Data Acquisition Protokoll för bestämning Embedded Känslighet funktioner

Abstract

Effektiviteten av många strukturella tekniker för hälsoövervakning är beroende på placeringen av sensorer och placeringen av ingångskrafter. Algoritmer för att bestämma optimal sensor och tvingar platser vanligtvis kräver data antingen simulerade eller uppmätta, från den skadade strukturen. Inbäddade känslighetsfunktioner ger en metod för att bestämma den bästa tillgängliga sensorplacering för att upptäcka skador med bara data från friska struktur. I den här filmen och manuskript, är datainsamling förfarande och bästa praxis för att fastställa de inbäddade känslighets funktionerna hos en struktur presenteras. Svarsfrekvensen funktioner som används i beräkningen av de inbäddade känslighetsfunktionerna förvärvas med hjälp av modal inverkan testning. Data förvärvas och representativa resultat visas för ett bostadsområde skala vindturbinblad. Strategier för att utvärdera kvaliteten på de uppgifter som förvärvas tillhandahålls under demonstrationen av datainsamlingsprocessen.

Introduction

Många strukturella tekniker för hälsoövervakning är beroende av förändringar i uppmätta frekvenssvarsfunktioner (FRF) för att upptäcka skada i en struktur. Men få av dessa metoder adress hur man bestämmer sensor placeringar och / eller ingångskraft platser som kommer att maximera effektiviteten av metoden för att upptäcka skador. Inbäddade känslighetsfunktioner (ESFS) kan användas för att bestämma känsligheten hos en FRF till en lokal förändring i en konstruktionens materialegenskaper. Därför, eftersom skador resulterar normalt i en lokal förändring i styvhet, dämpning, eller vikten av strukturen, ESFS tillhandahålla en metod för att bestämma de bästa sensor- och kraftplatser för FRF-baserade hälsoövervakningsteknik.

Syftet med denna video och manuskript är att i detalj dataförvärvsprocessen och bästa praxis för att bestämma ESFS för en struktur. Förfarandet innefattar bestämning olika varje FRF från modal slagseghetsprovning, som utförs genom att excitera en structure med en modal slaghammare och mäta sitt svar med accelerometrar. I detta arbete, är strukturen testas en 1,2 m bostäder skala vindturbinblad. Målet för testning och analys är att identifiera sensor platser som är mest känsliga för skador på bladet. Dessa sensor platser kan sedan användas i en strukturell hälsoövervakning system för övervakning av bladet för skador.

Förutom användningen av ESFS att fastställa de mest effektiva sensor platser att använda i en strukturell hälsoövervakning system, kan flera optimala sensorplacering algoritmer också hittas visas i litteraturen. I [Kramer] Kramer utvärderar iterativt förmågan hos en uppsättning sensorer för att följa de steg av ett system. På senare tid har genetiska algoritmer ^1-3 och neurala nätverk ⁴ utvecklats för att identifiera optimala sensor platser. I ⁵ är en Bayesiansk metod som används som tar hänsyn till risken för olika typer av feloch fördelningen av skador. I ^sex, var en finit elementmodell utnyttjas för att identifiera sensor platser som mest sannolikt att upptäcka skador. I de flesta av sensorplacering algoritmer presenteras i litteraturen, data från den skadade strukturen, oavsett simulerade eller uppmätta krävs. En fördel med den inbyggda känslighets tillvägagångssätt är att sensor platser kan bestämmas från det friska struktur.

En annan fördel med ESFS är att materialegenskaper inte behöver vara explicit känd. I stället är de materialegenskaper "inbäddad" i uttrycken för systemets varje FRF. Därför är allt som behövs för att beräkna ESFS är en uppsättning av uppmätta varje FRF vid speciella ingångs- / utgångs platser. Specifikt, känsligheten hos FRF (H _jk) beräknas från en respons uppmätt vid punkt j till en ingång vid punkt k, till en förändring i styvhet (K _mn) mellan punkterna m och när

var är ESF som en funktion av frekvens, ω ^7-9. Förfarandet för mätning av varje FRF som krävs för att beräkna den högra sidan av ekvation (1) är detaljerad i nästa avsnitt och visas i videon.

Protocol

1. Pre-Test Preparation

1. Utforma och tillverka provningsfixturen. Utforma fixturen att replikera realistiska randvillkor genom att välja bult platser för att matcha de monteringsplatser hos bladet. Välj stål för fixturen att minimera bidraget från fixturen till dynamiska svaret av testprovet.
   1. Bolt bladet till beställnings- t-konsol.
   2. Kläm fixturen till ett stålbord.
2. Identifiera och markera rutnät av slag platser.
   1. Välj 30 poäng som spänner över hela bladet.
   2. Mark pekar med en markör eller vax penna och nummer som referens. Mät punktavstånd med hjälp av ett måttband för senare användning i visuell representation av resultaten.
3. Välj och kalibrera accelerometrar.
   1. Välj enda axel, 10 mV / g accelerometrar. Var noga med att välja accelerometrar med lämplig känslighet för att undvika överbelastning av sensorn och att uppnå god signal-buller förhållanden. Se också till frekvensområdet av sensorerna är tillräckligt för att fånga frekvensområdet av intresse för testprovet.
   2. Kalibrera varje sensor.
      1. Fäst sensorn till en handhållen shaker, vars utgång är en enda frekvens kraft med en magnitud på 9,81 m / s ² rms (dvs 1 g).
      2. Mäta responsen i 2 sek.
      3. Bestämma rms responsens amplitud från programvaran avläsning.
      4. Multiplicera rms amplitud av 1000 för att bestämma kalibreringsfaktorn för accelerometern i enheter mV / g.
4. Välj hammare och hammare spets.
   1. Välj en slaghammare med en känslighet på 11,2 mV / N. Var noga med att välja en hammare som är tillräckligt exciterar testprovet i både amplitud och frekvensområde.
   2. Välj en nylonspets. Var noga med att välja en hammare tips som tillräckligt exciterar testprovet i både amplitud och frekvensområde.
   3. connect hammaren datainsamlingssystem med en BNC-kabel.
5. Identifiera sensor platser och fäster sensorer (Figur 4).
   1. Välja platser vid punkterna m och n på vardera sidan av skadan plats.
   2. Montera en tredje accelerometer vid läget k. Data från denna sensor kommer att användas för validering av resultaten av den inbäddade känslighetsfunktionen analys.
   3. Fäst accelerometrar som använder superlim. Tillåta superlim att ställa helt innan de utför testningen inverkan.
6. Välj testparametrar i datainsamlings GUI.
   1. Aktivera dubbel hit upptäckt.
   2. Ställ in samplingsfrekvensen till 25.600 Hz. Det användbara frekvensområdet är därför 12.800 Hz.
   3. Ställ in provtiden till 1 sekund.
   4. Välj hammaren kanal som utlösare kanalen. Ställ in triggnivån till 10 EU.
   5. Ställa in pre-trigger längd till 5% av den totala provtiden. Pre-triggare uppgifter är uppgifter som samlats in innan datainsamling startar som har lagrats i en buffert. Det är viktigt att hämta och spara dessa data så att hela slag händelse fångas.
   6. Välj H1 FRF estimator. Denna estimator förutsätter att det finns buller på svars kanaler och inget ljud på kraftkanalen.
      Obs: Inte fönsterdata under förvärv. Fönster kan appliceras i efterbearbetning, om så är nödvändigt.
   7. Ange accelerometer och hammare information, inklusive kalibreringsfaktorer och identitetsbeskrivning.
   8. Spara inställningar för registrering och för användning i framtida tester.

2. Impact Testning av sunda Blade

1. Träffpunkten en med hammaren. När amplituden för stötkraften överstiger den valda tröskelvärdet, kommer datainsamlingssystem utlösas och data, inklusive den valda mängden av pre-triggerdata, kommer att börja spela in.
   1. Under data FÖRVÄRVn, övervaka kanaler för att undvika kanal klippning och dubbla effekter genom att observera tidsangivelserna visas i datainsamling programvara.
   2. Under datainsamling, övervaka samstämmigheten för varje accelerometer kanal för att utvärdera kvaliteten på de förvärvade data genom att observera samstämmighet tomt i datainsamling programvara.
2. Upprepa steg 2,1 fyra gånger på punkt 1.
   1. Använd konsekventa slag amplituder för alla konsekvenser.
3. Upprepa steg 2,1 och 2,2 för alla punkter.

3. Impact Testning av skadad Blade

1. Upprepa avsnitt 2 på det skadade bladet för att samla in data för att validera de inbäddade känslighetsfunktionen resultat. Med undantag för förändringen i testprovet, är alla testparametrar hållit samma.

Representative Results

Figur 1 visar en typisk inbäddade känslighetsfunktionen. Liknar en FRF, har ESF toppar i närheten av de naturliga frekvenserna hos strukturen. Ju högre värdet av ESF, desto känsligare platsen är att skada mellan punkter m och n. Var och en av de trettio punkter testats på vindturbinbladet har en unik ESF. Dessa ESFS kan jämföras för att bestämma vilken sensor plats skulle vara mest känslig för skador. Till exempel, Figur 2 visar amplituder av ESFS nära 142 Hz. Från denna kurva, är det tydligt att sensor platser som motsvarar rutorna i den första och tredje kolumnerna är mest känsliga för skador. Observera att dessa platser bestäms från data som erhållits från friska blad.

Figur 3 visar den uppmätta skillnaden i varje FRF mellan varje FRF bestämda från data från den friska blad och de bestäms från data från den skadade bladet. Likheterna mellan skillnaden i varje FRF och ESFS visar effektiviteten av ESFS att förutsäga platser där de största förändringarna i varje FRF på grund av skada kommer att visas.

Figur 1. Amplituden av e mbedded känslighetsfunktionen för punkt 1. Värdet av ESF motsvarar känslighet FRF i punkt 1 till skada i strukturen på den valda platsen. Värdena förändras som en funktion av frekvensen. Toppar i ESF tenderar att motsvara egenfrekvenser strukturen. Klicka här för att se en större version av denna siffra.

3690 / 53690fig2.jpg "/>
Figur 2. amplituder ESFS för alla trettio pekar på 142 Hz. Varje färgad ruta motsvarar värdet av ESF vid 142 Hz för varje rumslig plats testas. Hot färger motsvarar punkter där ESFS förutsäga största förändringen i franc på grund av skada. Kallare färger visar att förändringen i FRF vid den tidpunkten kommer att vara relativt liten. Klicka här för att se en större version av denna siffra.

Figur 3. Skillnaden i varje FRF, H _jk för alla trettio punkter vid 142 Hz. Skillnaderna beräknades genom att subtrahera varje FRF bestämda från de friska och skadade knivar. Hot färger indikerar stora skillnader i varje FRF. Kalla färger indikerar SMAll förändringar i varje FRF. Klicka här för att se en större version av denna siffra.

Figur 4. Slagpunkter som används vid provning. Points valdes för att spänna bladet. Klicka här för att se en större version av denna siffra.

Discussion

Test fixturer bör utformas för att replikera realistiska randvillkor så att resultaten kommer att gälla under driftsförhållanden. Valet av antalet stötpunkter som används för testning är en kompromiss mellan att ha tillräcklig rumslig upplösning och testtiden. Välj hammaren baserat på storleken på provkroppen och frekvensområdet av intresse. I allmänhet gäller att ju mindre hammare, den bredare frekvensområdet exciteras. Men mindre hammare producerar typiskt lägre amplitud krafter. Slaghammare är instrumenterade med en kraftmätare för att mäta tiden historia av effekterna. Typen av hammarspetsen påverkar också frekvensområdet för excitation. Ju hårdare spets, den bredare frekvensbandet för excitation. Superlim väljs över vax, t ex för att minimera dämpningen av svaret från monteringsmaterial.

I datainsamling programvara, möjliggör dubbel hit upptäckt för att abonnemangstiskt indikerar när en dubbel effekt har inträffat. Enstaka effekter är önskvärda eftersom de producerar en bredare, mer repeterbar kraft spektrum. När amplituden av den kraft som stiger över den valda tröskelvärdet, är datainsamlings igång. Tidsdata förvärvas av datainsamling programvara. Under datainsamling bör kontrolleras för att säkerställa uppgifternas kvalitet. Kanal klippning, vilket inträffar när svaret mäts av sensorn överstiger det tillåtna spänningsområdet, bör undvikas. Samstämmighet är ett utmärkt metriska ska användas för att bedöma uppgifternas kvalitet. I allmänhet bör samstämmighet vara nära ett för alla frekvenser inom frekvensområdet exciteras av effekterna. Dalar i samstämmighet förväntas nära anti-resonansfrekvenser testprovet på grund av att signal-brusförhållandet är lågt och buller är okorrelerade med den ingående. När datakvalitet förvärvas, är tidsangivelserna omvandlas till frekvensdomänen via Fast Fourier Transform (FFT), och den genomsnittliga FRF är EstimaTed använder H1 estimator ^10.

För att bestämma ESF från varje FRF som uppmätts under testet, kan ekvation 1 användas i ett av två sätt. För det första kan användas direkt strategi som kräver mätningar för HJM, Hjn, Hkm och HKN. Dessa varje FRF skulle bestämmas genom att placera en sensor på plats k och ambulerande en sensor till varje potentiell sensorplacering j. Påverkan skulle tillämpas på de två platserna som spänner över skadan plats. För att göra datainsamlingen effektivare, kan principen om ömsesidighet användas för att reversera ingångs- och mätplatser. Med hjälp av denna metod är HMJ, HNJ, Hmk och HNK bestämd. Nu, i stället för att behöva flytta sensorerna för varje enskild mätning, sensorerna hålla stilla och platsen påverkan roved. När ESFS beräknas för varje plats, är deras amplituder jämförs för att bestämma vilken plats jär mest känsliga för skador mellan platser m och n. Observera att en enda skada läge förutsätts i detta arbete.

Resultaten av analysen ESF kan nu användas i en FRF-baserad strukturell hälsa övervakningssystemet. I ¹¹ visades det att sensor platser som identifieras av ESFS som vara mest känsliga för skador var mer effektiva i att identifiera närvaron av skador på ett vindturbinblad.

Andra metoder för att förutsäga platser där en struktur franc blir känslig för skada normalt förlitar sig på analytisk modellering av strukturen ^{3, 6, 12.} FRF uppgifter simuleras med hjälp av olika kombinationer av input och mätplatser. Emellertid, resultaten av dessa metoder är beroende av utvecklingen av en tillförlitlig och exakt modell, som kräver detaljerad kunskap om materialegenskaper och geometrin av strukturen. Eftersom ESFS kan beräknas från experimentellt uppmätta datapå den friska strukturen, är identifieringen av materialegenskaper inte krävs och geometrin av strukturen inte behöver bestämmas.

En potentiell begränsning av tekniken är att den kräver en priori kunskap om var skadan kommer att inträffa. I många tillämpningar, är detta krav inte begränsas på grund på grund av stress analyser och tidigare erfarenhet, kan skadan plats förutses. I applikationer där skadan platsen är okänd, kan flera datamängder förvärvas, varje gång antar en annan skada plats. Inom datainsamlingsprotokoll, många bästa metoder som inte bara gäller för datainsamling för ESFS, men också gäller generellt för modal inverkan testning. Att kunna bedöma kvaliteten på de data som förvärvas förbättrar med erfarenhet, men att veta grunderna inklusive bestämma kraft roll-off och utvärdera samstämmigheten gör det möjligt även de nya till modal testa effekten att förvärva high-kvalitetsdata.

Disclosures

Författarna har ingenting att lämna ut.

Acknowledgments

Författarna har inga bekräftelser.

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 känslighetsfunktioner strukturella hälsoövervakning frekvenssvarsfunktioner vibrationer testa effekten vindturbinblad