Die vorliegende Arbeit setzt die Methode der Neuronumerik erstmals zur Schadenserkennung an Getränkekästen (Mehrweg-Stapelkästen, Flaschenkästen) ein. Dabei wird ein Verfahren vorgestellt, das auf der mechanischen Signalausbreitung in Festkörpern aufbaut. Die Systemantwort nach dynamischer Anregung gilt als Kriterium zur Schadensklassifizierung. Unterschiedliche Geometrien, also auch Schadensfälle, lassen sich dabei im Übertragungssignal erkennen. Die Mustererkennung, d.h. die Klassifizierung von Schäden, übernimmt ein künstliches neuronales Netz (KNN). Dieses ist gerade durch seine Fähigkeit zu Generalisieren besonders geeignet, auch Fertigungstoleranzen und Positionierungsfehler zu tolerieren und dennoch die Getränkekästen in "intakt" und "defekt" zu klassifizieren. Die numerische Simulation wird zu Beginn zur Auslegung und Validierung des Verfahrens für eine experimentelle Pilotanlage zur Aufnahme von Frequenz-Antwort-Spektren (FAS) von Getränkekästen eingesetzt. Als zentrales Ziel dieser Anwendung kommen im validierten System bei der Parametrierung des KNN Datensätze numerischen Ursprungs zum Einsatz. Diesen Vorgang bezeichnet die vorliegende Arbeit als Neuronumerik. Das Eigenschwingungsverhalten sowie die FAS an diskreten Punkten eines Getränkekastens werden unter Anwendung der Finite-Elemente-Methode (FEM) numerisch berechnet. Die experimentelle Pilotanlage zur Schwingungsprüfung basiert auf der vertikalen Anregung eines zentral am Boden fixierten Getränkekastens mittels eines elektrodynamischen Shakers. Die Steuerung übernimmt ein handelsüblicher PC. Dieser dient sowohl der Ansteuerung der Prüfanlage mittels einer gleitenden Sinusschwingung, als auch der Messwerterfassung der Antwortsignale des Getränkekastens, welche mittels Beschleunigungsaufnehmern ermittelt werden. Ebenso ist dort die Mustererkennung zur Schadensklassifizierung mittels KNN implementiert. Die Grundkonfiguration des KNN stellt ein feedforward gerichtetes Multi-Layer-Perzeptron (MLP) dar. Als Trainingsalgorithmus wird Resilient Propagation (RPROP) eingesetzt. Die Simulationen zeigen die Sensitivität der FAS bezüglich der Materialparameter sowie geometrischer Veränderungen, welche im vorliegenden Fall ausgewählte Schäden verkörpern. Der Vergleich von FAS experimentellen und numerischen Ursprungs verdeutlicht die Übereinstimmung der Hauptpeaks, die jedoch besonders aufgrund einiger Vereinfachungen in der Simulation geringfügige Abweichungen in der Höhe einzelner Amplituden aufweisen. Dennoch dokumentieren die Spektren beider Quellen die Unterscheidbarkeit der verschiedenen Modellschäden. Eine KNN-Topologie von 10 Eingangs-, 5 verdeckten und 2 Ausgangsneuronen erweist sich als besonders leistungsfähig. Dabei erfolgt eine effiziente Datenreduzierung durch Aufteilen der Spektren in Frequenzklassen. Substitution von Trainingsdaten experimentellen Ursprungs mit Datensätzen aus der numerischen Simulation beeinflusst deutlich die KNN-Ausgabe des Uni-Sensor-Systems. Weitere Verbesserung der Klassifizierung wird durch die Modifizierung der Topologie zu einem Dual-Sensor-System erreicht. Diese Konfiguration ermöglicht eine Klassifizierung im Sinne der Neuronumerik, indem ein komplett mit numerischen Datensätzen trainiertes und parametriertes KNN eine "intakt"/"defekt" Klassifizierung der experimentellen Modellschäden ausgibt. Für den vorliegenden Fall bedeutet dies auch, dass das KNN so in der Lage ist, Abweichungen zwischen numerischer Simulation und realer Messung auszugleichen. Es ermöglicht außerdem eine Anwendung ohne spezifisches Vorwissen ("Expertenwissen") und verhindert eine Spezialisierung des KNN auf wenige Fälle.     «

Die vorliegende Arbeit setzt die Methode der Neuronumerik erstmals zur Schadenserkennung an Getränkekästen (Mehrweg-Stapelkästen, Flaschenkästen) ein. Dabei wird ein Verfahren vorgestellt, das auf der mechanischen Signalausbreitung in Festkörpern aufbaut. Die Systemantwort nach dynamischer Anregung gilt als Kriterium zur Schadensklassifizierung. Unterschiedliche Geometrien, also auch Schadensfälle, lassen sich dabei im Übertragungssignal erkennen. Die Mustererkennung, d.h. die Klassifizierung vo...     »

In this thesis the method of neuro-numerics is being used for the first time for damage detection on crates of beverages. A procedure based on mechanical signal transmission through solids is presented. The system response after dynamical excitation is the sorting criterion. Thereby different geometries, which for example can result from damaged crates, are recognisable by their response signals. The pattern recognition, i.e. classification of damages, is performed by an artificial neural network (ANN). Through its ability to generalise it is especially suitable for the correct classification of "intact" and "damaged" cases, recognising variation due to manufacturing or incorrect positioning. Initially, numerical simulation is performed for set-up and validation of the experimental pilot plant that records frequency-response-spectra (FRS) of the crates. It is the central goal of this work to use data-sets from the numerical source for ANN parametration within the validated system. This process is described by the expression "neuro-numerics" in this thesis. The behaviour of eigenmodes as well as the FRS on discrete points of the crate are simulated by application of the finite-element-method (FEM). The experimental pilot plant for vibration analysis is based on vertical excitation by an electrodynamical vibration facility of the centrally fixed crates of beverages. A standard PC-control-system assumes the drive of the vibration plant by sinus sweep and records the response signals of the crates, received by acceleration sensors. In addition, the pattern recognition by ANN for the classification of damages is implemented. The basic configuration of the ANN is described by a feedforward multilayer-perceptron (MLP). Resilient propagation (RPROP) is used as a supervised learning algorithm for network training. Simulation results prove the sensitivity of the FRS to geometrical and material changes which in this study represent selected damage. The comparison of experimental and numerical FRS point out that the main peak positions are in accordance. However, there are minor deviations of their amplitudes caused by simplification in numerical simulation. Nevertheless, the FRS of both sources illustrate the distinctiveness of the individual experimental damages. An ANN-topology of 10 input, 5 hidden and 2 output nodes proves to be powerful. Efficient data-reduction results from dividing the FRS into frequency classes. Substitution of experimentally obtained data-sets in the training-data-pool with data of the numerical simulation vastly affects the ANN-output of the uni-sensor-system. Improved classification output is achieved by modification of the ANN-topology towards a dual-sensor-system. This configuration enables a classification in terms of the neuro-numeric approach. An ANN trained by data-sets of exclusively numerical source allows correct "intact"/"damaged" classification of data from the experimentally measured damage cases. As a result, in this study, the ANN has the ability to balance between the deviations of numerical simulation and experimental data sources. Furthermore it provides an application that prevents the specialisation of the ANN without the use of specific previous knowledge.     «

In this thesis the method of neuro-numerics is being used for the first time for damage detection on crates of beverages. A procedure based on mechanical signal transmission through solids is presented. The system response after dynamical excitation is the sorting criterion. Thereby different geometries, which for example can result from damaged crates, are recognisable by their response signals. The pattern recognition, i.e. classification of damages, is performed by an artificial neural networ...     »