Zum Hauptinhalt springen

Signalverarbeitung und Messdatenanalyse

Die Vorlesungen und Labore im Lehrgebiet Werkstoffkunde enthalten verschiedene Versuche zur Ermittlung technologischer oder vergleichbarer Werkstoffkennwerte, die mittels zerstörender und zerstörungsfreier Prüfverfahren bereitgestellt werden. Neben dem Einsatz der Mess- und Prüftechnik sowie der Messdatenerfassung, spielt insbesondere die Datenverarbeitung und -analyse eine wesentliche Rolle zur Bewertung von Werkstoffen und der Integrität von Bauteilen und Strukturen.

In der Signalverarbeitung ermöglicht die Mustererkennung in Daten Regelmäßigkeiten, Wiederholungen, Ähnlichkeiten oder Gesetzmäßigkeiten festzustellen, um diese für weitere Analysen zu isolieren und damit zur Interpretation der aufgenommenen Signale oder Werte einzusetzen.

Hierbei werden vielfach künstliche neuronale Netze mit dem Ziel genutzt, für ein Ereignis die Wahrscheinlichkeit zu ermitteln, dass es zur einen oder anderen Ereigniskategorie (Muster) gehört und es der Kategorie mit der höchsten Wahrscheinlichkeit zuzuordnen. Die grundlegende Merkmalserkennung wird dabei mittels statistischer Verfahren erreicht, während übergeordnete Inferenzverfahren auf Spezialwissen des Anwendungsgebietes zurückgreifen. Für das konkrete Beispiel der Charakterisierung der Werkstoffmikrostruktur bedeutet dies, dass unterschiedliche Defekte die bspw. auf der Versetzungsstruktur, Mikrorissen, Poren etc. beruhen, zu charakteristischen Messsignalverläufen mit spezifischen Merkmalen führen. Statt Merkmale in den Signalverläufen nach vorgefertigten Regeln auszuwerten, werden diese als Wert gemessen und in einem sogenannten Merkmalsvektor zusammengefasst. Eine mathematische Funktion kann dabei jedem denkbaren Merkmalsvektor eine Defektkategorie aufgrund ihrer Wahrscheinlichkeit zuweisen.

Die Vorgehensweise erfordert eine Signalkalibrierung und kann bspw. über die Messsignalveränderung entlang künstlich eingebrachter Fehlstellen oder definierter Beanspruchungszustände „erlernt“ werden. Während die strukturelle Mustererkennung nur das Vorhandensein verschiedener Merkmale prüft, ermöglichen übergeordnete strukturelle Verfahren, wie z.B. Bayes’sche Netze das Zusammenführen von Einzelergebnissen, berechnen daraus das Gesamtergebnis und können so bspw. Informationen zur Werkstoffmikrostruktur, die durch die Überlagerung unterschiedliche Phänomene geprägt ist, wiedergeben.

Durch den Vergleich aufeinanderfolgender Momentaufnahmen in identischen Beanspruchungssituationen kann darüber hinaus ein dynamisches System entwickelt werden, das die Defektentwicklung, wie bspw. eine Zunahme/Abnahme der Versetzungsdichte oder des Risswachstums, ermöglicht. Im Rahmen der Vorlesung sollen die Messsignale auf Basis der Temperatur (Thermoelemente) und der Magnetik mittels einer myDAQ Messkarte erfasst und die Daten bezüglich der Mustererkennung behandelt werden, um so unterschiedliche Ermüdungsme­chanismen voneinander zu separieren.

Für die Mustererkennung sind die folgenden Teilschritte erforderlich:

  • Aufnahme der Messsignale
  • Digitalisierung der Messsignale
  • Erstellung von Mustern und Darstellung in Merkmalsvektoren
  • Datenreduktion durch Vorverarbeitung der Daten
  • Extraktion von Merkmalen
  • Merkmalsreduktion auf wesentliche Merkmale
  • Zuordnung in Merkmalsklassen

Bspw. bei frei in Resonanz schwingenden Systemen, können hierzu die Frequenzdomänen für unterschiedliche Ermüdungsstadien aus der Fast-Fourier-Transformation ermittelt und hinsichtlich der auftretenden höheren Harmonischen (Schwingungen) analysiert werden. Die Zunahme von lokalen Defekten in dem Prüfvolumen der Werkstoffmikrostruktur führt zu einer Erhöhung der Schwingungsordnung. Das Verhältnis der Amplituden der ersten Harmonischen zur höheren Harmonischen zweiter, dritter, ..., n-ter Ordnung beschreibt den sogenannten Klirrfaktor, wobei hier auch die alleinige Betrachtung der Amplituden ungerader Ordnung oder von Quotienten einzelner Amplituden möglich ist. Eine ansteigende Werkstoffdämpfung durch eine zunehmende Schädigung führt bspw. zu einem Absinken der Amplituden der höheren Harmonischen sowie zum Absinken des gesamten Frequenzspektrums. Weitere relevante Merkmale sind u.a. die Verschiebung des Fourier- oder Energie-Koeffizienten.

Ziel des Vorhabens ist die praxis- und zeitgerechte Vermittlung des Umgangs mit Mess- und Prüftechniken sowie der zugehörigen Datenerfassung und -analyse. Daher sollen 5 Laptops beschafft werden, die zusammen mit den National Instruments myDAQ Messkarten (Beschaffung über Antrag Forschendes Lernen WS 2018) eine zeitgerechte und anwendungsnahe Messdatenanalyse für die studentische Anwendung ermöglichen.