Konzept und Demonstration eines simulationsbasierten Ansatzes für die akustische Resonanzanalyse

Die akustische Resonanzanalyse (ART) ist ein objektives zerstörungsfreies Prüfverfahren, das auf der Analyse gezielt angeregter Eigenschwingungen der zu prüfenden Teile basiert. Das Verfahren nutzt dabei die Tatsache, dass sich strukturmechanische Anomalien bzw. makroskopische Defekte in den Eigenschwingungscharakteristika fehlerhafter Prüfobjekte widerspiegeln. Entsprechende Prüfurteile werden üblicherweise mithilfe eines spezifischen Klassifikators getroffen, der zuvor auf Basis von messtechnisch an repräsentativen Teilen generierten Trainingsdaten abgeleitet wurde. Allerdings ist die experimentelle Erzeugung geeigneter Trainingsdaten häufig sehr aufwendig und aufgrund praktischer Limitierungen können die Daten einen zu geringen Umfang aufweisen sowie schlecht konditioniert sein. Die vorliegende Arbeit adressiert diese Problematik mit einem Konzept, das sich auf synthetische Trainingsdaten stützt, die primär mithilfe einer Simulationssoftware berechnet und danach unter Einbeziehung einiger experimenteller Referenzdaten in die »Messwelt« transformiert werden. Am Beispiel einer fiktiven Prüfaufgabe bzw. maschinell gefertigter Teile mit künstlichen Defekten wird das Konzept demonstriert. Dabei wird gezeigt, dass synthetische ART-Trainingsdaten nicht nur in fundierten Gut/Schlecht-Klassifizierungen münden, sondern auch quantitative Rückschlüsse auf die Anomalien fehlerhafter Objekte ermöglichen können, was das übliche Leistungsspektrum der ART übertrifft.

Acoustic resonance testing (ART) is an objective, nondestructive testing method based on the analysis of deliberately excited natural vibrations of the parts to be tested. The method leverages the fact that structural anomalies or macroscopic defects are reflected in the natural vibration characteristics of defective test objects. Corresponding test decisions are typically made by means of a specialized classifier, which has previously been derived from training data collected by measurements on representative parts. However, the experimental generation of sufficient training data is often very time-consuming and, due to practical limitations, the data may be too small and poorly conditioned. The present work addresses this difficulty with a concept based on synthetic training data that is mainly calculated with the help of simulation software and subsequently transformed into the »measurement world« by incorporating some experimental reference data. The concept is demonstrated using a fictional inspection task involving machine-made parts with artificial defects. It is shown that synthetic ART training data can not only result in reliable good/bad classifications, but can also enable quantitative conclusions about the anomalies of faulty parts, exceeding the usual capabilities of ART.