Enhancing Vibration-Based Failure Identification in Beam Structures Using Statistical Features and Machine Learning

Dieses Kapitel untersucht die Verbesserung der schwingungsbasierten Fehlererkennung in Strahlstrukturen durch die Integration statistischer Merkmale und maschinelles Lernen. Die Studie führt einen neuartigen statistisch basierten Modal Curvature Index (SBMCI) zur präzisen Schadenslokalisierung ein, der traditionelle Methoden wie die Modal Curvature Method (MCM) und die Mode Shape Curvature Squares Method (MSCS) übertrifft, indem er Fehlalarme reduziert. Die Forschung präsentiert zudem einen hybriden Ansatz, der den künstlichen Kolibri-Algorithmus (AHA) mit künstlichen neuronalen Netzen (ANN) kombiniert, um Schäden auch unter lauten Bedingungen präzise zu quantifizieren. Fallstudien an einem einfach getragenen Stahlträger und einem dreispurigen durchgehenden Betonträger zeigen die Wirksamkeit der vorgeschlagenen Methoden. Die Ergebnisse zeigen, dass der SBMCI-Index die Genauigkeit der Schadenslokalisierung verbessert, während das AHA-ANN-Modell eine hohe Präzision bei der Schadensquantifizierung mit Fehlern unter 2% erreicht. Dieser umfassende Ansatz bietet eine robuste Lösung für die strukturelle Gesundheitsüberwachung und macht ihn zu einer wertvollen Ressource für Fachleute in diesem Bereich.