Abstract
많은 구조 상태 모니터링 기술의 효과는 센서의 배치 및 입력 힘의 위치에 의존한다. 최적의 센서를 결정하고 일반적으로 위치를 강제하기위한 알고리즘은 손상된 구조에서 데이터, 시뮬레이션 또는 측정 중 하나가 필요합니다. 임베디드 감도 함수는 건강한 구조 만 데이터 손상을 검출하기 위해 가능한 최선의 센서 위치를 결정하는 방법을 제공한다. 이 동영상과 논문에서, 데이터 수집 방법 및 구조를 포함 감도 함수를 결정하기위한 가장 좋은 방법은 제시된다. 임베디드 감도 함수의 계산에 사용 된 주파수 응답 함수는 모달 충격 시험을 사용하여 획득된다. 데이터 취득 및 담당자 결과는 주거 규모의 풍력 터빈 블레이드에 대해 표시됩니다. 데이터의 품질을 평가하기위한 전략은 데이터 수집 프로세스의 데모 중 제공된다 획득된다.
Introduction
많은 구조 상태 모니터링 기술들은 구조 내의 손상을 검출하기 위해 측정 된 주파수 응답 함수 (주파수 재사용 계수)의 변화에 의존한다. 그러나, 이들 방법의 일부는 손상을 검출하는 방법의 효과를 극대화 센서 게재 및 / 또는 입력 힘의 위치를 결정하는 방법을 다룬다. 임베디드 감도 함수 (ESFs)는 구조의 재료 특성의 변화에 로컬 FRF의 감도를 결정하기 위해 사용될 수있다. 손상은 일반적으로 강성, 감쇠 또는 구조물의 질량 로컬 변경을 초래하므로 따라서 ESFs는 FRF 기반 건강 모니터링 기술에 가장 힘 센서의 위치를 결정하는 방법을 제공한다.
동영상 및 원고의 목적은 구체적으로 데이터 수집 프로세스와 구조 ESFs를 결정하는 최상의 방법이다. 방법은 구조물의 여진에 의해 수행된다 모달 충격 시험에서 다양한 주파수 재사용 계수를 결정하는 단계를 포함하는모달 충격 망치로 다시 가속도계와의 반응을 측정. 이 연구에서 시험되는 구조는 1.2 m 신청 규모의 풍력 터빈 블레이드이다. 테스트 및 분석의 목적은 블레이드의 손상에 가장 민감 센서 위치를 식별하는 것이다. 이러한 센서 위치는 손상 블레이드를 모니터링하는 구조적 상태 모니터링 방식에서 사용될 수있다.
구조적 상태 모니터링 방식에서 사용하는 것이 가장 효과 센서 위치를 결정하는 ESFs의 사용 외에, 여러 센서 최적 배치 알고리즘은 문헌에서 입증 찾을 수있다. [크레이머]에서 크레이머 반복적 시스템의 형태를 관찰하는 센서 세트의 능력을 평가한다. 최근에, 유전자 알고리즘 1-3 신경망 (4) 최적의 센서 위치를 식별하기 위해 개발되었다. 도 5에서, 베이지안 접근법이 고려 에러의 종류의 위험을 얻어 사용된다손상 속도와 분포. 도 6에서, 유한 요소 모델은 손상을 검출 할 가능성이 가장 많은 센서의 위치를 식별하기 위해 활용되었다. 문헌에 제시된 센서 배치 알고리즘의 대부분에서, 손상된 데이터 구조는, 시뮬레이션 또는 측정이든 요구된다. 임베디드 감도 방식의 한 가지 장점은 센서 위치가 건강한 구조로부터 결정될 수 있다는 것이다.
ESFs의 또 다른 장점은 재료 특성을 명시 적으로 공지 될 필요가 있다는 것이다. 대신에, 재료 특성은 시스템의 주파수 응답 함수에 대한 식에 "포함"된다. 따라서, 모두는 ESFs 특정 입력 / 출력 위치에서 측정 된 주파수 응답 함수의 집합을 계산하는데 필요하다. 구체적으로, 응답에서 산출 된 FRF (H의 JK)의 감도는 점 M과 N 사이에 강성의 변화 (K 백만)에, 시점 k에서의 입력 점 J 측정이다
어디에 
7-9 ω 주파수의 함수로서 ESF이다. (1) 식의 우변을 계산하기 위해 필요한 주파수 재사용 계수를 측정하는 절차는 다음 섹션에서 상세 하 동영상에서 설명된다.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. 사전 테스트 준비
- 설계 및 테스트 픽스처를 제작. 블레이드의 장착 위치와 일치하도록 볼트 위치를 선택하여 실제 경계 조건을 복제하는 조명기 디자인. 시험편의 동적 응답 고정구의 기여를 최소화하기위한 고정구 강을 선택.
- 사용자 정의 t-브래킷에 블레이드 볼트.
- 스틸 테이블에 고정 클램프.
- 확인하고 충격 위치의 그리드를 표시합니다.
- 전체 블레이드에 걸쳐 30 점을 선택합니다.
- 마크는 참조 마커 또는 왁스 펜과 번호를 가리 킵니다. 결과의 시각적 표현에 나중에 사용하기 위해 줄자를 사용하여 포인트 간격을 측정한다.
- 선택 및 가속도계를 보정.
- 하나의 축, 10 MV / g 가속도계를 선택합니다. 센서 과부하를 방지하는 좋은 신호 대를 달성하기 위해 적절한 감도와 가속도계를 선택해야합니다-noise 비율. 또한, 센서의 주파수 범위 시험편에 대한 관심의 주파수 범위를 캡처하기에 충분해야.
- 각각의 센서를 보정합니다.
- 출력이 9.81 m / 초 2 실효 (즉, 1g)의 크기와 단일 주파수 힘 휴대용 통에 센서를 부착합니다.
- 2 초 동안 응답을 측정합니다.
- 소프트웨어 판독의 응답의 RMS 진폭을 결정합니다.
- MV / g의 단위 가속도에 대한 교정 팩터를 결정하기 위해 1000으로 RMS 진폭을 곱한다.
- 선택 망치와 해머 팁.
- 11.2 MV / N의 감도 충격 망치를 선택합니다. 충분히 모두 진폭과 주파수 범위에서 시험편을 흥분 망치를 선택해야합니다.
- 나일론 팁을 선택합니다. 충분히 모두 진폭과 주파수 범위에서 시험편을 자극 망치 팁을 선택해야합니다.
- 공동BNC 케이블과 데이터 수집 시스템에 망치를 nnect.
- 센서 위치를 확인하고 연결 센서 (그림 4).
- 포인트 m에서 위치를 선택하고 n은 손상 위치의 양쪽에.
- 위치 k에 세 번째 가속도계를 탑재합니다. 이 센서로부터의 데이터는 내장 감도 함수 분석의 결과를 검증하기 위해 사용된다.
- 슈퍼 접착제를 사용하여 가속도계를 부착합니다. 슈퍼 접착제는 충격 시험을 실시하기 전에 완전히 설정할 수 있습니다.
- 데이터 수집 GUI에서 선택 테스트 파라미터.
- 더블 히트 감지를 사용합니다.
- 25,600 Hz로 샘플링 주파수를 설정합니다. 가용 주파수 범위에 따라서, 12,800 Hz에서이다.
- 1 초에 샘플 시간을 설정합니다.
- 트리거 채널로 해머 채널을 선택합니다. (10) 유럽 연합 (EU)에 트리거 레벨을 설정합니다.
- 총 샘플 시간의 5 % 사전 트리거 길이를 설정합니다. 프리 - t조작자 데이터는 버퍼에 저장되어있는 데이터 수집을 시작하기 전에 수집 된 데이터이다. 이 검색 전체 충격 이벤트가 포착 될 수 있도록,이 데이터를 저장하는 것이 중요하다.
- H1의 FRF 추정을 선택합니다. 이 추정기는 응답 채널 잡음 및 힘 채널 노이즈가 있다고 가정한다.
참고 : 인수시하지 창 데이터를 수행합니다. 필요한 경우, 윈도우는, 후 처리에 적용될 수있다. - 교정 요인과 식별 노트를 포함 가속도계와 망치 정보를 입력합니다.
- 기록 유지 및 미래의 테스트에 사용하기 위해 설정을 저장합니다.
건강한 블레이드 2. 충격 시험
- 망치와 충격 지점 1. 충격력의 진폭은 선택된 트리거 레벨을 초과 할 경우, 상기 데이터 획득 시스템은 트리거 될 것이고 프리 트리거 데이터의 선택된 양을 포함하는 데이터는 기록을 시작한다.
- 데이터 acquisitio 중N, 상기 데이터 수집 소프트웨어에 표시된 시간 이력을 관찰함으로써 채널 클리핑 이중 영향을 피하기 위해 채널을 감시한다.
- 데이터 수집 동안, 데이터 수집 소프트웨어에 간섭 그래프를 관찰함으로써 획득 된 데이터의 품질을 평가하기 위해 각각의 가속도계 채널의 간섭을 모니터링한다.
- 단계를 반복 지점 1에서 2.1 네 번 이상.
- 모든 영향에 대해 일관된 영향 진폭을 사용합니다.
- 반복 모든 점 2.1 및 2.2 단계를 반복합니다.
손상된 블레이드 3. 충격 시험
- 순서대로 손상된 블레이드를 반복 섹션 2는 임베디드 감도 함수의 결과를 검증하기위한 데이터를 수집합니다. 시험편의 변화를 제외하고, 모든 시험 변수는 동일하게 유지된다.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
도 1은 일반적인 임베디드 감도 함수를 나타낸다. FRF 마찬가지로, ESF는 구조물의 고유 진동수 부근의 피크를 갖는다. ESF의 값이 높을수록, 더 중요한 위치를 점 m 및 n은 간 손상이다. 풍력 터빈 블레이드 테스트 서른 포인트들 각각은 고유 ESF있다. 이러한 손상은 ESFs 가장 민감 할 것이다 센서 위치를 결정하기 위해 비교 될 수있다. 예를 들어, 그림 2는 142 Hz의 근처 ESFs의 진폭을 보여줍니다. 이 플롯으로부터, 첫 번째와 세 번째 열의 사각형에 대응하는 위치 센서가 파손 가장 민감한 것이 명백하다. 이 위치는 건강한 날로부터 수집 된 데이터에서 결정합니다.
도 3은 건강 데이터로부터 결정된 주파수 재사용 계수 간의 주파수 응답 함수의 측정 된 차이를 나타낸다 블레이드 및 손상된 블레이드의 데이터로부터 결정하는. 주파수 재사용 계수의 차이의 유사점 및 ESFs 손상으로 인한 주파수 재사용 계수에 큰 변화가 발휘 될 때의 위치를 예측하는 ESFs의 효과를 나타낸다.
그림 1. ESF의 값은 선택된 위치에서의 구조의 손상 지점 1에서의 FRF의 감도에 대응하는 점 1의 전자 mbedded 감도 함수의 진폭. 값은 주파수의 함수로 변경합니다. 유럽 사회 포럼에서 봉우리는 구조물의 고유 진동수에 해당하는 경향이있다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
3690 / 53690fig2.jpg "/>
그림 2. 142 Hz에서 모두 서른 점을 ESFs의 진폭. 각 색깔의 사각형 시험 각각의 공간 위치에 대한 142 Hz에서 유럽 사회 포럼의 값에 해당합니다. 핫 색상은 ESFs 인해 손상 FRF에서 가장 큰 변화를 예측하는 점에 해당합니다. 쿨러 색상이 그 시점에서 FRF의 변화가 상대적으로 작은 것을 나타냅니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
도 3. 주파수 재사용 계수의 차이는, H JK는 142 Hz에서 모두 삼십 점. 차이점은 건강 손상 블레이드로부터 결정된 주파수 재사용 계수를 감산하여 계산 하였다. 핫 색상은 주파수 재사용 계수에 큰 차이를 나타냅니다. 멋진 색상은 SMA를 표시주파수 재사용 계수의 LL 변경됩니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 4. 임팩트 포인트 테스트 중에 사용. 포인트는 블레이드를 걸쳐 선정되었다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
테스트기구는 결과 작동 조건 하에서 적용되도록 실제 경계 조건을 복제하도록 설계되어야한다. 테스트에 사용 된 충격 점의 수의 선택은 충분한 공간 해상도 및 테스트 시간을 갖는 사이의 트레이드 오프이다. 시험편의 크기와 관심의 주파수 범위에 기초하여 해머를 선택한다. 일반적으로, 주파수 대역 여기 넓은 해머 작아. 그러나, 작은 망치는 일반적으로 낮은 진폭 힘을 생산하고 있습니다. 충격 해머는 충격의 시간 이력을 측정하는 힘 게이지로 계측된다. 해머 팁의 형태는 여기의 주파수 범위에 영향을 미친다. 열심히 팁, 여기의 폭 넓은 주파수 대역. 슈퍼 접착제 부착 재료에 의해 응답의 감쇄를 최소화하기 위해, 예를 들면, 왁스를 통해 선택된다.
상기 데이터 수집 소프트웨어에 사설하기 위해 이중 히트 감지 사용이중 충격이 발생하면 으로가 나타냅니다. 그들은 더 넓은, 더 반복 힘 스펙트럼을 생산하기 때문에 단일 영향 바람직하다. 힘의 크기는 선택된 트리거 레벨을 초과하는 경우, 데이터 수집이 시작된다. 시간 데이터는 상기 데이터 수집 소프트웨어에 의해 획득된다. 획득 동안 데이터가 데이터 품질을 보장하기 위해 모니터링되어야한다. 센서에 의해 측정 된 응답이 허용 전압 범위를 초과 할 때 발생하는 채널 클리핑은 피해야한다. Coherence는 데이터 품질을 판단하기 위해 사용할 수있는 좋은 측정이다. 일반적으로, 간섭의 영향에 의해 여기 주파수 범위 내에서 모든 주파수에 대해 하나의 근처에 있어야한다. 신호대 잡음비가 낮으며, 소음이 입력과 상관하기 때문에 간섭의 강하는 시험편의 반공 진 주파수 근방에 예상된다. 품질 데이터가 획득되면, 시간 이력은 고속 푸리에 변환 (FFT)을 통해 주파수 영역으로 변환되고, 평균 FRF가있다 에스티마테드는 H1 추 (10)를 사용.
테스트 기간 동안 측정 된 주파수 응답 함수에서 ESF를 결정하기 위해, 수학 식 1은 두 가지 방법 중 하나를 사용할 수있다. 우선, 직접 접근 HJM, Hjn, 핫키 및 HKN 대한 측정을 요구하는 이용 될 수있다. 이러한 주파수 재사용 계수는 위치 k에 센서를 배치하고, 각 전위 센서 위치에 센서 J 로빙에 의해 결정될 것이다. 영향은 손상 위치에 걸쳐있는 두 위치에 적용된다. 데이터 수집을보다 효율적으로하기 위해, 상호의 주 입력 및 측정 위치를 반대로 할 수있다. 이 방법을 사용 HMJ, Hnj, HMK 및 Hnk 결정된다. 자, 대신 각기 다른 측정 센서를 이동할 필요없이 센서는 고정 유지하고 충격 위치는 roved된다. ESFs 각 위치에 대하여 산출되면, 그 진폭이있는 위치를 결정 J 비교위치의 m과 n 사이의 손상에 가장 민감하다. 하나의 손상 위치는이 연구에서 가정합니다.
ESF의 분석 결과 이제 FRF 기반 구조 상태 모니터링 방식에서 사용될 수있다. 도 11에서, 손상에 가장 민감한 것으로 ESFs 의해 식별되는 센서 위치가 풍력 터빈 블레이드의 손상 유무를 확인하는데 더 효과적이라고 증명되었다.
다른 방법은 구조의 FRF가 통상 12. FRF 데이터 입력 및 측정 위치의 상이한 조합을 이용하여 시뮬레이션 구조 (3), (6)의 해석 모델에 의존하는 손상에 민감 할 것이다되는 위치를 예측한다. 그러나, 이러한 방법의 결과는 구체적인 재료 특성의 지식 구조의 형상을 요구하는 신뢰성 있고 정확한 모델의 개발에 의존한다. ESFs 실험적으로 측정 된 데이터로부터 계산 될 수 있기 때문에건강한 구조, 재료 특성의 식별이 요구되지 않고, 구조체의 형상이 결정될 필요가 없다.
기술의 하나의 잠재적 인 한계는 피해가 발생할 예정 위치에 대한 선험적 지식을 필요로한다는 것이다. 많은 애플리케이션에서,이 요구 사항으로 인해 스트레스로 인해 한정되지 않는 것은 분석 이전 경험은 손상 위치가 예상 될 수있다. 손상 위치가 알려지지 않은 애플리케이션에서, 다수의 데이터 세트는 다른 손상 위치를 가정 할 때마다 취득 할 수있다. 데이터 수집 프로토콜 내에서 많은 유용한 만 ESFs 데이터 취득에 적용 할뿐만 아니라, 모달 충격 시험에 일반적으로 적용하지 않는 것이 확인되었다. 수집되는 데이터의 품질을 판단 할 수 경험을 향상이기 때문에, 그러나 힘 롤 - 오프를 결정하고 취득 충격 시험을 모달 심지어 새로운있게 일관성을 평가를 포함하여 기초를 알고 안녕GH 품질 데이터를 포함한다.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
저자는 공개 아무것도 없어.
Acknowledgments
저자는 어떤 승인이 없습니다.
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).
