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...
»
Login
BibTeX