Contributions to Acoustic Emission-based Structural Health Monitoring and Process Monitoring
Acoustic Emission (AE), which refers to passively recorded mechanical stress waves using highly sensitive equipment, is frequently suggested to obtain in-situ measurements. For instance, AE can be detected due to the release of elastic energy in a material under load due to damage. Sources of AE are manifold and different source mechanisms can be distinguished using suitable signal processing.
Furthermore, advantages such as high sensitivity to incipient damages, detectability of damages in a distance from the source, and characterization and localization of source mechanisms, are inherent to the measurement principle. Hence, AE can be identified as promising in-situ measurement technology.
The two main research areas (i) Structural Health Monitoring (SHM) and (ii) process monitoring and control are considered in this thesis.
From a methodological point of view, both fields are related in that similar methods are used for analysis and interpretation of AE.
Several research questions, which address key topics in AE-based monitoring, are established.
In particular, suitable sensor mounting is crucial for successful detection of AE.
However, some mounting techniques, which were successfully used in the laboratory, may be difficult to realize in practice.
Therefore, the question raises if there are alternative mounting strategies, which are suitable to simplify the application of AE.
Regarding the use of machine learning for analysis of AE it remains as an open question, how the reliability of an individual classification result depends on environmental and operational factors.
Furthermore, characterizing the effect of variable operational and environmental conditions on AE signatures is a difficult topic.
Regarding the use of AE for process monitoring and control, it can be stated as an open question, how AE can be processed effectively to characterize the productivity or quality of a process.
Furthermore, the choice of a suitable hardware platform to implement AE-based monitoring and to realize control actions online is an important element of AE-based process control.
Accordingly, new results of AE for SHM and for process monitoring and control are presented in this thesis.
However, the development of a complete AE-based SHM system is not within the scope.
For data-acquisition and fast signal processing, a novel hardware architecture is suggested as low cost solution for AE measurements and control.
Regarding the use of AE for SHM, the focus is placed on the use of data-driven approaches.
The related applications include composite material and spur gears.
The reliability of AE classification schemes is discussed at the example of damage classification in composites.
Finally, the influence of external factors (i.e. load) and limitations due to signal attenuation are discussed.
Furthermore, new results regarding the use of AE in process monitoring and control are presented.
It is shown that AE can be used to characterize the lubrication condition during thread forming.
As proof of concept, the online use of AE in process control is demonstrated at the example of nanoparticle synthesis using laser ablation.
Zur Durchführung von in-situ Messungen wird häufig Acoustic Emission (AE) vorgeschlagen. Dies bezeichnet elastische Wellen, die mit hochempfindlichem Equipment passiv gemessen werden können. Beispielsweise kann AE infolge der Freisetzung elastischer Energie in einem belasteten Prüfkörper aufgrund von Materialversagen gemessen werden.
Im Allgemeinen sind AE-Quellen vielfältig und verschiedene Quellenmechanismen können durch geeignete Signalverarbeitung unterschieden werden.
Darüber hinaus weist das Messprinzip verschiedene Vorteile wie eine hohe Empfindlichkeit zur frühzeitigen Detektion beginnender Schäden, die Erkennbarkeit von Schäden in einiger Entfernung von der Quelle sowie die Möglichkeit zur Charakterisierung und Lokalisierung von Quellenmechanismen mittels geeigneter Signalverarbeitung auf. Daher lässt sich AE als vielversprechende in-situ Messtechnik identifizieren.
In dieser Arbeit werden die beiden Hauptforschungsbereiche (i) Structural Health Monitoring (SHM) und (ii) Prozessüberwachung behandelt.
Aus methodischer Sicht sind beide Bereiche insofern verwandt, als dass zur Analyse und Interpretation von AE ähnliche Methoden angewendet werden.
Es werden verschiedene Forschungsfragen entwickelt, die sich mit Schlüsselthemen der AE-basierten Überwachung befassen.
Konkret ist insbesondere eine geeignete Sensormontage bei der Durchführung von AE Messungen entscheidend.
Jedoch sind einige Ansätze, die erfolgreich im Labor getestet wurden, in der Praxis möglicherweise schwierig zu realisieren.
Daher stellt sich die Frage, ob es alternative Ansätze zur Sensormontage gibt, die geeignet sind, um die Durchführung von AE Messungen zu erleichtern.
Bezüglich der Verwendung von maschinellen Lernverfahren zur Analyse von AE bleibt die Abhängigkeit der Zuverlässigkeit eines individuellen Klassifikationsergebnisses von Umgebungs- und Betriebsfaktoren offen.
Darüber hinaus ist es schwierig, den Einfluss variabler Umgebungs- und Betriebsbedingungen auf AE-Signaturen zu charakterisieren.
Bezüglich der Verwendung von AE zur Prozessüberwachung und -regelung kann als offene Frage angegeben werden, wie AE effektiv verarbeitet werden kann, um die Produktivität oder Qualität eines Prozesses zu charakterisieren.
Darüber hinaus ist die Wahl einer geeigneten Hardware Plattform zur Implementierung AE-basierter Überwachung und zur Online-Realisierung von Steuereingaben ein wichtiges Element AE-basierter Prozessregelung.
Vor diesem Hintergrund werden in dieser Arbeit neue Ergebnisse hinsichtlich AE für SHM sowie zur Prozessüberwachung und -regelung vorgestellt.
Dabei ist die Entwicklung eines vollständigen AE-basierten SHM-Systems nicht Bestandteil dieser Arbeit.
Zur Messwerterfassung und zur schnellen Signalverarbeitung wird eine innovative Hardwarearchitektur als kostengünstige Lösung für AE-Messungen und zur Regelung vorgeschlagen.
In Bezug auf die Verwendung von AE für SHM wird der Schwerpunkt auf die Verwendung datengetriebener Verfahren gelegt.
Gegenstand der Untersuchungen sind Faserverbundwerkstoffe und Stirnradgetriebe.
Die Zuverlässigkeit von Methoden zur Klassifikation von AE Signalen wird am Beispiel der Fehlerklassifikation in Verbundwerkstoffen erörtert.
Abschließend werden der Einfluss externer Faktoren (z. B. Last) und Einschränkungen aufgrund der Signaldämpfung dargestellt und diskutiert.
Darüber hinaus werden neue Ergebnisse zum Einsatz von AE zur Prozessüberwachung vorgestellt.
Es kann gezeigt werden, dass AE geeignet ist um den Schmierzustand während des Einbringens eines Gewindes durch Gewindeformen zu charakterisieren.
Als Proof of Concept wird der Online-Einsatz von AE in der Prozessüberwachung am Beispiel der Nanopartikelsynthese mittels Laserablation demonstriert.