Hochpräzises Non-Destructive Testing in der Industrieproduktion mittels neuer KI-Verfahren (NextGenNDT)

Im Vorhaben NextGenNDT (Hochpräzises Non-Destructive Testing in der Industrieproduktion mittels neuer KI-Verfahren) entwickelt die Hochschule Aalen ein Verfahren für eine zerstörungsfreie Materialprüfung (non-destructive testing, NDT) auf Basis von Künstlicher Intelligenz, das industriell einsetzbar ist und menschliche Prüfer unterstützt. Das Projekt wird von Prof. Dr. Ricardo Büttner geleitet.

Herausforderung

Die zerstörungsfreie Materialprüfung (NDT) ist ein industriell eingesetztes Werkzeug zur Qualitätssicherung. Ihr Hauptvorteil liegt darin, dass das zu prüfende Bauteil nicht beschädigt wird und somit weiterhin genutzt oder verkauft werden kann. Allerdings bringt herkömmliches NDT auch Probleme mit sich: Die Fehlererkennung ist bislang kaum automatisiert, sondern wird meist stichprobenhaft durch menschliche Prüfer durchgeführt. Solche manuellen Untersuchungen sind nicht immer präzise und schwanken je nach Prüfer, so dass Fehler unerkannt bleiben können. Außerdem werden in der Qualitätskontrolle 3D-Aufnahmetechniken eingesetzt, die eine große Datenmenge erzeugen. Diese kann nur mit enormem menschlichem Aufwand bewältigt werden. Ein flächendeckender Einsatz der NDT-Prüfung in der Massenproduktion ist deshalb unter wirtschaftlich-technischen Gesichtspunkten aktuell kaum realisierbar, wäre aber für die Sicherstellung einer hohen Produktqualität eigentlich notwendig.

Ziele und Vorgehen

Ziel des Projekts NextGenNDT ist die Entwicklung hochpräziser, schneller und industriell nutzbarer Verfahren der automatischen Defekterkennung in der zerstörungsfreien 3D-Materialprüfung. Zu diesem Zweck werden leistungsfähige Deep-Learning-Verfahren entwickelt: Zunächst werden Trainingsdaten erhoben und auf Defekte geprüft (Labeling). Mithilfe dieser Trainingsdaten werden dann unterschiedliche KI-Architekturen trainiert und erprobt, die erfolgversprechendsten Kandidaten werden optimiert. Die im Projekt zum Einsatz kommenden Convolutional Neural Networks (ConvNets) eigenen sich insbesondere für das Transfer Learning: Dabei werden die Algorithmen auf einen großen Trainingsdatensatz trainiert. Nachdem dieses erste Training mit vielen Trainingsdaten abgeschlossen wurde, kann das Netz auf kleinere Datensätze feintrainiert (fine-tuned) werden. Damit lassen sich die ConvNets gut auf weitere Prüfaufgaben übertragen. Unterstützt wird die Übertragbarkeit durch die Entwicklung einer einheitlichen Programmierschnittstelle (API).

Innovationen und Perspektiven

Das Projekt NextGenNDT benutzt modernste Machine Learning Algorithmen zur prozessbegleitenden Defekterkennung, dies wurde bisher in der zerstörungsfreien 3D-Bauteilprüfung nicht realisiert. Die Verfahren können über vereinheitlichte Programmschnittstellen einfach in andere Anwendungsfelder übertragen werden, sodass ein engmaschiger Einsatz der zerstörungsfreien Bauteilprüfung in der Massenproduktion ermöglicht wird und auch unentdeckte Fehler in den Produktionsprozessen abgebildet werden können. Von den Projektergebnissen profitieren nicht nur industrielle Anwender, die sie in ihre eigenen Prüfungsprozesse integrieren können, sondern auch Wissenschaftler, die Ihre Deep-Learning-Verfahren weiterentwickeln. Zudem ermöglicht das Projekt Studierenden einen Einblick in industrierelevante Forschungsprojekte und Lösungsmöglichkeiten im Bereich der KI-Forschung.