Zerstörungsfreie Prüfungen (ZfP) bilden das Rückgrat der Qualitätssicherung und des Sicherheitsmanagements in der Luft- und Raumfahrtindustrie. Jede wichtige Komponente – von Rumpfpaneelen und Tragflächenholmen bis hin zu Turbinenschaufeln und Fahrwerken – muss inspiziert werden, ohne verändert oder beschädigt zu werden. Während traditionelle zerstörungsfreie Prüfverfahren wie Ultraschallprüfung, Radiografie, Wirbelstromprüfung und Thermografie gut etabliert sind, bleiben sie arbeitsintensiv und erfordern hochqualifizierte Inspektoren, um subtile Signale zu interpretieren. Das Aufkommen von Deep Learning – eine Teilmenge künstlicher Intelligenz – hat einen Paradigmenwechsel eingeleitet. Durch das automatische Erlernen hierarchischer Muster aus großen Datensätzen können Deep-Learning-Modelle Defekte mit größerer Geschwindigkeit, Konsistenz und Genauigkeit erkennen als menschliche Experten. Dieser Artikel untersucht, wie Deep Learning zerstörungsfreie Prüfverfahren für Luft- und Raumfahrtkomponenten verändert, wobei die technischen Grundlagen, praktischen Anwendungen, Vorteile, Herausforderungen und Zukunftsaussichten behandelt werden.

Grundlagen des Deep Learning in NDT

Wie Deep Learning sich vom traditionellen maschinellen Lernen unterscheidet

Herkömmliche Machine-Learning-Modelle beruhen auf handgefertigten Merkmalen - Ingenieure definieren Metriken wie Signalamplitude, Kantenschärfe oder Texturgradienten. Im Gegensatz dazu lernt Deep Learning, insbesondere convolutional neural networks (CNNs), automatisch relevante Merkmale aus rohen Eingangsdaten. Für NDT bedeutet dies, dass das Modell subtile Defektsignaturen entdecken kann, die sogar ein erfahrener Inspektor übersehen könnte. Recurrent neural networks and transformers are also been applied to time-series data from ultrasonic or acoustic emission sensors.

Datenanforderungen und Vorverarbeitung

Deep-Learning-Modelle erfordern große, gut beschriftete Datensätze, um effektiv zu trainieren. Für zerstörungsfreie Luft- und Raumfahrttechniken beinhaltet dies das Sammeln von Tausenden – oft Zehntausenden – Bildern oder Signalen von bekannten defekten und nicht defekten Komponenten. Datenvergrößerungstechniken wie Rotation, Skalierung und Rauschinjektion helfen, verschiedene reale Bedingungen zu simulieren. Transfer-Learning, bei dem ein Modell, das auf einem generischen Bilddatensatz (z. B. ImageNet) vortrainiert ist, auf zerstörungsfreie Daten abgestimmt ist, reduziert den Bedarf an enormen luft- und raumfahrtspezifischen Datensätzen. Vorverarbeitungsschritte wie die Normalisierung der Signalintensität, die Entfernung von Hintergrundrauschen und die Segmentierung von interessierenden Regionen sind entscheidend für die Erreichung einer zuverlässigen Leistung.

Deep Learning über NDT-Modalitäten hinweg

Ultraschallprüfung (UT)

Ultraschalltests verwenden hochfrequente Schallwellen, um interne Fehler wie Risse, Hohlräume und Delaminationen zu erkennen. Traditionelles UT erfordert, dass ein Bediener A-Scan-, B-Scan- oder C-Scan-Displays in Echtzeit interpretiert. Deep-Learning-Modelle können ganze C-Scan-Bilder verarbeiten und Regionen mit hoher Genauigkeit als Defekt oder Nichtfehler klassifizieren. CNNs wurden auf Ultraschall-Phasor-Arrays trainiert, um Ermüdungsrisse in Flugzeugrumpfhaut und Disbonds in zusammengesetzten Wabenpaneelen zu erkennen. Eine 2023-Studie von Forschern der Universität Bristol berichtete, dass ein CNN-basiertes System eine 97% -Erkennungsrate für unterirdische Hohlräume in Kohlenstofffaserlaminaten erreichte - übertraf die 85% -Rate erfahrener Techniker.

Röntgenprüfung (RT)

Röntgen- und Gammastrahlenradiographie werden zur Inspektion von Schweißverbindungen, Gussteilen und zusammengesetzten Komponenten verwendet. Die manuelle Interpretation von Röntgenaufnahmen ist subjektiv und kann inkonsistent sein. Deep-Learning-Algorithmen heben automatisch verdächtige Regionen hervor, wodurch die Inspektionszeit verkürzt wird. Beispielsweise analysiert ein von Airbus eingesetztes Modell digitale Röntgenaufnahmen von Triebwerkslüfterblättern und identifiziert Mikroporosität, Einschlüsse und Risse. Das Modell unterscheidet auch zwischen gutartigen strukturellen Merkmalen (wie Befestigungslöchern) und echten Defekten - eine Herausforderung, die traditionell einen Menschen erforderte, Zeichnungen oder Vorlagen zu überlagern. Unternehmen wie GE Digital haben Cloud-basierte Plattformen entwickelt, die Deep Learning verwenden, um die radiografische Interpretation über mehrere Fertigungsstandorte hinweg zu beschleunigen.

Thermografie (Infrarot-Test)

Infrarot-Thermographie erkennt Oberflächen- und oberflächennahe Defekte durch Überwachung der Wärmediffusion. Aktive Thermographie - bei der eine Wärmequelle angewendet wird - ist für Luft- und Raumfahrtkomposite üblich. Deep-Learning-Modelle analysieren Sequenzen von Wärmebildern, um Abbindungen, Aufprallschäden und Feuchtigkeitseintrag zu lokalisieren. Ein bemerkenswerter Fortschritt ist die Verwendung von FLT: 0 3D-Konvolutionsnetzwerken FLT: 1, die die gesamte Zeittemperaturhistorie als Eingabe berücksichtigen und die Erkennung von Defekten ermöglichen, die in einem einzelnen Rahmen unsichtbar sind. Das US Air Force Research Laboratory hat Ergebnisse veröffentlicht, die zeigen, dass ein Deep-Learning-Thermographiesystem kaum sichtbare Aufprallschäden in Kompositflugzeughaut mit 99% Empfindlichkeit erkennen kann.

Eddy Current Testing (ECT)

Wirbelstromprüfungen werden häufig zur Erkennung von Oberflächen- und oberflächennahen Rissen in leitfähigen Materialien, insbesondere an Flugzeughaut und Triebwerkskomponenten, eingesetzt. Traditionelle ECT erfordern Sondenscanning und Impedanzebenenanalyse. Deep Learning-Modelle können die rohen Impedanzsignale oder die C-Scan-Bilder direkt verarbeiten und Defekttypen klassifizieren - beispielsweise durch Unterscheidung von Spannungskorrosionsrissen von Ermüdungsrissen. Forscher der Universität São Paulo trainierten ein eindimensionales CNN zu Wirbelstromsignalen von Nietlöchern und erreichten eine Genauigkeit von über 96% bei der Erkennung von Ermüdungsrissen von nur 0,5 mm. Solche Modelle reduzieren Fehlalarme, die durch Geometrieschwankungen verursacht werden, eine anhaltende Herausforderung bei der manuellen EKT.

Prüfung auf akustische Emissionen (AE)

Akustische Emissionsprüfung überwacht die elastischen Wellen, die durch Risse, Faserbrüche oder Delaminationen während des Ladens erzeugt werden. Im Gegensatz zu anderen zerstörungsfreien Prüfverfahren ist AE passiv und kann bei der Proof-Testing oder Bordüberwachung verwendet werden. Deep-Learning-Modelle, insbesondere Long Short-Term Memory Networks (LSTMs) und Transformatoren, analysieren die akustischen Wellenformmerkmale, um Quellen zu lokalisieren und Fehlermechanismen zu klassifizieren. Beispielsweise verwendet ein System, das für die Überwachung von Druckbehältern in hydraulischen Flugzeugsystemen entwickelt wurde, ein LSTM, um die verbleibende Lebensdauer basierend auf AE-Signalmustern vorherzusagen, was eine zustandsbasierte und nicht terminplanbasierte Wartung ermöglicht.

Über die Fehlererkennung hinaus: Predictive Maintenance und Lifecycle Management

Der Wert von Deep Learning geht über das Auffinden von Rissen an einem einzigen Inspektionspunkt hinaus. Durch die Integration von NDT-Daten aus mehreren Inspektionen im Laufe der Zeit können Modelle vorhersagen, wie ein Defekt wachsen wird und die verbleibende Lebensdauer des Bauteils schätzen. Dies ist für Luftfahrtbetreiber, die Teile nur dann sicher und nicht in beliebigen Kalenderintervallen aus dem Verkehr ziehen wollen, von wesentlicher Bedeutung. Zum Beispiel kann ein Deep Learning-Modell, das auf sequentiellen Wirbelstrommessungen von Befestigungslöchern trainiert wird, die Rissausbreitungsraten vorhersagen, so dass Wartungsteams Reparaturen planen können, bevor der Riss eine kritische Größe erreicht. In ähnlicher Weise können Modelle, die Ultraschalldaten mit Fluglastprotokollen kombinieren, das Delaminationswachstum in Komposit-Abhängen vorhersagen. Die US-amerikanische Federal Aviation Administration (FAA) hat diese Fähigkeiten anerkannt und beteiligt sich an der Entwicklung von Zertifizierungsrichtlinien für KI-unterstützte zerstörungsfreie Prüfverfahren in der vorausschauenden Wartung.

Digitale Zwillinge und kontinuierliche Überwachung

Das Konzept eines digitalen Zwillings – eine virtuelle Nachbildung eines physischen Assets – wird zunehmend mit Deep Learning NDT gekoppelt. Sensoren an den Flugzeugstromdaten (Ultraschall, Akustik, Temperatur, Dehnung) zu einem digitalen Zwilling, der seinen Schadenszustand kontinuierlich aktualisiert. Deep Learning-Algorithmen, die im digitalen Zwilling ausgeführt werden, können Alarme auslösen, wenn anormale Muster Schwellenwerte überschreiten. Zum Beispiel kann ein digitaler Zwilling einer Turbinenschaufel ein CNN verwenden, um Online-Ultraschallsignale zu analysieren und eine Inspektion nach jeweils 100 Flugzyklen anstelle eines festen Intervalls zu empfehlen. Dieser adaptive Ansatz reduziert unnötige Inspektionen, während Fehler früher erkannt werden.

Vorteile von Deep Learning in der Luft- und Raumfahrt NDT

  • Höhere Detektionsgenauigkeit: Deep Learning Modelle können subtile Defektsignaturen identifizieren, die für das menschliche Auge nicht unterscheidbar sind, insbesondere in verrauschten Daten. Studien berichten durchweg von einer Verbesserung der Detektionswahrscheinlichkeit um 10-20% gegenüber herkömmlichen Methoden.
  • Schnellere Analyse: Ein ausgebildetes CNN kann Tausende von Bildern pro Sekunde klassifizieren und die Inspektionszeit von Stunden auf Minuten reduzieren. Diese Geschwindigkeit ist für hochvolumige Produktionslinien oder einen schnellen Turnaround in MRO-Einrichtungen (Wartung, Reparatur und Überholung) von entscheidender Bedeutung.
  • Konsistenz: Menschliche Inspektoren unterscheiden sich in ihrer Leistung aufgrund von Müdigkeit, Training und subjektivem Urteilsvermögen. Deep Learning liefert konsistente, wiederholbare Ergebnisse - der gleiche Input liefert immer den gleichen Output.
  • Reduzierte Bediener-Workloads: Durch die Automatisierung des vorläufigen Screenings kann das Modell nur verdächtige Regionen für eine detaillierte Überprüfung kennzeichnen, so dass sich die Techniker auf komplexe Entscheidungen konzentrieren können.
  • Skalierbarkeit: Nach dem Training kann ein Modell über mehrere Inspektionsstationen oder sogar über verschiedene Einrichtungen hinweg eingesetzt werden, wodurch das Qualitätsniveau weltweit standardisiert wird.

Diese Vorteile haben große Luft- und Raumfahrthersteller wie Boeing, Airbus und Rolls‐Royce dazu veranlasst, stark in KI-betriebene zerstörungsfreie Prüfverfahren zu investieren. So verwendet das Automated Visual Inspection System von Boeing ein CNN, um die Anwendung von Dichtstoffen auf Flügelplatten zu untersuchen, wodurch eine Fehlererkennung von 99,7 % erreicht und gleichzeitig ein manuelles Schattenbrett entfällt.

Herausforderungen und Einschränkungen

Knappheit an gekennzeichneten Defektdaten

Deep-Learning-Modelle sind datenhungrig, aber Defektdaten in der Luft- und Raumfahrt sind selten. Defekte sind vom Design her selten – Hersteller streben nach Nullfehlern – so dass es schwierig ist, genügend positive Beispiele zu sammeln. Synthetische Datengenerierung mit physikbasierten Simulationstools bietet eine vielversprechende Lösung. So kann ein Finite-Elemente-Modell Ultraschallreaktionen aus verschiedenen Rissgeometrien simulieren und in realistische Hintergrundsignale einspeisen. Die simultane bis reale Lücke bleibt jedoch eine Forschungsherausforderung. Es entstehen standardisierte öffentliche Datensätze wie der NDT‐AI Benchmark, aber der Luft- und Raumfahrtindustrie fehlen immer noch große, offene Repositorien, vergleichbar mit ImageNet in Vision.

Interpretierbarkeit und Zertifizierung

Die Luft- und Raumfahrt ist eine stark regulierte Industrie. Ingenieure und Zertifizierungsbehörden (FAA, EASA) müssen verstehen, warum ein Modell einen Defekt markiert hat – die „Black Box-Natur tiefer neuronaler Netze ist problematisch. Techniken wie Gradientengewichtete Klassenaktivierungs-Mapping (Grad-CAM), SHAP und LIME können hervorheben, welche Pixel oder Zeitproben zu der Entscheidung beigetragen haben, was eine gewisse Interpretierbarkeit bietet. Doch Zertifizierungsstellen sind noch nicht mit Modellen zufrieden, die nicht vollständig erklärt werden können. Der neue EU-KI-Act und die FAA-Roadmap erfordern robuste Validierungs- und Erklärungsmethoden. Bis zur Entwicklung von Standards können Deep Learning-ZfP-Systeme als Entscheidungshilfe und nicht als alleiniger Schiedsrichter verwendet werden.

Integration mit bestehenden Workflows

Die meisten MRO-Einrichtungen in der Luft- und Raumfahrt verfügen über alte Datenmanagementsysteme und Inspektionsverfahren. Die Integration eines Deep-Learning-Modells erfordert nicht nur Software-Schnittstellen, sondern auch Änderungen an Arbeitsanweisungen, Schulungen von Bedienern und Validierungen gegen bestehende zerstörungsfreie Prüfverfahren. Das Modell muss auch mit Variationen von Geräten, Sondentypen und Scan-Einstellungen in verschiedenen Einrichtungen umgehen. Ein CNN, das auf Daten aus einem Modell eines Ultraschallfehlerdetektors trainiert wird, kann auf einem anderen Modell schlecht funktionieren, was eine Domänenanpassung oder Umschulung erfordert. Unternehmen beginnen, Plug-and-Play-Lösungen anzubieten: Zum Beispiel bietet Viso.ai eine Plattform, die mit jedem bildbasierten zerstörungsfreien Prüfverfahren verbunden werden kann und geschulte Modelle vor Ort oder am Rand bereitstellen kann.

Robustheit gegenüber neuartigen Defekten

Deep-Learning-Modelle werden typischerweise auf bekannte Defekttypen trainiert. Wenn ein neuer Defektmechanismus auftritt, wie z. B. Risswachstum in einer neuen Legierung oder ein bisher unbekannter Fertigungsfehler, kann das Modell ihn falsch einstufen. Kontinuierliches Lernen, bei dem das Modell mit neuen Daten aktualisiert wird, kann dies mildern, aber Umschulungszyklen müssen sorgfältig gehandhabt werden, um ein katastrophales Vergessen zu vermeiden. Einige Luft- und Raumfahrtprogramme pflegen ein "goldenes" Testset, das verwendet wird, um das Modell nach jedem Update zu revalidieren.

Zukünftige Richtungen

Echtzeit-In-Prozess-Erkennung

Eine der aufregendsten Grenzen ist die Einbettung von Deep-Learning-Modellen direkt in Fertigungs- und Montagelinien. Beispielsweise kann ein Kamerasystem während der automatisierten Faserplatzierung von Rumpfabschnitten aus Verbundwerkstoffen ein leichtes CNN verwenden, um Towlücken, Überlappungen oder Fremdkörperablagerungen in Echtzeit zu erkennen, was sofortige Korrekturen anstelle einer Nachbehandlungsinspektion ermöglicht. Ebenso kann ein Deep-Learning-Modell beim Reibrührschweißen von Aluminiumlegierungen akustische oder Kraftsignale analysieren, um Hohlräume oder Küssverbindungen zu erkennen, während die Schweißnaht fortschreitet. Eine solche In-Prozess-Überwachung könnte die Ausschussraten reduzieren und die Notwendigkeit für einige nachgeschaltete zerstörungsfreie Prüfverfahren eliminieren Schritte.

Edge Deployment bei Drohnen und Robotern

Die Inspektion großer Luft- und Raumfahrtstrukturen wie des Rumpfes oder der Flügel eines Jumbo-Jets ist zeitaufwendig. Drohnen, die mit Thermographie- oder Ultraschallsensoren ausgestattet sind, können in Kombination mit leichten Deep-Learning-Modellen autonom Oberflächen scannen und Defekte im Flug klassifizieren. Edge-Computing-Hardware (z. B. NVIDIA Jetson, Google Coral) ermöglicht Rückschlüsse an Bord, wodurch die Latenz des Streamings von Daten in die Cloud vermieden wird. Airbus hat ein drohnenbasiertes System demonstriert, das ein CNN verwendet, um Blitzeinschlagschäden auf der Flugzeughaut zu erkennen, wodurch die Inspektionszeit von 8 Stunden auf 30 Minuten verkürzt wird.

Federated Learning für Sharing Insights

Luft- und Raumfahrtunternehmen zögern oft, proprietäre Defektdaten auszutauschen. Federated Learning ermöglicht es mehreren Organisationen (z. B. Boeing, Airbus, deren Tier-1-Zulieferer), gemeinsam ein globales Deep-Learning-Modell zu trainieren, ohne Rohdaten auszutauschen. Jede Einrichtung bildet ein lokales Modell aus und teilt nur verschlüsselte Modellupdates auf einem zentralen Server. Dieser Ansatz könnte den effektiven Trainingsdatensatz dramatisch erweitern und die Fehlererkennung in der gesamten Branche verbessern und gleichzeitig das geistige Eigentum respektieren. Frühe Pilotprojekte, wie sie vom europäischen gemeinsamen Unternehmen Clean Sky finanziert werden, haben vielversprechende Ergebnisse bei der Erkennung von Verbundstoffdelaminationen bei verschiedenen Herstellern gezeigt.

Hybridmodelle, die Physik und KI kombinieren

Reine Deep-Learning-Modelle ignorieren die zugrunde liegende Physik der Wellenausbreitung, Wärmediffusion oder elektromagnetischen Induktion. Hybridmodelle - oft als Physik-informierte neuronale Netze (PINNs) bezeichnet - betten bekannte Regelgleichungen in den Trainingsverlust oder die Architektur ein. Für NDT könnte ein PINN beispielsweise durchsetzen, dass die vorhergesagte Ultraschallantwort die Wellengleichung erfüllt, was zu physikalisch konsistenteren Ergebnissen und einer besseren Generalisierung mit begrenzten Daten führt. Forscher am MIT haben ein Hybrid-CNN entwickelt, das ein Vorwärts-Ultraschallausbreitungsmodell als Regularisierungsterm verwendet und eine robuste Defektgrößenbestimmung in Kompositen erreicht, selbst wenn die Trainingsdaten spärlich sind.

Schlussfolgerung

Deep Learning gestaltet zerstörungsfreie Tests für Luft- und Raumfahrtkomponenten neu und bietet beispiellose Geschwindigkeit, Genauigkeit und Konsistenz bei der Fehlererkennung. Von der Ultraschall- und Röntgenprüfung über Thermographie bis hin zu akustischer Emission ermöglichen konvolutionale und rezidivierende neuronale Netze eine automatisierte Analyse, die das menschliche Fachwissen ergänzt oder sogar übertrifft. Über die einfache Fehlererkennung hinaus treiben diese Modelle die vorausschauende Wartung, die Integration digitaler Zwillinge und die Echtzeit-In-Prozess-Überwachung voran - alles entscheidend für die Sicherheit und Effizienz der modernen Luftfahrt.

Der Weg zur vollständigen Einführung ist nicht ohne Hürden: Datenknappheit, Anforderungen an die Interpretierbarkeit und Zertifizierungsanforderungen erfordern sorgfältige Aufmerksamkeit. Doch die kontinuierlichen Fortschritte bei der Generierung synthetischer Daten, erklärbaren KI, föderiertem Lernen und physikgestützter Modellierung überwinden diese Herausforderungen stetig. Da die Luft- und Raumfahrtindustrie weiterhin auf leichtere, stärkere und zuverlässigere Strukturen drängt, wird Deep Learning-gestützte zerstörungsfreie Technologie ein unverzichtbares Werkzeug sein - um sicherzustellen, dass jede Komponente die höchsten Standards erfüllt, bevor sie jemals in die Luft fliegt.