Künstliche Intelligenz erhöht die Benutzerfreundlichkeit der zerstörungsfreien Shearografie

In autonomen Fahrzeugen ist der Mensch nur noch Mitfahrer. Das Auto steuert selbständig und erkennt Hindernisse und Gefahren. Damit das Fahrzeug seine Umwelt erkennen kann, ersetzen optische Sensoren das Auge des Fahrers. Ein Forscherteam am Fraunhofer-Institut für Photonische Mikrosysteme IPMS in Dresden entwickelt Mikroscannerspiegel (MEMS-Scanner), die ihre Umgebung zuverlässig und störungsfrei wahrnehmen können und gleichzeitig klein und integrierbar sind. Die Vision eines sicheren autonomen Fahrens rückt damit in greifbare Nähe. Auf der Weltleitmesse für Entwicklung und Fertigung von Elektronik Productronica vom 12. bis 15. November 2019 in München stellt das Fraunhofer IPMS seine aktuellen Entwicklungen der breiten Fachöffentlichkeit vor.

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 bzw. vorhandenen Fehlstellen. Im Ergebnis lassen sich interne Defekte wie z. B. 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 Umfeldes oftmals ein.

Daher arbeiten das Kunststoff-Zentrum SKZ und das Institut für Leichtbau und Kunststofftechnik (ILK) der TU Dresden gemeinsam an der Erhöhung der Benutzerfreundlichkeit durch eine Automatisierung der Messeinstellung, -durchführung und Ergebnisinterpretation mit Methoden der Künstlichen Intelligenz (KI). Somit soll vor allem kleinen und mittleren Unternehmen der direkte Zugang zur Shearografie erleichtert werden.

Die im Rahmen des Projektes genutzten Methoden des DeepLearnings als eine 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 (Autonomes Fahren, Spracherkennung, etc.). 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 DeepLearning-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.

Das Vorhaben (Nr. 19345 BG) wurde über die Arbeitsgemeinschaft industrieller Forschungsvereinigungen (AiF) im Rahmen des Programms zur Förderung der Industriellen Gemeinschaftsforschung (IGF) vom Bundesministerium für Wirtschaft und Energie (BMWi) aufgrund eines Beschlusses des Deutschen Bundestages gefördert.

Das SKZ ist Mitglied der Zuse-Gemeinschaft. Diese ist ein Verbund unabhängiger, industrienaher Forschungseinrichtungen, die das Ziel verfolgen, die Leistungs- und Wettbewerbsfähigkeit der Industrie, insbesondere des Mittelstandes, durch Innovation und Vernetzung zu verbessern.

Quelle: SKZ

Diesen Beitrag empfehlen
Plast.tv Facebook
Plast.tv YouTube
Plast.tv Vimeo