Data Acquisition Protocol voor het bepalen van Embedded Gevoeligheid Functies
April 20th, 2016
De procedure voor gegevensverwerving om ingebedde gevoeligheidsfuncties te bepalen wordt beschreven. Gegevens worden verzameld en representatieve resultaten worden getoond voor een windturbineblad op woonhuisschaal.
Het algemene doel van deze procedure is om de ingebedde gevoeligheidsfuncties van een structuur te bepalen. De procedure zal worden gedemonstreerd op een woningschaal-windturbineblad. Deze methode kan helpen bij het beantwoorden van belangrijke vragen met betrekking tot structureel gezondheidsmonitoring, zoals hoe de reactie van een structuur zal veranderen als gevolg van schade op een bepaalde locatie.
Het belangrijkste voordeel van deze techniek is dat het een methode biedt voor het modelleren van een structuur op basis van experimenteel gemeten gegevens, waardoor de noodzaak om specifieke parameters voor massa, stijfheid en demping te kennen, wordt geëlimineerd. Begin met het ontwerpen van een testopstelling om realistische randvoorwaarden te repliceren. In dit voorbeeld zijn boutlocaties voorbereid om overeen te komen met de montagelocaties van het blad.
Maak de opstelling van staal om de bijdrage van de opstelling aan de dynamische respons van het testmonster te minimaliseren. Monteer de opstelling door het blad eerst aan de aangepaste T-beugel te bevestigen en vervolgens de opstelling aan een stalen tafel vast te klemmen. Identificeer en markeer nu een raster van impactlocaties op het blad.
Gebruik een marker of wasstift om 30 punten die het hele blad overspannen te markeren en te nummeren. Meet vervolgens de relatieve positie van het punt om te gebruiken voor de visuele weergave van de testresultaten. Bereid vervolgens enkel-asige 10 millivolt per g versnellingsmeters voor.
Het kiezen van de juiste gevoeligheid van uw versnellingsmeter is cruciaal om goede signaal-ruisverhoudingen te krijgen. Zorg er ook voor dat het frequentiebereik van de versnellingsmeter voldoende is om het frequentiebereik van uw monster te vangen. Calibreer elke sensor.
Bevestig een sensor aan een handgeschakelde shaker die een enkele frequentiekracht van 9,81 meter per tweede kwadraat kan uitvoeren. Meet de reactie van de sensor gedurende twee seconden trillen. De krachtuitvoer wordt weergegeven in de software-uitlezing.
Vermenigvuldig de RMS-amplitude met 1000 om de kalibratiefactor voor de versnellingsmeter in millivolt per g te bepalen. De volgende stap is om een impacthamer voor te bereiden die een gevoeligheid heeft van 11,2 millivolt per newton. Zorg ervoor dat de hamer het testmonster zowel in amplitude als in frequentie kan exciteren.
Bevestig vervolgens een nylon tip aan de hamer die zijn functie niet zal aantasten. Verbind ten slotte de hamer met het data-acquisitiesysteem via een BNC-kabel. Identificeer nu sensorlocaties op het blad en bevestig de versnellingsmeters met superlijm.
Kies locaties op punten m en n aan weerszijden van de beschadigde locatie. Monteer vervolgens een derde versnellingsmeter op locatie k. Gegevens van deze sensor worden gebruikt om de resultaten van de ingebedde gevoeligheidsfunctie-analyse te valideren.
Open de data-acquisitie GUI. Schakel eerst dubbele hit-detectie in. Stel vervolgens de bemonsteringsfrequentie in op 10.240 hertz.
Het bruikbare frequentiebereik is de helft van de bemonsteringsfrequentie. Stel ten derde de sampletijd in op één seconde. Ten vierde selecteert u het hamerkanaal als triggerkanaal en stelt u het triggerniveau in op 10 newton.
Stel ten vijfde de lengte voor het triggeren in op 5%van de totale sampletijd. De pre-triggergegevens zijn gegevens die worden verzameld en opgeslagen in een buffer voordat het data-acquisitiesysteem wordt gestart. Het is belangrijk om deze gegevens op te halen en op te slaan, zodat het hele impactgebeurtenis wordt vastgelegd.
Selecteer ten zesde de H1 FRF-schatter die ervan uitgaat dat er ruis op de responskanalen is en geen ruis op het krachtkanaal. Voer ten slotte de versnellingsmeter en hamerinformatie in, inclusief kalibratiefactoren en identificatienotities. Sla vervolgens de instellingen op voor registratie en voor gebruik bij toekomstige tests.
Zodra de superlijm die wordt gebruikt om de sensoren te bevestigen volledig is uitgehard, beïnvloedt u punt één met de hamer. Wanneer de amplitude van de impactkracht de gekozen triggerdrempel overschrijdt, wordt het data-acquisitiesysteem geactiveerd en beginnen de gegevens, inclusief de geselecteerde hoeveelheid pre-triggergegevens, te worden geregistreerd. Tijdens data-acquisitie, bewaak de kanalen in de software om clipping en dubbele impact te voorkomen.
Bekijk ook de coherentieplot om de kwaliteit van de verworven gegevens verder te evalueren. Venster de gegevens niet tijdens acquisitie. Beïnvloed punt één nog vier keer met consistente impactamplitudes.
Herhaal vervolgens dit proces voor elk geselecteerd punt op het blad. Nadat alle punten zijn beïnvloed, herhaalt u het proces volledig op het beschadigde blad. De gegevens van het beschadigde blad zijn alleen nodig om de effectiviteit van de ingebedde gevoeligheidsfuncties te evalueren.
Het is niet nodig om de ingebedde gevoeligheidsfuncties zelf te bepalen. Net als frequentieresponsfuncties, hebben de ingebedde gevoeligheidsfuncties pieken nabij de natuurlijke frequenties van de structuur. Hoe hoger de waarde van de functies, hoe gevoeliger de locatie is voor schade tussen punten m en n.
Neem bijvoorbeeld de amplituden van de functie bij 142 Hertz. Het is duidelijk dat sensorlocaties die overeenkomen met de vierkanten in de eerste en derde kolom het meest gevoelig zijn voor schade. Merk op dat deze locaties zijn bepaald op basis van gegevens die zijn verkregen met een gezond blad.
Het verschil tussen de frequentieresponsfuncties die zijn bepaald op basis van het gezonde blad en de frequentieresponsfuncties die zijn bepaald op basis van het beschadigde blad, laat zien dat de ingebedde gevoeligheidsfuncties zeer effectief zijn bij het voorspellen van de locaties op het blad die het meest gevoelig zijn voor schade, zoals blijkt uit de gelijkenis tussen deze twee grafieken. Na het bekijken van deze video, zou u een goed begrip moeten hebben van hoe u de gegevens kunt verkrijgen die nodig zijn om de ingebedde gevoeligheidsfuncties van een structuur te bepalen. Hoewel gedemonstreerd op een windturbineblad, is deze procedure toepasbaar op elke structuur waarvan de respons kan worden gemeten met een
View the full transcript and gain access to thousands of scientific videos
Overzicht
Dit artikel beschrijft een procedure voor het bepalen van ingebedde gevoeligheidsfuncties met behulp van een windturbineblad op huisschaal. De methode heeft tot doel de structurele gezondheidsbewaking te verbeteren door een structuur te modelleren op basis van experimenteel gemeten gegevens.
Belangrijke studiecomponenten
Wetenschapsgebied
- Structurele gezondheidsbewaking
- Windturbinetechnologie
- Experimentele gegevensmodellering
Achtergrond
- Het begrijpen van structurele reacties op schade is cruciaal.
- Ingebedde gevoeligheidsfuncties geven inzicht in de structurele integriteit.
- Traditioneel modelleren vereist vaak specifieke parameters die mogelijk niet bekend zijn.
- Deze methode biedt een oplossing door te vertrouwen op experimentele gegevens.
Doel van de studie
- Om te bepalen hoe de reactie van een structuur verandert door schade.
- Om een methode te ontwikkelen voor het modelleren van structuren zonder precieze massa-, stijfheids- en dempingsparameters te hoeven kennen.
- Om de procedure te demonstreren op een windturbineblad op huisschaal.
Gebruikte methoden
- Ontwerpen van een testopstelling om realistische randvoorwaarden na te bootsen.
- Locaties voor bouten voorbereiden om overeen te komen met de montagelocaties van het blad.
- Gegevens verzamelen om ingebedde gevoeligheidsfuncties te bepalen.
- Resultaten analyseren om de structurele gezondheid te beoordelen.
Belangrijkste resultaten
- Representatieve resultaten voor het windturbineblad worden gepresenteerd.
- De methode modelleert effectief structurele reacties op basis van experimentele gegevens.
- Belangrijke inzichten in structurele gezondheidsbewaking worden verkregen.
- De procedure toont praktische toepassingen in reële scenario's.
Conclusies
- De techniek biedt een waardevolle benadering voor structurele gezondheidsbewaking.
- Het elimineert de noodzaak van specifieke parameterkennis.
- Toekomstige toepassingen kunnen zich uitstrekken tot verschillende structurele beoordelingen.
Veelgestelde vragen
Executive Industry Relevance
Embedded sensitivity function analysis enables predictive assessment of structural response to damage using only healthy-state data, reducing reliance on prior knowledge of mass, stiffness, or damping. This approach supports early-stage mechanistic de-risking and informs optimal sensor placement for structural health monitoring in biopharma R&D infrastructure and device development. Integrating robust data acquisition protocols enhances confidence in monitoring strategies and portfolio-level risk management.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables hypothesis-driven evaluation of structural response to simulated damage scenarios.
- Supports functional validation of sensor placement for early detection of mechanical failure.
- Facilitates mechanistic de-risking by modeling without requiring detailed physical parameters.
Screening & Assay Development
- Standardizes acquisition of frequency response data for reproducible sensor validation workflows.
- Provides quantitative outputs for comparing sensor locations and force application points.
- Enables scalable assessment of monitoring strategies across device prototypes.
Translational & Preclinical Research
- Aligns structural monitoring protocols with translational device development needs.
- Supports continuity from early discovery through preclinical validation of monitoring systems.
- Reduces risk of late-stage device failure by informing robust sensor deployment strategies.
Pipeline & Workflow Integration
This data acquisition protocol fits within the discovery-to-preclinical continuum for device and infrastructure monitoring, supporting both early hypothesis testing and downstream validation.
- Discovery Biology: Provides a framework for testing structural hypotheses and clarifying response pathways to damage.
- Screening: Delivers reproducible, quantitative frequency response data for sensor and force location optimization.
- Analytics: Enables statistical comparison of sensor outputs and coherence evaluation for data quality assurance.
- Translational Research: Bridges early discovery data with preclinical device monitoring requirements.
- Enterprise Reuse: Offers a reusable protocol adaptable to diverse structural monitoring applications.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence in sensor placement and structural monitoring strategies.
- Operational Value: Standardizes data acquisition and calibration for reproducibility and scalability.
- Strategic Value: Informs go/no-go decisions for device monitoring solutions and reduces late-stage risk.
- Portfolio Impact: Supports risk-adjusted prioritization of monitoring technologies and infrastructure investments.
Implementation Considerations
- Requires expertise in sensor calibration, modal impact testing, and data acquisition systems.
- Needs access to accelerometers, impact hammers, and high-frequency data acquisition hardware.
- Demands cross-team standardization of sensor placement and calibration protocols.
- Adaptable to various structural models where impact and response can be measured.
- Dependent on careful data quality evaluation, including coherence and signal-to-noise assessment.
