Die vorliegende Erfindung betrifft ein Verfahren zur Vorhersage von Versagenslasten von Strukturen aus Faserverbundwerkstoffen auf Basis von Schallemissionsdaten, dessen Verwendung und eine Verwendung eines Datenträgers mit einem Schallemissi- onsprüfSystem in dem Verfahren.

Bei der Schallemission handelt es sich um elastische Wellen, die durch ruckartige Mikroverformungen im Inneren eines Festkörpers freigesetzt werden. Diese entstehen zum Beispiel durch die Bildung eines Risses. Die elastischen Wellen breiten sich als Schallwelle im Festkörper aus und können auf der Oberfläche mit ^¬ tels piezoelektrischer Sensoren detektiert werden. Diese setzen die Schallwelle in ein elektrisches Spannungssignal um, welches für die weitere Interpretation herangezogen wird. Die Materialklasse der Faserverbundwerkstoffe zeichnet sich durch eine be- sonders hohe Schallemissionsaktivität aus. Bereits weit vor dem finalen Versagen des Werkstoffs werden bei Belastung zahlreiche mikroskopische Bruchvorgänge ausgelöst, welche als Schallemis ^¬ sion aufgezeichnet werden können. Dadurch kann bereits frühzei ^¬ tig eine Entstehung von Schädigung im Material detektiert wer- den.

Üblicherweise wird eine Struktur oder ein Prüfkörper einer kontinuierlichen Lasterhöhung bzw. sich kontinuierlich erhöhenden Belastung unterzogen. Die Schallemissionssignale werden bei ei- ner gleichförmigen (quasi-statischen) Belastung des Werkstoffs aufgezeichnet. Hierdurch wird die Schädigung im Werkstoff als Funktion der äußeren Belastung aufgezeichnet.

Abwandlungen der Methodik bestehen darin, eine Struktur oder einen Prüfkörper nicht einmalig, sondern mehrfach einer zyklus- oder stufenweisen Lasterhöhung bzw. Belastung zu unter- ziehen. Der Werkstoff wird mit sogenannten Laststeigerungsversuchen belastet. In entsprechenden Normen (zum Beispiel ASTM E 1067) wird dabei insbesondere die Berechnung der "Felicity-Ratio" bzw. des "Felicity-Verhältnisses " als Maß für den Schädigungsgrad des Bauteils herangezogen. Für die Schall ^¬ emissionsanalyse lassen sich die Felicity-Ratios wie folgt de ^¬ finieren :

Felicity Ratio (FR) = L _onSf2 I ^L l (!)

Dabei wird der Belastungszustand des aktuellen Zyklus Lons,2' bei dem die erste signifikante Schallemission einsetzt, ins Ver ^¬ hältnis zur vorherigen Maximalbelastung L _] _ gesetzt.

Die Felicity-Ratio sinkt dabei während der zyklus- oder stufen ^¬ weisen Belastung immer weiter ab, bis es bei einem kritischen Wert zum Versagen kommt, wie dies unter anderem in Abraham, A.R.A., Johnson, K.L., Nichols, CT., Saulsberry, R.L., Waller, J.M. : "Use of Statistical Analysis of Acoustic Emission Data on Carbon-Epoxy COPV Materials-of-Construction for Enhanced Felicity Ratio Onset Determination", JSC-CN-26080 , 2011, und Waller, J.M., Nichols, CT., Wentzel, D.J., Saulsberry, R.L., Thompson, D.O., Chimenti, D.E.: "Use of Modal Acoustic Emission to Monitor Damage Progression in Carbon Fiber^Epoxy Composites", AIP Conference Proceedings, Seiten 919 bis 926, San Diego, California, USA, 2011, beschrieben ist. Eine sinkende Felicity- Ratio bedeutet dabei anschaulich, das der Ersteinsatz der Schallemission bezogen auf das vorhergehende Lastniveau immer früher stattfindet. Dies kommt durch die zunehmende Anzahl an Mik- roschädigungen zustande, die sich immer früher ausbreiten und in Summe zum endgültigen Versagen führen.

Von der NASA White Sand Test Facilities (WSTF) wurde ein Ver ^¬ fahren zur Vorhersage einer prognostizierten Versagenslast vor- geschlagen. Das Verfahren sieht vor, eine Struktur oder einen Prüfkörper soweit zu belasten, wie dies im regulären Betrieb üblicherweise erreicht wird. Bei Kenntnis der kritischen Feli- city-Ratio kann eine Vorwärtsextrapolation der Messdaten eine prognostizierte Versagenslast vorhersagen. Aufgrund der Streuung der Messdaten unterliegt dieses Verfahren allerdings einer nicht unerheblichen Unsicherheit, wie der Fig. 8 zu entnehmen ist. Untersuchungen haben gezeigt, dass der Zusammenhang zwischen Fe- licity-Ratio und Belastungszustand nur selten derart linear ist, dass sich durch einfache Vorwärtsextrapolation eine ausreichende Prognosegenauigkeit erhalten lässt. Wenn die Felicity-Ratio auch dazu dient, den Zeitpunkt des Auftretens neuer, signifikanter Schallemission anzuzeigen und diesen in Bezug zur vorherigen Last zu setzen, scheint dieses Verfahren für eine hinreichend genaue Prognose der Versagenslast und damit Umsetzung in die Praxis wenig geeignet. Jedenfalls konnte bei den Untersuchungen eine Sicherheit größer als 50 % der prognostizierten Versagens ^¬ last nicht oder allenfalls selten erreicht werden.

Der vorliegenden Erfindung liegt daher die Aufgabe zugrunde, ein Verfahren zur Vorhersage von Versagenslasten von Strukturen aus Faserverbundwerkstoffen auf Basis von Schallemissionsdaten zur Verfügung zu stellen, mit welchem sich die obigen Nachteile verhindern lassen, welches mithin auf ausgesprochen einfache Weise eine hohe Stabilisierung aufweist und signifikante Erhöhung der Prognosegenauigkeit und Prognosezuverlässigkeit ermöglicht, dessen Verwendung und eine Verwendung eines Datenträgers mit einem SchallemissionsprüfSystem in dem Verfahren bereitzustellen .

Diese Aufgabe wird in verfahrenstechnischer Hinsicht auf überraschend einfache Weise durch die Merkmale des Anspruchs 1 gelöst .

Durch die Ausgestaltung des erfindungsgemäßen Verfahrens zur Vorhersage von Versagenslasten von Strukturen aus Faserverbund- Werkstoffen auf Basis von Schallemissionsdaten, umfassend folgende Schritte:

a) Erfassen von an einer Struktur bei einer zyklus- oder stufenweisen Belastung auftretenden Schallemissionssignalen,

b) Bestimmen und Berechnen von wenigstens zwei Kriterien (K) , die einen bei der zyklus- oder stufenweisen Belas- tung aufgetretenen Schädigungsgrad der Struktur definieren, aus den erfassten Schallemissionssignalen nach Schritt a) , und

c) Durchführen einer multivarianten Datenanalyse mit den wenigstens zwei bestimmten und berechneten Kriterien (K) nach Schritt b) mittels einer Funktionsapproximation (f) pro Zyklus: f ( ^K n, i) ⁼ ( ^L i-1 / ^L max) (2) mit n = Anzahl der Kriterien (K)

i = Lastzyklus

L = Belastung

L _max = Maximalbelastung zur Vorwärtsextrapolation und Vorhersage der Versagenslast der Struktur,

ist erfindungsgemäß ein Verfahren vorgeschlagen, welches sich in der Praxis als besonders vorteilhaft erwiesen hat. So ermöglicht das erfindungsgemäße Verfahren auf ausgesprochen einfache Weise eine Vorhersage von Versagenslasten von Strukturen oder Prüfkörpern oder dergleichen Komponenten bzw. Bauteilen aus Faserverbundwerkstoffen auf Basis von Schallemissionsdaten. Dabei zeichnet sich das erfindungsgemäße Verfahren in besonderer Weise durch eine deutliche Stabilisierung der Verfahrensweise selbst aus. Darüber hinaus lassen sich Prognosegenauigkeit und Progno ^¬ sezuverlässigkeit durch das erfindungsgemäße Verfahren wesent ^¬ lich erhöhen. Das erfindungsgemäße Verfahren unterscheidet sich von sämtlichen der bis dato bekannten Verfahren dadurch, dass der Vorhersage nicht nur ein einziges Kriterium bzw. ein einziger Parameter, sondern gleichzeitig wenigstens zwei Kriterien bzw. Parameter oder mehrere zugrundegelegt ist/wird. Dadurch ist es erstmals überhaupt für komplexe Faserverbundstrukturen möglich, eine gesicherte Vorhersage aus Schallemissionsdaten abzuleiten und die nötige Stabilität für eine hohe Prognosegenauigkeit vor ^¬ zusehen . Weitere vorteilhafte Einzelheiten des erfindungsgemäßen Verfahrens sind in den Ansprüchen 2 bis 11 beschrieben.

Von großer Bedeutung für eine besonders einfache, zugleich hochgenaue und ausgesprochen zuverlässige Prognose sind die Merkmale des Anspruchs 2. Danach werden die wenigstens zwei Kriterien auf Basis der Felicity-Ratio bzw. des Felicity-Verhältnisses und/o ^¬ der der Shelby-Ratio bzw. des Shelby-Verhältnisses und/oder ei ^¬ ner Energy-Ratio oder energiebasierten Ratio bzw. des Energy- Verhältnisses bestimmt und berechnet.

Von gleichermaßen großem Interesse sind die konstruktiven Maßnahmen des Anspruchs 3. Demzufolge werden die wenigstens zwei Kriterien auf Basis einer oder mehrerer der Felicity-Ratio und/oder der Shelby-Ratio und/oder einer Energy-Ratio oder ener- giebasierten Ratio bestimmt und berechnet.

Weiterhin ist erfindungsgemäß vorgesehen, dass die wenigstens zwei Kriterien auf Basis der Felicity-Ratio nach Anspruch 4 anhand des Ersteinsatzes der signifikanten Schallemission, insbe- sondere des absoluten Ersteinsatzes L _a k _s , des mittleren Kraft ^¬ bezugswertes der ersten N aufgezeichneten Signale L <N , des/der Ergebnisse/s einer Trendanalyse der akkumulierten Größe Ltrend oder des Historie Index L^ _j , bestimmt und berechnet werden. Entsprechend Anspruch 5 werden die wenigstens zwei Kriterien in vorteilhafter Weise auf Basis der Shelby-Ratio anhand des kri ^¬ tischen Ersteinsatzes, insbesondere einer bestimmten Signalanzahl, eines bestimmten akkumulierten Energiewertes, einer bestimmten akkumulierten Amplitude, des Ergebnisses einer Trenda- nalyse der akkumulierten Größe oder des Historie Index L^ _j , be ^¬ stimmt und berechnet. In bevorzugter Ausgestaltung der Erfindung werden die wenigstens zwei Kriterien gemäß Anspruch 6 auf Basis der Energy-Ratio oder energiebasierten Ratio, die direkt oder indirekt auf die Intensität der Schallemissionssignale bezogen sind, bestimmt und berechnet.

In diesem Zusammenhang werden die wenigstens zwei Kriterien entsprechend Anspruch 7 vorzugsweise auf Basis der Signalamplitude, der Signalenergie, der Durchschnittsamplituden, deren abgelei- teten Signalgrößen oder dergleichen bestimmt und berechnet.

In dazu alternativer oder kumulativer Weise können die wenigstens zwei Kriterien nach Anspruch 8 ebenso auf Basis der Anzahl der Schwellüberschreitungen, spektralen Intensität oder derglei- chen bestimmt und berechnet werden.

Weiterhin ist erfindungsgemäß vorgesehen, dass die wenigstens zwei Kriterien nach Anspruch 9 auf Basis von einer Aufstellung von in DIN-Normen DIN EN 15857 und/oder EN1330 angeführten Kri- terien ausgewählt und sodann berechnet werden. Damit ist sicher ^¬ gestellt, dass sämtliche indirekten Signalparameter, wie etwa Anzahl der Schwellwertüberschreitungen, spektrale Intensität, usw., als die wenigstens zwei Kriterien in vorteilhafter Weise zur Durchführung des erfindungsgemäßen Verfahrens verwendbar sind und herangezogen werden können. Insbesondere wird im Zu ^¬ sammenhang auf die DIN-Norm EN1330 auf "Non-destructive testing - Terminology - Part 9: Terms used in acoustic emission testing", Triangulär version EN 1330-9:2009) verwiesen .

Darüber hinaus liegt es im Rahmen der Erfindung, dass die mul- tivariante Datenanalyse mit den wenigstens zwei bestimmten und berechneten Kriterien nach Schritt b) mittels der Funktionsap ^¬ proximation pro Zyklus nach Anspruch 10 in Form von, insbesondere ein- oder mehrschichtigen, künstlichen, neuronalen Netzwerken, Hidden Markov-Modellen, Gaussian Mixture-Modellen, Deep Learn- ing-Modellen oder Markov Chain Monte Carlo-Methoden durchgeführt wird .

Von besonderem Interesse sind des Weiteren die Merkmale des An ^¬ spruchs 11. Danach werden die Kriterien pro Zyklus ohne Kenntnis der maximalen Belastungswerte, die beim Versuch erreicht werden, bestimmt und unabhängig von der Strukturgröße der/dem untersuchten Struktur oder Prüfkörper oder dergleichen Komponente normalisiert definiert.

In vorteilhafter Weise findet das erfindungsgemäße Verfahren nach Anspruch 12 zur Vorhersage von Versagenslasten von Strukturen aus Faserverbundwerkstoffen auf Basis von Schallemissionsdaten, insbesondere von Strukturbauteilen im Automobilbau, Strukturbauteilen der Luft- und Raumfahrttechnik und Antrieben und Maschinenteilen mit hohen Drehzahlen, vorzugsweise in Fahrzeugen, Luftfahrzeugen oder Fluggeräten der Luft- und Raumfahrt, Flugzeugen und Raumflugkörpern, Wasserfahrzeugen, wie U-Booten oder Luftkissenfahrzeugen (Hovercrafts ) , Landfahrzeugen, Personenkraftwagen und Lastkraftwagen, Verwendung. In ganz bevorzugter, jedoch nicht ausschließlicher Weise, eignet sich das erfindungsgemäße Verfahren dabei auch zur Vorhersage von Versa ^¬ genslasten von insbesondere sicherheitsrelevanten Strukturen aus Faserverbundwerkstoffen .

Entsprechend den Maßnahmen des Anspruchs 13 ist es von besonderem Vorteil, einen Datenträger mit einem SchallemissionsprüfSystem in dem erfindungsgemäßen Verfahren einzusetzen, wobei auf dem Datenträger die wenigstens zwei Kriterien gespeichert sind, die nach den Schritten a) bis c) des Verfahrens gemäß Anspruch 1 bestimmt und berechnet wurden.

Schließlich ist erfindungsgemäß noch ein Computerprogramm zur Vorhersage von Versagenslasten von Strukturen aus Faserverbundwerkstoffen auf Basis von Schallemissionsdaten vorgesehen, wobei das Programm einen Computer veranlasst, Befehle auszuführen, so dass ein SchallemissionsprüfSystem ein Verfahren nach der Erfindung ausführt, wenn das Programm auf dem Computer ausgeführt wird . Weitere Merkmale, Vorteile und Einzelheiten der Erfindung erge ^¬ ben sich aus der nachfolgenden Beschreibung von einigen bevorzugten Ausführungsformen der Erfindung sowie anhand der Zeichnungen. Hierbei zeigen: Fig. 1A und 1B Darstellungen von Belastungsprofilen für

Strukturen aus Faserverbundwerkstoffen, mit kontinuierlicher Lasterhöhung und zyklus- bzw. stufenweiser Lasterhöhung bzw. Laststeigerungsversuchen, Fig. 2 eine Darstellung eines Belastungsprofils zur Defini ^¬ tion der Felicity-Ratio,

Fig. 3 eine Darstellung eines Belastungsprofils zur Bestim ^¬ mung der kritischen Felicity-Ratio,

Fig. 4 eine Darstellung eines Belastungsprofils zur Defini ^¬ tion von Ersteinsatzkriterien der Felicity-Ratio,

Fig. 5 eine Darstellung eines Belastungsprofils zur Defini ^¬ tion der Shelby-Ratio,

Fig. 6 eine Darstellung eines Belastungsprofils zur Defini ^¬ tion der Energy-Ratio oder energiebasierten Ratio, Fig. 7 eine Darstellung zur Prognose der Versagenslast gemäß dem erfindungsgemäßen Verfahren, und

Fig. 8 eine Darstellung zur Vorhersage der Versagenslast durch Vorwärtsextrapolation gemäß einem bekannten Verfahren, Fig. 9A und 9B schematische Darstellungen von Prüfkörpergeometrien inklusive SE-Sensorpositionen für Zugversuche und Lochleibungsversuche, Fig. 10A und 10B Beispiele für ein Belastungsschema im Zug ^¬ versuch und für den Lochleibungstest inklusive über ^¬ lagerter akkumulierter Schallemissionssignale,

Fig. IIA bis HC Berechnung der Felicity Kriterien für das

Beispiel aus der Fig. 10A, sowie zugehörige Shelby

Kriterien und Energiekriterien,

Fig. 12A bis 12C Berechnung der Felicity Kriterien für das

Beispiel aus der Fig. 10B, sowie zugehörige Shelby Kriterien und Energiekriterien,

Fig. 13A und 13B Extrapolation der berechneten Lastniveaus zur Vorhersage der Festigkeit von Zugprobe 2 und Loch ^¬ leibungsprobe 3,

Fig. 14 Vorwärtsvorhersage der Zugproben mit verschiedenen Ansätzen zur Zusammensetzung der Trainingsdaten eines neuronalen Netzwerkes, und Fig. 15 Vorwärtsvorhersage der Lochleibungsproben mit verschiedenen Ansätzen zur Zusammensetzung der Trainingsdaten eines neuronalen Netzwerkes.

Das erfindungsgemäße Verfahren wird vorzugsweise zur Vorhersage von Versagenslasten von Strukturen aus Faserverbundwerkstoffen beliebiger Art und/oder insbesondere sicherheitsrelevanten Strukturen aus Faserverbundwerkstoffen auf Basis von Schallemissionsdaten, insbesondere von Strukturbauteilen im Automobilbau, Strukturbauteilen der Luft- und Raumfahrttechnik und An- trieben und Maschinenteilen mit hohen Drehzahlen, vorzugsweise in Fahrzeugen, Luftfahrzeugen oder Fluggeräten der Luft- und Raumfahrt, Flugzeugen und Raumflugkörpern, Wasserfahrzeugen, wie U-Booten oder Luftkissenfahrzeugen (Hovercrafts ) , Landfahrzeugen, Personenkraftwagen und Lastkraftwagen, verwendet.

Wie in der Fig. 1A dargestellt ist, werden die Schallemis-si- onssignale bei einer gleichförmigen (quasi-statischen) Belastung des Werkstoffs aufgezeichnet.

Die Fig. 1B zeigt schematisch eine Struktur oder einen Prüfkörper, die/der nicht einmalig, sondern mehrfach mit einer zyklus- oder stufenweisen Lasterhöhung bzw. Belastung beaufschlagt wird.

In der Fig. 2 ist die Felicity-Ratio zu Definitionszwecken schematisch dargestellt. Dabei wird der Belastungszustand des aktu ^¬ ellen Zyklus L _onSi 2i bei dem die erste signifikante Schallemission einsetzt, ins Verhältnis zur vorherigen Maximal ^¬ belastung L]_ gesetzt.

Während der zyklus- oder stufenweisen Belastung sinkt die Felicity-Ratio immer weiter ab, bis es entsprechend der Fig. 3 bei einem kritischen Wert der Felicity Ratio zum Versagen kommt.

Im Gegensatz zu bisher bekannten Verfahren sieht das erfindungsgemäße Verfahren eine wesentliche Ergänzung in der Art und Weise der Vorhersage bzw. Prognose von Versagenslasten von Strukturen oder Prüfkörpern aus Faserverbundwerkstoffen auf Basis von Schallemissionsdaten vor.

Ein erfindungswesentliches Merkmal besteht dabei darin, wenigs ^¬ ten zwei Kriterien K, die einen bei der zyklus- oder stufenweisen Belastung aufgetretenen Schädigungsgrad der Struktur definieren, aus den erfassten Schallemissionssignalen zu bestimmen und zu berechnen, welche dann in ihrer Kombination zusammenwirken und auf diese Weise zu einer deutlichen Steigerung der Prognosegenauigkeit führen. Den verwendeten Kriterien K ist gemeinsam, dass diese einen charakteristischen Trend als Funktion der äußeren Belastung aufweisen . Um für eine erfindungsgemäße Vorwärtsprognose geeignet zu sein, ist es notwendig, dass: a) Die Kriterien K pro Zyklus bestimmt werden können, d.h. ohne Kenntnis der maximalen Belastungswerte, die beim Versuch er- reicht werden. b) Die Kriterien K normalisiert definiert werden, damit diese unabhängig von der Strukturgröße der/dem untersuchten Struktur oder Prüfkörper oder dergleichen Komponente sind.

Im Sinne der Erfindung ist ein Kriterium K beispielsweise die Felicity-Ratio bzw. das Felicity-Verhältnis , wie in Gleichung (1) definiert und in der Fig. 2 dargestellt ist. Bei der Bestimmung und Berechnung der Felicity-Ratio ist es unerheblich, auf welche Weise der Ersteinsatz bestimmt wird. In technischen Dokumenten (zum Beispiel ASTM E 1067) wird darauf verwiesen, dass der Ersteinsatz "signifikanter" Schallemission zu bestimmen ist.

In der Fig. 4 sind weitere bekannte Varianten der Felicity-Ratio dargestellt. Beispielsweise kann/können dies der absolute Erst ^¬ einsatz L _a k _s , der mittlere Kraftbezugswert der ersten N aufge ^¬ zeichneten Signale L<N , das/die Ergebnis/es einer Trendanalyse der akkumulierten Größe Ltrend (Knickpunkt der Kurve im Anfangs ^¬ bereich) und die Bestimmung mittels des Historie Index L _j ^ _j ent ^¬ sprechend Definition (vgl. zum Beispiel DIN EN 15857) sein.

Im Sinne der Erfindung können durch die vorgeschlagenen vier Verfahren zur Bestimmung des Ersteinsatz bereits wenigstens vier Felicity-Ratios im Sinne von Gleichung (1) bestimmt werden, wo ^¬ bei entsprechend für die Evaluation in Zyklus 2 L _ons ^2 ⁼ ^abs' ^L ons,2 = ^L < >' ^L ons,2 = ^L trend' ^L ons,2 = ^L HI gesetzt werden. Alternativ oder kumulativ kann als ein weiteres Kriterium K im Sinne der Erfindung beispielsweise die Shelby-Ratio bzw. das Shelby-Verhältnis herangezogen werden.

Anders als die Definition der Felicity-Ratio wird bei der Shelby- Ratio die Schallemission bei der Entlastung der Struktur oder des Prüfkörpers oder dergleichen Bauteils betrachtet. Wird star ^¬ tend im Plateau des Belastungszyklus eine bestimmte Signalanzahl ^krit überschritten, wird dies als kritischer Ersteinsatz defi ^¬ niert. Der relative Lastabfall AL zu diesem Zeitpunkt lässt sich dann im Sinne von Gleichung (1) verwenden. Für den Zyklus 2 kann L _onSi 2 = AL gesetzt werden.

Analog zur Felicity-Ratio existieren verschiedene Verfahren zur Festlegung von NJ^r±t - Sinngemäß können diese in eine feste Sig- nalanzahl (zum Beispiel 13 Signale), einen bestimmten damit verbundenen akkumulierten Energiewert (zum Beispiel > lOnJ) , eine bestimmte akkumulierte Amplitude (zum Beispiel > 10mV) oder wie ^¬ derum das Ergebnis einer Trend-analyse (Knickpunkt, siehe Fig. 4 zu Felicity-Ratio) oder die Bestimmung mittels des Historie Index unterteilt werden. Im Sinne der Erfindung können damit bereits wenigstens fünf Shelby-Ratios definiert werden.

Alternativ oder kumulativ kann als ein noch weiteres Kriterium K bzw. können als noch weitere Kriterien K beispielsweise die Energy-Ratio/s bzw. das/die Energy-Verhältnis/se bzw. energie ^¬ basierte/n bzw. energetische/n Verhältnis/se im Sinne der Erfindung herangezogen werden.

Hierzu werden akkumulierte Signalparameter betrachtet, die einen direkten oder indirekten Bezug zur Signalintensität haben. Die primären bzw. direkten Signalparameter dieser Art sind etwa die Signalamplitude (maximale elektrische Spannung am Sensor pro Wellenzug) , die Signalenergie (integrierte quadrierte Sig ^¬ nalspannung pro Wellenzug) , die Durchschnittsamplituden (Wurzel aus der mittleren quadrierten Signalspannung, "Root Mean-Square" pro Wellenzug) und/oder deren abgeleiteten Signalgrößen (in dB) .

Ebenso fallen alle indirekten Signalparameter (zum Beispiel Anzahl der Schwellwertüberschreitungen, spektrale Intensität, etc.) im Sinne der Definitionen der DIN EN 15857 und/oder der EN1330 (insbesondere: "Non-destructive testing - Terminology - Part 9: Terms used in acoustic emission testing", Triangulär version EN 1330-9:2009) unter diese Definition. Für das Beispiel der akkumulierten Signalamplitude wird die De ^¬ finition der Energy-Ratios in der Fig. 6 gezeigt. Überschreitet der akkumulierte Wert des Parameters den Wert aus dem vorherigen Zyklus, so wird die zugehörige Last als Ersteinsatz im Sinne von Gleichung (1) herangezogen. Sinngemäß lassen sich damit, zum Beispiel durch Betrachtung der Standardparameter Amplitude, Energie und "Average-Signal-Level " (ASL) , drei weitere Kriterien K im Sinne der Erfindung definieren.

Keine Kriterien im Sinne der Erfindung sind dagegen: a) Alle Kriterien K, die absolute Bezugsgrößen in Gleichung (1) verwenden (zum Beispiel Anzahl Signale bei einem bestimmten Lastwert) . b) Alle Kriterien K, die zu ihrer Berechnung den maximalen Belastungswert beim Versagen des Bauteils bzw. der Struktur im Versuch benötigen. c) Alle Kriterien K, die zu ihrer Berechnung den maximal auf- tretenden Wert eines Schallemissionsparameters im Versuch benötigen . d) Alle Kriterien K, die zu ihrer Berechnung den maximalen akkumulierten Wert eines Schallemissionsparameters im Versuch benötigen .

Da diese sämtlichen vorgenannten Kriterien K im Allgemeinen einen deutlich nicht-linearen Zusammenhang zur anliegenden Belastung aufweisen, ist eine direkte lineare Extrapolation ausge ^¬ schlossen .

Ein weiteres erfindungswesentliches Merkmal der Erfindung be ^¬ steht in der Verwendung bzw. Anwendung eines Ansatzes der mul- tivarianten Datenanalyse und deren Durchführung mit den wenigstens zwei bestimmten und berechneten Kriterien K.

Für n Kriterien K ist pro Zyklus bzw. Stufe eine symbolische Zuordnung der n Zahlenwerte zum zugehörigen Lastniveau entspre ^¬ chend einer Funktionsapproximation f anhand Gleichung (2) vorgeschlagen, welche folgenden Zusammenhang für eine Laststufe i beschreibt : f ( ^K n, i) ⁼ ( ^L i-1 / ^L max) (2) mit n = Anzahl der Kriterien (K)

i = Lastzyklus

L = Belastung

L _max = Maximalbelastung.

Im Sinne dieser Erfindung können dazu verschiedene technische Ansätze verwendet werden. Hierzu zählen beispielsweise ganz be ^¬ sonders: Künstliche neuronale Netzwerke, Hidden Markov Modelle, Gaussian Mixture-Modelle, Deep Learning-Modelle und/o ^¬ der Markov Chain Monte Carlo-Methoden .

Für die genannten technischen Ansätze wird dabei üblicherweise auf einem Teil der zur Verfügung stehenden Messwerte eine Funk- tionsapproximation (Training) durchgeführt. Mit dieser so gewonnenen Funktion f kann derselbe Zusammenhang sodann auf weitere Messwerte angewendet werden. Dies bietet zusätzlich die Möglichkeit, den aktuellen Belas ^¬ tungszustand (L / L _max ) , also zum Beispiel 60 % der maximalen Belastbarkeit, für eine Struktur mit unbekanntem Belastungszu ^¬ stand auf Basis der Werte K _n direkt zu berechnen. Dies erlaubt bei Messung einer Struktur mit dem in der Fig. 1 gezeigten Belastungsprofil eine Berechnung von Stützpunkten für eine Vorwärtsextrapolation, wie die Fig. 7 beispielhaft zeigt. Die berechneten Belastungen weisen aufgrund der vorgeschlagenen (multivarianten) Datenbetrachtung eine deutlich verringerte Streuung auf und erlauben damit eine erhebliche Reduktion der Unsicherheit .

Das erfindungsgemäße Verfahren wurde zwischenzeitlich mittels Laborprüfkörper intensiv getestet.

Unter Verwendung eines neuronalen Netzwerkes konnte so bei Zu ^¬ hilfenahme einer ausreichenden Datenmenge zum Training der Knotenpunkte eine Prognosegenauigkeit von kleiner 5 % mit einer Unsicherheit von lediglich 8 % erreicht werden. Diese Herange- hensweise konnte zudem vom Werkstofflevel (d.h. Laborprüfkörper) auf Strukturebene (d.h. Komponente mit 4 m Länge) übertragen werden .

Die Kreuzvorhersage (50 % Trainingsdaten, 50 % Validierungsda- ten) zeigte sehr hohe Genauigkeit. Darüber hinaus konnte das ^¬ selbe neuronale Netzwerk auch für Schallemissionsdaten einer Großkomponente (Strukturebene) angewendet werden. Der Prognose ^¬ wert wich lediglich 5 % von der erzielten Versagenslast ab. Die Herangehensweise kann jederzeit auf vergleichbare Fragestellun- gen angewendet werden. Das erfindungsgemäße Verfahren wird nachfolgend anhand von ver ^¬ schiedenen Ausführungsbeispielen näher erläutert.

Experimenteller Aufbau

Für diese experimentellen Arbeiten wurden faserverstärkte thermoplastische Verbundwerkstoffe aus Torayca T700S 12k Carbonfasern und PPS-Matrixmaterial verwendet. Für die Bewertung des Prognoseansatzes wurden zwei verschiedene Arten von mecha- nischen Tests in Belastungs-/Entlastungszyklen durchgeführt. Um die Flexibilität des Ansatzes zur Anpassung an unterschiedliche Versagensarten zu demonstrieren, wurden Daten aus Zugversuchen und Lochleibungsversuchen verwendet. Um Volumeneffekte einzube- ziehen, die für die Bewertung von Schall-emissionsparametern problematisch sein könnten, werden Testgeometrien für die Lochleibungsversuche in zwei Größen ausge ^¬ führt. In der Fig. 9A eine der Prüfkörpergeometrien gezeigt.

Die entsprechenden Testvolumina und Statistiken sind in der Tab. 1 angegeben, einschließlich der durchschnittlichen akkumulierten Schallemissionsenergie jeder Prüfbedingung . Die Anzahl der Schallemissionssensoren wurde basierend auf Dämpfungsmessungen der Proben gewählt, um eine gleiche Empfindlichkeit in jeder Konfiguration sicherzustellen. Im Folgenden werden kurz die Prüfbedingungen jeder Konfiguration beschrieben. Alle Proben wurden unter Normklima-Bedingungen bei 23°C Temperatur und 50 % relativer Feuchtigkeit getestet.

Zugversuche

Es wurden Testlaminate mit sechs Lagen in unidirektionaler Anordnung unter Verwendung einer in-situ Laserkonsolidierung hergestellt. Alle Proben wurden auf die Abmessungen von 250 mm ^χ 15 mm x 1 mm (Länge ^χ Breite ^χ Dicke) mit der Faserachsenrichtung parallel zur Längsrichtung der Probe geschnitten (siehe 6-b) . Das bei Raumtemperatur härtende Adhäsivsystem Stycast 2850 FT wurde verwendet, um Proben und Aufdoppier mit (± 45°-Lagen) zu verkleben. Die Probekörper wurden mittels Wegregelung mit einer Prüfgeschwindigkeit von 2 mm / min nach DIN EN 2561 mit einer Universalprüfmaschine mit 250 kN Kraftmessdose und hydraulischen Spannzeugen mit kompletten Be- und Entlastungszyklen geprüft. Belastungsinkremente wurden zu 200 MPa mit einer Entlastung bis 50 MPa Zugspannung bei einer Prüfgeschwindigkeit von 10 mm / min gewählt .

Lochleibungsversuche

Hierzu wurden Lochleibungsproben mit Abmessungen 108,0 mm ^χ 54,0 mm x 5,7 mm (Länge ^χ Breite ^χ Dicke) mit Bolzendurchmesser 9,0 mm und eine skalierte Version mit 216,0 ^χ 108,0 ^χ 11,4 mm (Länge x Breite ^χ Dicke) mit Bolzendurchmesser 18,0 mm (beide Geometrien siehe Fig. 9B) verwendet. Die Belastung wurde mit einer Vorrichtung im Sinne der DIN EN 6037 (Typ-2-Konfiguration) eingeleitet. Beide Bolzen haben jedoch den gleichen Durchmesser, so dass auf beiden Seiten des Laminats Versagen auftreten kann. Die Lagenfolge verwendet die quasiisotrope Konfiguration (0, +45, 45 , 0 , 90 ) 4 _S ym für die normale Größe und (0, +45, -45, 0, 90) 8 _Sy m für die skalierte Größe. Die Prüfung wurde im weggeregelten Modus mit einer Prüfgeschwindigkeit von 2 mm / min unter Verwendung einer Universalprüfmaschine mit einer 250 kN Kraftmessdose durchgeführt. Der Zyklus ist eine schrittweise Erhöhung um 40 MPa bis zum Versagen mit Entlastung bis 20 MPa Spannung als Untergrenze .

Einstellungen der Schallemissionsaufzeichnung In allen Versuchsaufbauten wurden Schallemissionssensoren mit geeigneten Klammersystemen auf der Probe angebracht, um einen reproduzierbaren Kontaktdruck zwischen Sensor und Probe zu gewährleisten. Als akustisches Kopplungsmittel wurde viskoses Ko- rasilon-Silikonfett verwendet. Alle Signale wurden mit einem 2/4/6 Vorverstärker um 20 dB verstärkt und mit der Software AEwin mit 10 MSP/s Abtastrate und 35 dBAE Schwelle aufgezeichnet. Für alle Konfigurationen wurde ein Bandpassfilter von 20 kHz bis 1 MHz verwendet. In allen Fällen wurden die Triggereinstellungen als 10 \is für die Peak-Definition-Time und 80 \is für die Hit- Definition-Time gewählt. Basierend auf dem Unterschied in der Schallgeschwindigkeit und der Testgeometrie wurde empirisch die Hit-Lockout-Time für jeden Testfall angepasst, um zu vermeiden, dass das gleiche Ereignis mehrmals aufgezeichnet wird. Die ver ^¬ wendeten Werte betragen 1500 \is für die Zugproben und 10000 \is für die Lochleibungsproben. Für die Zugproben wurden zwei Schallemissionssensoren in linearer Anordnung verwendet (siehe Fig. 9A) . Um nur SE-Signale mit Quellpositionen im verjüngten Bereich zu detektieren, wurde ein Event-Definition-Time-Filter verwendet. Die Einstellungen für diesen Filter wurden für jede Probe individuell angepasst, um die Erkennung von Quellen außerhalb des verjüngten Bereichs zu vermeiden. Für die weitere Verarbeitung wurden nur Signale berücksichtigt, die in der sich verjüngenden Region durch einen klassischen At-basierten Algorithmus lokalisiert wurden. Für die Lagerfestigkeitsprüfung wurden fünf Schallemissionssensoren mit der in der Fig. 9B gezeigten geometrischen Anordnung verwendet. Bei dieser Testkonfiguration verursachen das Vorhandensein eines Bolzens im Laminat und die Anisotropie des faser ^¬ verstärkten Materials eine starke Störung des akustischen Wel- lenfelds. Daher wird ein Ortungsansatz angewendet, der auf neu ^¬ ronalen Netzen basiert, um eine mittlere Quellenortungsgenauig ^¬ keit von 3,3 mm zu erhalten. Bei den Zugproben wurden nur lokalisierte Signale für die weitere Verarbeitung berücksichtigt.

Name Ge ^¬ Volumen Schallemissions- prüfte (Länge χ Breite energie

Proben x Dicke)

Zugproben 6 (130 15 x 1) (1.5 ± 1.5) x lO ^"5 J mm ³ = 1950 mm ³

Lochleibungsproben 3 (108 x 54 x 5.7) (2.5 ± 1.8) x 10-3 J (reguläre Größe) mm ³ =

33,242 mm ³

Lochleibungsproben 3 (216 x 108 x (7.3 ± 1.5) x IQ ^"3 J (skalierte Größe) 11.4) mm ³

265, 939 mm ³

Tab. 1

Ergebnisse

Um das erfindungsgemäße Vorhersagekonzept zu demonstrieren, wird zunächst beispielhaft die bei dieser Untersuchung verwendeten spezifischen Schallemissionsparameter vorgestellt. Als nächstes wird die Anwendung zur Bestimmung der Versagenslasten und den Vergleich zu gemessenen Versagenslasten präsentiert.

Bestimmung der Schallemissionskriterien

Bei dieser Untersuchung wurde ein Lastschema mit Belastungs-/ Entlastungszyklen bis zum Bruch verwendet. Die maximale Belast ^¬ barkeit wurde basierend auf quasistatischen Messungen in jeder der Testbedingungen geschätzt. Belastungsinkremente wurden dann entsprechend definiert, um 10 bis 20 Zyklen vor dem endgültigen Versagen zu erreichen (d.h. Trennbruch für die Zugproben und Überschreiten der maximalen Spannung für die Lochleibungsproben) . Beispielhafte Spannungs-Zeit-Kurven, die mit den gleichzeitig akquirierten Schallemissionssignalen überlagert sind, sind in der Fig. 10A für eine Zugprobe und in der Fig. 10B für eine Lochleibungsprobe gezeigt. Ein Beispiel für ein typisches Ergebnis für die Zugproben ist in den Fig. IIA bis HC gezeigt. Die berechneten Schallemissions ^¬ kriterien sind auf der vertikalen Achse aufgetragen, während die horizontale Achse als Belastungsverhältniswert LR gewählt ist.

Bei dieser Untersuchung werden die Felicity- Kriterien als relative Anteile für 5%, 10%, 15% und 20% der Gesamtzahl der Tref ^¬ fer während des ansteigenden Teils des Zyklus definiert. Dies wird im folgenden FR5, FR10, FR15 und FR20 genannt. Darüber hinaus wird die durchschnittliche Felicity-Ratio als arithmeti ^¬ sches Mittel dieser Werte definiert:

<FR> = 1/4 (FR5 + FR10 + FR15 + FR20) (3) Daher werden insgesamt fünf verschiedene Felicity-Kriterien für jeden Lastzyklus ausgewertet. Die Felicity-Ratio-Daten sind in der Fig. HA gezeigt, wobei die Werte der mittleren Felicity- Ratio <FR> zur besseren Sichtbarkeit durch gerade Linien verbunden sind. Wie aus der Definition der Felicity-Ratio-Werte zu erwarten ist, beginnt der FR5 zuerst in jedem Zyklus, gefolgt von FR10, FR15 und FR20, was in der Grafik als systematische Verschiebung der numerischen Werte von niedrig nach hoch zu sehen ist. Für die ersten fünf bewerteten Zyklen ist die Gesamtzahl der Schallemissionshits so niedrig, dass alle FR-Werte identisch bewertet werden, da einzelne Kaskaden von Schallemissionshits praktisch auf demselben Lastniveau auftraten. In den späteren Zyklen wird deutlich beobachtet, dass der Wert <FR> als arithmetischer Mittelwert der anderen FR-Werte wirkt. Die Darstellung des Shelby-Kriteriums folgt dem gleichen Gedan ^¬ ken und ist in der Fig. HB gezeigt. Die Shelby-Kriterien werden als relative Anteile für 95%, 90 "6 85"6 und 80% der Gesamtzahl der Signale während des abfallenden Teils des Zyklus definiert. Dies wird im Folgenden als SR95, SR90, SR85 und SR80 bezeichnet. Zusätzlich wird das durchschnittliche Shelby-Kriterium als arithmetisches Mittel dieser Werte definiert: <SR> = 1/4 (SR95 + SR90 + SR85 + SR80) (4)

Daher werden insgesamt fünf verschiedene Shelby-Verhältnisse für jeden Lastzyklus bewertet. Der arithmetische Mittelwert <SR> ist durch gerade Linien verbunden, um die Sichtbarkeit zu verbes ^¬ sern. Es wird eine fallende Tendenz der SR-Werte als Funktion des Belastungsverhältnisses beobachtet. Das Shelby-Verhältnis kann jedoch nur für diejenigen Zyklen ausgewertet werden, die während des Entlastungsschrittes Schallemissionssignale aufwei- sen. Da dies nicht für alle Zyklen der Fall war, gibt es weniger Datenpunkte als für die Auswertung des Felicity-Verhältnisses von der Fig. IIA.

Darüber hinaus werden drei energetische Verhältnisse bewertet. Die Signalamplitude in [dB^] , die absolute Signalenergie in [aJ] und die mittlere Signalpegel in [dB _AE ] werden (aus-) gewählt, um das Belastungsniveau der Überschreitung relativ zum vorherigen Zyklus zu bewerten. Wie in der Fig. HC zu sehen ist, stellen diese einen bestimmten Trend als Funktion von LR dar, welcher nicht notwendigerweise linear ist. Basierend auf der leichten Streuung zwischen den drei verschiedenen Verhältnissen von ERAMP, ERENE und ERASL ist auch klar, dass diese Werte nicht identische Aussagekraft besitzen, sondern lediglich einen gemeinsamen Trend zeigen.

In den Fig. 12A bis 12C ist ein Beispiel der berechneten Kriterien für eine Lochleibungsprobe gezeigt. Trotz einiger Unter ^¬ schiede zu der Zugprobe gibt es in allen drei Abbildungen eine fallende Tendenz der Schallemissionskriterien als Funktion des Belastungsverhältnisses. In der Fig. 12A zeigt der letzte Zyklus die Sensitivität des Felicity-Kriteriums , wenn es auf einer kleinen Anzahl von Schallemissionssignalen als Ersteinsatz basiert. Im letzten Zyklus erscheinen die ersten Schallemissions ^¬ signale bereits bei 20% der vorherigen Belastung, wohingegen die FR10, FR15 und FR20 anzeigen, dass der primäre Einsatz der Schal ^¬ lemission immer noch über 50% liegt. In solchen Fällen bietet das <FR> -Kriterium einen guten Kompromiss zwischen einer konservativen (späten) Bewertung und der Anfälligkeit für das Vorhandensein potenzieller Ausreißer als Ersteinsatz. Die berechneten Shelby-Kriterien sind in der Fig. 12B dargestellt und zei- gen etwas mehr Streuung als die Felicity-Kriterien. Für die Daten von der Fig. 12C ist wiederum ein abfallender Trend bei den niedrigsten drei Zyklen zu sehen, der ähnlich zu dem Zugversuch in der Fig. HC ist. Nach einigen Zyklen kommt es zu einem Abfall in den letzten Zyklen. Dies zeigt einmal mehr die Notwendigkeit für eine nichtlineare Regressionsanalyse, um solche Trends der Kriterien zur Vorhersage eines gültigen Lastverhältnisses zu extrapolieren .

Wie bereits ausgeführt, ist es notwendig, Schallemissionskrite ^¬ rien für diese Art der Fehlervorhersage als selbstreferenzie- rende Werte zu definieren. Wie aus dem Vergleich der Zahlenwerte in den Fig. HA bis HC und 12A bis 12C ersichtlich, wurde dies durch die Definitionen der Kriterien mit Rückbezug auf den vormaligen Belastungswert erfolgreich erreicht. Trotz der Volu ^¬ menänderung von mehr als zwei Größenordnungen zwischen Zugproben und Lochleibungsroben und der entsprechenden Änderung der Schal- lemissionsenergieabgabe von vier Größenordnungen umfassen die Verhältnisse der Kriterien die gleichen numerischen Wertebereiche. Dies ist entscheidend, wenn diese Verhältnisse für eine gemeinsame Datenbasis für Vorhersagefähigkeiten verwendet werden sollen, wie beispielsweise die Vorhersage der Versagenslasten von Strukturen basierend auf Coupon-Testdaten. Die Verwendung von absoluten Schallemissionswerten würde zu diesem Zweck nicht ausreichen, da absolute Amplitudenwerte, Anzahl der Treffer und Ähnliches stark von der Art der Belastung und der Größe der Teststruktur und der Dichte des Sensornetzwerks beeinflusst wer ^¬ den .

Im Folgenden wurden diese dreizehn Kriterien verwendet, um die Beziehung zwischen Schallemissionskriterien und Belastungsverhältnissen zu trainieren, um die Versagensvorhersage durchzu ^¬ führen, die im nächsten Abschnitt beschrieben wird. Schadens orhersage

Im Folgenden wurden verschiedene Ansätze zur Schadensvorhersage verwendet. Für die Vorhersage der Versagenslast wird dem vorher beschriebenen Extrapolationsansatz gefolgt. Zwei Beispiele für diese Verfahren sind in 10 gezeigt, eines für Zugversuche und eines für Lochleibungsversuche. Für alle Untersuchungen wird eine obere Grenze von Vorhersage ^¬ werten definiert, die für die Vorwärtsvorhersage verwendet wer ^¬ den. Die Datenpunkte, die von der Vorwärtsvorhersage ausge ^¬ schlossen sind, sind in den Fig. 13A und 13B als weiße Quadrate mit schwarzem Rand markiert. Zusätzlich wird die Vorhersageun- Sicherheit durch den schraffierten Kegel angezeigt. Da es bei LR = 0 als feste Einschränkung eine Belastung zu Null gibt, redu ^¬ ziert dies die Unsicherheit bei Werten nahe Nulllast. Wie in den Fig. 13A und 13B zu sehen ist, ist die Streuung der Datenpunkte für die Vorhersageunsicherheit verantwortlich. Für den Fall des Zugversuches wurde das Ergebnis von Probe 2 gewählt (siehe auch Fig. 14), um einen repräsentativen Fall für eine angemessen hohe Streuung des Vorhersagewerts zu verdeutlichen. In diesem Fall ist die Abweichung zwischen vorhergesagter Last und gemessener Last mit 7,0% ziemlich hoch.

Das Beispiel für die Lochleibungsprobe ist das Ergebnis der Probe 3, die weniger Streuung aufweist. Hier beträgt die Abweichung zwischen vorhergesagter Last und gemessener Last nur 2,3%. Für die gegebenen zwei Fälle ist die extrapolierte lineare Beziehung als schwarze Linie dargestellt, wobei der vorhergesagte Festig ^¬ keitswert als weißer Kreis mit schwarzem Rand am Schnittpunkt zwischen der vorhergesagten LR = 1 und der linearen Extrapolation dargestellt ist. Als Referenz wird die gemessene Festigkeit als schwarze Raute angezeigt, und die gestrichelte schwarze Linie markiert die tatsächliche lineare Beziehung zwischen der ange ^¬ legten Spannung und den LR-Werten. Beide Fälle sind Vorhersage- beispiele für die in dem nachfolgenden Abschnitt 3. beschriebe ^¬ nen Ansätze unter Verwendung eines künstlichen neuronalen Netzes . Zur besseren Vergleichbarkeit sind alle Vorhersageergebnisse in den Fig. 14 und 15 für die Testkonfigurationen zusammengestellt. Neben den Ergebnissen der Festigkeitsvorhersage zeigen die Fig. 14 und 15 den gemessenen Festigkeitswert als durchgezogene graue horizontale Linie als Referenz.

1. Gleiche Probenart, alle Proben (LR<0,85)

Dieser Ansatz stellt einen einfachen Testfall dar, da nur identische Geometrien und Testeinstellungen berücksichtigt werden. Für diese Festigkeitsvorhersage werden nur Trainingsdaten derselben Spezies berücksichtigt und alle sechs Proben werden als Datenbasis verwendet. Der Zweck dieses Ansatzes ist die Nutzung von nur einem künstlichen neuronalen Netzwerk mit 2 versteckten Schichten und 5 Neuronen, so dass die Vorhersagequalität direkt innerhalb einer Reihe von Spezies verglichen werden kann. Dies wird jedoch nicht als "wahre" Vorhersage verstanden, da die zu prognostizierende Probe bereits in dem Trainingsdatensatz ent ^¬ halten ist, was keine gute Praxis ist. Die resultierenden Vor ^¬ hersagewerte sind als schwarze Quadrate in den Fig. 14 und 15 gezeigt, wobei die Extrapolationsunsicherheit als Fehlerbalken hinzugefügt ist. Für diese Untersuchung wird eine obere Grenze für die Extrapolationsbasis von LR <0,85 gewählt, was bedeutet, dass die minimale Extrapolationslänge 15% der maximalen Zugfes ^¬ tigkeit der Proben beträgt. Die genaue Grenze ist für jede Probe spezifisch, reicht jedoch von 0,80 < LR < 0,85. Bei diesem Ansatz könnten die vorhergesagten LR-Werte bei einer höheren Anzahl künstlicher Neuronen und einer höheren Anzahl verborgener Schichten genau an ihre realen LR-Werte angepasst werden. Dies würde jedoch als "overfitting" betrachtet werden, was im Allge- meinen bei der Verwendung künstlicher neuronaler Netze zu vermeiden ist. Es wurde daher die gleiche neuronale Netzwerkstruk ^¬ tur wie in dem nachfolgenden Abschnitt 2. beschriebenen Ansatz verwendet, um ein repräsentatives Ergebnis für diesen Teil der Untersuchung zu erhalten. Dementsprechend stimmen die vorherge ^¬ sagten Werte mit den realen Festigkeitswerten ziemlich gut überein. Innerhalb der Fehlerspanne werden alle Festigkeitswerte der Proben vorhergesagt. Der genaue Vorhersagewert sowie die Größe der Fehlerbalken erscheinen jedoch für jede Probe einzigartig, da dies hauptsächlich von der Streuung der verfügbaren Datenpunkte bedingt wird. Dies beweist, dass das Vorhersagekonzept grundsätzlich durchführbar ist.

2. Gleiche Probenart, alle Proben bis auf Stichprobe (LR<0,85)

Um die Hauptbeschränkung des bisherigen Ansatzes zu beseitigen, werden nun mehrere künstliche neuronale Netze trainiert und aus- gewertet. Für jede Stichprobe wird der Trainingsdatensatz über ^¬ arbeitet und alle Datenpunkte von der aktuell untersuchten Stichprobe werden entfernt. Danach werden die 12 künstlichen neuronalen Netze nach den gleichen Regeln wie zuvor trainiert, wobei eine Netzwerkstruktur mit 2 versteckten Schichten und je- weils 5 Neuronen verwendet wird. Für jede der Fig. 14 und 15 ist die Trainingsdatenbasis fünf Proben derselben Spezies. Die vor ^¬ hergesagte Festigkeit wird als schwarzer Kreis mit entsprechen ^¬ den Fehlerbalken dargestellt, um die Vorhersageunsicherheit dar ^¬ zustellen. Es wird erneut eine Obergrenze für die Extrapolati- onsbasis von LR <0,85 gewählt. Für diesen Ansatz findet sich ein gültiges Vorhersageergebnis für alle Proben innerhalb der Feh ^¬ lergrenzen. Dieser Ansatz wird als "wahre" Vorhersage betrachtet, da die Trainingsdaten des künstlichen neuronalen Netzwerks keine a-priori Information der vorhergesagten Probe enthalten. Die Trainingsqualität ist jedoch einzigartig für die einzelnen künstlichen neuronalen Netzwerke, was teilweise für die großen Fehlerbalken verantwortlich ist. Außerdem trägt die kleinere Datenbasis (fünf statt sechs Proben) nicht zur Stabilität des Ver ^¬ fahrens bei. Dieser Ansatz liefert jedoch den Beweis, dass die Vorhersage unbekannter Probeneigenschaften möglich ist, vorausgesetzt, es gibt eine ausreichende Anzahl identischer Typen, die zuvor getestet wurden. 3. Alle Probenarten, alle Proben bis auf Stichprobe (LR<0,85)

Als nächsten Schritt werden die Trainingsdaten aller Proben und aller Lastfälle gemischt und nur die Datenpunkte der Probe, die vorhergesagt werden sollen, entfernt. Daher werden weitere 12 künstliche neuronale Netzwerke mit 2 versteckten Schichten und jeweils 10 Neuronen trainiert und ihre Ergebnisse in den Fig. 14 und 15 als schwarze Dreiecke mit Vorhersageunsicherheit als Fehlerbalken und LR <0,85 als Extrapolationsgrenze gezeigt. Für jedes künstliche neuronale Netzwerk sind die Trainingsdatenbasis 11 Stichproben. Der gemischte Trainingsdatensatz ist in der Lage, das Verhalten in beiden Konfigurationen gut vorherzusagen. Die Hauptunterschiede der Vorhersagequalität ergeben sich aus der spezifischen Trainingsqualität des künstlichen neuronalen Netzwerks und der entsprechenden Genauigkeit, die bei der Vor ^¬ wärtsvorhersage erreicht wird. Dies beweist, dass die Struktur des künstlichen neuronalen Netzes flexibel genug ist, um die Unterschiede in der Entwicklung von Schallemissionskriterien als Funktion von LR nicht nur für verschiedene Proben, sondern auch für unterschiedliche Lastbedingungen und Testvolumina zu kom ^¬ pensieren .

4. Alle Probenarten, alle Proben bis auf Stichprobe (LR<0,64)

Schließlich werden die gleichen künstlichen neuronalen Netze wie im vorherigen Abschnitt 3. beibehalten und die Extrapolations ^¬ länge modifiziert. Da eine Obergrenze von LR = 0,85 für die Qualitätskontrolle von Verbundwerkstoffen nicht angemessen er- scheint, wird die Obergrenze auf LR <0,64 reduziert, was der beste Kompromiss zwischen der Verfügbarkeit von Datenpunkten für die Extrapolation und einem niedrigen Lastverhältnis war. Die Vorhersageergebnisse sind in den Fig. 14 und 15 als graue Quad ^¬ rate mit ihrer Vorhersageunsicherheit als Fehlerbalken darge- stellt. Die Anzahl der für die Extrapolation verwendeten Datenpunkte wird neben dem Vorhersagewert grau angezeigt. Für die Zugproben wurden nur fünf von sechs Proben innerhalb der Fehlergrenzen vorhergesagt. Insbesondere die Proben 2 und 3 sind weit entfernt von dem tatsächlichen Festigkeitskennwert, jedoch ist ihr Vorhersagefehler außerordentlich hoch. Folglich deutet dies darauf hin, dass die spezielle Wahl von LR in diesem Fall für eine stabile Vorhersage möglicherweise nicht ausreichend ist. Für die Lochleibungsproben, die in der Fig. 15 gezeigt sind, werden vier von sechs Proben systematisch niedriger als der Referenzwert der endgültigen Lochleibungsfestigkeit vorhergesagt, die anderen zwei Proben weisen eine hohe Streuung auf. Dieses Verhalten kann leicht anhand der Fig. 13B erklärt werden. Für die niedrigere Anzahl von Zyklen scheint die Steigung steiler zu sein, so dass ihre Extrapolation zu niedrigeren Festigkeitswerten führt. Wenn mehr Datenpunkte bei höheren LR-Werten enthalten sind, ändert sich die Steigung, so dass sie weniger steil wird. Der gemessene anfängliche Lochleibungskennwert (definiert als erster Lastabfall in der Kraft-Weg-Kurve) wurde als graue Linien zu 12 hinzugefügt. Gemäß den Prüfnormen wird dieser Wert als Belastungswert des anfänglichen Versagens der Bolzen interpre- tiert (Einsinken), d.h. die erste signifikante Schadensbildung im Verbundwerkstoff an der Kontaktfläche zwischen Bolzen und Laminat. Dies kann leicht auch als Versagen verstanden werden. Offensichtlich stimmen die Vorhersagewerte bei LR <0,64 vernünftig mit dem gemessenen Wert für die ersten vier Proben überein. Für die Proben 5 und 6 ist die Vorhersageunsicherheit so hoch, dass beide Werte (Endfestigkeit und Anfangsfestigkeit) in den Vorhersagebereich fallen. Dies liegt wahrscheinlich daran, dass die ausgewählten Datenpunkte in der Nähe von LR = 0,64 entweder in das Regime vor dem anfänglichen Einsinken des Bolzens (Proben 1 bis 4) fallen oder einen weiteren Datenpunkt nach dem anfänglichen Lagerversagen enthalten (Proben 5 bis 6) . Dies ist auch der Ursprung für die relativ hohe Unsicherheit der Vorhersage. Insgesamt deutet dieser Ansatz darauf hin, dass niedrige LR Werte für die Vorwärtsvorhersage verwendet werden können, wenn eine geeignete Anzahl von Datenpunkten verfügbar ist und die Versagensart unverändert bleibt. Zusammenfassung

Für dieses Anwendungsbeispiel wurde das Konzept zur Vorhersage von faserverstärkten Verbundwerkstoffen auf Basis von Schalle- missionskriterien genutzt. Die Vorhersage basiert auf Kriterien, die in Belastungs-Entlastungs-Zyklen ausgewertet werden. Die Kriterien sind unabhängig von der absoluten Anzahl der Schallemissionshits definiert worden. Mit den vorgestellten Untersu ^¬ chungen ist es möglich, die Vorhersage für Festigkeiten zu tref- fen, wenn eine geeignete Anzahl von Zyklen verwendet wird. Na ^¬ türlich profitiert die Vorwärtsvorhersage-Routine von einer ho ^¬ hen Anzahl von Belastungs-Entlastungs-Zyklen, aber in einer realen Testsituation ist ein Kompromiss zwischen der Dauer der Testkampagne und der Anzahl der Zyklen erforderlich. Für die 10 bis 20 Zyklen, die bei dieser Untersuchung verwendet wurden, stimmten die Vorhersagewerte mit dem tatsächlichen Festigkeits ^¬ wert innerhalb der Fehlergrenzen überein. Dies geschah unabhängig von der spezifischen Ausführung des künstlichen neuronalen Netzes. Fünf Testproben erwiesen sich als ausreichend für die Vorhersage von Festigkeitswerten für identische Proben. Generell würde die Vorhersagegenauigkeit allerdings von einer größeren Anzahl von Testproben profitieren.

Unter Verwendung einer Kombination aller Proben beträgt die mittlere Vorhersagegenauigkeit in Bezug auf die Festigkeit der Proben 1,3% für die Zugversuche und 0,7% für die Lochleibungs ^¬ versuche bei einer Vorwärtsvorhersagegrenze von LR = 0,85. Dies ist viel niedriger als der typische Variationskoeffizient in ^¬ nerhalb der Probenserie, der bei den Zugversuchen 8,2% und bei den Lochleibungsversuche 5,4% beträgt. Die Vorhersageunsicher ^¬ heit beträgt für die Zugversuche 11,8% und 10,1% für die Loch ^¬ leibungsversuche, wenn man die erreichte Festigkeit als Refe ^¬ renzwert heranzieht. Eine Reduzierung der Vorwärtsvorhersagegrenze auf LR = 0,64 führt zu geringfügig schlechteren Werten von 5,7% für die Zugversuche und 0,2% für die Lochleibungsversuche, wenn die Proben mit Unsicherheiten von mehr als 50% ausgeschlossen werden. Die entsprechende mittlere Vorhersageunsicherheit ergibt sich zu 8,0% für die Zugversuche und 15,8% für die Lochleibungsversuche. Die Erfindung ist nicht auf die dargestellten Ausführungsformen beschränkt. Ohne im Einzelnen dargestellt zu sein, kann das er ^¬ findungsgemäße Verfahren für jede beliebige Art von Faserver ^¬ bundstrukturen eingesetzt werden. Das erfindungsgemäße Verfahren kann dabei ohne weiteres und/oder ganz bevorzugt auch in Berei- chen, in welchen sicherheitsrelevante Faserverbundstrukturen eingesetzt werden (zum Beispiel Strukturbauteile im Automobil ^¬ bau, alle Komponenten im Luftfahrtsektor, Maschinenteile mit hohen Drehzahlen, etc.) angewendet werden. Diese werden zur Abnahme üblicherweise umfangreichen (zerstörungsfreien) Tests un- terzogen. Eine Alternative besteht darin, diese gezielt mit ih ^¬ ren Betriebslasten zu beaufschlagen und dabei ein Monitoringverfahren, wie eine Schallemissionsanalyse, anzuwenden. Dadurch kann ohne Zerstörung der Struktur bzw. des Prüfkörpers oder dergleichen Komponente eine Schadensfreiheit diagnostiziert werden und mit dem erfindungsgemäßen Verfahren eine Prognose für die Maximallast abgegeben werden. Gleichsam eignet sich das erfindungsgemäße Verfahren damit für produktspezifische Entwicklungs ^¬ zyklen, zum Beispiel zur Optimierung von Komponenten, ohne diese beim Test in den zerstörenden Bereich zu belasten. In beiden Fällen führt das erfindungsgemäße Verfahren zu erheblichen Kos ^¬ tenersparnissen bzw. zu einer signifikanten Erhöhung der Produktsicherheit in einem zum Stand der Technik nicht annähernd vergleichbaren Umfang.