Detekce poškození konstrukcí pomocí měření vibrací a výpočetní inteligence

Abstract

Globální metody detekce poruchy konstrukcí slouží ke zjištění přítomnosti, případně polohy poruchy v konstrukci. Jsou založeny na měření vibrací. Jelikož vibrace jsou projevem dynamických vlastností a dynamické vlastnosti jsou společné pro celou konstrukci, nemusí být měření prováděno v místě poruchy, aby byla odhalena. Některé z poruch je obtížné odhalit, přitom jejich neodhalení může mít vážné následky. Dosavadní práce se zaměřovali především na poruchu projevující se lokálním poklesem tuhosti. Taková porucha se projevuje lineárně a k její detekci je obvykle třeba mít k dispozici měření totožné konstrukce v neporušeném stavu (referenční měření). Tato práce se zaměřuje na nelineární chování poruchy, konkrétně skokové změny tuhosti při nárazech v prasklinách, uvolněných šroubových spojích a delaminovaných kompozitech. Výhodou tohoto přístupu je, že teoreticky nepotřebuje referenční měření. V rámci práce byl vytvořen simulační model této poruchy a provedeny experimenty na reálném nosníku. Z obojího vyplývá, že tento typ poruchy se na datech ve frekvenční oblasti projevuje peaky, které nejsou projevem vlastní frekvence. Pro detekci poruchy byly vyvinuty dvě metody, jedna založená na identifikaci parametrů nelineárního filtru, druhá používá hluboké neuronové sítě. Úkolem metod bylo provést klasifikaci dat na skupiny s poruchou a bez poruchy. Identifikací filtru byla úspěšně klasifikována data obsahující dvě dominantní vlastní frekvence, kdy parametr vyjadřující nelinearitu byl přibližně 1000krát větší pro data s poruchou než bez poruchy. Pomocí konvolučních neuronových sítí s vrstvou separable convolution bylo dosaženo 97 % metriky accuracy (přesnost) na simulovaných testovacích datech a 100 % accuracy na měřených testovacích datech. Tato data ovšem představovala malý vzorek a byla upravena.

Global methods of structural damage detection are used to detect the presence or location of a failure in the structure. They are based on vibration measurements. Since vibration is caused by dynamic properties and dynamic properties are global properties of the entire structure, measurements do not need to be made at the location of the failure to detect it. Some of the failures are difficult to detect, however not detecting them would have serious consequences. Previous work has focused mainly on the failure formed by a local decrease in stiffness. Such a failure behaves linearly, and to detect it, it is usually necessary to have a measurement of an identical structure in an intact state available (reference measurement). This work focuses on the non-linear failure behaviour, specifically, the step changes in stiffness caused by impacts in cracks, loosely bolted joints and delaminated composites. The advantage of this approach is that it theoretically does not need a reference measurement. In this work, a simulation model of this failure was created, and measurement experiments were carried out. It follows from both that this type of failure manifests itself in the data in the frequency domain by peaks that are not a manifestation of the natural frequency. Two methods were developed for fault detection, one based on the identification of nonlinear filter parameters, the other using deep neural networks. The task of the methods was to classify the data into groups with and without failure. Data containing two dominant natural frequencies were successfully classified by filter identification, where the parameter expressing nonlinearity was 3 orders of magnitude different for data with and without a disorder. Using convolutional neural networks with a separable convolution layer, 97% accuracy was achieved on simulated test data and 100% accuracy on measured test data. However, measured data represented just a small sample and has been edited.