Schallemissionsmessungen zur Spanndrahtbrucherkennung

Zur Kurzanzeige

dc.identifier.uri http://dx.doi.org/10.15488/5533
dc.identifier.uri https://www.repo.uni-hannover.de/handle/123456789/5581
dc.contributor.author Wedel, Frederik
dc.contributor.author Käding, Max
dc.contributor.author Marx, Steffen
dc.date.accessioned 2019-10-15T12:26:01Z
dc.date.issued 2019
dc.identifier.citation Wedel, Frederik; Käding, Max; Marx, Steffen: Schallemissionsmessungen zur Spanndrahtbrucherkennung. In: Beiträge zur 7. DAfStb-Jahrestagung mit 60. Forschungskolloquium. Hannover : Institutionelles Repositorium der Leibniz Universität Hannover, 2019, S. 120-132. DOI: https://doi.org/10.15488/5533
dc.description.abstract Die Schallemissionsanalyse zur Spanndrahtbrucherkennung etabliert sich in Deutschland als Verfahren zur Überwachung vorgespannter Konstruktionen. Das Interesse liegt dabei auf der zuverlässigen Erkennung von Spanndrahtbrüchen, also der Beschreibung des Quellmechanismus. Zwei Forschungsschwerpunkte gehen damit einher, die hier thematisiert und erste Ergebnisse vorgestellt werden: Einerseits gilt es die Kette von der Signalentstehung, Signalübertragung bis hin zur aufgezeichneten Welle allgemeingültig zu formulieren, um Rückschlüsse auf den Quellmechanismus zu ziehen. Andererseits werden maschinelle Lernverfahren angewendet, um das Potential solcher Methoden auf diese Art von Daten aufzuzeigen. Nach Berechnung von Merkmalen aus dem Frequenzraum konnte bei einer Klassifikation von Hammerschlag-Signalen eine Genauigkeit von 98% erreicht werden. ger
dc.description.abstract Acoustic emission analysis for tendon wire break detection is establishing itself in Germany as a method for monitoring of prestressed structures. The focus lies in the reliable detection of tendon wire breaks, i.e. the description of the source mechanism. Two main areas of research are associated with this, whichare discussed in this paper: On the one hand, the measurement chain for describing the signal transmission from signal generation to the recorded wave must be formulated in a generally valid way in order to draw conclusions about the source mechanism. On the other hand, machine learning methods are used to show the potential of such methods for this kind of data. After calculating features from the frequency space, an accuracy of 98 % could be achieved with a classification. eng
dc.language.iso ger
dc.publisher Hannover : Institutionelles Repositorium der Leibniz Universität Hannover
dc.relation.ispartof https://doi.org/10.15488/5522
dc.rights CC BY 3.0 DE
dc.rights.uri https://creativecommons.org/licenses/by/3.0/de/
dc.subject Spannbeton ger
dc.subject Schallemission ger
dc.subject Monitoring ger
dc.subject Merkmale ger
dc.subject Maschinelles Lernen ger
dc.subject Klassifikation ger
dc.subject prestressed concrete eng
dc.subject acoustic emission eng
dc.subject monitoring eng
dc.subject features eng
dc.subject machine learning eng
dc.subject classification eng
dc.subject.classification Konferenzschrift ger
dc.subject.ddc 620 | Ingenieurwissenschaften und Maschinenbau
dc.title Schallemissionsmessungen zur Spanndrahtbrucherkennung
dc.type BookPart
dc.type Text
dc.description.version publishedVersion
tib.accessRights frei zug�nglich


Die Publikation erscheint in Sammlung(en):

Zur Kurzanzeige

 

Suche im Repositorium


Durchblättern

Mein Nutzer/innenkonto

Nutzungsstatistiken