Datengetriebene Modellierung des Schädigungsprozesses von Strukturen durch rekurrente neuronale Netze zur prädiktiven Zustandsüberwachung (vor Ort)
* Presenting author
Abstract:
Das Structural Health Monitoring (SHM) hat zum Ziel, Zustandsänderungen oder Schädigungen einer Struktur möglichst frühzeitig zu erkennen bzw. vorherzusagen. Um zwischen diversen Schadenscharakteristiken diskriminieren zu können, benötigt das SHM-System eine große Menge an Informationen über die Auswirkungen der entsprechenden Zustandsänderungen. In diesem Beitrag wird ein datengetriebener Ansatz zur Implementierung eines umfänglichen und robusten SHM-Systems vorgestellt, das den zeitlichen Verlauf des Schädigungsprozesses berücksichtigt.Datengetriebene Modelle ermitteln mithilfe von selbstlernenden Algorithmen Zusammenhänge in einer Menge vorgegebener Trainingsdaten, um diese Zusammenhänge anschließend generalisiert auf unbekannte Daten anwenden zu können. Folglich ist für die erfolgreiche Implementierung eines datengetriebenen SHM-Systems eine aussagekräftige Datenbasis notwendig. Im Rahmen dieses Beitrags wird vornehmlich mit Messgrößen der Vibroakustik gearbeitet, die die Schwingungen der Struktur im Frequenzbereich abbilden. Aus der Änderung der Frequenzantwort, die sich bei Eintritt eines Schädigungszustands einstellt, kann das Modell Informationen über dessen Zustand ableiten. Der vorliegende Beitrag beruht auf dem Ansatz, statt eines diskreten Schädigungszustands den gesamten fortschreitenden Schädigungsprozess der Struktur zu modellieren. Hierfür werden rekurrente neuronale Netze verwendet, die in der Lage sind, eine logische Reihenfolge von sequenziellen Daten zu berücksichtigen. So kann die zeitliche Änderung der Frequenzantwort der Struktur analysiert und als Indikator für Schädigungen generalisiert werden.
