Structural Health Monitoring von Faserverbundstrukturen mittels Piezosensoren - Untersuchungen zum experimentellen Design

CIplus Band 2/2017 Structural Health Monitoring von Faserverbundstrukturen mittels Piezosensoren –Untersuchungen zum experimentellen Design Thomas Bartz-Beielstein, Jochen Blaurock, Sebastian Krey, Yixi Fu, Niclas Kallenbach, Marc Möller STRUCTURAL HEALTH MONITORING VON FASERVERBUNDSTRUKTUREN MITTELS PIEZOSENSOREN – UNTERSUCHUNGEN ZUM EXPERIMENTELLEN DESIGN THOMAS BARTZ-BEIELSTEIN, JOCHEN BLAUROCK, SEBASTIAN KREY, YIXI FU, NICLAS KALLENBACH, MARC M¨OLLER Zusammenfassung. Faserverbundwerkstoffe (FVW) und Composites haben in der Luftund Raumfahrtindustrie, im Automobilbau, beim Bau von Windenergieanlagen und in vielen weiteren zukunftstr¨achtigen Branchen eine große Bedeutung. Maßnahmen, die ein Erkennen von Sch¨adigungen simultan zur Entstehung erm¨oglichen und Restbetriebszeiten prognostizieren k¨onnen, sind geeignet, die Lebensdauer von FVW-Konstruktionen zu erh¨ohen. Dar¨uber hinaus ist eine zustandsorientierte und somit kosteneffektive Wartung dieser Bauteile m¨oglich. Sowohl die Prognose, als auch die Detektion von Sch¨aden w¨urde den ressourcenschonenden Einsatz dieser Werkstoffgruppe erm¨oglichen. Das sogenannte Structural Health Monitoring (SHM) bezeichnet in diesem Zusammenhang eine Methode, die es erm¨oglicht, kontinuierlich Anhaltspunkte ¨uber die Funktionsf¨ahigkeit von Bauteilen und Konstruktionen zu erhalten. Dieser Artikel beschreibt die Planung, Durchf¨uhrung und Analyse von SHM-Experimenten. Das Hauptziel bestand in der Planung von Experimenten zur Gewinnung von Messdaten mittels piezoelektrischen Elementen auf Versuchstafeln, bei denen bewusst Strukturbesch¨adigungen eingebracht wurden. Statistische Auswertungsmethoden sollen auf ihre Eignung getestet werden, R¨uckschl¨usse aus den experimentell gewonnenen Daten auf die Art der Strukturbesch¨adigungen zu ziehen. Keywords. Design of Experiments; Structural Health Monitoring; Faserverbundwerkstoffe; Signalanalyse SPOTSeven Lab, TH K¨ oln, F10, Steinm¨ ullerallee 1, 51643 Gummersbach, Germany E-mail addresses:[email protected], [email protected], [email protected], [email protected], [email protected], [email protected]. 1 SHM VON FVW MITTELS PIEZOSENSOREN 2 1. Einleitung Faserverbundwerkstoffe (FVW) und Werkstoffverbund-Systeme, sogenannte Composites, haben in zahlreichen Branchen große Bedeutung. Airbus verbaut in seinem Superjumbo A 380 bis zu 22 % kohlenstofffaserverst¨ arkte Kunststoffe (CFK), Boeing setzt im Dreamliner seit 2009 bis zu 50 % FVW ein. Hersteller von Handhabungssystemen an Großserienarbeitspl¨ atzen substituieren aus ergonomischen Gr¨ unden bisherige metallische L¨ osungen durch CFK. Windenergieanlagen verwenden ebenfalls diese neuen Werkstoffkonzepte. Diese Anwendungen waren bis vor wenigen Jahren undenkbar, weil sie entweder ¨ okonomisch nicht sinnvoll, technisch nicht umsetzbar oder schlichtweg nicht notwendig waren. Der wesentliche Hintergrund beim Einsatz von faserverst¨ arkten Verbundsystemen ist in der ¨ uberwiegenden Mehrzahl der Anwendungen die m¨ ogliche Gewichtsreduktion. Das unbestreitbar vorhandene Leichtbaupotenzial l¨ asst sich in der Praxis jedoch nicht immer voll ausnutzen, da das Schadensverhalten von faserverst¨ arkten Kunststoffen weitaus komplexer als bei metallischen Werkstoffen ist. Dar¨ uber hinaus werden Sch¨ adigungen h¨ aufig nicht oder nur sehr schwer entdeckt und f¨ uhren im ung¨ unstigsten Fall zum schlagartigen Totalversagen der gesamten Struktur. Aus diesem Grund werden faserverst¨ arkte Bauteile vielfach mit hohen Sicherheiten dimensioniert. Dies widerspricht jedoch dem Leitgedanken nach einer schlanken Konstruktion beim Einsatz dieser Werkstoffgruppe. Maßnahmen, die ein Erkennen von Sch¨ adigungen simultan zur Entstehung erm¨ oglichen und Restbetriebszeiten prognostizieren k¨ onnen, sind geeignet, die Lebensdauer von FVW-Konstruktionen zu erh¨ ohen. Dar¨ uber hinaus kann eine zustandsorientierte und somit kosteneffektive Wartung dieser Bauteile durchgef¨ uhrt werden. Sowohl die Prognose, als auch die effektive Detektion von Sch¨ aden w¨ urde die Voraussetzung f¨ ur einen ressourcenschonenden Einsatz dieser Werkstoffgruppe schaffen und damit einen wesentlichen Beitrag zum gesellschaftlich gewollten Einsatz von umweltvertr¨ aglichen Technologien leisten. Die dynamische Entwicklung im Bereich der Windenergie und die ersten Großserien-Anwendungen in der Automobilindustrie werden den Bedarf an derartiger Technologie in Zukunft wachsen lassen. Das sogenannte Structural Health Monitoring (SHM) bezeichnet in diesem Zusammenhang eine Methode, die es erm¨ oglicht, kontinuierlich Anhaltspunkte ¨ uber die Funktionsf¨ ahigkeit von Bauteilen und Konstruktionen zu erhalten (Worden u. a., 2007). Es wird quasi in Echtzeit der Zustand der Anlage an eine zentrale Erfassungsstelle ¨ ubermittelt. Bei der Erkennung von etwaigen Anomalien werden, sofern erforderlich, geeignete Maßnahmen eingeleitet. Dies erlaubt zum Beispiel eine zustandsorientierte Wartung der Konstruktion und im Idealfall konkrete Vorhersagen ¨ uber die Restbetriebszeit der beobachteten Bauteile. Im Gegensatz zu reaktiven oder pr¨ aventiven Instandhaltungsstrategien bietet eine zustandsorientierte Instandhaltung von Maschinen und Anlagen den gr¨ oßten ¨ okonomischen Vorteil. Zur Zeit gibt es einige Forschungsprojekte, die sich mit SHM befassen. So untersucht das Faserinstitut Bremen das Ausbreitungsverhalten von Lamb-Wellen in Composites zur Nutzung als Schadenssensor. Auch das Deutsche Zentrum f¨ ur Luftund Raumfahrt besch¨ aftigt sich mit dieser Messtechnik. Die Fraunhofer Gesellschaft untersucht in diesem Zusammenhang in ihrer Adaptronik-Allianz drahtlose Sensornetze zur Verbindung von piezoelektrischen Detektoren. Dieser Artikel beschreibt die Planung, Durchf¨ uhrung und Analyse der Experimente unter besonderer Ber¨ ucksichtigung der Signalverarbeitung. Das Hauptziel bestand in der Planung von Experimenten zur Gewinnung von Messdaten mittels piezoelektrischen Elementen auf Versuchstafeln, bei denen bewusst Strukturbesch¨ adigungen eingebracht wurden. Statistische Auswertungsmethoden sollen auf ihre Eignung getestet werden, R¨ uckschl¨ usse aus den experimentell gewonnenen Daten auf die Art der Strukturbesch¨ adigungen zu ziehen. SHM VON FVW MITTELS PIEZOSENSOREN 3 Im Folgenden pr¨ asentieren wir eine statistische Analyse zur Entwicklung von Verfahren f¨ ur die Struktur¨ uberwachung von Faser-Kunstoff-Verbunden. Die Durchf¨ uhrung der Messungen basiert auf der Verwendung von Lamb-Wellen, die mit den auf der Strukturoberfl¨ ache applizierten piezoelektrischen Elementen angeregt und gemessen werden. Die Versuchstafeln liegen in gleichen Gr¨ oßen und jeweils ohne bzw. mit Besch¨ adigungen vor. Die Struktursch¨ aden werden durch Bohrungen mit variierenden Durchmesser simuliert. Anschließend findet die Signalverarbeitung und die auf verschiedenen Features und Einflussgr¨ oßen der Messsignale basierenden Auswertungen statt. Als Ergebnis werden Erkenntnisse ¨ uber die M¨ oglichkeit der Schadenserkennung erhalten. Der Artikel gliedert sich wie folgt: Abschnitt 2 beschreibt die Aufgabenstellung. Der Versuchsaufbau wird im Abschnitt 3 beschrieben. Die Beschreibung der Experimente befindet sich im Abschnitt 4. Die Ergebnisse werden im Abschnitt 5 analysiert. Abschnitt 6 gibt eine Zusammenfassung und einen Ausblick. 2. Aufgabenstellung Dieser Artikel fasst aktuelle Ergebnisse aus der Forschungsgruppe ISAFAN zusammen.1Im Projekt ISAFAN werden die folgenden Fragestellungen aus dem Bereich des SHMs bearbeitet: •Welche Sensortechnik ist geeignet, um die ¨ Anderungen in der Faserverbundstruktur aufzunehmen? •Welche Versagensmechanismen sind in den betrachteten Anwendungen dominierend? •Welche preiswerten, nicht-invasiven Sensoren sind geeignet? Die erforderlichen statistischen Auswertungen sowie die Planung der Experimente wurden im SPOTSeven Lab an der TH K¨ oln durchgef¨ uhrt.2 2.1. Faser-Kunststoff-Verbunde. “Ein Verbundwerkstoff ist ein Werkstoff aus zwei oder mehr verbundenen Materialien“ (Bonnet, 2016). Faser-Kunststoff-Verbunde (FKV) geh¨ oren zu der Gruppe der FVW und bestehen zum einen aus Fasern mit hoher gewichtsbezogener Festigkeit bzw. Steifigkeit, zum anderen aus einer vielf¨ altig gestaltbaren Bettungsmasse (Matrix) (Ehrenstein, 2006). Durch diese Verbindung werden die positiven Eigenschaften der Einzelkomponenten kombiniert. Die anliegenden mechanischen Lasten werden durch hochfeste Fasern ¨ ubernommen, w¨ ahrend die Matrix die Fasern in der vorgegebenen Position fixiert und st¨ utzt (Sch¨ urmann, 2005). Die mechanischen Eigenschaften von FKV sind im Wesentlichen abh¨ angig vom Volumenverh¨ altnis Faser/Matrix und von der Anordnung der Verst¨ arkungsfasern in der Matrix (Bonnet, 2016). Die Fasern ¨ ubernehmen die am Bauteil anliegenden Lasten, wobei sie hohe Steifigkeiten und Festigkeiten mitbringen m¨ ussen. Daf¨ ur sind starke atomare Bindungen die Voraussetzung. Dar¨ uber hinaus wird eine m¨ oglichst geringe Dichte f¨ ur einen idealen Leichtbau-Werkstoff gefordert. Beide Forderungen erf¨ ullen Stoffe in Faserform. Neben der Verst¨ arkungsfaser ist die Matrix die zweite Komponente eines Faserverbundwerkstoffes. Die Fasern werden mit der Matrix impr¨ agniert, so dass nach der Verarbeitung ein formstabiles Bauteil entsteht. Die in diesem Artikel beschriebenen Versuche wurden an 2,5 mm dicken FKV-Versuchstafeln aus einem orthotropen Glasfaser-Epoxidharz-Kreuzverbund (GF-EP) der Kodierung ((0/90)G− Gewebe)sdurchgef¨ uhrt. Bei der Gewebeart handelt es sich um E-Glas-Gewebe mit Leinwandbindung (Fu, 2017). Die mechanischen Eigenschaften des Laminats in Hauptund Schubrichtung bei einem Faservolumengehalt (FVG) von 58-62% betragen E1=17,25 GPa (Kettrichtung) , E2 =16,99 GPa (Schussrichtung), G21 =6,07 GPa. 1http://www.isafan.de 2http://www.spotseven.de SHM VON FVW MITTELS PIEZOSENSOREN 4 2.2. Schadensarten. Durch den komplexen Aufbau von FKV ergeben sich viele Ursachen f¨ ur Sch¨ adigungen. Das Auftreten von potenziellen Sch¨ aden kann dabei in drei Klassen eingeteilt werden (Farrar u. others, 2003): (1) Inkrementelle Schadenszunahme (2) Diskrete planm¨ aßige Schadenszunahme (3) Diskrete außerplanm¨ aßige Schadenszunahme Insbesondere die Schadensentstehungen unter (1) und (2) k¨ onnen durch regelm¨ aßige und kurze Wartungsintervalle reduziert, wenn nicht sogar ganz vermieden werden. ¨ Ublicherweise erfolgen diese Pr¨ ufungen von Bauteilen nach festgelegten Zeiten. Die Inspektionsintervalle m¨ ussen so gew¨ ahlt sein, dass Sch¨ adigungen erkennbar sind, bevor es zu einem Totalausfall kommt. Diese regelm¨ aßigen und engmaschigen Inspektionen sind jedoch ¨ okonomisch betrachtet nicht sinnvoll und bei wirtschaftlich genutzten Anlagen oftmals nur schwer umsetzbar. Beim Einsatz von FVW im Konsumg¨ uterbereich, wie beispielsweise bei Automobilen, ist der erh¨ ohte Inspektionsaufwand zus¨ atzlich nur schwer vermittelbar und h¨ aufig ein gewichtiges Kaufhindernis. Bei diskreten außerplanm¨ aßigen Schadensereignissen steht hingegen das geregelte Erkennen von etwaigen Sch¨ aden im Vordergrund. Eine Eintrittsvorhersage ist bei derartigen Schadensereignissen hingegen v¨ ollig ausgeschlossen. Trotzdem ist es in diesen F¨ allen hilfreich, eine Aussage ¨ uber Art und Umfang der Sch¨ adigung treffen zu k¨ onnen. Ein geeignetes Prognoseverfahren k¨ onnte so den weiteren Verlauf des Schadens erkl¨ aren und weitere Maßnahmen steuern. Beim Versagen von Faserverbundstrukturen treten unterschiedliche Schadensbilder auf. Die vorausschauende Detektion des Schadensbildes h¨ angt dabei maßgeblich vom Eintritt der ersten Ver¨ anderungen am Bauteil ab. Schadensursachen k¨ onnen hierbei sein: •¨ Uberlastung •Erosion •Erm¨ udung •Sch¨ aden an der Beschichtung •Sch¨ aden an den Verklebungen •Beulen •Diskrete und außerplanm¨ aßige strukturelle Sch¨ aden durch Impact (Vogelschlag, Blitz, etc.) Hinter den auftretenden Schadensbildern liegen bei Faserverbundstrukturen komplexe Versagensmechanismen, die je nach Schadensursache unterschiedliche Detektionsmethoden erfordern. Der unterschiedliche Charakter von Faser und Matrix zwingt zu einer Unterscheidung zwischen interlaminaren Br¨ uchen (Delamination) und intralaminaren Br¨ uchen (Faserund Zwischenfaserbr¨ uchen) entsprechend Abbildung 1. Abbildung 1. Die intralaminaren Versagensmoden (Faserund Zwischenfaserbruchmoden) der unidirektionalen Schicht nach Puck (Puck, 1996). SHM VON FVW MITTELS PIEZOSENSOREN 5 W¨ ahrend Delaminationssch¨ aden im makroskopischen Bereich auftreten, erfordern Untersuchungen von Faserund Zwischenfaserbr¨ uchen Betrachtungen im mikroskopischen Bereich. Die unterschiedlichen Schadensmechanismen, zwei Faserund drei Zwischenfaserbruchmoden in d¨ unnwandigen Laminaten (vgl. Abbildung 1), haben hierbei auch einen maßgeblichen Einfluss auf die eingesetzte Sensortechnik und die zugeh¨ origen Vorhersagemodelle. Auch wenn das Versagen von Laminaten bei statischer und zyklischer Beanspruchung ph¨ anomenologisch ¨ ahnlich ist, f¨ uhren verschiedene Belastungsarten zu unterschiedlichen Versagensmoden, die f¨ ur eine ¨ Uberwachung eindeutig charakterisiert sein m¨ ussen. Bei einer z¨ ugig bis zum Bruch gesteigerten L¨ angszugbelastung werden die Fasern zerrissen, d.h. ihre Koh¨ asivfestigkeit wird ¨ uberschritten. Faserbruch unter Erm¨ udungsbelastung hingegen verl¨ auft sehr komplex und wird sehr stark von der Matrix beeinflusst. Durch Schlagbelastungen (Impacts) entstehen im Inneren des Mehrschichtverbunds interlaminare Abl¨ osungen zwischen den Schichten, die an der Oberfl¨ ache des Bauteils meist nicht zu erkennen sind. Unter weiterer Beanspruchung k¨ onnen großfl¨ achige Delaminationen zwischen den Schichten entstehen, die abrupt zu einem fr¨ uhzeitigen, katastrophalen Versagen f¨ uhren. Sch¨ aden an Fl¨ ugeln einer Windkraftanlage sind beispielsweise typische Sch¨ aden, wie sie aufgrund von Konstruktionsfehlern, ¨ Uberlastung oder Fehlern w¨ ahrend der Herstellung auftreten. Sie werden gegenw¨ artig in der Regel durch eine Sichtpr¨ ufung detektiert. Da die Zug¨ anglichkeit derartiger Konstruktionen verst¨ andlicherweise h¨ ochst aufwendig ist, ist ein tiefgreifendes Verst¨ andnis des Versagensverhaltens und eine entsprechende sensorgest¨ utzte ¨ Uberwachung nat¨ urlich ¨ uberaus w¨ unschenswert. 2.3. Piezoelektirische Wandler. Die Erfassung von Messwerten zur Detektion von Sch¨ aden an der Struktur soll idealerweise zerst¨ orungsfrei durchgef¨ uhrt werden. Die Qualit¨ at eines Werkst¨ ucks wird hierbei getestet, ohne das Material selbst zu besch¨ adigen. Dazu werden physikalische Effekte ausgenutzt, welche haupts¨ achlich in die zwei Gruppen Defektoskopie und Qualimetrie eingeteilt werden k¨ onnen. Beispiele sind eingebettete faseroptische Sensoren zur Dehnungsmessung, miniaturisierte Beschleunigungssensoren zur Erkennung von Vibrationen, das aktive Ultraschallpr¨ ufverfahren und das passive Verfahren zur Schallemissionspr¨ ufung oder Acoustic Emission Testing sowie die elektromechanische Impedanzmessung. In unseren Experimenten wurden runde piezoelektrische Keramiken f¨ ur die Anregung von Ultraschallwellen eingesetzt. Piezoelektrische Materialien haben die Eigenschaft, dass eine mechanische Deformation eine zu dieser Deformation proportionale elektrische Ladung erzeugt, die als elektrische Spannung abgegriffen wird (direkter piezoelektrischer Effekt). Umgekehrt kann das Anlegen einer elektrischen Spannung eine mechanische Deformation erzeugen (reziproker oder inverser piezoelektrischer Effekt) (Winner u. a., 2015). Beide Wirkrichtungen wurden f¨ ur die Versuche ausgenutzt: •Um Ultraschallwellen zu erzeugen, wurde eine elektrische Spannung angelegt. Dabei wurden die Piezowandler als Piezo-Aktoren zum Aussenden von Schall eingesetzt. •Zum Empfangen von Schall wurden die Piezowandler als Piezo-Sensoren eingesetzt. In der technischen Anwendung kommen prim¨ ar drei piezoelektrische Werkstoffe zum Einsatz: Blei-Zirkonat-Titanat (PZT), Bariumtitanat (BTO) und Polyvinylidenfluorid (PVDF). Bei unseren Untersuchungen wurden runde piezoelektrische Elemente aus Blei-Zirkonat-Titanat verwendet. Bei den runden PZTs ist die Abstrahlcharakteristik der Ultraschallwellen radialsymmetrisch. F¨ ur die Versuche wurden die PZTs durch eine d¨ unne, m¨ oglichst steife Klebstoffschicht mit der Strukturoberfl¨ ache verbunden. 3. Versuchsaufbau Da die Pr¨ azision und Vertrauensw¨ urdigkeit der Messergebnisse stark von der Art der Messung an der Struktur aber zus¨ atzlich auch von der Position und deren Messgenauigkeit abh¨ angt, ist die SHM VON FVW MITTELS PIEZOSENSOREN 6 Abbildung 2. Schematischer Versuchsaufbau. Abbildung entnommen aus Fu (2017). optimale Positionierung der ausgew¨ ahlten Schadensdetektionssensoren f¨ ur spezielle industrielle Anwendungen von großer Bedeutung. Im Folgenden werden Experimente beschrieben, um die verwendeten Sensoren ideal zu platzieren, so dass Sch¨ adigungen mit einer maximalen Wahrscheinlichkeit richtig detektiert werden k¨ onnen. Durch Verfahren der Systemidentifikation lassen sich Informationen aus dem geplanten Simulationsmodell zum aktuellen Strukturzustand ermitteln. Mittels Korrelation der einzelnen Messfelder soll eine verbesserte Aussage ¨ uber die Sch¨ adigungszonen erm¨ oglicht werden. Der Versuchsaufbau ist in Abbildung 2 schematisch dargestellt. Die wesentlichen Hardwarekomponenten umfassen einen Computer, einen Funktionsgenerator, ein Oszilloskop, einen Aktorverst¨ arker, welcher das Signal des Funktionsgenerators auf ca. 60 V verst¨ arkt, einen Messsignalfilter/-verst¨ arker sowie eine Noppenschaumstoffmatte. Ein weiterer Bestandteil des Versuchsaufbaus waren mehrere auf die Oberfl¨ ache der Struktur der GF-EPPlatte aufgeklebte, runde piezoelektrische Elemente. Um die Struktur zu Schwingungen anzuregen, wurde an das als Aktor eingesetzte piezoelektrische Element ein Spannungssignal angelegt. Die angeregte Welle breitete sich in der Struktur aus. Das durch das als Sensor eingesetzte piezoelektrische Element empfangene Signal wude mit Hilfe eines Oszilloskops gemessen und zur Darstellung an den Rechner gesendet. Hierbei wurden direkte und inverse piezoelektrische Effekte ausgenutzt. Das analoge Signal wurde in ein digitales Signal konvertiert und als comma separated value(CSV) Datei im Rechner gespeichert. Die Anregefrequenz wurde entsprechend der Resonanzfrequenz der Versuchsplatte bestimmt. Der Aktor wurde mit einem sinusf¨ ormigen Burst mit 5 Perioden angeregt. Eine Periode des Sensorsignals besteht aus 90 Samples. Die Abtastrate betr¨ agt 15,625 MSa /s, welches eine Abtastfrequenz fsvon 15,625 MHz entspricht. 3.1. Vorversuche. Zur Optimierung des Versuchsaufbaus wurden Vorversuche durchgef¨ uhrt. Hierf¨ ur stand der in Abbildung 3 gezeigte Versuchsaufbau zur Verf¨ ugung. In der Abbildung sind die folgenden Elemente dargestellt: (1) Red Pitaya (data acquisition) (2) Aktorverst¨ arker (3) Messsignalfilter/-verst¨ arker SHM VON FVW MITTELS PIEZOSENSOREN 7 Abbildung 3. 1. Red Pitaya (data acquisition), 2. Aktorverst¨ arker, 3. Messsignalfilter/-verst¨ arker 4. Versuchstafel (400 mm ×400 mm GF-EP-Platte) 5. Piezoelement 6. Noppenschaumstoffmatte. Abbildung entnommen aus Fu (2017). (4) Versuchstafel (400 mm ×400 mm GF-EP-Platte) (5) Piezoelement (6) Noppenschaumstoffmatte Abbildung 4 zeigt die definierten Positionen auf der Strukturoberfl¨ ache f¨ ur die Applizierung der Piezoelemente. Die Elemente wurden von 0 bis 22 nummeriert. Zur Durchf¨ uhrung des Vorversuchs wurde das Testsignal an den Piezo-Aktor an der Position 0 angelegt. Die Piezoelemente auf den anderen Punkten funktionieren dann als Sensoren. Dabei k¨ onnen zwei Sensorsignale gleichzeitig durch das Oszilloskop gemessen werden. Insgesamt werden f¨ ur die Vorversuchsplatte 22 Aktor-Sensor-Konfigurationen mit jeweils zwei Beobachtungen gemessen, so dass die Daten von insgesamt 44 Beobachtungen erfasst werden. Abbildung 5 zeigt das Signal am Sensor 8. Es ist zu erkennen, dass das Sensorsignal teilweise mit dem am Sensor gemessenen Aktorsignal gemischt dargestellt wird, so dass der Startpunkt des Sensorsignals schwer abzulesen ist. Das f¨ uhrt zu der falschen Ermittlung der Eigenschaft von Time of Flight(TOF), die f¨ ur die mathematische Auswertung von großer Bedeutung ist. Außerdem liegen die Kabel f¨ ur die Spannungsversorgung am Aktor und die Kabel f¨ ur die Messung am Sensor zu nah aneinander. Dies hat ein ¨ Ubersprechen des Aktorsignals auf den Sensor zur Folge. Dies beeintr¨ achtigt den Messprozess und resultiert in einer schlechten Datenqualit¨ at. Zus¨ atzlich liegen die mit den Piezoelementen verl¨ oteten Kabel direkt auf einer H¨ alfte der zu untersuchenden Struktur. Diese Aufbringung der zus¨ atzlichen Kabelmasse kann eine f¨ ur den Versuch unerw¨ unschte D¨ ampfung des Signals bewirken. Um den Messprozess und die Datenqualit¨ at zu verbessern, wurde der Versuchsaufbau optimiert. 3.2. Optimierung des Versuchsaufbaus. Zur Optimierung des Versuchsaufbaus werden folgende Maßnahmen durchgef¨ uhrt. Die zwei Verl¨ angerungskabel zwischen dem Messverst¨ arker und den Sensoren werden gespart. Um den Einfluss der Signallaufzeit zu minimieren, wurde das Aktorsignal ¨ uber einen Tastkopf mit 10:1 Spannungsteiler am Ausgang des Aktorverst¨ arkers gemessen. Damit die Aufbringung der zus¨ atzlichen Kabelmasse auf der zu untersuchenden Struktur verhindert wird, wurde das in Abbildung 6 gezeigte Gitter verwendet. Der Messverst¨ arker kann SHM VON FVW MITTELS PIEZOSENSOREN 14 Abbildung 13. Messkonfigurationen. Abbildung entnommen aus Fu (2017). Tabelle 1. Messreihen der Hauptversuche Nr. Zustand der Struktur Messungen Platte 1 ohne Sch¨ adigung, 5 mm-, 10 mmund 20 mm-Bohrungen 320 Platte 2 ohne Sch¨ adigung, 5 mm-, 10 mmund 20 mm-Bohrungen 320 Platte 3 ohne Sch¨ adigung, 5 mm-, 10 mmund 20 mm-Bohrungen 320 Platte 4 ohne Sch¨ adigung, 1 mm-Bohrung 150 Winkel, Drehrichtung, Distanz und vorhergesagte Distanz noch weitere Features und Einflussgr¨ oßen ben¨ otigt, die im Folgenden erkl¨ art werden. Die Analyse mit mehreren Features und Einflussgr¨ oßen f¨ ur Hauptversuche begr¨ undet sich auf die Erh¨ ohung der Zuverl¨ assigkeit der Modellierungen f¨ ur die Schadensdetektion. Bei den zus¨ atzlichen Features handelt es sich im Einzelnen um: Winkelkorrektur: Die Fasern der Versuchstafeln wurden nicht genau in 0◦und 90◦Winkel verlegt, wobei eine Abweichung von ungef¨ ahr 3◦(optisch mit dem Winkelmesser gemessen) bestand. Daraus ergibt sich die sogenannte Winkelkorrektur, die als weitere Einflussgr¨ oße ber¨ ucksichtigt wurde. Zur automatisierten Ermittlung der Winkelkorrektur auf Basis der Sensordaten wurde eine lineare Regression zur Vorhersage der Distanz mit den Regressoren der ToF, des Winkels und der Drehrichtung durchgef¨ uhrt. (1) ˆy=ˆ β0+ˆ β1×Ttof +ˆ β2×(Winkel +W inkelkorrektur) + ˆ β3×Drehrichtung. Der Winkel wurde durch die Winkelkorrektur korrigiert, bis die Drehrichtung keinen Einfluss mehr auf die Distanzvorhersage hat bzw. der Parameter ˆ β3= 0 ist. Differenz der Winkelkorrekturen: Die Einflussgr¨ oße Differenz der Winkelkorrekturen bezeichnet die Differenz zwischen den Winkelkorrekturen aus der Analyse jeweils mit der Referenzmessung und mit der Messung mit Sch¨ adigung. PSD 1-5: Das Feature PSD wurde in Abschnitt 3.3 vorgestellt. W¨ ahrend in der Analyse der Vorversuche nur der Maximalwert der spektralen Leistungsdichte ¨ uber das Frequenzband (PSD 1) ber¨ ucksichtigt wurde, wurden die f¨ unf Maximalwerte der PSD (PSD 1-5) zur Analyse der Hauptversuche ber¨ ucksichtigt. SHM VON FVW MITTELS PIEZOSENSOREN 15 Frequenz (FQ) 1-5: Die f¨ unf zu PSD 1-5 geh¨ orenden Frequenzwerte. Frequenz¨ anderung: Bin¨ ares Merkmal, das angibt, ob sich eine von der f¨ unf Frequenzen FQ 1-5 im Vergleich zu den Frequenzen aus den Referenzmessdaten der jeweiligen Platte ge¨ andert hat. Differenz der vorhergesagten Distanzen: In der Analyse der Hauptversuche wurden die reale Distanz zwischen dem Aktor und dem Sensor, die durch die lineare Regression (siehe die Sch¨ atzgleichung 1) vorhergesagte Distanz sowie die Differenz den vorhergesagten Distanzen als Einflussgr¨ oßen verwendet. Hierbei ist die Differenz der vorhergesagten Distanzen die Differenz zwischen den vorhergesagten Distanzen aus der Analyse jeweils mit der Referenzmessung und mit der Messung mit Sch¨ adigung. 4.3. Schadensklassifikation. In dieser Untersuchung wurden zwei Klassen zur Schadensklassifikation verwendet: (1) Versuchstafeln ohne Besch¨ adigung und (2) Versuchstafeln mit Besch¨ adigung. Durch die Experimente wurde ermittelt, wie viele Datens¨ atze anhand der statistischen Analyse zur Schadensdetektion der Versuchstafeln erkannt werden. Dabei wurden ein logistisches Regressionsmodell (Harrell, 2001), ein Entscheidungsbaum (engl. tree) (Breiman u. a., 1984) und ein Entscheidungswald (engl.: random forest) (Breiman, 2001) verwendet. Zum Pr¨ ufen der Zuverl¨ assigkeit der jeweiligen Modellierungen wurde eine Kreuzvalidierung eingesetzt. Es ergeben sich vier F¨ alle bei der 2-KlassenKlassifizierung, die in einer Konfusionsmatrix dargestellt werden k¨ onnen: (1) Der Datensatz geh¨ ort zu einer Platte ohne Besch¨ adigung und das Modell hat dies richtig klassifiziert (richtig negativ). (2) Der Datensatz geh¨ ort zu einer Platte ohne Besch¨ adigung und das Modell hat die Platte als mit Besch¨ adigung klassifiziert (falsch positiv). (3) Der Datensatz geh¨ ort zu einer Platte mit Besch¨ adigung und das Modell hat dies richtig klassifiziert (richtig positiv). (4) Der Datensatz geh¨ ort zu einer Platte mit Besch¨ adigung und das Modell hat dies als Versuchstafel ohne Schaden vorhergesagt (falsch negativ). 5. Analyse Die Daten wurden bei der separaten Untersuchung entsprechend der Bohrungsr¨ oße getrennt, wobei der Bohrungsdurchmesser zwischen 5 mm, 10 mm und 20 mm variiert. F¨ ur die Klassifikation bei jeder Bohrungsr¨ oße standen 550 Beobachtungen (Referenzmessdaten: 80 ×3 + 70 = 310 Beobachtungen, Messdaten von den Platten 1-3 mit Bohrung: 80 ×3 = 240 Beobachtungen) zur Verf¨ ugung. Die Kreuzvalidierung wurde zum Pr¨ ufen der Zuverl¨ assigkeit der jeweiligen Modellierungen eingesetzt (Efron, 1983; Kohavi, 1995). Bei der Kreuzvalidierung werden die Daten in mehrere (in dieser Artikel f¨ unf) gleich große Teildatens¨ atze aufgeteilt. In dem mehrschrittigen Verfahren wurde nacheinander ein Teildatensatz als Validierungsdaten zur Absch¨ atzung der Prognoseg¨ ute und die ¨ ubrigen Teildatens¨ atze zur Sch¨ atzung der Modellparameter genutzt. Als Maß f¨ ur die Prognoseg¨ ute wurde der Mittelwert der Prognoseg¨ uten aus den einzelnen Iterationen berechnet. Die Fehlerrate der Modelle entsprach dem Quotienten aus der Summe der falsch klassifizierten Beobachtungen und der Summe aller Beobachtungen. Es ist zu erkennen, dass die Fehlerrate mit den drei Modellen in der separaten Untersuchung zwischen 23 % bis 39 % lagen. Dabei weist das logististische Regressionsmodell gegen¨ uber den anderen zwei Modellen eine bessere Schadenserkennung auf. Es standen insgesamt 1030 Beobachtungen (Referenzmessdaten: 80 ×3 + 70 = 310 SHM VON FVW MITTELS PIEZOSENSOREN 16 Beobachtungen, Messdaten von den Platten 1-3 mit allen Bohrungsgr¨ oßen: 80 ×3×3 = 720 Beobachtungen) zur Verf¨ ugung. Bei der Klassifikation der Versuchstafeln mit bzw. ohne Bohrung mithilfe des Entscheidungsbaums werden 592-mal keine Besch¨ adigungen richtig und 402-mal ein Schaden richtig in der globalen Untersuchung erkannt. Das f¨ uhrt zu einer Fehlerrate von 3,50 %. Es ist erkennbar, dass der Entscheidungsbaum mit einer Fehlerrate von 3,50 % f¨ ur die globale Untersuchung eine deutlich bessere Schadenserkennung aufweist. Bei der Klassifikation der Versuchstafel ohne bzw. mit 1 mm-Bohrung mithilfe des Entscheidungsbaums wurden 82-mal keine Besch¨ adigungen richtig und 38-mal ein Schaden richtig erkannt. Daraus ergab sich eine Fehlerrate von 20,00 %. 6. Zusammenfassung und Ausblick Es wurden Messungen und Untersuchungen zur Schadensdetektion an Versuchstafeln von FKV durchgef¨ uhrt. Das Hauptziel bestand in der Planung von Experimenten zur Gewinnung von Messdaten mittels piezoelektrischen Elementen auf Versuchstafeln, bei denen bewusst Strukturbesch¨ adigungen eingebracht wurden. Statistische Auswertungsmethoden sollen auf ihre Eignung getestet werden, R¨ uckschl¨ usse aus den experimentell gewonnenen Daten auf die Art der Strukturbesch¨ adigungen zu ziehen. Hierf¨ ur wurden Vorversuche zur Optimierung des Versuchsaufbaus und Hauptversuche zur Gewinnung der Messdaten durchgef¨ uhrt. Zur Untersuchung der Messsignale wurden verschiedene mathematische Modelle angewendet. Basierend auf den umfangreichen Versuchen und der anschließenden mathematischen Analyse ergeben sich die folgenden Verbesserungsvorschl¨ age: Konstante Randbedingungen: Bei der Durchf¨ uhrung der Versuchsreihen konnten in jedem Experiment nur die Messdaten von einer Aktor-Sensor-Konfiguration gewonnen werden. Es muss darauf geachtet werden, dass die Versuche aller Aktor-Sensor-Konfigurationen unter denselben Randbedingungen durchgef¨ uhrt werden. ¨ Andern sich die Randbedingungen, so f¨ uhrt dies zur unerw¨ unschten Varianz in den Messergebnissen. Signalst¨ orungen: In dem Versuch mit der Platte, auf der eine 1mm-Bohrung mittig aufgebracht wurde, ist aufgefallen, dass bereits das Anschließen der Kabel einen messbaren Einfluss auf die Messdaten hat, der bei der geringen ¨ Anderung der Features der Signalkurve auf Grund der sehr kleinen 1mm-Bohrung relevant sein kann. Mehrere Messkan¨ ale: Wenn mehrere Messkonfigurationen mit einem Aktorsignal gleichzeitig gemessen werden, w¨ urde die Effizienz der Durchf¨ uhrung der Versuchsreihen und die Qualit¨ at der Messdaten erh¨ oht. Somit ist ein Messger¨ at mit mehreren Messkan¨ ale vorzugsweise zu verwenden. Differenzsignale: Zur Untersuchung mit den mathematischen Modellen k¨ onnten noch Differenzsignale eingesetzt werden. Dabei wird ein Differenzsignal durch Subtrahieren des Messsignals eines als unbesch¨ adigt angenommenen Referenzzustands von dem Messsignal der aktuellen Messung gebildet. Somit werden dann die Messsignale und die Differenzsignale zur Schadensdetektion analysiert. Schadensarten: Zur Simulation eines Schadens wurden Bohrungen mit variierenden Durchmesser aufgebracht. Die in die Platte gef¨ uhrte Welle wurde an der Kante der Bohrung reflektiert. In der Praxis ergeben sich noch mehr Schadensarten. Um die Versuche zu erweitern, k¨ onnten noch andere Schadensarten wie z.B. eine Delamination betrachtet werden, die durch einen modifizierten Kerbschlagversuch oder einen Impaktor mit bestimmter Schlagenergie simuliert werden kann. Durch die Delamination wird die in die Platte gef¨ uhrte Welle ged¨ ampft, wodurch andere Eigenschaften der Signalkurve entstehen k¨ onnen. Anhand den Messdaten k¨ onnen Erkenntnisse ¨ uber die M¨ oglichkeit der Schadenserkennung bei einer Delamination erhalten werden. SHM VON FVW MITTELS PIEZOSENSOREN 17 Lamb-Wellen: F¨ ur zuk¨ unftige Untersuchungen zur Schadenslokalisation k¨ onnten die Eigenschaften von Lamb-Wellen in der anisotropen Struktur ermittelt werden, um diese in nachtr¨ aglichen Analysen verwenden zu k¨ onnen. Dabei soll der Zusammenhang zwischen der Ausbreitungsgeschwindigkeit der Lamb-Welle und der mechanischen Eigenschaften von FKV dargestellt werden. Messqualit¨ at: Durch die Versuchsdurchf¨ uhrung und die mathematische Untersuchung kann man erkennen, dass die Schadenserkennung von Strukturen der FKV mit der in diesem Artikel beschriebenen Methode m¨ oglich ist. Um ein besseres Ergebnis zu erhalten, soll die Qualit¨ at der Messdaten verbessert werden. Maschinelles Lernen: In dieser Untersuchung wurden einfache statistische Modelle (logistische Regression, Trees und Random Forests) eingesetzt. Die Verwendung weiterer Verfahren des maschinellen Lernens (Figueiredo u. a., 2011; Farrar u. Worden, 2013) oder deren Kombination (Bartz-Beielstein u. Zaefferer, 2017) ist sicherlich von großem Interesse. Literatur [Bartz-Beielstein u. Zaefferer 2017] Bartz-Beielstein, Thomas ; Zaefferer, Martin: Modelbased methods for continuous and discrete global optimization. In: Applied Soft Computing 55 (2017), 154 - 167. http://dx.doi.org/10.1016/j.asoc.2017.01.039. – DOI 10.1016/j.asoc.2017.01.039. – ISSN 1568–4946 [Bonnet 2016] Bonnet, Martin: Kunststofftechnik: Grundlagen, Verarbeitung, Werkstoffauswahl und Fallbeispiele. Springer, 2016 [Breiman 2001] Breiman, L: Random Forests. In: Machine Learning 45 (2001), Nr. 1, S. 5–32 [Breiman u. a. 1984] Breiman, L ; Friedman, J H. ; Olshen, R A. ; Stone, C J.: Classification and Regression Trees. Monterey CA : Wadsworth, 1984 [Efron 1983] Efron, Bradley: Estimating the error rate of a prediction rule: improvement on cross-validation. In: Journal of the American Statistical Association 78 (1983), Nr. 382, S. 316–331 [Ehrenstein 2006] Ehrenstein, Gottfried W.: Faserverbund-Kunststoffe: Werkstoffe, Verarbeitung, Eigenschaften. 2. Hanser Verlag, 2006 [Farrar u. others 2003] Farrar, Charles R. ; others: Damage Prognosis: Current Status and Furture Needs. Los Alamos National Laboratory, 2003. – Forschungsbericht [Farrar u. Worden 2013] Farrar, Charles R. ; Worden, Keith: Structural Health Monitoring: A Machine Learning Perspective. Wiley, 2013 [Figueiredo u. a. 2011] Figueiredo, Eloi ; Park, Gyuhae ; Farrar, Charles R. ; Worden, Keith ;Figueiras, Joaquim: Machine learning algorithms for damage detection under operational and environmental variability. In: Structural Health Monitoring 10 (2011), Nr. 6, 559–572. http://dx.doi.org/10.1177/1475921710388971. – DOI 10.1177/1475921710388971 [Fu 2017] Fu, Yixi: Untersuchungen und mathematische Analyse von Piezosensoren zur Anwendung im Structural Health Monitoring f¨ ur Faserverbundstrukturen, Technische Hochschule K¨ oln, Diplomarbeit, 2017 [Harrell 2001] Harrell, Frank E.: Regression modeling strategies: with applications to linear models, logistic regression, and survival analysis. Springer, 2001 [Kohavi 1995] Kohavi, Ron: A Study of Cross-Validation and Bootstrap for Accuracy Estimation and Model Selection. (1995), S. 1–8 [Puck 1996] Puck, Alfred: Festigkeitsanalyse von Faser-Matrix-Laminaten: Modelle f¨ ur die Praxis. M¨ unchen and Wien : Hanser, 1996. – ISBN 3–446–18194–6 [Sch¨ urmann 2005] Sch¨ urmann, Helmut: Konstruieren mit Faser-Kunststoff-Verbunden. Springer, 2005 SHM VON FVW MITTELS PIEZOSENSOREN 18 [Winner u. a. 2015] Winner, Hermann ; Hakuli, Stephan ; Lotz, Felix ; Singer, Christina: Handbook of Driver Assistance Systems: Basic Information, Components and Systems for Active Safety and Comfort. 1st. Springer Publishing Company, Incorporated, 2015. – ISBN 3319123513, 9783319123516 [Worden u. a. 2007] Worden, Keith ; Farrar, Charles R. ; Manson, Graeme ; Park, Gyuhae: The fundamental axioms of structural health monitoring. In: Proceedings of the Royal Society A: Mathematical, Physical and Engineering Science 463 (2007), Nr. 2082, 1639–1664. http: //dx.doi.org/10.1098/rspa.2007.1834. – DOI 10.1098/rspa.2007.1834 Kontakt/Impressum Diese Veröffentlichungen erscheinen im Rahmen der Schriftenreihe "CIplus". Alle Veröffentlichungen dieser Reihe können unter https://cos.bibl.th-koeln.de/home abgerufen werden. Die Verantwortung für den Inhalt dieser Veröffentlichung liegt beim Autor. Datum der Veröffentlichung: 06.04.2017 Herausgeber / Editorship Prof. Dr. Thomas Bartz-Beielstein, Prof. Dr. Wolfgang Konen, Prof. Dr. Boris Naujoks, Prof. Dr. Horst Stenzel Institute of Computer Science, Faculty of Computer Science and Engineering Science, TH Köln, Steinmüllerallee 1, 51643 Gummersbach url: www.ciplus-research.de Schriftleitung und Ansprechpartner/ Contact editor’s office Prof. Dr. Thomas Bartz-Beielstein, Institute of Computer Science, Faculty of Computer Science and Engineering Science, TH Köln, Steinmüllerallee 1, 51643 Gummersbach phone: +49 2261 8196 6391 url: http://www.spotseven.de eMail: [email protected] ISSN (online) 2194-2870 This work has been partially supported by the MIWF NRW under grant agreement FH-STRUKTUR 2014/10 (ISAFAN).