Filtern
Erscheinungsjahr
- 2018 (4) (entfernen)
Dokumenttyp
- Vortrag (3)
- Zeitschriftenartikel (1)
Referierte Publikation
- nein (4)
Schlagworte
- Beton (2)
- Datenfusion (2)
- Korrosion (2)
- Maschinelles Lernen (2)
- ZfP (2)
- Datenanalyse (1)
- NDT-CE (1)
- SMT (1)
Organisationseinheit der BAM
Eingeladener Vortrag
- nein (3)
Potentialfeldmessung (PM) ist die beliebteste Methode der Zerstörungsfreien Prüfung (ZfP) zur Lokalisierung von aktiver Betonstahlkorrosion. PM wird durch Parameter wie z. B. Feuchtigkeits- und Chloridgradienten im Bauteil beeinflusst, so dass die Sensitivität gegenüber der räumlich sehr begrenzten, aber gefährlichen Lochkorrosion gering ist. Wir zeigen in dieser Studie, wie zusätzliche Messinformationen mit Multisensor-Datenfusion genutzt werden können, um die Detektionsleistung zu verbessern und die Auswertung zu automatisieren. Die Fusion basiert auf überwachtem maschinellen Lernen (ÜML). ÜML sind Methoden, die Zusammenhänge in (Sensor-) Daten anhand vorgegebener Kennzeichnungen (Label) erkennen. Wir verwenden ÜML um „defekt“ und „intakt“ gelabelte Bereiche in einem Multisensordatensatz zu unterscheiden. Unser Datensatz besteht aus 18 Messkampagnen und enthält jeweils PM-, Bodenradar-, Mikrowellen-Feuchte- und Wenner-Widerstandsdaten. Exakte Label für veränderliche Umweltbedingungen wurden in einer Versuchsanordnung bestimmt, bei der eine Stahlbetonplatte im Labor kontrolliert und beschleunigt verwittert. Der Verwitterungsfortschritt wurde kontinuierlich überwacht und die Korrosion gezielt erzeugt. Die Detektionsergebnisse werden quantifiziert und statistisch ausgewertet. Die Datenfusion zeigt gegenüber dem besten Einzelverfahren (PM) eine deutliche Verbesserung. Wir beschreiben die Herausforderungen datengesteuerter Ansätze in der zerstörungsfreien Prüfung und zeigen mögliche Lösungsansätze.
Angetrieben durch Digitalisierung und die sogenannte Industrie 4.0 steigt die Erwartungshaltung gegenüber der Nutzung von Sensorik. Die Unsicherheit, Widersprüchlichkeit und Redundanz separat verarbeiteter einzelner Quellen soll durch die synergetische Zusammenführung heterogener Datensätze überwunden werden. Dabei steht der zunehmenden Aufgabenkomplexität eine ebenso zunehmende Verfügbarkeit an Sensoren, Daten und Rechenleistung gegenüber.
Der Begriff Datenfusion fasst Ansätze zusammen, die Daten zu abstrakteren, aber besser verständlichen Informationen verarbeiten. Die Fusion ist Kernbestandteil effektiver Assistenzsysteme und beweist in vielzähligen Aufgaben - von militärischen Anwendungen über Flug- und Fahrassistenzsysteme, bis in den Heimbereich – ihr großes Potenzial. Durch die wachsende Automatisierung bei der Messdatenerfassung wird Datenfusion auch in der industriellen Qualitätsprüfung und –sicherung zunehmend attraktiver.
Der Vortrag gibt einen Überblick über den breiten Themenkomplex und widmet sich dabei im Theorieteil speziell der Fragen, welche Informationen in multivariaten Datensätzen stecken und wie sie extrahiert werden können. Anschließend wird ein Beispiel für die erfolgreiche Anwendung zur zerstörungsfreien Prüfung von Betonbauteilen vorgestellt. Der dargestellte Datensatz ist klein, heterogen, hochdimensional und unausgeglichen. Anhand von Algorithmen mit unterschiedlicher Leistungsfähigkeiten hinsichtlich Anpassungsfähigkeit und Invarianz gegenüber Höherdimensionalität wird erläutert welche Prozesse zur Verbesserung der Informationsqualität nötig sind.
Angetrieben durch Digitalisierung und die sogenannte Industrie 4.0 steigt die Erwartungshaltung gegenüber der Nutzung von Sensorik. Die Unsicherheit, Widersprüchlichkeit und Redundanz separat verarbeiteter einzelner Quellen soll durch die synergetische Zusammenführung heterogener Datensätze überwunden werden. Dabei steht der zunehmenden Aufgabenkomplexität eine ebenso zunehmende Verfügbarkeit an Sensoren, Daten und Rechenleistung gegenüber.
Der Begriff Datenfusion fasst Ansätze zusammen, die Daten zu abstrakteren, aber besser verständlichen Informationen verarbeiten. Die Fusion ist Kernbestandteil effektiver Assistenzsysteme und beweist in vielzähligen Aufgaben - von militärischen Anwendungen über Flug- und Fahrassistenzsysteme, bis in den Heimbereich – ihr großes Potenzial. Durch die wachsende Automatisierung bei der Messdatenerfassung wird Datenfusion auch in der industriellen Qualitätsprüfung und –sicherung zunehmend attraktiver.
Der Vortrag gibt einen Überblick über den breiten Themenkomplex und widmet sich dabei speziell der Fragen, welche Informationen in multivariaten Datensätzen stecken und wie sie extrahiert werden können. Abschließend wird ein Beispiel für die erfolgreiche Anwendung zur zerstörungsfreien Prüfung von Betonbauteilen vorgestellt. Der systematische Vergleich von Algorithmen, die Charakteristika des Labordatensatzes in unterschiedlicher Weise adressieren erlaubt überraschende Schlussfolgerungen.
Half-Cell-Potential Mapping (HP) is the most popular non-destructive testing (NDT) method for the detection of active corrosion in reinforced concrete. HP is influenced by parameters such as moisture and chloride gradients in the component. The sensitivity to the spatially small, but dangerous pitting is low. In this study we show how additional measurement information can be used with multi-sensor data fusion to improve the detection performance and to automate data evaluation. The fusion is based on supervised machine learning (SML). SML are methods that recognize relationships in (sensor) data based on given labels. We use SML to distinguish "defective" and "intact" labeled areas in our dataset. It consists of 18 measurement - each contains HP, ground radar, microwave moisture and Wenner resistivity data. Exact labels for changing environmental conditions were determined in a laboratory study on a reinforced concrete slab, which deteriorated controlled and accelerated. The deterioration progress was monitored continuously and corrosion was generated targeted at a predefined location. The detection results are quantified and statistically evaluated. The data fusion shows a significant improvement over the best single method (HP). We describe the challenges of data-driven approaches in nondestructive testing and show possible solutions.