KI Methoden in der Schadensprüfung und Überwachung

Inhalt

Einführung

Schadensprüfung und Überwachung

Untersuchung des Material- und Strukturverhaltens von Proben und Bauteilen unter verschiedenen Belastungs- und Einsatzsituationen

Ziele

• Erlangung von Materialparametern durch Experimente
• Entwicklung neuer Materialien ↠ Material Informatik!
• Erkenntnisse über und Verständnis von Schadensmechanismen (Ursachen und Ausbreitung)
• Bauteilüberwachung zur Betriebszeit (SHM)
• Optimierung von Bauteilen, Verbundmaterialien, und Einsatzsituationen
• Vorhersage Lebensdauerzyklus zur Betriebszeit
• Optimierte und dynamisierte Wartung

Einsatz von KI

Es fallen große Datenmengen bei der Materialprüfung und Bauteilüberwachung an! Messdaten sind unsicher und verrauscht!

• Einsatz von KI Methoden um eine grundlegende Abbildungsfunktion der experimentellen Wissenschaften abzuleiten und zu implementieren:

  F(Sensor Daten): Sensor Daten → Wissen!

• Häufig existieren keine oder nur unvollständige numerische Material- und Bauteilmodelle

• Inverse Numerik kann eingesetzt werden um von Sensordaten auf Material- und Bauteileigenschaften zurück zuschließen ↠ Meist zu komplex und rechenintensiv; Modelle müssen bekannt sein!

Maschinelles Lernen

• Häufig fehlen funktionale Zusammenhänge zwischen zwei Variablen x und y, z.B., Dehnung einer Probe (Reactio) und wirkender äußerer Kraft (Actio, Stimulus):

  f(x):x → y.

• Neben der Bestimmung von funktionalen Zusammenhängen (Materialprüfung, Lastüberwachung) ist die Zustandsvorhersage zur Betriebszeit (Strukturüberwachung) wichtige Fragestellung.

Maschinelles Lernen

• Grundlegend wird beim Maschinellen Lernen auf Beobachtungen zurückgegriffen: Die Trainingsdaten
• Man unterscheidet zwei Arten des Maschinellen Lernens (ML):

Überwachtes Lernen

Die Trainingsdaten bestehen aus Eingabedaten (x, Sensorvariablen, Strukturparameter, ..) mit den dazugehörigen Ausgabedaten (y, sog. Labels, z.B. Materialparameter). Die Ausgabedaten werden i.A. von Experten (Menschen) zugeordnet, können aber auch durch eine automatische Bewertung rückgekoppelt werden (Verstärkungslernen).

Unüberwachtes Lernen

Beim sog. Clustering werden Muster in den Eingabedaten automatisch erkannt, d.h. die Trainingsdaten bestehen nur aus den Eingabedaten x.

Maschinelles Lernen

Maschinelles Lernen

Mögliche Modelle für das vorherige Beispiel des Überwachten Lernens könnten sein:

classify1(x1,x2): (x1,x2) → y = 
  if (x2 < 50) then A
  else B 

classify2(x1,x2): (x1,x2) → y = 
  if (x1 < 50 and x2 < 50) then A
  else B 

• Beim ML wird eine Approximation (Hypothese h) der unbekannten Klassifikations- und Vorhersagefunktion f(x) berechnet: y = h(x) = f(x)+Err.
• Es gibt eine Menge von Hypothesefunktionen H für ein Problem.
  • Beispiel classify1 liefert für unteren roten Punkt falsches Ergebnis!

Maschinelles Lernen

Rauschen

Maschinelles Lernen: Material und Struktur

Einsatz von ML in den Materialwissenschaften

Maschinelles Lernen: SHM und Hybride/Composites

• Composite Strukturen und Hybride Materialien besitzen komplexe

  • Schädigungsmodelle,
  • Wellenausbeitungsmodelle, und
  • Meachanische Verhaltensmodelle.

• Vorhersage von Schäden und Bauteilveränderungen ist schwierig

• Z.B. Ausbreitung von Wellen als Messverfahren in Hybriden nicht vollständig bekannt!

Virtuelles Trainieren

• Verwendung von FEM und numerischen Methoden um Trainingsdaten für ML und Genetische Algorithmen zu erzeugen.

• Synthetisch generierte Messdaten können mit realen Messdaten kombiniert werden!

Algorithmen und Modelle

Modell: Entscheidungsbaum

• Ein Entscheidungsbaum besteht aus Knoten die mit einer bestimmten Eingangsvariable x_i verknüpft sind und diese evaluieren [3].
• Es gibt eine oder mehrere Kanten zu Nachfolgeknoten in Abhängigkeit vom Variablenwert (Relational oder Intervall).
• Blätter sind mit den Klassifikationsergebnis verknüpft.
• Sowohl Graphen-, Tabellen, als auch Programmnotation als Repräsentation des gelernten Modells verfügbar → kompaktes Modell!

Modell: Neuronales Netzwerk

• Ein Künstliches Neuronales Netz (ANN) ist ein Netzwerk aus Neuronen (Perceptrons)[1].
• Jedes Neuron n_i hat ein oder mehrere Eingänge x_i und einen Ausgang y_i.
• Es gibt eine Aktivierungsfunktion: f_i(x_i): x_i → y_i, y ∈ [0,1]
• Das Trainieren des Netzwerkes ist iterativ (probalistisch) und erfolgt durch 1. Verteilung von Gewichten der Kanten; 2. Konfiguration, bis die gesamte Klassifikation mit minimalen Fehler möglich ist.

Modell: Neuronales Netzwerk

Beispiel: Einsatz eines ANN in der Schadensdetektion von Compositen [1]

Agentenbasierte Verfahren

Agenten besitzen eine Vielzahl von Fähigkeiten, die sie von klassischen Programmen unterscheiden - obwohl Agenten auch Programme sind! Agent ⇆ Lernen

Merkmale

• Fähigkeit zu eigenständiger Aktivität (Nicht Nutzeraktiviert)
• Autonomes Verhalten → ereignisbasiert (Keine zentrale Intsanz)
• Selbstständiges Schlussfolgern (Umgang mit unsicheren Wissen)
• Flexibles Verhalten (Adaptivität an veränderliche Weltbedingungen)
• Fähigkeit zu Kommunikation und Interaktion, Fähigkeit zur ziel- und aufgabenorientierten Koordination (Synchronisation)
• Kooperatives oder konkurrierendes Verhalten (Lösung von Wettbewerbskonflikten)
• Divide&Conquer: Dekomposition von komplexen Systemen

Anwendungsbeispiele

Modellierung von Composites mit ANN

• Ein Materialmodell welches auf einem Neuronalen Netzwerk basiert;
• Das Modell wird für den funktionalen Zusammenhang Spannung → Dehnung verwendet.

Automatische Signalanalyse mit Agenten

• Region-of-Interest Erkennung von Ultraschallmesssignalen an Hybrid Proben mittels selbstorganisierenden Multiagentensystem (SoMAS) [4]

• Probleme bei Messsignalen und Auswertung: Rauschen; Baseline; Dynamik; Nur ein kleines Zeitfenster beinhaltet relevante Struktur- und Schadensinformation; Reflexionen und Echos

Automatische Signalanalyse mit Agenten

• Das Messsignal (50000 Punkte) wird auf 100 Segmente reduziert.
• Jedes Segment wird von einem Segmentagenten bearbeitet (Divide&Conquer)
• Explorationsagenten erkunden Nachbarschaft eines Segments nach Ähnlichkeit.
• Markierung von interessanten Segmenten → ROI Extraktion [5]

Automatische Signalanalyse mit Agenten

Kombination MAS mit ML

Automatische Signalanalyse mit Agenten

Mehr als 90% der ROIs von sehr unterschiedlichen Messsignalen können automatisch erkannt und direkt für die numerische Weiterverarbeitung zur Schadensdiagnostik verwendet werden.

Ereignisbasierte Sensorverarbeitung mit Agenten

Lasterkennung mit Verteilten Lernen

Lasterkennung mit Verteilten Lernen

• Automatische Erkennung verschiedener Lastsituationen aus wenigen stimulierten Dehnungssensoren [6]:

Strukturüberwachung von Verbundwerkstoffen

Ziel

Automatische Strukturüberwachung und Schadensdiagnostik ohne Struktur- und Materialmodelle

Strukturüberwachung von Verbundwerkstoffen

• Automatische Verarbeitung und Reduktion großer Datenmengen

  • Merkmalsselektion:
    Vorverarbeitung der Messdaten (Reduktion der Eingangsvariablen)

  • Merkmalsextraktion:
    Schadensdiagnostik (Abbildung Eingangs- auf Ausgangsvariablen)
    Schadensklassifikation, Schdenslokalisation, Strukturveränderung, usw.

• Rückkopplung: Ergebnisse der Merkmalsselektion und Extraktion werden für Adaption des Messverfahrens verwendet.

Zusammenfassung

• Mit zunhemender Komplexität von Material- und Strukturmodellen wird Schadensdiagnostik, Strukturüberwachung, und Materialentwicklung schwieriger.

• Einsatz Hybrider Verfahren (z.B. MAS+ML)

• Es müssen große Datenmengen verarbeitet werden. Aber: Nur ein kleiner Teil der Eingangsdaten (Eingangsvariablen) ist relevant.

• Daher Dateneduktion → Merkmalsselektion

• KI Methoden können helfen relevante Informationen aus der großen wenig korrlierten Datenmenge zu extrahiern → Merkmalsextraktion

  • Maschinelles Lernen und Data Mining

  • Ungang mit unsicheren Wissen und Daten (Schliessen und Planen)

  • Agentenbasierte Verfahren

  • Verteilte und parallele Verfahren

Referenzen

Publikationen

1. R. Jha and S. V. Barai, Neural Networks and Genetic Algorithms in Structural Health Monitoring, in Structural Health Monitoring Technologies and Next-Generation Smart Composite Structures, J. A. Epaarachchi and G. C. Kahandawa, Eds. 2016.
2. R. M. V. Pidaparti and M. J. Palakal, Material Model for Composites Using Neural Networks, AIAA JOURNAL, vol. 31, no. 8, 1992.
3. I. Guyon, S. Gunn, M. Nikravesh, and L. A. Zadeh, Feature Extraction: Foundations and Applications (Studies in Fuzziness and Soft Computing). Springer, 2006.
4. S. Bosse, M. Koerdt, A. v. Hehl, Robust and Adaptive Non Destructive Testing of Hybrids with Guided Waves and Learning Agents, Hybrid 2018, Bremen
5. S. Bosse, D. Schmidt, M. Koerdt, Robust and Adaptive Signal Segmentation for Structural Monitoring using Autonomous Agents, ECSA 2017 (MDPI) , doi: 10.3390ecsa-4-04917
6. S. Bosse, A. Lechleiter, A hybrid approach for Structural Monitoring with self-organizing multi-agent systems and inverse numerical methods in material-embedded sensor networks, Mechatronics, (2016), DOI:10.1016 / j.mechatronics.2015.08.005.

Referenzen

Videos

1. Bending Test (Welding Inspector), www.youtube.com/watch?v=7tr4kVtNsrM
2. Structural health monitoring of wind turbine blade – Brüel & Kjær, www.youtube.com/watch?v=4Lo9-W3sVmE
3. Neural Network 3D Simulation, www.youtube.com/watch?v=3JQ3hYko51Y
4. S. Bosse, From the Internet-of-Things to Sensor Clouds - Unified Distributed Computing in Heterogeneous Environments with Smart and Mobile Multi-Agent Systems, Smart Systems Integration Conference, 11-12 March 2015, Copenhagen, 2015