Filtern
Dokumenttyp
- Beitrag zu einem Tagungsband (3) (entfernen)
Referierte Publikation
- nein (3)
Schlagworte
- Big Data (1)
- Bridges (1)
- Brückenmonitoring (1)
- DAS (1)
- Datenmanagement (1)
- Drone (1)
- Modal Analysis (1)
- SEA (1)
- Schallemissionsanalyse (1)
- Spanndrahtbruchdetektion (1)
Organisationseinheit der BAM
Im vorliegenden Bericht wurde untersucht, Spanndrahtbrüche in einem Brückenträger sowohl mittels Schallemissionsanalyse (SEA) als auch mit (eingebetteter) verteilter faseroptischer akustischer Sensorik (DAS) zu erkennen. Die Ergebnisse zeigen, dass die Bruchsignale anhand beider Messverfahren detektiert werden können. Die jeweils detektierten Drahtbrüche werden miteinander verglichen. Durch eine Gegenüberstellung werden SEA und DAS detailliert dargestellt.
The identification of the dynamic behavior of structures, like bridges and towers, is relevant to address multiple issues. In many cases the dynamic parameters should be acquired only once or at a frequency that doesn’t justify the installation of distinct vibration sensors for a long-term monitoring. To identify modal frequencies of a structure, a drone based mobile sensing platform has been implemented. This sensing platform measures the relative displacement be-tween the structure and the drone, which also shows a strong dynamic behavior under wind tur-bulences. By regarding the dynamic model of the drone and additional measurements at the dis-tance sensor the absolute movement of the structure can be estimated based on the measured relative distance. This time domain data is a suitable input for various operational modal analysis algorithms. The system has been used to identify the dynamic properties of test and real structure, like a 1.5 MW wind turbine tower.
Mit der Errichtung und der Inbetriebnahme des Windpark alpha ventus wurden umfangreiche Messungen an den Tragstrukturen und den Umgebungsparametern durchgeführt. Im Projekt Gigawind life wurde im TP1 ein Datenmanagementsystem zur kontinuierlichen und periodisch fortgeführten Datenauswertung für große Datenbestände (Big Data) entworfen und realisiert. Anhand von Performanceuntersuchungen konnte eine Verkürzung der Rechenzeit um den Faktor 10 in einem Rechencluster erreicht werden. Unter Anwendung einer Datenpipeline nach dem Publish/Subscribe Prinzip wird eine skalierbare Datenschnittstelle für Monitoringdaten vorgeschlagen.