Please use this persistent identifier to cite or link to this item: doi:10.24405/4355
DC FieldValueLanguage
dc.contributor.advisorLammering, Rolfde_DE
dc.contributor.authorBerg, Thomas-
dc.date.accessioned2019-09-23T09:10:02Z-
dc.date.available2019-09-23T09:10:02Z-
dc.date.issued2019-
dc.identifier.urihttps://doi.org/10.24405/4355-
dc.description.abstractDie Analyse von Schädigungen auf Basis von verrauschten und unsicheren Messungen stellt einen typischen Anwendungsfall Bayes'scher Filter im Rahmen des Structural Health Monitorings dar. Mittels Bayes'scher Inferenz werden unter Ausnutzung sequentiell zur Verfügung gestellter Daten sowohl Ausmaße von Schäden bestimmt wie auch in der Modellierung definierte, unbekannte Größen identifiziert. In dieser Arbeit wird der zuvor genannte Ansatz erweitert, um eine simultane Betrachtung unzureichenden Wissens über die Sensorcharakteristika im Hinblick auf Ermüdungsschädigungen zusätzlich zu erlauben. Die unzureichende Kenntnis über Sensorcharakteristika bedingt, dass eine direkte Relation von Messdaten und Schädigungen nicht möglich ist, womit das angeführte statistische inverse Problem ungleich komplexer wird. Die Herausforderung der Bayes'schen Sensorkalibrierung, welche im Folgenden adressiert wird, besteht damit in der gleichzeitigen Inferenz von unbekannten Schadensausmaßen, Schadensmodellparametern und Sensorcharakteristika auf Grundlage von verrauschten Messungen, welche nicht direkt zuordenbar sind sowie mittels eines für die Ermüdungsschädigungen anwendbaren Modellgesetzes. Den Ausgangspunkt der Untersuchung bildet die Einführung eines hybriden Filters, welches numerisch robuste Ergebnisse liefert. Im Anschluss erfolgt die Validierung durch die Anwendung auf Messdaten, welche einerseits aus einer simulierten Ermüdungsschädigung generiert werden und andererseits experimentell bestimmt wurden. Abschließend werden die Inferenzergebnisse durch die Steigerung des apriorisch verfügbaren Wissens mit Hilfe von Finite-Elemente-Berechnungen weiter verbessert.de_DE
dc.description.abstractThe analysis of damage on the basis of noisy und uncertain measurements represents a typical application of Bayesian filtering in the context of Structural Health Monitoring. By means of Bayesian inference and sequentially provided data, both the extent of damages as well as the unknown parameters involved in the modelling process are determined and identified. In this work, the aforementioned approach is extended to allow for a simultaneous consideration of insufficient knowledge on the sensor characteristics with respect to fatigue damage. The inadequate information on the sensor characteristics result in the inability to directly relate measurements to damage extents, which yields a substantially more complex statistical inversion problem. The challenge of the hereinafter addressed Bayesian sensor calibration encompasses the simultaneous inference of unknown damage extents, damage model parameters and sensor characteristics on the basis of noisy as well as unrelatable measurements and governing equations applicable to fatigue damage growth. Initially, a hybrid Bayesian filter that provides numerically robust results is introduced. Subsequently, a validation is conducted by applying the methodology to measurement data generated from simulated fatigue damage on the one hand and data experimentally obtained on the other hand. Finally, the inference results are further improved by enhancing the knowledge available a priori by means of finite element simulations.de_DE
dc.description.sponsorshipMechanikde_DE
dc.language.isodede_DE
dc.publisherUniversitätsbibliothek der HSU/UniBwHde_DE
dc.subjectUniversitätsbibliographiede_DE
dc.subjectEvaluation 2019de_DE
dc.subject.ddcDDC - Dewey Decimal Classification::600 Technik::620 Ingenieurwissenschaftende_DE
dc.subject.otherProbabilistische Verfahrende_DE
dc.subject.otherErmüdungsrisswachstumde_DE
dc.subject.otherSchadensdiagnosede_DE
dc.subject.otherProbabilistic Analysisde_DE
dc.subject.otherFatigue Crack Growthde_DE
dc.subject.otherDamage Diagnosisde_DE
dc.titleBayes'sche Sensorkalibrierung in der Überwachung von Ermüdungsschädigungen am Beispiel der Potential-Drop-Methodede_DE
dc.typeThesisde_DE
dcterms.dateAccepted2019-03-27de_DE
dc.contributor.refereeHorn, Joachimde_DE
dc.identifier.urnurn:nbn:de:gbv:705-opus-32282-
hsu.accessrights.dnbfreede_DE
dc.contributor.affiliationMechanikde_DE
dcterms.bibliographicCitation.originalpublisherplaceHamburgde_DE
dc.contributor.grantorHSU Hamburgde_DE
dc.identifier.urlhttp://edoc.sub.uni-hamburg.de/hsu/volltexte/2019/3228/-
dc.identifier.urlhttps://ub.hsu-hh.de/DB=1.8/XMLPRS=N/PPN?PPN=1674638485-
dc.type.thesisDoctoral Thesisde_DE
local.submission.typefull-textde_DE
item.grantfulltextopen-
item.fulltext_sWith Fulltext-
item.languageiso639-1de-
item.fulltextWith Fulltext-
item.openairetypeThesis-
Appears in Collections:Publications of the HSU Researchers
Files in This Item:
File Description SizeFormat
openHSU_4355.pdf2.47 MBAdobe PDFView/Open
Show simple item record

CORE Recommender

Google ScholarTM

Check


Items in openHSU are protected by copyright, with all rights reserved, unless otherwise indicated.