Ziel des Teilprojekts C02 ist es, Methoden zu entwickeln, mit deren Hilfe es möglich ist, strukturelle Veränderungen an Offshore-Megastrukturen zuverlässig und im laufenden Betrieb zu detektieren, um kostspielige Wartungsarbeiten zu minimieren.
©
http://www.sonnewindwaerme.de/
Strukturelle Veränderungen können z. B. unerwünschte Systemveränderungen (Eis am Rotorblatt) oder potentielle Schäden (Risse) sein. Hierbei soll gezielt auf den Einsatz von physikalisch basierten Finite-Elemente-Modellen verzichtet werden. Stattdessen sollen messdatenbasierte Methoden zum Einsatz kommen, bei denen nur die gemessenen Antwortgrößen (Beschleunigungen, Dehnungen) sowie Messungen der Betriebs- und Umgebungsbedingungen (Temperatur, Rotordrehzahl, Windgeschwindigkeit, etc.) für die darauf aufbauenden Analysen verwendet werden.
Die wesentlichen Herausforderungen bestehen darin, dass Schäden oder andere kritische Systemveränderungen nicht direkt gemessen, sondern nur indirekt über schadenssensitive Größen bestimmt bzw. geschätzt werden können. Bei einem komplexen System wie einer Offshore-Windenergieanlage (OWEA) ist die Anzahl der realisierbaren Messpunkte aber klein gegenüber der Anzahl der Freiheitsgrade der Struktur. Es liegt also ein Informationsdefizit vor. Hinzu kommt, dass das strukturdynamische Verhalten stark von den Betriebs- und Umgebungsbedingungen (Environmental and Operational Conditions – EOCs) abhängt. So treten zum Beispiel am Rotor ausgeprägte Wechselwirkungen mit aerodynamischen Kräften auf, die zu nichtlinearen Schwingungszuständen führen können. Daher können klassische Methoden der Systemidentifikation, die Linearität und Zeitinvarianz des messtechnisch beobachteten Systems voraussetzen, nicht ohne Weiteres angewendet werden. Außerdem kann eine Systemveränderung aufgrund von wechselnden EOCs leicht mit einem Schaden verwechselt werden.
Auf der anderen Seite werden in der praktischen Strukturüberwachung (Structural Health Monitoring – SHM) dringend Methoden benötigt, die im Falle eines eventuellen Schadens, ein schnelles Eingreifen erlauben, unnötige Wartungseinsätze aufgrund von Fehldetektionen aber vermeiden. Solche Wartungseinsätze sind vor allem im Offshore-Bereich aufgrund der hohen Kosten möglichst zu minimieren. Die Arbeitshypothese des TP ist, dass durch eine geeignete Kombination von Methoden der betrieblichen Modalanalyse mit physikalisch interpretierbaren Zustandsparametern und mathematischen Modellen aus künstlichen neuronalen Netzen (wie z. B. in Abbildung 1) eine geeignete Grundlage zur Strukturüberwachung einer Offshore-Megastruktur im laufenden Betrieb geschaffen werden kann.
Die Hauptinnovation des TP besteht in der Kombination von robusten Algorithmen, basierend auf White- und Black-Box-Modellen, in einem multivariaten Grey-Box-Strukturüberwachungskonzept. In Abbildung 2 ist ein möglicher Aufbau eines SHM- Frameworks abgebildet.
Dieses Konzept soll an Datenbasen von unterschiedlich komplexen Strukturen schrittweise erprobt und validiert werden. Diese Strukturen reichen von einem 9m hohen Gittermast, der auf einem offenen Feld steht und der reversibel geschädigt werden kann (siehe Abbildung 3), bis hin zu einer realen 3.4MW Onshore-Windenergieanlage mit einem Rotordurchmesser von 104m und einer Nabenhöhe von 125m (siehe Abbildung 4).
©
ISD/ LUH
©
ISD/ LUH
Publikationen
-
2024: Identification uncertainties of bending modes of an offshore wind turbine for vibration-based monitoring
Jonscher, C.; Möller, S.; Liesecke; L.; Schuster, D.; Hofmeister, B.; Grießmann, T.; Rolfes, R. (2024) Identification uncertainties of beding models of an offshore wind turbine for vibraion-based monitoring, Structural Control and Health Monitoring
-
2024: Heteroscedastic Gaussian processes for data normalisation in probablistic novelty detection of a wind turbine
Jonscher, C.; Möller, S.; Liesecke, L.; Hofmeister, B.; Grießmann, T.; Rolfes, R. (2024): Heteroscedastic Gaussian processes for data normalisation in probablistic novelty detection of a wind turbine, Engineering Structures 305, 117786
-
2024: Damage localisation using disparate damage states via domain adaption
Wickramarachchi, C.; Gardner, P.; Pool, J.; Hübler, C.; Jonscher, C.; Rolfes, R. (2024): Damage localisation using disparate damage states via domain adaption, Data-Centric Engineering 5, e3
-
2023: Investigations Towards Physics-informed Gaussian Process Regression for the Estimation of Modal Parameters of a Lattice Tower Under Environmental Conditions. Experimental Vibration Analysis for Civil Engineering Structures
Möller, S., Jonscher, C., Grießmann, T., Rolfes, R. (2023)
Investigations Towards Physics-Informed Gaussian Process Regression for the Estimation of Modal Parameters of a Lattice Tower Under Environmental Conditions. Experimental Vibration Analysis for Civil Engineering Structures
EVACES 2023. Lecture Notes in Civil Engineering 433. Springer, 401-410, 2023 -
2023: Validation of an FE model updating procedure for damage assessment using a modular laboratory experiment with a reversible damage mechanism
Wolniak, Marlene; Hofmeister, Benedikt; Jonscher, Clemens; Fankhänel, Matthias; Loose, Ansgar; Hübler, Clemens; Rolfes, Raimund (2023)
Validation of an FE model updating procedure for damage assessment using a modular laboratory experiment with a reversible damage mechanism
Journal of Civil Structural Health Monitoring -
2022: A new open‐database benchmark structure for vibration‐based Structural Health Monitoring
Wernitz, Stefan; Hofmeister, Benedikt; Jonscher, Clemens; Grießmann, Tanja; Rolfes, Raimund (2022)
A new open‐database benchmark structure for vibration‐based Structural Health Monitoring
Structural Control and Health Monitoring, 29 -
2022: On noise covariance estimation for Kalman filter-based damage localization
Wernitz, Stefan; Chatzi, Eleni; Hofmeister, Benedikt; Wolniak, Marlene; Shen, Wanzhou; Rolfes, Raimund (2022)
On noise covariance estimation for Kalman filter-based damage localization
Mechanical Systems and Signal Processing, 170 -
2022: Validierung von daten- und modellbasierten Methoden zur Schadenslokalisierung
Hübler, C., Hofmeister, B., Wernitz, S., & Rolfes, R. (2022)
Validierung von daten- und modellbasierten Methoden zur Schadenslokalisierung
Bautechnik, 6https://onlinelibrary.wiley.com/doi/abs/10.1002/bate.202200015
-
2021: Dataset: LUMO - Leibniz Universtity Test Structure for Monitoring
Stefan Wernitz, Benedikt Hofmeister, Clemens Jonscher, Tanja Grießmann, Raimund Rolfes (2021)
Dataset: LUMO - Leibniz Universtity Test Structure for Monitoring.
Teilprojektleitung
30167 Hannover
Projektmitarbeit
30167 Hannover
30167 Hannover
