Imagery Dataset for Remaining Useful Life Estimation of Synthetic Fibre Ropes

Dieser Beitrag stellt einen neuen, öffentlich verfügbaren Bilddatensatz vor, der etwa 34.700 hochauflösende Bilder von elf Dyneema-Synthesefaserseilen umfasst, die zyklischer Ermüdungsbelastung ausgesetzt wurden, und der zur Unterstützung von Machine-Learning-Aufgaben für die Schätzung der verbleibenden Nutzungsdauer sowie für die visionsbasierte Zustandsüberwachung konzipiert ist.

Das Wesentliche

Stellen Sie sich vor, Sie haben ein sehr starkes, hochtechnisches Seil aus speziellen Fasern (wie Dyneema). Dieses Seil wird für schwere Hebeaufgaben verwendet, etwa zum Aufziehen von Windkraftanlagen oder zum Bewegen riesiger Lasten auf Schiffen. Genau wie ein Gummiband, das schließlich reißt, nachdem es zu oft gedehnt und gebogen wurde, nutzen sich diese Seile im Laufe der Zeit ab. Das große Problem ist, dass dieser Verschleiß langsam und unsichtbar im Inneren des Seils stattfindet, was es schwierig macht, genau zu wissen, wann es kurz vor dem Bruch steht.

Diese Arbeit stellt eine neue „Trainingsbibliothek" für Computer vor, um zu lernen, wann diese Seile versagen werden. Hier ist die einfache Aufschlüsselung:

Das Problem: Das Ende des Seils erraten

Derzeit müssen Sie, wenn Sie wissen wollen, ob ein Seil sicher ist, die Arbeit stoppen, es mit bloßem Auge betrachten und raten. Es ist wie der Versuch, zu erraten, wann ein Autoreifen platzen wird, indem man ihn nur einmal im Monat betrachtet. Das ist riskant und oft falsch. Die Autoren wollten ein System entwickeln, bei dem eine Kamera das Seil beobachten und sagen könnte: „Sie haben noch etwa 500 Einsetzungen übrig, bevor Sie brechen."

Die Lösung: Ein „Zeitraffer"-Fotoalbum

Um einem Computer beizubringen, dies zu tun, benötigten die Forscher ein riesiges Fotoalbum, das das gesamte Leben des Seils zeigt, vom brandneuen Zustand bis zum vollständigen Bruch. Sie erstellten einen Datensatz mit etwa 34.700 hochauflösenden Fotos.

Stellen Sie es sich wie ein „Zeitraffer"-Video vor, nur dass es statt eines Videos aus tausenden einzelnen Schnappschüssen besteht.

• Die Akteure: Sie verwendeten 11 verschiedene Seile.
• Der Belastungstest: Sie legten diese Seile auf eine Maschine, die sie tausende Male über eine Rolle (wie eine Umlenkrolle) hin und her bogen. Dies imitiert das reale Biegen, das auf Schiffen und Kränen stattfindet.
• Der Druck: Sie testeten die Seile unter verschiedenen Gewichten, von leichten Lasten (60 kN) bis zu sehr schweren Lasten (280 kN).
• Das Ergebnis: Einige Seile hielten lange durch (über 8.000 Biegungen), während andere unter hoher Belastung schnell brachen (in weniger als 700 Biegungen).

Wie die Bilder aufgenommen wurden

Jedes Mal, wenn die Maschine das Seil eine bestimmte Anzahl von Malen bog (ein „Burst"), hielt sie an. Dann nahm eine Hochgeschwindigkeitskamera 10 Fotos von verschiedenen Stellen entlang der Seillänge auf.

Warum 10 Fotos? Weil Schäden nicht fair verteilt sind; sie treten nicht gleichmäßig auf. Eine Stelle am Seil könnte ausfransen, während die Stelle daneben perfekt aussieht. Das Aufnehmen von 10 Fotos stellt sicher, dass der Computer das gesamte Bild sieht und nicht nur einen glücklichen Ort.

Das „Geheimgewürz": Die Beschriftungen

Jedes einzelne Foto in diesem Datensatz hat ein Etikett. Es ist wie ein Zeitstempel, der sagt: „Dieses Foto wurde nach 5.000 Biegungen aufgenommen, und das Seil brach bei 8.000 Biegungen."

Dies ermöglicht dem Computer einfache Mathematik:

• Gesamtlebensdauer: 8.000 Biegungen
• Aktuelles Alter: 5.000 Biegungen
• Verbleibende Lebensdauer: 3.000 Biegungen

Da sie diese Mathematik für jedes einzelne Foto haben, können sie künstliche Intelligenz (KI) trainieren, ein Bild eines Seils zu betrachten und genau zu berechnen, wie viel „Leben" noch übrig ist, selbst wenn das Seil für das menschliche Auge größtenteils in Ordnung aussieht.

Warum dies wichtig ist

Vor dieser Arbeit gab es keine öffentliche Sammlung von Fotos, die das gesamte Leben dieser Seile von Anfang bis Ende zeigte. Forscher mussten ihre eigenen kleinen Tests aufbauen, was lange dauerte und viel Geld kostete.

Jetzt kann jeder dieses „Fotoalbum" herunterladen und seine KI lehren:

1. Schäden frühzeitig zu erkennen.
2. Die Zukunft vorherzusagen (wie viele Biegungen noch übrig sind).
3. Zu lernen, wie unterschiedliche Gewichte beeinflussen, wie schnell sich das Seil abnutzt.

Kurz gesagt liefert diese Arbeit das „Lehrbuch" aus Bildern, das Informatiker benötigen, um intelligentere, sicherere Systeme zu bauen, die uns genau sagen können, wann ein Seil ersetzt werden muss, bevor es reißt, was Unfälle verhindert und Geld spart.

Technische Zusammenfassung

Technischer Zusammenfassung: Bilddatensatz für die Schätzung der Restnutzungsdauer von synthetischen Fasertauen

Problemstellung
Der sichere Betrieb von Offshore-Kränen, Schiffen zur Installation von Windkraftanlagen und Systemen zum Umgang mit schweren Lasten hängt stark von synthetischen Fasertaufen (SFRs) ab, insbesondere solchen aus hochmodularem Polyethylen (HMPE) wie Dyneema. Obwohl diese Seile Vorteile bei Festigkeit und Gewicht gegenüber Stahlseilen bieten, sind sie während zyklischer Biegebelastungen über Umlenkrollen (BOS) einer fortschreitenden Ermüdungsdegradation unterworfen. Die aktuellen industriellen Praktiken zur Überwachung des Seilzustands basieren auf periodischen manuellen Sichtprüfungen und konservativen „Rückzug-zur-Zeit"-Politiken, die subjektiv sind und für variable reale Belastungsbedingungen ungeeignet. Obwohl datengesteuerte Zustandsüberwachung eine vielversprechende Alternative darstellt, wurde die Entwicklung von bildbasierten Algorithmen zur Schätzung der Restnutzungsdauer (RUL) durch das Fehlen öffentlich verfügbarer Bilddatensätze behindert, die den vollständigen Degradationslebenszyklus von SFRs unter kontrollierter zyklischer Ermüdung erfassen. Bestehende Datensätze, einschließlich der vorherigen Arbeit der Autoren zur Defektklassifizierung, fehlen die für Prognosen notwendige zeitliche Lebenszyklusinformation.

Methodik und experimenteller Aufbau
Um diese Datenlücke zu schließen, erstellten die Autoren einen neuartigen Bilddatensatz durch eine kontrollierte experimentelle Kampagne mit elf Dyneema SK75/78 HMPE-Seilproben (8 mm nomineller Durchmesser, 12-fach geflochten). Die Experimente wurden auf einem Umlenkrollen-Biegeprüfstand durchgeführt, der die betriebliche BOS-Belastung nachbildet.

• Belastungsbedingungen: Die Proben wurden zyklischer Ermüdung bei sieben unterschiedlichen axialen Lastniveaus im Bereich von 60 kN bis 280 kN unterzogen. Die Tests wurden bis zum mechanischen Versagen fortgesetzt, definiert als ein plötzlicher, vollständiger Verlust der Tragfähigkeit. Die Ermüdungslebensdauern variierten umgekehrt proportional zur Last und reichten von 690 Zyklen (bei 250 kN) bis 8.340 Zyklen (bei 60 kN).
• Datenerfassung: Ein Bildgebungssystem bestehend aus einer Hochgeschwindigkeitskamera Basler acA2000 (1920 × 1200 Pixel) und einem 12-Megapixel-Objektiv wurde verwendet. Die Beleuchtung erfolgte durch Aputure AL-MC RGBWW-LED-Lichter, die in einem Winkel von 45° positioniert waren, um eine gleichmäßige, schattenfreie Beleuchtung sicherzustellen.
• Abtaststrategie: Die Datenerfassung erfolgte in „Inspektionsbursts". Nach einer festen Anzahl von Umlenkrollen-Zyklen (10–20 Zyklen pro Burst, abhängig von der Last) wurde der Prüfstand angehalten, und zehn Bilder wurden an verschiedenen Querschnittspositionen entlang des Seils aufgenommen. Diese räumliche Abtaststrategie berücksichtigt die nicht einheitliche Natur von Ermüdungsschäden entlang der Seillänge.
• Steuerung und Synchronisation: Ein NVIDIA Jetson Nano P3450 verwaltete die Bildaufnahme, synchronisiert mit der SPS des Prüfstands über ein Handshake-Protokoll, um eine präzise Zeitsteuerung und eine eindeutige Zuordnung der Bilder zu den Zykluszahlen sicherzustellen.
• Zusammensetzung des Datensatzes: Der endgültige Datensatz umfasst etwa 34.700 hochauflösende PNG-Bilder. Jedes Bild ist mit der verstrichenen Zykluszahl und der spezifischen Seilidentität annotiert.

Hauptbeiträge
Der primäre Beitrag dieser Arbeit ist die Veröffentlichung des ersten öffentlich verfügbaren Lebenszyklus-Bilddatensatzes speziell für HMPE-Seile unter zyklischer Ermüdung. Zu den wichtigsten Merkmalen gehören:

1. Abdeckung des gesamten Lebenszyklus: Der Datensatz erfasst die visuelle Entwicklung von intaktem Zustand über fortschreitende Degradation bis zum mechanischen Versagen für alle elf Proben.
2. Lastvielfältiger Benchmark: Durch die Abdeckung von sieben Lastniveaus (60–280 kN) ermöglicht der Datensatz die Untersuchung lastbedingter Degradationsraten und die Entwicklung von Modellen, die sich über verschiedene Spannungsniveaus hinweg verallgemeinern lassen.
3. Räumliche und zeitliche Auflösung: Die Einbeziehung von zehn räumlich verteilten Bildern pro Inspektionsburst liefert ein reichhaltigeres Trainingssignal als Einzelbild-Strategien und erfasst die räumliche Variabilität von Schäden.
4. Direkte RUL-Beschriftung: Jedes Bild ist mit einer verstrichenen Zykluszahl gepaart, was die direkte Berechnung der RUL ($RUL = N_{failure} - N_{elapsed}$) ermöglicht. Dies unterstützt sowohl kontinuierliche Regressionsaufgaben als auch diskrete Lebensphasenklassifizierung (früh, mittel, spät).
5. Kompatibilität: Das Datenformat und die Struktur sind so gestaltet, dass sie mit einer breiten Palette von Deep-Learning-Architekturen kompatibel sind, einschließlich CNNs, Vision Transformern (ViT) und multimodalen Vision-Sprach-Modellen.

Ergebnisse und Datencharakteristika
Der Artikel präsentiert keine Ergebnisse spezifischer maschineller Lernmodelle, die auf den Daten trainiert wurden; vielmehr sind die „Ergebnisse" der Datensatz selbst und seine statistischen Eigenschaften. Die Daten zeigen einen klaren umgekehrten Zusammenhang zwischen aufgebrachter Last und Ermüdungslebensdauer. Die Gesamtzahl der Bilder von ca. 34.700 bietet ein statistisch aussagekräftiges Volumen für das Training von Deep-Learning-Modellen. Der Datensatz ist in elf Ordner unterteilt (einer pro Probe), die jeweils Metadaten zu Lastniveaus, Seilgeschwindigkeit und Zykluszahlen enthalten.

Bedeutung und Behauptungen
Die Autoren positionieren diesen Datensatz als grundlegende Benchmark-Ressource für die Forschungscommunity. Seine Bedeutung liegt in:

• Ermöglichung automatisierter RUL-Vorhersage: Er erleichtert die Entwicklung bildbasierter Systeme, die frühzeitige Warnungen vor drohendem Versagen geben können, was potenziell ungeplante Wartungskosten senkt und katastrophale Sicherheitsvorfälle verhindert.
• Vervollständigung der Zustandsüberwachungskette: In Kombination mit dem vorherigen Defektklassifizierungsdatensatz der Autoren deckt diese Ressource das gesamte Spektrum der Zustandsüberwachung (CM) ab, von der Fehlererkennung bis zur Vorhersage der Restlebensdauer.
• Standardisierung: Durch die Bereitstellung eines standardisierten, lastvielfältigen und vollständig annotierten Datensatzes zielen die Autoren darauf ab, die Entwicklung und den fairen Vergleich von Prognose- und Gesundheitsmanagement-Algorithmen (PHM) für SFRs zu beschleunigen und das Feld über die Grenzen manueller Inspektion und proprietärer Daten hinaus zu führen.

Die Arbeit ist in ihren Behauptungen bescheiden und konzentriert sich auf die Bereitstellung der Dateninfrastruktur, die für zukünftige Forschung notwendig ist, anstatt einen spezifischen Algorithmus vorzuschlagen oder eine unmittelbare industrielle Implementierung zu beanspruchen. Der Datensatz soll als Werkzeug für Forscher dienen, um ihre eigenen visionbasierten Prognosemodelle zu entwickeln und zu validieren.