WaveImage

Messung, Analyse und Monitoring von Luft- und Körperschall

WaveImage ist die umfassendste Lösung für die Überwachung und Diagnose von Bauteilen, Werkstoffen, Maschinen, Anlagen, Geräten und Bauwerken. Die Software bietet vielfältige Möglichkeiten für die Bestimmung von Schwingungseigenschaften mittels der bekanntesten Verfahren der experimentellen und operationalen Modalanalyse. WaveImage ist aktuell die einzige Software am Markt, die über diese umfangreiche Kombination von Algorithmen der Modalanalyse verfügt.

Software WaveImage
Software WaveImage: Ermittlung der Eigenschwingungsform eines Flugzeugs

Anwendungsbereiche

Die Modalanalyse ist für die strukturdynamische Systemoptimierung zur Entwicklung und Konstruktion von leistungsfähigen und langlebigen Maschinen, Fahrzeugen, Geräten und industriellen Anlagen von wesentlicher Bedeutung. Die strukturdynamische Analyse ist daher in vielen Branchen der Wirtschaft anzutreffen:

  • Maschinen-, Schiffs- und Fahrzeugbau
  • Luft- und Raumfahrttechnik
  • Wehrtechnik
  • Haushaltsgeräte und Unterhaltungselektronik.
  • Bauwesen

Besonders Bauwerke sind ständig Umgebungseinflüssen ausgesetzt, diese regen Bauwerke (insgesamt oder Teile davon) zu meist unerwünschten und schädlichen Schwingungen an. In immer stärkerem Maße erfolgen solche Anregungen durch Verkehrsströme in der Nähe von Bauwerken oder, z.B. im Falle von Brücken, auf dem Bauwerk direkt oder durch mit dem Bauwerk immanent verbundene Technik (Maschinen, Windkraftgeneratoren).

WaveImage Monitoring
Softwareoberfläche zum Online Condition Monitoring bzw. zur Qualitätssicherung: grün = kein Schaden / rot = Schaden

Software Komponenten

WaveImage MODAL

WaveImage Modal ist eine Software zur Bestimmung von Schwingungseigenschaften mittels bekannter Verfahren der:

  • Operationelle Modalanalyse (OMA)
  • Experimentelle Modalanalyse (EMA)
  • Betriebsschwingformanalyse (ODS Operating Deflection Shapes)
    Berechnung von Schwingungseigenschaften unter realen Betriebsbedingungen
  • Ordnungsanalyse (OA)
    Analyse von Geräuschen oder Schwingungen von rotierenden Strukturen
  • Umweltfaktoranalyse (EFA – Environment Factor Analysis)
    Berücksichtigung von Umgebungseinflüssen, wie z. B. Temperatur und Feuchtigkeit
  • Finite-Elemente-Analyse (FEA)
    Simulation der Schwingungseigenschaften anhand der Strukturgeometrie und Materialeigenschaften
  • Strukturdynamik-Modifikationskomponente (SDM)
    Anpassung des FEModelles an die messdatenbasierten modalen Resultate (durch OMA und EMA)

Die Messdaten zur dynamischen Strukturanalyse können mittels Beschleunigungs-, Geschwindigkeits- und Wegaufnehmern aufgenommen und mittels WaveImage Modal verarbeitet werden.

WaveImage MONITORING

Automatisiertes und echtzeitfähiges Komplettsystem zum Online Condition und Structural Health Monitoring mittels Schallinformationen

  • Modular aufgebaute und an unterschiedlichste Problemstellungen modifizierbare Benutzeroberfläche zur Klassifikation mittels Schalldaten (Körper-, Luft- und Ultraschall) für die Optimierung von Instandhaltungs- und Qualitätssicherungsprozessen 
  • Zum Monitoring wird eine Signatur unter realen Betriebsbedingungen erstellt, welche die Schallantwort an möglicherweise mehreren Orten der entsprechenden Struktur mit einer dazu passenden Beschreibung des aktuellen Zustandes enthält.
  • Die Auswahl der Merkmale und Sensoren zur Erzeugung der Signatur und die Festlegung der Klassen sind sehr problembezogen und können daher separat in der Software eingestellt werden.

Universale Anwendbarkeit für unterschiedlichste Anwendungen

  • Baukastensystem aus 3 Komponenten zur Klassifikation (Abb.)
  • Modularer Aufbau ermöglicht individuelle Zusammenstellung der einzelnen Komponenten je nach den Anforderungen des Endkunden
  • Alleinstellungsmerkmal: modularer Aufbau und Vielfalt an diversen Verfahren der künstlichen Intelligenz und der Signalverarbeitung werden derzeit von keiner anderen Software am Markt erreicht.
WaveImage Monitoring
Ablaufschema zur Entwurfsphase des Klassifikators

1. Komponente der Merkmalsextraktion:

  • Filterung (Hoch- bzw. Tiefpass oder Bandpass)
  • Rauschentfernung
  • Entfernung von Hintergrundgeräuschen

2. Komponente zur Merkmalsauswahl

  • Nutzung der vorverarbeiteten Zeitdaten zur Charakterisierung von signifikanten Merkmalen, die eine bestmögliche Trennung zwischen den Klassen ermöglicht.
  • Verfahren aus dem Zeitbereich (u.a. statistische Maße z.B.: Kurtosis und Skewness)  oder
  • Verfahren aus dem Frequenzbereich (Spektrum, Oktavspektrum, Terzspektrum, Spektrogramm, Skalogramm, Ordnungsspektrum)
  • Die ausgewählten Merkmale werden dann zur Konstruktion des Klassifikators genutzt (Ein- oder Mehrklassenklassifikator möglich)

3. Komponente zur Klassifikation:

  • Support Vector Machines  
  • Hidden Markov Modelle
  • Distanzbasierte Klassifikatoren (K-Means, Fuzzy-CMeans, Ellipsoid)
  • Verteilungsbasierter Klassifikator (Bayes Klassifikator)
  • Dichtebasierter Klassifikator (K-Nächste Nachbarn)