Anwendung künstlicher Intelligenz zur Quellenlokalisierung von Schallemissionsereignissen durch Untersuchung charakteristischer Signalmerkmale

Im Rahmen dieser Forschung wird der Einsatz künstlicher Intelligenz zur Quellenlokalisierung von akustischen Emissionen untersucht. Im Detail wurden drei unterschiedliche Versuchsreihen an einer Platte aus Granit mit homogenem und isotropem Materialverhalten durchgeführt. Akustische Emissionen konnten durch das Brechen von Bleistiftminen sowie das Fallenlassen von Reiskörnern und Stahlkugeln erzeugt werden. Für die Datengenerierung wurden 81 spezifische Positionen mit einem Abstand von jeweils 50 mm in x- und y-Richtung definiert und je 128 Messungen vollzogen. Die Systemantworten wurden mittels 8 akustischer Emissionssensoren aufgezeichnet, welche auf der Plattenoberfläche positioniert worden sind. In weiteren Schritten konnten die Messdaten verarbeitet und die resultierenden charakteristischen Signalmerkmale mittels kontinuierlicher Wavelet-Transformation in Skalogramme (Zeit-Frequenz-Bilder) umgewandelt werden. Die generierten Skalogramme wurden im Anschluss so aufbereitet, dass zwei unterschiedliche Datensätze erstellt und als Eingabedaten genutzt werden konnten. Zugleich dienten die entsprechenden Messpositionen als Ziel- bzw. Ausgabewerte. Auf Basis dieser zugeordneten Datensätze wurde die Methode des überwachten Lernens angewandt. Hierfür konnte als primärer Ansatz die Bildklassifizierung mittels gefalteter neuronaler Netze und als sekundärer Ansatz die Regressionsanalyse über unterschiedliche Regressionsmethoden praktiziert werden. Die Datensätze wurden hierfür in einem Verhältnis von 70 Prozent zum Training und 30 Prozent zur Validierung aufgeteilt. Weiterhin wurde eine isolierte sowie überlagerte Untersuchung der drei unterschiedlichen Versuchsreihen vollzogen. Im primären Fall der Bildklassifizierung wiesen die Trainings- und Validierungsergebnisse eine signifikant hohe Vorhersagegenauigkeit und eine zugleich geringe Fehlerrate auf. Im Gegensatz dazu konnte im sekundären Fall der Regressionsanalyse lediglich eine vergleichsweise moderat hohe Vorhersagegenauigkeit erzielt werden. Zusammenfassend belegen beide Ansätze eine gute bis hervorragende Anwendbarkeit künstlicher Intelligenz zur Quellenlokalisierung akustischer Emissionen.