Kavitationsdetektion

Kavitation entsteht in Flüssigkeiten, wenn der Druck lokal unter den Verdampfungsdruck sinkt. Wenn die so entstanden Dampfblasen wieder in Gebiete mit höherem Druck kommen, kommt es zu deren Implosion. Geschieht diese Implosion in der Nähe fester Oberflächen, kann es zur Beschädigung von diesen kommen. Der Prozess der Nukleation, des Wachstums, und der abschließenden Implosion wird als Kavitation bezeichnet.
Da eine optische Überwachung von Turbinen in Wasserkraftwerken aufgrund mangelnder optischer Zugänglichkeit nicht möglich ist, müssen diese mittels akustischer Verfahren überwacht werden. Der Lärm, der während der Kavitation emittiert wird, wird mittels Acoustic Emission Sensors aufgenommen. Unterhalb von 100kHz verhalten sich die Sensoren wie Hochpassfilter und die maximale Aufnahmefrequenz (1000kHz) wird durch die Samplingfrequenz.

Im ersten Verarbeitungsschritt wird das aufgenommene Zeitsignal des Lärms in kurze 0.1s Snippets unterteilt. Anschließend wird jedes Snippet in ein Spektrogramm, was der Zeit- Frequenzdarstellung entspricht, überführt. Da die Spektrogramme eine extrem hohe Dynamik (Pegelunterschiede) besitzen, wird eine Dynamic Range Compression durchführt, welche die Unterschiede zwischen maximalen und minimalen Amplituden reduziert. Um die Dimension der Spektrogramme zu reduzieren, wird diese mit einer dreiecksförmigen Filterbank gefaltet. Diese Filterbank besteht aus 32 gleichverteilten und überlappenden Einzelfiltern. Abschließend werden die Spektrogramme normiert.

Für die konventionelle acoustic event detection wird ein neuronales Netz mit verschiedenartigen Schichten eingesetzt. So besitzt es Schichten um Faltungsoperationen (z.B. Kantendetektion) durchzuführen und Schichten um Informationen letztendlich zusammenzuführen. Im Grunde entsprechen neuronale Netze einer Klasse von Algorithmen, die Versuchen die Funktionsweise des menschlichen Gehirns zu imitieren. Somit sind die Algorithmen besonders für Musterkennungsprobleme geeignet.
Bei Verwendung des Neuronalen Netzes wird letztendlich eine Detektionsgenauigkeit von ca. 94% erreicht. Die Genauigkeit wurde durch Tests an separaten Turbinen/Kraftwerken bestimmt.

Generativ adversarial networks sind spezielle neuronale Netze, welche in der Lage sind künstliche aber trotzdem real wirkende Messdaten (oder auch Bilder) aus zufälligen Zahlen zu synthetisieren. So kann unter Verwendung dieser speziellen neuronalen Netze die Anzahl der Messdaten erhöht werden, und schließlich die Genauigkeit auf 98% gesteigert werden.