Dienstleistungsspezialist für Industrielle Computertomographie

Der Einsatz von künstlicher Intelligenz im Bereich NDT


Der Einsatz von künstlicher Intelligenz (KI) sorgt in allen Anwendungsbereichen für Effizienz, Kosteneinsparung und Fehlervermeidung. Auch im Bereich der zerstörungsfreien Prüfung (NDT) können diese Effekte durch automatische Bewertungsverfahren, bei denen Bauteile auf Defekte geprüft werden, erzielt werden.

Verfahren, die Daten aus der zerstörungsfreien Prüfung automatisch auswerten, kommen bei der Defektprüfung von Bauteilen aufgrund vieler Sonderfälle und dementsprechend komplexer Algorithmen an ihre Grenzen – in vielen Fällen weisen die Ergebnisse keine eindeutig definierbare Trennung zwischen einem „zulässigen“ (IO) und einem „verbotenen“ (NIO) Bauteil auf. Eine manuelle Nachkontrolle muss daher oft im Anschluss durchgeführt werden. Die durch den Einsatz einer automatischen Auswertung angestrebten Zeit- und Kostenersparnisse werden nur teilweise erreicht oder ganz zunichte gemacht.

Ein typisches Beispiel hierfür ist der Versuch nach einem Grenzmusterkatalog automatisch zu bewerten. Weil relativ leicht zu erstellen, sind Grenzmusterkataloge gut zur Definition der gewünschten Qualität geeignet. Die so beschriebenen Anforderungen lassen sich jedoch kaum in einem Bewertungsalgorithmus umsetzen. Für die Qualitätsbewertung mittels moderner KI sind Grenzmusterkataloge geradezu optimal geeignet. 

Eingesetzt wird das maschinelle Lernen im NDT-Bereich beim Erkennen von Poren und Grat sowie bei der Bewertung von Lötstellen einschließlich einer Klassifizierung der Bauteile in IO/ NIO. Auch eine Quantifizierung der Größe von Ungänzen ist möglich.

 

Lötstellenbewertung Bauteil IO

Lötstellenbewertung – Bauteil IO

Lötstellenbewertung Bauteil NIO

Lötstellenbewertung – Bauteil NIO

Ihre Vorteile bei uns

Mit KI lassen sich schnelle Anfangserfolge erzielen, eine auf Dauer angelegte hohe Bewertungsqualität setzt jedoch Erfahrung im Umgang mit den Techniken des maschinellen Lernens voraus. Besonders kritisch ist die Bereitstellung ausreichend vieler Trainingsinformationen (= Bilder), denn meist sind überwiegend IO-Bilder vorhanden, die KI benötigt für ihren Lernprozess aber auch NIO-Bilder.
 
Microvista gilt als Vorreiter auf dem Gebiet der automatisierten Analyse- und Bewertungsroutinen von CT-Scandaten im industriellen Bereich und hat zuverlässige Tools entwickelt, mit denen sich auch bei wenigen Ausgangsdaten leistungsfähige, für den Industrieeinsatz ausreichend robuste Lösungen liefern lassen.
 

Wir bieten Ihnen ein schnelles, automatisiertes KI-Verfahren, das ein hohes Maß an Robustheit gegenüber Schwankungen im Messprozess aufweist.
Unsere Vorgehensweise des maschinellen Lernens können wir flexibel anlernen und an verschiedene Kundenanforderungen anpassen.

Wie gehen wir vor?

In einem ersten Gespräch bitten wir Sie um eine exakte Problembeschreibung, z.B. einen Grenzmusterkatalog o.Ä. Anhand dieser Informationen können wir Ihnen auch mitteilen, ob unser KI-Verfahren für Ihr Anliegen geeignet ist.

Anschließend besprechen wir, wie wir unsere KI für Ihren Anwendungsfall anlernen können. Haben Sie bereits Bauteilbilder vorliegen, können Sie uns diese einfach zur Verfügung stellen.
 

Sind keine Bilder vorhanden, senden Sie uns am besten Musterteile zu, von denen wir passende Bilder erstellen können.

Aus dem Bildmaterial wird die Lern- und Testbasis für unser maschinelles Lernen aufgebaut. Haben Sie nicht genügend Bildmaterial, gehört es zu unserem Know- how mit diesem Problem umzugehen. Dann lernt die KI, Ihre Bilder auszuwerten, und das Gelernte wird im Anschluss von uns getestet. Dieser Vorgang wird solange wiederholt, bis keine Fehler mehr in der Testphase auftreten – was nach einem langwierigen Prozess klingt, wird von uns meist in nur einer Woche durchgeführt.
 
Der so entstehende KI- Baustein wird nun in unsere interne Software eingebunden, die von der Erfassung der Bauteilnummer und anderen Stammdaten bis zu Erstellung eines kundenindividuellen Prüfberichts alles erledigt.
 
 

Für viele Menschen ist das maschinelle Lernen ein Prozess, der zu abstrakt wirkt und daher Misstrauen wecken kann. Es ist jedoch nachgewiesen, dass Ergebnisse, die mit künstlicher Intelligenz erstellt wurden, im Gegensatz zur manuellen Prüfung gleichwertig oder sogar besser abschneiden, da die Fehlerquote reduziert wird. Allerdings müssen auch automatische Verfahren einer Stichprobenprüfung unterzogen und mit Referenzdaten verglichen werden, um die Qualität der Bewertung gewährleisten oder ggf. anpassen zu können.