Analytische Chemie
Filtern
Dokumenttyp
- Vortrag (115)
- Beitrag zu einem Tagungsband (71)
- Zeitschriftenartikel (43)
- Posterpräsentation (20)
- Sonstiges (7)
- Dissertation (1)
- Forschungsbericht (1)
- Forschungsdatensatz (1)
Schlagworte
- Ultraschall (20)
- Lamb waves (18)
- Ultrasound (18)
- Structural Health Monitoring (17)
- Scaled Boundary Finite Element Method (15)
- Simulation (15)
- Luftgekoppelte Ultraschallprüfung (13)
- Non-destructive testing (13)
- Atmospheric pressure plasma (12)
- Phased Array (12)
Organisationseinheit der BAM
- 8.4 Akustische und elektromagnetische Verfahren (259) (entfernen)
Eingeladener Vortrag
- nein (115)
Bei der Prüfung von Werkstücken mit empfindlichen Oberflächen oder auch hydrophilen Werkstoffen sind traditionelle ultraschallbasierte zerstörungsfreie Prüfmethoden wie die Kontakttechnik oder die Tauchtechnik in vielen Anwendungsfällen aufgrund der Flüssigkeitsankopplung nicht anwendbar.
Die luft-gekoppelte Ultraschallprüfung umgeht diese Problematik und eröffnet neue Prüfszenarien. Derzeit werden zwei Varianten der Schallerzeugung als vielversprechend angesehen: ferroelektrische Folien und thermoakustische Dünnschichtwandler. Thermoakustische Wandler ermöglichen die resonanzfreie Erzeugung von Ultraschall und somit kurze zeitliche Impulse sowie eine sehr breitbandige Anregung. Durch die Verwendung von gekrümmten Substraten ist sowohl eine Herstellung von planaren als auch fokussierten Wandlern möglich.
Dieser Beitrag präsentiert die letzten Forschungsergebnisse im Bezug auf thermoakustischen Wandlern, welche derzeit in einen thermoakustischen Gruppenstrahler münden. Gruppenstrahler erlauben die simultane Änderung des Einschallwinkels, sowie die Verschiebung des Fokuspunktes während der Verwendung.
Durch die Verbindung beider Schlüsseltechnologien, der thermoakustischen Anregung und des Gruppenstrahlerprinzips, wird das Spektrum der klassischen ZfP-Anwendungen, sowie moderner Ansätze wie der Anregung von geführten Wellen oder der Strukturüberwachung erheblich erweitert und bereichert.
Dabei soll innerhalb dieses Beitrages auf die Modellierung des Schallfeldes, die elementweise Charakterisierung und verschiedene Anwendungsszenarien eingegangen werden.
Bei der Prüfung von Werkstücken mit empfindlichen Oberflächen oder auch hydrophilen Werkstoffen sind traditionelle ultraschallbasierte zerstörungsfreie Prüfmethoden wie die Kontakttechnik oder die Tauchtechnik in vielen Anwendungsfällen aufgrund der Flüssigkeitsankopplung nicht anwendbar.
Die luft-gekoppelte Ultraschallprüfung umgeht diese Problematik und eröffnet neue Prüfszenarien. Derzeit werden zwei Varianten der Schallerzeugung als vielversprechend angesehen: ferroelektrische Folien und thermoakustische Dünnschichtwandler. Thermoakustische Wandler ermöglichen die resonanzfreie Erzeugung von Ultraschall und somit kurze zeitliche Impulse sowie eine sehr breitbandige Anregung. Durch die Verwendung von gekrümmten Substraten ist sowohl eine Herstellung von planaren als auch fokussierten Wandlern möglich.
Dieser Beitrag präsentiert die letzten Forschungsergebnisse im Bezug auf thermoakustischen Wandlern, welche derzeit in einen thermoakustischen Gruppenstrahler münden. Gruppenstrahler erlauben die simultane Änderung des Einschallwinkels, sowie die Verschiebung des Fokuspunktes während der Verwendung.
Durch die Verbindung beider Schlüsseltechnologien, der thermoakustischen Anregung und des Gruppenstrahlerprinzips, wird das Spektrum der klassischen ZfP-Anwendungen, sowie moderner Ansätze wie der Anregung von geführten Wellen oder der Strukturüberwachung erheblich erweitert und bereichert.
Dabei soll innerhalb dieses Beitrages auf die Modellierung des Schallfeldes, die elementweise Charakterisierung und verschiedene Anwendungsszenarien eingegangen werden.
Im Forschungsvorhaben PALUP werden luftgekoppelte Phased-Array-Sender und -Empfänger entwickelt. Die Wandler basieren auf geladenen zellulären Polymeren, auch Ferroelektrete genannt, die piezoelektrische Eigenschaften und eine sehr geringe spezifische akustische Impedanz aufweisen, womit sie sich für den Bau von luftgekoppelten Ultraschallwandlern sehr gut eignen.
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 deployment of machine learning (ML) and deep learning (DL) in structural health monitoring (SHM) faces multiple challenges. Foremost among these is the insufficient availability of extensive high-quality data sets essential for robust training. Within SHM, high-quality data is defined by its accuracy, relevance, and fidelity in representing real-world structural scenarios (pristine as well as damaged). Although methods like data augmentation and creating synthetic data can add to datasets, they frequently sacrifice the authenticity and true representation of the data. Sharing real-world data encapsulating true structural and anomalous scenarios offers promise. However, entities are often reluctant to share raw data, given the potential extraction of sensitive information, leading to trust issues among collaborating entities.
Our study introduces a novel methodology leveraging Federated Learning (FL) to navigate these challenges. Within the FL framework, models are trained in a decentralized manner across different entities, preserving data privacy. In our research, we simulated several scenarios and compared them to traditional local training methods. Employing guided wave (GW) datasets, we distributed the data among different parties (clients) using IID (independent, identically distributed or in other words, statistically identical) mini batches of dataset, as well as non-IID configurations. This approach mirrors real-world data distribution among varied entities, such as hydrogen refueling stations.
In our methodology, the initial round involves individualized training for each client using their unique datasets . Subsequently, the model parameters are sent to the FL server, where they are averaged to construct a global model. In the second round, this global model is disseminated back to the clients to aid in predictive tasks. This iterative process continues for several rounds to reach convergence.
Our findings distinctly highlight the advantages of FL over localized training, evidenced by a marked improvement in prediction accuracy . This research underscores the potential of FL in GW-based SHM, offering a remedy to similar challenges tied to data scarcity in other SHM approaches and paving the way for a new era of collaborative, data-centric monitoring systems.
Human factors (HFs) are a frequently mentioned topic when talking about the reliability of non-destructive testing (NDT). However, probability of detection (POD), the commonly used measure of NDT reliability, only looks at the technical capability of an NDT system to detect a defect.
After several decades of research on the influence of HFs on NDT reliability, there is still no commonly accepted approach to rendering HFs visible in reliability assessment. This paper provides an overview of possible quantitative and qualitative methods for integrating HFs into the reliability assessment. It is concluded that reliability assessment is best carried out using both quantifiable and non-quantifiable approaches to HFs.
Die Magnetpulverprüfung ist eine weit verbreitete Prüfmethode für ferromagnetische Bauteile. Hierbei werden Oberflächenfehler wie Risse mit ferromagnetischem Pulver sichtbar gemacht, wodurch eine qualitative Bewertung des Bauteils ermöglicht wird. Allerdings können die Anzeigen kaum zu einer quantitativen Bewertung herangezogen werden. Hierfür sind Magnetfeldsensoren nötig, die die Stärke der Streufelder messen, wodurch z. B. die Tiefe der Risse abgeschätzt werden kann. Bei kommerziellen Magnetfeldsensoren sind die sensitiven Elemente auf Platinen angebracht bzw. in eine Verkapselung integriert. Hierdurch erhöht sich der Abstand der Elemente zur Oberfläche und kleine Fehler können unter Umständen nicht mehr detektiert werden. Auch wird eine automatisierte Prüfung komplexer Geometrien durch die starren Sonden erschwert.
Um Streufelder von kleinen Fehlern in komplexen Bauteilen quantitativ bewerten zu können, validiert die BAM den Einsatz neuartiger, flexibler Magnetfeldsensoren. Hierbei sind die sensitiven Elemente auf flexiblen Folien aufgebracht und lassen sich verformen, wodurch sie auf viele mögliche Oberflächenformen appliziert werden können. Es wird ein geringerer Abstand der Elemente zur Oberfläche erreicht und Streufelder von kleinen Defekten können besser aufgelöst werden. Zudem verlieren die Sensoren durch Verformung weder ihre Sensitivität noch werden sie hierdurch zerstört. Dies macht diese Sensoren zu perfekten Kandidaten für die quantitative Bewertung von Rissstreufeldern in komplex geformten, ferromagnetischen Bauteilen.
Der Beitrag präsentiert die Charakterisierung der Sensoren sowie erste Versuche an komplexen Bauteilen. Schließlich wird eine Einschätzung hinsichtlich weiterer Anwendungsmöglichkeiten gegeben.
In recent years, additive manufacturing technologies have gained in importance. Laser powder bed fusion can be used for complex functional components or the production of workpieces in small quantities. High safety requirements, e.g. in aerospace, demand comprehensive quality control. Therefore, non-destructive offline inspection methods such as computed tomography are used after production. Recently, online non-destructive testing methods such as optical tomography have been developed to improve profitability and practicality. In this presentation, the applicability of eddy current inspection using GMR sensors for online inspection of PBF-LB/M parts is demonstrated. Eddy current testing is performed for each layer during the production process at frequencies uo to 1.2 MHz. Despite the use of high-resolution arrays with 128 elements, the testing time is kept low by an adapted hardware. Thus, the measurement can be performed during the manufacturing process without significantly slowing down the production process. In addition to the approach, the results of an online eddy current test of a step-shaped test specimen made of Haynes282 are presented.
The present work is part of the AIFRI project (Artificial Intelligence For Rail Inspection), where we and our project partners train a neural network for defect detection and classification. Our goal at BAM is to generate artificial ultrasound and eddy current training data for the A.I. This paper has an exploratory nature, where we focus on the simulation of eddy current signals for head check cracks, one of the most important rail surface defects. The goal of this paper is twofold. On the one hand, we present our general simulation setup. This includes geometric models for head check cracks with features like branching and direction change, a model for the HC10 rail testing probe, and the configuration of the Faraday simulation software.
On the other hand, we use the Faraday software to simulate eddy current testing signals with a strong focus on the influence of the damage depth on the signal, while differentiating between different crack geometries. Here, we observe an early saturation effect of the test signal at a damage depth of 2 mm (at a crack angle of 25◦ to the surface). That is about 2 mm earlier than we would expect from measurements at a crack angle of 90◦. This behavior will be investigated further in a future paper. Finally, we interpolate the simulated signals in a two-step curve fitting process. With these interpolations we may generate eddy current test signals for any damage depth within the simulated range.