Warum KI in der ZfP?
Traditionelle ZfP-Auswertung hängt stark von der Erfahrung des Prüfers ab. Menschliche Faktoren (Ermüdung, subjektive Wahrnehmung) beeinflussen die Detektionswahrscheinlichkeit (POD). KI-Systeme können:
- Millionen von Prüfdaten konsistent auswerten
- Ohne Ermüdungseffekte arbeiten
- Muster erkennen, die dem menschlichen Auge entgehen
- 24/7 in automatisierten Prüflinien eingesetzt werden
Machine Learning Grundprinzip
Statt manuell kodierter Regeln lernt das Modell aus Daten: Tausende annotierte Prüfbilder (Fehler/kein Fehler) werden genutzt, um ein neuronales Netz zu trainieren. Das Netz erkennt dann eigenständig Muster in neuen Prüfdaten.
Wichtige Algorithmentypen in der ZfP
- Convolutional Neural Networks (CNN): Bildauswertung; ideal für RT-Filme, Thermogramme, C-Scan-Bilder
- Recurrent Neural Networks (RNN/LSTM): Zeitreihendaten; UT-A-Scan-Auswertung, Schallemission
- Autoencoders: Anomalieerkennung ohne bekannte Fehlerbilder (unsupervised)
- Generative Adversarial Networks (GAN): Synthese künstlicher Prüfdaten zum Erweitern kleiner Datensätze
Anwendungsbeispiele
| ZfP-Methode | KI-Anwendung | Stand |
|---|---|---|
| RT (Röntgenfilm/DR) | Automatische Fehlererkennung, Klassifikation (Pore, Riss, Schlacke) | Produktiv (z. B. VGStudio, YXLON) |
| UT (PAUT, TOFD) | B-Scan-Auswertung, Risstiefenmessung, C-Scan-Klassifikation | Pilotprojekte, teils produktiv |
| Thermografie | Delaminationserkennung in CFK, Rotorblätter | Forschung + Piloten |
| VT (Kamera) | Oberflächenfehlererkennung in Fertigungslinien (Automotive) | Weit verbreitet |
| AE | Quellklassifikation, Vorhersage | Forschung |
Herausforderungen
- Datenverfügbarkeit: Echte Fehlerdaten sind selten; synthetische Daten (GAN) als Ergänzung
- Zertifizierung: Wie wird ein KI-System nach EN ISO 9712 qualifiziert? (noch offen)
- Erklärbarkeit (XAI): Black-Box-Entscheidungen schwer auditierbar
- Overfitting: Modell lernt Training-daten auswendig, versagt bei neuen Fehlertypen
Zukunft: Digitaler Zwilling + KI
Der digitale Zwilling eines Bauteils kombiniert CAD-Geometrie, Simulationsdaten und historische Prüfdaten. KI-Modelle können damit nicht nur aktuelle Prüfergebnisse auswerten, sondern Degradationstrends vorhersagen — der Schritt von reaktiver zu prädiktiver ZfP.