Shearographie leichter nutzen dank künstlicher Intelligenz

Back to Beiträge

Mit künstlicher Intelligenz machen das SKZ und das Institut für Leichtbau und Kunststofftechnik (ILK) der TU Dresden die Shearografie benutzerfreundlich.

Methoden der Künstlichen Intelligenz bieten bei der Shearografie die Möglichkeit, charakteristische Merkmalsmuster von Defekten weitgehend benutzerunabhängig zu extrahieren und zu klassifizieren. Foto: SKZ

Die Hürden für die Einführung der Shearografie sind derzeit bei vielen Unternehmen hoch, doch künstliche Intelligenz kann sie senken: Die Shearografie ist ein berührungs- und zerstörungsfreies Prüfverfahren (ZfP), das mittels Laserlicht kleinste Oberflächenverformungen messtechnisch erfassen kann. Diese Oberflächenverformungen werden durch extern aufgebrachte mechanische oder thermische Belastungen erzeugt und sind abhängig von der inneren Struktur des Bauteils beziehungsweise vorhandenen Fehlstellen. Im Ergebnis lassen sich interne Defekte wie zum Beispiel Poren und Risse erkennen oder die Haftungsqualität von Klebverbindungen zerstörungsfrei beschreiben.

Die Durchführung der Messungen und die Interpretation der Ergebnisse erfordern aktuell jedoch spezielles Fachwissen. Dies schränkt die Akzeptanz des Verfahrens bei Nutzern außerhalb des akademischen Umfelds oftmals ein.

Künstliche Intelligenz erleichtert Zugang zur Shearografie

Daher arbeiten das SKZ und das ILK gemeinsam an der Erhöhung der Benutzerfreundlichkeit durch eine Automatisierung der Messeinstellung, -durchführung und Ergebnisinterpretation mit Methoden der künstlichen Intelligenz. Somit soll vor allem kleinen und mittleren Unternehmen der direkte Zugang zur Shearografie erleichtert werden.

Die im Rahmen des Projekts genutzten Methoden des Deep Learnings als einer Form des Maschinellen Lernens bieten die Möglichkeit, charakteristische Merkmalsmuster von Defekten weitgehend benutzerunabhängig zu extrahieren und zu klassifizieren. Moderne Algorithmen erreichen bisweilen die Genauigkeit des menschlichen Sehvermögens und finden immer häufiger Anwendung in alltäglichen Problemstellungen. Ein weiterer Vorteil des Maschinellen Lernens ist außerdem die mit steigender Anzahl durchgeführter Messungen stetig verbesserte Genauigkeit und Reproduzierbarkeit der Defekterkennung.

Mithilfe kommerziell verfügbarer Software wurden bei den Projektpartnern in den letzten Jahren Methoden der Datenaufbereitung, das Training des Deep-Learning-Netzwerks und eine automatisierte Erkennung von internen Defekten in Faserverbundkunststoffen (FVK) entwickelt und umgesetzt. Die Detektion von Defekten unterschiedlicher Größe, Form und Lage in FKV-Platten ist nunmehr innerhalb von wenigen Sekunden möglich.

sk

Share this post

Back to Beiträge