AI-Enabled Structural Health Monitoring with Piezoelectric Sensors

Die Überwachung des strukturellen Gesundheitszustands ist die Praxis, eine ständige, stille Wache über die Brücken, Flugzeuge und Gebäude zu halten, die unsere moderne Welt aufrechterhalten. Anstatt darauf zu warten, dass ein Riss zu einem katastrophalen Versagen führt, nutzen Ingenieure Sensoren, um auf die subtilen Anzeichen von Belastung zu hören, lange bevor das menschliche Auge sie erkennen könnte. Eines der effektivsten Werkzeuge für dieses Zuhören ist eine spezielle Art von keramischem Material, ein piezoelektrischer Wandler. Diese kleinen, flachen Patches besitzen die einzigartige Fähigkeit, sowohl als Lautsprecher als auch als Mikrofon zu fungieren. Wenn man ihnen einen winzigen elektrischen Impuls sendet, vibrieren sie und senden eine mechanische Welle durch das Metall, an dem sie befestigt sind. Wenn dieses Metall gesund ist, wandert die Welle reibungslos durch es. Wenn es einen Riss oder einen Defekt gibt, wird die Welle reflektiert, gestreut oder verändert ihre Geschwindigkeit, und der Sensor registriert diese veränderten Signale. Durch die Analyse der Art und Weise, wie sich das Signal verändert, können Ingenieure bestimmen, ob eine Struktur beschädigt ist und wo sich der Schaden befindet.

In einer kürzlich durchgeführten Studie untersuchten die Forscher Shashank Padasalagi und Harshitha Pawar von der M S Ramaiah University of Applied Sciences in Bengaluru, Indien, wie man diesen Prozess noch intelligenter gestalten kann, indem man Computersimulationen mit künstlicher Intelligenz kombiniert. Sie konzentrierten sich auf einen einfachen Aluminiumbalken, einen häufigen Grundbaustein in vielen Leichtbaustrukturen, um zu sehen, ob man einem Computer beibringen kann, einen Riss allein durch den Blick auf die elektrischen Signale eines piezoelektrischen Sensors zu erkennen. Das Team baute für dieses spezifische Experiment keinen physischen Balken in einem Labor; stattdessen erstellten sie einen hochdetaillierten digitalen Zwilling des Balkens innerhalb einer leistungsstarken Simulationssoftware. Diese virtuelle Umgebung ermöglichte es ihnen, einen Riss an Dutzenden verschiedener Stellen entlang des Balkens zu platzieren und genau aufzuzeichnen, wie sich das elektrische Signal als Reaktion auf jede neue Position veränderte.

Die Forscher begannen mit der Modellierung eines rechteckigen Aluminiumbalkens, der 200 Millimeter lang war. Sie klebten einen kleinen piezoelektrischen Patch an eine Stelle, um als Aktuator zu fungieren, der das Signal sendet, und einen weiteren Patch, um als Sensor zu fungieren, der zuhört. Dann führten sie einen simulierten Riss in den digitalen Balken ein und bewegten diesen schrittweise von 20 Millimetern bis 180 Millimetern entlang der Länge des Balkens. An jeder dieser 33 Positionen führten sie eine Simulation durch, um zu sehen, wie die elektrische Spannung über die Zeit fluktuierte. Aus diesen komplexen, schwankenden Wellenformen extrahierten sie sechs spezifische Zahlen, die die Form und den zeitlichen Ablauf des Signals beschreiben, wie etwa die Höhe der Spitzenwerte oder die Geschwindigkeit, mit der das Signal eintrifft. Durch die Kombination der Daten aus vier verschiedenen Abnahmepunkten erstellten sie einen detaillierten Fingerabdruck für jede einzelne Rissposition.

Mit diesem Bestand an digitalen Fingerabdrücken in der Hand wandte sich das Team dem maschinellen Lernen zu, um zu sehen, ob ein Computer das Muster lernen kann. Sie unterteilten ihre Arbeit in zwei Aufgaben: erstens einfach zu entscheiden, ob der Balken gesund oder beschädigt war, und zweitens zu erraten, wo genau sich der Riss befand. Für die erste Aufgabe verwendeten sie ein Klassifizierungswerkzeug, das lernte, eine Linie zwischen den „gesunden“ Signalen und den „beschädigten“ Signalen zu ziehen. Um einen Satz gesunder Beispiele zum Trainieren des Computers zu erstellen, nahmen sie eines der beschädigten Signale und veränderten es mathematisch, indem sie ein wenig zufälliges Rauschen hinzufügten und das Timing verschoben, um zu simulieren, was ein perfekter Balken darstellen würde. Sie testeten das System dann an einer Sequenz von Daten, die mit gesunden Signalen begann und plötzlich in beschädigte Signale überging. Der Computer identifizierte den Moment des Schadenseintritts erfolgreich und löste Alarm aus, sobald sich das Signal änderte, was bewies, dass das Konzept in einem kontinuierlichen Überwachungszeitraum funktionieren kann.

Für die zweite Aufgabe verwendeten die Forscher einen anderen Typ von maschinellem Lernmodell, das darauf ausgelegt ist, Vorhersagen mit einem eingebauten Maß an Zuverlässigkeit zu treffen. Dieses Modell wurde nur mit den Daten der beschädigten Balken trainiert und sollte die Position des Risses basierend auf den Signalmerkmalen erraten. Die Ergebnisse zeigten, dass der Computer im Allgemeinen dem Trend der Rissposition folgen konnte, aber nicht perfekt präzise war. Das Modell schätzte den Ort mit einem durchschnittlichen Fehler von 25,09 Millimetern. Obwohl dies nach einer großen Fehlermarge klingen mag, war das System ehrlich bezüglich seiner Unsicherheit und lieferte einen Bereich möglicher Standorte statt einer einzelnen, potenziell falschen Vermutung. Die Studie visualisierte zudem die Daten, um zu zeigen, dass die Signale aus verschiedenen Risspositionen tatsächlich distinkte Gruppen bildeten, was bestätigte, dass die Risse eine einzigartige Signatur auf dem Balken hinterließen.

Die Forscher waren sorgfältig darin, ihre Ergebnisse als einen Machbarkeitsnachweis (Proof of Concept) und nicht als eine fertige, einsatzbereite Lösung darzustellen. Sie merkten an, dass ihre „gesunden“ Daten künstlich aus einer beschädigten Simulation generiert wurden und nicht von einem echten, unbeschädigten Balken stammten, was die Zuverlässigkeit der Ergebnisse einschränkt. Zudem stammte der gesamte Datensatz aus einem Computermodell und nicht aus physischen Experimenten mit echtem Metall und echten Sensoren. Trotz dieser Einschränkungen zeigt die Arbeit einen klaren Weg nach vorn auf. Sie verdeutlicht, dass wir durch die Kombination der Physik darüber, wie Wellen durch Metall wandern, mit der Mustererkennungskraft künstlicher Intelligenz Systeme bauen können, die Schäden erkennen und lokalisieren. Die Studie legt nahe, dass dieser Ansatz mit mehr Daten, realen Tests und verfeinerten Modellen schließlich dazu beitragen könnte, unsere Infrastruktur sicher zu halten, indem er Probleme erkennt, bevor sie mit bloßem Auge sichtbar werden.