Data Acquisition Protocol zur Bestimmung Embedded Empfindlichkeitsfunktionen
Summary
The data acquisition procedure for determining embedded sensitivity functions is described. Data is acquired and representative results are shown for a residential scale wind turbine blade.
Abstract
Die Wirksamkeit vieler Strukturüberwachung Techniken hängt von der Anordnung von Sensoren und die Lage der Eingangskräfte. Algorithmen zur optimalen Sensor zu bestimmen und zwingt Standorte erfordern in der Regel Daten, entweder simuliert oder gemessen, aus dem beschädigten Struktur. Embedded Empfindlichkeitsfunktionen bieten einen Ansatz zur Bestimmung der besten Lage verfügbaren Sensorschäden mit nur Daten aus der gesunden Struktur zu erkennen. In diesem Video-und Manuskript, das Datenerfassungsverfahren und Best Practices für die eingebetteten Empfindlichkeitsfunktionen einer Struktur zu bestimmen vorgestellt. Die Frequenzantwortfunktionen bei der Berechnung der eingebetteten Empfindlichkeitsfunktionen verwendet werden, unter Verwendung modal Schlagprüfung erworben. Die Daten werden erfasst und repräsentative Ergebnisse sind für eine Wohn Maßstab Windturbinenschaufel gezeigt. Strategien für die Bewertung der Qualität der gewonnenen Daten werden bei der Demonstration des Datenerfassungsprozesses vorgesehen sind. </p>
Introduction
Viele Strukturüberwachung Techniken beruhen auf Veränderungen der gemessenen Frequenzantwortfunktionen (FRFs) Schaden innerhalb einer Struktur zu erkennen. Jedoch adressieren einige dieser Methoden, wie Sensorplatzierungen und / oder Eingangskraft Stellen zu bestimmen, die die Wirksamkeit des Verfahrens maximiert Schäden zu detektieren. Eingebettete Empfindlichkeitsfunktionen (ESFs) können verwendet werden, um die Empfindlichkeit eines FRF zu einer lokalen Veränderung der Struktur einer Materialeigenschaften zu bestimmen. Deshalb, in der Regel, weil Schäden in einer lokalen Änderung der Steifigkeit ergibt, Dämpfung, oder die Masse der Struktur bieten ESFs ein Verfahren zur Bestimmung der besten Sensor und Kraftplätze für die FRF-basierte Gesundheitsüberwachungstechniken.
Der Zweck dieses Video und Manuskript ist zum Detail die Datenerfassungsprozess und Best Practices für die ESF für eine Struktur zu bestimmen. Der Prozess umfasst verschiedene FRFs von modalen Aufpralltests zu bestimmen, die durch Anregung eines structu durchgeführt wird,wieder mit einem modalen Schlaghammer und Messung seiner Reaktion mit Beschleunigungssensoren. In dieser Arbeit wird die Struktur getestet ist ein 1,2 m Wohn-Skala Windturbinenschaufel. Das Ziel der Tests und Analysen ist Sensorstellen zu identifizieren, die am empfindlichsten auf eine Beschädigung der Klinge sind. Diese Sensorpositionen könnten dann in einem Strukturüberwachung Schema verwendet werden, um die Klinge auf Beschädigungen zu überwachen.
Neben dem Einsatz von ESF die effektivsten Sensorpositionen zu bestimmen, in einer Strukturüberwachung Schema, mehrere optimale Sensorplatzierung Algorithmen auch gefunden in der Literatur nachgewiesen werden kann, zu verwenden. In [Kramer] wertet Kramer iterativ die Fähigkeit einer Reihe von Sensoren, die Betriebsarten des Systems zu beobachten. In jüngerer Zeit wurden genetische Algorithmen 1-3 und neuronale Netze 4 entwickelt Stellen optimal Sensor zu identifizieren. In 5 wird ein Bayes – Ansatz verwendet, der das Risiko von verschiedenen Arten von Fehlern berücksichtigt ,und die Verteilung der Schadensraten. In 6 wurde ein Finite – Elemente – Modell der Sensorstellen am ehesten zu erkennen Schäden zu identifizieren , genutzt. In den meisten der Sensorplatzierung Algorithmen in der Literatur vorgestellt, Daten von der beschädigten Struktur, auch simuliert oder gemessen wird, ist erforderlich. Ein Vorteil der eingebetteten Empfindlichkeit Ansatz ist, dass die Sensorpositionen von der gesunden Struktur bestimmt werden kann.
Ein weiterer Vorteil besteht darin, dass ESFs Materialeigenschaften müssen nicht explizit bekannt sein. Stattdessen werden die Materialeigenschaften "eingebettet" in den Ausdrücken für die FRFs des Systems. Daher ist alles, was benötigt ESFs sind ein Satz gemessener FRFs an bestimmten Eingabe / Ausgabe-Positionen zu berechnen. Insbesondere aus einer Reaktion berechnet die Empfindlichkeit der FRF (H jk) am Punkt j , gemessen mit einem Eingang an dem Punkt k zu einer Änderung der Steifigkeit (K mn) zwischen den Punkten m und nist
woher 
ist der ESF als Funktion der Frequenz, ω 7-9. Das Verfahren für die Messung erforderlich FRFs die rechte Seite der Gleichung zu berechnen (1) ist detailliert in dem folgenden Abschnitt und in dem Video gezeigt.
Protocol
Representative Results
Discussion
Prüfadapter sollten realistische Randbedingungen zu replizieren werden so konzipiert, dass die Ergebnisse anwendbar unter Betriebsbedingungen sein. Die Auswahl der Anzahl von Auftreffpunkten für die Prüfung verwendet wird, ein Kompromiß zwischen einer ausreichenden räumlichen Auflösung und die Testzeit. Wählen Sie den Hammer auf der Basis der Größe des Prüflings und den Frequenzbereich von Interesse. Im Allgemeinen, je kleiner die Hammer, desto breiter der Frequenzbereich angeregt wird. Aber auch kleinere Häm…
Declarações
The authors have nothing to disclose.
Acknowledgements
Die Autoren haben keine Bestätigungen.
Materials
| Accelerometer | PCB | 356B11 | three used in testing |
| Impact hammer | PCB | 086C01 | |
| Data acquisition card | NI | 9234 | |
| DAQ chasis | NI | cDAQ-9171 | or similar |
| Software | MATLAB | ||
| Super glue | Loctite | 454 | |
| Handheld Shaker | PCB | 394C06 | for calibration |
Referências
- Singh, N., Joshi, M. Optimization of location and number of sensors for structural health monitoring using genetic algorithm. Mater Forum. 33, 359-367 (2009).
- Gao, H., Rose, J. Ultrasonic sensor placement optimization in structural health monitoring using evolutionary strategy. Review Of Qnde. 25, 1687-1693 (2006).
- Raich, A. M., Liszkai, T. R. Multi-objective optimization of sensor and excitation layouts for frequency response function-based structural damage identification. Comput-Aided Civinfrastructure Eng. 27 (2), 95-117 (2012).
- Worden, K., Burrows, A. P. Optimal sensor placement for fault detection. Eng Struct. 23 (8), 885-901 (2001).
- Flynn, E. B., Todd, M. D. A Bayesian approach to optimal sensor placement for structural health monitoring with application to active sensing. Mech Syst Signal Pr. 24 (4), 891-903 (2010).
- Markmiller, J., Chang, F. Sensor network optimization for a passive sensing impact detection technique. Struct Health Monit. 9 (1), 25-39 (2010).
- Yang, C., Adams, D., Yoo, S., Kim, H. An embedded sensitivity approach for diagnosing system-level noise and vibration problems. J. Sound Vibration. 269 (3), 1063-1081 (2004).
- Yang, C., Adams, D. Predicting changes in vibration behavior using first- and second-order iterative embedded sensitivity functions. J. Sound Vibration. 323 (1), 173-193 (2009).
- Yang, C., Adams, D. A Damage Identification Technique based on Embedded Sensitivity Analysis and Optimization Processes. J. Sound Vibration. 333 (14), 3109-3119 (2013).
- Rocklin, G. T., Crowley, J., Vold, H. A comparison of the H1, H2, and Hv frequency response functions. Proc. Of IMAC III. 1, 272-278 (1985).
- Meyer, J., Adams, D., Silvers, J. Embedded Sensitivity Functions for improving the effectiveness of vibro-acoustic modulation and damage detection on wind turbine blades. , (2014).
- Guratzsch, R., Mahadevan, S. Structural health monitoring sensor placement optimization under uncertainty. AIAA J. 48 (7), 1281-1289 (2010).
