Jung, HenningHenningJung2025-08-132025-08-132025https://dspace.ub.uni-siegen.de/handle/ubsi/7056Der Fokus der vorliegenden Dissertation lässt sich dem Forschungsfeld Structural Health Monitoring (SHM) zuordnen und hat die Entwicklung neuer Methoden zur Diagnose und Prognose von Schädigungen basierend auf Beschleunigungsmessungen zum Ziel. Als Anwendungsbeispiel wird die Überwachung der Fahrwerkskomponenten von Schienenfahrzeugen gewählt. Schienenfahrzeuge werden meist für eine Nutzungsdauer von 30 Jahren und mehr vorgesehen. Um über diese Zeitspanne einen sicheren und zuverlässigen Betrieb zu gewährleisten, sind regelmäßige Instandhaltungsmaßnahmen durchzuführen, die sich heutzutage nach fest vordefinierten Intervallen richten. Diese Intervalle werden durch eine bestimmte Betriebszeit, oder aber nach Erreichen einer definierten Laufleistung befristet. Strukturelle Schädigungen, die zwischen zwei Instandhaltungsmaßnahmen entstehen lassen sich damit kaum feststellen und führen im extremen Fall zur Entgleisung. Solche Ereignisse sind unplanbar und führen stets zu kostenintensiven korrektiven Maßnahmen. Zur Vermeidung eines solchen Entgleisungsszenarios werden daher die Intervalle nach einem konservativen Ansatz (kurze zeitliche Abstände, wenige Laufleistungskilometer) definiert. Ein Erhöhung der Anzahl an Wartungsmaßnahmen führt zum einen zu steigenden Aufwänden in der Instandhaltung, aber auch zur unwirtschaftlichen Ausnutzung von Komponenten, die dadurch weit vor ihrer technischen Lebensdauer ausgetauscht werden. Eine intelligente, zustandsbasierte Instandhaltungsstrategie unter Verwendung eines SHM-Systems zur Diagnose und Prognose von Schädigungen ist daher ein vielversprechender Ansatz, die Anzahl der Instandhaltungsmaßnahmen zu reduzieren, bei gleichzeitiger Erhöhung der Sicherheit, Zuverlässigkeit und Wirtschaftlichkeit. Strukturelle Schädigungen wirken sich auf das Vibrationsverhalten aus. Schienenfahrzeuge sind während des Betriebes ständigen Vibrationen ausgesetzt, die vor allem durch den Rollkontakt zwischen Rad und Schiene angeregt werden. Das Hauptaugenmerk dieser Forschungsarbeit liegt auf der automatisierten Auswertung und Bewertung der Vibrationsmessungen im Hinblick auf schadhafte Komponenten. Hierzu wird eine neue Methode basierend auf der Stochastic Subspace Identification (SSI) und der Kerndichteschätzung entwickelt und vorgestellt. Das Herzstück bildet die Modal Parameter Density Estimation Function (MoDE-F). Als wesentliche Neuerung ist die Verwendung einer Vielzahl von unterschiedlichen, stochastischen Anregungsszenarien in Kombination mit der Kerndichteschätzung zur Ermittlung der modalen Parameter zu nennen. Dieser Ansatz führt zur Minimierung falscher Identifikationsergebnisse, die durch eine Verletzung der Annahme von weißem Rauschen als Systemanregung - so wie sie bei der Herleitung der SSI verwendet wird - entstehen. Die automatisierte Auswertung und Klassifikation der erzeugten MoDE-F wird mittels der Jensen-Shannon-Divergenz-Metrik (JSDM) realisiert. Aufbauend auf dem aktuellen Forschungsstand wird die Wirkungsweise theoretisch analysiert und dargelegt. In numerischen Simulationen wird die generelle Anwendbarkeit an realitätsnahen Betriebsbedingungen gezeigt. Im Anschluss wird die neuartige Methode an einem realen Drehgestell angewendet.The focus of this dissertation relates to the research field of Structural Health Monitoring (SHM) with the aim to develop new methods for damage diagnosis and prediction based on acceleration measurements. The monitoring of bogie components of railway vehicles is chosen as an application example. Railway vehicles are typically designed for an operationel service life of 30 years or more. In order to ensure a safe and reliable operation over this period, regular maintenance actions must be carried out, which nowadays are based on fixed, predefined intervals. These intervals are limited by a certain operating time or after a defined mileage has been reached. Structural damages that occur between two maintenance actions are rarely detected and, in extreme cases, can lead to derailment. Such events are unpredictable and always result in costly corrective maintenance activities. To avoid such derailment scenarios, the intervals are therefore defined according to a conservative approach (short time intervals, less mileage). Increasing the number of maintenance activities not only raises maintenance costs but also leads to inefficient utilization of components, which are often replaced before the end of their technical service life. Therefore, an intelligent, conditionbased maintenance strategy using an SHM system for damage diagnosis and prediction presents a promising approach to reducing the number of maintenance activities while simultaneously increasing safety, reliability, and cost-effectiveness. Structural damages affect the vibration behavior. Railway vehicles are exposed to constant vibrations during operation, primarily caused by the rolling contact between wheel and rail. The main focus of this research thesis is on the automated evaluation and assessment of vibration measurements concerning defective components. For this purpose, a new method based on Stochastic Subspace Identification (SSI) and kernel density estimation is developed and presented. The core of this method is the Modal Parameter Density Estimation Function (MoDE-F). A key innovation is the use of a large number of different stochastic excitation scenarios in combination with kernel density estimation to determine the modal parameters. This approach leads to the minimization of incorrect identification results that arise from a violation of the white noise assumption for the system excitation – as used in the derivation of the SSI –. The automated evaluation and classification of the generated MoDE-F is realized by using the Jensen-Shannon divergence metric (JSDM). Based on the current state of research, the mode of operation is theoretically analyzed and presented. Numerical simulations show the general applicability to realistic operating conditions. The new method is then applied to a real bogie.deAttribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-nd/4.0/620 Ingenieurwissenschaften und zugeordnete TätigkeitenSchienenfahrzeugeRailway vehiclesZustandsüberwachungStructural health monitoringDoctoral ThesisFritzen, Claus-Peterurn:nbn:de:hbz:467-705662191-5601