Filtern
Dokumenttyp
- Beitrag zu einem Tagungsband (32)
- Zeitschriftenartikel (16)
- Vortrag (7)
- Posterpräsentation (3)
- Sonstiges (1)
Schlagworte
- Structural Health Monitoring (13)
- Scaled Boundary Finite Element Method (8)
- Lamb waves (7)
- SBFEM (7)
- Ultrasound (7)
- Composites (6)
- Ultrasonic Guided Waves (6)
- Pressure tanks (5)
- Structural health monitoring (5)
- Geführte Ultraschallwellen (4)
Organisationseinheit der BAM
- 8.4 Akustische und elektromagnetische Verfahren (59) (entfernen)
Eingeladener Vortrag
- nein (7)
Temperature Compensation Strategies for Lamb Wave Inspection using Distributed Sensor Networks
(2022)
The application of temperature compensation strategies is crucial in structural health monitoring approaches based on guided waves. Actually, the varying temperature influences the performance of the inspection system inducing false alarms or missed detection, with a consequent reduction of reliability. This paper quantitatively describes a method to compensate the temperature effect, namely the optimal baseline selection (OBS), extending its application to the case of distributed sensor networks (DSN). The effect of temperature separation between baseline time-traces in OBS are investigated considering multiple couples of sensors employed in the DSN. A combined strategy that uses both OBS and frequent value warning is considered. Theoretical results are compared, using data from two several experiments, which use different frequency analysis with either predominantly A0 mode or S0 mode data or both. The focus is given on the fact that different paths are available in a sensor network and several possible combination of results are available. Nonetheless, introducing a frequent value warning it is possible to increase the efficiency of the OBS approach making use of fewer signal processing algorithms. These confirm that the performance of OBS quantitatively agrees with predictions and also demonstrate that the use of compensation strategies improve detectability of damage.
Robotergeführte Ultraschallprüfung von Gasturbinenschaufeln mit adaptiver TFM im ZfP 4.0-Umfeld
(2022)
Leit- und Laufschaufeln stationärer Gasturbinen sind im Betrieb anspruchsvollen Bedingungen ausgesetzt. Die Prüfung, Wartung und Reparatur der hochbelasteten Teile sind notwendig, um Sicherheit und Effizienz über längere Zeiträume zu gewährleisten. Eine der in diesem Prozess angewandten Methoden ist die Ultraschallprüfung.
Im Zuge der fortschreitenden Digitalisierung ist es das Ziel des Projektes MRO 2.0, den Aufbereitungsvorgang um digitale Prozesse zu erweitern und somit zu modernisieren. Eine der Aufgaben ist es, dabei anstelle der konventionellen Ultraschallprüfung eine Array-Technik mit rekonstruierenden Verfahren einzusetzen und eine automatisierte, digital eingebundene Methode im Rahmen von ZfP 4.0 zu entwickeln.
Um die Ist-Geometrie der Oberfläche und die verbleibende Wanddicke flächendeckend an den Turbinenschaufeln zu bestimmen, wird ein adaptives TFM Verfahren (Total Focusing Method) in Tauchtechnik eingesetzt, welches die Brechung der Schallwellen an der Grenzfläche zum Prüfkörper in der Rekonstruktion berücksichtigt. In der hierfür entwickelten Prüfanlage führt ein Roboterarm einen Array-Prüfkopf und scannt das Bauteil normal zur inspizierten Oberfläche. Somit kann ein 3D-Modell des Ist Zustandes des zu prüfenden Bauteils erstellt werden.
Spezielle Herausforderungen an die Aufgabe stellen die komplexe Geometrie des Prüfobjektes sowie dessen geringe und ortsabhängige Wanddicke dar. Ein weiterer Fokus liegt auf der Optimierung der Prüfparameter, Verbesserung der Prüfgeschwindigkeit sowie der Zuverlässigkeit der Methode.
In diesem Beitrag werden die während des Projektes entwickelte Methode und die im zweiten Projektjahr erarbeiteten Ergebnisse vorgestellt, mit dem Schwerpunkt auf die entwickelten Rekonstruktionsalgorithmen und den Versuchsaufbau.
Im Auftrag des Bundesministeriums für Wirtschaft und Klimaschutz haben DIN und DKE im Januar 2022 die Arbeiten an der zweiten Ausgabe der Deutschen Normungsroadmap Künstliche Intelligenz gestartet. In einem breiten Beteiligungsprozess und unter Mitwirkung von mehr als 570 Fachleuten aus Wirtschaft, Wissenschaft, öffentlicher Hand und Zivilgesellschaft wurde damit der strategische Fahrplan für die KI-Normung weiterentwickelt. Koordiniert und begleitet wurden diese Arbeiten von einer hochrangigen Koordinierungsgruppe für KI-Normung und -Konformität.
Mit der Normungsroadmap wird eine Maßnahme der KI-Strategie der Bundesregierung umgesetzt und damit ein wesentlicher Beitrag zur „KI – Made in Germany“ geleistet.
Die Normung ist Teil der KI-Strategie und ein strategisches Instrument zur Stärkung der Innovations- und Wettbewerbsfähigkeit der deutschen und europäischen Wirtschaft. Nicht zuletzt deshalb spielt sie im geplanten europäischen Rechtsrahmen für KI, dem Artificial Intelligence Act, eine besondere Rolle.
In non-destructive testing and structural health monitoring with ultrasonic waves, the quantification of damage in components is one of the main tasks. In many shell-like structures, such as plates, pipes, or laminate components, ultrasonic waves propagate as guided waves. Although guided waves enable the testing of large areas, their multimodal and dispersive properties make it challenging to analyze signals. So, there is a need for more advanced algorithms to handle these properties, especially when reconstructing damage position and geometry.
The reconstruction can be formulated as an inverse problem where the measured signals are fitted with a simulative forward model. Due to the small wavelength of ultrasonic waves, classic forward models based on, e.g., the Finite Element Method are computationally intensive. In contrast, the authors use the semi-analytical Scaled Boundary Finite Element Method (SBFEM) to reduce the computational effort. The SBFEM approximates arbitrary long, undamaged parts of the structure with only a few degrees of freedom.
This contribution summarizes a general inverse procedure based on algorithmic differentiation in combination with the SBFEM. Results are presented for damaged 2D cross-sectional models of waveguides. These results include an analysis of the robustness of the proposed algorithms against noise.
This paper considers an indirect measurement approach to reconstruct a defect in a two-dimensional waveguide model for a non-destructive ultrasonic inspection via derivative-based optimization. The propagation of the mechanical waves is simulated by the scaled boundary finite element method that builds on a semi-analytical approach. The simulated data are then fitted to given data associated with the reflected waves from a defect which is to be reconstructed. For this purpose, we apply an iteratively regularized Gauss-Newton method in combination with algorithmic differentiation to provide the required derivative information accurately and efficiently. We present numerical results for three kinds of defects, namely, a crack, delamination, and corrosion. The objective function and the properties of the reconstruction method are investigated. The examples show that the parameterization of the defect can be reconstructed efficiently as well as robustly in the presence of noise.
Ein Hauptziel der zerstörungsfreien Prüfung und der Strukturüberwachung (engl. Structural Health Monitoring - SHM) mit Ultraschallwellen ist die Charakterisierung von Schäden in Bauteilen. In vielen schalenförmigen Bauteilen, wie zum Beispiel Rohrleitungen, Laminaten und Platten, breitet sich der Ultraschall in Form geführter Wellen aus. Zwar erlauben geführte Wellen eine großflächige Prüfung durch das langsame Abklingen der Wellen. Jedoch breiten sich die Wellen in verschiedenen dispersiven Moden aus, was die Analyse der vom Schaden erzeugten Reflexionen erschwert. Eine Möglichkeit, die Messsignale zu interpretieren, um Schäden zu charakterisieren, ist der direkte Vergleich mit einem Simulationsmodell. Die Rekonstruktion des Schadens stellt ein inverses Problem dar. Das inverse Problem kann als Optimierungsproblem formuliert werden. Für die Optimierung werden mehrere Vorwärtsrechnungen gebraucht, um das Schadensmodell an die Messdaten anzupassen.
Aufgrund der kurzen Wellenlängen von Ultraschallwellen sind klassische Methoden für die Vorwärtsrechnung, wie z.B. die Finite Elemente Methode (FEM), rechenintensiv. Eine Möglichkeit den Rechenaufwand zu reduzieren, bietet die Approximation der Wellenausbreitung mittels der semi-analytischen Scaled Boundary Finite Element Method (SBFEM). Frühere Untersuchungen haben gezeigt, dass die benötigten Freiheitsgrade im Vergleich zur FEM wesentlich geringer sind [1].
Im Beitrag wird eine Optimierung basierend auf einem Gradientenverfahren in Kombination mit der SBFEM vorgestellt und an verschiedenen Schadenstypen in 2D-Querschnittsmodellen von Stahlplatten getestet. Der Gradient des Vorwärtsmodells wird durch Algorithmisches Differenzieren berechnet, wodurch eine genaue und schnelle Optimierung ermöglicht wird. Es werden Untersuchungen zum inversen Problem und das Finden einer geeigneten Zielfunktion präsentiert. Es wird verdeutlicht, dass der entwickelte Algorithmus robust gegenüber von Rauscheinflüssen ist. In diesen Untersuchungen werden zunächst „Messdaten“ aus unabhängigen Simulationen verwendet [2]. Erste Schritte für die experimentelle Validierung und Erweiterung auf 3D Modelle werden anschließend vorgestellt.
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.
An approach to adhesive bond characterisation using guided acoustic waves in multi-layered plates
(2021)
An approach for the non-destructive characterisation of adhesive bonds using guided ultrasonic waves is presented. Pulsed laser radiation is used to thermoacoustically excite broadband ultrasonic waves in a multi-layered sample, consisting of a metal plate adhesively joined to a polymeric layer using synthetic resin. The resulting signals are received by a purpose-built piezoelectric transducer. Varying the distance between excitation and detection yields spatio-temporal measurement data, from which the dispersive properties of the propagating waves can be inferred using a two-dimensional Fourier transform, assuming the plates to act as coupled waveguides. Coupled multi-layered waveguides show an effect referred to as mode repulsion, where the distance between certain modes in the frequency-wavenumber domain is assumed to be a measure of coupling strength. Measurements at different stages of curing of the adhesive layer are performed and evaluated. A comparison of the results shows changes in the dispersive properties, namely an increased modal bandwidth for the fully cured sample as well as an increased modal distance.
Бегущие упругие волны часто используются в области неразрушающего контроля для определения механических характеристик материалов. Поскольку склеивание различных материалов является широко используемым методом в автомобильной и авиационной промышленности, необходима надежная система измерения для определения качества таких клеевых соединений. Дисперсионные кривые для многослойных волноводов при наличии клеевых прослоек характеризуются появлением эффекта расталкивания нормальных мод в тех областях, где соответствующие моды для отдельных материалов пересекались бы. Таким образом, в зависимости от качества клеевого соединения расстояние между этими модами изменяется. Используя комбинацию экспериментальных и численных данных, в настоящей работе представлен подход к определению параметра, указывающего на качество клеевого соединения.
Detailliertes Wissen über die mechanischen Eigenschaften verwendeter Materialien ist Grundvoraussetzung für viele ingenieurtechnische Aufgaben und Dienstleistungen. Zur Bestimmung der elastischen Materialparameter gibt es verschiedene klassische, zerstörende Prüfverfahren. Eine Möglichkeit der zerstörungsfreien Bestimmung liegt in der Auswertung von Messergebnissen, die auf Basis des Ausbreitungsverhaltens geführter Ultraschallwellen gewonnen wurden. Das Ausbreitungsverhalten geführter Ultraschallwellen kann mittels Dispersionsabbildungen dargestellt werden.
Um aus messtechnisch ermittelten Dispersionsabbildungen Rückschlüsse auf die Materialparameter zu ziehen, werden in der aktuellen Forschung verschiedene inverse Methoden diskutiert. Maschinelles Lernen und insbesondere Convolutional Neural Networks (CNNs) stellen eine Möglichkeit der automatisierten inversen Modellierung und Evaluierung von Bilddaten dar.
In diesem Beitrag wird gezeigt, wie das Ausbreitungsverhalten von geführten Ultraschallwellen unter Verwendung von CNNs genutzt werden kann, um die isotropen elastischen Konstanten einer plattenförmigen Struktur zu bestimmen. Hierfür werden die verwendeten Daten analysiert, das Preprocessing erläutert und eine grundlegende CNN-Architektur gewählt. Zur Auswertung des generierten Modells werden verschiedene Verfahren wie Gradienten-Mapping und die Visualisierung der verschiedenen Schichten vorgestellt. Die Anwendbarkeit der Methode wird anhand synthetischer Daten demonstriert.