Artificial data set for benchmarking pre-processing algorithms for distributed fiber optic strain data
References to related material | https://doi.org/10.3390/s24237454 | |
References to related material | https://doi.org/10.3390/s24237454 | |
References to related material | https://doi.org/10.25532/OPARA-671 | |
Type of the data | Dataset | |
Type of the data | Software | |
Total size of the dataset | 1258530 | |
Author | Richter, Bertram | |
Upload date | 2024-11-28T14:39:31Z | |
Publication date | 2024-11-28T14:39:31Z | |
Data of data creation | 2024-11-22 | |
Publication date | 2024-11-28 | |
Abstract of the dataset | Distributed strains sensing (DSS) with distributed fiber optic sensors (DFOS) has great potential for structural health monitoring (SHM). Raw DSS data might contain different types of disturbances caused by the measurement principle of DFOS. The disturbance types are (i) misreadings called strain reading anomolies (SRA), (ii) missing values called dropouts, and (iii) noise. Hence, pre-processing (the process of removing or reducing the disturbances) is key for a reliable evaluation of DSS data. Many different pre-processing approaches/algorithms exist. The assessment, how well an algorithms performs in removing the disturbances is done by benchmarking. This judgement requires a known "ground truth" (disturbance free signal). As all measurements show noise, this benchmarking needs to be carried out on an artifical data set. The aim of this benchmark data set is to simulate realistic DSS data. The characteristics of the benchmark data set is described in in detail in the accompanying paper available at [10.3390/s24237454](https://doi.org/10.3390/s24237454). To simulate different use cases, the data set contains five scenarios. SRAs, dropouts and noise are simulated using simple random processes. The values for SRAs are extracted from the data set available at [10.25532/OPARA-671](https://doi.org/10.25532/OPARA-671). This dataset is available at [10.25532/OPARA-644](https://doi.org/10.25532/OPARA-644) and accompanies the paper [10.3390/s24237454](https://doi.org/10.3390/s24237454). | |
Public reference to this page | https://opara.zih.tu-dresden.de/handle/123456789/1012 | |
Public reference to this page | https://doi.org/10.25532/OPARA-644 | |
Publisher | Technische Universität Dresden | |
Licence | Attribution 4.0 International | en |
URI of the licence text | http://creativecommons.org/licenses/by/4.0/ | |
Specification of the discipline(s) | 4::45::410::410-04 | |
Specification of the discipline(s) | 4::44::409::409-02 | |
Title of the dataset | Artificial data set for benchmarking pre-processing algorithms for distributed fiber optic strain data | |
Software | fosanalysis v0.4 | |
Software | fosanalysis v0.4 | |
Software | brplotviz v0.3.2 | |
Project abstract | Problemstellung Infrastrukturbauwerke unterliegen einer stetigen Alterung, weshalb ihr Zustand bislang in regelmäßigen Intervallen händisch inspiziert werden muss. Erst wenn im Rahmen der turnusmäßigen Bauwerksprüfung ein Schaden festgestellt wird, wird eine Instandhaltungsmaßnahme geplant. Dieses reaktive Vorgehen führt dazu, dass ein Schaden oftmals lange unentdeckt bleibt und es infolgedessen zu erhöhten Sanierungskosten kommt. Dieses problemorientierte Vorgehen soll zukünftig durch ein datenbasiertes, vorrausschauendes und prädiktives Instandhaltungsmanagement abgelöst werden. Projektziel Grundlage für eine zuverlässige Zustandsbewertung in nahezu Echtzeit ist das Bauwerksmonitoring. Aktuelle Monitoringanwendungen bedürfen jedoch aufwendiger manueller Auswertung, wobei eine Alterung der Messanlage oder Messfehler nur schwierig erkannt werden können. Im Projekt „IDA-KI“ werden mithilfe des maschinellen Lernens vollautomatisierte Bewertungsalgo-rithmen für Monitoringdaten entwickelt und in ein lebensdauerübergreifendes Monitoringkonzept ab „Stunde null“ zur kontinuierlichen Zustandsbewertung integriert. Durchführung Es wird eine Modellbrücke errichtet und baube-gleitend mit Sensorik ausgestattet, wodurch das Monitoringkonzept und die Auswertealgorithmen „im Zeitraffer“ validiert werden können. Durch Belastungstests bis in den Bereich der starken Schädigung sowie eine gezielte Schädigung redundanter Messtechnik wird eine Realdatenbasis geschaffen. Dadurch wird zukünftig eine Unterscheidung zwischen Messfehlern und strukturellen Anomalien ermöglicht. Die charakteristischen Messsignale werden in Auswertealgorithmen implementiert, sodass zukünftig die Monitoringdaten automatisiert ausgewertet werden können. Zustandsindikatoren ermöglichen eine einfache Interpretation großer Datenmengen. Das Demonstratorbauwerk wird als Reallabor ausgebaut und dient auch nach der Projektlaufzeit als Ort des wissenschaftlichen Austauschs in der Kohleregion. Die Entwicklung eines digitalen „as maintained“-Modells dient der Etablierung neuer Geschäftsfelder und schafft qualifizierte Arbeitsplätze. | |
Public project website(s) | https://bmdv.bund.de/SharedDocs/DE/Artikel/DG/mfund-projekte/ida-ki.html | |
Public project website(s) | https://tu-dresden.de/bu/bauingenieurwesen/imb/forschung/grossprojekte/openLAB | |
Project title | Automatisierte Bewertung der Monitoringdaten von Infrastrukturbauwerken – IDA-KI |
Collections
