Abstract
许多结构健康监测技术的有效性取决于传感器的位置和输入力的位置。确定最佳的传感器,并迫使地点通常算法需要的数据,无论是模拟或测量,从损坏的结构。嵌入式灵敏度函数提供了确定最好的传感器位置检测与健康的结构唯一的数据损坏的方法。在此视频和手稿,数据采集过程和用于确定结构的内嵌灵敏度函数的最佳实践呈现。在嵌入式灵敏度函数的计算中使用的频率响应函数是通过模态冲击试验获得的。数据获取和有代表性的结果示于住宅规模的风力涡轮机叶片。被采集,用于评估的数据的质量策略数据采集过程的示范过程中提供的。
Introduction
许多结构健康监测技术依赖于测量的频率响应函数(频响函数)的变化来检测结构中的损坏。然而,很少有这些方法解决如何确定传感器的展示位置和/或输入力的位置,这将最大限度地方法的有效性,检测损坏。嵌入式灵敏度函数(ESFS)可以被用来确定一个FRF的敏感性在一个结构的材料特性的局部变化。因此,由于损伤通常导致在刚度,阻尼或该结构的质量的局部变化,ESFS提供了确定基于FRF的健康监测技术最好传感器和力的位置的方法。
该视频和手稿的目的是为了详细数据采集过程和用于确定结构ESFS最佳做法。该方法包括从模态冲击试验,它是由激发structu进行确定各个的FRF采用模态冲击锤重并测量其与加速度计的响应。在这项工作中,被测试的结构是1.2 m的小区规模的风力涡轮机叶片。测试和分析的目的是确定哪些是向叶片损坏最敏感的传感器位置。这些传感器位置然后可以在一个结构健康状态监测方案来用于监测损伤刀片。
除了使用ESFS来确定最有效的传感器位置的结构健康状态监测方案使用,几个传感器优化布设也可以在文献中证实找到。在[克莱默],克莱默迭代地计算一组传感器中的观察系统的模式的能力。最近,遗传算法1-3和神经网络4已经开发了确定最佳传感器位置。在图5中 ,贝叶斯方法使用,考虑到不同类型的错误的风险和损坏率的分布。在图6中 ,有限元模型杠杆,以确定最可能检测到损坏的传感器位置。在大多数的文献中提出的传感器的配置的算法,从受损的结构数据,无论是模拟的或测量的,是必需的。嵌入式灵敏度方法的一个优点是,传感器位置可以从健康结构来确定。
ESFS的另一个优点是,材料性质不必明确地已知的。相反,材料性质在为系统的的FRF的表达“嵌入”。因此,所有这一切都需要计算ESFS是一组在特定的输入/输出位置测量的FRF的。具体地,FRF(H JK)为响应所计算的灵敏度在点j测量在点k的输入,以便在刚度点m和n之间的变化(K MN)是
哪里是ESF作为频率的函数,ω7-9。用于测量以计算等式(1)的右手侧所需的FRF的程序是在下一节详细和在视频演示。
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1.预测试准备
- 设计和制造测试夹具。设计夹具通过选择螺栓位置以匹配叶片的安装位置到复制现实边界条件。选择钢夹具,以尽量减少从夹具到试样的动态响应的贡献。
- 博尔特刀片的定制T支架。
- 夹紧固定到钢表。
- 识别和标记撞击位置的网格。
- 选择30个点,涵盖了整个叶片。
- 标志点用记号笔或蜡笔和数量,以供参考。使用在结果可视化表示以后使用卷尺测量点间距。
- 选择和校准加速度计。
- 选择单一轴,为10 mV / g加速度计。一定要选择具有适当的灵敏度加速度计,以避免过载传感器,并实现良好的信噪比-noise比率。此外,一定的传感器的频率范围是足以捕获的为试样感兴趣的频率范围。
- 校准每个传感器。
- 附加传感器的手持式振动器,其输出是9.81米/秒2有效值( 即 ,1克)的大小的单一频率的力。
- 测量2秒的响应。
- 确定从软件读出响应的幅值的均方根值。
- 由1000乘以均方根值,以确定在毫伏/ g的单位加速度计的校准因子。
- 选择到锤尖。
- 选择11.2毫伏/ N灵敏度的冲击锤。一定要选择锤子是足够兴奋的幅度和频率范围内的试样。
- 选择一个尼龙提示。一定要选择一个锤子提示,充分激发的幅度和频率范围内的试样。
- 有限公司nnect锤子数据采集系统用一根BNC电缆。
- 确定传感器的位置和附加传感器( 图4)。
- 选择在点米的位置和n的损伤位置的任一侧。
- 在安装位置为k的第三加速。来自此传感器的数据将被用于验证嵌入式灵敏度函数分析的结果。
- 附加使用超级胶水加速度计。让超级胶水进行冲击试验之前完全设置。
- 选择测试参数在数据采集GUI。
- 启用双点击检测。
- 采样频率设置为25,600赫兹。的可用频率范围,因此,12800赫兹。
- 设置采样时间为1秒。
- 选择锤子通道作为触发通道。设置触发电平为10欧。
- 预触发长度设置为总采样时间的5%。预-T起重工数据是数据采集开始前收集的数据已被存储在缓冲器中。它来检索并从而使整个冲击事件被捕获的保存这些数据是很重要的。
- 选择H1 FRF估计。此估算假设有在响应通道噪音及力道无噪音。
注:采集过程中不要窗口数据。窗口可以在后处理,如果需要的话被应用。 - 输入加速度计和锤子信息,包括校准系数和识别笔记。
- 除记录保存以及在未来的测试使用的设置。
2.冲击试验的健康之刃
- 影响1点用锤子。当冲击力的幅值超过所选触发电平,该数据采集系统将被触发和数据,包括预触发数据的选定量,将开始记录。
- 在数据习得N,监督渠道通过观察数据采集软件显示的时间历程,以避免通道限幅和双重影响。
- 在数据采集期间,监视每个加速度计信道的相干通过观察在数据采集软件的相干积来评估所获取的数据的质量。
- 重复步骤点1 2.1四次。
- 使用一致的影响幅度为所有的影响。
- 重复步骤所有点2.1和2.2。
3.冲击试验的损伤叶片
- 为了对损伤叶片,重复第2收集数据用于验证嵌入式灵敏度函数的结果。除了在试验片的变化,所有的测试参数保持相同。
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
图1显示了一个典型的嵌入式灵敏度函数。到一个FRF类似,英基具有接近该结构的固有频率峰值。在ESF的值越高,越敏感的位置是一个点m和n之间的损坏。每个风力涡轮机叶片所测试的30磅的具有独特的ESF。这些ESFS可以比较,以确定哪些传感器位置将损坏最敏感。例如, 图2示出了近142赫兹的ESFS的振幅。从该图,很明显,对应于在第一列和第三列的正方形传感器位置是对损伤最敏感的。请注意,这些位置是从健康叶片获得的数据来确定。
图3示出了在从数据从健康确定的FRF之间的FRF测量差刀片和那些从损坏的叶片数据确定。差之间的FRF和ESFS相似之处显示ESFS的有效性来预测在哪些在由于损坏的FRF最大变化将被呈现的位置。
图1.电子 mbedded灵敏度函数 的 用于点1 的振幅英基的值对应于FRF的点1在选定的位置处的灵敏度,以破坏在结构。值改变为频率的函数。在ESF高峰往往对应于结构的固有频率。 请点击此处查看该图的放大版本。
3690 / 53690fig2.jpg“/>
图2. ESFS的在142赫兹所有的30个点的幅度。每个彩色正方形对应于在142赫兹所测试的各空间位置的ESF的值。热的颜色对应于在该ESFS预测由于损坏在FRF最大变化点。冷色调显示,在这一点上FRF中的变化会比较小。 请点击此处查看该图的放大版本。
图3.频响函数的差异,H JK,在142 Hz的所有的30个百分点。这种差异是由减去健康受损叶片确定的频响函数计算。热的颜色指示的FRF较大差异。冷色表示SMA在频响函数LL的变化。 请点击此处查看该图的放大版本。
测试过程中使用图4.影响点。被选点跨越刀片。 请点击此处查看该图的放大版本。
Subscription Required. Please recommend JoVE to your librarian.
Discussion
测试夹具的设计应复制现实边界条件,使得结果将操作条件下适用。的用于测试撞击点的数量的选择是具有足够的空间分辨率和测试时间之间的权衡。选择基于测试样品的大小和所关注的频率范围内的锤。在一般情况下,锤越小,更宽的频率范围内激发。然而,小锤子通常产生较低幅度的力量。冲击锤被监测与测力计来测量的影响时程。类型锤尖的也影响激发的频率范围。较硬的尖端,更广泛的激发的频带。超级胶水被选择过蜡,例如,以最小化由安装材料响应的衰减。
在数据采集软件,使双点击检测以automati凯莉表示何时发生了双重影响。单身的影响是需要的,因为它们产生更广泛,更可重复的力谱。当力的幅度上升到选定的触发电平以上,数据采集开始。时间数据由数据采集软件获得的。采集过程中的数据应被监视,以确保数据的质量。信道限幅,当由传感器测得的响应超过允许的电压范围时发生,应避免使用。一致性是用来判断数据质量优良的指标。在一般情况下,一致性应接近一个由冲击激发的频率范围内的所有频率。在相干骤降有望接近测试样品的反谐振频率,因为信噪比低,噪声是不相关的输入。一旦质量数据被获取时,时间历程经由快速傅立叶变换(FFT)转换到频域,并且平均FRF是埃斯蒂马泰德使用H1估计10。
确定来自测试期间所测量的的FRF英基,式(1)可以以两种方式之一被使用。首先,直接的方法可以使用,这需要对HJM,HJN,HKM和HKN测量。这些频响函数将被放置在传感器位置k和粗纱一个传感器,每个潜在传感器位置J值确定。影响将在跨越损伤位置的两个位置被应用。以使数据收集的效率,对等的主要可用于扭转输入和测量位置。使用这种方法,HMJ,HNJ,HMK和HNK被确定。现在,而不必移动传感器对每个不同的测量,传感器留静止和冲击位置高地游弋。一旦ESFS计算每个位置,它们的幅度进行比较,以确定哪些位置Ĵ是位置m和n之间的损伤最敏感的。请注意,一个损坏的位置被假定在这一工作。
在ESF分析的结果,现在可以在基于FRF,结构健康监测方案中使用。在11中 ,已证明,通过ESFS鉴定为损害最敏感的传感器位置是在确定风力涡轮机叶片的损坏的情况下更有效。
其他方法来预测在哪个结构的FRF将敏感损坏通常依赖于结构3,6,的分析建模12。FRF数据使用输入和测量位置的不同组合模拟主机的位置。然而,这些方法的结果依赖于一个可靠和准确的模型,这就需要材料特性的详细知识和结构的几何形状的发展。因为ESFS可以从实验测得的数据来计算对健康的结构,则不需要材料特性的识别,并不需要确定该结构的几何形状。
该技术的一个潜在的局限性在于,它需要在损害对将要发生的先验知识。在许多应用中,这种要求不是限制性的,因为由于应力分析和现有的经验,损坏位置可以预见的。在损伤位置是未知的应用程序,可以获取多个数据集,每次假设一个不同的损伤位置。内的数据获取协议,许多最佳做法被确定,不仅适用于数据采集ESFS,但通常也适用于模态冲击试验。能够判断数据的质量被收购有经验的提高,但知道的基本面,包括决定力量滚降和评估的一致性将使甚至那些新的模态冲击试验获得喜GH-质量数据。
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
作者什么都没有透露。
Acknowledgments
作者没有确认。
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
- 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).