Data Acquisition Protocol voor het bepalen van Embedded Gevoeligheid Functies
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
De effectiviteit van veel structurele schade bewakingstechnieken afhankelijk van de plaatsing van sensoren en de plaats van invoer krachten. Algoritmen voor het bepalen van de optimale sensor en het dwingen van locaties vergen doorgaans data, ofwel gesimuleerde of gemeten, uit de beschadigde structuur. Ingesloten gevoeligheidsfuncties verschaffen een aanpak voor het bepalen van de beste beschikbare sensorlocatie schade met alleen gegevens van de gezonde structuur te detecteren. In deze video en manuscript, wordt de data-acquisitie procedure en best practices voor het bepalen van de embedded gevoeligheid functies van een structuur gepresenteerd. De frequentieresponsiefuncties gebruikt bij de berekening van de ingebedde gevoeligheidsfuncties worden verkregen middels modale botsproef. De gegevens worden verkregen en representatieve resultaten worden getoond voor een residentiële schaal wind turbine blad. Strategieën voor het evalueren van de kwaliteit van de gegevens die worden verkregen worden verstrekt tijdens de demonstratie van de data-acquisitie proces. </p>
Introduction
Veel technieken structurele monitoring van gezondheid afhankelijk zijn van veranderingen in de gemeten frequentierespons functies (FRF's) om schade binnen een structuur op te sporen. Slechts weinig van deze werkwijzen hoe moet worden sensor plaatsingen en / of invoerkracht locaties die de doeltreffendheid van de werkwijze te maximaliseren om schade detecteren bepalen. Ingebedde gevoeligheidsfuncties (ESFT) kan worden gebruikt om de gevoeligheid van de FRF te bepalen naar een lokale verandering in de structuur van materiaaleigenschappen. Daarom omdat schade meestal resulteert in een lokale verandering in stijfheid, demping of massa van de constructie, ESFT een werkwijze voor het bepalen van de beste sensor en kracht locaties voor FRF gebaseerde gezondheidsmonitoring technieken.
Het doel van deze video en manuscript is voor detail de data-acquisitie-proces en best practices voor het bepalen van ESFT voor een structuur. Het proces omvat het bepalen van de verschillende FRF's van modal botsproeven, die wordt uitgevoerd door een spannende structuopnieuw met een modaal effect hamer en het meten van de respons met accelerometers. In dit werk, de structuur wordt getest is een 1,2 m residentiële schaal wind turbine blad. Het doel van de proeven en analyses te plaatsen sensor die het meest gevoelig zijn voor schade aan het blad te identificeren. Deze sensor locaties kunnen vervolgens worden gebruikt in een constructieve schema gezondheidscontrole uit het mes op beschadiging controleren.
Naast het gebruik van ESFT de meest effectieve sensorlocaties bepaald moet worden in een constructieve schema statuscontrole kunnen verschillende algoritmen voor optimale sensor ook worden gevonden in de literatuur aangetoond. In [Kramer], Kramer evalueert iteratief het vermogen van een reeks sensoren om de modes van een systeem te observeren. Recentelijk hebben genetische algoritmen 1-3 en neurale netwerken 4 ontwikkeld om optimale sensorlocaties identificeren. In 5 wordt een Bayesiaanse benadering die rekening houdt met het risico van verschillende soorten foutenen de verdeling van de schade tarieven. In 6, werd een eindige elementenmodel benut om de sensorlocaties meest waarschijnlijk schade kunnen opsporen. In de meeste van de sensor bij algoritmen voorgesteld in de literatuur, gegevens van de beschadigde structuur of gesimuleerd of gemeten, vereist. Een voordeel van de ingebedde gevoeligheid benadering is dat de sensor plaatsen kan worden bepaald uit de gezonde structuur.
Een ander voordeel is dat ESFS materiaaleigenschappen niet expliciet behoeft bekend. In plaats daarvan worden de materiaaleigenschappen "embedded" in de uitdrukkingen voor FRF's van het systeem. Derhalve alles wat nodig is voor de berekening ESFT zijn een reeks gemeten FRF's op specifieke input / output locaties. Specifiek, de gevoeligheid van de FRF (H jk) berekend uit een gemeten respons in punt j te stellen op punt k, een verandering in stijfheid (K mn) tussen de punten M en Nis
waar 
is het ESF als functie van de frequentie ω 7-9. De procedure voor het meten van de wijze om de rechterzijde van vergelijking (1) berekenen FRF's wordt toegelicht in de volgende sectie en aangetoond in de video.
Protocol
Representative Results
Discussion
Test armaturen moet worden ontworpen om te repliceren realistische randvoorwaarden zodat de resultaten onder de bedrijfsomstandigheden van toepassing zal zijn. De keuze van het aantal impacts voor de test is een afweging tussen het hebben van voldoende ruimtelijke resolutie en de testtijd. Selecteer de hamer basis van de grootte van het monster en het frequentiegebied. In het algemeen, hoe kleiner de hamer, een breder frequentiebereik opgewonden. Echter, kleinere hamers produceren doorgaans lagere amplitude krachten. Im…
Disclosures
The authors have nothing to disclose.
Acknowledgements
De auteurs hebben geen bevestigingen.
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 |
References
- 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).
