介绍了用于确定嵌入式灵敏度函数的数据采集过程。以家用规模风力涡轮机叶片为例，展示了数据采集方法及代表性结果。
需要JoVE订阅才能观看此内容。 请登录或开始免费试用
本文内容
摘要
摘要
许多结构健康监测技术的有效性取决于传感器的布置以及输入力的位置。用于确定最优传感器和激励位置的算法通常需要来自受损结构的数据，无论是模拟数据还是实测数据。嵌入式灵敏度函数提供了一种方法，仅利用健康结构的数据即可确定最佳可用的传感器位置以检测损伤。本视频和文稿中介绍了数据采集流程以及确定结构嵌入式灵敏度函数的最佳实践。用于计算嵌入式灵敏度函数的频响函数是通过模态冲击测试获取的。文中以住宅级风力涡轮机叶片为例，展示了数据采集过程及代表性结果。在数据采集过程的演示中，还提供了评估所采集数据质量的策略。
引言
许多结构健康监测技术依赖于测量频响函数（FRFs）的变化来检测结构内部的损伤。然而，这些方法中很少有涉及如何确定传感器布置位置和/或激励力施加位置，以最大化损伤检测方法的有效性。嵌入式灵敏度函数（ESFs）可用于确定频响函数对结构材料属性局部变化的灵敏度。因此，由于损伤通常会导致结构局部刚度、阻尼或质量发生变化，ESFs 为基于频响函数的健康监测技术提供了确定最佳传感器和激励力位置的方法。
本视频和文稿的目的是详细介绍获取数据的过程以及确定结构ESF的最佳实践方法。该过程包括通过模态冲击测试确定多个FRF，模态冲击测试通过使用模态冲击锤激励结构，并利用加速度计测量其响应来完成。在本研究中，被测试的结构是一根长度为1.2米的住宅级风力涡轮机叶片。测试与分析的目标是识别对叶片损伤最敏感的传感器布置位置。这些传感器位置随后可用于结构健康监测方案中，以对叶片的损伤情况进行监测。
除了使用ESF方法确定结构健康监测方案中最有效的传感器布置位置外，文献中还展示了多种最优传感器布置算法。在[Kramer]中，Kramer通过迭代评估一组传感器对系统模态的观测能力。近年来，已有研究开发了遗传算法1-3和神经网络4来识别最优传感器位置。在5中，采用了一种贝叶斯方法，该方法考虑了不同类型错误的风险以及损伤发生率的分布情况。在6中，利用有限元模型识别出最有可能检测到损伤的传感器位置。在文献中提出的大多数传感器布置算法中，都需要来自受损结构的数据，无论是模拟数据还是实测数据。嵌入式灵敏度方法的一个优势在于，仅需来自健康结构的数据即可确定传感器布置位置。
ESF 的另一个优势在于无需明确知晓材料属性。相反，材料属性已“嵌入”系统频响函数（FRF）的表达式中。因此，计算 ESF 所需的仅是一组在特定输入/输出位置测得的 FRF 数据。具体而言，频响函数（Hjk）——即在点 k 施加输入时，在点 j 测得的响应所对应的频响函数——对点 m 与点 n 之间刚度（Kmn）变化的灵敏度为
其中 
是频率 ω 的函数的 ESF 7-9测量用于计算公式（1）右侧所需的频率响应函数（FRFs）的步骤将在下一节中详细说明，并在视频中进行演示。
访问受限。请登录或开始试用以查看此内容。
方案
1. 测试前准备
- 设计并制造测试夹具。通过选择与叶片安装位置相匹配的螺栓位置来设计夹具，以复现真实的边界条件。夹具材料选用钢，以尽量减少夹具对测试试件动态响应的干扰。
- 将刀片固定在定制的T型支架上。
- 将夹具固定在钢制台面上。
- 确定并标记撞击位置的网格。
- 选择覆盖整个叶片的30个点。
- 用记号笔或蜡笔标记点位，并编号以便参考。使用卷尺测量点间距，用于后续结果的可视化呈现。
- 选择并校准加速度计。
- 选择单轴、10 mV/g 的加速度计。务必根据适当的灵敏度选择加速度计，以避免传感器过载并获得良好的信噪比。同时，确保传感器的频率范围足够宽，能够捕捉测试样品感兴趣频率范围内的信号。
- 校准每个传感器。
- 将传感器固定在手持式振动台上，该振动台输出为频率单一、幅值为9.81 m/sec²的激振力2 均方根（rms）即，1 g。
- 测量反应持续2秒。
- 根据软件读数确定响应的均方根（rms）幅度。
- 将均方根振幅乘以 1,000，以确定加速度计的校准因子，单位为 mV/g。
- 选择锤子和锤头。
- 选择灵敏度为 11.2 mV/N 的冲击锤。务必选择能够在幅值和频率范围内充分激励测试试样的冲击锤。
- 选择尼龙探头。务必选择能够充分激发测试样品在振幅和频率范围内的锤头探头。
- 使用BNC电缆将锤子连接到数据采集系统。
- 确定传感器位置并安装传感器（图4).
- 选择点位置 m 和 n 损伤位置的两侧。
- 在指定位置安装第三个加速度计 k该传感器的数据将用于验证嵌入式灵敏度函数分析的结果。
- 使用超级胶水固定加速度计。在进行冲击测试前，需等待超级胶水完全固化。
- 在数据采集图形用户界面中选择测试参数。
- 启用双次命中检测。
- 将采样频率设置为 25,600 Hz，因此可用频率范围为 12,800 Hz。
- 将采样时间设置为 1 秒。
- 选择锤子通道作为触发通道。将触发电平设置为 10 EU。
- 将预触发长度设置为总采样时间的5%。预触发数据是指在开始数据采集之前已存储在缓冲区中的数据。获取并保存这部分数据至关重要，以确保完整捕获整个冲击事件。
- 选择 H1 频响函数估计器。该估计器假设响应通道存在噪声，而力通道无噪声。
注意：采集数据时不要加窗。如有必要，可在后期处理中应用窗函数。 - 输入加速度计和锤子的信息，包括校准系数和标识备注。
- 保存设置以用于记录保存及后续测试。
2. 健全叶片的冲击测试
- 用锤子敲击测点1。当冲击力的幅值超过所选触发水平时，数据采集系统将被触发，并开始记录数据，包括所选的预触发数据量。
- 在数据采集过程中，通过观察数据采集软件中显示的时间历程，监控各通道以避免通道削波和重复冲击。
- 在数据采集过程中，监控每个加速度计通道的相干性，通过观察数据采集软件中的相干性图来评估所采集数据的质量。
- 在测点1处重复步骤2.1，共再进行四次。
- 所有冲击应保持一致的冲击幅值。
- 对所有测点重复步骤2.1和2.2。
3. 对受损叶片进行冲击测试
- 对受损叶片重复第2节操作，以收集数据来验证嵌入式灵敏度函数的结果。除测试样本发生变化外，所有测试参数均保持不变。
访问受限。请登录或开始试用以查看此内容。
结果
图1展示了一个典型的嵌入式灵敏度函数。与频响函数（FRF）类似，嵌入式灵敏度函数（ESF）在结构的固有频率附近出现峰值。ESF的值越高，表明该位置对点m和n之间的损伤越敏感。在风力涡轮机叶片上测试的三十个点中，每个点都有其独特的ESF。通过比较这些ESF，可以确定哪个传感器位置对损伤最为敏感。例如，图2显示了接近142 Hz时ESF的幅值。从该图中可以明显看出，对应于第一列和第三列中方块的传感器位置对损伤最为敏感。需要注意的是，这些位置是根据从健康叶片获取的数据确定的。
图3展示了从健康叶片数据和受损叶片数据中确定的频响函数（FRF）之间的实测差异。FRF差异与有效模态指示函数（ESF）之间的相似性表明，ESF能够有效预测因损伤导致FRF发生最大变化的位置。
访问受限。请登录或开始试用以查看此内容。
讨论
测试夹具的设计应能模拟真实的边界条件，以确保测试结果适用于实际运行条件。测试中冲击点数量的选择需在空间分辨率和测试时间之间进行权衡。应根据试样尺寸和关注的频率范围来选择冲击锤。通常情况下，冲击锤越小，激发的频率范围越宽，但较小的冲击锤通常产生的力幅值较低。冲击锤配备有力传感器，用于测量冲击的时间历程。锤头尖端的类型也会影响激励的频率范围：尖端越硬，激励的频率带越宽。例如，相较于蜡，选择超级胶水是为了尽量减少安装材料对响应信号的衰减。
在数据采集软件中，启用双击检测功能，以便自动提示双次冲击的发生。应选择单次冲击，因为其可产生更宽泛且重复性更好的力谱。当力的幅值超过所选触发水平时，即开始数据采集。时间数据由数据采集软件获取。在采集过程中，应实时监测数据以确保数据质量。应避免通道削波现象，即传感器测得的响应超出允许电压范围的情况。相干性（coherence）是评估数据质量的一个优良指标。通常情况下，在冲击所激发的频率范围内，所有频率对应的相干性应接近于1。在试件的反共振频率附近，由于信噪比较低且噪声与输入信号不相关，因此预期会出现相干性下降的现象。获得高质量数据后，通过快速傅里叶变换（...
访问受限。请登录或开始试用以查看此内容。
披露
作者无任何利益冲突需要披露。
材料
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| 加速度计 | PCB | 356B11 | 测试中使用三个 |
| 冲击锤 | PCB | 086C01 | |
| 数据采集卡 | NI | 9234 | |
| DAQ 机箱 | NI | cDAQ-9171 | 或类似型号 |
| 软件 | MATLAB | ||
| 瞬干胶 | Loctite | 454 | |
| 手持式激振器 | PCB | 394C06 | 用于校准 |
参考文献
- 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. ASME 2014 DSCC, , (2014).
- Guratzsch, R., Mahadevan, S. Structural health monitoring sensor placement optimization under uncertainty. AIAA J. 48 (7), 1281-1289 (2010).
访问受限。请登录或开始试用以查看此内容。
重印与许可
