Inhalt

•  
   Titelseite
•  
   Vorwort
•  
   Inhaltsverzeichnis
•  
   Nomenklatur
•  
   Kurzfassung
•  
  1 Einleitung
•  
   1.1 Historische Einordnung
•  
   1.2 Allgemeines zur Schadenserkennung
•  
   1.2.1 Strukturschadenserkennung
•  
   1.2.2 Schadenserkennung an Maschinenkomponenten: die Zustandsüberwachung
•  
   1.3 Fokus, Beitrag und Struktur der Arbeit
•  
   1.4 Vorhandene Methoden - Literaturüberblick
•  
  2 Theoretische Grundlagen und Basiswerkzeuge
•  
   2.1 Beschreibung dynamischer Systeme im Zeitbereich
•  
   2.1.1 Zeitkontinuierliches Zustandsraummodell
•  
   2.1.2 Zustandsraummodell in Modalkoordinaten
•  
   2.1.3 Zeitdiskretes Zustandsraummodell
•  
   2.1.3.1 Modale Darstellung von zeitdiskreten dynamischen Systemen
•  
   2.1.3.2 Zeitdiskrete Modelle mit stochastischer Anregung und Rauschen
•  
  2.2 Identifikation linearer Systeme im Zeitbereich bei stochastischer Anregung
•  
   2.2.1 Stochastic Subspace Identification - Methode
•  
   2.2.2 Systemidentifikation mit Hilfe von autoregressiven Modellen
•  
   2.2.3 Schätzung von Systemzuständen mit Kalman-Filtern
•  
  2.3 Sensitivitätsanalyse dynamischer Systeme
•  
   2.3.1 Eigenfrequenzsensitivität
•  
   2.3.2 Eigenvektorsensitivität
•  
   2.3.3 Kennzahlen zur Korrelation der Modaldaten
•  
  2.4 Konzepte zur Datenanalyse
•  
  2.4.1 Klassifikationsverfahren
•  
   Gitterverfahren
•  
   knn–Verfahren
•  
   k-means-Algorithmus
•  
   k-medoid-Algorithmus
•  
   Kriterien zur Klassenvalidierung
•  
   Fuzzy-k-means-Algorithmus
•  
   2.4.2 Die Hauptkomponentenanalyse
•  
   2.4.3 Grundlagen der Informationstheorie
•  
  2.5 Grundlagen der Signalanalyse im Frequenzbereich
•  
   2.5.1 Fourieranalyse und Frequenzspektrum
•  
   2.5.2 Das Hüllkurvenspektrum
•  
   2.5.3 Cepstrumanalyse
•  
   2.5.4 Die spektrale Kurtosis
•  
  3 Strukturschadensdiagnose
•  
   3.1 Anforderungen an Schadenserkennungsmethoden für Offshore-Windenergieanlagen
•  
   3.2 Das Überwachungskonzept
•  
  3.3 Schadensdetektion unter veränderlichen Umgebungs- und Betriebszuständen
•  
   3.3.1 Beschreibung existierender Methoden und Einführung in die Problematik der EOC-Kompensation
•  
   3.3.1.1 Methoden ohne Messung der EOC Variablen
•  
   3.3.1.2 Methoden mit Messung der EOC Variablen
•  
  3.3.2 Auswahl des Algorithmus und der schädigungssensitiven Merkmale
•  
   3.3.2.1 Zur Auswahl des Algorithmus für die Berücksichtigung von EOCs
•  
   3.3.2.2 Zur Auswahl geeigneter schädigungssensitiver Merkmale
•  
   3.3.2.3 Residuen aus der Stochastic Subspace Identification (SSI)
•  
   3.3.2.4 Residuen aus Vektor-Autoregressiven Modellen
•  
  3.3.3 Anwendung von Klassifikationsverfahren zur Kompensation von Effekten veränderlicher Umgebungs- und Betriebszustände auf die schädigungssensitiven Merkmale
•  
   3.3.3.1 Der Algorithmus zur EOC-Kompensation
•  
   Lernphase
•  
   Testphase
•  
   3.3.3.2 Alternative EOC-Kompensation mit Hilfe von Fuzzy-Klassifikation
•  
   3.3.3.3 Reduktion der Dimensionalität des Eingangsparameteraums
•  
   3.3.4 Datenvorauswahl für Schadenserkennungsalgorithmen
•  
  3.4 Modellgestützte Schadenslokalisation mit Hilfe von Modaldaten
•  
   3.4.1 Modalanalyse mit Vektor-Autoregressiven Modellen
•  
  3.4.2 Schadenslokalisation mit inversen Eigenwert– und Eigenvektorsensitivitäten
•  
   3.4.2.1 Aufstellung des Gleichungssystems
•  
   3.4.2.2 Lösung des Gleichungssystems
•  
   3.4.2.2.1 Parameterschätzung mit Hilfe der Tychonov-Regularisierung
•  
   3.4.2.2.2 Parameterschätzung mit Hilfe der robusten Regression
•  
   3.4.2.2.3 Parameterschätzung mit robuster Ridge-Regression
•  
   3.4.2.3 Parameter-Vorselektion
•  
   3.4.2.3.1 Vorselektion der Parameter mit Hilfe des Bootstrapverfahrens
•  
   3.4.2.3.2 Parameterselektion mit Hilfe der schrittweisen Regression
•  
   3.4.2.3.3 Parameterschätzung mit hilfe von Modelloptimierungstechniken
•  
   3.5 Sensorfehleridentifikation
•  
   3.5.1 Beschreibung bisher existierender Methoden
•  
   3.5.2 Sensorfehlerdetektion und –isolation mit Hilfe des Mutual Information Konzepts
•  
   3.5.2.1 Der Algorithmus zur Langzeitüberwachung
•  
  3.5.3 Rekonstruktion von Signalen fehlerhafter Sensoren
•  
   3.5.3.1 Rekonstruktion von Signalen mit Hilfe eines Kalman-Filters
•  
   3.5.3.2 Residuen des Kalman Filters zur Sensorfehlerdetektion und -isolation
•  
   3.5.4 Vergleich unterschiedlicher Methoden zur Sensorfehlererkennung
•  
  4 Schadensdiagnose an Maschinenkomponenten
•  
   4.1 Anwendung der zyklischen Kohärenz zur Schadenserkennung
•  
   4.2 Verbesserung der Ergebnisse der zyklischen Kohärenz mit Hilfe von Kurtogrammen
•  
   4.3 Erweiterung der zyklischen Kohärenz zur Anwendung an pitchgesteuerten Anlagen - Ordnungsanalyse
•  
  5 Anwendungsbeispiele
•  
  5.1 Schadens- und Sensorfehlererkennung an Strukturkomponenten
•  
  5.1.1 Laborstruktur mit Tripodschaden
•  
   5.1.1.1 Schadensdetektion
•  
   5.1.1.2 Sensorfehleridentifikation
•  
   5.1.2 Langzeitüberwachung der OWEA M5000-2
•  
   5.1.2.1 Datenvorauswahl
•  
   5.1.2.2 Sensorfehlerdetektion und –isolation
•  
   5.1.2.3 Modalanalyse und Modellaufbau
•  
   5.1.2.4 Schadensdetektion
•  
   5.1.2.5 Simulationsstudie hinsichtlich der Schadensdetektion unter veränderlichen EOC
•  
   5.1.2.6 Simulationsstudie hinsichtlich Schadenslokalisation
•  
   5.1.3 Schadenslokalisation am Beispiel einer Steelquake-Struktur
•  
   5.2 Schadenserkennung an Maschinenkomponenten
•  
   5.2.1 Innenringschaden eines Lagers beim Generator einer Pitch-Anlage
•  
  5.2.2 Innenringschaden an einem Lager der Zwischenwelle einer Pitch-Anlage
•  
   5.2.2.1 Signal im Frühstadium des Schadens
•  
   5.2.2.2 Signal bei deutlich ausgeprägtem Schaden
•  
   5.2.3 Sonnenradschaden am Planetengetriebe
•  
   6 Zusammenfassung und Ausblick
•  
   Literatur
•  
   Anhang