WO2018206770A1 - Method for predicting failure loading of structures made of fiber-reinforced composite materials on the basis of acoustic emission data - Google Patents

Method for predicting failure loading of structures made of fiber-reinforced composite materials on the basis of acoustic emission data Download PDF

Info

Publication number
WO2018206770A1
WO2018206770A1 PCT/EP2018/062219 EP2018062219W WO2018206770A1 WO 2018206770 A1 WO2018206770 A1 WO 2018206770A1 EP 2018062219 W EP2018062219 W EP 2018062219W WO 2018206770 A1 WO2018206770 A1 WO 2018206770A1
Authority
WO
WIPO (PCT)
Prior art keywords
criteria
ratio
load
calculated
determined
Prior art date
Application number
PCT/EP2018/062219
Other languages
German (de)
French (fr)
Inventor
Marina WOLFF
Markus Sause
Siegfried Horn
Original Assignee
Mt Aerospace Ag
Universität Augsburg
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Mt Aerospace Ag, Universität Augsburg filed Critical Mt Aerospace Ag
Priority to EP18728046.6A priority Critical patent/EP3622284A1/en
Publication of WO2018206770A1 publication Critical patent/WO2018206770A1/en

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/449—Statistical methods not provided for in G01N29/4409, e.g. averaging, smoothing and interpolation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/14—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object using acoustic emission techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4472—Mathematical theories or simulation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/023—Solids
    • G01N2291/0231—Composite or layered materials
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/025—Change of phase or condition
    • G01N2291/0258—Structural degradation, e.g. fatigue of composites, ageing of oils

Definitions

  • the present invention relates to a method for predicting failure loads of structures of fiber composites based on sound emission data, its use and a use of a data carrier with a Schallemissi- onsprüfSystem in the method.
  • Acoustic emissions are elastic waves released by jerky micro-deformations inside a solid. These arise, for example, through the formation of a crack.
  • the elastic waves propagate as acoustic wave in the solid state and can be detected on the surface with ⁇ means of piezoelectric sensors. These convert the sound wave into an electrical voltage signal, which is used for further interpretation.
  • the material class of the fiber composites is characterized by a particularly high sound emission activity. Numerous microscopic fracture processes are triggered well before the final failure of the material under load, which can be recorded as Schallemis ⁇ sion. Thus, a generation of damage may already Sanderszei ⁇ tig detected in the material advertising the.
  • a structure or a specimen is subjected to a continuous load increase or continuously increasing load.
  • the sound emission signals are recorded at a uniform (quasi-static) load of the material.
  • the damage in the material is recorded as a function of the external load.
  • Modifications of the methodology consist in not subjecting a structure or a specimen to a cyclical or incremental increase in load or load on several occasions. pull.
  • the material is loaded with so-called load increase tests.
  • load increase tests for example ASTM E 1067
  • the calculation of the "felicity ratio" or the "felicity ratio” is used in particular as a measure of the degree of damage of the component.
  • the Felicity ratios can be as follows de ⁇ finishing:
  • the Felicity ratio thus drops during the cycle-or step-wise ⁇ load continues to drop until it comes at a critical value for failure, as among other things, Abraham, ARA, Johnson, KL, Nichols, CT., Saulsberry, RL , Waller, JM: "Use of Statistical Analysis of Acoustic Emission Data on Carbon-Epoxy COPV Materials-of-Construction for Enhanced Felicity Ratio Onset Determination," JSC-CN-26080, 2011, and Waller, JM, Nichols, CT. Wentzel, DJ, Saulsberry, RL, Thompson, DO, Chimenti, DE: "Use of Modal Acoustic Emission to Monitor Damage Progression in Carbon Fiber Epoxy Composites", AIP Conference Proceedings, pp.
  • a sinking Felicity ratio clearly indicates that the first use of the sound emission relative to the previous load level takes place earlier and earlier. This is due to the increasing number of micro-damages, which are spreading earlier and leading to the final failure.
  • the present invention is therefore based on the object of providing a method for predicting failure loads of structures made of fiber composite materials on the basis of acoustic emission data, with which the above disadvantages can be prevented, which consequently has a very simple stabilization and significant increase Predictive accuracy and predictive reliability allows to provide its use and use of a data carrier with a sonic emission test system in the method.
  • L max maximum load for forward extrapolation and prediction of the failure load of the structure
  • the inventive method allows in a very simple way a prediction of failure loads of structures or specimens or the like components or components of fiber composites based on sound emission data.
  • the method according to the invention is characterized in a special way by a significant stabilization of the procedure itself.
  • forecasting accuracy and Progno ⁇ sezuver interkeit by the inventive method can increase materiality ⁇ Lich.
  • the method according to the invention differs from all the methods known hitherto in that the prediction is based not only on a single criterion or a single parameter, but simultaneously on at least two criteria or parameters or more. This makes it possible for the first time ever for complex fiber composite structures, derive a secure prediction from acoustic emission data and watch the necessary stability for a high forecast accuracy before ⁇ . Further advantageous details of the method according to the invention are described in claims 2 to 11.
  • the at least two criteria are determined and calculated based on one or more of the Felicity Ratio and / or the Shelby Ratio and / or an Energy Ratio or Energy Based Ratio.
  • the at least two criteria based on the felicity ratio according to claim 4 based on the first use of the significant acoustic emission in particular the absolute first use L a k s , the average power ⁇ reference value of the first N recorded signals L ⁇ N , of the results / s of a trend analysis of the accumulated quantity Ltrend or the history index L ⁇ j , are determined and calculated.
  • the at least two criteria are advantageously based on the shelby ratio on the basis kri ⁇ tica first use, in particular a certain number of signals, a certain accumulated energy value, a certain accumulated amplitude, the result of a trend analysis of the accumulated size or History Index L ⁇ j , be ⁇ correct and calculated.
  • the at least two criteria according to claim 6 based on the energy ratio or energy-based ratio, which are directly or indirectly related to the intensity of the acoustic emission signals, determined and calculated.
  • the at least two criteria according to claim 7 are preferably determined and calculated on the basis of the signal amplitude, the signal energy, the average amplitudes, their derived signal quantities or the like.
  • the at least two criteria of claim 8 may also be determined and calculated based on the number of threshold transgressions, spectral intensity, or the like.
  • the at least two criteria according to claim 9 are selected on the basis of a list of criteria given in DIN standards DIN EN 15857 and / or EN1330 and then calculated. This ensures ⁇ that all indirect signal parameters, such as number of threshold crossings, spectral intensity, etc., as the at least two criteria are used for performing the method according to the invention in an advantageous manner and can be used. Specifically, in the To ⁇ connexion to the DIN standard EN1330 on "Non-destructive testing - Part 9 - Terminology: Terms used in acoustic emission testing," Triangular version EN 1330-9: 2009 refers).
  • the multivariant data analysis with the at least two determined and calculated criteria according to step b) by means offorensicsap ⁇ proximation per cycle according to claim 10 in the form of, in particular single or multilayer, artificial, neural Networks, Hidden Markov Models, Gaussian Mixture Models, Deep Learning Models or Markov Chain Monte Carlo Methods becomes .
  • the criteria per cycle can be determined without knowledge of the maximum load values that can be reached when attempting and normalized regardless of the structure size of the / the examined structure or specimen or the like component defines ,
  • the inventive method according to claim 12 for the prediction of failure loads of structures made of fiber composites on the basis of sound emission data, in particular of structural components in the automotive industry, structural components of aerospace engineering and drives and machine parts with high speeds, preferably in vehicles, aircraft or aircraft aerospace, aircraft and spacecraft, vessels such as submarines or hovercrafts, land vehicles, passenger cars and lorries, use.
  • the method according to the invention is also suitable for the prediction of versa ⁇ genslasten of particular safety-relevant structures made of fiber composites.
  • FIGS. 1A and 1B show illustrations of load profiles for
  • Fig. 2 is a representation of a load profile for Defini ⁇ tion of Felicity ratio
  • Fig. 3 is an illustration of a load profile for the determina tion of the critical ⁇ Felicity ratio
  • Fig. 4 is an illustration of a load profile for defini ⁇ tion of the Lease dikriterien Felicity ratio
  • Fig. 6 illustrates a load profile for defini ⁇ tion of Energy Ratio or Ratio energy based
  • Fig. 7 is a diagram for forecasting failure load according to the inventive method
  • FIG. 8 is an illustration for predicting the failure load by forward extrapolation according to a known method
  • FIG. 9A and 9B are schematic representations of specimen geometries including AE sensor positions for tensile tests and Lochleibungs Listee
  • Fig. 10A and 10B examples of a loading scheme in the train ⁇ trial and for the Lochleibungstest including about ⁇ superimposed accumulated acoustic emission signals
  • FIGS. 12A to 12C calculate the Felicity criteria for the
  • FIG. 13A and 13B extrapolation of the calculated load level to predict the strength of tensile test specimen 2 and hole ⁇ leibungsprobe 3,
  • FIG. 14 is a forward prediction of the train samples with different approaches to the composition of the training data of a neural network; and FIG. 15 Forward prediction of the bearing experiences with different approaches to the composition of the training data of a neural network.
  • the method according to the invention is preferably used to predict failure loads of structures of fiber composite materials of any type and / or in particular safety-relevant structures made of fiber composite materials based on acoustic emission data, in particular of structural components in the automotive industry, structural components of aerospace engineering and drives and machine parts with high rotational speeds, preferably in vehicles, aircraft or aircraft of aerospace, airplanes and spacecraft, watercraft, such as Submarines or hovercraft, land vehicles, passenger cars and lorries.
  • the sound emission signals are recorded at a uniform (quasi-static) load of the material.
  • FIG. 1B schematically shows a structure or a test body which is not subjected to a cycle or stepwise load increase or load, not once but several times.
  • the felicity ratio continues to decrease until it fails at a critical Felicity ratio, as shown in FIG.
  • the method according to the invention provides a substantial supplement to the manner of predicting or predicting failure loads of structures or test specimens made of fiber composite materials on the basis of sound emission data.
  • An essential to the invention feature consists in determining Wenig ⁇ th two criteria K, which define an event occurring in the cycle or stepwise loading degree of damage to the structure from the detected acoustic emission signals and to calculate, which then cooperate in their combination, and in this way lead to a significant increase in forecasting accuracy.
  • the criteria K used have in common that they have a characteristic trend as a function of the external load. In order to be suitable for a forward prognosis according to the invention, it is necessary that: a) The criteria K per cycle can be determined, ie without knowledge of the maximum load values achieved in the experiment. b) The criteria K are defined in a normalized manner so that they are independent of the structure size of the examined structure or test piece or the like component.
  • a criterion K is, for example, the Felicity ratio or the Felicity ratio, as defined in equation (1) and illustrated in FIG. 2.
  • determining and calculating the Felicity ratio it is irrelevant how the first use is determined.
  • technical documents for example ASTM E 1067
  • ASTM E 1067 it is pointed out that the first use of "significant" acoustic emission is to be determined.
  • FIG. 4 shows further known variants of the Felicity ratio.
  • / may be the absolute only ⁇ use L a k s, the average force reference value of the first N up ⁇ recorded signals L ⁇ N, the / the results / it has a trend analysis of the accumulated size Ltrend (inflection point of the curve in the initial ⁇ areas) and the determination by the history index L j ⁇ j ent ⁇ speaking definition (see. eg DIN EN 15857) to be.
  • the Shelby ratio or the Shelby ratio can be used as a further criterion K in the sense of the invention.
  • the Shelby ratio considers the sound emission when relieving the structure or specimen or the like. Will star ⁇ tend in the plateau of the stress cycle a certain number of signals passed ⁇ crit, this is defi ⁇ ned as a critical first use.
  • the relative load drop AL at this time can then be used in the sense of equation (1).
  • L onSi 2 AL can be set.
  • K can be used as yet another criterion K and can be used as further criteria K example, the Energy Ratio / s or the / the Energy ratio / se or energy- ⁇ -based / n or energy / n ratio / se used in the context of the invention.
  • accumulated signal parameters are considered which have a direct or indirect relation to the signal intensity.
  • the primary or direct signal parameter of this kind include the signal amplitude (the maximum voltage at the sensor per wave), the signal energy (integrated squared Sig ⁇ nalhard per wave), the mean amplitudes (root mean squared signal voltage "Root Mean Square” per wave train) and / or their derived signal quantities (in dB).
  • no criteria within the meaning of the invention are: a) All criteria K which use absolute reference quantities in equation (1) (for example, number of signals at a given load value). b) All criteria K, which for their calculation require the maximum load value for failure of the component or structure in the experiment. c) All criteria K, which for their calculation require the maximum value of a sound emission parameter in the experiment. d) All criteria K, which for their calculation require the maximum accumulated value of a sound emission parameter in the experiment.
  • Another essential feature of the present invention be ⁇ is on the use or application of an approach of the multi- tivisionn data analysis and performing the at least two predetermined and calculated criteria K.
  • Using a neural network could thus contribute to ⁇ a sufficient amount of data for training the nodes aid of a prediction accuracy of less than 5% with an uncertainty of only 8% can be achieved.
  • This approach could also be transferred from the material level (ie laboratory test specimen) to the structural level (ie component with a length of 4 m).
  • the cross prediction (50% training data, 50% validation data) showed very high accuracy. Moreover, ⁇ same neural network for acoustic emission data of a major component (structural level) could be applied. ⁇ worth the forecast gave only 5% or more of the generated failure load. The approach can be applied to comparable questions at any time. The inventive method will be explained in more detail with reference to ver ⁇ different embodiments.
  • thermoplastic composites of Torayca T700S 12k carbon fibers and PPS matrix material were used.
  • two different types of mechanical tests were performed in load / unload cycles.
  • data from tensile tests and bearing experiments were used.
  • test geometries for Lochleibungs were used.
  • Fig. 9A one of the test specimen geometries is shown.
  • test volumes and statistics are given in Tab. 1, including the average accumulated acoustic emission energy of each test condition.
  • the number of acoustic emission sensors was chosen based on sample attenuation measurements to ensure equal sensitivity in each configuration. The following briefly describes the test conditions of each configuration. All samples were tested under standard climatic conditions at 23 ° C temperature and 50% relative humidity.
  • test laminates were prepared in unidirectional array using in-situ laser consolidation. All samples were cut to the dimensions of 250 mm ⁇ 15 mm x 1 mm (length ⁇ width ⁇ thickness) with the fiber axis direction parallel to the longitudinal direction of the sample (see Fig. 6-b).
  • the room temperature curable Stycast 2850 FT Adhesive System was used to add specimens and doublers with ( ⁇ 45 ° layers) stick together.
  • the specimens were tested by means of travel control with a test speed of 2 mm / min according to DIN EN 2561 with a universal testing machine with 250 kN load cell and hydraulic clamping tools with complete loading and unloading cycles. Stress increments were chosen to be 200 MPa with a relief up to 50 MPa tensile stress at a test speed of 10 mm / min.
  • bearing samples with dimensions 108.0 mm ⁇ 54.0 mm x 5.7 mm (length ⁇ width ⁇ thickness) with a pin diameter of 9.0 mm and a scaled version with 216.0 ⁇ 108.0 ⁇ 11.4 mm ( Length x width ⁇ thickness) with pin diameter 18.0 mm (both geometries see Fig. 9B) used.
  • the load was initiated with a device in the sense of DIN EN 6037 (type 2 configuration). However, both bolts have the same diameter, so that failure can occur on both sides of the laminate.
  • the layer sequence uses the quasi-isotropic configuration (0, +45, 45, 0, 90) 4 S ym for the normal size and (0, +45, -45, 0, 90) 8 Sy m for the scaled size.
  • the test was carried out in the controlled-path mode at a test speed of 2 mm / min using a universal testing machine with a 250 kN load cell.
  • the cycle is a gradual increase by 40 MPa until failure with discharge to 20 MPa voltage as the lower limit.
  • acoustic emission sensors were mounted on the sample with suitable clamp systems to ensure a reproducible contact pressure between the sensor and the sample.
  • the acoustic coupling agent used was viscous co-rasilone silicone grease. All signals were amplified by 20 dB with a 2/4/6 preamplifier and recorded using the AEwin software with 10 MSP / s sampling rate and 35 dBAE threshold. For all configurations, a band pass filter of 20 kHz to 1 MHz used. In all cases, the trigger settings were chosen to be 10 ⁇ is for the peak definition time and 80 ⁇ is for the hit definition time.
  • the hit-lockout time was empirically adjusted for each test case to avoid recording the same event multiple times.
  • the ver ⁇ values used be 1500 ⁇ is the tensile specimens and 10,000 ⁇ is for Lochleibungsproben.
  • two acoustic emission sensors were used in a linear array (see Fig. 9A).
  • an event definition time filter was used. The settings for this filter have been customized for each sample to avoid detecting sources outside the tapered area.
  • only signals localized in the tapered region by a classical At-based algorithm were considered.
  • five acoustic emission sensors having the geometrical arrangement shown in Fig.
  • Felicity- Criteria are defined as the relative proportions of 5%, 10%, 15% and 20% of the total number of Tref ⁇ fer during the rising portion of the cycle. This will be referred to below as FR5, FR10, FR15 and FR20.
  • the average Felicity ratio is defined as the arithmetical mean of these values ULTRASONIC ⁇ :
  • ⁇ FR> 1/4 (FR5 + FR10 + FR15 + FR20) (3) Therefore, a total of five different Felicity criteria are evaluated for each load cycle.
  • the felicity ratio data are shown in Figure HA, where the values of the mean felicity ratio ⁇ FR> are linked by straight lines for better visibility.
  • the FR5 starts first in each cycle, followed by FR10, FR15 and FR20, which can be seen in the graph as a systematic shift of the numerical values from low to high.
  • the total number of sound emission hits is so low that all FR values are evaluated identically because individual cascades of acoustic emission hits occurred at practically the same load level.
  • ⁇ FR> acts as the arithmetic mean of the other FR values.
  • the representation of the Shelby criterion follows the same gedan ⁇ ken, and is shown in FIG. HB.
  • the Shelby criteria are defined as relative proportions for 95%, 90 "6 85" 6, and 80% of the total number of signals during the falling part of the cycle. This will be referred to below as SR95, SR90, SR85 and SR80.
  • Figs. 12A to 12C An example of the calculated criteria for a bedding sample is shown in Figs. 12A to 12C.
  • Fig. 12A the last cycle shows the sensitivity of the Felicity criterion when based on a small number of acoustic emission signals as a first use.
  • the first sound emission ⁇ signals appear already at 20% of the previous load, whereas the FR10, FR15 and FR20 show that the primary use of the scarf ⁇ lemission is still above 50%.
  • the example of the bearing experience is the result of sample 3, which has less scattering.
  • the deviation between the predicted load and the measured load is only 2.3%.
  • the measured resistance is shown as a black rhombus, and the dashed black line indicates the actual linear relationship between the attached ⁇ stored voltage and LR values.
  • Both cases are predictive Examples for the approaches described in the following section 3.
  • NEN approaches using an artificial neural network are summarized in Figures 14 and 15 for the test configurations.
  • FIGS. 14 and 15 show the measured strength value as a solid gray horizontal line as a reference.
  • This approach is a simple test case because only identical geometries and test settings are considered. For this strength prediction, only training data from the same species is considered and all six samples are used as a database. The purpose of this approach is to use only one artificial neural network with 2 hidden layers and 5 neurons so that the predictive quality can be directly compared within a range of species. However, this is not seen as "real" prediction, as the item to predict sample hold ent ⁇ already in the training data set, which is not a good practice. The resulting pre ⁇ hersagehong are as black squares in FIGS. 14 and 15, wherein the ExtrapolationsunPart is added as error bars.
  • an upper limit for the Extrapolationsbasis of LR is selected ⁇ 0.85, which means that the minimum extrapolation is 15% of the maximum tensile ⁇ ACTION the samples.
  • the exact limit is specific for each sample but ranges from 0.80 ⁇ LR ⁇ 0.85.
  • the predicted LR values could be tailored to their real LR values with a higher number of artificial neurons and a higher number of hidden layers. However, this would be considered overfitting, which is generally to be avoided when using artificial neural networks. It was therefore the same neural network structural ⁇ structure as in the following section 2. approach described used to obtain a representative result for this part of the study. Accordingly, the agreementccige ⁇ said values agree with the real strength values pretty good. Within the error margin, all strength values of the samples are predicted. However, the exact prediction value as well as the size of the error bars appear unique for each sample since this is mainly due to the variability of the available data points. This proves that the prediction concept is basically feasible.
  • the training data of all samples and all load cases are mixed and only the data points of the sample to be predicted are removed. Therefore, another 12 artificial neural networks are trained with 2 hidden layers and 10 neurons each and their results are shown in Figs. 14 and 15 as black triangles with prediction uncertainty as error bars and LR ⁇ 0.85 as extrapolation boundary.
  • the training database is 11 samples.
  • the mixed training data set is able to predict the behavior well in both configurations.
  • this value is interpreted as the load value of the initial failure of the bolts (sinking in), ie the first significant damage formation in the composite material at the contact surface between bolt and laminate. This can easily be understood as a failure.
  • the corresponding mean prediction uncertainty is 8.0% for the tensile tests and 15.8% for the bearing experiments.
  • the invention is not limited to the illustrated embodiments. Without being shown in detail, which he ⁇ -making proper procedures for any type of Faserver ⁇ composite structures can be used.
  • the inventive method can thereby readily and / or more preferably chen in Berei-, are used in which safety-relevant fiber composite structures (for example, structural components in automotive ⁇ construction, all of the components in the aircraft industry, machine parts at high speeds, etc.) are applied. These are usually subjected to extensive (non-destructive) tests for acceptance.
  • An alternative is to apply them specifically with ih ⁇ ren operating loads while monitoring methods such as acoustic emission analysis applied.
  • the inventive method is thus suitable for product-specific development ⁇ cycles, for example, to optimize components without burdening them during the test in the destructive area. In both cases, the inventive method leads to considerable Kos tenersparnissen ⁇ or a significant increase in product safety in an approximately comparable to the prior art screen.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Algebra (AREA)
  • Mathematical Optimization (AREA)
  • Acoustics & Sound (AREA)
  • Probability & Statistics with Applications (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

The invention relates to a method for predicting failure loading of structures made of fiber-reinforced composite materials on the basis of acoustic emission data, to the use thereof and to a use of a data carrier with an acoustic emission testing system in said method.

Description

VERFAHREN ZUR VORHERSAGE VON VERSAGENSLASTEN VON STRUKTUREN AUS FASERVERBUNDWERKSTOFFEN AUF BASIS VON SCHALLEMISSIONSDATEN  METHOD FOR PREDICTING DEFICIT LOADS OF FIBER COMPOSITE STRUCTURES BASED ON SHELL MISSION DATA
Die vorliegende Erfindung betrifft ein Verfahren zur Vorhersage von Versagenslasten von Strukturen aus Faserverbundwerkstoffen auf Basis von Schallemissionsdaten, dessen Verwendung und eine Verwendung eines Datenträgers mit einem Schallemissi- onsprüfSystem in dem Verfahren. The present invention relates to a method for predicting failure loads of structures of fiber composites based on sound emission data, its use and a use of a data carrier with a Schallemissi- onsprüfSystem in the method.
Bei der Schallemission handelt es sich um elastische Wellen, die durch ruckartige Mikroverformungen im Inneren eines Festkörpers freigesetzt werden. Diese entstehen zum Beispiel durch die Bildung eines Risses. Die elastischen Wellen breiten sich als Schallwelle im Festkörper aus und können auf der Oberfläche mit¬ tels piezoelektrischer Sensoren detektiert werden. Diese setzen die Schallwelle in ein elektrisches Spannungssignal um, welches für die weitere Interpretation herangezogen wird. Die Materialklasse der Faserverbundwerkstoffe zeichnet sich durch eine be- sonders hohe Schallemissionsaktivität aus. Bereits weit vor dem finalen Versagen des Werkstoffs werden bei Belastung zahlreiche mikroskopische Bruchvorgänge ausgelöst, welche als Schallemis¬ sion aufgezeichnet werden können. Dadurch kann bereits frühzei¬ tig eine Entstehung von Schädigung im Material detektiert wer- den. Acoustic emissions are elastic waves released by jerky micro-deformations inside a solid. These arise, for example, through the formation of a crack. The elastic waves propagate as acoustic wave in the solid state and can be detected on the surface with ¬ means of piezoelectric sensors. These convert the sound wave into an electrical voltage signal, which is used for further interpretation. The material class of the fiber composites is characterized by a particularly high sound emission activity. Numerous microscopic fracture processes are triggered well before the final failure of the material under load, which can be recorded as Schallemis ¬ sion. Thus, a generation of damage may already frühzei ¬ tig detected in the material advertising the.
Üblicherweise wird eine Struktur oder ein Prüfkörper einer kontinuierlichen Lasterhöhung bzw. sich kontinuierlich erhöhenden Belastung unterzogen. Die Schallemissionssignale werden bei ei- ner gleichförmigen (quasi-statischen) Belastung des Werkstoffs aufgezeichnet. Hierdurch wird die Schädigung im Werkstoff als Funktion der äußeren Belastung aufgezeichnet. Usually, a structure or a specimen is subjected to a continuous load increase or continuously increasing load. The sound emission signals are recorded at a uniform (quasi-static) load of the material. As a result, the damage in the material is recorded as a function of the external load.
Abwandlungen der Methodik bestehen darin, eine Struktur oder einen Prüfkörper nicht einmalig, sondern mehrfach einer zyklus- oder stufenweisen Lasterhöhung bzw. Belastung zu unter- ziehen. Der Werkstoff wird mit sogenannten Laststeigerungsversuchen belastet. In entsprechenden Normen (zum Beispiel ASTM E 1067) wird dabei insbesondere die Berechnung der "Felicity-Ratio" bzw. des "Felicity-Verhältnisses " als Maß für den Schädigungsgrad des Bauteils herangezogen. Für die Schall¬ emissionsanalyse lassen sich die Felicity-Ratios wie folgt de¬ finieren : Modifications of the methodology consist in not subjecting a structure or a specimen to a cyclical or incremental increase in load or load on several occasions. pull. The material is loaded with so-called load increase tests. In corresponding standards (for example ASTM E 1067), the calculation of the "felicity ratio" or the "felicity ratio" is used in particular as a measure of the degree of damage of the component. For the acoustic emission analysis ¬ the Felicity ratios can be as follows de ¬ finishing:
Felicity Ratio (FR) = LonSf2 I Ll (!) Felicity Ratio (FR) = L onSf2 I L l (!)
Dabei wird der Belastungszustand des aktuellen Zyklus Lons,2' bei dem die erste signifikante Schallemission einsetzt, ins Ver¬ hältnis zur vorherigen Maximalbelastung L]_ gesetzt. Here, the load status of the current cycle Lons, 2 'in which uses the first significant acoustic emission, _ taken into Ver ¬ relation to previous maximum load L].
Die Felicity-Ratio sinkt dabei während der zyklus- oder stufen¬ weisen Belastung immer weiter ab, bis es bei einem kritischen Wert zum Versagen kommt, wie dies unter anderem in Abraham, A.R.A., Johnson, K.L., Nichols, CT., Saulsberry, R.L., Waller, J.M. : "Use of Statistical Analysis of Acoustic Emission Data on Carbon-Epoxy COPV Materials-of-Construction for Enhanced Felicity Ratio Onset Determination", JSC-CN-26080 , 2011, und Waller, J.M., Nichols, CT., Wentzel, D.J., Saulsberry, R.L., Thompson, D.O., Chimenti, D.E.: "Use of Modal Acoustic Emission to Monitor Damage Progression in Carbon Fiber^Epoxy Composites", AIP Conference Proceedings, Seiten 919 bis 926, San Diego, California, USA, 2011, beschrieben ist. Eine sinkende Felicity- Ratio bedeutet dabei anschaulich, das der Ersteinsatz der Schallemission bezogen auf das vorhergehende Lastniveau immer früher stattfindet. Dies kommt durch die zunehmende Anzahl an Mik- roschädigungen zustande, die sich immer früher ausbreiten und in Summe zum endgültigen Versagen führen. The Felicity ratio thus drops during the cycle-or step-wise ¬ load continues to drop until it comes at a critical value for failure, as among other things, Abraham, ARA, Johnson, KL, Nichols, CT., Saulsberry, RL , Waller, JM: "Use of Statistical Analysis of Acoustic Emission Data on Carbon-Epoxy COPV Materials-of-Construction for Enhanced Felicity Ratio Onset Determination," JSC-CN-26080, 2011, and Waller, JM, Nichols, CT. Wentzel, DJ, Saulsberry, RL, Thompson, DO, Chimenti, DE: "Use of Modal Acoustic Emission to Monitor Damage Progression in Carbon Fiber Epoxy Composites", AIP Conference Proceedings, pp. 919-926, San Diego, California, USA 2011, is described. A sinking Felicity ratio clearly indicates that the first use of the sound emission relative to the previous load level takes place earlier and earlier. This is due to the increasing number of micro-damages, which are spreading earlier and leading to the final failure.
Von der NASA White Sand Test Facilities (WSTF) wurde ein Ver¬ fahren zur Vorhersage einer prognostizierten Versagenslast vor- geschlagen. Das Verfahren sieht vor, eine Struktur oder einen Prüfkörper soweit zu belasten, wie dies im regulären Betrieb üblicherweise erreicht wird. Bei Kenntnis der kritischen Feli- city-Ratio kann eine Vorwärtsextrapolation der Messdaten eine prognostizierte Versagenslast vorhersagen. Aufgrund der Streuung der Messdaten unterliegt dieses Verfahren allerdings einer nicht unerheblichen Unsicherheit, wie der Fig. 8 zu entnehmen ist. Untersuchungen haben gezeigt, dass der Zusammenhang zwischen Fe- licity-Ratio und Belastungszustand nur selten derart linear ist, dass sich durch einfache Vorwärtsextrapolation eine ausreichende Prognosegenauigkeit erhalten lässt. Wenn die Felicity-Ratio auch dazu dient, den Zeitpunkt des Auftretens neuer, signifikanter Schallemission anzuzeigen und diesen in Bezug zur vorherigen Last zu setzen, scheint dieses Verfahren für eine hinreichend genaue Prognose der Versagenslast und damit Umsetzung in die Praxis wenig geeignet. Jedenfalls konnte bei den Untersuchungen eine Sicherheit größer als 50 % der prognostizierten Versagens¬ last nicht oder allenfalls selten erreicht werden. By NASA White Sands Test Facilities (WSTF) a Ver was ¬ go forward struck for predicting a predicted failure load. The method provides to load a structure or a test specimen as far as in normal operation is usually achieved. Knowing the critical field ratio, forward extrapolation of the measurement data can predict a predicted failure load. Due to the scattering of the measured data, however, this method is subject to considerable uncertainty, as can be seen in FIG. 8. Investigations have shown that the relationship between the sensitivity ratio and the stress state is rarely so linear that sufficient predictive accuracy can be obtained by simple forward extrapolation. If the Felicity Ratio also serves to indicate the time of occurrence of new, significant acoustic emissions and to relate them to the previous load, this method seems to be less suitable for a sufficiently accurate prediction of the failure load and thus its implementation in practice. In any case, a safety greater than 50% of the predicted failure ¬ load could not or at best rarely achieved in the investigations.
Der vorliegenden Erfindung liegt daher die Aufgabe zugrunde, ein Verfahren zur Vorhersage von Versagenslasten von Strukturen aus Faserverbundwerkstoffen auf Basis von Schallemissionsdaten zur Verfügung zu stellen, mit welchem sich die obigen Nachteile verhindern lassen, welches mithin auf ausgesprochen einfache Weise eine hohe Stabilisierung aufweist und signifikante Erhöhung der Prognosegenauigkeit und Prognosezuverlässigkeit ermöglicht, dessen Verwendung und eine Verwendung eines Datenträgers mit einem SchallemissionsprüfSystem in dem Verfahren bereitzustellen . The present invention is therefore based on the object of providing a method for predicting failure loads of structures made of fiber composite materials on the basis of acoustic emission data, with which the above disadvantages can be prevented, which consequently has a very simple stabilization and significant increase Predictive accuracy and predictive reliability allows to provide its use and use of a data carrier with a sonic emission test system in the method.
Diese Aufgabe wird in verfahrenstechnischer Hinsicht auf überraschend einfache Weise durch die Merkmale des Anspruchs 1 gelöst . This object is achieved in procedural terms in a surprisingly simple manner by the features of claim 1.
Durch die Ausgestaltung des erfindungsgemäßen Verfahrens zur Vorhersage von Versagenslasten von Strukturen aus Faserverbund- Werkstoffen auf Basis von Schallemissionsdaten, umfassend folgende Schritte: By the embodiment of the method according to the invention for predicting failure loads of structures made of fiber composite materials on the basis of sound emission data, comprising the following steps:
a) Erfassen von an einer Struktur bei einer zyklus- oder stufenweisen Belastung auftretenden Schallemissionssignalen, a) detecting on a structure at a cycle or gradual loading occurring sound emission signals,
b) Bestimmen und Berechnen von wenigstens zwei Kriterien (K) , die einen bei der zyklus- oder stufenweisen Belas- tung aufgetretenen Schädigungsgrad der Struktur definieren, aus den erfassten Schallemissionssignalen nach Schritt a) , und  b) determining and calculating at least two criteria (K), which define a degree of damage of the structure which has occurred during the cyclical or stepwise loading, from the detected acoustic emission signals after step a), and
c) Durchführen einer multivarianten Datenanalyse mit den wenigstens zwei bestimmten und berechneten Kriterien (K) nach Schritt b) mittels einer Funktionsapproximation (f) pro Zyklus: f (Kn, i) = (Li-1 / Lmax) (2) mit n = Anzahl der Kriterien (K) c) performing a multivariant data analysis with the at least two determined and calculated criteria (K) after step b) by means of a function approximation (f) per cycle: f ( K n, i) = ( L i-1 / L max) (2) with n = number of criteria (K)
i = Lastzyklus  i = load cycle
L = Belastung  L = load
Lmax = Maximalbelastung zur Vorwärtsextrapolation und Vorhersage der Versagenslast der Struktur, L max = maximum load for forward extrapolation and prediction of the failure load of the structure,
ist erfindungsgemäß ein Verfahren vorgeschlagen, welches sich in der Praxis als besonders vorteilhaft erwiesen hat. So ermöglicht das erfindungsgemäße Verfahren auf ausgesprochen einfache Weise eine Vorhersage von Versagenslasten von Strukturen oder Prüfkörpern oder dergleichen Komponenten bzw. Bauteilen aus Faserverbundwerkstoffen auf Basis von Schallemissionsdaten. Dabei zeichnet sich das erfindungsgemäße Verfahren in besonderer Weise durch eine deutliche Stabilisierung der Verfahrensweise selbst aus. Darüber hinaus lassen sich Prognosegenauigkeit und Progno¬ sezuverlässigkeit durch das erfindungsgemäße Verfahren wesent¬ lich erhöhen. Das erfindungsgemäße Verfahren unterscheidet sich von sämtlichen der bis dato bekannten Verfahren dadurch, dass der Vorhersage nicht nur ein einziges Kriterium bzw. ein einziger Parameter, sondern gleichzeitig wenigstens zwei Kriterien bzw. Parameter oder mehrere zugrundegelegt ist/wird. Dadurch ist es erstmals überhaupt für komplexe Faserverbundstrukturen möglich, eine gesicherte Vorhersage aus Schallemissionsdaten abzuleiten und die nötige Stabilität für eine hohe Prognosegenauigkeit vor¬ zusehen . Weitere vorteilhafte Einzelheiten des erfindungsgemäßen Verfahrens sind in den Ansprüchen 2 bis 11 beschrieben. According to the invention, a method is proposed which has proven to be particularly advantageous in practice. Thus, the inventive method allows in a very simple way a prediction of failure loads of structures or specimens or the like components or components of fiber composites based on sound emission data. In this case, the method according to the invention is characterized in a special way by a significant stabilization of the procedure itself. In addition, forecasting accuracy and Progno ¬ sezuverlässigkeit by the inventive method can increase materiality ¬ Lich. The method according to the invention differs from all the methods known hitherto in that the prediction is based not only on a single criterion or a single parameter, but simultaneously on at least two criteria or parameters or more. This makes it possible for the first time ever for complex fiber composite structures, derive a secure prediction from acoustic emission data and watch the necessary stability for a high forecast accuracy before ¬. Further advantageous details of the method according to the invention are described in claims 2 to 11.
Von großer Bedeutung für eine besonders einfache, zugleich hochgenaue und ausgesprochen zuverlässige Prognose sind die Merkmale des Anspruchs 2. Danach werden die wenigstens zwei Kriterien auf Basis der Felicity-Ratio bzw. des Felicity-Verhältnisses und/o¬ der der Shelby-Ratio bzw. des Shelby-Verhältnisses und/oder ei¬ ner Energy-Ratio oder energiebasierten Ratio bzw. des Energy- Verhältnisses bestimmt und berechnet. Of great importance for a particularly simple, at the same time highly accurate and extremely reliable prognosis are the features of claim 2. Thereafter, the at least two criteria based on the Felicity Ratio or the Felicity ratio and / o ¬ the Shelby Ratio or the Shelby ratio and / or egg ¬ ner energy ratio or energy-based ratio or the energy ratio determined and calculated.
Von gleichermaßen großem Interesse sind die konstruktiven Maßnahmen des Anspruchs 3. Demzufolge werden die wenigstens zwei Kriterien auf Basis einer oder mehrerer der Felicity-Ratio und/oder der Shelby-Ratio und/oder einer Energy-Ratio oder ener- giebasierten Ratio bestimmt und berechnet. Of equal interest are the constructive measures of claim 3. Accordingly, the at least two criteria are determined and calculated based on one or more of the Felicity Ratio and / or the Shelby Ratio and / or an Energy Ratio or Energy Based Ratio.
Weiterhin ist erfindungsgemäß vorgesehen, dass die wenigstens zwei Kriterien auf Basis der Felicity-Ratio nach Anspruch 4 anhand des Ersteinsatzes der signifikanten Schallemission, insbe- sondere des absoluten Ersteinsatzes Laks, des mittleren Kraft¬ bezugswertes der ersten N aufgezeichneten Signale L <N , des/der Ergebnisse/s einer Trendanalyse der akkumulierten Größe Ltrend oder des Historie Index L^j, bestimmt und berechnet werden. Entsprechend Anspruch 5 werden die wenigstens zwei Kriterien in vorteilhafter Weise auf Basis der Shelby-Ratio anhand des kri¬ tischen Ersteinsatzes, insbesondere einer bestimmten Signalanzahl, eines bestimmten akkumulierten Energiewertes, einer bestimmten akkumulierten Amplitude, des Ergebnisses einer Trenda- nalyse der akkumulierten Größe oder des Historie Index L^j, be¬ stimmt und berechnet. In bevorzugter Ausgestaltung der Erfindung werden die wenigstens zwei Kriterien gemäß Anspruch 6 auf Basis der Energy-Ratio oder energiebasierten Ratio, die direkt oder indirekt auf die Intensität der Schallemissionssignale bezogen sind, bestimmt und berechnet. Furthermore, it is provided according to the invention that the at least two criteria based on the felicity ratio according to claim 4 based on the first use of the significant acoustic emission, in particular the absolute first use L a k s , the average power ¬ reference value of the first N recorded signals L <N , of the results / s of a trend analysis of the accumulated quantity Ltrend or the history index L ^ j , are determined and calculated. According to claim 5, the at least two criteria are advantageously based on the shelby ratio on the basis kri ¬ tischen first use, in particular a certain number of signals, a certain accumulated energy value, a certain accumulated amplitude, the result of a trend analysis of the accumulated size or History Index L ^ j , be ¬ correct and calculated. In a preferred embodiment of the invention, the at least two criteria according to claim 6 based on the energy ratio or energy-based ratio, which are directly or indirectly related to the intensity of the acoustic emission signals, determined and calculated.
In diesem Zusammenhang werden die wenigstens zwei Kriterien entsprechend Anspruch 7 vorzugsweise auf Basis der Signalamplitude, der Signalenergie, der Durchschnittsamplituden, deren abgelei- teten Signalgrößen oder dergleichen bestimmt und berechnet. In this connection, the at least two criteria according to claim 7 are preferably determined and calculated on the basis of the signal amplitude, the signal energy, the average amplitudes, their derived signal quantities or the like.
In dazu alternativer oder kumulativer Weise können die wenigstens zwei Kriterien nach Anspruch 8 ebenso auf Basis der Anzahl der Schwellüberschreitungen, spektralen Intensität oder derglei- chen bestimmt und berechnet werden. Alternatively or cumulatively, the at least two criteria of claim 8 may also be determined and calculated based on the number of threshold transgressions, spectral intensity, or the like.
Weiterhin ist erfindungsgemäß vorgesehen, dass die wenigstens zwei Kriterien nach Anspruch 9 auf Basis von einer Aufstellung von in DIN-Normen DIN EN 15857 und/oder EN1330 angeführten Kri- terien ausgewählt und sodann berechnet werden. Damit ist sicher¬ gestellt, dass sämtliche indirekten Signalparameter, wie etwa Anzahl der Schwellwertüberschreitungen, spektrale Intensität, usw., als die wenigstens zwei Kriterien in vorteilhafter Weise zur Durchführung des erfindungsgemäßen Verfahrens verwendbar sind und herangezogen werden können. Insbesondere wird im Zu¬ sammenhang auf die DIN-Norm EN1330 auf "Non-destructive testing - Terminology - Part 9: Terms used in acoustic emission testing", Triangulär version EN 1330-9:2009) verwiesen . It is further provided according to the invention that the at least two criteria according to claim 9 are selected on the basis of a list of criteria given in DIN standards DIN EN 15857 and / or EN1330 and then calculated. This ensures ¬ that all indirect signal parameters, such as number of threshold crossings, spectral intensity, etc., as the at least two criteria are used for performing the method according to the invention in an advantageous manner and can be used. Specifically, in the To ¬ connexion to the DIN standard EN1330 on "Non-destructive testing - Part 9 - Terminology: Terms used in acoustic emission testing," Triangular version EN 1330-9: 2009 refers).
Darüber hinaus liegt es im Rahmen der Erfindung, dass die mul- tivariante Datenanalyse mit den wenigstens zwei bestimmten und berechneten Kriterien nach Schritt b) mittels der Funktionsap¬ proximation pro Zyklus nach Anspruch 10 in Form von, insbesondere ein- oder mehrschichtigen, künstlichen, neuronalen Netzwerken, Hidden Markov-Modellen, Gaussian Mixture-Modellen, Deep Learn- ing-Modellen oder Markov Chain Monte Carlo-Methoden durchgeführt wird . Moreover, it is within the scope of the invention that the multivariant data analysis with the at least two determined and calculated criteria according to step b) by means of Funktionsap ¬ proximation per cycle according to claim 10 in the form of, in particular single or multilayer, artificial, neural Networks, Hidden Markov Models, Gaussian Mixture Models, Deep Learning Models or Markov Chain Monte Carlo Methods becomes .
Von besonderem Interesse sind des Weiteren die Merkmale des An¬ spruchs 11. Danach werden die Kriterien pro Zyklus ohne Kenntnis der maximalen Belastungswerte, die beim Versuch erreicht werden, bestimmt und unabhängig von der Strukturgröße der/dem untersuchten Struktur oder Prüfkörper oder dergleichen Komponente normalisiert definiert. Furthermore of particular interest are the characteristics of the on ¬ entitlement 11. Thereafter, the criteria per cycle can be determined without knowledge of the maximum load values that can be reached when attempting and normalized regardless of the structure size of the / the examined structure or specimen or the like component defines ,
In vorteilhafter Weise findet das erfindungsgemäße Verfahren nach Anspruch 12 zur Vorhersage von Versagenslasten von Strukturen aus Faserverbundwerkstoffen auf Basis von Schallemissionsdaten, insbesondere von Strukturbauteilen im Automobilbau, Strukturbauteilen der Luft- und Raumfahrttechnik und Antrieben und Maschinenteilen mit hohen Drehzahlen, vorzugsweise in Fahrzeugen, Luftfahrzeugen oder Fluggeräten der Luft- und Raumfahrt, Flugzeugen und Raumflugkörpern, Wasserfahrzeugen, wie U-Booten oder Luftkissenfahrzeugen (Hovercrafts ) , Landfahrzeugen, Personenkraftwagen und Lastkraftwagen, Verwendung. In ganz bevorzugter, jedoch nicht ausschließlicher Weise, eignet sich das erfindungsgemäße Verfahren dabei auch zur Vorhersage von Versa¬ genslasten von insbesondere sicherheitsrelevanten Strukturen aus Faserverbundwerkstoffen . Advantageously, the inventive method according to claim 12 for the prediction of failure loads of structures made of fiber composites on the basis of sound emission data, in particular of structural components in the automotive industry, structural components of aerospace engineering and drives and machine parts with high speeds, preferably in vehicles, aircraft or aircraft aerospace, aircraft and spacecraft, vessels such as submarines or hovercrafts, land vehicles, passenger cars and lorries, use. In a very preferred, but not exclusive, manner, the method according to the invention is also suitable for the prediction of versa ¬ genslasten of particular safety-relevant structures made of fiber composites.
Entsprechend den Maßnahmen des Anspruchs 13 ist es von besonderem Vorteil, einen Datenträger mit einem SchallemissionsprüfSystem in dem erfindungsgemäßen Verfahren einzusetzen, wobei auf dem Datenträger die wenigstens zwei Kriterien gespeichert sind, die nach den Schritten a) bis c) des Verfahrens gemäß Anspruch 1 bestimmt und berechnet wurden. According to the measures of claim 13, it is of particular advantage to use a data carrier with a Schallemissionsprüfsystem in the process according to the invention, wherein the at least two criteria are stored on the disk, which determined by the steps a) to c) of the method according to claim 1 and were calculated.
Schließlich ist erfindungsgemäß noch ein Computerprogramm zur Vorhersage von Versagenslasten von Strukturen aus Faserverbundwerkstoffen auf Basis von Schallemissionsdaten vorgesehen, wobei das Programm einen Computer veranlasst, Befehle auszuführen, so dass ein SchallemissionsprüfSystem ein Verfahren nach der Erfindung ausführt, wenn das Programm auf dem Computer ausgeführt wird . Weitere Merkmale, Vorteile und Einzelheiten der Erfindung erge¬ ben sich aus der nachfolgenden Beschreibung von einigen bevorzugten Ausführungsformen der Erfindung sowie anhand der Zeichnungen. Hierbei zeigen: Fig. 1A und 1B Darstellungen von Belastungsprofilen für Finally, according to the invention, a computer program for predicting failure loads of fiber composite structures on the basis of sound emission data is provided, wherein the program causes a computer to execute commands a sound emission test system executes a method according to the invention when the program is executed on the computer. Further features, advantages and details of the invention erge ¬ ben from the following description of some preferred embodiments of the invention and from the drawings. FIGS. 1A and 1B show illustrations of load profiles for
Strukturen aus Faserverbundwerkstoffen, mit kontinuierlicher Lasterhöhung und zyklus- bzw. stufenweiser Lasterhöhung bzw. Laststeigerungsversuchen, Fig. 2 eine Darstellung eines Belastungsprofils zur Defini¬ tion der Felicity-Ratio, Structures made of fiber composite materials, with continuous increase in load and cycle or stepwise load increase or load increase tests, Fig. 2 is a representation of a load profile for Defini ¬ tion of Felicity ratio,
Fig. 3 eine Darstellung eines Belastungsprofils zur Bestim¬ mung der kritischen Felicity-Ratio, Fig. 3 is an illustration of a load profile for the determina tion of the critical ¬ Felicity ratio,
Fig. 4 eine Darstellung eines Belastungsprofils zur Defini¬ tion von Ersteinsatzkriterien der Felicity-Ratio, Fig. 4 is an illustration of a load profile for defini ¬ tion of the Ersteinsatzkriterien Felicity ratio,
Fig. 5 eine Darstellung eines Belastungsprofils zur Defini¬ tion der Shelby-Ratio, 5 is an illustration of a load profile for Defini ¬ tion of the Shelby ratio,
Fig. 6 eine Darstellung eines Belastungsprofils zur Defini¬ tion der Energy-Ratio oder energiebasierten Ratio, Fig. 7 eine Darstellung zur Prognose der Versagenslast gemäß dem erfindungsgemäßen Verfahren, und Fig. 6 illustrates a load profile for defini ¬ tion of Energy Ratio or Ratio energy based, Fig. 7 is a diagram for forecasting failure load according to the inventive method, and
Fig. 8 eine Darstellung zur Vorhersage der Versagenslast durch Vorwärtsextrapolation gemäß einem bekannten Verfahren, Fig. 9A und 9B schematische Darstellungen von Prüfkörpergeometrien inklusive SE-Sensorpositionen für Zugversuche und Lochleibungsversuche, Fig. 10A und 10B Beispiele für ein Belastungsschema im Zug¬ versuch und für den Lochleibungstest inklusive über¬ lagerter akkumulierter Schallemissionssignale, 8 is an illustration for predicting the failure load by forward extrapolation according to a known method; FIG. 9A and 9B are schematic representations of specimen geometries including AE sensor positions for tensile tests and Lochleibungsversuche, Fig. 10A and 10B examples of a loading scheme in the train ¬ trial and for the Lochleibungstest including about ¬ superimposed accumulated acoustic emission signals,
Fig. IIA bis HC Berechnung der Felicity Kriterien für das Fig. IIA to HC Calculation of the Felicity criteria for the
Beispiel aus der Fig. 10A, sowie zugehörige Shelby Example from Fig. 10A, and associated Shelby
Kriterien und Energiekriterien, Criteria and energy criteria,
Fig. 12A bis 12C Berechnung der Felicity Kriterien für das FIGS. 12A to 12C calculate the Felicity criteria for the
Beispiel aus der Fig. 10B, sowie zugehörige Shelby Kriterien und Energiekriterien,  Example from FIG. 10B, and associated Shelby criteria and energy criteria,
Fig. 13A und 13B Extrapolation der berechneten Lastniveaus zur Vorhersage der Festigkeit von Zugprobe 2 und Loch¬ leibungsprobe 3, FIG. 13A and 13B extrapolation of the calculated load level to predict the strength of tensile test specimen 2 and hole ¬ leibungsprobe 3,
Fig. 14 Vorwärtsvorhersage der Zugproben mit verschiedenen Ansätzen zur Zusammensetzung der Trainingsdaten eines neuronalen Netzwerkes, und Fig. 15 Vorwärtsvorhersage der Lochleibungsproben mit verschiedenen Ansätzen zur Zusammensetzung der Trainingsdaten eines neuronalen Netzwerkes. FIG. 14 is a forward prediction of the train samples with different approaches to the composition of the training data of a neural network; and FIG. 15 Forward prediction of the bearing experiences with different approaches to the composition of the training data of a neural network.
Das erfindungsgemäße Verfahren wird vorzugsweise zur Vorhersage von Versagenslasten von Strukturen aus Faserverbundwerkstoffen beliebiger Art und/oder insbesondere sicherheitsrelevanten Strukturen aus Faserverbundwerkstoffen auf Basis von Schallemissionsdaten, insbesondere von Strukturbauteilen im Automobilbau, Strukturbauteilen der Luft- und Raumfahrttechnik und An- trieben und Maschinenteilen mit hohen Drehzahlen, vorzugsweise in Fahrzeugen, Luftfahrzeugen oder Fluggeräten der Luft- und Raumfahrt, Flugzeugen und Raumflugkörpern, Wasserfahrzeugen, wie U-Booten oder Luftkissenfahrzeugen (Hovercrafts ) , Landfahrzeugen, Personenkraftwagen und Lastkraftwagen, verwendet. The method according to the invention is preferably used to predict failure loads of structures of fiber composite materials of any type and / or in particular safety-relevant structures made of fiber composite materials based on acoustic emission data, in particular of structural components in the automotive industry, structural components of aerospace engineering and drives and machine parts with high rotational speeds, preferably in vehicles, aircraft or aircraft of aerospace, airplanes and spacecraft, watercraft, such as Submarines or hovercraft, land vehicles, passenger cars and lorries.
Wie in der Fig. 1A dargestellt ist, werden die Schallemis-si- onssignale bei einer gleichförmigen (quasi-statischen) Belastung des Werkstoffs aufgezeichnet. As shown in Fig. 1A, the sound emission signals are recorded at a uniform (quasi-static) load of the material.
Die Fig. 1B zeigt schematisch eine Struktur oder einen Prüfkörper, die/der nicht einmalig, sondern mehrfach mit einer zyklus- oder stufenweisen Lasterhöhung bzw. Belastung beaufschlagt wird. FIG. 1B schematically shows a structure or a test body which is not subjected to a cycle or stepwise load increase or load, not once but several times.
In der Fig. 2 ist die Felicity-Ratio zu Definitionszwecken schematisch dargestellt. Dabei wird der Belastungszustand des aktu¬ ellen Zyklus LonSi 2i bei dem die erste signifikante Schallemission einsetzt, ins Verhältnis zur vorherigen Maximal¬ belastung L]_ gesetzt. In Fig. 2, the felicity ratio is schematically shown for purposes of definition. Here, the load condition of the refreshes ¬ economic cycle L ONSI 2i in which uses the first significant acoustic emission, _ taken into consideration to previous maximum load ¬ L].
Während der zyklus- oder stufenweisen Belastung sinkt die Felicity-Ratio immer weiter ab, bis es entsprechend der Fig. 3 bei einem kritischen Wert der Felicity Ratio zum Versagen kommt. During cyclic or incremental loading, the felicity ratio continues to decrease until it fails at a critical Felicity ratio, as shown in FIG.
Im Gegensatz zu bisher bekannten Verfahren sieht das erfindungsgemäße Verfahren eine wesentliche Ergänzung in der Art und Weise der Vorhersage bzw. Prognose von Versagenslasten von Strukturen oder Prüfkörpern aus Faserverbundwerkstoffen auf Basis von Schallemissionsdaten vor. In contrast to previously known methods, the method according to the invention provides a substantial supplement to the manner of predicting or predicting failure loads of structures or test specimens made of fiber composite materials on the basis of sound emission data.
Ein erfindungswesentliches Merkmal besteht dabei darin, wenigs¬ ten zwei Kriterien K, die einen bei der zyklus- oder stufenweisen Belastung aufgetretenen Schädigungsgrad der Struktur definieren, aus den erfassten Schallemissionssignalen zu bestimmen und zu berechnen, welche dann in ihrer Kombination zusammenwirken und auf diese Weise zu einer deutlichen Steigerung der Prognosegenauigkeit führen. Den verwendeten Kriterien K ist gemeinsam, dass diese einen charakteristischen Trend als Funktion der äußeren Belastung aufweisen . Um für eine erfindungsgemäße Vorwärtsprognose geeignet zu sein, ist es notwendig, dass: a) Die Kriterien K pro Zyklus bestimmt werden können, d.h. ohne Kenntnis der maximalen Belastungswerte, die beim Versuch er- reicht werden. b) Die Kriterien K normalisiert definiert werden, damit diese unabhängig von der Strukturgröße der/dem untersuchten Struktur oder Prüfkörper oder dergleichen Komponente sind. An essential to the invention feature consists in determining Wenig ¬ th two criteria K, which define an event occurring in the cycle or stepwise loading degree of damage to the structure from the detected acoustic emission signals and to calculate, which then cooperate in their combination, and in this way lead to a significant increase in forecasting accuracy. The criteria K used have in common that they have a characteristic trend as a function of the external load. In order to be suitable for a forward prognosis according to the invention, it is necessary that: a) The criteria K per cycle can be determined, ie without knowledge of the maximum load values achieved in the experiment. b) The criteria K are defined in a normalized manner so that they are independent of the structure size of the examined structure or test piece or the like component.
Im Sinne der Erfindung ist ein Kriterium K beispielsweise die Felicity-Ratio bzw. das Felicity-Verhältnis , wie in Gleichung (1) definiert und in der Fig. 2 dargestellt ist. Bei der Bestimmung und Berechnung der Felicity-Ratio ist es unerheblich, auf welche Weise der Ersteinsatz bestimmt wird. In technischen Dokumenten (zum Beispiel ASTM E 1067) wird darauf verwiesen, dass der Ersteinsatz "signifikanter" Schallemission zu bestimmen ist. For the purposes of the invention, a criterion K is, for example, the Felicity ratio or the Felicity ratio, as defined in equation (1) and illustrated in FIG. 2. When determining and calculating the Felicity ratio, it is irrelevant how the first use is determined. In technical documents (for example ASTM E 1067) it is pointed out that the first use of "significant" acoustic emission is to be determined.
In der Fig. 4 sind weitere bekannte Varianten der Felicity-Ratio dargestellt. Beispielsweise kann/können dies der absolute Erst¬ einsatz Laks, der mittlere Kraftbezugswert der ersten N aufge¬ zeichneten Signale L<N , das/die Ergebnis/es einer Trendanalyse der akkumulierten Größe Ltrend (Knickpunkt der Kurve im Anfangs¬ bereich) und die Bestimmung mittels des Historie Index Lj^j ent¬ sprechend Definition (vgl. zum Beispiel DIN EN 15857) sein. FIG. 4 shows further known variants of the Felicity ratio. For example, / may be the absolute only ¬ use L a k s, the average force reference value of the first N up ¬ recorded signals L <N, the / the results / it has a trend analysis of the accumulated size Ltrend (inflection point of the curve in the initial ¬ areas) and the determination by the history index L j ^ j ent ¬ speaking definition (see. eg DIN EN 15857) to be.
Im Sinne der Erfindung können durch die vorgeschlagenen vier Verfahren zur Bestimmung des Ersteinsatz bereits wenigstens vier Felicity-Ratios im Sinne von Gleichung (1) bestimmt werden, wo¬ bei entsprechend für die Evaluation in Zyklus 2 Lons^2 = ^abs' Lons,2 = L< >' Lons,2 = Ltrend' Lons,2 = LHI gesetzt werden. Alternativ oder kumulativ kann als ein weiteres Kriterium K im Sinne der Erfindung beispielsweise die Shelby-Ratio bzw. das Shelby-Verhältnis herangezogen werden. For the purposes of the invention, the proposed four methods for determining the first use already allow at least four Felicity ratios are determined as defined in equation (1) where ¬ with correspondingly for the evaluation in cycle 2 L ons ^ 2 = ^ abs' L ons, 2 = L <>'L ons, 2 = L trend' L ons , 2 = L HI are set. Alternatively or cumulatively, for example, the Shelby ratio or the Shelby ratio can be used as a further criterion K in the sense of the invention.
Anders als die Definition der Felicity-Ratio wird bei der Shelby- Ratio die Schallemission bei der Entlastung der Struktur oder des Prüfkörpers oder dergleichen Bauteils betrachtet. Wird star¬ tend im Plateau des Belastungszyklus eine bestimmte Signalanzahl ^krit überschritten, wird dies als kritischer Ersteinsatz defi¬ niert. Der relative Lastabfall AL zu diesem Zeitpunkt lässt sich dann im Sinne von Gleichung (1) verwenden. Für den Zyklus 2 kann LonSi2 = AL gesetzt werden. Unlike the definition of the felicity ratio, the Shelby ratio considers the sound emission when relieving the structure or specimen or the like. Will star ¬ tend in the plateau of the stress cycle a certain number of signals passed ^ crit, this is defi ¬ ned as a critical first use. The relative load drop AL at this time can then be used in the sense of equation (1). For cycle 2, L onSi 2 = AL can be set.
Analog zur Felicity-Ratio existieren verschiedene Verfahren zur Festlegung von NJ^r±t - Sinngemäß können diese in eine feste Sig- nalanzahl (zum Beispiel 13 Signale), einen bestimmten damit verbundenen akkumulierten Energiewert (zum Beispiel > lOnJ) , eine bestimmte akkumulierte Amplitude (zum Beispiel > 10mV) oder wie¬ derum das Ergebnis einer Trend-analyse (Knickpunkt, siehe Fig. 4 zu Felicity-Ratio) oder die Bestimmung mittels des Historie Index unterteilt werden. Im Sinne der Erfindung können damit bereits wenigstens fünf Shelby-Ratios definiert werden. Analogous to the felicity ratio, there are various methods for establishing Nj ^ r ± t - meaning that these can convert into a fixed number of signals (for example 13 signals), a certain associated accumulated energy value (for example> 10nJ), a certain accumulated amplitude (For example> 10mV) or how ¬ the result of a trend analysis (break point, see Fig. 4 to Felicity Ratio) or the determination by means of the history index are divided. For the purposes of the invention, at least five shelby ratios can thus already be defined.
Alternativ oder kumulativ kann als ein noch weiteres Kriterium K bzw. können als noch weitere Kriterien K beispielsweise die Energy-Ratio/s bzw. das/die Energy-Verhältnis/se bzw. energie¬ basierte/n bzw. energetische/n Verhältnis/se im Sinne der Erfindung herangezogen werden. Alternatively or in addition, can be used as yet another criterion K and can be used as further criteria K example, the Energy Ratio / s or the / the Energy ratio / se or energy-¬-based / n or energy / n ratio / se used in the context of the invention.
Hierzu werden akkumulierte Signalparameter betrachtet, die einen direkten oder indirekten Bezug zur Signalintensität haben. Die primären bzw. direkten Signalparameter dieser Art sind etwa die Signalamplitude (maximale elektrische Spannung am Sensor pro Wellenzug) , die Signalenergie (integrierte quadrierte Sig¬ nalspannung pro Wellenzug) , die Durchschnittsamplituden (Wurzel aus der mittleren quadrierten Signalspannung, "Root Mean-Square" pro Wellenzug) und/oder deren abgeleiteten Signalgrößen (in dB) . For this purpose, accumulated signal parameters are considered which have a direct or indirect relation to the signal intensity. The primary or direct signal parameter of this kind include the signal amplitude (the maximum voltage at the sensor per wave), the signal energy (integrated squared Sig ¬ nalspannung per wave), the mean amplitudes (root mean squared signal voltage "Root Mean Square" per wave train) and / or their derived signal quantities (in dB).
Ebenso fallen alle indirekten Signalparameter (zum Beispiel Anzahl der Schwellwertüberschreitungen, spektrale Intensität, etc.) im Sinne der Definitionen der DIN EN 15857 und/oder der EN1330 (insbesondere: "Non-destructive testing - Terminology - Part 9: Terms used in acoustic emission testing", Triangulär version EN 1330-9:2009) unter diese Definition. Für das Beispiel der akkumulierten Signalamplitude wird die De¬ finition der Energy-Ratios in der Fig. 6 gezeigt. Überschreitet der akkumulierte Wert des Parameters den Wert aus dem vorherigen Zyklus, so wird die zugehörige Last als Ersteinsatz im Sinne von Gleichung (1) herangezogen. Sinngemäß lassen sich damit, zum Beispiel durch Betrachtung der Standardparameter Amplitude, Energie und "Average-Signal-Level " (ASL) , drei weitere Kriterien K im Sinne der Erfindung definieren. Likewise, all indirect signal parameters (for example, number of threshold exceedances, spectral intensity, etc.) fall within the meaning of the definitions of DIN EN 15857 and / or EN1330 (in particular: "Non-destructive testing - Terminology - Part 9: Terms used in acoustic emission testing ", Triangular version EN 1330-9: 2009) under this definition. For the example of the accumulated signal amplitude the de finition ¬ Energy ratios is shown in Figure 6.. If the accumulated value of the parameter exceeds the value from the previous cycle, then the associated load is used as first insert in the sense of equation (1). Analogously, it is thus possible, for example by considering the standard parameters amplitude, energy and average signal level (ASL), to define three further criteria K in the sense of the invention.
Keine Kriterien im Sinne der Erfindung sind dagegen: a) Alle Kriterien K, die absolute Bezugsgrößen in Gleichung (1) verwenden (zum Beispiel Anzahl Signale bei einem bestimmten Lastwert) . b) Alle Kriterien K, die zu ihrer Berechnung den maximalen Belastungswert beim Versagen des Bauteils bzw. der Struktur im Versuch benötigen. c) Alle Kriterien K, die zu ihrer Berechnung den maximal auf- tretenden Wert eines Schallemissionsparameters im Versuch benötigen . d) Alle Kriterien K, die zu ihrer Berechnung den maximalen akkumulierten Wert eines Schallemissionsparameters im Versuch benötigen . By contrast, no criteria within the meaning of the invention are: a) All criteria K which use absolute reference quantities in equation (1) (for example, number of signals at a given load value). b) All criteria K, which for their calculation require the maximum load value for failure of the component or structure in the experiment. c) All criteria K, which for their calculation require the maximum value of a sound emission parameter in the experiment. d) All criteria K, which for their calculation require the maximum accumulated value of a sound emission parameter in the experiment.
Da diese sämtlichen vorgenannten Kriterien K im Allgemeinen einen deutlich nicht-linearen Zusammenhang zur anliegenden Belastung aufweisen, ist eine direkte lineare Extrapolation ausge¬ schlossen . Since these all of the above criteria K generally have a significantly non-linear relation to the applied stress, a direct linear extrapolation is ¬ closed.
Ein weiteres erfindungswesentliches Merkmal der Erfindung be¬ steht in der Verwendung bzw. Anwendung eines Ansatzes der mul- tivarianten Datenanalyse und deren Durchführung mit den wenigstens zwei bestimmten und berechneten Kriterien K. Another essential feature of the present invention be ¬ is on the use or application of an approach of the multi- tivarianten data analysis and performing the at least two predetermined and calculated criteria K.
Für n Kriterien K ist pro Zyklus bzw. Stufe eine symbolische Zuordnung der n Zahlenwerte zum zugehörigen Lastniveau entspre¬ chend einer Funktionsapproximation f anhand Gleichung (2) vorgeschlagen, welche folgenden Zusammenhang für eine Laststufe i beschreibt : f (Kn, i) = (Li-1 / Lmax) (2) mit n = Anzahl der Kriterien (K) (I n K,) f = (: For n criteria K a symbolic association of the n numerical values for the associated load level per cycle or stage entspre ¬ accordingly proposed a function approximation f from equation (2) that the following relation for a load stage i describes L i-1 / L max) (2) with n = number of criteria (K)
i = Lastzyklus  i = load cycle
L = Belastung  L = load
Lmax = Maximalbelastung. L max = maximum load.
Im Sinne dieser Erfindung können dazu verschiedene technische Ansätze verwendet werden. Hierzu zählen beispielsweise ganz be¬ sonders: Künstliche neuronale Netzwerke, Hidden Markov Modelle, Gaussian Mixture-Modelle, Deep Learning-Modelle und/o¬ der Markov Chain Monte Carlo-Methoden . For the purposes of this invention, various technical approaches can be used for this purpose. These include, for example, all be ¬ otherwise: Artificial Neural Networks, Hidden Markov models, Gaussian Mixture Models, Deep Learning models and / o ¬ the Markov Chain Monte Carlo methods.
Für die genannten technischen Ansätze wird dabei üblicherweise auf einem Teil der zur Verfügung stehenden Messwerte eine Funk- tionsapproximation (Training) durchgeführt. Mit dieser so gewonnenen Funktion f kann derselbe Zusammenhang sodann auf weitere Messwerte angewendet werden. Dies bietet zusätzlich die Möglichkeit, den aktuellen Belas¬ tungszustand (L / Lmax) , also zum Beispiel 60 % der maximalen Belastbarkeit, für eine Struktur mit unbekanntem Belastungszu¬ stand auf Basis der Werte Kn direkt zu berechnen. Dies erlaubt bei Messung einer Struktur mit dem in der Fig. 1 gezeigten Belastungsprofil eine Berechnung von Stützpunkten für eine Vorwärtsextrapolation, wie die Fig. 7 beispielhaft zeigt. Die berechneten Belastungen weisen aufgrund der vorgeschlagenen (multivarianten) Datenbetrachtung eine deutlich verringerte Streuung auf und erlauben damit eine erhebliche Reduktion der Unsicherheit . For the technical approaches mentioned, it is customary for a part of the available measured values to have a radio frequency tion approximation (training). With this function f thus obtained, the same relationship can then be applied to further measured values. This further offers the possibility of the current Bela ¬ processing condition (L / L max), that is, for example, 60% of maximum capacity, for a structure with unknown Belastungszu ¬ was based on the values K n to calculate directly. This allows, when measuring a structure with the load profile shown in FIG. 1, a calculation of support points for a forward extrapolation, as FIG. 7 shows by way of example. Due to the proposed (multivariant) data analysis, the calculated loads show a significantly reduced variance and thus allow a considerable reduction in the uncertainty.
Das erfindungsgemäße Verfahren wurde zwischenzeitlich mittels Laborprüfkörper intensiv getestet. In the meantime, the method according to the invention has been extensively tested by means of laboratory test specimens.
Unter Verwendung eines neuronalen Netzwerkes konnte so bei Zu¬ hilfenahme einer ausreichenden Datenmenge zum Training der Knotenpunkte eine Prognosegenauigkeit von kleiner 5 % mit einer Unsicherheit von lediglich 8 % erreicht werden. Diese Herange- hensweise konnte zudem vom Werkstofflevel (d.h. Laborprüfkörper) auf Strukturebene (d.h. Komponente mit 4 m Länge) übertragen werden . Using a neural network could thus contribute to ¬ a sufficient amount of data for training the nodes aid of a prediction accuracy of less than 5% with an uncertainty of only 8% can be achieved. This approach could also be transferred from the material level (ie laboratory test specimen) to the structural level (ie component with a length of 4 m).
Die Kreuzvorhersage (50 % Trainingsdaten, 50 % Validierungsda- ten) zeigte sehr hohe Genauigkeit. Darüber hinaus konnte das¬ selbe neuronale Netzwerk auch für Schallemissionsdaten einer Großkomponente (Strukturebene) angewendet werden. Der Prognose¬ wert wich lediglich 5 % von der erzielten Versagenslast ab. Die Herangehensweise kann jederzeit auf vergleichbare Fragestellun- gen angewendet werden. Das erfindungsgemäße Verfahren wird nachfolgend anhand von ver¬ schiedenen Ausführungsbeispielen näher erläutert. The cross prediction (50% training data, 50% validation data) showed very high accuracy. Moreover, ¬ same neural network for acoustic emission data of a major component (structural level) could be applied. ¬ worth the forecast gave only 5% or more of the generated failure load. The approach can be applied to comparable questions at any time. The inventive method will be explained in more detail with reference to ver ¬ different embodiments.
Experimenteller Aufbau Experimental construction
Für diese experimentellen Arbeiten wurden faserverstärkte thermoplastische Verbundwerkstoffe aus Torayca T700S 12k Carbonfasern und PPS-Matrixmaterial verwendet. Für die Bewertung des Prognoseansatzes wurden zwei verschiedene Arten von mecha- nischen Tests in Belastungs-/Entlastungszyklen durchgeführt. Um die Flexibilität des Ansatzes zur Anpassung an unterschiedliche Versagensarten zu demonstrieren, wurden Daten aus Zugversuchen und Lochleibungsversuchen verwendet. Um Volumeneffekte einzube- ziehen, die für die Bewertung von Schall-emissionsparametern problematisch sein könnten, werden Testgeometrien für die Lochleibungsversuche in zwei Größen ausge¬ führt. In der Fig. 9A eine der Prüfkörpergeometrien gezeigt. For this experimental work, fiber-reinforced thermoplastic composites of Torayca T700S 12k carbon fibers and PPS matrix material were used. For the assessment of the forecasting approach, two different types of mechanical tests were performed in load / unload cycles. In order to demonstrate the flexibility of the approach to adapting to different failure modes, data from tensile tests and bearing experiments were used. To einzube- volume effects draw, which could be problematic for the evaluation of noise-emission parameters, test geometries for Lochleibungsversuche in two sizes are ¬ leads. In Fig. 9A one of the test specimen geometries is shown.
Die entsprechenden Testvolumina und Statistiken sind in der Tab. 1 angegeben, einschließlich der durchschnittlichen akkumulierten Schallemissionsenergie jeder Prüfbedingung . Die Anzahl der Schallemissionssensoren wurde basierend auf Dämpfungsmessungen der Proben gewählt, um eine gleiche Empfindlichkeit in jeder Konfiguration sicherzustellen. Im Folgenden werden kurz die Prüfbedingungen jeder Konfiguration beschrieben. Alle Proben wurden unter Normklima-Bedingungen bei 23°C Temperatur und 50 % relativer Feuchtigkeit getestet. The corresponding test volumes and statistics are given in Tab. 1, including the average accumulated acoustic emission energy of each test condition. The number of acoustic emission sensors was chosen based on sample attenuation measurements to ensure equal sensitivity in each configuration. The following briefly describes the test conditions of each configuration. All samples were tested under standard climatic conditions at 23 ° C temperature and 50% relative humidity.
Zugversuche tensile tests
Es wurden Testlaminate mit sechs Lagen in unidirektionaler Anordnung unter Verwendung einer in-situ Laserkonsolidierung hergestellt. Alle Proben wurden auf die Abmessungen von 250 mm χ 15 mm x 1 mm (Länge χ Breite χ Dicke) mit der Faserachsenrichtung parallel zur Längsrichtung der Probe geschnitten (siehe 6-b) . Das bei Raumtemperatur härtende Adhäsivsystem Stycast 2850 FT wurde verwendet, um Proben und Aufdoppier mit (± 45°-Lagen) zu verkleben. Die Probekörper wurden mittels Wegregelung mit einer Prüfgeschwindigkeit von 2 mm / min nach DIN EN 2561 mit einer Universalprüfmaschine mit 250 kN Kraftmessdose und hydraulischen Spannzeugen mit kompletten Be- und Entlastungszyklen geprüft. Belastungsinkremente wurden zu 200 MPa mit einer Entlastung bis 50 MPa Zugspannung bei einer Prüfgeschwindigkeit von 10 mm / min gewählt . Six-layer test laminates were prepared in unidirectional array using in-situ laser consolidation. All samples were cut to the dimensions of 250 mm χ 15 mm x 1 mm (length χ width χ thickness) with the fiber axis direction parallel to the longitudinal direction of the sample (see Fig. 6-b). The room temperature curable Stycast 2850 FT Adhesive System was used to add specimens and doublers with (± 45 ° layers) stick together. The specimens were tested by means of travel control with a test speed of 2 mm / min according to DIN EN 2561 with a universal testing machine with 250 kN load cell and hydraulic clamping tools with complete loading and unloading cycles. Stress increments were chosen to be 200 MPa with a relief up to 50 MPa tensile stress at a test speed of 10 mm / min.
Lochleibungsversuche Lochleibungsversuche
Hierzu wurden Lochleibungsproben mit Abmessungen 108,0 mm χ 54,0 mm x 5,7 mm (Länge χ Breite χ Dicke) mit Bolzendurchmesser 9,0 mm und eine skalierte Version mit 216,0 χ 108,0 χ 11,4 mm (Länge x Breite χ Dicke) mit Bolzendurchmesser 18,0 mm (beide Geometrien siehe Fig. 9B) verwendet. Die Belastung wurde mit einer Vorrichtung im Sinne der DIN EN 6037 (Typ-2-Konfiguration) eingeleitet. Beide Bolzen haben jedoch den gleichen Durchmesser, so dass auf beiden Seiten des Laminats Versagen auftreten kann. Die Lagenfolge verwendet die quasiisotrope Konfiguration (0, +45, 45 , 0 , 90 ) 4Sym für die normale Größe und (0, +45, -45, 0, 90) 8Sym für die skalierte Größe. Die Prüfung wurde im weggeregelten Modus mit einer Prüfgeschwindigkeit von 2 mm / min unter Verwendung einer Universalprüfmaschine mit einer 250 kN Kraftmessdose durchgeführt. Der Zyklus ist eine schrittweise Erhöhung um 40 MPa bis zum Versagen mit Entlastung bis 20 MPa Spannung als Untergrenze . For this purpose, bearing samples with dimensions 108.0 mm χ 54.0 mm x 5.7 mm (length χ width χ thickness) with a pin diameter of 9.0 mm and a scaled version with 216.0 χ 108.0 χ 11.4 mm ( Length x width χ thickness) with pin diameter 18.0 mm (both geometries see Fig. 9B) used. The load was initiated with a device in the sense of DIN EN 6037 (type 2 configuration). However, both bolts have the same diameter, so that failure can occur on both sides of the laminate. The layer sequence uses the quasi-isotropic configuration (0, +45, 45, 0, 90) 4 S ym for the normal size and (0, +45, -45, 0, 90) 8 Sy m for the scaled size. The test was carried out in the controlled-path mode at a test speed of 2 mm / min using a universal testing machine with a 250 kN load cell. The cycle is a gradual increase by 40 MPa until failure with discharge to 20 MPa voltage as the lower limit.
Einstellungen der Schallemissionsaufzeichnung In allen Versuchsaufbauten wurden Schallemissionssensoren mit geeigneten Klammersystemen auf der Probe angebracht, um einen reproduzierbaren Kontaktdruck zwischen Sensor und Probe zu gewährleisten. Als akustisches Kopplungsmittel wurde viskoses Ko- rasilon-Silikonfett verwendet. Alle Signale wurden mit einem 2/4/6 Vorverstärker um 20 dB verstärkt und mit der Software AEwin mit 10 MSP/s Abtastrate und 35 dBAE Schwelle aufgezeichnet. Für alle Konfigurationen wurde ein Bandpassfilter von 20 kHz bis 1 MHz verwendet. In allen Fällen wurden die Triggereinstellungen als 10 \is für die Peak-Definition-Time und 80 \is für die Hit- Definition-Time gewählt. Basierend auf dem Unterschied in der Schallgeschwindigkeit und der Testgeometrie wurde empirisch die Hit-Lockout-Time für jeden Testfall angepasst, um zu vermeiden, dass das gleiche Ereignis mehrmals aufgezeichnet wird. Die ver¬ wendeten Werte betragen 1500 \is für die Zugproben und 10000 \is für die Lochleibungsproben. Für die Zugproben wurden zwei Schallemissionssensoren in linearer Anordnung verwendet (siehe Fig. 9A) . Um nur SE-Signale mit Quellpositionen im verjüngten Bereich zu detektieren, wurde ein Event-Definition-Time-Filter verwendet. Die Einstellungen für diesen Filter wurden für jede Probe individuell angepasst, um die Erkennung von Quellen außerhalb des verjüngten Bereichs zu vermeiden. Für die weitere Verarbeitung wurden nur Signale berücksichtigt, die in der sich verjüngenden Region durch einen klassischen At-basierten Algorithmus lokalisiert wurden. Für die Lagerfestigkeitsprüfung wurden fünf Schallemissionssensoren mit der in der Fig. 9B gezeigten geometrischen Anordnung verwendet. Bei dieser Testkonfiguration verursachen das Vorhandensein eines Bolzens im Laminat und die Anisotropie des faser¬ verstärkten Materials eine starke Störung des akustischen Wel- lenfelds. Daher wird ein Ortungsansatz angewendet, der auf neu¬ ronalen Netzen basiert, um eine mittlere Quellenortungsgenauig¬ keit von 3,3 mm zu erhalten. Bei den Zugproben wurden nur lokalisierte Signale für die weitere Verarbeitung berücksichtigt. Acoustic emission recording settings In all experimental setups, acoustic emission sensors were mounted on the sample with suitable clamp systems to ensure a reproducible contact pressure between the sensor and the sample. The acoustic coupling agent used was viscous co-rasilone silicone grease. All signals were amplified by 20 dB with a 2/4/6 preamplifier and recorded using the AEwin software with 10 MSP / s sampling rate and 35 dBAE threshold. For all configurations, a band pass filter of 20 kHz to 1 MHz used. In all cases, the trigger settings were chosen to be 10 \ is for the peak definition time and 80 \ is for the hit definition time. Based on the difference in sonic velocity and test geometry, the hit-lockout time was empirically adjusted for each test case to avoid recording the same event multiple times. The ver ¬ values used be 1500 \ is the tensile specimens and 10,000 \ is for Lochleibungsproben. For the tensile specimens, two acoustic emission sensors were used in a linear array (see Fig. 9A). To detect only SE signals with source positions in the tapered area, an event definition time filter was used. The settings for this filter have been customized for each sample to avoid detecting sources outside the tapered area. For further processing, only signals localized in the tapered region by a classical At-based algorithm were considered. For the bearing strength test, five acoustic emission sensors having the geometrical arrangement shown in Fig. 9B were used. In this test configuration, the presence of a pin in the laminate and the anisotropy of the fiber-reinforced material ¬ lenfelds cause a strong interference of the acoustic WEL. Therefore, a tracking approach is applied, based on new ¬ ronalen networks in order to obtain an average Quellenortungsgenauig ¬ ness of 3.3 mm. For the tensile specimens, only localized signals were considered for further processing.
Name Ge¬ Volumen Schallemissions- prüfte (Länge χ Breite energie Name Ge ¬ Volume Acoustic emission tested (length χ width energy
Proben x Dicke)  Samples x thickness)
Zugproben 6 (130 15 x 1) (1.5 ± 1.5) x lO"5 J mm3 = 1950 mm3 Tensile specimens 6 (130 15 x 1) (1.5 ± 1.5) x 10 "5 J mm 3 = 1950 mm 3
Lochleibungsproben 3 (108 x 54 x 5.7) (2.5 ± 1.8) x 10-3 J (reguläre Größe) mm3 = Perimeter Sample 3 (108 x 54 x 5.7) (2.5 ± 1.8) x 10-3 J (regular size) mm 3 =
33,242 mm3 33.242 mm 3
Lochleibungsproben 3 (216 x 108 x (7.3 ± 1.5) x IQ"3 J (skalierte Größe) 11.4) mm3 Perimeter Results 3 (216 x 108 x (7.3 ± 1.5) x IQ "3 J (scaled size) 11.4) mm 3
265, 939 mm3 265, 939 mm 3
Tab. 1 Tab. 1
Ergebnisse Results
Um das erfindungsgemäße Vorhersagekonzept zu demonstrieren, wird zunächst beispielhaft die bei dieser Untersuchung verwendeten spezifischen Schallemissionsparameter vorgestellt. Als nächstes wird die Anwendung zur Bestimmung der Versagenslasten und den Vergleich zu gemessenen Versagenslasten präsentiert. In order to demonstrate the prediction concept according to the invention, the specific sound emission parameters used in this investigation will first be presented by way of example. Next, the application for determining the failure loads and the comparison to measured failure loads will be presented.
Bestimmung der Schallemissionskriterien Determination of sound emission criteria
Bei dieser Untersuchung wurde ein Lastschema mit Belastungs-/ Entlastungszyklen bis zum Bruch verwendet. Die maximale Belast¬ barkeit wurde basierend auf quasistatischen Messungen in jeder der Testbedingungen geschätzt. Belastungsinkremente wurden dann entsprechend definiert, um 10 bis 20 Zyklen vor dem endgültigen Versagen zu erreichen (d.h. Trennbruch für die Zugproben und Überschreiten der maximalen Spannung für die Lochleibungsproben) . Beispielhafte Spannungs-Zeit-Kurven, die mit den gleichzeitig akquirierten Schallemissionssignalen überlagert sind, sind in der Fig. 10A für eine Zugprobe und in der Fig. 10B für eine Lochleibungsprobe gezeigt. Ein Beispiel für ein typisches Ergebnis für die Zugproben ist in den Fig. IIA bis HC gezeigt. Die berechneten Schallemissions¬ kriterien sind auf der vertikalen Achse aufgetragen, während die horizontale Achse als Belastungsverhältniswert LR gewählt ist. In this study, a load scheme with load / unload cycles to break was used. The maximum belast ¬ bility was estimated based on quasi-static measurements in each of the test conditions. Stress increments were then appropriately defined to reach 10 to 20 cycles before final failure (ie tensile break for the tensile specimens and exceeding the maximum stress for the endurance specimens). Exemplary voltage-time curves superimposed on the simultaneously acquired acoustic emission signals are shown in FIG. 10A for a tensile test sample and in FIG. 10B for a bedding sample. An example of a typical result for the tensile specimens is shown in Figs. IIA-HC. The calculated sound emission ¬ criteria are plotted on the vertical axis, while the horizontal axis is selected as the load ratio value LR.
Bei dieser Untersuchung werden die Felicity- Kriterien als relative Anteile für 5%, 10%, 15% und 20% der Gesamtzahl der Tref¬ fer während des ansteigenden Teils des Zyklus definiert. Dies wird im folgenden FR5, FR10, FR15 und FR20 genannt. Darüber hinaus wird die durchschnittliche Felicity-Ratio als arithmeti¬ sches Mittel dieser Werte definiert: In this study, Felicity- Criteria are defined as the relative proportions of 5%, 10%, 15% and 20% of the total number of Tref ¬ fer during the rising portion of the cycle. This will be referred to below as FR5, FR10, FR15 and FR20. In addition, the average Felicity ratio is defined as the arithmetical mean of these values ULTRASONIC ¬:
<FR> = 1/4 (FR5 + FR10 + FR15 + FR20) (3) Daher werden insgesamt fünf verschiedene Felicity-Kriterien für jeden Lastzyklus ausgewertet. Die Felicity-Ratio-Daten sind in der Fig. HA gezeigt, wobei die Werte der mittleren Felicity- Ratio <FR> zur besseren Sichtbarkeit durch gerade Linien verbunden sind. Wie aus der Definition der Felicity-Ratio-Werte zu erwarten ist, beginnt der FR5 zuerst in jedem Zyklus, gefolgt von FR10, FR15 und FR20, was in der Grafik als systematische Verschiebung der numerischen Werte von niedrig nach hoch zu sehen ist. Für die ersten fünf bewerteten Zyklen ist die Gesamtzahl der Schallemissionshits so niedrig, dass alle FR-Werte identisch bewertet werden, da einzelne Kaskaden von Schallemissionshits praktisch auf demselben Lastniveau auftraten. In den späteren Zyklen wird deutlich beobachtet, dass der Wert <FR> als arithmetischer Mittelwert der anderen FR-Werte wirkt. Die Darstellung des Shelby-Kriteriums folgt dem gleichen Gedan¬ ken und ist in der Fig. HB gezeigt. Die Shelby-Kriterien werden als relative Anteile für 95%, 90 "6 85"6 und 80% der Gesamtzahl der Signale während des abfallenden Teils des Zyklus definiert. Dies wird im Folgenden als SR95, SR90, SR85 und SR80 bezeichnet. Zusätzlich wird das durchschnittliche Shelby-Kriterium als arithmetisches Mittel dieser Werte definiert: <SR> = 1/4 (SR95 + SR90 + SR85 + SR80) (4) <FR> = 1/4 (FR5 + FR10 + FR15 + FR20) (3) Therefore, a total of five different Felicity criteria are evaluated for each load cycle. The felicity ratio data are shown in Figure HA, where the values of the mean felicity ratio <FR> are linked by straight lines for better visibility. As can be expected from the definition of the Felicity Ratio values, the FR5 starts first in each cycle, followed by FR10, FR15 and FR20, which can be seen in the graph as a systematic shift of the numerical values from low to high. For the first five cycles evaluated, the total number of sound emission hits is so low that all FR values are evaluated identically because individual cascades of acoustic emission hits occurred at practically the same load level. In the later cycles, it is clearly observed that the value <FR> acts as the arithmetic mean of the other FR values. The representation of the Shelby criterion follows the same gedan ¬ ken, and is shown in FIG. HB. The Shelby criteria are defined as relative proportions for 95%, 90 "6 85" 6, and 80% of the total number of signals during the falling part of the cycle. This will be referred to below as SR95, SR90, SR85 and SR80. In addition, the average Shelby criterion is defined as the arithmetic mean of these values: <SR> = 1/4 (SR95 + SR90 + SR85 + SR80) (4)
Daher werden insgesamt fünf verschiedene Shelby-Verhältnisse für jeden Lastzyklus bewertet. Der arithmetische Mittelwert <SR> ist durch gerade Linien verbunden, um die Sichtbarkeit zu verbes¬ sern. Es wird eine fallende Tendenz der SR-Werte als Funktion des Belastungsverhältnisses beobachtet. Das Shelby-Verhältnis kann jedoch nur für diejenigen Zyklen ausgewertet werden, die während des Entlastungsschrittes Schallemissionssignale aufwei- sen. Da dies nicht für alle Zyklen der Fall war, gibt es weniger Datenpunkte als für die Auswertung des Felicity-Verhältnisses von der Fig. IIA. Therefore, a total of five different shelby ratios are evaluated for each load cycle. The arithmetic mean <SR> is connected by straight lines to fibers visibility to verbes ¬. A falling tendency of the SR values as a function of the loading ratio is observed. However, the Shelby ratio can only be evaluated for those cycles that have sound emission signals during the unloading step. Since this was not the case for all cycles, there are fewer data points than for the evaluation of the felicity ratio of Fig. IIA.
Darüber hinaus werden drei energetische Verhältnisse bewertet. Die Signalamplitude in [dB^] , die absolute Signalenergie in [aJ] und die mittlere Signalpegel in [dBAE] werden (aus-) gewählt, um das Belastungsniveau der Überschreitung relativ zum vorherigen Zyklus zu bewerten. Wie in der Fig. HC zu sehen ist, stellen diese einen bestimmten Trend als Funktion von LR dar, welcher nicht notwendigerweise linear ist. Basierend auf der leichten Streuung zwischen den drei verschiedenen Verhältnissen von ERAMP, ERENE und ERASL ist auch klar, dass diese Werte nicht identische Aussagekraft besitzen, sondern lediglich einen gemeinsamen Trend zeigen. In addition, three energy ratios are evaluated. The signal amplitude in [dB ^], the absolute signal energy in [aJ] and the mean signal levels in [dB AE ] are selected to evaluate the load level of the overshoot relative to the previous cycle. As can be seen in Figure HC, these represent a particular trend as a function of LR, which is not necessarily linear. Based on the slight variability between the three different ratios of ERAMP, ERENE and ERASL, it is also clear that these values do not have identical significance, but merely show a common trend.
In den Fig. 12A bis 12C ist ein Beispiel der berechneten Kriterien für eine Lochleibungsprobe gezeigt. Trotz einiger Unter¬ schiede zu der Zugprobe gibt es in allen drei Abbildungen eine fallende Tendenz der Schallemissionskriterien als Funktion des Belastungsverhältnisses. In der Fig. 12A zeigt der letzte Zyklus die Sensitivität des Felicity-Kriteriums , wenn es auf einer kleinen Anzahl von Schallemissionssignalen als Ersteinsatz basiert. Im letzten Zyklus erscheinen die ersten Schallemissions¬ signale bereits bei 20% der vorherigen Belastung, wohingegen die FR10, FR15 und FR20 anzeigen, dass der primäre Einsatz der Schal¬ lemission immer noch über 50% liegt. In solchen Fällen bietet das <FR> -Kriterium einen guten Kompromiss zwischen einer konservativen (späten) Bewertung und der Anfälligkeit für das Vorhandensein potenzieller Ausreißer als Ersteinsatz. Die berechneten Shelby-Kriterien sind in der Fig. 12B dargestellt und zei- gen etwas mehr Streuung als die Felicity-Kriterien. Für die Daten von der Fig. 12C ist wiederum ein abfallender Trend bei den niedrigsten drei Zyklen zu sehen, der ähnlich zu dem Zugversuch in der Fig. HC ist. Nach einigen Zyklen kommt es zu einem Abfall in den letzten Zyklen. Dies zeigt einmal mehr die Notwendigkeit für eine nichtlineare Regressionsanalyse, um solche Trends der Kriterien zur Vorhersage eines gültigen Lastverhältnisses zu extrapolieren . An example of the calculated criteria for a bedding sample is shown in Figs. 12A to 12C. Despite some sub ¬ differences to the tensile test are available in all three figures a downward trend of acoustic emission criteria as a function of the load ratio. In Fig. 12A, the last cycle shows the sensitivity of the Felicity criterion when based on a small number of acoustic emission signals as a first use. In the last cycle, the first sound emission ¬ signals appear already at 20% of the previous load, whereas the FR10, FR15 and FR20 show that the primary use of the scarf ¬ lemission is still above 50%. In such cases offers the <FR> criterion is a good compromise between a conservative (late) rating and vulnerability to the presence of potential outliers as a first use. The calculated shelby criteria are shown in FIG. 12B and show slightly more scatter than the felicity criteria. Again, for the data of Figure 12C, a declining trend is seen at the lowest three cycles, which is similar to the tensile test in Figure HC. After a few cycles there is a drop in the last cycles. This again demonstrates the need for a non-linear regression analysis to extrapolate such trends in the criteria for predicting a valid load ratio.
Wie bereits ausgeführt, ist es notwendig, Schallemissionskrite¬ rien für diese Art der Fehlervorhersage als selbstreferenzie- rende Werte zu definieren. Wie aus dem Vergleich der Zahlenwerte in den Fig. HA bis HC und 12A bis 12C ersichtlich, wurde dies durch die Definitionen der Kriterien mit Rückbezug auf den vormaligen Belastungswert erfolgreich erreicht. Trotz der Volu¬ menänderung von mehr als zwei Größenordnungen zwischen Zugproben und Lochleibungsroben und der entsprechenden Änderung der Schal- lemissionsenergieabgabe von vier Größenordnungen umfassen die Verhältnisse der Kriterien die gleichen numerischen Wertebereiche. Dies ist entscheidend, wenn diese Verhältnisse für eine gemeinsame Datenbasis für Vorhersagefähigkeiten verwendet werden sollen, wie beispielsweise die Vorhersage der Versagenslasten von Strukturen basierend auf Coupon-Testdaten. Die Verwendung von absoluten Schallemissionswerten würde zu diesem Zweck nicht ausreichen, da absolute Amplitudenwerte, Anzahl der Treffer und Ähnliches stark von der Art der Belastung und der Größe der Teststruktur und der Dichte des Sensornetzwerks beeinflusst wer¬ den . As already stated, it is necessary to define Schallemissionskrite ¬ criteria for this type of failure prediction than selbstreferenzie--saving values. As can be seen from the comparison of the numerical values in Figs. HA to HC and Figs. 12A to 12C, this has been successfully achieved by the definitions of the criteria with reference to the previous load value. Despite the Volu ¬ menänderung of more than two orders of magnitude between tensile specimens and Lochleibungsroben and the corresponding change in the formwork lemissionsenergieabgabe four orders of magnitude the ratios of the criteria include the same numerical value ranges. This is crucial if these ratios are to be used for a common database of predictive capabilities, such as predicting the failure loads of structures based on coupon test data. The use of absolute noise emission values would not be sufficient for this purpose, since absolute amplitude values, number of hits and the like strongly influenced by the type of load and the size of the test structure and the density of the sensor network ¬ to.
Im Folgenden wurden diese dreizehn Kriterien verwendet, um die Beziehung zwischen Schallemissionskriterien und Belastungsverhältnissen zu trainieren, um die Versagensvorhersage durchzu¬ führen, die im nächsten Abschnitt beschrieben wird. Schadens orhersage Below these thirteen criteria were used to train the relationship between acoustic emission criteria and load conditions to lead the failure prediction durchzu ¬, which is described in the next section. Damage forecast
Im Folgenden wurden verschiedene Ansätze zur Schadensvorhersage verwendet. Für die Vorhersage der Versagenslast wird dem vorher beschriebenen Extrapolationsansatz gefolgt. Zwei Beispiele für diese Verfahren sind in 10 gezeigt, eines für Zugversuche und eines für Lochleibungsversuche. Für alle Untersuchungen wird eine obere Grenze von Vorhersage¬ werten definiert, die für die Vorwärtsvorhersage verwendet wer¬ den. Die Datenpunkte, die von der Vorwärtsvorhersage ausge¬ schlossen sind, sind in den Fig. 13A und 13B als weiße Quadrate mit schwarzem Rand markiert. Zusätzlich wird die Vorhersageun- Sicherheit durch den schraffierten Kegel angezeigt. Da es bei LR = 0 als feste Einschränkung eine Belastung zu Null gibt, redu¬ ziert dies die Unsicherheit bei Werten nahe Nulllast. Wie in den Fig. 13A und 13B zu sehen ist, ist die Streuung der Datenpunkte für die Vorhersageunsicherheit verantwortlich. Für den Fall des Zugversuches wurde das Ergebnis von Probe 2 gewählt (siehe auch Fig. 14), um einen repräsentativen Fall für eine angemessen hohe Streuung des Vorhersagewerts zu verdeutlichen. In diesem Fall ist die Abweichung zwischen vorhergesagter Last und gemessener Last mit 7,0% ziemlich hoch. In the following, different approaches to damage prediction were used. For the prediction of the failure load, the extrapolation approach described above is followed. Two examples of these methods are shown in FIG. 10, one for tensile tests and one for bearing experiments. An upper limit of prediction ¬ cost is defined for all studies that used for forward prediction ¬ to. The data points that are included ¬ out from the forward prediction are marked in FIGS. 13A and 13B as white squares with black borders. In addition, the predictive safety is indicated by the hatched cone. Since it = 0 as a fixed restriction is a strain to zero at LR, redu ¬ this sheet, the uncertainty in values close to zero load. As can be seen in Figures 13A and 13B, the scatter of the data points is responsible for the prediction uncertainty. In the case of the tensile test, the result of sample 2 was chosen (see also Fig. 14) to illustrate a representative case for reasonably high dispersion of the predictive value. In this case, the deviation between predicted load and measured load is quite high at 7.0%.
Das Beispiel für die Lochleibungsprobe ist das Ergebnis der Probe 3, die weniger Streuung aufweist. Hier beträgt die Abweichung zwischen vorhergesagter Last und gemessener Last nur 2,3%. Für die gegebenen zwei Fälle ist die extrapolierte lineare Beziehung als schwarze Linie dargestellt, wobei der vorhergesagte Festig¬ keitswert als weißer Kreis mit schwarzem Rand am Schnittpunkt zwischen der vorhergesagten LR = 1 und der linearen Extrapolation dargestellt ist. Als Referenz wird die gemessene Festigkeit als schwarze Raute angezeigt, und die gestrichelte schwarze Linie markiert die tatsächliche lineare Beziehung zwischen der ange¬ legten Spannung und den LR-Werten. Beide Fälle sind Vorhersage- beispiele für die in dem nachfolgenden Abschnitt 3. beschriebe¬ nen Ansätze unter Verwendung eines künstlichen neuronalen Netzes . Zur besseren Vergleichbarkeit sind alle Vorhersageergebnisse in den Fig. 14 und 15 für die Testkonfigurationen zusammengestellt. Neben den Ergebnissen der Festigkeitsvorhersage zeigen die Fig. 14 und 15 den gemessenen Festigkeitswert als durchgezogene graue horizontale Linie als Referenz. The example of the bearing experience is the result of sample 3, which has less scattering. Here, the deviation between the predicted load and the measured load is only 2.3%. For the two cases given the extrapolated linear relationship is shown as a black line, wherein the predicted Festig ¬ keitswert as a white circle with a black edge on the intersection between the predicted LR = 1 and the linear extrapolation is shown. As a reference, the measured resistance is shown as a black rhombus, and the dashed black line indicates the actual linear relationship between the attached ¬ stored voltage and LR values. Both cases are predictive Examples for the approaches described in the following section 3. NEN approaches using an artificial neural network. For ease of comparison, all prediction results are summarized in Figures 14 and 15 for the test configurations. In addition to the results of the strength prediction, FIGS. 14 and 15 show the measured strength value as a solid gray horizontal line as a reference.
1. Gleiche Probenart, alle Proben (LR<0,85) 1. Same sample type, all samples (LR <0.85)
Dieser Ansatz stellt einen einfachen Testfall dar, da nur identische Geometrien und Testeinstellungen berücksichtigt werden. Für diese Festigkeitsvorhersage werden nur Trainingsdaten derselben Spezies berücksichtigt und alle sechs Proben werden als Datenbasis verwendet. Der Zweck dieses Ansatzes ist die Nutzung von nur einem künstlichen neuronalen Netzwerk mit 2 versteckten Schichten und 5 Neuronen, so dass die Vorhersagequalität direkt innerhalb einer Reihe von Spezies verglichen werden kann. Dies wird jedoch nicht als "wahre" Vorhersage verstanden, da die zu prognostizierende Probe bereits in dem Trainingsdatensatz ent¬ halten ist, was keine gute Praxis ist. Die resultierenden Vor¬ hersagewerte sind als schwarze Quadrate in den Fig. 14 und 15 gezeigt, wobei die Extrapolationsunsicherheit als Fehlerbalken hinzugefügt ist. Für diese Untersuchung wird eine obere Grenze für die Extrapolationsbasis von LR <0,85 gewählt, was bedeutet, dass die minimale Extrapolationslänge 15% der maximalen Zugfes¬ tigkeit der Proben beträgt. Die genaue Grenze ist für jede Probe spezifisch, reicht jedoch von 0,80 < LR < 0,85. Bei diesem Ansatz könnten die vorhergesagten LR-Werte bei einer höheren Anzahl künstlicher Neuronen und einer höheren Anzahl verborgener Schichten genau an ihre realen LR-Werte angepasst werden. Dies würde jedoch als "overfitting" betrachtet werden, was im Allge- meinen bei der Verwendung künstlicher neuronaler Netze zu vermeiden ist. Es wurde daher die gleiche neuronale Netzwerkstruk¬ tur wie in dem nachfolgenden Abschnitt 2. beschriebenen Ansatz verwendet, um ein repräsentatives Ergebnis für diesen Teil der Untersuchung zu erhalten. Dementsprechend stimmen die vorherge¬ sagten Werte mit den realen Festigkeitswerten ziemlich gut überein. Innerhalb der Fehlerspanne werden alle Festigkeitswerte der Proben vorhergesagt. Der genaue Vorhersagewert sowie die Größe der Fehlerbalken erscheinen jedoch für jede Probe einzigartig, da dies hauptsächlich von der Streuung der verfügbaren Datenpunkte bedingt wird. Dies beweist, dass das Vorhersagekonzept grundsätzlich durchführbar ist. This approach is a simple test case because only identical geometries and test settings are considered. For this strength prediction, only training data from the same species is considered and all six samples are used as a database. The purpose of this approach is to use only one artificial neural network with 2 hidden layers and 5 neurons so that the predictive quality can be directly compared within a range of species. However, this is not seen as "real" prediction, as the item to predict sample hold ent ¬ already in the training data set, which is not a good practice. The resulting pre ¬ hersagewerte are as black squares in FIGS. 14 and 15, wherein the Extrapolationsunsicherheit is added as error bars. For this study, an upper limit for the Extrapolationsbasis of LR is selected <0.85, which means that the minimum extrapolation is 15% of the maximum tensile ¬ ACTION the samples. The exact limit is specific for each sample but ranges from 0.80 <LR <0.85. In this approach, the predicted LR values could be tailored to their real LR values with a higher number of artificial neurons and a higher number of hidden layers. However, this would be considered overfitting, which is generally to be avoided when using artificial neural networks. It was therefore the same neural network structural ¬ structure as in the following section 2. approach described used to obtain a representative result for this part of the study. Accordingly, the agreement vorherge ¬ said values agree with the real strength values pretty good. Within the error margin, all strength values of the samples are predicted. However, the exact prediction value as well as the size of the error bars appear unique for each sample since this is mainly due to the variability of the available data points. This proves that the prediction concept is basically feasible.
2. Gleiche Probenart, alle Proben bis auf Stichprobe (LR<0,85) 2. Same sample type, all samples except sample (LR <0.85)
Um die Hauptbeschränkung des bisherigen Ansatzes zu beseitigen, werden nun mehrere künstliche neuronale Netze trainiert und aus- gewertet. Für jede Stichprobe wird der Trainingsdatensatz über¬ arbeitet und alle Datenpunkte von der aktuell untersuchten Stichprobe werden entfernt. Danach werden die 12 künstlichen neuronalen Netze nach den gleichen Regeln wie zuvor trainiert, wobei eine Netzwerkstruktur mit 2 versteckten Schichten und je- weils 5 Neuronen verwendet wird. Für jede der Fig. 14 und 15 ist die Trainingsdatenbasis fünf Proben derselben Spezies. Die vor¬ hergesagte Festigkeit wird als schwarzer Kreis mit entsprechen¬ den Fehlerbalken dargestellt, um die Vorhersageunsicherheit dar¬ zustellen. Es wird erneut eine Obergrenze für die Extrapolati- onsbasis von LR <0,85 gewählt. Für diesen Ansatz findet sich ein gültiges Vorhersageergebnis für alle Proben innerhalb der Feh¬ lergrenzen. Dieser Ansatz wird als "wahre" Vorhersage betrachtet, da die Trainingsdaten des künstlichen neuronalen Netzwerks keine a-priori Information der vorhergesagten Probe enthalten. Die Trainingsqualität ist jedoch einzigartig für die einzelnen künstlichen neuronalen Netzwerke, was teilweise für die großen Fehlerbalken verantwortlich ist. Außerdem trägt die kleinere Datenbasis (fünf statt sechs Proben) nicht zur Stabilität des Ver¬ fahrens bei. Dieser Ansatz liefert jedoch den Beweis, dass die Vorhersage unbekannter Probeneigenschaften möglich ist, vorausgesetzt, es gibt eine ausreichende Anzahl identischer Typen, die zuvor getestet wurden. 3. Alle Probenarten, alle Proben bis auf Stichprobe (LR<0,85) In order to eliminate the main limitation of the previous approach, several artificial neural networks are trained and evaluated. The training data set is working on ¬ and all data points from the currently studied sample to be removed for each sample. Thereafter, the 12 artificial neural networks are trained according to the same rules as before, using a network structure with 2 hidden layers and 5 neurons each. For each of Figs. 14 and 15, the training database is five samples of the same species. The hergesagte before ¬ strength is represented as a black circle correspond with ¬ the error bars to represent ¬ determine the prediction uncertainty. Again, an upper limit is chosen for the extrapolation basis of LR <0.85. For this approach, there is a valid prediction result for all samples is within the Feh ¬ lergrenzen. This approach is considered a "true" prediction because the training data of the artificial neural network does not contain a priori information of the predicted sample. However, the quality of the training is unique to the individual artificial neural networks, which is partly responsible for the large error bars. In addition, the smaller database (five instead of six samples) does not contribute to the stability of Ver ¬ proceedings. However, this approach provides proof that the prediction of unknown sample properties is possible provided there are a sufficient number of identical types that have previously been tested. 3. All sample types, all samples except sample (LR <0.85)
Als nächsten Schritt werden die Trainingsdaten aller Proben und aller Lastfälle gemischt und nur die Datenpunkte der Probe, die vorhergesagt werden sollen, entfernt. Daher werden weitere 12 künstliche neuronale Netzwerke mit 2 versteckten Schichten und jeweils 10 Neuronen trainiert und ihre Ergebnisse in den Fig. 14 und 15 als schwarze Dreiecke mit Vorhersageunsicherheit als Fehlerbalken und LR <0,85 als Extrapolationsgrenze gezeigt. Für jedes künstliche neuronale Netzwerk sind die Trainingsdatenbasis 11 Stichproben. Der gemischte Trainingsdatensatz ist in der Lage, das Verhalten in beiden Konfigurationen gut vorherzusagen. Die Hauptunterschiede der Vorhersagequalität ergeben sich aus der spezifischen Trainingsqualität des künstlichen neuronalen Netzwerks und der entsprechenden Genauigkeit, die bei der Vor¬ wärtsvorhersage erreicht wird. Dies beweist, dass die Struktur des künstlichen neuronalen Netzes flexibel genug ist, um die Unterschiede in der Entwicklung von Schallemissionskriterien als Funktion von LR nicht nur für verschiedene Proben, sondern auch für unterschiedliche Lastbedingungen und Testvolumina zu kom¬ pensieren . As a next step, the training data of all samples and all load cases are mixed and only the data points of the sample to be predicted are removed. Therefore, another 12 artificial neural networks are trained with 2 hidden layers and 10 neurons each and their results are shown in Figs. 14 and 15 as black triangles with prediction uncertainty as error bars and LR <0.85 as extrapolation boundary. For each artificial neural network, the training database is 11 samples. The mixed training data set is able to predict the behavior well in both configurations. The main differences of the prediction quality resulting from the specific quality of the training artificial neural network and the corresponding accuracy that is achieved with the pre ¬ Windwärts prediction. This proves that the structure of the artificial neural network is flexible enough to accommodate the differences in the development of acoustic emission criteria as a function of LR compensate not only for different samples, but also for different load conditions and test volumes to com ¬.
4. Alle Probenarten, alle Proben bis auf Stichprobe (LR<0,64) 4. All types of samples, all samples except sample (LR <0.64)
Schließlich werden die gleichen künstlichen neuronalen Netze wie im vorherigen Abschnitt 3. beibehalten und die Extrapolations¬ länge modifiziert. Da eine Obergrenze von LR = 0,85 für die Qualitätskontrolle von Verbundwerkstoffen nicht angemessen er- scheint, wird die Obergrenze auf LR <0,64 reduziert, was der beste Kompromiss zwischen der Verfügbarkeit von Datenpunkten für die Extrapolation und einem niedrigen Lastverhältnis war. Die Vorhersageergebnisse sind in den Fig. 14 und 15 als graue Quad¬ rate mit ihrer Vorhersageunsicherheit als Fehlerbalken darge- stellt. Die Anzahl der für die Extrapolation verwendeten Datenpunkte wird neben dem Vorhersagewert grau angezeigt. Für die Zugproben wurden nur fünf von sechs Proben innerhalb der Fehlergrenzen vorhergesagt. Insbesondere die Proben 2 und 3 sind weit entfernt von dem tatsächlichen Festigkeitskennwert, jedoch ist ihr Vorhersagefehler außerordentlich hoch. Folglich deutet dies darauf hin, dass die spezielle Wahl von LR in diesem Fall für eine stabile Vorhersage möglicherweise nicht ausreichend ist. Für die Lochleibungsproben, die in der Fig. 15 gezeigt sind, werden vier von sechs Proben systematisch niedriger als der Referenzwert der endgültigen Lochleibungsfestigkeit vorhergesagt, die anderen zwei Proben weisen eine hohe Streuung auf. Dieses Verhalten kann leicht anhand der Fig. 13B erklärt werden. Für die niedrigere Anzahl von Zyklen scheint die Steigung steiler zu sein, so dass ihre Extrapolation zu niedrigeren Festigkeitswerten führt. Wenn mehr Datenpunkte bei höheren LR-Werten enthalten sind, ändert sich die Steigung, so dass sie weniger steil wird. Der gemessene anfängliche Lochleibungskennwert (definiert als erster Lastabfall in der Kraft-Weg-Kurve) wurde als graue Linien zu 12 hinzugefügt. Gemäß den Prüfnormen wird dieser Wert als Belastungswert des anfänglichen Versagens der Bolzen interpre- tiert (Einsinken), d.h. die erste signifikante Schadensbildung im Verbundwerkstoff an der Kontaktfläche zwischen Bolzen und Laminat. Dies kann leicht auch als Versagen verstanden werden. Offensichtlich stimmen die Vorhersagewerte bei LR <0,64 vernünftig mit dem gemessenen Wert für die ersten vier Proben überein. Für die Proben 5 und 6 ist die Vorhersageunsicherheit so hoch, dass beide Werte (Endfestigkeit und Anfangsfestigkeit) in den Vorhersagebereich fallen. Dies liegt wahrscheinlich daran, dass die ausgewählten Datenpunkte in der Nähe von LR = 0,64 entweder in das Regime vor dem anfänglichen Einsinken des Bolzens (Proben 1 bis 4) fallen oder einen weiteren Datenpunkt nach dem anfänglichen Lagerversagen enthalten (Proben 5 bis 6) . Dies ist auch der Ursprung für die relativ hohe Unsicherheit der Vorhersage. Insgesamt deutet dieser Ansatz darauf hin, dass niedrige LR Werte für die Vorwärtsvorhersage verwendet werden können, wenn eine geeignete Anzahl von Datenpunkten verfügbar ist und die Versagensart unverändert bleibt. Zusammenfassung Finally, the same artificial neural networks in the previous section are maintained and modified 3. extrapolation ¬ length. Since an upper limit of LR = 0.85 for the quality control of composites does not appear appropriate, the upper limit is reduced to LR <0.64, which was the best compromise between the availability of data points for extrapolation and a low load ratio. The prediction results are shown in Figs. 14 and 15 as gray Quad ¬ rate with its prediction uncertainty as ones shown, error bars represents. The number of data points used for the extrapolation is displayed in gray next to the predictive value. For the Tensile tests were predicted to only five out of six samples within the error limits. In particular, samples 2 and 3 are far from the actual strength index, but their prediction error is extremely high. Consequently, this indicates that the specific choice of LR in this case may not be sufficient for a stable prediction. For the bearing friction samples shown in Fig. 15, four out of six samples are predicted to be systematically lower than the reference value of final bearing strength, and the other two samples are highly scattered. This behavior can be easily explained with reference to FIG. 13B. For the lower number of cycles, the slope appears to be steeper, so its extrapolation results in lower strength values. If more data points are included at higher LR values, the slope changes so that it becomes less steep. The measured initial bearing characteristic (defined as the first load drop in the force-displacement curve) has been added to 12 as gray lines. According to the test standards, this value is interpreted as the load value of the initial failure of the bolts (sinking in), ie the first significant damage formation in the composite material at the contact surface between bolt and laminate. This can easily be understood as a failure. Obviously, the prediction values at LR <0.64 are reasonably consistent with the measured value for the first four samples. For samples 5 and 6, the prediction uncertainty is so high that both values (final strength and initial strength) fall within the prediction range. This is probably due to the fact that the selected data points near LR = 0.64 either fall into the regime prior to the initial sinking of the stud (Samples 1 to 4) or contain another data point after the initial bearing failure (Samples 5 to 6). , This is also the origin of the relatively high uncertainty of the prediction. Overall, this approach suggests that low LR values can be used for forward prediction if a suitable number of data points are available and the failure mode remains unchanged. Summary
Für dieses Anwendungsbeispiel wurde das Konzept zur Vorhersage von faserverstärkten Verbundwerkstoffen auf Basis von Schalle- missionskriterien genutzt. Die Vorhersage basiert auf Kriterien, die in Belastungs-Entlastungs-Zyklen ausgewertet werden. Die Kriterien sind unabhängig von der absoluten Anzahl der Schallemissionshits definiert worden. Mit den vorgestellten Untersu¬ chungen ist es möglich, die Vorhersage für Festigkeiten zu tref- fen, wenn eine geeignete Anzahl von Zyklen verwendet wird. Na¬ türlich profitiert die Vorwärtsvorhersage-Routine von einer ho¬ hen Anzahl von Belastungs-Entlastungs-Zyklen, aber in einer realen Testsituation ist ein Kompromiss zwischen der Dauer der Testkampagne und der Anzahl der Zyklen erforderlich. Für die 10 bis 20 Zyklen, die bei dieser Untersuchung verwendet wurden, stimmten die Vorhersagewerte mit dem tatsächlichen Festigkeits¬ wert innerhalb der Fehlergrenzen überein. Dies geschah unabhängig von der spezifischen Ausführung des künstlichen neuronalen Netzes. Fünf Testproben erwiesen sich als ausreichend für die Vorhersage von Festigkeitswerten für identische Proben. Generell würde die Vorhersagegenauigkeit allerdings von einer größeren Anzahl von Testproben profitieren. For this application example, the concept for the prediction of fiber reinforced composites based on sound emission criteria was used. The prediction is based on criteria evaluated in load-unload cycles. The criteria have been defined independently of the absolute number of sound emission hits. The presented investi ¬ tions it is possible to make an informed prediction for strength when an appropriate number of cycles is used. Na ¬ Türlich forward prediction routine benefits from a ho ¬ hen number of loading-unloading cycles, but in a real test situation, a compromise between the duration of the test campaign and the number of cycles required. For 10 to 20 cycles were used in this study, the predictive values were consistent with the actual strength ¬ worth coincide within the error limits. This happened independently of the specific execution of the artificial neural network. Five test samples proved to be sufficient for predicting strength values for identical samples. In general, however, the prediction accuracy would benefit from a larger number of test samples.
Unter Verwendung einer Kombination aller Proben beträgt die mittlere Vorhersagegenauigkeit in Bezug auf die Festigkeit der Proben 1,3% für die Zugversuche und 0,7% für die Lochleibungs¬ versuche bei einer Vorwärtsvorhersagegrenze von LR = 0,85. Dies ist viel niedriger als der typische Variationskoeffizient in¬ nerhalb der Probenserie, der bei den Zugversuchen 8,2% und bei den Lochleibungsversuche 5,4% beträgt. Die Vorhersageunsicher¬ heit beträgt für die Zugversuche 11,8% und 10,1% für die Loch¬ leibungsversuche, wenn man die erreichte Festigkeit als Refe¬ renzwert heranzieht. Eine Reduzierung der Vorwärtsvorhersagegrenze auf LR = 0,64 führt zu geringfügig schlechteren Werten von 5,7% für die Zugversuche und 0,2% für die Lochleibungsversuche, wenn die Proben mit Unsicherheiten von mehr als 50% ausgeschlossen werden. Die entsprechende mittlere Vorhersageunsicherheit ergibt sich zu 8,0% für die Zugversuche und 15,8% für die Lochleibungsversuche. Die Erfindung ist nicht auf die dargestellten Ausführungsformen beschränkt. Ohne im Einzelnen dargestellt zu sein, kann das er¬ findungsgemäße Verfahren für jede beliebige Art von Faserver¬ bundstrukturen eingesetzt werden. Das erfindungsgemäße Verfahren kann dabei ohne weiteres und/oder ganz bevorzugt auch in Berei- chen, in welchen sicherheitsrelevante Faserverbundstrukturen eingesetzt werden (zum Beispiel Strukturbauteile im Automobil¬ bau, alle Komponenten im Luftfahrtsektor, Maschinenteile mit hohen Drehzahlen, etc.) angewendet werden. Diese werden zur Abnahme üblicherweise umfangreichen (zerstörungsfreien) Tests un- terzogen. Eine Alternative besteht darin, diese gezielt mit ih¬ ren Betriebslasten zu beaufschlagen und dabei ein Monitoringverfahren, wie eine Schallemissionsanalyse, anzuwenden. Dadurch kann ohne Zerstörung der Struktur bzw. des Prüfkörpers oder dergleichen Komponente eine Schadensfreiheit diagnostiziert werden und mit dem erfindungsgemäßen Verfahren eine Prognose für die Maximallast abgegeben werden. Gleichsam eignet sich das erfindungsgemäße Verfahren damit für produktspezifische Entwicklungs¬ zyklen, zum Beispiel zur Optimierung von Komponenten, ohne diese beim Test in den zerstörenden Bereich zu belasten. In beiden Fällen führt das erfindungsgemäße Verfahren zu erheblichen Kos¬ tenersparnissen bzw. zu einer signifikanten Erhöhung der Produktsicherheit in einem zum Stand der Technik nicht annähernd vergleichbaren Umfang. Using a combination of all samples the average prediction accuracy in relation to the strength of the samples is 1.3% for the tensile tests and 0.7% for the Lochleibungs ¬ try at a forward prediction limit of LR = 0.85. This is much lower than the typical coefficient of variation in ¬ nerhalb the sample series, which is in the tensile 8.2% and for Lochleibungsversuche 5.4%. The prediction Uncertain ¬ integral is 11.8% and 10.1% for the hole ¬ leibungsversuche for the tensile tests, if one uses the strength achieved as Refe rence ¬ value. A reduction of the forward prediction limit to LR = 0.64 results in slightly worse values of 5.7% for the tensile tests and 0.2% for the bearing tests when the samples with uncertainties of more than 50% are excluded. The corresponding mean prediction uncertainty is 8.0% for the tensile tests and 15.8% for the bearing experiments. The invention is not limited to the illustrated embodiments. Without being shown in detail, which he ¬-making proper procedures for any type of Faserver ¬ composite structures can be used. The inventive method can thereby readily and / or more preferably chen in Berei-, are used in which safety-relevant fiber composite structures (for example, structural components in automotive ¬ construction, all of the components in the aircraft industry, machine parts at high speeds, etc.) are applied. These are usually subjected to extensive (non-destructive) tests for acceptance. An alternative is to apply them specifically with ih ¬ ren operating loads while monitoring methods such as acoustic emission analysis applied. As a result, damage-free freedom can be diagnosed without destroying the structure or the test specimen or the like component, and a prognosis for the maximum load can be made with the method according to the invention. Likewise, the inventive method is thus suitable for product-specific development ¬ cycles, for example, to optimize components without burdening them during the test in the destructive area. In both cases, the inventive method leads to considerable Kos tenersparnissen ¬ or a significant increase in product safety in an approximately comparable to the prior art screen.

Claims

Patentansprüche Verfahren zur Vorhersage von Versagenslasten von Strukturen aus Faserverbundwerkstoffen auf Basis von Schallemissions¬ daten, umfassend folgende Schritte: a) Erfassen von an einer Struktur bei einer zyklusweisen Belastung auftretenden Schallemissionssignalen, b) Bestimmen und Berechnen von wenigstens zwei Kriterien (K) , die einen bei der zyklusweisen Belastung aufgetre¬ tenen Schädigungsgrad der Struktur definieren, aus den erfassten Schallemissionssignalen nach Schritt a) , und c) Durchführen einer multivarianten Datenanalyse mit den wenigstens zwei bestimmten und berechneten Kriterien (K) nach Schritt b) mittels einer Funktionsapproximation (f) pro Zyklus : f (Kn, i) = (Li-1 / Lmax) mit n = Anzahl der Kriterien (K) i = Lastzyklus L = Belastung Lmax = Maximalbelastung zur Vorwärtsextrapolation und Vorhersage der Versagens¬ last der Struktur. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die wenigstens zwei Kriterien (K) auf Basis der Felicity-Ratio und/oder der Shelby-Ratio und/oder einer Energy-Ratio oder energiebasierten Ratio bestimmt und berechnet werden. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass die wenigstens zwei Kriterien (K) auf Basis einer oder mehrerer der Felicity-Ratio und/oder der Shelby-Ratio und/o¬ der einer Energy-Ratio oder energiebasierten Ratio bestimmt und berechnet werden. Verfahren nach einem der Ansprüche 1 bis 3, dadurch gekenn¬ zeichnet, dass die wenigstens zwei Kriterien (K) auf Basis der Felicity-Ratio anhand des Ersteinsatzes der signifikan¬ ten Schallemission, insbesondere des absoluten Ersteinsatzes Labs' ^es mittleren Kraftbezugswertes der ersten N aufge¬ zeichneten Signale L <N>, des/der Ergebnisse/s einer Trenda¬ nalyse der akkumulierten Größe Ltrend. °der des Historie In¬ dex LH J, bestimmt und berechnet werden. Verfahren nach einem der Ansprüche 1 bis 4, dadurch gekenn¬ zeichnet, dass die wenigstens zwei Kriterien (K) auf Basis der Shelby-Ratio anhand des kritischen Ersteinsatzes, ins¬ besondere einer bestimmten Signalanzahl, eines bestimmten akkumulierten Energiewertes, einer bestimmten akkumulierten Amplitude, des Ergebnisses einer Trendanalyse der akkumu¬ lierten Größe oder des Historie Index L^j, bestimmt und be¬ rechnet werden. Verfahren nach einem der Ansprüche 1 bis 5, dadurch gekenn¬ zeichnet, dass die wenigstens zwei Kriterien (K) auf Basis der Energy-Ratio oder energiebasierten Ratio, die direkt o- der indirekt auf die Intensität der Schallemissionssignale bezogen sind, bestimmt und berechnet werden. Verfahren nach Anspruch 6, dadurch gekennzeichnet, dass die wenigstens zwei Kriterien (K) auf Basis der Signalamplitude, der Signalenergie, der Durchschnittsamplituden, deren abge¬ leiteten Signalgrößen oder dergleichen bestimmt und berech¬ net werden. Verfahren nach Anspruch 6, dadurch gekennzeichnet, dass die wenigstens zwei Kriterien (K) auf Basis der Anzahl der Schwellüberschreitungen, spektralen Intensität oder derglei¬ chen bestimmt und berechnet werden. Verfahren nach einem der Ansprüche 1 bis 8, dadurch gekenn¬ zeichnet, dass die wenigstens zwei Kriterien (K) auf Basis einer Aufstellung von in DIN-Normen DIN EN 15857 und/oder EN1330 angeführten Kriterien ausgewählt und sodann berechnet werden . 0. Verfahren nach einem der Ansprüche 1 bis 9, dadurch gekenn¬ zeichnet, dass die multivariante Datenanalyse mit den we¬ nigstens zwei bestimmten und berechneten Kriterien (K) nach Schritt b) mittels der Funktionsapproximation (f) pro Zyklus in Form von, insbesondere ein- oder mehrschichtigen, künst¬ lichen, neuronalen Netzwerken, Hidden Markov-Modellen, Gaus- sian Mixture-Modellen, Deep Learning-Modellen oder Markov Chain Monte Carlo-Methoden durchgeführt wird. A method for the prediction of failure loads of structures made of fiber composite materials based on Schallemissions¬ data, comprising the following steps: a) detecting occurring on a structure in a cyclic load noise emission signals, b) determining and calculating at least two criteria (K), the one Defining the degree of damage of the structure which occurs during the cycle-wise loading, from the detected acoustic emission signals after step a), and c) performing a multivariant data analysis with the at least two determined and calculated criteria (K) after step b) by means of a function approximation (f) per Cycle: f (Kn, i) = (Li-1 / Lmax) with n = number of criteria (K) i = load cycle L = load Lmax = maximum load for forward extrapolation and prediction of the failure load of the structure. Method according to claim 1, characterized in that the at least two criteria (K) are determined and calculated on the basis of the felicity ratio and / or the shelby ratio and / or an energy ratio or energy-based ratio. Method according to claim 1 or 2, characterized in that the at least two criteria (K) are determined and calculated on the basis of one or more of the felicity ratio and / or the shelby ratio and / or of an energy ratio or energy-based ratio , Method according to one of claims 1 to 3, characterized gekenn¬ characterized in that the at least two criteria (K) on the basis of the Felicity ratio on the basis of the first use of sig- nificant sound emission, in particular the absolute first use Labs' it average power reference value of the first N recorded signals L <N>, of the results / s of a trend analysis of the accumulated quantity Ltrend. ° of the history In¬ dex LH J, determined and calculated. Method according to one of claims 1 to 4, characterized gekenn¬ characterized in that the at least two criteria (K) based on the Shelby ratio based on the critical first use, in particular a certain number of signals, a certain accumulated energy value, a certain accumulated amplitude, the result of a trend analysis of the accumulated quantity or the history index Lj, can be determined and calculated. Method according to one of Claims 1 to 5, characterized in that the at least two criteria (K) are determined and calculated on the basis of the energy ratio or energy-based ratio, which are directly or indirectly related to the intensity of the sound emission signals , Method according to Claim 6, characterized in that the at least two criteria (K) are determined and calculated on the basis of the signal amplitude, the signal energy, the average amplitudes, their derived signal quantities or the like. A method according to claim 6, characterized in that the at least two criteria (K) on the basis of the number of Schwellüberschreitungen, spectral intensity or derglei¬ chen determined and calculated. Method according to one of claims 1 to 8, characterized gekenn¬ characterized in that the at least two criteria (K) based on a list of specified in DIN standards DIN EN 15857 and / or EN1330 criteria selected and then calculated. 0. The method according to claim 1, characterized in that the multivariant data analysis with the at least two determined and calculated criteria (K) after step b) by means of the function approximation (f) per cycle in the form of, in particular single- or multi-layered, artificial, neural networks, Hidden Markov Models, Gaussian Mixture Models, Deep Learning Models or Markov Chain Monte Carlo Methods.
1. Verfahren nach einem der Ansprüche 1 bis 10, dadurch gekenn¬ zeichnet, dass die Kriterien (K) pro Zyklus ohne Kenntnis der maximalen Belastungswerte bestimmt und unabhängig von der Strukturgröße der/dem untersuchten Struktur oder Prüf¬ körper oder dergleichen Komponente normalisiert definiert werden . 1. The method according to any one of claims 1 to 10, characterized marked ¬ characterized in that the criteria (K) per cycle determined without knowledge of the maximum load values and are defined normalized regardless of the structure size of the / examined structure or Prüf ¬ body or the like component ,
2. Verwendung eines Verfahrens zur Vorhersage von Versagenslas¬ ten von, insbesondere sicherheitsrelevanten, Strukturen aus Faserverbundwerkstoffen auf Basis von Schallemissionsdaten, insbesondere nach einem der Ansprüche 1 bis 11, vorzugsweise von Strukturbauteilen im Automobilbau, Strukturbauteilen der Luft- und Raumfahrttechnik und Antrieben und Maschinenteilen mit hohen Drehzahlen, vorzugsweise in Fahrzeugen, Luftfahr¬ zeugen oder Fluggeräten der Luft- und Raumfahrt, Flugzeugen und Raumflugkörpern, Wasserfahrzeugen, wie U-Booten oder Luftkissenfahrzeugen (Hovercrafts ) , Landfahrzeugen, Perso¬ nenkraftwagen und Lastkraftwagen. 2. Use of a method for the prediction of failure las ¬ th of, in particular safety-related structures of fiber composites based on acoustic emission data, in particular according to one of claims 1 to 11, preferably of structural components in the automotive industry, structural components of aerospace engineering and drives and machine parts with high speeds, preferably in vehicles, aviation ¬ witnesses or aircraft of aerospace, aircraft and spacecraft, watercraft, such as submarines or hovercraft (hovercraft), land vehicles, cars Perso ¬ and trucks.
3. Verwendung eines Datenträgers mit einem Schallemissions- prüfsystem in einem Verfahren nach einem der Ansprüche 1 bis 11, wobei auf dem Datenträger die wenigstens zwei Kriterien gespeichert sind, die nach den Schritten a) bis c) des Ver¬ fahrens gemäß Anspruch 1 bestimmt und berechnet wurden. 3. Use of a data carrier with a Schallemissions- test system in a method according to one of claims 1 to 11, wherein on the disk, the at least two criteria are stored which have been determined and after the steps a) to c) of the procedure in accordance with claim 1 ¬ Ver calculated.
Computerprogramm zur Vorhersage von Versagenslasten von, insbesondere sicherheitsrelevanten, Strukturen aus Faserver¬ bundwerkstoffen auf Basis von Schallemissionsdaten, wobei das Programm einen Computer veranlasst, Befehle auszuführen, so dass ein SchallemissionsprufSystem ein Verfahren nach ei¬ nem der Ansprüche 1 bis 11 auszuführt, wenn das Programm auf dem Computer ausgeführt wird. A computer program for predicting failure loads of, particularly safety-related structures from Faserver ¬ composite materials on the basis of acoustic emission data, wherein the program causes a computer to execute instructions so that a SchallemissionsprufSystem a method according ei ¬ nem of claims 1 to 11 auszuführt when the program on the computer.
PCT/EP2018/062219 2017-05-11 2018-05-11 Method for predicting failure loading of structures made of fiber-reinforced composite materials on the basis of acoustic emission data WO2018206770A1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
EP18728046.6A EP3622284A1 (en) 2017-05-11 2018-05-11 Method for predicting failure loading of structures made of fiber-reinforced composite materials on the basis of acoustic emission data

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102017110228.0 2017-05-11
DE102017110228.0A DE102017110228A1 (en) 2017-05-11 2017-05-11 Method for predicting failure loads of fiber composite structures based on sound emission data

Publications (1)

Publication Number Publication Date
WO2018206770A1 true WO2018206770A1 (en) 2018-11-15

Family

ID=62455434

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2018/062219 WO2018206770A1 (en) 2017-05-11 2018-05-11 Method for predicting failure loading of structures made of fiber-reinforced composite materials on the basis of acoustic emission data

Country Status (3)

Country Link
EP (1) EP3622284A1 (en)
DE (1) DE102017110228A1 (en)
WO (1) WO2018206770A1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110824018A (en) * 2019-11-12 2020-02-21 宁波市劳动安全技术服务公司 Risk assessment and safety detection evaluation method for atmospheric storage tank

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112394702B (en) * 2020-12-10 2024-05-17 安徽理工大学 LSTM-based optical cable manufacturing equipment fault remote prediction system
CN113566953B (en) * 2021-09-23 2021-11-30 中国空气动力研究与发展中心设备设计与测试技术研究所 Online monitoring method for flexible-wall spray pipe
CN114778270A (en) * 2022-04-20 2022-07-22 西北核技术研究所 Experimental method and experimental system for predicting mechanical failure of material in thermal environment
DE102022211558A1 (en) 2022-11-01 2024-05-02 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung eingetragener Verein Hybrid test procedure, especially for a drive train of wind turbines

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100058867A1 (en) * 2006-05-24 2010-03-11 Hiroshi Ueno Acoustic emission detector and controller
DE102015101942A1 (en) * 2015-02-11 2016-08-11 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Method for testing a component made from a fiber composite material

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100058867A1 (en) * 2006-05-24 2010-03-11 Hiroshi Ueno Acoustic emission detector and controller
DE102015101942A1 (en) * 2015-02-11 2016-08-11 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Method for testing a component made from a fiber composite material

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ABRAHAM, A.R.A.; JOHNSON, K.L.; NICHOLS, C.T.; SAULSBERRY, R.L.; WALLER, J.M.: "Use of Statistical Analysis of Acoustic Emission Data on Carbon-Epoxy COPV Materials-of-Construction for Enhanced Felicity Ratio Onset Determination", JSC-CN, 2011, pages 26080
CALABRESE L ET AL: "Identification of corrosion mechanisms by univariate and multivariate statistical analysis during long term acoustic emission monitoring on a pre-stressed concrete beam", CORROSION SCIENCE, OXFORD, GB, vol. 73, 10 April 2013 (2013-04-10), pages 161 - 171, XP028554672, ISSN: 0010-938X, DOI: 10.1016/J.CORSCI.2013.03.032 *
MABRY NEHEMIAH ET AL: "Acoustic emission felicity ratio measurements in carbon composites laminates using fiber Bragg grating sensors", SMART SENSOR PHENOMENA, TECHNOLOGY, NETWORKS, AND SYSTEMS 2011, SPIE, 1000 20TH ST. BELLINGHAM WA 98225-6705 USA, vol. 7982, no. 1, 24 March 2011 (2011-03-24), pages 1 - 10, XP060011201, DOI: 10.1117/12.885865 *
WALLER, J.M.; NICHOLS, C.T.; WENTZEL, D.J.; SAULSBERRY, R.L.; THOMPSON, D.O.; CHIMENTI, D.E.: "Use of Modal Acoustic Emission to Monitor Damage Progression in Carbon Fiber-Epoxy Composites", AIP CONFERENCE PROCEEDINGS, 2011, pages 919 - 926

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110824018A (en) * 2019-11-12 2020-02-21 宁波市劳动安全技术服务公司 Risk assessment and safety detection evaluation method for atmospheric storage tank
CN110824018B (en) * 2019-11-12 2022-05-27 宁波市劳动安全技术服务公司 Risk assessment and safety detection evaluation method for atmospheric storage tank

Also Published As

Publication number Publication date
EP3622284A1 (en) 2020-03-18
DE102017110228A1 (en) 2018-11-15

Similar Documents

Publication Publication Date Title
EP3622284A1 (en) Method for predicting failure loading of structures made of fiber-reinforced composite materials on the basis of acoustic emission data
DE102010009318B4 (en) Systems and methods for predicting the fatigue life of aluminum alloys under multiaxial loading
DE602004007753T2 (en) Method for quality control of an industrial process, in particular a laser welding process
EP2490856B1 (en) Process monitoring for high-speed joining
WO2012010307A1 (en) Planking panel for a structural component, flow body comprising such a planking panel and device for monitoring material damage on such a planking panel
DE102010042956A1 (en) Method and arrangement for determining a load on an aircraft structure
DE102009027807A1 (en) Method for detecting defective sandwich component at aircraft construction, involves loading measuring chamber with predetermined pressure, and detecting and evaluating pressure adjusted in measuring chamber
DE102018131948B4 (en) Method and device for detecting an impact event and a vehicle for this purpose
DE102015213436A1 (en) Method for connecting at least two components by means of a punch riveting device and manufacturing device
DE102015213433A1 (en) Method for connecting at least two components by means of a punch riveting device and manufacturing device
WO2012038551A1 (en) Testing the condition of a connection between components by means of structure-borne noise
EP3140101A1 (en) Method for joining a plurality of workpiece parts and joining tool
DE102017121405A1 (en) Apparatus and method for investigating fracture behavior
EP2572871A2 (en) Textile-reinforced fibre compound and method for the non-destructive testing of fibre orientation and layer structure in components made of textile-reinforced compound materials
DE102008021248A1 (en) Unidirectionally reinforced fiber composite material&#39;s structural condition determining method for use in e.g. automobile manufacturing field, involves testing material and determining viscoelastic material characteristics of material
DE102005052644A1 (en) Structure monitoring and damage early-detecting method for use in e.g. aircraft, involves determining operative modal parameters for integer structure of vehicle and actual modal parameters of structure, and comparing parameters
DE102011103431A1 (en) Method for executing crash-sled test in motor vehicle, involves accelerating test object initially to reference speed and finally decelerating to idle position similar to real impact for simulating impact of motor vehicle on barrier
DE102019206234A1 (en) Motion sensors for a vehicle based on an electroactive composite material
WO2001088502A2 (en) Method and device for determining at least one mechanical fracturing material parameter
DE102015101942A1 (en) Method for testing a component made from a fiber composite material
DE102014202598B4 (en) Method for the qualitative analysis of joints between joining partners
WO1998000699A1 (en) Measurement process for determining the biaxial deformation behavior of metal materials, particularly sheet metal
DE102017213323A1 (en) Joining device and method for joining components
EP2743866B1 (en) Method for determining the ageing behaviour of a material
EP2998733A1 (en) Identification of faulty rivet connections by means of ultrasound

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18728046

Country of ref document: EP

Kind code of ref document: A1

DPE1 Request for preliminary examination filed after expiration of 19th month from priority date (pct application filed from 20040101)
ENP Entry into the national phase

Ref document number: 2018728046

Country of ref document: EP

Effective date: 20191211