Schadensidentifikation in Verbundrotoren

Titel: Schadensidentifikation in Verbundrotoren

Projektlaufzeit: 2020–2021

Forschungsbereich: Ingenieurwesen und Betriebswirtschaft

Das Projekt konzentriert sich auf die strukturelle Schadensidentifikation in Verbundrotoren mithilfe neuronaler Netze. Fully-Connected-Neuronale-Netze und Convolutional-Neuronale-Netze werden eingesetzt, um Leistungsspektraldichte-Daten zur Schadenserkennung zu analysieren. Durch die Erstellung augmentierter Datensätze und die Implementierung fortgeschrittener Trainingstechniken zielt die Studie darauf ab, die Genauigkeit der Identifizierung von Schadensausbreitungsszenarien in Verbundrotoren zu verbessern. Die Forschung leistet einen Beitrag zum Bereich der Rotortechnik, indem sie einen neuartigen Ansatz für das Structural Health Monitoring bietet, der potenziell Wartungsstrategien verbessern und die Sicherheit sowie Effizienz von Rotorsystemen gewährleisten kann.

Ziele

Effiziente Methoden für das Structural Health Monitoring von Verbundrotoren werden mithilfe von Machine-Learning-Algorithmen entwickelt. Durch das Training neuronaler Netze auf Vibrationsantwortspektren besteht das Ziel darin, Schäden in Verbundstrukturen präzise zu erkennen, zu lokalisieren und zu quantifizieren, um letztlich die Sicherheit und Leistung von Rotorsystemen zu verbessern.

Problemstellung

Die zentrale Frage des Projekts lautet, wie kritische Ausfälle effektiv erkannt und quantifiziert werden können, um sie zu verhindern. Durch den Einsatz neuronaler Netze auf Vibrationsantwortspektren adressiert die Studie die Herausforderung, schrittweise Schäden in Verbundmaterialien zu identifizieren, um das Structural Health Monitoring und die Wartungspraktiken zu verbessern.

Praktisches Beispiel

Die Forschungsergebnisse können in Flugzeugtriebwerken und Windkraftanlagen angewendet werden. Durch die Implementierung fortgeschrittener Überwachungstechniken können Wartungsdienste Schäden in Verbundrotoren frühzeitig erkennen und beheben, kritische Ausfälle verhindern und den sicheren sowie effizienten Betrieb dieser kritischen Systeme gewährleisten.

Technologie

Fully-Connected-Neuronale-Netze und Convolutional-Neuronale-Netze werden zur Analyse von Vibrationsantwortspektren von Verbundrotoren eingesetzt. Diese Machine-Learning-Algorithmen werden auf Datensätzen mit simulierten Testfällen trainiert, um Schäden in Verbundstrukturen zu erkennen, zu lokalisieren und zu quantifizieren. Durch den Einsatz fortgeschrittener Trainingstechniken und Daten-Augmentierung zielt die Technologie darauf ab, die Genauigkeit des Structural Health Monitoring in Rotorsystemen zu verbessern.

Klassifikationsergebnisse mit einem augmentierten Datensatz für die beiden Netzwerkarchitekturen (radiale Position – RAD, winkelmäßige Position – ANG, Lastmagnitude – MAGN, Schadenswachstum – DAM)

Ausblick

Die entwickelte Methodik ermöglicht eine effizientere und genauere Überwachung von Rotorsystemen. Dies umfasst verbesserte Sicherheit, reduzierte Wartungskosten und eine gesteigerte Betriebsleistung. Zukünftige Forschung könnte sich darauf konzentrieren, die Anwendung von Machine Learning auf andere Bereiche des Structural Health Monitoring auszuweiten und Echtzeit-Überwachungsfähigkeiten für proaktive Wartungsstrategien zu integrieren.

Publikationen

Scholz, V., Winkler, P., Hornig, A., Gude, M., & Filippatos, A. (2021). Structural damage identification of composite rotors based on fully connected neural networks and convolutional neural networks. Sensors, 21(6), 2005. DOI: 10.3390/s21062005

Team

Leitung
Prof. Maik Gude
Dr. Angelos Filippatos

Teammitglieder
Veronika Scholz
Dr. Peter Winkler
Dr. Andreas Hornig

Partner

• Institut für Leichtbau und Kunststofftechnik – Technische Universität Dresden (TUD)