Data Acquisition Protokoll for Bestemme Embedded Følsomhet funksjoner

Abstract

Effektiviteten av mange strukturelle helseovervåkningsteknikker avhenger av plassering av sensorer og plassering av innsatsstyrker. Algoritmer for å bestemme optimal sensor og tvinger steder krever typisk data, enten simulert eller måles, fra den skadede struktur. Embedded følsomhets funksjoner gir en tilnærming for å bestemme den beste tilgjengelige sensorplassering for å påvise skader med bare data fra sunn struktur. I denne videoen og manuskriptet er datainnsamling prosedyre og beste praksis for å bestemme den innebygde følsomhets funksjonene til en struktur presenteres. Frekvensresponsen funksjoner som brukes i beregningen av de innebygde følsomhets funksjonene er anskaffet ved hjelp modal innvirkning testing. Data samles inn og representative resultatene vises for en bolig skala vindturbin blad. Strategier for å vurdere kvaliteten på dataene som blir kjøpt er gitt under demonstrasjonen av datainnhentingsprosessen.

Introduction

Mange strukturelle helse overvåking teknikker stole på endringer i målte frekvensresponsfunksjoner (FRF-er beregnes) for å påvise skade innenfor en struktur. Men få av disse metodene adressere hvordan du fastslår sensor plasseringer og / eller innspill force steder som vil maksimere effektiviteten av metoden for å oppdage skader. Innebygde følsomhetsfunksjoner (ESFs) kan brukes for å bestemme sensitiviteten til en FRF til en lokal endring i en strukturens materialegenskaper. Derfor, siden skade vanligvis resulterer i en lokal endring i stivhet, dempning, eller massen av strukturen, ESFs tilveiebringe en fremgangsmåte for å bestemme de beste sensor og styrke steder for FRF-baserte helse overvåkingsteknikker.

Hensikten med denne videoen og manuskriptet er på detaljer datainnsamlingsprosessen og beste praksis for å bestemme ESFs for en struktur. Fremgangsmåten omfatter å bestemme forskjellige FRF-er beregnes fra sperrende virkning testing, som utføres ved å eksitere en strukturer;re med en modal slaghammer og måle dens respons med akselerometre. I dette arbeidet, er strukturen som blir testet en 1,2 m bolig-skala vindturbin blad. Målet med testing og analyse er å identifisere sensor steder som er mest følsomme for skader på bladet. Disse sensor steder kan deretter brukes i en strukturell helseovervåking ordning for å overvåke bladet for skade.

I tillegg til bruken av ESFs for å bestemme de mest effektive steder sensor til bruk i en strukturell helseovervåking ordningen, kan flere optimale plassering av sensoren algoritmer også finnes beskrevet i litteraturen. I [Kramer], Kramer iterativt vurderer evnen til et sett av sensorer for å observere moduser av et system. Mer nylig har genetiske algoritmer ^1-3 og nevrale nettverk ⁴ blitt utviklet for å identifisere optimale sensor steder. I ⁵ er en bayesiansk tilnærming brukes som tar hensyn til risikoen for ulike typer feilog fordelingen av skadetilfeller. I ^seks, ble en endelig element modell utnyttes til å identifisere sensor steder mest sannsynlig til å påvise skader. I de fleste av sensorplasserings algoritmer som er presentert i litteraturen, data fra den skadede struktur, enten simulert eller måles, er nødvendig. En fordel med den innebygde følsomhet tilnærmingen er at sensor stedene kan bestemmes fra den friske struktur.

En annen fordel med ESFs er at materialegenskaper trenger ikke være eksplisitt kjent. I stedet blir materialegenskaper "embedded" i uttrykkene for systemets FRF-er beregnes. Derfor er alt som trengs for å beregne ESFs er et sett av målte FRF-er beregnes på bestemte input / output steder. Nærmere bestemt følsomheten for FRF (H _jk) beregnet ut fra en respons målt ved punkt j til en inngangs ved punkt k, til en forandring i stivhet (K _mn) mellom punktene m og ner

hvor er ESF som en funksjon av frekvens, ω ^7-9. Fremgangsmåten for måling av FRF-er beregnes som kreves for å beregne den høyre side av ligning (1) er detaljert beskrevet i det neste avsnitt og demonstrert i videoen.

Protocol

1. Pre-test Forberedelse

1. Designe og dikte testen ligaen. Design ligaen å gjenskape realistiske grensebetingelser ved å velge bolt steder å matche monterings steder i bladet. Velger stål til fiksturen for å minimalisere bidraget fra fiksturen til den dynamiske responsen av prøvestykket.
   1. Bolt bladet til den tilpassede t-braketten.
   2. Klem ligaen til en stålbord.
2. Identifisere og markere rutenett av slag steder.
   1. Velg 30 punkter som dekker hele bladet.
   2. Mark poeng med en markør eller voks penn og tall for referanse. Mål punkt avstand ved hjelp av et målebånd for senere bruk i visuell representasjon av resultatene.
3. Velg og kalibrere akselerometre.
   1. Velge enkelt akse, 10 mV / g akselerometre. Pass på å velge akselerometre med riktig følsomhet for å unngå overbelastning av sensor og for å oppnå gode signal-støy forholdstall. Også være sikker frekvensområdet sensorene er tilstrekkelig til å fange frekvensområdet av interesse for prøvestykket.
   2. Kalibrere hver sensor.
      1. Fest sensoren til en håndholdt shaker hvis utgang er en enkelt-frekvens kraft med en styrke på 9.81 m / sek ² rms (dvs. 1 g).
      2. Måle responsen i 2 sek.
      3. Bestem rms amplituden for responsen fra programvaren avlesning.
      4. Multipliser rms amplituden ved 1000 for å bestemme kalibreringsfaktoren for akselerometeret i enheter på mV / g.
4. Velg hammer og hammer tips.
   1. Velg en slaghammer med en sensitivitet på 11,2 mV / N. Sørg for å velge en hammer som tilstrekkelig hisser prøven i både amplitude og frekvensområde.
   2. Velg en nylon tips. Sørg for å velge en hammer tips som tilstrekkelig hisser prøven i både amplitude og frekvensområde.
   3. Connect hammeren til datainnsamling system med en BNC kabel.
5. Identifisere sensor steder og feste sensorer (figur 4).
   1. Velge steder ved punkter m og n på hver side av skadestedet.
   2. Monter en tredje akselerometer på stedet k. Data fra denne sensoren blir brukt til å bekrefte resultatene av den innebygde sensitivitetsfunksjonsanalyse.
   3. Fest akselerometre som bruker superlim. La superlim for å stille helt før du utfører virkningen testing.
6. Velg test parametere i datainnsamling GUI.
   1. Aktiver dobbelt rammet gjenkjenning.
   2. Sett samplingsfrekvens til 25 600 Hz. Den brukbare frekvensområde er derfor 12 800 Hz.
   3. Still prøvetiden til 1 sek.
   4. Velge hammeren kanal som avtrekkeren kanal. Sett trigger nivå til 10 EU.
   5. Still pre-trigger lengde til 5% av den totale prøvetidspunkt. Den pre-trigger data er data samlet inn før datainnsamlingen starter som er lagret i en buffer. Det er viktig å hente og lagre disse dataene slik at hele effekten hendelsen er fanget.
   6. Velg H1 FRF estimator. Dette estimator forutsetter at det er støy på respons kanaler og ingen støy på kraft kanal.
      Merk: Ikke vindus data under oppkjøpet. Vinduer kan bli anvendt i post-prosessering, om nødvendig.
   7. Skriv akselerometer og hammer informasjon, inkludert kalibreringsfaktorer og identifikasjons notater.
   8. Lagre innstillinger for journalføring og for bruk i fremtidige tester.

2. Impact Testing på Sunn Blade

1. Impact punkt 1 med hammeren. Når amplituden av slagstyrken overskrider det valgte utløsningsnivået, vil datainnsamlingssystemet utløses og data, inkludert valgt mengde av pre-triggerdata, vil starte opptaket.
   1. Under data acquisition, overvåke kanaler for å unngå kanal klipping og doble konsekvensene ved å observere tids historier som vises i datainnsamling programvare.
   2. Under datainnsamling, overvåke sammenheng for hver akselerometer kanal for å vurdere kvaliteten på de innsamlede data ved å observere sammenheng plott i datainnsamling programvare.
2. Gjenta steg 2,1 fire ganger i punkt 1.
   1. Bruk konsekvente innvirkning amplituder for alle konsekvenser.
3. Gjenta trinn 2.1 og 2.2 for alle punkter.

3. Impact Testing på Skadet Blade

1. Gjenta punkt 2 på det skadede bladet for å samle inn data for å validere den innebygde følsomhet funksjons resultater. Med unntak av endringen i testprøven, blir alle testparametere holdt samme.

Representative Results

Figur 1 viser en typisk innleiret følsomhet funksjon. I likhet med en FRF, har ESF topper i nærheten av de naturlige frekvenser av strukturen. Jo høyere verdien av ESF, jo mer følsom plasseringen er til skade mellom punktene m og n. Hver av de tretti punktene testet på vindturbinbladet har en unik ESF. Disse ESFs kan bli sammenlignet for å bestemme hvilken sensor plassering ville være mest følsomme for skade. For eksempel, figur 2 viser amplitudene til ESFs i nærheten av 142 Hz. Fra dette plottet, er det klart at sensor steder som svarer til rutene i det første og tredje kolonner er mest følsomme for skade. Merk at disse stedene er bestemt ut fra data innhentet fra de friske blad.

Figur 3 viser den målte forskjellen i FRF-er beregnes mellom de FRF-er beregnes bestemt ut fra data fra det friske blad og de som bestemmes fra data fra skadede bladet. Likhetene mellom forskjellen i FRF-er beregnes og ESFs vise effektiviteten av ESFs å forutsi de stedene hvor de største endringene i FRF-er beregnes på grunn av skade vil bli utstilt.

Figur 1. Amplituden til e mbedded følsomhet funksjon for punkt 1. Verdien av ESF svarer til følsomheten av FRF ved punkt 1 til skade i strukturen ved den valgte sted. Verdiene endres som en funksjon av frekvens. Topper i ESF har en tendens til å tilsvare naturlige frekvenser av strukturen. Klikk her for å se en større versjon av dette tallet.

3690 / 53690fig2.jpg "/>
Figur 2. Amplitudene til ESFs for alle tredve punkter ved 142 Hz. Hver farget firkantet svarer til verdien av ESF ved 142 Hz for hver romlig plassering testes. Hot farger tilsvarer punkter hvor de ESFs forutsi den største endringen i FRF på grunn av skade. Kjøligere farger indikerer at endringen i FRF på det punktet vil være relativt liten. Klikk her for å se en større versjon av dette tallet.

Figur 3. Forskjellen i FRF-er beregnes, H _jk, for alle tredve punkter ved 142 Hz. Forskjellene ble beregnet ved å subtrahere FRF-er beregnes bestemt fra sunne og skadde kniver. Hot farger indikerer store forskjeller i FRF-er beregnes. Kjølige farger indikerer small endringer i FRF-er beregnes. Klikk her for å se en større versjon av dette tallet.

Figur 4. Impact punkter brukes under testing. Poeng ble valgt til å strekke seg over bladet. Klikk her for å se en større versjon av dette tallet.

Discussion

Test inventar skal være utformet for å gjenskape realistiske grensebetingelsene slik at resultatene vil være aktuelt under driftsforhold. Valg av antall treffpunkter som brukes til testing er en avveining mellom å ha tilstrekkelig romlig oppløsning og testing tid. Velge hammeren basert på størrelsen av testprøven og det frekvensområdet av interesse. Generelt, jo mindre hammer, desto bredere frekvensområde spent. Men mindre hammere produserer vanligvis lavere amplitude krefter. Slaghammere er instrumentert med en kraftmåler for å måle den tidshistorien av virkningen. Den type hammer spiss påvirker også frekvensområdet eksitasjon. Jo hardere spissen, den bredere frekvensbåndet av eksitasjon. Super lim velges fremfor voks, for eksempel, for å redusere dempningen av responsen ved monterings materiale.

I datainnsamling programvare, aktiverer dobbelt hit deteksjon for automtisk vise når en dobbel effekt har oppstått. Enkelt konsekvensene er ønsket fordi de produserer et bredere, mer repeterbare kraft spektrum. Når amplituden av den kraft som stiger over den valgte terskelen, blir datainnsamlingen startet. Tid data blir kjøpt av datainnsamling programvare. Under datainnsamling bør overvåkes for å sikre datakvalitet. Kanal klipping, som oppstår når responsen målt ved hjelp av føleren overstiger det tillatte spenningsområde, bør unngås. Sammenheng er et utmerket metrisk å bruke for å bedømme kvaliteten på dataene. Generelt bør sammenheng være i nærheten av en for alle frekvenser innenfor det frekvensområde som eksiteres av effekten. Fall i sammenheng er forventet nær anti-resonansfrekvensene til prøvestykket, fordi signal til støy-forholdet er lavt, og støyen er ukorrelert med inngangs. Når kvalitetsdata blir anskaffet, blir tidshistorier omdannes til frekvensplanet via Fast Fourier Transform (FFT), og den gjennomsnittlige FRF er ESTIMAted bruker H1 estimator ^10.

For å bestemme ESF fra FRF-er beregnes målt under testing, kan ligning 1 kan brukes i en av to måter. For det første kan den direkte metode brukes, noe som krever målinger for HJM, Hjn, Hkm, og HKN. Disse FRF-er beregnes ville bli bestemt ved å plassere en sensor på plassering k og roving en sensor til hver potensiell sensor plassering j. Konsekvenser ville bli brukt på de to stedene som spenner over skadestedet. For å gjøre datainnsamlingen mer effektiv, kan rektor gjensidighet brukes til å reversere inn- og målestedene. Ved hjelp av denne tilnærmingen, er HMJ, Hnj, Hmk, og Hnk bestemt. Nå, i stedet for å måtte flytte sensorene for hver annen måling, sensorene være stasjonær og virkningen posisjon er roved. Når ESFs er beregnet for hvert sted, er deres amplituder i forhold til å avgjøre hvilken plassering jer mest følsom for skade mellom lokasjoner m og n. Merk at en enkelt skadestedet er lagt til grunn i dette arbeidet.

Resultatene av analysen ESF kan nå brukes i en FRF baserte strukturelle helseovervåking ordningen. I ^11, ble det vist at sensor steder som er identifisert av ESFs som å være mest følsomme for skade var mer effektive for å identifisere nærvær av skade på et vindturbinblad.

Andre fremgangsmåter for å forutsi steder på hvilke en struktur FRF vil være følsom for skader typisk avhengige av analytisk modellering av struktur ^{3, 6, 12.} FRF data blir simulert ved hjelp av forskjellige kombinasjoner av inngangs- og målestedene. Men resultatene av disse metodene er avhengige utvikling av en pålitelig og nøyaktig modell, som krever detaljert kunnskap om materialegenskaper og geometri av strukturen. Fordi ESFs kan beregnes ut fra eksperimentelt målte datapå den friske struktur, er identifisering av materialegenskaper ikke nødvendig, og geometrien i konstruksjonen ikke trenger å bli bestemt.

En mulig begrensning av teknikken er at det krever en priori kunnskap om hvor skaden som skal skje. I mange programmer, er dette kravet ikke begrensende fordi på grunn av stress analyser og tidligere erfaring, kan skadestedet forutses. I applikasjoner hvor skadestedet er ukjent, kan flere datasett bli kjøpt opp, hver gang forutsatt en annen skadestedet. Innenfor datainnsamling protokollen, ble mange beste praksis identifisert som ikke bare gjelder for datainnsamling for ESFs, men også gjelder generelt for modal innvirkning testing. Å kunne bedømme kvaliteten på dataene som kjøpte forbedrer med erfaring, men å vite grunnleggende inkludert bestemme kraft roll-off og vurdere sammenhengen vil gjøre selv de som er nye modal innvirkning testing for å skaffe high-kvalitet data.

Disclosures

Forfatterne har ikke noe å avsløre.

Acknowledgments

Forfatterne har ingen bekreftelser.

Materials

Name	Company	Catalog Number	Comments
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

1. Singh, N., Joshi, M. Optimization of location and number of sensors for structural health monitoring using genetic algorithm. Mater Forum. 33, 359-367 (2009).
2. Gao, H., Rose, J. Ultrasonic sensor placement optimization in structural health monitoring using evolutionary strategy. Review Of Qnde. 25, 1687-1693 (2006).
3. 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).
4. Worden, K., Burrows, A. P. Optimal sensor placement for fault detection. Eng Struct. 23 (8), 885-901 (2001).
5. 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).
6. Markmiller, J., Chang, F. Sensor network optimization for a passive sensing impact detection technique. Struct Health Monit. 9 (1), 25-39 (2010).
7. 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).
8. 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).
9. Yang, C., Adams, D. A Damage Identification Technique based on Embedded Sensitivity Analysis and Optimization Processes. J. Sound Vibration. 333 (14), 3109-3119 (2013).
10. 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).
11. Meyer, J., Adams, D., Silvers, J. Embedded Sensitivity Functions for improving the effectiveness of vibro-acoustic modulation and damage detection on wind turbine blades. ASME 2014 DSCC, , (2014).
12. Guratzsch, R., Mahadevan, S. Structural health monitoring sensor placement optimization under uncertainty. AIAA J. 48 (7), 1281-1289 (2010).

Tags

Engineering Embedded følsomhet funksjoner strukturell helseovervåking frekvensrespons funksjoner vibrasjoner støt testing vindturbinblader