Prüfausrüstung von Schienenprüffahrzeugen und handgeführten Rollgeräten und legt die Anforderungen an die Prüfgrundsätze und -systeme bei der Prüfung verlegter Eisenbahnschienen fest, um vergleichbare Ergebnisse in Bezug auf Lage, Art und Größe der Unregelmäßigkeiten in den Schienen zu erhalten.
Um die Performance von Prüfsystemen in der Simulation zu evaluieren, wurden die in den Anhängen der DIN EN 16729-1 angegebenen Bezugsreflektoren als künstliche Reflektoren (nach Anhang A) und simulierte Reflektoren (nach Anhang B) in einem digitalen Zwilling mit einem Schienenprofil 54E4 nach DIN EN 13674-1 sowie mit vereinfachter Geometrie als virtuelle Testschienen abgebildet.
Die Simulationen wurden mit den in den Tabellen 3 und 4 nach DIN EN 16729-1 definierten Prüfkopfwinkeln durchgeführt. Die Rechnungen wurden im Labormaßstab an Testkörpern verifiziert und die Signal-Rausch-Abstände für Untersuchungen im Feld ermittelt.
Ergebnisse der Untersuchungen und Möglichkeiten der Anwendung werden vorgestellt.
Das Forschungsvorhaben wird durch das Bundesministerium für Verkehr und digitale Infrastruktur (BMVI) im Rahmen von mFund unter dem Förderkennzeichen 19FS2014 gefördert.
Im Rahmen des Forschungsprojekts "Artificial Intelligence for Rail Inspection" (AIFRI) wird ein KI-Algorithmus entwickelt, um die Fehlererkennung bei der Auswertung von Schienenprüfungen zu verbessern. Der Prozess der mechanisierten Schienenprüfung wird analysiert und die Schienenfehler sowie Artefakte werden in einem digitalen Zwilling abgebildet, um in einem weiteren Schritt die automatische Fehlererkennung und Klassifizierung mit KI-Algorithmen trainieren zu können. Zu diesem Zweck werden Ultraschalldatensätze auf der Grundlage der Regelwerke und Informationen aus der Instandhaltung mit einer Simulationssoftware erstellt, die Anzeigen der verschiedenen Schienenschädigungen und Artefakte enthalten.
Die Schienenfehler werden bei der Auswertung in Fehlerklassen eingeordnet, für das KI-Training priorisiert und auf Basis der von der DB Netz AG ausgewählten Informationen untersucht. Hierfür werden die Schienenfehler nach den für das KI-Training relevanten Merkmalen zerlegt und die Konfiguration der Parameter der Simulation entsprechend abgestimmt.
Für die Grundstruktur des Datensatzes wird ein Schienenmodell mit einer Länge von einem Meter für die Simulation eingesetzt, auf dessen Basis alle bei der Schienenprüfung zu verwendenden Prüfköpfe für den jeweiligen Reflektortyp betrachtet werden. Die simulierten Daten werden auf einer Testschiene im Labormaßstab validiert. Mögliche Einflussparameter wie z. B. der Signal-Rausch-Abstand sowie die Fahrgeschwindigkeit werden in den Datensätzen herangezogen. Die Zusammenstellung eines Testdatensatzes mit lokal veränderlichen Einflussgrößen erfolgt aus den simulierten Daten unter Verwendung der skriptbasierten Programmierumgebung Python und Matlab.
Das Projekt AIFRI wird im Rahmen der Innovationsinitiative mFUND unter dem Förderkennzeichen 19FS2014 durch das Bundesministerium für Digitales und Verkehr gefördert.
The best-known discretization methods for solving engineering problems formulated as partial differential equations are finite difference method (FDM), finite element method (FEM) and finite volume method (FVM). While the finite volume method is used in fluid mechanics, the finite element method is predominant in solid state mechanics. At first glance, FVM and FEM are two highly specialized methods. However, both methods can solve problems of both solid mechanics and fluid mechanics well. Since experimental mechanics deals not only with solid state physics but also with fluid mechanics problems, we want to understand FVM in the sense of FEM in this work. In the long term, we want to use the variational calculus to unify many important numerical methods in engineering science into a common framework. In this way, we expect that experiences can be better exchanged between different engineering sciences and thus innovations in the field of experimental mechanics can be advanced. But in this work, we limit ourselves to the understanding of the FVM with the help of the variational calculus already known in FEM. We use a simple 1D Poisson equation to clarify the point. First, we briefly summarize the FVM and FEM. Then we will deal with the actual topic of this paper, as we establish the FEM and the FVM on a common basis by variation formulation. It is shown here that the FVM can be understood in terms of the finite element method with the so-called Galerkin-Petrov approach.
The best-known discretization methods for solving engineering problems formulated as partial differential equations are finite difference method (FDM), finite element method (FEM) and finite volume method (FVM). While the finite volume method is used in fluid mechanics, the finite element method is predominant in solid state mechanics. At first glance, FVM and FEM are two highly specialized methods. However, both methods can solve problems of both solid mechanics and fluid mechanics well. Since experimental mechanics deals not only with solid state physics but also with fluid mechanics problems, we want to understand FVM in the sense of FEM in this work. In the long term, we want to use the variational calculus to unify many important numerical methods in engineering science into a common framework. In this way, we expect that experiences can be better exchanged between different engineering sciences and thus innovations in the field of experimental mechanics can be advanced. But in this work, we limit ourselves to the understanding of the FVM with the help of the variational calculus already known in FEM. We use a simple 1D Poisson equation to clarify the point. First, we briefly summarize the FVM and FEM. Then we will deal with the actual topic of this paper, as we establish the FEM and the FVM on a common basis by variation formulation. It is shown here that the FVM can be understood in terms of the finite element method with the so-called Galerkin-Petrov approach.
Die Simulation von Ultraschallausbreitung ist ein wesentliches Hilfsmittel zur Optimierung von Prüfanordnungen und wird zunehmend in der Prüfvorbereitung eingesetzt. Eisenbahnschienen sind Bauteile mit komplexer Geometrie und im eingebauten Zustand eingeschränkter Zugänglichkeit. Bei der Prüfung im Feld entstehen aus der Schienengeometrie komplexe Echosignale mit Formanzeigen, die schwer zu interpretieren sind.
Für das bessere Verständnis der Schallausbreitung in der Eisenbahnschiene wird diese in einem ersten Schritt mit Hilfe verschiedener Ansätze modelliert. Hierbei werden Finite Elemente Methoden und semi-analytischen Modelle verwendet. In einem zweiten Schritt werden die Ergebnisse der Simulationsmodelle einander gegenübergestellt und mit Messungen an realen Schienen verglichen.
Ziel dieser Untersuchungen ist die Validierung von Simulationsverfahren mit Hilfe von Messdatensätzen und Überprüfung der Anwendbarkeit bei der Bewertung von Ergebnissen der Schienenprüfung.
Die Simulation von Ultraschallausbreitung ist ein wesentliches Hilfsmittel zur Optimierung von Prüfanordnungen und wird zunehmend in der Prüfvorbereitung eingesetzt. Eisenbahnschienen sind Bauteile mit komplexer Geometrie und im eingebauten Zustand eingeschränkter Zugänglichkeit. Bei der Prüfung im Feld entstehen aus der Schienengeometrie komplexe Echosignale mit Formanzeigen, die schwer zu interpretieren sind.
Für das bessere Verständnis der Schallausbreitung in der Eisenbahnschiene wird diese in einem ersten Schritt mit Hilfe verschiedener Ansätze modelliert. Hierbei werden Finite Elemente Methoden und semi-analytischen Modelle verwendet. In einem zweiten Schritt werden die Ergebnisse der Simulationsmodelle einander gegenübergestellt und mit Messungen an realen Schienen verglichen.
Ziel dieser Untersuchungen ist die Validierung von Simulationsverfahren mit Hilfe von Messdatensätzen und Überprüfung der Anwendbarkeit bei der Bewertung von Ergebnissen der Schienenprüfung.
Die Simulation von Ultraschallausbreitung ist ein wesentliches Hilfsmittel zur Optimierung von Prüfanordnungen und wird zunehmend in der Prüfvorbereitung eingesetzt.
Eisenbahnschienen sind Bauteile mit komplexer Geometrie und im eingebauten Zustand eingeschränkter Zugänglichkeit. Bei der Prüfung im Feld entstehen aus der Schienengeometrie komplexe Echosignale mit Formanzeigen, die schwer zu interpretieren sind.
Für das bessere Verständnis der Schallausbreitung in der Eisenbahnschiene wird diese in einem ersten Schritt mit Hilfe verschiedener Ansätze modelliert. Hierbei werden Finite Elemente Methoden und semi-analytischen Modelle verwendet. In einem zweiten Schritt werden die Ergebnisse der Simulationsmodelle einander gegenübergestellt und mit Messungen an realen Schienen verglichen.
Ziel dieser Untersuchungen ist die Validierung von Simulationsverfahren mit Hilfe von Messdatensätzen und Überprüfung der Anwendbarkeit bei der Bewertung von Ergebnissen der Schienenprüfung.
The ability of industrial X-ray computed tomography (CT) to scan an object with several internal and external features at once causes increasing adoption in dimensional metrology. In order to evaluate the quality of a measurement value, the task-specific measurement uncertainty has to be determined. Currently, VDI/VDE 2630 part 2.1 gives a guideline to determine the uncertainty of CT measurements experimentally by conducting repeated measurements. This is costly and time-consuming. Thus, the aim is to determine the task-specific measurement uncertainty numerically by simulations (e. g. according to the guide to expression of uncertainty in measurement (GUM) Supplement 1). To achieve that, a digital twin is necessary. This contribution presents a simple first approach how a digital twin can be built. In order to evaluate this approach, a study comparing measurements and simulations of different real CT systems was carried out by determining the differences between the measurement results of the digital twin and of the measurement results of the real-world CT systems. The results have shown a moderate agreement between real and simulated data. To improve on this aspect, a standardized method to characterize CT systems and methods to implement CT parameters into the simulation with sufficient accuracy will be developed.
Die industrielle Röntgen-Computertomografie (CT) etabliert sich für die Anwendung in der dimensionellen Messtechnik. Sie bietet als zerstörungsfreies Messverfahren das Potential, sowohl innen- als auch außenliegende Merkmale holistisch zu erfassen. Für die Bestimmung der Güte eines Messwerts muss die dem Messwert zugeordnete Messunsicherheit ermittelt werden. Dabei kann, nach derzeitigem Stand der Technik und Normung, die aufgabenspezifische Messunsicherheit nach VDI/VDE 2630 Blatt 2.1 nur unter hohem Aufwand mit einer Vielzahl an experimentellen Wiederholmessungen ermittelt werden. Ziel diverser Forschungs-projekte zu diesem Thema ist es daher, eine numerische Messunsicherheitsbestimmung zu erreichen. Dafür ist es notwendig, alle signifikanten Einflussgrößen zu erfassen, deren Unsicherheitsbeiträge zu bestimmen und zu bewerten. In diesem Beitrag wird der Einfluss des Bildrauschens auf verschiedene dimensionelle Messgrößen simulativ untersucht. Mithilfe eines prismatischen Prüfkörpers, der eine Vielzahl an Geometrieelementen aufweist, werden verschiedene Messgrößen unterschiedlicher Komplexität betrachtet. Ziel ist es, für diese Messgrößen zu testen, wie diese auf das Bildrauschen reagieren. Dieses wird dabei durch das Signal-Rausch-Verhältnis (SNR) der Projektionsgrauwerte beschrieben und variiert. Es werden Wiederholsimulationen durchgeführt, damit eine statistische Aussage über die Verteilung der Messwerte möglich ist und der Einfluss des Rauschens auf verschiedene Messgrößen individuell beurteilt werden kann. Das Simulationsszenario wird so gestaltet, dass lediglich das Bildrauschen Einfluss auf die Messung hat. Die berechneten Verteilungsbreiten lassen mit sinkendem SNR eine deutliche Zunahme erkennen, insbesondere bei der Bestimmung von Formabweichungen. Simuliert wird mit der Software aRTist 2.10 (BAM).