Data Acquisition Protokol til bestemmelse Embedded Følsomhed funktioner

Abstract

Effektiviteten af ​​mange strukturelle sundhed overvågningsteknikker afhænger af placeringen af ​​sensorer og placeringen af ​​input kræfter. Algoritmer til bestemmelse optimal sensor og tvinger steder kræver typisk data, enten simuleret eller måles, fra den beskadigede struktur. Indlejrede sensitivitetsfunktioner giver en tilgang til at bestemme den bedste tilgængelige sensor placering til at opdage skader med kun data fra den sunde struktur. I denne video og manuskript, er datafangst procedure og bedste praksis til bestemmelse af indlejrede følsomhed funktioner af en struktur præsenteres. Frekvensgangen funktioner, der anvendes til beregning af de indlejrede sensitivitetsfunktioner er erhvervet ved hjælp af modal test effekt. Data erhvervet og repræsentative resultater er vist for et boligområde skala vindmøllevinge. Strategier for at vurdere kvaliteten af ​​de data, der erhverves leveres under demonstrationen af ​​datafangst processen.

Introduction

Mange strukturelle sundhed overvågningsteknikker stole på ændringer i målte frekvens respons funktioner (FRF) for at detektere skader inden for en struktur. Men kun få af disse metoder fat hvordan du kan afgøre sensor placeringer og / eller input force steder, der vil maksimere effektiviteten af ​​den metode til at påvise skader. Indlejrede sensitivitetsfunktioner (ESFS) kan anvendes til at bestemme følsomheden af ​​en FRF til en lokal ændring i en konstruktionens materialeegenskaber. Derfor, og fordi skader typisk resulterer i en lokal ændring i stivhed, dæmpning, eller masse af strukturen, ESFS tilvejebringe en metode til bestemmelse af de bedste sensor og kraft steder for FRF-baserede sundhed overvågningsteknikker.

Formålet med denne video og manuskript er at detaljer datafangst processen og bedste praksis til bestemmelse af ESFS for en struktur. Processen omfatter opstilling af forskellige FRF fra modal indvirkning test, som udføres af spændende en struktre med en modal betydning hammer og måle sit svar med accelerometre. I dette arbejde, strukturen bliver testet er en 1,2 m bolig-skala vindmøllevinge. Målet med afprøvning og analyse er at identificere sensor steder, der er mest følsomme over for skader på bladet. Disse sensor steder, kan derefter anvendes i en strukturel ordning sundhedsovervågning at overvåge klingen for skader.

Udover brugen af ​​ESFS at bestemme den mest effektive sensor steder at bruge i en strukturel ordning sundhedsovervågning kan flere optimale sensor placering algoritmer også findes demonstreret i litteraturen. I [Kramer], Kramer vurderer iterativt evne et sæt sensorer til at observere former for et system. For nylig er genetiske algoritmer ^1-3 og neurale netværk ⁴ blevet udviklet til at identificere optimale sensor steder. I ^fem, der anvendes en Bayes tilgang, der tager hensyn til risikoen for forskellige typer af fejlog fordelingen af ​​skader. I ^6, blev en finite element model udnyttes til at identificere sensoren steder mest sandsynlige til at detektere skader. I de fleste af sensorens placering algoritmer præsenteret i litteraturen, data fra den beskadigede struktur, uanset om simulerede eller målte, er påkrævet. En fordel ved den indlejrede følsomhed tilgang er, at sensoren steder kan bestemmes ud fra den sunde struktur.

En anden fordel ved ESFS er, at materialeegenskaber ikke behøver at være eksplicit kendt. I stedet er de materialeegenskaber "indlejret" i udtrykkene for systemets FRF. Derfor er alt, hvad der kræves for at beregne ESFS er et sæt af målte FRF på bestemte input / output-steder. Specifikt følsomhed FRF (H _jk) beregnes ud fra et respons målt ved punkt j til en indgang ved punkt K, til en ændring i stivhed (K _mn) mellem punkterne M og Ner

hvor er ESF som en funktion af frekvensen, ω ^7-9. Proceduren for måling af FRF, der kræves for at beregne den højre side af ligning (1) er detaljeret i næste afsnit og demonstreret i videoen.

Protocol

1. Pre-test Forberedelse

1. Design og fabrikere fastholdelsesanordningen. Designe armaturet til at replikere realistiske randbetingelser ved at vælge bolt steder til at matche monteringslokationerne af bladet. Vælg stål til armaturet for at minimere bidraget fra armaturet til det dynamiske respons af prøveemnet.
   1. Bolt bladet til den brugerdefinerede t-beslag.
   2. Klemme armaturet til en stål bord.
2. Identificere og markere gitter af impact steder.
   1. Vælg 30 point, der spænder over hele vingen.
   2. Mark peger med en markør eller voks pen og nummer for reference. Mål punkt afstand ved hjælp af et målebånd til senere brug i visuel repræsentation af resultaterne.
3. Vælg og kalibrere accelerometre.
   1. Vælg enkelt akse, 10 mV / g accelerometre. Sørg for at vælge accelerometre med passende følsomhed for at undgå overbelastning af sensoren og at opnå god signal-støj nøgletal. Sørg også for frekvensområdet af sensorerne er tilstrækkelig til at fange frekvensområdet af interesse for prøveemnet.
   2. Kalibrere hver sensor.
      1. Fastgør sensoren til en håndholdt shaker hvis output er en enkelt-frekvens kraft med en styrke på 9,81 m / sek ² rms (dvs. 1 g).
      2. Mål respons i 2 sek.
      3. Bestem rms amplituden af ​​responset fra softwaren udlæsning.
      4. Gang rms amplituden af ​​1000 at bestemme kalibreringen faktor for accelerometer i enheder af mV / g.
4. Vælg hammer og hammer tip.
   1. Vælg en effekt hammer med en følsomhed på 11,2 mV / N. Sørg for at vælge en hammer, der i tilstrækkelig grad ophidser prøveemnet i både amplitude og frekvensområde.
   2. Vælg en nylon tip. Sørg for at vælge en hammer tip, der i tilstrækkelig grad ophidser prøveemnet i både amplitude og frekvensområde.
   3. Connect hammeren dataindsamlingssystemet med et BNC-kabel.
5. Identificer sensor steder og vedhæfte sensorer (figur 4).
   1. Vælg placeringer på point m og n på hver side af de skader placering.
   2. Monter en tredje accelerometer på placering k. Data fra denne sensor vil blive brugt til at validere resultaterne af den integrerede følsomhed funktionen analyse.
   3. Vedhæft accelerometre bruger superlim. Tillad superlim at indstille helt, før udførelse af test virkninger.
6. Vælg test parametre i datafangst GUI.
   1. Aktiver dobbelt hit afsløring.
   2. Indstil samplingfrekvensen til 25.600 Hz. Den anvendelige frekvensområde er således 12.800 Hz.
   3. Indstil prøven tid til 1 sek.
   4. Vælg hammeren kanal som triggerkanalen. Indstil udløsningsniveauet til 10 EU.
   5. Indstil pre-trigger længde til 5% af den samlede prøvetid. Præ-trigger data er data, der er indsamlet før datafangst startes der har været opbevaret i en buffer. Det er vigtigt at hente og gemme disse data, således at den samlede virkning begivenhed er fanget.
   6. Vælg H1 FRF estimatoren. Denne estimator forudsætter, at der er støj på respons kanaler, og ingen støj på kraft-kanalen.
      Bemærk: Må ikke vindue data under erhvervelse. Windows kan anvendes i efterbehandling, hvis det er nødvendigt.
   7. Indtast accelerometer og hammer oplysninger, herunder kalibreringsfaktorer og datablade.
   8. Gem indstillinger for registrering og til brug i fremtidige tests.

2. Impact Test på Sund Blade

1. Impact punkt 1 med hammeren. Når amplituden af ​​virkningen kraft overstiger den valgte trigger niveau, vil dataregistreringssystemets udløses og data, herunder den valgte mængde af pre-trigger data, vil begynde optagelsen.
   1. Under data acquisition, overvåge kanaler for at undgå kanal klipning og dobbelt konsekvenser ved at observere den tid historier vises i datafangst software.
   2. Under dataopsamling, overvåge sammenhængen for hver accelerometer kanal at evaluere kvaliteten af ​​de indsamlede data ved at observere sammenhængen plottet i datafangst software.
2. Gentag trin 2.1 fire gange mere på punkt 1.
   1. Brug konsekvente effekt amplituder for alle påvirkninger.
3. Gentag trin 2.1 og 2.2 for alle punkter.

3. Impact Test på det skadede Blade

1. Gentag afsnit 2 om det beskadigede blad for at indsamle data til validering af de indlejrede følsomhed funktionen resultater. Med undtagelse af den ændring i analyseprøven fremstilles, er alle testparametre holdt det samme.

Representative Results

Figur 1 viser en typisk indlejret følsomhed funktion. Svarende til en FRF, ESF har toppe nær de naturlige frekvenser af strukturen. Jo højere værdien af ESF, jo mere følsom er placeringen at skade mellem point m og n. Hver af de tredive point testet på vindmøllevingen har en unik ESF. Disse ESFS kan sammenlignes for at bestemme hvilken sensor placering ville være mest følsomme over for beskadigelse. For eksempel, Figur 2 viser amplituder af ESFS nær 142 Hz. Fra dette plot, er det klart, at sensor steder svarende til pladser i den første og tredje kolonner er mest følsomme over for skaden. Bemærk, at disse placeringer bestemmes ud fra data indhentet fra den sunde blad.

Figur 3 viser den målte forskel i FRF'erne mellem FRF'erne fastlægges ud fra data fra den sunde bladet og dem bestemt ud fra data fra den beskadigede blad. Lighederne mellem forskellen i FRF og ESFS viser effektiviteten af ​​ESFS at forudsige de steder, hvor de største ændringer i FRF grundet skader vil blive udstillet.

Figur 1. Amplituden af e mbedded følsomhed funktion til punkt 1. Værdien af ESF svarer til følsomheden af FRF i punkt 1 til skader i strukturen på det valgte sted. Værdierne ændre sig som funktion af frekvensen. Peaks i ESF tendens til at svare til naturlige frekvenser af strukturen. Klik her for at se en større version af dette tal.

3690 / 53690fig2.jpg "/>
Figur 2. amplituder af ESFS alle tredive punkter på 142 Hz. Hver farvet firkant svarer til værdien af ESF på 142 Hz for hver testet rumlige placering. Hot farver svarer til punkter, hvor ESFS forudsiger den største ændring i FRF på grund af skader. Køligere farver indikerer, at ændringen i FRF på det tidspunkt vil være forholdsvis lille. Klik her for at se en større version af dette tal.

Figur 3. Forskellen i FRF'erne, H _jk, for alle tredive punkter ved 142 Hz. Forskellene blev beregnet ved at trække de FRF'erne bestemt ud fra de sunde og beskadigede knive. Hot farver indikerer store forskelle i FRF. Kølige farver angiver SMAll ændringer i FRF. Klik her for at se en større version af dette tal.

Figur 4. Impact points bruges under testen. Points blev valgt til at spænde klingen. Klik her for at se en større version af dette tal.

Discussion

Test inventar bør være designet til at replikere realistiske randbetingelser, så resultaterne vil være gældende under driftsbetingelser. Valget af antallet af punkter, der bruges til test er en afvejning mellem at have tilstrækkelig rumlig opløsning og test tid. Vælg hammeren baseret på størrelsen af ​​testprøven og frekvensområdet af interesse. Generelt jo mindre hammeren, jo bredere frekvensområde ophidset. Men mindre hamre frembringer typisk lavere amplitude kræfter. Impact hamre er instrumenteret med en kraftmåler til at måle den tid, historie af virkningen. Den type hammer tip påvirker også frekvensområdet for excitation. Jo hårdere spidsen, jo bredere frekvensbånd excitation. Superlim er valgt frem voks, for eksempel for at minimere dæmpningen af ​​reaktion fra monteringsmateriale.

I datafangst software, muliggøre dobbelt hit opdagelse for at auto-matisk angiver, når en dobbelt effekt har fundet sted. Enkelte påvirkninger ønskes, fordi de producerer en bredere, mere gentagelig kraft spektrum. Når amplituden af ​​kraften stiger over det valgte trigger plan er dataopsamling påbegyndt. Time data erhvervet af datafangst software. Under købet skal monitoreres data for at sikre datakvaliteten. Kanal klipning, der forekommer, når responset målt af føleren overstiger det tilladte spændingsområde, bør undgås. Sammenhæng er et glimrende parameter for at bruge til at bedømme datakvaliteten. Generelt bør sammenhæng være nær en for alle frekvenser i det frekvensområde ophidset af virkningen. Dips i sammenhæng forventes nær anti-resonansfrekvenserne af prøveemnet fordi signal-støj-forholdet er lavt, og støjen er ukorreleret med indgangssignalet. Når datakvalitet er erhvervet, er den tid historier konverteret til frekvensdomænet via Fast Fourier Transform (FFT), og den gennemsnitlige FRF er Estimated hjælp af H1 estimatoren ^10.

For at bestemme ESF fra FRF målt under test, kan ligning 1 anvendes i en af ​​to måder. Først kan bruges direkte tilgang, der kræver målinger for HJM, Hjn, Hkm, og HKN. Disse FRF ville blive fastlagt ved at placere en sensor på placering k og roving en sensor til hver enkelt potentiel sensor placering j. Konsekvenser blive påført ved de to steder, der spænder skaden placering. For at gøre dataindsamlingen mere effektiv, kan princippet om gensidighed anvendes til at vende input og målesteder. Under anvendelse af denne fremgangsmåde, er HMJ, Hnj, HMK, og Hnk bestemt. Nu, i stedet for at skulle flytte sensorerne for hver forskellig måling, sensorerne bo stationære og placeringen indvirkningen flakkede. Når ESFS beregnes for hver placering, er deres amplituder i forhold til at bestemme, hvilke placering jer mest følsomme over for skader mellem steder m og n. Bemærk, at en enkelt skadesområde antages i dette arbejde.

Resultaterne af ESF analyse kan nu bruges i en FRF-baserede strukturelle ordning sundhedsovervågning. I ¹¹ blev det påvist, at sensoren steder identificeret ved ESFS som værende mest følsomme over for skader var mere effektive til at identificere tilstedeværelsen af beskadigelse af en vindmøllevinge.

Andre fremgangsmåder til at forudsige steder, hvor en struktur s FRF vil være følsomme over for skade typisk afhængige af analytisk modellering af strukturen ^{3, 6, 12.} FRF data simuleres ved hjælp af forskellige kombinationer af input og målesteder. Men resultaterne af disse metoder er afhængige af udviklingen af ​​en pålidelig og præcis model, som kræver detaljeret kendskab til materialeegenskaber og geometrien af ​​strukturen. Fordi ESFS kan beregnes ud fra eksperimentelt målte datapå den sunde struktur, er identifikationen af ​​materialeegenskaber ikke påkrævet, og geometrien af ​​strukturen behøver ikke at blive bestemt.

En potentiel begrænsning af teknikken er, at det kræver en priori kendskab til hvor skaden vil forekomme. I mange applikationer, er dette krav ikke begrænser fordi på grund af stress analyser og forudgående erfaring, kan forudses skaden placering. I applikationer, hvor skaden placering er ukendt, kan flere datasæt erhverves, hver gang antager en anden skade placering. Inden datafangst protokol den blev mange bedste praksis identificeret, ikke kun for dataopsamling for ESFS, men også gælder generelt for modal test effekt. At være i stand til at bedømme kvaliteten af ​​de data, der er erhvervet forbedrer med erfaring, men at kende fundamentals, herunder fastlæggelse force roll-off og evaluere sammenhængen vil give selv de nye til modale test effekt at erhverve high-kvalitetsdata.

Disclosures

Forfatterne har intet at afsløre.

Acknowledgments

Forfatterne har ingen bekræftelser.

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 følsomhed funktioner strukturelle sundhedsovervågning frekvens respons funktioner vibrationer test effekt vindmøllevinger