Felix Sawo, Vesa Klumpp, Frederik Beutler

• Ziel des Forschungsvorhabens FE 15.0548/2011/GRB war die Ausarbeitung einer Konzeption zu Anforderungen an die Aufbereitung und Verarbeitung von Messgrößen und ihrer Darstellung. Dies beinhaltete die Evaluierung und Entwicklung verschiedener modellbasierter und statistischer Analyseverfahren, die über den bisherigen Stand der Technik der Bauwerksüberwachung hinausgehen. Der Nutzen liegt in der Herausfilterung relevanter Informationen aus umfangreichem Datenmaterial (Vor-Aggregation) sowie der Erzeugung von belastbaren Zustandsinformationen bzw. Vorergebnissen hierzu durch eine frühzeitige, leistungsfähige Plausibilisierung. Es wurde gezeigt, dass durch den Einsatz von leistungsfähigen, gedächtnisbehafteten, selbstlernenden Algorithmen für die Sensorfusion, Interpolation, Plausibilitätserhöhung und Treffen fachtechnischer Monitoringaussagen Ergebnisse erzielt werden können, die bezüglich der Verarbeitung von Mess- und Erfassungsdaten weit über den aktuellen Stand beim Brückenmonitoring hinausgehen. Anhand mehrerer Szenarien, für die reale Erfassungsdaten zur Verfügung standen, wurde gezeigt, dass diese Verfahren sehr zuverlässig verschiedenste Signalstörungen, wie Messausreisser, erhöhtes Rauschen und Brummeinstreuung erkennen können. Nur durch die frühzeitige und zuverlässige Plausibilisierung von Sensordaten von Brückenbauwerken kann verhindert werden, dass offensichtlich fehlerhafte Messwerte (wie z.B. Messausreisser, störungsbehaftete Messungen) zu falschen Vorhersagen der Systemzuverlässigkeit von Brückenbauwerken durch rechnergestützte Systemmodelle führen.
• The aim of the research project FE 15.0548/2011/GRB was the development of a conception of requirements for the preparation and processing of measured variables and their representation for the application of structural health monitoring of bridge structures. The investigation includes the evaluation and development of several model-based and statistical analysis methods that go beyond state of the art of structural health monitoring. The benefits of the proposed methods lie in the filtering of relevant information from large data material (pre-aggregation) as well as the generation of robust state information by monitoring and determining the plausibility. It has been shown that by means of powerful, self-learning algorithms for sensor fusion, interpolation, and plausibility checking, highly technical monitoring statements can be concluded that go far beyond the current state of the art of structural health monitoring. The performance of the proposed methods has been demonstrated by means of several scenarios based on real data. It turned out that these methods can reliably detect a wide range of signal interferences, such as outliers and increased sensor noises. The early and robust plausibility checking of sensor data prevents obviously erroneous readings (such as outliers), which lead to incorrect predictions of future reliability of bridges or other structures.