sentin

Guide: KI-fähige ZfP-Infrastruktur

Tue, 08 Oct 2024 08:26:22 +0000

Seit Jahren haben sich die Hardware- und Software-Tools in der zerstörungsfreien Prüfung (ZfP) Schritt für Schritt verbessert. Mit dem Aufkommen der Künstlichen Intelligenz (KI) und dem gesamten Technologie-Stack der ZfP 4.0 werden neue Werkzeuge und Ansätze benötigt, um das volle Potenzial der Daten eines Unternehmens zu nutzen. Dieser Artikel befasst sich mit den Vorteilen und den Anforderungen an eine KI-fähige ZfP-Infrastruktur, bestehend aus Hardware und Software, um das volle Potenzial von KI nutzen zu können.

Was ist eine KI-fähige ZfP-Infrastruktur?

Eine KI-fähige ZfP-Infrastruktur (oder engl. AI-ready) ist ein Ökosystem, das die Integration von KI und anderen modernen Technologien in ZfP-Prozesse unterstützt. Es kombiniert nahtlos Erfassungshardware, Datenspeicherung, Auswertesoftware und fortschrittliche Algorithmen, um eine intelligente, anpassungsfähige und effiziente Prüfumgebung zu schaffen.

Was sind die Komponenten einer KI-fähigen ZfP-Infrastruktur?

Erfassungshardware / Acquisition Hardware: Hochwertige Datenerfassungshardware (Sensoren, Scanner, Detektoren und Kameras usw.) stellt sicher, dass genaue, konsistente und detaillierte Prüfdaten erfasst werden. KI-fähige Erfassungssysteme speichern die Daten digital und verarbeiten und strukturieren sie für die weitere Bearbeitung vor. Die Daten sollten verlustfrei gespeichert werden, damit eine KI leicht trainiert werden kann und die Daten versteht.
Revisionssicherer Datenspeicher / PACS: Effiziente Speicherlösungen sind entscheidend. KI-gesteuerte ZfP-Systeme benötigen umfangreiche Datensätze für Training, Validierung und Auswertung. Häufig werden Cloud– und dezentrale Speichersysteme eingesetzt, die skalierbar, sicher und schnell sind und sicherstellen, dass die Daten je nach Bedarf abgerufen und verarbeitet werden können. Bei der zerstörungsfreien Prüfung ist es außerdem wichtig, die Daten revisionssicher zu speichern. Häufig wird in diesem Zusammenhang ein Picture Archiving and Communication System (PACS) verwendet. Um die neuesten KI- und Daten-Frameworks nutzen zu können, empfehlen wir die Verwendung eines neueren, gekapselten Datenformats auf der Basis von DICOM / DICONDE, da dieser Standard in den 90er Jahren ohne KI im Hinterkopf eingeführt wurde. Diese neuen Datenformate werden von Auswertetools der zweiten Generation wie dem sentin EXPLORER unterstützt.
Erfahren Sie hier mehr: Was ist ein PACS in der ZfP?
Auswerte / Viewer Software: Um KI-fähig zu werden, sollte die neueste Auswertungs-/Viewer-Software wie der sentin EXPLORER eingesetzt werden. Diese haben nicht nur KI-Workflows integriert, sondern unterstützen auch die Arbeit mit Daten zum Aufbau eines KI-Modells. Die erste Generation digitaler Auswertesoftware ist unter Umständen nicht für die Aufbereitung und Speicherung von Daten im Hinblick auf KI geeignet. Beim „Einbrennen“ von Bildinformationen/Befunden über ein Röntgenbild beispielsweise gehen die darunter liegenden Informationen verloren und können von einer KI nicht verwendet werden. Die zweite Generation von Auswertewerkzeugen hingegen speichert die Daten verlustfrei. Diese Tools unterstützen die Auswertung mit KI-Modellen z.B. für Texterkennung, Fehlererkennung oder Betrugserkennung und können automatisch Berichte erstellen sowie bei der Datensatzbereinigung und der Arbeit mit KI-Modellen helfen (mehr dazu später).
IMS / ERP Integration: Die Integration mit Inspektionsmanagementsystemen (IMS) und Enterprise Resource Planning (ERP)-Lösungen stellt sicher, dass der gesamte Inspektionsablauf bei der Arbeit mit KI berücksichtigt wird. Sie erhält Inputs von den anderen verbundenen Systemen (z. B. Kennzeichnung eines Auftrags als „erledigt“, wenn alle Prüfberichte erstellt wurden) und liefert Erkenntnisse, die über mehrere Abteilungen und Prozesse hinweg genutzt werden können.
KI / Algorithmen: Das Herzstück einer KI-fähigen ZfP-Infrastruktur sind die fortschrittlichen KI-Modelle und -Algorithmen. Diese nutzen historische Daten, um Muster zu lernen, Anomalien zu erkennen und sogar Ausfälle vorherzusagen, bevor sie auftreten (z. B. Predictive Maintenance). Durch kontinuierliches Training dieser Modelle wird sichergestellt, dass sie akurat und relevant bleiben. Die Anwendungen der künstlichen Intelligenz sind so vielfältig, dass sie von Algorithmen zur Verringerung der Bestrahlungszeit in der Computertomographie über die Defekterkennung in der Ultraschallprüfung bis hin zur Erkennung von Betrug und Mustern in den Auftragsdaten reichen.
Erfahren Sie hier mehr: Wie funktioniert Künstliche Intelligenz (KI) in der ZfP?

Was sind die Vorteile einer KI-fähigen ZfP-Infrastruktur?

Die Implementierung einer KI-fähigen NDT-Infrastruktur kann den Betrieb in vielerlei Hinsicht verändern:

KI-Potential freilegen: Die Einrichtung einer KI-fähigen Infrastruktur ermöglicht es Unternehmen, mit datengesteuerten Erkenntnissen zu arbeiten und zukunftssicher zu werden.
Zeit und Kosten einsparen: Die Verbesserung der Datenerfassung, -Analyse und -Berichterstattung spart viel Zeit. Die Verringerung der manuellen Prozesse senkt auch die Betriebskosten, da KI-gesteuerte Systeme rund um die Uhr mit minimalen menschlichen Eingriffen und höherer Präzision arbeiten können.
Workflows automatisieren: KI-fähige Systeme ermöglichen automatisierte Arbeitsabläufe, beseitigen Engpässe und rationalisieren Aufgaben von der Erfassung bis zur Auswertung. Dadurch lassen sich komplexe ZfP-Prozesse einfacher verwalten und Ausfallzeiten reduzieren.
Transparenz und Einblicke gewinnen: KI-Systeme bieten tiefere Einblicke in Prüfprozesse und -ergebnisse. Diese Systeme können verborgene Muster und Trends aufdecken, die Menschen möglicherweise übersehen, was zu einem transparenteren und datengesteuerten Ansatz bei der zerstörungsfreien Prüfung führt.
Wartbarkeit und Skalierbarkeit: KI-fähige ZfP-Infrastrukturen sind so konzipiert, dass sie einfach zu warten und zu skalieren sind. Wenn neue Prüfanforderungen auftauchen, kann das System weiterentwickelt werden und ist ohne größere Änderungen für neue Datensätze, Hardware und Algorithmen bereit.
Revisionssichere Systeme: Die neuen Systeme speichern und verfolgen alle Änderungen und Aktualisierungen, was die Überprüfung historischer Daten erleichtert und die Einhaltung gesetzlicher Vorschriften gewährleistet, während gleichzeitig Spitzentechnologie zur Steigerung der Inspektionseffizienz eingesetzt wird.

Bei welchen Aufgaben unterstützt eine KI-fähige ZfP-Infrastruktur?

Für eine KI-fähige ZfP-Infrastruktur müssen verschiedene Aufgaben unterstützt werden. Dazu gehören die normalen Prüfaufgaben und neue Aufgaben, die sich aus der Arbeit mit KI ergeben.

Normale Inspektionsaufgaben:

Diese Aufgaben sind Teil der normalen Prüfabläufe. Die Prüfinfrastruktur sollte sie unterstützen, um die regulären Prozesse nicht zu unterbrechen und sicherzustellen, dass das Unternehmen wie bisher arbeiten kann.

Daten aufnehmen: Erfassung qualitativ hochwertiger, konsistenter Daten aus einer Vielzahl von ZfP-Methoden (Ultraschall, Radiographie, elektromagnetische Verfahren usw.) mit Hilfe fortschrittlicher Sensoren und Erfassungsgeräte.
Daten speichern: Bereitstellung zuverlässiger und skalierbarer Speicherlösungen zur Bewältigung großer Datenmengen mit der Möglichkeit, Informationen für die Entscheidungsfindung in Echtzeit schnell abzurufen und zu verarbeiten.
Daten auswerten: Nutzung von KI- und ML-Algorithmen zur Analyse von Daten, Identifizierung von Fehlern und Erkennung von Anomalien mit höherer Genauigkeit und Geschwindigkeit im Vergleich zu herkömmlichen Methoden.
Berichte erstellen: Die Erstellung von Berichten und Einblicken sollte automatisiert, übersichtlich und anpassbar sein, um den Bedürfnissen der verschiedenen Interessengruppen – vom Techniker vor Ort bis hin zum oberen Management – gerecht zu werden.

KI-bezogene Aufgaben:

Diese Aufgaben ergeben sich aus der Arbeit mit KI. Sie gehören zu Dingen, die Data Scientisten regelmäßig tun, aber sie sind neu in der Welt der ZfP. Nicht jeder Prüfer muss sie verstehen oder regelmäßig erledigen, aber der Erfolg eines Unternehmens bezogen auf die Anwendung von KI wird von guten Werkzeugen und Managern abhängen, die diese Prozesse verstehen.

Datensätze erstellen, labeln und bereinigen: KI-Modelle benötigen saubere, gut gelabelte Datensätze für ein effektives Training. Die Infrastruktur sollte die automatische Erstellung von Datensätzen, eine genaue Kennzeichnung und effektive Bereinigungsprozesse unterstützen, um Rauschen zu beseitigen und die Datenqualität zu verbessern.
(Re-) training: Der Prozess, bei dem einem KI-Modell „beigebracht“ wird, was es tun soll, wird als Training bezeichnet. Er erfordert spezielle Hardware (wie GPUs) und Software-Tools. Sie können einen früheren Zwischenstand und eine bestehende Trainingspipeline mit neuen Daten verwenden, um die Leistung des Modells zu verbessern (oder ihm neue Dinge beizubringen) und es erneut zu trainieren. Dies ist notwendig, wenn eine neue Prüfaufgabe auftaucht (z. B. neue zu prüfende Teile oder Daten / Bilder, die sich deutlich von den bisherigen unterscheiden).
Validation: Bevor man ein KI-Modell ins Unternehmen bringt und in einer realen Umgebung einsetzt, möchte man sicher sein, dass es die erwarteten Leistungen erbringt, d. h. zum Beispiel eine bestimmte Genauigkeit aufweist. Dieser Prozess wird als Validierung bezeichnet. Moderne Tools ermöglichen es Ihnen, das Modell zu testen z. B. mit einem Validierungsdatensatz, und zeigen Ihnen Statistiken und Einblicke, damit Sie fundierte Entscheidungen treffen können, ob Sie ein neues Modell, seine Vorgängerversion oder ein völlig neues Modell verwenden möchten.
Deployment und Monitoring: Die Infrastruktur sollte in der Lage sein, Sie kontinuierlich beim Training und der Validierung von KI-Modellen zu unterstützen, wenn neue Daten verfügbar werden. Für den Einsatz in der Produktion muss sie außerdem aktualisierte Modelle effizient bereitstellen (z. B. um sie für alle Inspektoren verfügbar zu machen) und ihre Leistung überwachen, um Genauigkeit und Zuverlässigkeit zu gewährleisten. Es sollte möglich sein, zu sehen, wie sich ein Modell derzeit verhält, und mit wenigen Klicks eine Aktualisierung auf einen Server zu übertragen.

Was sind die Anforderungen an eine KI-fähige ZfP-Infrastruktur?

Damit die Infrastruktur KI wirksam unterstützen kann, müssen bestimmte Voraussetzungen erfüllt sein:

Interoperabilität: Das System muss sich in bestehende Hardware- und Softwareplattformen integrieren lassen, verschiedene ZfP-Methoden unterstützen und einen nahtlosen Datenaustausch zwischen Systemen gewährleisten. Die Verwendung einer Mischung aus Industriestandard und modernen Schnittstellen ist hier der Schlüssel zum Erfolg. Ein Beispiel ist der DICONDE-Standard in Kombination mit RESTful-Webschnittstellen.
Workflow Awareness: Die Infrastruktur sollte bestehende Arbeitsabläufe verbessern, indem sie sie KI- und datenzentriert macht und eine reibungslosere Zusammenarbeit zwischen menschlichen Experten und KI-Algorithmen und -Tools ermöglicht. Neben verbesserten bestehenden Arbeitsabläufen wird es auch neue Arbeitsabläufe geben, die durch den Einsatz von KI entstehen, wie z. B. Critical Image/Item Detection (CID). Deswegen ist es wichtig, einen ganzheitlichen Überblick über die bestehenden und neuen Workflows zu haben.
Moderne Schnittstellen und Datenformate: Um nutzbare Datensätze zu erstellen und Echtzeitanalysen zu ermöglichen, sollte das System moderne Datenformate und Schnittstellen unterstützen, die eine flexible Interaktion und Integration mit anderen digitalen Systemen ermöglichen. Der DICONDE-Standard und PACS werden häufig verwendet, aber zur Unterstützung von KI-zentrierten Arbeitsabläufen sind neue Schnittstellen und Datenformate, z. B. basierend auf lesbaren Formaten wie JSON, der Schlüssel zum Erfolg.
Wartbarkeit und Skalierbarkeit: Eine KI-fähige Infrastruktur muss sowohl einfach zu warten als auch skalierbar sein, um sicherzustellen, dass sie sich an die sich verändernden Anforderungen der Branche und die zunehmenden Datenmengen anpassen kann, ohne dass es zu erheblichen Neukonfigurationen oder Ausfallzeiten kommt. Die ZfP kann von den vergangenen Jahren der Cloud- und Webentwicklung lernen, die mit Container- und Microservice-Architekturen große Fortschritte gemacht haben.

Wie bekomme ich eine KI-fähige ZfP-Infrastruktur?

Nachdem wir die Vorteile und Anforderungen an KI-fähige Infrastrukturlösungen beschrieben haben, möchten wir Ihnen nun einige Anwendungen von KI und die häufig verwendeten Tools vorstellen.

Wir unterstützen Sie von der Datenerfassung bis zur Berichterstellung mit KI und Automatisierungslösungen.

Software Produkte:

Services:

Analyse des Status Quo und der Potenziale von analogen und digitalen Workflows
KI-Datensatzerfassung, Annotation und Bereinigung
KI-Modell – Training und Validierung
Entwicklung von digitalen Automatisierungs- und Assistenzwerkzeugen sowie von kundenspezifischen Workflows
Implementierung externer Schnittstellen
Optimierung der User-Experience (UX) und Nutzer-Schnittstellen
Software- oder Cloud-Integration, Updates und Überwachung

Mehr…

KI & Automatisierung:

Restwanddicke / Korrosionsdetektor [X-Ray]
Schweißnaht-Fehlerdetektor (in-field, manuelle Schweißnähte) & Standardvalidierung [X-Ray]
Schweißnaht-Fehlerdetektor & Validator (in-line & Fertigung) [X-Ray]
CT & X-Ray Bildqualitätsverbesserung / Reduzierung der Bestrahlungszeit
OCR / Texterkennung [X-Ray & RGB]
Inline-Oberflächeninspektion [X-Ray, RGB]
Drohneninspektion aus der Luft [RGB]
Anonymisierung von Inspektionsdaten, z. B. personenbezogene Daten [RGB]

Mehr…

Hardware & Services mit Partnern:

Prüf-Hardware-Einrichtung
Digitalisierung von analogen Röntgenarchiven
Aufbau von digitalen Archiven wie DICONDE-konformen PACS
Und mehr, um Ihre Inspektion schneller und zuverlässiger zu machen…

Etwas gefunden oder etwas fehlt?

Der Beitrag Guide: KI-fähige ZfP-Infrastruktur erschien zuerst auf sentin.

Der ZfP 4.0 Guide – Alles, was Sie wissen müssen.

Wed, 03 Apr 2024 13:21:44 +0000

Die Industrielle Revolution ist weitestgehend bekannt. In diesem Artikel geht es jedoch um die vierte Revolution der zerstörungsfreien (Werkstoff-) Prüfung, der sog. ZfP 4.0. Behandelt wird zunächst die Entwicklung von Industrie und zerstörungsfreier Prüfung und anschließend einige neue Technologien, sowie Vorteile und Einsatzgebiete der ZfP 4.0.

Was ist ZfP 4.0?

Der Begriff „ZfP 4.0“ beschreibt die vierte Revolution der zerstörungsfreien (Werkstoff-) Prüfung. Sie setzt dabei auf auf neue Technologien wie Künstliche Intelligenz, vernetzten und dezentralen Systemen (z.B. Cloud) und weiteren technischen & digitalen Lösungen.

Die Revolutionen der ZfP können wie folgt definiert werden:

ZfP 1.0 – Werkzeuge (zur Schärfung der Sinne)
ZfP 2.0 – Analoge Systeme (zur Ansicht innerhalb der Komponenten)
ZfP 3.0 – Digitale Verarbeitung und Automatisierung
ZfP 4.0 – Transparenz von Informationen, technische & digitale Hilfsmittel und autonome und dezentralisierte Entscheidungen

Sie kann ähnlich wie die Industrie 4.0 verstanden werden, deren Revolutionen wie folgt unterteilt werden können:

Industrie 1.0 – Mechanisch (Dampf, Energie)
Industrie 2.0 – Technisch (elektrische Energie, Massenproduktion)
Industrie 3.0 – Digital (Datenverarbeitung, Mikroelektronik)
Industrie 4.0 – zunehmende Digitalisierung, wie z.B. moderne Technologien und Produktionen sowie schnellere Reaktionen auf den Absatzmarkt.

Wie sehen Industrie und ZfP im Vergleich aus?

Industrie und ZfP sind jeweils in vier Revolutionen unterteilt. In der 1. und 2. Revolution gibt es noch kaum Gemeinsamkeiten. Jedoch schon in der 3. (Digitale Stufe) ähneln sie sich sehr stark. Die Bereiche ZfP und NDE sowie die Industrie befinden sich aktuell in der digitalen Revolution. Dabei nutzen beide vernetzte Systeme, welche dank moderner Technologien und technischer Unterstützungen autonome und dezentralisierte Entscheidungen treffen können.

Welche Technologien nutzt die ZfP 4.0?

Die ZfP 4.0 wird durch viele verschiedene Technologien vorangetrieben. Sie nutzt unter anderen die folgenden Technologien:

Big Data & Künstliche Intelligenz
Digitale Zwillinge & Simulationen
Cloud Computing & Storage
Internet der Dinge (IoT)
5G
Blockchain
Augemented & Virtual Reality

Big Data: Beschreibt die immer steigenden Datenmengen, die zur Verfügung stehen und mithilfe von Systemen ausgewertet werden. Unternehmen, die auf eine längere Historie und eine Vielzahl von erfassten Daten zurückgreifen können, haben dabei gute Voraussezungen.

Künstlicher Intelligenz (KI): ist ein System, welches Daten und Bilder interpretieren kann, darauf reagieren und sich anpassen kann. Häufig werden dazu sog. Neuronale Netze verwendet. Besonders die Unterkategorien Maschinelles Lernen (eng. Machine Learning), was Algorithmen beschreibt, die mit zunehmenden Daten besser werden, sowie das Deep Learning, das auf Neuronalen Netzten basiert und noch besser viele Daten verarbeiten kann, sind für die ZfP 4.0 von großer Bedeutung.

Mehr zum Thema KI in der ZfP finden Sie hier.

Und mehr zum Thema KI-fähige ZfP-Infrastruktur finden Sie hier.

Digitale Zwillinge und Simulationen: Auf der Grundlage von gesammelten Daten können durch Simulationen z.B. Handlungsempfehlungen ausgesprochen und Entscheidungen oder Ereignisse vorausgesagt werden. Der digitale Zwilling ist dann eine digitale Entität, die genau die gleichen Eigenschaften wie das abzubildene Element besitzt. Dadurch können Verhalten und Zustand des realen Objektes genau eingesehen und vorhergesagt werden. Eine KI kann als Grundlage für solche Simulationen genutzt werden.

Cloud Computing & Storage: In einer Cloud können Daten sicher gespeichert werden, um dann von jedem beliebigen Ort darauf zugreifen zu können. Sie besteht aus einem verteilten Servernetz und bietet redundante Speicherung und eine hohe Kompatibilität durch moderne Webstandards.

Internet der Dinge (IoT): Alle Daten, Geräte und Sensoren werden hier miteinander verbunden und sind über eine Cloud ansprechbar. Dies kann eine Voraussetzung für eine gute Datenbasis sein und so KI und Digitale Zwillinge ermöglichen. Es wird häufig mit IoT oder IIoT für engl. (Industrial) Internet of Things abgekürzt.

5G: Ist eine mobile Datenübertragungstechnologie und der Nachfolger von 4G/LTE und ermöglicht den Anschluss einer hohen Anzahl von Geräten und sorgt für robuste Echtzeit-Datenverbindung. Die großen Bandbreiten ermöglichen die Übertragung von biszu 10 Gbit/s, sodass selbst große Bilder oder Prüfaufnahmen schnell verschickt werden können.

Blockchain: Durch eine sichere Blockchain können Daten nicht mehr unerkannt geändert werden, was die Nachverfolgbarkeit und das Vertrauen verbessert. Dies kann z.B. für Archive interessant sein. Neuere Blockchain Generationen ermöglichen es zudem, sog. Smart Contracts auszuführen, welche kleineren dezentralen Software-Programmen ähneln.

Augmented / Virtual Reality: Mithilfe von Datenbrillen oder intelligenten Anzeigen z.B. über die Smartphone Kamera und Display in Echtzeit, können zusätzliche Informationen und Kontext relevante Darestellungen die Realität erweitern. Dies kann z.B. das Erkennen der Einbausituation von Bauteilen oder gewisse Arbeitsschritte für Prüfer erleichtern.

Welche Vorteile bietet die ZfP 4.0?

Durch die Möglichkeiten der ZfP 4.0 entstehen einige Vorteile für Anwenderunternehmen. Durch die Verfügbarkeit von vielen Daten bspw. besteht die Möglichkeit zur Anwendung von Machine Learning & Künstlicher Intelligenz (KI). Mit Hilfe solcher KI-Systeme kann z.B. die Prüfung von Anlagen und Bauteilen verbessert und somit die Effizienz gesteigert werden.

Darüber hinaus kann die Effizienz der Prüfungen durch moderne Konnektivität und fortschrittliche Computer gesteigert werden. Außerdem wird aufgrund der technischen Unterstützungen z.B. der Datenaustausch und das Feedback zwischen Kunden und Auftraggebern zunehmende vereinfacht. Zusätzlich sind solche Systeme zuverlässiger und Prüfungen leichter zurückzuverfolgen.

Die Vorteile von ZfP 4.0 lassen sich wie folgt kategorisieren und zusammenfassen:

Verbesserte ZfP-Methoden
Verbesserte Ausrüstung
Mehr Kontrolle & Nachvollziehbarkeit
Vereinfachter Datentransfer
Bessere Datenauswertung
Verbesserung des Produktionsprozesses

Vorteil 1: Verbesserte ZfP-Methoden

Relevante Technologien:

Cloud Computing & Storage – Dezentrale Auswertung
Künstliche Intelligenz – Critical Image Detection, Automatic Defect Recognition, Batch Processing
Robotik

Impact & Beispiele:

Die ZfP 4.0 nutzt eine breite Palette neuer Technologien, die die derzeitigen ZfP-Methoden verbessern. Diese haben direkten Einfluss auf die Art, wie in der ZfP gearbeitet wird.

Zum Beispiel ermöglicht Cloud Computing eine dezentrale Auswertung von Aufnahmen und Daten. Die Daten können z.B. in einer Anlage aufgenommen und dann zu einer Auswertestation an einem anderen Ort übertragen werden.

Ein weiteres Beispiel kann der Einsatz von Künstlicher Intelligenz (KI) sein, um beispielsweise alle neu aufgenommenen Bilder einer Röntgenprüfung als sog. Batch zu bearbeiten. Mit Hilfe einer Critical Image Detection, wird dann keine Zeit für „gute Bilder“ verschwendet, sondern die kritischen Bilder gefunden, die bspw. eine schlechte Qualität oder Anzeigen haben.

Eine KI kann außerdem dabei helfen, automatisch Anzeigen und Defekte in Prüfdaten und auf Bildern zu ermitteln (ADR – engl. Automatic Defect Recognition).

Weitere Anwendungen können bspw. eine automatische Erkennung und Zuordnung von Texten z.B. für eine Messstelle oder eine Mustererkennung, um verdächtige oder betrügerische Aktivitäten (z.B. ein mehrfach verwendetes Bild für unterschiedliche Messstellen) aufzudecken.

Mehr zum Thema dezentrale Auswertung und KI finden Sie hier.

Und mehr zum Thema KI-fähige ZfP-Infrastruktur finden Sie hier.

Vorteil 2: Verbesserte Ausrüstung

Relevante Technologien:

Cloud Computing & Storage – Digitale Archive, PACS, APIs
Künstliche Intelligenz – Super Resolution, Image Enhancement
Robotik – Crawler, Drohnen
Neue Sensoren & Prüftechnik
Augmented Reality

Impact & Beispiele:

Die Verbesserungen an der Prüfausrüstung im Rahmen der ZfP 4.0 erlauben es, z.B. schneller und effizienter zu prüfen. Die Verbesserungen beziehen sich unter anderem auf die Art, wie Mensch und Maschine zusammenarbeiten. Der verbesserte In- und Output der Geräte kann z.B. in Form von aufbereiteten System- und Prüfinformationen mithilfe von Augmented Reality, automatischer Validierung von Ergebnissen, aussagekräftigen Fehlermeldungen erfolgen.

Weitere Methoden können bspw. die Datenablage und Aufbereitung umfassen, sodass bspw. das analoge Archiv durch ein digitales ersetzt wird. Die sog. Picture Archiving & Communication Systems (dt. Bild Archivierungs- und Kommunikationssysteme) oder kurz PACS sorgen dafür, dass die Daten revisionssicher gespeichert werden. Zusammen mit Schnittstellen wie DICOM/DICONDE bzw. modernen Cloud-APIs lassen sich die Geräte besser verknüpfen.

Vorteil 3: Mehr Kontrolle & Nachvollziehbarkeit

Relevante Technologien:

Cloud Computing & Storage – Digitale Archive, PACS
Digitale Schnittstellen – DICONDE
Digitaler Zwilling
Data Analytics

Impact & Beispiele:

In der ZfP gibt es verschiedene Maßnahmen und Standards, die bei der Durchführung einer Prüfung berücksichtigt werden müssen. Ein Beispiel ist die Nachvollziehbarkeit von Prüfungen, die festlegt, ob die Prüfung an der richtigen Stelle und mit welchen Verfahren/Parametern und nach welcher Anweisung durchgeführt wurde. Die Implementierung einer revisionssicheren Datenspeicherung ist daher notwendig. Der Einsatz digitaler Lösungen aus der ZfP 4.0, wie z.B. verbesserter Archive auf der Cloud und PACS-Lösungen zur Speicherung oder Blockchains zum Schutz gegen Manipulationen, können dabei helfen, diese Nachvollziehbarkeit zu steigern. Außerdem legen Sie Daten strukturierter ab und machen diese schneller durchsuchbar.

Darüber hinaus unterstützen ZfP 4.0 Technologien und -Schnittstellen den digitalen Workflow, indem sie die elektronische Übertragung von Prüf- und Auftragsdaten ermöglichen. So kann papierlos geprüft werden und insgesamt mehr Kontrolle über Prozesse und Arbeitsabläufe gewährleistet werden. Dies ist außerdem notwendig, um mithilfe von „Data Analytics“ neue Erkenntnisse und Handlungsempfehlungen abzuleiten und so langfristig erfolgreich zu bleiben.

Vorteil 4: Vereinfachter Datentransfer

Relevante Technologien:

Cloud Computing & Storage – Datenbanken, APIs
Digitale Schnittstellen – DICONDE
5G

Impact & Beispiele:

Vernetzte Systeme und dezentrale Speicherung sind wichtige Faktoren der ZfP 4.0. Um diese vollumfänglich nutzen zu können, ist eine sichere und schnelle Übertragung notwendig. Technologien wie 5G und moderne Schnittstellen erlauben es, Daten fast in Echtzeit vom Aufnahmeort zur Auswertestation zu senden und gleichzeitig den Manger mit Statusinformationen zu versorgen. Anwenderunternehmen können besonders von einer verbesserten Interoperabilität profitieren, so können diverse Lösungen und Geräte miteinander kommunizieren und so eine effizientere Prüfung ermöglichen.

Vorteil 5: Bessere Datenauswertung

Relevante Technologien:

Künstliche Intelligenz
Data Analytics
Big Data

Impact & Beispiele:

Das ZfP 4.0-gestützte Verständnis & Transparenz von Daten ist ein wertvoller Wettbewersbvorteil. Mit strukturierten Datenformaten und einer ausreichenden Historie lassen sich bspw. Vorhersagen für die Zukunft treffen, KI-Modelle und digitale Zwillinge erstellen und Geschäftsprozesse optimieren. Die Herausforderung in der ZfP liegt in der Komplexität der Prüfabläufe. Mit Hilfe von Data Analytics lassen sich neue Erkenntnisse gewinnen und so effizientere Abläufe gestalten. Vielerseits bekannt sind bspw. genauere Lebensdauerberechnungen von Komponenten, Predictive Maintenance und Zuverlässigkeitstechniken.

Vorteil 6: Verbesserung des Produktionsprozesses

Relevante Technologien:

Künstliche Intelligenz
Data Analytics
Digitaler Zwilling
Neue Sensoren & Prüftechnik

Impact & Beispiele:

Auch in der Fertigung bietet ZfP 4.0 Verbesserungspotentiale, die über das klassische Verständnis von Industrie 4.0 (wie Predictive Maintenance) hinausgehen. Eine Anwendung kann bspw. eine schnellere und bessere Qualitätssicherung sein. Wenn Bauteile in der Fertigung z.B. schneller geprüft werden können, weil eine KI mit Super Resolution für eine Durchstrahlungsprüfung eingesetzt wird, steigert dies die Effizienz des Produktionsprozesses aus der ZfP heraus. Häufig wird ZfP in der Industrie nämlich auf visuelle Prüfungen mit Kameras oder als Sichtprüfung von Menschen reduziert, was jedoch zu kurz greift. Außerdem bieten digitale Archiv-Systeme, in denen die Prüfdaten gespeichert werden, eine wichtige Grundlage, um z.B. Maschinenparameter im Fertigungsprozess anhand der ermittelten Qualität anzupassen zu optimieren.

Welche Herausforderungen für die ZfP 4.0 gibt es?

Bei all den Vorteilen, die ZfP 4.0 mit sich bringt, gibt es jedoch auch einige Herausforderungen. Diese Herausforderungen sind vor allem:

Technische Hürden, Daten und Infrastruktur
Relevanz der erlernten Fähigkeiten
Zögernde Führungskräfte
Unzureichendes Verständnis

Herausforderung 1: Technische Hürden, Daten und Infrastruktur

Obwohl sich die zuvor genannten neuen Technologien der ZfP 4.0 schnell weiterentwickeln, gibt es dennoch einige Hürden, die den Einzug in die Anwenderunternehmen verzögern. Beim Thema Künstliche Intelligenz bspw. gibt es gravierende Unterschiede zwischen der Consumer-KIs, die z.B. durch Spracherkennung und Large-Language-Models wie ChatGPT oder Google Bard bekannt sind, und Industrial-KI, da die verfügbare Datenmenge in der Industrie wesentlich geringer ist. Während für Consumer-KIs z.B. Millionen Bilder von Katzen aus dem Internet verwendet werden können, geht die Menge von öffentlichen Schweißnahtbildern für eine Industrial-KI gegen null. Zudem besteht häufig nicht das Interesse, diese Daten der Konkurrenz verfügbar zu machen.

Ein weiterer Faktor können Lieferengpässe oder Supply-Chains sein. Besonders während der COVID-19 Pandemie in den Jahren 2020/21 sind fehlende Halbleiter und Grafikkarten zum Problem für die Industrie geworden. Seit der Energiekrise 2022/23 in Europa stiegen zudem die Kosten für den Unterhalt der digitalen Infrastruktur.

Des Weiteren gibt es natürlich einen Unterschied zwischen Forschung bzw. den Innovationsabteilungen der Tech-Giganten wie Google oder Facebook und der Anwendung im Feld und der Praxis. Es dauert bekanntermaßen einige Zeit, bis im Labor erprobte Technologien den realen Anforderungen gewachsen sind und die dafür notwendige Infrastruktur im Unternehmen aufgebaut ist.

Herausforderung 2: Relevanz der erlernten Fähigkeiten

Die Aufgaben und Technologien von ZfP 4.0 unterscheiden sich von den traditionellen ZfP-Funktionen und -Systemen. Daher müssen Organisationen, die diese neuen Technologien nutzen wollen, neue Fähigkeiten entwickeln. Sie müssen Fähigkeiten im Bereich der Informations- und Kommunikationstechnologien (IKT) erwerben und in der Lage sein, mit intelligenten Systemen wie kollaborativen Industrierobotern und Desktops zusammenzuarbeiten.

Darüber hinaus sollten die Menschen, die mit diesen neuen fortschrittlichen Systemen interagieren werden, eine flexible Denkweise haben. Sie sollten bereit sein zu akzeptieren, dass die Informationen, über die sie heute verfügen, veraltet sein könnten, bevor die Technologie im Feld eingesetzt wird.

Die ZfP 4.0 verlangt von Arbeitgebern und Arbeitnehmern, mehr und schneller zu lernen als die vorherige Revolution. Arbeitgeber und ihre Arbeitnehmer müssen das Lernen als eine Investition wahrnehmen.

Die benötigten Fähigkeiten werden sich außerdem auf verschiedenen Hierarchie-Ebenen unterscheiden. Auswerter in der Praxis müssen dann z.B. eine Schulung für neue Ausrüstung erhalten. Manager müssen die neuen, digitalen Prozesse richtig verstehen und steuern, während die Unternehmensführung neue Geschäftsmodelle entwickelt. Es wird für sie alle von entscheidender Bedeutung sein, die Fähigkeit zu haben, schneller zu lernen und neue Fähigkeiten zu entwickeln, als sie es in den vorangegangenen Innovationen gewohnt waren.

Herausforderung 3: Zögernde Führungskräfte

Führungskräfte in der Wirtschaft zögern oft aus unterschiedlichen Gründen, neue Innovationen einzuführen. Einer dieser Gründe ist die Budgetierung und der Anreiz für jährliche Investitionen.

Unternehmen streben kurzfristige sichtbare Gewinne auf Kosten größerer und langfristiger immaterieller Vorteile an. Wenn man also bedenkt, dass ZfP 4.0 eine langfristige Anlage ist, die höhere technologische Investitionen und die Entwicklung von Fähigkeiten erfordert, ist es für Unternehmen, die gewohnt sind, sich auf kurzfristige Gewinne zu konzentrieren, möglicherweise nicht attraktiv.

Zweitens sind Menschen in den meisten Fällen extrem risikoscheu. Sie neigen dazu, sich auf die Unsicherheiten und Probleme zu konzentrieren und dabei Chancen und Potentiale zu unterschätzen. Die vergangenen Jahre haben jedoch sowohl in der Industrie als auch der ZfP gezeigt, dass neue Technologien echte Mehrwehrte bieten und in der Praxis angekommen sind. Die Unternehmen, die früh investiert haben, konnten sich so Wettbewerbsvorteile sichern und aktuelle Herausforderungen wie den demographischen Wandel oder Fachkräftemangel meistern.

Daher erfordert ZfP 4.0 einen neuen Führungsstil – Leadership 4.0 sozusagen – flexible und digital kompetente Führungskräfte, die die neuen Technologien sicher einzuschätzen und einzusetzen wissen.

Herausforderung 4: Unzureichendes Verständnis

Die ZfP 4.0 bietet viele Chancen für Prüfdienstleister, Anlagenbetreiber und viele weitere Marktteilnehmer. Allerdings ist das Verständnis für die Technologien oft gering und die Mentalität eher ablehnend. Immerwieder hört man vereinzelt, dass man diese Technologien nicht bräuchte, oder, dass es nichts Besonderes sei.

Erst wenn man die Potentiale der Technologie aufzeigt und mit Praxisbeispielen anreichert, wird klar, wie sie im eigenen Unternehmen eingesetzt werden können. Spätestens mit den Large-Language-Models wie ChatGPT oder Google Bard ist zumindest Künstliche Intelligenz in der breiten Bevölkerung angekommen. Für die ZfP gilt es mit Vorträgen, Veröffentlichungen und Schulungen das Verständnis der Prüfer und Manager zu verbessern.

Des Weiteren bieten nationale Verbände wie die Deutsche, Amerikanische oder Indische Gesellschaft für Zerstörungsfreie Prüfung (DGZfP, ASNT and ISNT) und ihre Arbeitsgruppen diverse Schulungs- und Weiterbildungsmöglichkeiten.

Wir bieten zudem Management Kurse für KI- und ZfP 4.0 an.

Was sagen Experten zu ZfP 4.0?

„Bei der Zusammenarbeit mit sentin habe ich gemerkt, dass moderne Technologien wie Künstliche Intelligenz in der Industrie angekommen sind. Besonders die Kombination von konventionellen und KI-Algorithmen können einen echten Mehrwert für die Digitale Radiographie und ZfP bieten.“

Dr. Uwe Ewert
Experte für (Digitale) Radiographie

Professor und Direktor außer Dienst
u.A. langjähriger Vorsitzender des Fachausschusses “Durchstrahlungsprüfung” bei der DGZfP
sowie ehemaliger Fachbereichsleiter bei der BAM und aktiv bei der DGZfP
Mitglied in diversen Normausschüssen der ISO, CEN und ASTM
erhielt den Berthold-Preis der DGZfP (2005), die Röntgen-Medaille der Stadt Remscheid (2009) und den Briggs Award der ASTM-International (2010).

Wie kann ich ZfP 4.0 heute schon nutzen?

Die ZfP 4.0 ist bereits in der Praxis angekommen. Obwohl es sicherlich noch einige Zeit braucht, bis alle Unternehmen vollständig nach den Prinzipien arbeiten, gibt es schon heute die Möglichkeit, einige der vorgestellten Technologien zu nutzen.

Künstliche Intelligenz

Restwanddicken-Messungen o. Korrosion – sentin GmbH

Schweißnahtfehler – sentin GmbH

Text-Erkennung / OCR – sentin GmbH

Duplikat-, Betrugs- und Manipulationserkennung – sentin GmbH

Prüfdaten-Annonymisierung – sentin GmbH

Und viele mehr

Digitale Werkzeuge und Workflows

Cloud & Infrastruktur

Infrastuktur & Integration Services – sentin GmbH

Automatisierungslösungen – sentin GmbH

Digitales Prüfungsmanagement – sentin GmbH

Prüfarchive und PACS – sentin GmbH & BW Plus NDT

Other

Digitales Archiv – BW PLUS PACS
ZfP (Auftrags-) Management Software – DriveNDT
Digitale Zwillinge – PipelineSentry
Crawler / Roboter – HausBots

Quellen und weiterführende Links

Literatur:

Der Beitrag Der ZfP 4.0 Guide – Alles, was Sie wissen müssen. erschien zuerst auf sentin.

Was ist ein PACS in der ZfP & NDT?

Mon, 15 Aug 2022 08:59:23 +0000

Das PACS ist aus der zerstörungsfreien Prüfung (ZfP oder Non-Destructive Testing – NDT) nicht mehr wegzudenken. Was schon seit Jahren Standard in der Medizintechnik (unter dem Stichwort – DICOM) ist, wird nun auch zunehmend in der digitalen ZfP (DICONDE) genutzt, um digitale Aufnahmen z.B. aus der Durchstrahlungsprüfung und Auswertungsergebnisse sicher zu archivieren.

Wofür steht PACS in der ZfP & NDT?

Die Abkürzung PACS steht für Picture Archiving & Communication System (dt. Bild Archivierungs- und Kommunikationssystem). Es dient als sichere und zentrale Datenablage für Prüfbilder und Signale von diversen Quellen wie z.B. RT-Scannern oder CT-Anlagen.

Dazu wird ein Server-System als eine Art Datenbank verwendet, das dann Anfragen von Auswertearbeitsplätzen entgegennehmen kann. Ein separater Viewer (Anzeige-Software) kann dann von den Auswertern am eigenen Rechner genutzt werden, um die Studien/Prüfaufträge zu verwalten und die Auswertung der Aufnahmen vorzunehmen.

Ein PACS kann Teil einer KI-fähigen ZfP-Infrastruktur sein und die Prüfabläufe mit komfortablen Schnittstellen und schnellem / zuverlässigem Datenzugriff unterstützen.

Erfahren Sie hier mehr über eine KI-fähige ZfP-Infrastruktur.

Was sind Vorteile eines PACS?

Ein PACS ist Grundlage für eine digitale Auswertung und sichere Datenablage in der ZfP & NDT. Neben den Vorteilen digitaler Lösungen bietet ein PACS auch weitere Argumente, die Ihre Prozesse beschleunigen und zukunftssicher machen können:

Ein PACS speichert Daten revisionssicher und nachvollziehbar.
Es kann dezentral verwendet werden, sodass Sie von überall auf der Welt darauf zugreifen können – so lassen sich bspw. Remoteprüfungen und neue Prozesse etablieren.
Sie sparen Lagerkosten für Filme und Berichte, da diese nun digital abgelegt werden können. Neue Scanner digitalisieren bspw. Ihre alten Aufnahmen in wenigen Minuten.
Sie können modernste Bildverarbeitung nutzen, um das Beste aus Ihren Aufnahmen herauszuholen. Verschiedenste Filter und Künstliche Intelligenz können Ihnen dabei helfen noch genauer und schneller zu prüfen.
Ein PACS kann zudem mit Ihrem ERP-System verbunden werden und so nahtlos in Ihre Prozesse eingebunden werden. So lassen sich Prüfaufträge planen und verwalten und die entsprechenden Daten geordnet und verknüpft ablegen.
Moderne Softwarelösungen erlauben es zudem, schnell Feedback und Updates zu erhalten, falls Sie Hilfe benötigen – Stichwort: Fernwartung

Lernen Sie mehr über Vorteile moderner Technologien in der ZfP & NDT:

„Der ZfP 4.0 Guide – Alles, was Sie wissen müssen.“

Welche Schnittstellen hat ein PACS?

Ein PACS ist eine Art Datenbank und sollte daher die gängigen CRUD-Operationen (Create, Read, Update, Delete – dt. Erstellen, Lesen, Update, Löschen) unterstützen.

Ein PACS System greift dazu auf das sog. DICONDE (Digital Imaging and Communication in Non Destructive Evaluation dt. Digitale Bildverarbeitung und Kommunikation in der ZfP / Auswertung) zurück, was an das DICOM (Digital Imaging and Communications in Medicine).

Was ist das DICOM bzw. DICONDE Format?

Dabei wird ein sog. DICOM/DICONDE Container genutzt um Bild- & Metadaten zu speichern. Es werden sog. Studien erstellt, die einem Prüfauftrag entsprechen. Diese können mehrere Serien enthalten bspw. verschiedene Bauteile einer Rohrleitung. In den Serien wiederum sind verschiedene Instanzen die eine bestimmte Aufnahme enthalten können. Als Meta-Daten können dann bspw. Aufnahmezeitpunkt, Geräte Hardware, Prüfer etc. gespeichert werden.

Weitere Informationen finden Sie bspw. in der Dokumentation / Blog der AWS hier.

Was sind DICOM Services?

Die bekannteste Schnittstelle eines PACS stellen die DICOM Services dar, die mit Hilfe des DIMSE-C Protokolls implementiert werden. Die DICOM Services umfassen folgende Aktionen:

– C-STORE – Speicherung von Composite SOP-Instance-Informationen

– C-FIND – Suche mit Hilfe einer eine Reihe von Attribut-Strings. Der C-FIND-Dienst gibt für jede Übereinstimmung eine Liste der angeforderten Attribute und ihrer Werte zurück.

– C-MOVE – Informationen für eine oder mehrere zusammengesetzte SOP-Instanzen von einem Benutzer zu einem dritten Benutzer zu verschieben.

– C-GET – Abrufen von Informationen für eine oder mehrere zusammengesetzte SOP-Instanzen auf der Grundlage der vom aufrufenden DIMSE-Service-Benutzer bereitgestellten Attribute

– C-ECHO – Überprüfen einer Ende-zu-Ende-Kommunikation mit einem Peer-DIMSE-Service-Benutzer.

Einige Entwickler haben für diese Kommunikation eigene Software-Bibliotheken entwickelt, um diese mittels moderner Programmiersprachen wie Python verfügbar zu machen. Das wahrscheinlich bekannteste Paket dafür ist pydicom.

Mehr über diesen Standard können Sie hier nachlesen: 7.5 DIMSE Services

Was ist DICOMWeb?

Mit der zunehmenden Verbreitung von Web-Technologien, wurde auch ein Web-Standard für PACS implementiert. Dieser funktioniert mittels HTTP(S) und JSON Standard und kann mit modernen Frameworks wie Node.js oder Python einfacher angesprochen werden. Dabei gibt es 3 Methoden, die die DICOM Dienste (C-STORE, GET & FIND) darauf abbilden.

– QIDO-RS – analog zu C-FIND- zur Abfrage von Sammlungen von DICOM-Objekten & Meta-Daten (nicht Bildern) – zur Dokumentation

– STOW-RS – analog zu C-STORE- zur Speicherung von DICOM Dateien oder separaten Metadaten und Massendaten – zur Dokumentation

– WADO-RS – analog zu C-GET- zum Abruf von DICOM Dateien, Metadaten in XML- oder JSON-Form, von den Metadaten getrennten Massendaten und gerenderten Bildern – zur Dokumentation

Zum Beispiel kann man sich mithilfe des der QIDO-Schnittstelle Studien raussuchen, die an einem bestimmten Datum erstellt worden sind oder zu einer bestimmten Hardware passen. Dann mit der WADO-Schnittstelle, die entsprechenden Instanzen und Bilddaten abfragen. Diese auswerten und mit der STOW-Schnittstelle wieder an das PACS übermitteln.

Wie richtet man ein PACS ein?

Ein PACS kann einfach in Ihre bestehende Infrastruktur integriert werden. Am besten involvieren Sie Ihre IT-Abteilung mit in den Integrationsprozess und lassen sich von einem erfahrenen Anbieter beraten, welche Spezifikationen Sie bspw. erfüllen sollten. Grundsätzlich kann man in folgender Weise vorgehen:

PACS Server aufsetzen – häufig wird ein separater Rechner verwendet, der die Datenbank-Software des PACS betreibt. Dies kann z.B. ein Windows-System sein oder eine virtuelle Maschine / Container-Lösung.
Netzwerk einrichten – Das PACS muss dann im Netzwerk verfügbar gemacht werden, damit die anderen Geräte und Softwarelösungen sich damit verbinden können. Bringen Sie vorher in Erfahrung, ob bspw. bestimmte Firewall-Einstellungen notwendig sind.
Auswerterechner anbinden – Als nächstes bietet es sich an, Auswerte-Rechner mit dem PACS zu verbinden. Eine Viewer-Lösung dient dann dazu das Archiv zu verwalten und Bewertungen von Aufnahmen vorzunehmen.
Aufnahme Hardware anbinden – Haben Sie Ihr PACS-Archiv verfügbar gemacht, können Sie auch Ihre Scanner und Anlagen damit verbinden. Nun können Sie bspw. von einem Rechner Aufträge an die Hardware senden, die dann automatisch Studien/Aufträge mit Aufnahmen verknüpft und im PACS ablegt.
Bestehendes Archiv Digitalisieren – Es kann sich auch als nützlich erweisen, historische Aufnahmen zu digitalisieren. So können Sie Ihre alten Filme revisionssicher archivieren und ggf. Ihre Archiv-Keller aufräumen und mehr Platz schaffen.
Weitere Software anbinden – Wenn Ihr PACS die richtigen Schnittstellen hat, können Sie außerdem weitere Softwarelösungen anbinden, die bspw. Berichte erstellen oder die Brücke zu Ihrem ERP-System schlagen.

Ist ein PACS zukunftssicher?

Ein PACS ist Grundlage für eine digitalisierte ZfP-Umgebung (NDT 4.0). Es ist der erste Schritt, Ihre Prozesse nachhaltig und zukunftssicher zu gestalten. So wie Computer und das Internet unsere Arbeitswelt nachhaltig verändert haben, gibt es vielversprechende Technologien, die wir zukünftig als Werkzeug nutzen werden.

Eine dieser Technologien ist bspw. die Künstliche Intelligenz. Aber diese Technologie benötigt digitale und sortierte Daten, um daraus zu lernen. Ein PACS kann dafür sorgen, dass Ihre ZfP-Aufnahmen/Daten diesem Standard gerecht werden.

So können Sie mithilfe dieser Lösungen heutige und zukünftige Probleme angehen wie bspw. dem demographischen Wandel und Fachkräftemangel.

Lernen Sie mehr über KI in der ZfP in unserem Artikel:

„Wie funktioniert Künstliche Intelligenz (KI) in der ZfP?“

Kostenlose Checkliste
mit 24 Fragen.

Ist Ihr Unternehmen bereit für KI & Machine Vision Projekte?

Wo kann ich ein PACS (für die ZfP & NDT) kaufen?

Für den kommerziellen Betrieb eines PACS in der ZfP & NDT empfehlen wir kompetente Partner aus der ZfP Branche. Wir arbeiten daher mit der deutschen Firma BWPlus NDT zusammen, um Ihnen ein geeignetes Gesamtpaket aus PACS, Hardware & Software anbieten zu können. Ebenso sind dabei Wartung, Support und Updates abgedeckt, die für eine reibungslose, kommerzielle Nutzung entscheidend sind.

Für Forschungsprojekte und Entwicklung gibt es ein paar OpenSource Projekte aus der Medizintechnik, die bspw. mit Docker-Containern o. Software-Images verwendet werden können. Hier finden Sie eine Übersicht von quell-offenen 10 PACS Lösungen aus der Medizintechnik.

Welche Anzeige-/Auswertesoftwares (Viewer) gibt es?

Viele Hardware-Hersteller bieten für Ihre Aufnahmegeräte eine separate Software an, die auf das PACS zugreifen kann und mit der die Auswertung erfolgen kann. Allerdings sind diese meist nur für einen Hersteller optimiert und bieten unter Umständen nicht State-Of-The-Art-Methoden an.

Damit Sie Hardware-unabhängig ihre Auswertungen vornehmen können und ihre Daten auch zukunftssicher im PACS ablegen können, haben wir den sentin EXPLORER entwickelt. Dieser unterstützt diverse Filter- und Darstellungsoptionen für Ihre Aufnahmen sowie die Verwaltung von Studien/Aufträgen im PACS. Er ist kompatibel mit diversen Schnittstellen und anderen Systemen. Außerdem ist er bereit für die Arbeit mit Künstlicher Intelligenz und somit ideal für Ihre digitalen Arbeitsprozesse.

Der Beitrag Was ist ein PACS in der ZfP & NDT? erschien zuerst auf sentin.

Wie funktioniert Künstliche Intelligenz (KI) in der ZfP?

Wed, 03 Aug 2022 06:58:37 +0000

Industrie 4.0 bezieht sich auf die Digitalisierung und Vernetzung der industriellen Produktion nach den drei großen industriellen Revolutionen. Die zerstörungsfreie Prüfung 4.0 (ZfP o. NDT/NDE 4.0) hängt hauptsächlich von Verbesserungen der ZfP-Geräte ab. An dieser Stelle besteht eine besondere Beziehung zwischen dem Fortschritt in der Industrie 4.0 und der ZfP 4.0. Eine Technologie, die beide beeinflusst, ist die Künstliche Intelligenz (KI), die sich in dieser Anwendung auf die Bildverarbeitung und -auswertung konzentriert.

Die Probability of Detection (POD – dt. „Entdeckungswahrscheinlichkeit“) ist eine gängige Metrik für die ZfP, die dazu beiträgt, die Einhaltung von Normen für die Prüfqualität festzustellen. Dieser Artikel erörtert den Beitrag dieser neuen technologischen Entwicklungen im ZfP-Prozess zur Verbesserung der Probability of Detection durch die Nutzung der durch die industrielle Revolution eingeführten Digitalisierung.

Schlüsselwörter: Probability Of Detection, Künstliche Intelligenz, Ungänzen, Defekte, Wahrer Positivwert, Falscher Positivwert, Zerstörungsfreie Prüfung, ZfP 4.0, Industrie 4.0, Industrielle Revolution, Automatische Defekterkennung, Bildverbesserung, Rauschunterdrückung.

Er basiert auf dem Artikel „How can NDT 4.0 improve the Probability of Detection (POD)?“ in „The e-Journal of Nondestructive Testing“ – ISSN 1435-4934

Was ist Künstliche Intelligenz (KI)?

Künstliche Intelligenz (KI) ist die Bezeichnung für Programme, die wahrnehmen, verstehen, reagieren und ihr Verhalten an die Situation anpassen können. Der Begriff wird oft als Synonym für maschinelles oder Deep Learning verwendet und gilt als Gegensatz zur regelbasierten Programmierung.

Ein KI-Modell kann als Auswertungssoftware betrachtet werden. Im Fall von Deep Learning handelt es sich um ein sogenanntes Netzwerk von Bewertungsfunktionen, das damit beliebig komplexe Zusammenhänge erlernen kann. Die Parameter der Auswertefunktionen, die Netzwerkarchitektur und die Schnittstelle zur Abfrage von Auswertungen stellen dann ein Modell dar, das an anderer Stelle, z.B. in einer anderen Software oder Anlage, verwendet werden kann.

KI ist eine der wichtigsten Technologien in der ZfP 4.0.

Wenn Sie mehr über AI im Allgemeinen erfahren möchten, lesen Sie unsere FAQ.

Wo kann Künstliche Intelligenz (KI) für ZfP 4.0 eingesetzt werden?

Im Rahmen der ZfP 4.0 lassen sich viele neue und alte Einsatzgebiete für KI entlang der Wertschöpfungskette der ZfP finden. Diese umfassen z.B.:

Data Analytics – Einblicke in Auftrags- und Prüfdaten
Digitale Zwillinge – Modellbildung und Vorhersagen
Einsatz im Auswerte- / Prüfprozess – Verbessertes Equipment / Prüfmethoden
- Critical Item / Image Detection (CID)
- Single Item / Image Defect Analysis (SIDA)
- Denoising, Superresolution, Data & Image Enhancement
- Automatic Defect Recognition (ADR)

Mehr zu ZfP 4.0 finden Sie in unserem Guide.

Anwendungsgebiet 1: Data Analytics

Im Bereich der Auftrags- und Prüfdaten lässt sich Künstliche Intelligenz einsetzten, um neue Einblicke zu erhalten und allgemein Transparenz zu schaffen. So können mithilfe von Data Analytics in der ZfP Prüfabläufe und Prozesse genauer analysiert werden. Grundlage dafür sind jedoch genügend digitale Daten.

Umsatzsteigerung & Kosteneinsparungen:

Ein Anwendungsbereich ist die Analyse von Kunden-, Aufträgen- und Lieferanten. Dabei können Umsatzsteigerungen und Kosteneinsparungen realisiert werden, indem die KI Muster aufdeckt, die z.B. bei Bestellungen entstehen. Denkbar sind z.B., dass viele Einzelbestellungen von Prüfequipment oder Verbrauchsgütern (wie Filme oder Chemikalien) verschiedener Unternehmensbereiche in einer Sammelbestellung von Rabatten und Skaleneffekten profitieren könnten.

Zeitfresser im Prüfablauf

Ein weiteres Anwendungsbeispiel liefert die Erkennung von Bottlenecks im Prüfablauf. Diese können vielfältig sein und sind sehr individuell für jedes Unternehmen. Ein Fall, der jedoch häufig auftritt, betrifft ständige Medienbrüche im Workflow. Diese sorgen dafür, dass z.B. Dinge mehrfach ausgedruckt, dann digitalisiert werden. Im Idealfall läuft die Prüfung weitestgehend digital über eine vernetzte Infrastruktur.

Lernen Sie hier mehr über eine KI-fähige ZfP-Infrastruktur.

Kritische Messstellen / Infrastruktur / Equipment

Neben den Abläufen im Prüfprozess, lassen sich mit KI und Data Analytics auch auf Prüfobjekte und andere Gegenstände anwenden. So kann z.B. mit einer Mustererkennung aufgedeckt werden, dass ein bestimmtes Prüfequipment im Schnitt doppelt so lange hält wie ein anderes. Oder, dass eine bestimmte Messkonfiguration in der Anlage ständig repariert werden muss. Oder, dass eine bestimmte Anlage, obwohl sie viel kleiner ist als andere, trotzdem viel länger zu prüfen dauert.

Anwendungsgebiet 2: Digitale Zwillinge

Der Einsatz von Digitalen Zwillingen ist eine Kerntechnologie der ZfP 4.0. Auf der Grundlage von gesammelten Daten können nämlich durch Simulationen oder Modelle z.B. Handlungsempfehlungen ausgesprochen und Entscheidungen oder Ereignisse vorausgesagt werden. Der digitale Zwilling ist dann eine digitale Entität, die genau die gleichen Eigenschaften wie das abzubildene Element besitzt. Dadurch können Verhalten und Zustand des realen Objektes genau eingesehen und vorhergesagt werden.

Eine Künstliche Intelligenz kann als Grundlage für solche Modelle genutzt werden. Beispiele können sein:

Simulation von Infrastruktur z.B. Korrosion über Zeit
Digitale Prototypen und Erprobung in der Fertigung z.B. Gussteile
Projektplanung z.B. von Pipelines
Vorhersage von Wartungen (engl. Predictive Maintenance)

Anwendungsgebiet 3: Einsatz im Auswerte- und Prüfprozess

Der direkte Einsatz von Künstlicher Intelligenz im Auswerte- und Prüfprozess bietet einige Potentiale, um ZfP-Equipment und Methoden zu verbessern. Im Folgenden werden einige Beispiele für bildbasierte Prüfungen (z.B. Durchstrahlungsprüfung) vorgestellt, da diese leicht zu verstehen sind. Darüber hinaus gibt es jedoch auch Anwendungen für andere Prüfmethoden wie bspw. die Ultraschallprüfung. Die vorgestellten Ansätze sind in vielen Aspekten auf weitere Methoden übertragbar.

Critical Item / Image Detection (CID)

In der ZfP gibt es häufig nicht nur ein Prüfobjekt, das es zu untersuchen gilt. Häufig sind Auswerter mit einer Vielzahl von Aufnahmen z.B. in Durchstrahlungsprüfung von Schweißnähten oder der Korrosionsprüfung beschäftigt. Dabei sind viele der Aufnahmen ohne Beanstandung oder Indikationen und nur ein Bruchteil besonders kritisch.

Mithilfe von Künstlicher Intelligenz und der parallelen Verarbeitung von mehreren Aufnahmen (sog. „Batch Processing“ – dt. Stapelverarbeitung) lassen sich Aufnahmen für die Auswertung vorsortieren.

Die Critical Item Detection (CID) kommt z.B. für nicht bildbasierte Prüfungen z.B. bei klassischen Ultraschall- oder anderen Sensordaten in Frage, um diese parallel zu verarbeiten.

Die Critical Image Detection (CID) bietet hingegen für bildbasierte Prüfungen wie der Durchstrahlungsprüfung oder Bildaufnahmen der Sicht- oder Farbeindringprüfung die Möglichkeit, diese als Stapel zu verarbeiten.

Es geht darum eine Aussage zu treffen, ob eine Aufnahme kritsch ist oder nicht.

Dabei werden Aufnahmen gefunden, die bspw.

Eine schlechte Qualität haben
Filmfehler o. Verunreinigugnen enthalten
Duplikate o. manipulierte Aufnahmen
Fehlende IQIs oder Identifikationen
Indikationen für mögliche Fehlstellen aufweisen

Single Item / Image Detail Analysis (SIDA)

Neben der Criticial Item Detection bzw. Critical Image Detection (CID – Stapelverarbeitung) können einzelne Aufnahmen auch im Detail mit KI verarbeitet werden. Hier geht es nicht nur darum zu sagen, ob eine Aufnahme kritisch ist, sondern auch warum und wo.

Bei der Single Item Detail Analysis bzw. Single Image Detail Analysis (SIDA) wird einem oder mehreren KI-Modellen die Aufnahme gezeigt und die Ergebnisse visuell z.B. im Bild aufbereitet und im Daten-Container z.B. DICONDE gespeichert.

Die Single Item Detail Analysis kommt z.B. für nicht bildbasierte Prüfungen z.B. bei klassischen Ultraschall- oder anderen Sensordaten in Frage, um z.B. eine Messstelle im Detail auszuwerten.

Die Single Image Detail Analysis bietet hingegen für bildbasierte Prüfungen wie der Durchstrahlungsprüfung oder Bildaufnahmen der Sicht- oder Farbeindringprüfung die Möglichkeit, diese ähnlich wie der Mensch auf Dinge auf dem Bild im Detail zu prüfen.

Dabei können ganze Prüfabläufe und Arbeitsschritte berücksichtigt werden. Die Kombination von verschiedenen KI-Modellen und Algorithmen hilft dabei, dem Auswerter die Bewertung einfacher zu machen.

Dabei werden Aufnahmen z.B. auf folgende Parameter untersucht:

Filmfehler o. Verunreinigugnen auf auszuwertendem Bereich
Texterkennung zur Identifikation
IQI-Auswertung
Abgleich mit Prüfparametern
Restwanddicken-Messungen und Wandprofile
Fehlererkennung von z.B. Schweißnähten (ADR)
Normvalidierung z.B. für Fehlergrößen
Erkennung von Prüfkonfigurationen
Anwendung von weiteren Algorithmen z.B. Denoising, Superresolution, Data & Image Enhancement

Denoising, Superresolution, Data & Image Enhancement

Bis ein Bild auf einem Monitor oder einem Film angezeigt wird, können verschiedene Umgebungsfaktoren zu einer Verzerrung bestimmter Teile oder einem allgemeinen Rauschen führen, das das gesamte Bild überlagert. Es gibt viele Ursachen für Rauschen, so dass eine regelbasierte Verbesserung nicht möglich ist. Ein Beispiel für Rauschen ist das „Salt & Pepper“ Rauschen (dt. „Salz & Pfeffer“), bei dem einzelne Pixel entweder vollständig schwarz oder weiß sind. Ein anderes Beispiel ist Gaußsches Rauschen, das gleichmäßig über das Bild verteilt ist. Die Standardmethode zur Schätzung des Rauschens ist das Signal-Rausch-Verhältnis (SNR), das auch in mehreren Normen für die Schweißnahtkontrolle erwähnt wird.

Der herkömmliche Ansatz zur Rauschunterdrückung besteht in der Verwendung statischer Filter (z. B. Tief-/Hochpassfilter), die als „Convolution“ (dt. „Faltung“) auf das Bild angewendet werden. Der größte Nachteil dieser Filter ist die fehlende räumliche Auflösung, da sie alle Teile des Bildes auf die gleiche Weise behandeln. Moderne KI-Algorithmen sind in der Lage, Informationen lokal zu interpretieren und mehrere hundert bis tausend Filter zu erstellen und zu kombinieren, wobei sich jeder Filter auf ein anderes Merkmal in einem Bild konzentrieren kann. Würde man dies manuell tun, müsste man das Bild in mehrere Bereiche (z. B. 16 x 16 Pixel) aufteilen, jede Ansicht auf der Grundlage des eigenen Wissens und der Position des Bereichs im Bild optimieren und alles wieder zusammensetzen.

Diese Art von KI-Modellen wird in der Fotografie häufig eingesetzt, um Bilder mit geringer Auflösung zu verbessern, Blitze zu korrigieren oder Filter anzuwenden. Ein Thema, auf das wir uns konzentrieren, ist die Entwicklung dieser KI-Algorithmen für die Anwendung in der digitalen Radiographie/Radioskopie.

So ist beispielsweise das Rauschen in Schweißnahtbildern ein wichtiger Faktor bei der Verwendung nationaler Normen & Standards. Daher ist eine Entrauschung sinnvoll, um eine klare Darstellung der Fehler zu erhalten. Dies verbessert die Erkennungsrate eines menschlichen Beobachters sowie die für ein Bild aufgewendete Zeit.

Ein Beispiel ist in Abbildung 2 zu sehen, wo ein verrauschtes Schweißnahtbild (oben) mit mehreren Artefakten und unterschiedlicher Rauschgranularität gezeigt wird. Wenn eine KI in der Lage wäre, das Bild zu rekonstruieren und automatisch auf verschiedene Rauscharten zu reagieren, könnte sie es in ein weniger verrauschtes Bild (unten) umwandeln und die wichtigsten Bilddetails beibehalten. Der Vorteil eines solchen KI-Algorithmus ist, dass lokale Merkmale (z. B. Defekte, Schweißkanten, Hintergrund usw.) je nach ihrem räumlichen Vorkommen unterschiedlich behandelt werden können.

Um eine solche KI zu trainieren, benötigen Sie Daten mit geringem Rauschen, die dem Algorithmus Beispiele für gute Bilder zeigen – z. B. indem Sie einige Aufnahmen mit langer Belichtungszeit machen. Anschließend kann man verrauschte Bilder in das Modell eingeben, und es gibt die entrauschten Bilder aus. (Hinweis: Abbildung 2 ist ein übertriebenes Beispiel, da die neuesten Ergebnisse aufgrund von Geheimhaltungsvereinbarungen nicht öffentlich gezeigt werden dürfen. Es stellt nicht den aktuellen Stand der Technik dar. Dennoch soll es das Potenzial eines KI-Algorithmus veranschaulichen).

Neben der Entrauschung zeigt Abbildung 3 ein Beispiel für die Bildverbesserung, bei dem ein Riss in einer Schweißnaht zu sehen ist. Je nach dem Wertebereich, der dem menschlichen Betrachter präsentiert wird, sind unterschiedliche Tiefen zu sehen. Daher muss ein Betrachter oft zwei oder drei Ansichten machen, um alle Fehler in allen Tiefen vollständig zu sehen.

Ein KI-Algorithmus kann helfen, jeden einzelnen Defekt so zu verbessern, dass ein menschlicher Betrachter alle Defekte in einem einzigen Bild sehen kann. Das spart Zeit und verbessert die Entdeckungsrate oder POD eines menschlichen Auswerters. Für die praktische Anwendung bedeutet dies auch, dass Sie Bilder verwenden können, die unter unvollkommenen Bedingungen aufgenommen wurden, wie z. B. bei einer kurzen Belichtungszeit, und dabei eine gültige Bildqualität durch Nachbearbeitung erhalten. (Hinweis: Abbildung 3 ist ein überspitztes Beispiel, da die neuesten Ergebnisse aufgrund von Geheimhaltungsvereinbarungen nicht öffentlich gezeigt werden dürfen. Es stellt nicht den aktuellen Stand der Technik dar. Dennoch soll es das Potenzial eines KI-Algorithmus veranschaulichen).

(Automatic) Defect Recognition - ADR

Neben den zuvor vorgestellen Anwendungsbereichen ist die KI auch in der Lage, Fehler oder Defekte genau in einem Bild zu erkennen. Obwohl diese Erkennung noch nicht der Standard in der ZfP ist, ist sie ein weiteres Werkzeug, das menschlichen Auswertern hilft, schneller und präziser zu erkennen. Außerdem ist die KI stabil und wird nicht durch Faktoren wie Ermüdung beeinträchtigt.

Für die Fehlererkennung wird eine „supervised“ KI verwendet. Diese KI wird anhand von Bildbeispielen mit korrekten Bezeichnungen trainiert. In der überwachten Bildverarbeitung gibt es drei Haupttypen von KI. Es handelt sich um Bildklassifizierung, Objekterkennung und Instanzsegmentierung. Die erste Art liefert ein Label pro Bild (defekt oder nicht defekt). Diese Art der KI eignet sich nur für Anwendungsfälle, in denen nur ein Objekt pro Bild vorhanden ist und das Auftreten dieses Defekts eine Ablehnung der gesamten Probe impliziert (Risse in den meisten Standards).

Bei der Objekterkennung wird ein Begrenzungsrahmen um einen Defekt gezeichnet. Dies ist nützlich, wenn mehrere verschiedene Defekte auftreten können, aber ein menschlicher Auswerter entscheiden muss, ob das Teil Ausschuss ist oder nicht. Die letzte Methode, die Instanzsegmentierung, ist eine Vorhersage des genauen Polygons eines Fehlers. Obwohl dieser Algorithmus die meisten Daten benötigt, ist er für die Quantifizierung von Defekten perfekt geeignet. Viele Normen für Schweißbilder verlangen z. B. die Messung von Defekten und die Sicherstellung, dass diese unterhalb eines bestimmten Schwellenwerts in der Größe liegen. Diese geometrischen Zusammenhänge können für die erkannten Defekte berechnet werden und die Proben autonom zurückweisen.

Abbildung 4 zeigt ein Beispiel für eine Schweißnaht mit Porositäten. Mit einem anderen KI-Algorithmus, der Defekte oder Diskontinuitäten erkennen kann, können diese wie der rechte Teil des Bildes angezeigt und hervorgehoben werden. Obwohl der Algorithmus Defekte direkt erkennt, sind Bildentrauschung und Bildverbesserung oft als Vorverarbeitungsschritt nützlich, um einen Algorithmus robuster zu machen und die Anzahl der für das Training des KI-Modells benötigten Bilder zu reduzieren. Beide KI-Ansätze arbeiten also gut zusammen, um dem Auswerter zu helfen, seine Arbeit bestmöglich zu erledigen.

Auch wenn das Training dieser Algorithmen zeitaufwendig ist, ist die Ausführung eines trainierten Algorithmus extrem schnell. Für Bilder mit normaler Größe (z.B. 1.200 x 1.800 Pixel) sind – je nach verwendeter Hardware – Auswertezeiten von unter 50 Millisekunden zu erwarten.

Wie gut ist die ZfP (ohne KI) heute?

Im Themenbereich „Data Science“ und der künstlichen Intelligenz sind Metriken wichtig, um das Ergebnis einer bestimmten Methode zu bewerten. Bei einem binären Entscheidungsproblem ist die wichtigste Metrik die Receiver-Operator-Charakteristik. Sie beschreibt vier mögliche Zustände einer Vorhersage. Zum Beispiel soll ein Algorithmus oder ein Verfahren erkennen, ob ein Bauteil Fehler hat oder nicht.

Dies ist eine binäre Entscheidung, da eine Probe entweder abgelehnt wird oder nicht. Lehnt der Algorithmus eine Probe korrekt ab, wird dies als Richtig-Positiv bezeichnet, und wenn er die Probe nicht ablehnt und die Probe keine Mängel aufweist, wird sie als Richtig-Negativ bezeichnet. Lehnt der Algorithmus jedoch die Probe ab, obwohl das Bauteil keine Mängel aufweist, wird dies als Falsch-Positiv bezeichnet. Der umgekehrte Fall (das Bauteil hat Fehler, aber der Algorithmus weist die Probe nicht zurück) wird als Falsch-Negativ bezeichnet.

Bei der zerstörungsfreien Prüfung (NDT) wird die Leistung/Genauigkeit (richtig-positiv und richtig-negativ) der besten NDT-Auswerter auf max. 85,2 % POD mit 2,1 % PFA, „[…] aber die Gesamtergebnisse sind bei hoher Fehlalarmrate schlechter.“ [3]

Was ist die Probability of Detection (POD)?

Auf der Grundlage der oben genannten Klassifizierungen können wir einen Test durchführen, bei dem wir dem Algorithmus, dem Prüfer oder dem Verfahren mehrere Proben (z. B. 1000) geben, von denen bekannt ist, dass sie fehlerhaft oder fehlerfrei sind. Die Proben werden dann ausgewertet und es wird entschieden, ob sie Mängel aufweisen oder nicht. Da wir wissen, wie der Prüfer oder das Verfahren mit diesem Stichprobensatz arbeiten sollte, können wir feststellen, wie sie gemäß den vier oben genannten Leistungsklassifizierungen arbeiten.

Mit dieser Methode können wir die Daten auf viele Arten analysieren. Eine gängige Kennzahl für die zerstörungsfreie Prüfung ist die Probability of Detection (POD), die einfach wie folgt definiert ist:

POD = Richtig-Positive / (Richtig-Positive + Falsch-Positive)

Auf der Grundlage von POD kann ein Algorithmus auch anhand eines weiteren Faktors bewertet werden. Die nachstehende Abbildung zeigt zum Beispiel die POD-Werte im Zusammenhang mit der Fehlergröße für ein bestimmtes Bauteil. Die Wahrscheinlichkeit läuft asymptotisch gegen 100%. An der markierten Stelle beträgt der POD-Wert 90% für eine Fehlergröße von 22 mm. Im Bereich der zerstörungsfreien Prüfung wird POD oft als POD in Abhängigkeit von der Fehlergröße interpretiert.

Wenn Sie mehr darüber erfahren möchten, lesen Sie unseren Artikel:

Was ist die POD – Probability Of Detection in der ZfP?

Wie kann KI menschliche Faktoren in der ZfP reduzieren?

Die Industrie 4.0 setzt eine Vielzahl neuer Technologien ein, die die aktuellen ZfP-Methoden verbessern und zu ZfP 4.0 führen. Cloud Computing und Storage, künstliche Intelligenz, Robotik, Big Data, Blockchain sowie Augmented Reality gehören zu den neuen Technologien der vierten industriellen Revolution.

Fehler sind jedoch in jedem Fertigungsprozess wahrscheinlich. Manuelle Teileprüfung und komplexe statistische Methoden (Six-Sigma) sind derzeit erforderlich, um eine ausreichend hohe Entdeckungswahrscheinlichkeit (POD) für bekannte Fehler zu erreichen. Besonders zeitaufwändig ist dies bei der Prüfung von Schweißnähten, z. B. in Chemieanlagen, wo die Schweißnähte manuell mit Röntgenstrahlen untersucht werden. KI kann eingesetzt werden, um menschliche Fehler zu minimieren, und hilft den Prüfern, Fehler zu finden.

Menschen, die sich dieselben Informationen ansehen, können sich unterschiedliche Meinungen bilden. Selbst die Meinungen, die sich eine Person bildet, können aufgrund menschlicher Faktoren wie Ermüdung unterschiedlich ausfallen. ZfP ist eine Aufgabe, die ein hohes Maß an Aufmerksamkeit erfordert. Die Aufmerksamkeit des Prüfers und die Leistung des Prüfsystems sind Faktoren, die bei der Bestimmung des POD berücksichtigt werden sollten. Persönlichkeit, frühere Arbeitserfahrung, Ausbildung und Ermüdung des Prüfers, der diese Aufgabe ausführt, gehören zu den wichtigsten menschlichen Faktoren, die den Prüfprozess beeinflussen. Die Bewertung des Prüfers hängt auch von seiner Wahrnehmung und seiner Fähigkeit ab, Informationen zu verarbeiten und zu behalten. Weitere Probleme ergeben sich aus der unzureichenden Qualität der verwendeten Signale oder Bilder. Eine falsche Klassifizierung kann dazu führen, dass ein fehlerfreies Teil zurückgewiesen wird (falsch negativ) oder ein fehlerhaftes Teil akzeptiert wird, das den in den einschlägigen Normen festgelegten Grenzwert überschreitet (falsch positiv).

Abbildung 5 zeigt ein Beispiel für verbesserte PODs. Die intrinsische Fähigkeit ist die „beste“ Leistung, die ein System bei einer kleinen Fehlergröße erreichen kann, die mit einer hohen Wahrscheinlichkeit (90 %) entdeckt werden kann. Die Leistungslücke ist der Unterschied zwischen dem, was Ihr System möglicherweise erkennen könnte, und dem, was es tatsächlich erkennt. Wenn eine KI dabei helfen kann, Dinge früher/besser zu erkennen (kleinere Fehler), wird sich die Kurve von rechts näher an die beste Leistung heranbewegen und die Leistungslücke verringern. [2]

Wenn wir über die Verbesserung der POD sprechen, wollen wir kleinere Fehler mit einer höheren Wahrscheinlichkeit erkennen. Dies können wir erreichen, indem wir die Störfaktoren reduzieren. In den nächsten Abschnitten geht es um Faktoren, die nach der Bildaufnahme reduziert werden können, so dass Unternehmen vorhandene Geräte/Systeme verwenden können, indem sie die Bildverarbeitung mit einer Software aufrüsten.

Beispiel 1: Verbesserung der Zuverlässigkeit und Wahrnehmung mit ADR

Damit ein ZfP-Prozess zuverlässig ist, muss das gesamte System aus Geräten, Verfahren und Prüfern zuverlässig sein. Eine Technologie, die die Wahrnehmung verbessert und die menschlichen Faktoren, die die POD beeinflussen, reduziert, erhöht die Zuverlässigkeit. Hier kann Künstliche Intelligenz helfen. Künstliche Intelligenz verbessert die Wahrnehmung des Auswerters, indem sie mögliche Fehler mit Hilfe der automatischen Fehlererkennung (Automatic Defect Recognition, ADR) automatisch kennzeichnet. Dadurch werden die menschlichen Faktoren, die den POD beeinflussen, wie Müdigkeit, Motivation oder Aufmerksamkeit, verringert. KI liefert auch eine objektive Zweitmeinung, die weniger erfahrenen Prüfern helfen kann, und trägt dazu bei, dass die Prüfer die Mängel einheitlich klassifizieren.

Beispiel 2: Verbesserung der Wahrnehmung und Aufmerksamkeit durch Bildverbesserung

Ein weiteres Problem, das sich auf die Wahrnehmung und die Motivation der Prüfer und damit auf den POD auswirkt, ist die Bildqualität. Wenn es gelingt, die Kontraste zu optimieren und das Rauschen in den Bildern auf raffinierte Weise zu reduzieren, muss der Auswerter die Filter nicht manuell und vor Ort auswählen, sondern kann sich auf den eigentlichen Interpretationsprozess konzentrieren. Wenn das gesamte Bild alle Informationen auf optimierte Weise anzeigt und die richtige Verstärkung für die richtige Stelle gewählt wird, muss der Auswerter nicht manuell die richtigen Filter auswählen. Dies kann die Aufmerksamkeit erhöhen und weniger erfahrenen Prüfern dabei helfen, jedes Detail des Bildes zu beobachten und kleinere Fehler zu finden. Auch bei der eigentlichen Bildaufnahme kann KI helfen. Bilder können schneller oder mit weniger Spannung aufgenommen werden, da die Bildqualität im Detail gesteigert werden kann, nachdem die Fähigkeiten klassischer Hochpassfilter übertroffen wurden.

Kostenlose Checkliste
mit 24 Fragen.

Ist Ihr Unternehmen bereit für KI & Machine Vision Projekte?

Was sentin mit KI in der ZfP macht?

Die verschiedenen KI-Anwendungsfälle wie Data Analysis und Digitaler Zwilling sowie CID, SIDA und ADR und Bildverbesserung helfen, Bilder und Unregelmäßigkeiten so schnell und genau wie möglich auf kostengünstige Weise zu bewerten. Sie verbessert den Prozess der Fehlererkennung und -klassifizierung und gewährleistet eine hohe POD, eine gute Produktqualität und Anwendungssicherheit. Derzeit wird die ADR-Technologie meist als Assistenzsystem mit einer Benutzeroberfläche eingesetzt, um die Standards für die menschliche Interpretation zu erfüllen.

Um bei der Prüfung und Bewertung Zeit und Nerven zu sparen, ist es wichtig, das richtige Werkzeug für die jeweilige Aufgabe zu haben. Wir arbeiten stetig an der Integration der oben genannten Technologien in unsere Software, den sentin EXPLORER. Unter Verwendung vorhandener Daten und Werkzeuge könnten Sie eine maßgeschneiderte Software für Ihre Auswertungsprozesse erhalten, ohne ein Experte für KI sein zu müssen.

In unserem Fall basiert die Software auf modernen Bedienkonzepten aus dem Bereich der Webtechnologien. Ein wichtiger Vorteil ist dabei die flexible Integration in alle Betriebssysteme. Diese Technologie kann über Software as a Service entweder als eigenständiges Produkt zur Auswertung von Bilddateien oder in digitale ZfP-Bildmanagement-Software integriert werden. Die softwarebasierte Auswertung der Bilder entkoppelt den Prozess der Aufnahme und Auswertung. Mit ADR und Image Enhancement/Denoising unterstützt sie den Prüfer bei der Lokalisierung und Klassifizierung von Fehlern. Bei zeitkritischen Anwendungen kann auch eine Vorsortierung vorgenommen werden, so dass die Bilder mit den meisten Fehlern zuerst analysiert werden können, so dass die Reparaturarbeiten mit genügend Vorlaufzeit eingeleitet werden können.

Lernen Sie hier mehr über eine KI-fähige ZfP-Infrastruktur.

Wir wollen Ihnen die Möglichkeit geben, Ihre Erkennungs- oder Bildverbesserungsmodelle so genau einzustellen, wie Sie es wünschen, um die besten Ergebnisse aus den Auswertungen zu erhalten und Ihre POD zu steigern. Wir wollen, dass Ihre Prüfungen schnell, objektiv und präzise sind.

Quellen

[1] Vrana, J., Singh, R. (2020). – The NDE 4.0: Key Challenges, Use Cases, and Adaption. DOI: 10.1007/s10921-020-00735-9

[2] Vrana, J., Singh, R. (2020). – The WHY of NDE 4.0 @ Ripi Singh

[3] Fücsöck, F., Müller, C., Scharmach, M. (2005). Measuring of Reliability of NDE

[4] Bertovic, M. (2015) Human Factors in Non-Destructive Testing (NDT): Risks and Challenges of Mechanised NDT DOI: 10.14279/depositonce-4685

Der Beitrag Wie funktioniert Künstliche Intelligenz (KI) in der ZfP? erschien zuerst auf sentin.

Ein Tag als ZfP-Prüfer – Arbeit und Leben in der ZfP

Fri, 29 Oct 2021 08:59:00 +0000

Die Arbeit als Prüfer für zerstörungsfreie Prüfungen (ZfP) ist ein lohnender und anspruchsvoller Beruf. Der Prüfer muss sehr aufmerksam sein und über ein hohes Maß an technologischem Verständnis verfügen. Da es sich bei der zerstörungsfreien Prüfung um ein sehr dynamisches Gebiet handelt, muss der Techniker mit den neuen Trends und Informationen auf dem Laufenden bleiben, um relevant und marktfähig zu bleiben.

Jeder, der den Beruf des zerstörungsfreien Prüfers anstrebt, ist daran interessiert, einen kleinen Einblick in das Leben zu bekommen, das ihn erwartet, wenn der Berufswunsch in Erfüllung geht. Sie würden gerne wissen, wie ein gewöhnlicher Tag im Leben eines Prüfers für zerstörungsfreie Prüfungen aussieht.

Jeder, der den Beruf des zerstörungsfreien Prüfers anstrebt, ist daran interessiert, einen kleinen Einblick in das Leben zu bekommen, das ihn erwartet, wenn der Berufswunsch in Erfüllung geht. Sie würden gerne wissen, wie ein gewöhnlicher Tag im Leben eines Prüfers für zerstörungsfreie Prüfungen aussieht.

Wenn Sie mehr über die zerstörungsfreie Prüfung erfahren möchten, sollten Sie sich unsere anderen Artikel ansehen:

Die täglichen Aufgaben eines NDT-Prüfer

Die Hauptaufgabe eines Prüfers besteht darin, zerstörungsfreie Prüfungen an Werkstoffen, Systemen und/oder Bauteilen durchzuführen, um Mängel festzustellen, die sich nachteilig auf die Funktionsfähigkeit und Sicherheit des zu prüfenden Objekts auswirken können.

Diese Prüfungen hängen von der Prüfmethode, dem Standard und dem Qualifizierungslevel ab, da nicht alle Prüfer zum Beispiel die Auswertung machen dürfen.

In diesem Sinne sind hier einige der wichtigsten Aufgaben aufgeführt, mit denen der Prüfer täglich beschäftigt sein könnte:

Untersuchung von Systemen, Werkstoffen oder Strukturen wie Brücken, Rohrleitungen, Flugzeugen und Anlagen mit Hilfe von ZfP-Techniken wie Schallemissions-, Röntgen-, elektromagnetische, Flüssigkeitseindring-, Magnetpulver-, Neutronenradiographie-, Wärme-, Ultraschall- oder Vibrationsanalyse.
Datenerfassung zur Fehlererkennung in Materialien und Objekten.
Auswählen, Kalibrieren und Bedienen von ZfP-Ausrüstung.

Wartung der Ausrüstung. Nach dem Einsatz von ZfP-Geräten oder -Maschinen muss der Techniker dafür sorgen, dass diese gereinigt werden und am nächsten Tag oder bei Bedarf wieder einsatzbereit sind.
Auswertung der Ergebnisse von zerstörungsfreien Prüfungen unter Beachtung der einschlägigen Normen, Richtlinien oder Spezifikationen.

Interpretieren der Ergebnisse der zerstörungsfreien Prüfung unter Beachtung der geltenden Normen, Richtlinien oder Spezifikationen. Die Interpretation könnte die Untersuchung von Röntgenfilmen beinhalten, die Übersetzung von Rohdaten in leicht verständliche Informationen, um festzustellen, ob weitere Tests erforderlich sind oder ob die geprüfte Struktur, das geprüfte Objekt oder das geprüfte Material sofort ausgemustert werden sollte.
Erstellung von Prüfberichten. Von dem Techniker wird erwartet, dass er die Aktivitäten und Ergebnisse der täglich durchgeführten Prüfungen in Form eines Berichts festhält. In dem Bericht sollte der ZfP-Experte die Verfahren, die er während einer ZfP-Prüfung angewandt hat, die Prüfergebnisse und seine Empfehlungen an die Ingenieure oder andere Personen, die für die Integrität des geprüften Objekts oder der Struktur verantwortlich sind, darlegen.
Präsentation des Berichts. Nach der Erstellung der Prüfberichte sollen sie diese den zuständigen Fachleuten oder der Geschäftsleitung vorlegen oder präsentieren, um weitere Maßnahmen zu ergreifen oder sich zu vergewissern, dass mit dem geprüften Objekt oder Material alles in Ordnung ist.

Kommunikation

Wie bereits erwähnt, wird vom Prüfer erwartet, dass er Berichte verfasst und sich mündlich verständlich ausdrückt. Daher sind ausgezeichnete schriftliche und mündliche Kommunikationsfähigkeiten ein wesentlicher Bestandteil der Arbeit des Technikers.

Teamarbeit

In den meisten Fällen erfordern zerstörungsfreie Prüftätigkeiten und -verfahren Teamarbeit, da verschiedene Aspekte der Arbeit von verschiedenen Personen ausgeführt werden, die zusammenarbeiten müssen, um ein gemeinsames Ziel zu erreichen. Kein Wunder, dass laut OwlGuru etwa 75 % der ZfP-Prüfer täglich Gruppendiskussionen an ihrem Arbeitsplatz führen.

Arbeitszeiten und Vergütung

Laut Zip Recruiter kann der Stundenlohn für einen NDT-Prüfer je nach Standort des Technikers zwischen 11,78 und 48,80 Dollar liegen. Wenn man bedenkt, dass der Techniker acht Stunden pro Tag arbeiten kann, kann er bis zu ~390 Dollar pro Tag verdienen.

Einsatz von Künstlicher Intelligenz für Prüfer uns Auswerter

Ein solcher Arbeitstag eines Prüfers, wie er oben beschrieben wurde, zerrt sehr stark an der Konzentration und an der Leistungsfähigkeit einer Person. Das bedeutet, dass im Laufe einer Schicht die Konzentration erheblich nachlässt und damit die Interpretation anspruchsvoller wird. Um dies zu verhindern, kann der Prüfer mit einer Software unterstützt werden, die den gesamten Prozess vereinfacht und begleitet. Eine solche Software ist der sentin EXOLRER.

Der sentin EXPLORER ist ein Werkzeug, um solche Prüf- oder Bildauswertungsaufgaben zu automatisieren. Unsere Kunden produzieren teilweise tausende von Bildern pro Woche, die alle zuverlässig geprüft werden müssen. Deshalb geben wir Ihnen die Möglichkeit, Auswertungen mit Hilfe von künstlicher Intelligenz durchzuführen und so Fehler zuverlässiger zu finden oder neue Erkenntnisse zu gewinnen.

Der Beitrag Ein Tag als ZfP-Prüfer – Arbeit und Leben in der ZfP erschien zuerst auf sentin.

Die Geschichte der ZfP – 5 interessante Fakten

Fri, 08 Oct 2021 11:00:00 +0000

Die zerstörungsfreie Prüfung (ZfP) ist ein integraler Bestandteil der modernen Wissenschaft und Technologie. Sie bietet eine Reihe von Techniken zur Erkennung und Analyse von Fehlern in Bauteilen, Materialien und Systemen, ohne weitere Schäden zu verursachen. Die Prüfmethode, die einen Marktwert von 14,6 Mrd. USD aufweist, hat sich im Laufe der Jahrhunderte stark weiterentwickelt. Daher ist die Geschichte der zerstörungsfreien Prüfung lang und könnte Tausende von Seiten füllen, wenn man sie vollständig niederschreiben wollte. Um einen kurzen Einblick in die Geschichte zu geben, werden in diesem Artikel die fünf interessantesten Fakten der Geschichte herausgegriffen.

Wenn Sie mehr über zerstörungsfreie Prüfungen erfahren möchten, lesen Sie bitte unsere FAQ über KI:

Die Menschen beginnen, ZfP als Technologie zu erkennen

1920er Jahre und davor

Als der Begriff NDT in den 1920er Jahren erfunden wurde, hatten die Menschen der Antike bereits seit Jahrhunderten Techniken verwendet, die den Grundsätzen der zerstörungsfreien Prüfung folgten. So konnten sie beispielsweise Objekte mit bloßem Auge analysieren, um sichtbare Oberflächenfehler zu erkennen, ohne die Objekte zu beschädigen. Schmiede hörten bei der Formgebung von Metall auf die verschiedenen Metalle, um sicherzustellen, dass sie die richtige Kraft auf das richtige Metall ausübten, um die gewünschten Formen zu erzeugen.

Der Zweite Weltkrieg - ein großer Katalysator für die Entwicklung der ZfP

1930er und 1940er Jahre

Der weltweite Krieg, der zwischen 1939 und 1945 stattfand, führte zur Erfindung der ZfP-Technologien und -Geräte, die auch heute noch in Wissenschaft und Technik Anwendung finden.

Die Flugzeuge, die während des Krieges eingesetzt wurden, bestanden beispielsweise aus leichten, nichtmagnetischen Metallen, so dass ein anderer Prüfansatz als Ersatz für die magnetische Prüfung erforderlich war. Diese Notwendigkeit führte zur Eindringprüfung mit Fluoreszenz- und Farbeindringmitteln. 

Eindringprüfung - Anwendung des Kontrastmittels

Karl Deutsch Prüf- und Messgerätebau GmbH + Co KG https://www.karldeutsch.de
Licenced under Creative Commons Attribution 3.0 Germany

Röntgentechnik

1940er Jahre und danach

1895 entdeckte Wilhelm Conrad Röntgen, der Erfinder der Röntgentechnik, „eine unbekannte Art von Strahlung“, die bei der Erkennung von Fehlern helfen könnte. Diese Entdeckung führte zur Entwicklung eines Röntgengeräts, das vor allem im medizinischen Bereich eingesetzt wurde. Allerdings hatte Ray die möglichen schwerwiegenden negativen Auswirkungen der Röntgenstrahlen auf die menschliche Gesundheit nicht vorausgesehen. Infolgedessen starben viele Menschen, die den elektromagnetischen Wellen ausgesetzt waren.

Um die Todesfälle und andere damit verbundene gesundheitliche Komplikationen einzudämmen, erfand Henri Becquerel die Strahlenschutzkleidung. Später führte das U.S. X-ray and Radium Protection Advisory Committee die erste formelle Norm ein, die den Menschen vor Röntgenstrahlen schützen sollte.

In den 1930er und 1940er Jahren fanden die ersten Durchstrahlungsprüfungen statt. Bis heute ist sie eine gängige Lösung, um Defekte im Inneren von Materialien und Produkten zu finden.

Lesen Sie hier mehr darüber:

„5 Vorteile der digitalen Radioskopie (DR)“

Gründung der Wirbelstromprüfung - Hans Christian und Michael Faraday

1948 bis 2012

Obwohl der französische Physiker Leon Foucault das Phänomen der Wirbelströme entdeckte, wurde diese Entdeckung durch die Entdeckung der elektromagnetischen Induktion durch den englischen Wissenschaftler Michael Faraday und die Entdeckung des Elektromagnetismus durch Hans Christian inspiriert.

Während des Zweiten Weltkriegs wurde die ZfP-Methode, die auf Wirbelstrom basiert, weiterentwickelt. Im Jahr 1948 gründete Friedrich Foerster in Deutschland ein Unternehmen zur Entwicklung von Geräten, die auf dieser Methode basieren.

Bis heute wächst der Markt für die Wirbelstromprüfung und wurde 2012 auf eine Größe von 220 Millionen Dollar geschätzt.

Die Wirbelstromprüfung ist ein ZfP-Verfahren, das die Prinzipien der elektromagnetischen Induktion nutzt, um Fehler an der Oberfläche und unter der Oberfläche zu erkennen.

ZfP-Anwendungen nehmen weiter zu

2010er Jahre und danach

Der weltweite Automatisierungs- und Robotiksektor wächst rund um die Uhr, wodurch die Nachfrage nach Prozessoren zur Beschleunigung der Arbeitsabläufe und zur Senkung der Arbeitskosten steigt. So werden beispielsweise ZfP-Sensoren in Industrieroboter und Cobots für beschädigungsfreie automatisierte Prüfsysteme integriert, die häufig in der Produktionsprüfung sowie in der Forschung und Entwicklung eingesetzt werden. Ein kürzlich veröffentlichter Bericht der Robotics Business Review zeigt, dass im Jahr 2020 insgesamt 1,16 Milliarden US-Dollar in den Robotiksektor investiert werden, so dass man davon ausgehen kann, dass NDT-Anwendungen in Zukunft noch beliebter und hilfreicher werden.

Die Techniken der zerstörungsfreien Prüfung haben sich über Hunderte von Jahren entwickelt, und sie werden in Bezug auf Effizienz, Sicherheit und Genauigkeit immer noch besser. Die oben genannten fünf Fakten gehören zu den interessanten Fakten, die Sie über die Geschichte der zerstörungsfreien Prüfung wissen müssen.

NDT 4.0 - Kombiniert neue Technologien

2020er Jahre und danach

Heutzutage hat sich die ZfP stark entwickelt. Auch sie konnte sich der Digitalisierung und Softwareentwicklung nicht entziehen. Einer der interessantesten Berührungspunkte ist die Künstliche Intelligenz. Ein Beispiel dafür ist Bildanalysesoftware, die den Prüfer unterstützt oder sogar die Prozesse vollständig automatisiert. Eine solche Software ist der sentin EXPLORER.

Dieser neue Bereich der zerstörungsfreien Prüfung wird als NDT 4.0 bezeichnet und nutzt verschiedene moderne Technologien, um die zerstörungsfreie Prüfung zu verbessern. Mehr darüber können Sie hier lesen:

Definition: Was sind ZfP 4.0 & NDE 4.0?

Der sentin EXPLORER ist ein Werkzeug, um solche Prüf- oder Bildauswertungsaufgaben zu automatisieren. Unsere Kunden produzieren teilweise tausende von Bildern pro Woche, die alle zuverlässig geprüft werden müssen. Deshalb geben wir Ihnen die Möglichkeit, Auswertungen mit Hilfe von künstlicher Intelligenz durchzuführen und so Fehler zuverlässiger zu finden oder neue Erkenntnisse zu gewinnen.

Der Beitrag Die Geschichte der ZfP – 5 interessante Fakten erschien zuerst auf sentin.

3 Fakten über digitale Zwillinge für Pipelines

Fri, 24 Sep 2021 11:00:00 +0000

Das Konzept des digitalen Zwillings geht auf die 1950er Jahre zurück, als die NASA, GE und andere Industrieunternehmen begannen, abstrakte digitale Modelle von Anlagen zu erstellen, um deren Leistung in Simulationen zu modellieren und eine Aufzeichnung der Anlage während ihrer gesamten Lebensdauer zu führen. Im Laufe der Jahre haben immer mehr Branchen das Paradigma des digitalen Zwillings übernommen, um die Rückverfolgbarkeit, Wartung und Analyse zu verbessern, eine bessere Wartung der Anlage oder Ausrüstung zu ermöglichen und gleichzeitig verschiedene Risiken zu verringern, die während des Lebenszyklusmanagements ermittelt wurden.

Der folgende Artikel, ist ein Gastartikel des Systemingenieur James Wardrop. Er ist der Gründer von PipelineSentry, welche die Automatisierung von technischen Abläufen durch Organisieren, Verknüpfen und Bereitstellen eines Kontext zu technischen Daten, mithilfe von digitalen Zwillingen, ermöglichen.

3 Fakten über Digital Twins für Pipelines

Wenn Sie nicht alle Ihre Daten nutzen, kostet Sie das Zeit und Geld – ein Beispiel.
Der Schlüssel zu einem Digital Twin liegt in der Verknüpfung von Daten mit einem Objekt an einem bestimmten Ort in der Zeit – ein Vorteil ist die Fähigkeit, Kontext zu schaffen.
Es ist genauso wichtig, dass ein Digital Twin für einen Menschen wie für eine Maschine navigierbar ist – die visuelle Darstellung von Daten ermöglicht es dem menschlichen Gehirn, sie zu verarbeiten und für die Entscheidungsfindung zu nutzen.

Hier finden Sie weitere Artikel über:

1. Vorteil

Reduzierung von Datenkosten, Zeit und Geld

Die physikalischen Eigenschaften von Rohrverbindungen variieren von Verbindung zu Verbindung (dies gilt auch für die Verbindungen zwischen den Verbindungen). Dies ist auf die Herstellungsprozesse zurückzuführen. Jede Rohrverbindung muss die Mindestanforderungen übertreffen, wenn sie Teil einer Rohrleitung werden soll. Die Materialstärken können zum Beispiel bis zu 20 % über den Mindestanforderungen liegen.

Ein Digitaler Zwilling ermöglicht es Ihnen, diese zusätzliche Stärke bei der Bestimmung der Integrität der Anlage zu nutzen. Dies gilt für alle physikalischen Eigenschaften von Rohrleitungen. Wenn man für jede Variable in jeder Rohrverbindung das Schlimmste annimmt, führt dies zu einer enormen Anhäufung falscher Annahmen. Man sagt, dass eine Kette nur so stark sei wie ihr schwächstes Glied, und das trifft auch auf Rohrleitungen zu. Mit einem Digitalen Zwilling können Sie herausfinden, wo das schwächste Glied ist und entsprechend handeln. „Ein fauler Apfel muss nicht den ganzen Haufen verderben!“

2. Vorteil

Die Fähigkeit, Kontext zu schaffen.

Ein Digitaler Zwilling für Rohrleitungen digitalisiert und verknüpft Daten. Jeder Datensatz wird mit einem Objekt an einem bestimmten Ort in der Zeit verknüpft. Auf diese Weise können Sie jede erforderliche technische Integritätsbewertung automatisieren und die Ergebnisse in Ihr Modell zurückführen. Durch den Aufbau eines Datenschemas mit der Integrität einer Rohrleitung als Leitlinie können Sie die relevanten Variablen identifizieren und die Fehler eliminieren.

Wenn Sie die Variablen kennen, können Sie sie automatisch in technische Gleichungen einfädeln und Daten auf einer höheren Ebene erstellen als einen einzelnen Datenpunkt für sich. Auf diese Weise kann sich ein Ingenieur auf die Bereiche konzentrieren, die für Ihn von Interesse sind und eine detaillierte technische Planung durchführen, anstatt sich wiederholende Aufgaben zu erledigen. Durch die Organisation von Daten wird das Integritäts-Engineering hoch skalierbar. Wenn Sie es für 1 Fall tun können, können Sie es für „n“ Fälle tun. (n = eine beliebige Zahl).

3. Vorteil

Bessere Entscheidungen.

Durch Visualisierung von Daten.

Durch die Strukturierung und Verknüpfung von Daten in einer Datenbank mit Hilfe eines Entitätsbeziehungsdiagramms machen Sie es nicht nur einer Maschine leicht, Daten zu extrahieren und zu manipulieren, sondern auch Sie können immersive 4D-Umgebungen erzeugen.

Ein Digital Twin verknüpft Daten mit einem physischen Ort in der Zeit – so hat sich das menschliche Gehirn im Laufe der Jahrtausende entwickelt. So wie Sie Ihre Autoschlüssel an einen Haken hängen, werden Sie immer wissen, wo Sie die richtigen Daten finden. Noch wichtiger ist, dass Sie wissen, wo Sie neue Daten ablegen können. Der Digitale Zwilling wird zu einem Attraktor für immer mehr Daten. Noch wichtiger ist, dass die leicht zugänglichen Daten unsere Entscheidungsfindung verbessern und den Betrieb unserer Anlagen sicherer und länger machen.

Über James Wardrop und PipelineSentry

James Wardrop ist ein erfahrener Systemingenieur, der nachweislich in der Öl- und Energiebranche tätig war. Er verfügt über Fachkenntnisse in den Bereichen Erdöl, Gas, Pipelines, Front End Engineering Design (FEED), Subsea Equipment Design und Engineering. Er ist ein erfahrener Ingenieur mit einem Abschluss in Handel und Ingenieurwesen (Werkstofftechnik, Unternehmensfinanzierung) von der University of Western Australia. James Wardrop ist der Gründer von Engtech Analytics, einem Unternehmen, das digitale Zwillinge für Pipelines entwickelt. Er leitet die technische und geschäftliche Entwicklung einer cloudbasierten digitalen Zwillingstechnologie für Pipelines bei PipelineSentry.

PipelineSentry erstellt digitale Zwillinge für Pipelines. Das Team von PipelineSentry hat es sich zur Aufgabe gemacht, die Effizienz der technischen Arbeit durch die Organisation von technischen, Anlagen-, Betriebs- und Umweltdaten zu steigern. Mit effizient organisierten Daten automatisieren sie technische Prozesse, die sonst arbeitsintensiv und zeitaufwendig sind, und werden so zu einem Kraftmultiplikator für Ingenieure.

Digitale Zwillinge in Verbindung mit KI

Was ist der sentin EXPLORER?

Wenn Sie über einen digitalen Zwilling Ihrer Projekte verfügen, muss ein Inspektor diese auswerten und eventuelle Probleme und Gründe für bevorstehende Katastrophen finden. Dazu können Sie unterstützende oder automatische Software verwenden, die auf künstlicher Intelligenz basiert. Sie werten die Bilder aus und finden eventuelle Fehler an den Projekten. Eine KI-basierte Software ist der sentin EXPLORER.

Wenn Sie mehr erfahren möchten: Die 5 Arten – Was ist Zerstörungsfreie Prüfung (ZfP)?

Der Beitrag 3 Fakten über digitale Zwillinge für Pipelines erschien zuerst auf sentin.

Wie finde ich den besten KI-Anbieter?

Fri, 18 Jun 2021 09:59:20 +0000

Den perfekten Partner für eine Zusammenarbeit im Bereich Künstliche Intelligenz zu finden, ist nicht immer einfach. Je nach Branche gibt es unterschiedliche Anforderungen bzw. ist Vorwissen nötig, um ein KI-Projekt erfolgreich zu machen. Doch wie finde ich den besten KI-Anbieter?

Manchmal prallen mehrere Welten aufeinander. Wenn der KI-Dienstleiter oder -Anbieter zuvor bspw. aus dem E-Commerce kommt, aber nun Industriedaten für die Produktion analysiert werden sollen, kann das zu Problemen führen.

In diesem Artikel erklären wir, worauf man bei der Auswahl eines KI-Dienstleisters achten muss und aus welchen Teilen ein KI-Projekt besteht.

Die perfekte Begleitung für Ihr Computer Vision Projekt.

Wenn Sie ein allgemeines Interesse an KI oder Computer Vision haben, schauen Sie sich auch gerne einmal unsere anderen Artikel an:

Häufig gestellte Fragen – KI-Basiswissen

Die Top 7 Computer Vision (KI) Anwendungsfälle

Wie finde ich den besten Anbieter für KI?

Nach unserem Verständnis sind die folgenden Punkte bei der Suche am wichtigsten:

Projektziele definieren – ggf. Grundwissen für KI aufbauen
Anbieter Recherche starten (Beispiele in den nächsten Abschnitten)
Kontakt aufnehmen
Vorgehen erfragen
Kaufentscheidung treffen

In den folgenden Abschnitten geben wir wertvolle Tipps, wie Sie den Anbieter für KI, Computer Vision oder Machine Vision finden, der zu Ihnen passt.

1. Projektziele Definieren

Was macht ein KI-Projekt aus?

Wenn man ein Künstliche Intelligenz in seinem Unternehmen einsetzen will, sollte man sich klar machen, warum man diese Technologie verwenden will. Es gibt sehr viele konventionelle Technologien, die durch aus gute Ergebnisse liefern können z.B. regelbasierte Systeme mit einfachen „Wenn XY, dann ABC.“ Formulierungen.

Warum sollte man mit Kanonen auf Spatzen schießen?

Künstliche Intelligenz und Machine Vision bieten sich überall da an, wo:

Komplexe Zusammenhänge erkannt werden müssen
Regelbasierte Ansätze nicht mehr skalierbar sind
Viele digitale Daten verfügbar sind oder beschafft werden können

Komplexe Zusammenhänge sind bspw. Qualitätsstatuten und Fehlermerkmale auf einem Bauteil. Man kann bisher schlecht alle Eventualitäten in Regeln verpacken. Der Mensch müsste dazu alle Eventualitäten kennen. Stellen Sie sich vor, sie wollten Regel programmieren, die menschliche Gesichter erkennen – eine Paradedisziplin für Künstliche Intelligenz. Wie viele Regeln wollen Sie schreiben? Was ist, wenn das Gesicht durch eine Pflanze leicht verdeckt ist? Was ist, wenn es nur eine Reflexion auf einer Scheibe ist und dadurch verzerrt? Heutzutage sind auch immer mehr Mund-Nasenbedeckungen anzutreffen. Wie beschreiben Sie diese als Regel?

Eine Künstliche Intelligenz lernt anhand von Beispielen, je mehr gute Beispiele Sie haben desto besser kann die KI lernen.

Grundsätzlich kann man einer KI das beibringen, was der Mensch kann oder was er sich vorstellen kann. Man trainiert sie anhand von Daten. Diese Daten müssen eine ausreichende Qualität haben und bestimmte Anforderungen erfüllen.

Erfahren Sie mehr zu Künstlicher Intelligenz in unserem FAQ.

Welche KI-Projekt Arten gibt es?

Es gibt unzählige Arten von KI-Projekten in diversen Branchen. Meist versucht man, neue komplexe Zusammenhänge zu erkennen und qualifizierte Entscheidungen zu treffen oder Vorhersagen zu machen (z.B. Statistiken im Marketing oder Auftragsdaten eines Unternehmens) oder eine Form von Automatisierung zu erreichen (z.B. bei der Kommunikation mit Kunden oder der Inspektion von Bauteilen in der Qualitätssicherung).

Dabei spielen diverse Anforderungen und Kriterien eine Rolle wie bspw.

Einfluss auf Unternehmensstrategie (z.B. Neugeschäft erschließen oder bestehenden Prozess besser machen?)
Einfluss auf den Unternehmensprozess (z.B. was muss am Prozess verbessert werden?)
Automatisierungsgrad (z.B. wie läuft der Prozess bisher ab?)
Zeit (z.B. die Auswertung darf maximal 1 Sekunde dauern)
Genauigkeit (z.B. es darf max. 5% Schlupf geben)
Return-On-Invest (z.B. Projekt wird aus F&E-Budget finanziert oder Lösung wird in Prozesskosten eingerechnet)

Da wir uns als Unternehmen im industriellen Umfeld mit Bilddaten beschäftigen, haben wir eine Checkliste für Machine Vision Projekte erstellt. Diese kann in vielen Punkten jedoch auf beliebige KI-Projekte abstrahiert werden und veranschaulicht, welche Fragen aufkommen können.

Kostenlose Checkliste
mit 24 Fragen.

Ist Ihr Unternehmen bereit für KI & Machine Vision Projekte?

2. Recherche nach KI Anbietern und Dienstleistern starten

Worauf sollte ich bei der Auswahl eines KI-Anbieters achten?

Es gibt viele Anbieter und Dienstleister von , die einen bei der Umsetzung unterstützen können. Die Schwierigkeit ist es, den passenden zu finden. Häufige Fragen sind:

Wie seriös ist der Anbieter?
Prüfen Sie Referenzen oder die Social Media Präsenz. Gibt es ein vernünftiges Impressum? Welchen Eindruck macht die Internetseite? Sie wollen schließlich Ihr Problem lösen, wenn dieser erste Eindruck bereits nicht stimmt, können Sie sich Zeit und Geld sparen.

In welchen Branchen ist der Anbieter tätig?
Wie weit ist die Branche entfernt von Ihrem Kerngeschäft? Bietet er etwas genau für Ihre Branche an? Gibt es Beispielprojekte, die Ihrem Anwendungsfall ähnlich sind? Hat der Anbieter bereits Daten für den Anwendungsfall? Sie benötigen einen Partner, der entweder schon Erfahrungen hat, oder sich der Herausforderung bewusst ist, dass neue Anwendungsfälle sich nicht „über Nacht“ lösen lassen.

Was umfasst das Leistungsspektrum?
Bei KI-Projekten fängt es mit der Datenaufnahme an und endet mit der Integration. Bei welchen Schritten kann Ihnen der Anbieter behilflich sein. Gibt es Partnerunternehmen, die dabei helfen?

Welche Unklarheiten gibt es?
Der perfekte Partner muss nicht für alles sofort eine Lösung haben. Im KI-Umfeld ist es sowieso schwierig von absoluten Lösungen zu sprechen. Ein Anbieter für KI sollte antizipieren können, welche Herausforderungen Sie haben. Was wollen Sie bspw. mit einem KI-Modell für eine Bilderkennung, wenn der Rest des Prozesses analog ist und man später daran scheitert, die Lösung zu integrieren.

Wo finde ich den besten Anbieter oder Dienstleister für Künstliche Intelligenz?

Das Internet oder Branchenverbände bieten viele Möglichkeiten, um erste Kandidaten zu identifizieren. Obwohl mittlerweile mehrere Anbieter für KI am Markt sind, finden Sie diese noch nicht so gut wie einen Handwerker oder ein Restaurant.

Diese folgende Liste erhebt keinen Anspruch auf Vollständigkeit, bietet jedoch einen guten ersten Überlick:

Plattformen und Verzeichnisse für KI-Anbieter

KI.NRW Landkarte
Vom Land NRW gefördertes Verzeichnis für Anwender und Anbieter von Künstlicher Intelligenz.

Lernende Systeme – Die Plattform für Künstliche Intelligenz
Vom Bund gefördertes Verzeichnis und Informationsplattform für Anwender und Anbieter von Künstlicher Intelligenz.

Feedbax – B2B Branchenlisten
Bietet eine Liste von Dienstleitern, die Künstliche Intelligenz im Leistungsspektrum haben inklusive Google Bewertungen.

EMVA – European Machine Vision Association – Verzeichnis
Eine europäischer Verband von Machine Vision Anbietern und Anwendern, der Weiterbildungen und Messen anbietet.

VDMA – Verzeichnis
Die Studie „Startup-Radar: Künstliche Intelligenz – Navigator durch die globale KI-Startup-Szene für den Maschinen- und Anlagenbau“ ist exklusiv für Mitglieder unter future@vdma.org anzufragen. Mehr Informationen finden Sie hier.

IDS-Visionbay – KI Marktplatz
Marktplatz für Machine Vision Anwendungen des Hardwareherstellers IDS.

Allgemeine Softwarelösungen für KI

sentin EXPLORER – Software
Werkzeug, um digitale/visuelle Prüfprozesse mit KI & Computer Vision zu automatisieren.

IBM Watson – Software
Das KI-Ökosystem von IBM z.B. für Text-oder Spracherkennung.

Adobe Sensei – Software
Software für Marketinganalysen und Bildbearbeitung.

Salesforce Einstein – Software
Analysen von Vertriebs- und Servicedaten sowie Automatisierung von Vorgängen.

Splunk – Software
Analysen von Zeitreihen und statistischen Daten.

Freelancer für KI und Sonstiges

Fiverr – Internationale Freelancer
Diese Plattform lässt Sie direkt mit internationalen Talenten zusammenarbeiten. Diese erstellen sog. Gigs (Pakte für Aufträge), aber auch personalisierte Angebote.

UpWork – Internationale Freelancer
Diese Plattform lässt Sie ebenfalls direkt mit internationalen Talenten zusammenarbeiten und zeigt Erfolgsraten und stündliche Preise.

LinkedIn Gruppe – Artificial Intelligence, Deep Learning, Machine Learning
Diese LinkedIn Gruppe hat über 400.000 Mitglieder und beschäftigt sich mit Künstlicher Intelligenz vielen Facetten. Vielleicht finden Sie unter den Mitgliedern eine Person oder eine Firma, die Ihnen helfen kann.

LinkedIn Gruppe – Future Technology: Artificial Intelligence, Robotics, IoT […]
Diese LinkedIn Gruppe hat über 170.000 Mitglieder und beschäftigt sich mit Künstlicher Intelligenz und vielen anderen Zukunftstechnologien. Vielleicht finden Sie unter den Mitgliedern eine Person oder eine Firma, die Ihnen helfen kann.

3. Kontakt mit KI-Anbieter aufnehmen

Welche Informationen braucht ein KI-Anbieter?

Angenommen Sie haben nun eine Auswahl getroffen. Nun stellt sich die Frage, welche Informationen Ihr Gegenüber benötigt. Häufig bietet sich ein gemeinsamer Kennenlerntermin an – je nach Komplexität und Anforderungen.

Der erste Temin
Hier sollte eine kurze Vorstellung beider Seiten stattfinden. Ein guter Anbieter wird versuchen, so viele Informationen zu dem Projekt von Ihnen zu erhalten wie möglich, um ein optimales Verständnis zu erhalten. Redeanteile können z.B. 70% Sie und 30% der Anbieter haben. Sie sollten den Termin nutzen, um Ihr Problem zu schildern und Fragen zum Vorgehen zu stellen.

Um besser auf häufige Fragen vorbereitet zu sein und Ihnen einen Eindruck zu geben, was ein Anbieter berücksichtigen muss, haben wir eine kostenlose Checkliste erstellt. Diese ist zwar stark auf eine industrielle Anwendung angelehnt, sollte Ihnen dennoch einen Einblick geben, welche Punkte geklärt sein sollten.

Kostenlose Checkliste
mit 24 Fragen.

Ist Ihr Unternehmen bereit für KI & Machine Vision Projekte?

4. Vorgehen des KI-Anbieters erfragen

Welche Schritte sind Teil eines KI-Projektes?

Die meisten KI-Projekte starten bei der Datenaufnahme und enden bei der Integration der Lösung in die Unternehmensprozesse. Häufig ist ein hoher Individualisierungsaufwand notwendig, denn bisherige KI-Modelle lassen sich nur bedingt „recyclen“ und auf andere Anwendungsfälle übertragen.

Daher sind folgende Schritte häufig anzutreffen hier am Beispiel eines Machine Vision Systems in einer industriellen Produktion:

Daten sammeln
1. Prozessverständnis aufbauen
  1. Anforderungen an Hardware, Software, Geschwindigkeit und Genauigkeit
  2. Validierung planen (Wann ist die KI besser als der bisherige Prozess?)
2. KI-Architektur planen – z.B. eine der folgenden:
  1. Object Detection
  2. Segmentation
  3. Classification
3. Erfassungssystem planen
4. Erfassungssystem in Betrieb nehmen
Datenaufbereitung
1. Daten strukturieren und zusammenführen (z.B. aus verschiedenen Quellen)
2. Daten annotieren und sortieren (Passen diese zur KI-Architektur?)
3. Daten für Entwicklung & Training ablegen (Meist wird ein leistungsstarker Rechner benötigt)
4. Qualität sicherstellen
  - unbrauchbare Daten entfernen
  - Ausreichende Menge vorhanden?
  - Daten auf Varianz prüfen (Gibt es genug Beispiele?)
  - Kompression vorhanden?
5. Erstellung eines Trainings- und Validierungsdatensatzes
Modelltraining
1. 1. Preprocessing entwickeln (z.B. mehrere Ansichten zusammenführen)
  2. Passende Augmentierung finden (z.B. Farb- & geometrische Veränderungen)
  3. Auswahl der Modell-Parameter (z.B. Loss-Funktion, Layer-Anzahl)
  4. Training des KI-Modells und ggf. Aufbau auf bestehendes Modell? (Transfer-Learning)
  5. Auswertung der Genauigkeit und Konvergenz der Ergebnisse sicherstellen
  6. Ggf. Parameterstudien durchführen
Validierung der Ergebnisse & Erkennung
1. Vergleich der KI-Performance mit bisherigem Prozess
2. Neue Daten einspielen und testen
(Optional) Zusätzliche Auswertungsanforderungen abdecken
1. Abbildung von Normen oder ISO Standards (KI erkennt einen Kratzer, aber ist dieser noch tolerierbar?)
2. Abbildung von internen Richtlinien zur Qualitätsbewertung
Integration
1. Auswertungssystem mit Erfassungssystem koppeln
2. KI-Modell integrieren
3. Kopplung mit anderen Systemen (z.B. um Ausschuss auszusortieren)
4. Test in Produktivumgebung
Monitoring
1. Einspielen der System-Entscheidungen in Archiv
2. Statistiken und Auswertungen zur Performance und historischen Daten
3. Kritische Fälle identifizieren und neue Einblicke generieren
Anpassung und Nachtraining, falls Genauigkeit sinkt oder Prozessparameter sich ändern – Das Betreiben und Optimieren eines KI-Modells ist meist ist ein iterativer Prozess (zurück zu Schritt 2).

Ungefähr 80% eines KI-Projektes macht die Aufbereitung der Daten aus.
Quelle: Forbes

Manchmal bietet es sich an, mit einem kleineren Anwendungsfall zu starten, um zu überprüfen, ob der Einsatz von KI erfolgversprechend ist. Die Ergebnisse aus diesem Mini-Projekt sollten dann als Indikator dienen, ob das Thema weiterverfolgt wird oder vielleicht der Anbieter gewechselt werden sollte. Wichtig ist, dass Sie Ihren aufbereiteten Datensatz wiederverwenden können.

Seien Sie vorsichtig bei Anbietern, die Ihnen direkt die perfekte Lösung anbieten, ohne einen Blick auf Ihre Daten geworfen zu haben.

5. Kaufentscheidung treffen

Welches Zusammenarbeitsmodell ist das richtige?

Wie lässt sich ein Return-On-Invest (ROI) für KI ermitteln?

Viele Kaufentscheidungen werden anhand von ROIs getroffen. Leider ist die Investition in Künstliche Intelligenz und ihr Nutzen oder Computer Vision nicht von Anfang an eindeutig quantifizierbar.

Ein klassisches Zusammenarbeitsmodell als einmalige Anschaffung eines Systemes – wie in den folgenden Abschnitten vorgestellt – kann jedoch zum Risiko werden, da sich einige Faktoren schwierig abschätzen lassen.

Softwarelösungen können attraktivere Modelle bieten, da Sie ungeplante Kosten durch ihren Funktionsumfang minimieren können. Diese Lösungen kombinieren eine Ramp-Up-Phase mit kontinuierlichen Zahlungsmodellen – wie man es von ERP- oder anderen Enterprise-Software-Lösungen kennt.

Klassischer Ansatz – einmalige hohe Anschaffungskosten (nur bedingt anwendbar)

Einspar- oder Gewinnpotential können z.B. Prüfkosten (Personalkosten, Ausschuss, Reklamationen, andere Fixkosten) oder angestrebter Neugeschäftsgewinn sein.

Die Investitionen eines Unternehmens lassen sich in vielen Bereichen z.B. über den Anschaffungspreis eines Systems qualifizieren. Wenn der Prozess aktuell 120.000€ im Jahr (also 10.000 im Monat) und das KI-System 60.000€ kostet, ist der ROI in 6 Monaten erreicht.

Was die klassische Betrachtung schwierig macht, sind Opportunitäts- (z.B. durch langsame Reaktionszeiten auf Störfälle oder die langsamere Inbetriebnahme), Folgekosten (z.B. neue Datenerfassung oder Kalibrierung) und die Zeit, bis das Systemeinsatz seine volle Performance ausschöpfen kann.

Wie zuvor erwähnt (im Abschnitt 1) bietet Künstliche Intelligenz großes Potential, um bisher ungelöste Anwendungsfälle zu lösen. Ebenso können KI-Ansätze mit zunehmender Datenmenge immer besser werden. Dies erfordert oft jedoch eine kontinuierliche Betreuung und Verbesserung des KI-Systems.

Unsicherheitsfaktoren: Überwachung der Systeme, Ausgaben für Nachkalibrierung und andere Wartungskosten, Kosten bei Systemausfällen, Zeit für Ramp-Up Phase, Verfügbarkeit von Fachkräften

Die klassische einmalige Anschaffung eignet sich nur bedingt, um KI-Projekte erfolgreich und kostengünstig durchzuführen.

Neuer Ansatz – kontinuierliches Modell

Ein Modell, das zunehmend Verbreitung findet, sind daher kostengünstigere, kontinuierliche Investitionen in (Self-) Service-Werkzeuge – wie man es von diversen ERP-Softwarelösungen kennt. Denn die hohen Anforderungen an ein KI-System machen ein Mitwirken der Domänen- oder Prozessexperten Ihres Unternehmens meist unersetzlich.

Was dieses Modell attraktiv macht, sind integrierte Funktionen, die ungeplante Kosten verringern. Wenn Sie eine Software nutzen, die kontinuierlich Daten aus dem Prozess sammelt, und Sie als Anwender diese direkt zur Nachkalibrierung nutzen können, brauchen Sie kein neues Dienstleistungsprojekt aufsetzen und sparen Zeit & Geld. Durch hoch standardisierte Schnittstellen und ein klares Vorgehensmodell, sind diese Systeme meist günstiger in der Anschaffung und schneller in Betrieb zu nehmen.

Betrachtet man ein KI-System als eine Art „digitaler“ Trainee, kann man Analogien aus dem Personalwesen heranziehen, um sich die Sache zu verdeutlichen. Damit dieser Trainee seine Aufgabe perfekt erfüllen kann, muss er zunächst geschult werden. Danach kann er seiner Aufgabe eigenständig nachgehen und braucht nur noch gelegentlich Verfahrensanweisungen.

Je nach Prozess, kann sich im Nachgang nämlich noch etwas ändern – z.B. wenn Sie eine Maschine Ihrer Fertigungslinie austauschen oder Ihre Kunden immer kleinere Fehlstellen reklamieren. Im besten Fall kann Ihr KI-System schnell angepasst werden – sogar ohne fremdes Mitwirken – und Sie greifen dazu auf eine in den Gesamtprozess integrierte Lösung zurück.

Unternehmen gehen zunehmend den Weg, dass Sie diese Kosten analog zu Wartungs- oder Personalkosten betrachten.

Dadurch steigen zwar die Fixkosten, jedoch reduzieren sich dann Kosten für Störfälle, ungeplante Ausgaben für Nachkalibrierung, Wartungskosten und sie bleiben zukunftssicher.

Fakt ist, dass Künstliche Intelligenz enormes Potential hat. Die Technologie ist jedoch momentan so komplex, dass klassische Bewertungskriterien und Normen sich für Investitionen und Projekte nicht immer 1 zu 1 darauf übertragen lassen.

Wir empfehlen daher, mit kleineren Schritten zu starten und einen Anbieter zu wählen, der KI-Projekte ganzheitlich und strukturiert betrachtet. KI-Lösungen von der Stange sind bisher selten und Systeme, die einmal entwickelt werden und dann „fertig“ weiterlaufen sind eher die Ausnahme.

Wie sieht ein Beispielszenario für ein KI-Projekt aus?

Damit Sie sich ein Bild machen können, wie sich KI-Projekte entwickeln können, sind in der folgenden Abbildung beide Modelle gegenübergestellt und in einem Beispielszenario veranschaulicht. Es wird eine Zeitperiode von ca. 2 Jahren nach Inbetriebnahme betrachtet. Die Anschaffungskosten der einmaligen Investition (Betrieb A) sind wie zu erwarten höher und zeitlich verzögert, da individueller. Das kontinuierliches Modell ist zunächst günstiger in der Anschaffung startet aber mit höheren Fixkosten (bei Betrieb B).

Normalbetrieb

Bereits im ersten Zeitabschnitt wird deutlich, dass das kontinuierliche Modell einen schnelleren Übergang in den Normalbetrieb ermöglichen kann, weil z.B. auf Standardlösungen zurückgegriffen wurde und weniger individualisiert werden musste. Gegen Mitte des 1. Jahres tritt nun ein Störfall auf, der die Performance des KI-Systems beeinträchtigt. Eine Anpassung des KI-Systems ist notwendig.

In diesem Beispiel wurde das KI-System bei der einmaligen Anschaffung (Betrieb A) hochindividuell auf den Anwendungsfall angepasst und neue Schnittstellen entwickelt. Dabei wurde vernachlässigt, dass der Betrieb ein kontinuierliches Überwachen der Systemperformance benötigt und die Daten im laufenden Betrieb wurden nicht richtig archiviert.

Beim kontinuierlichen Modell (Betrieb B) wurde dies direkt antizipiert, da ein KI-System als lernendes System betrachtet wurde. Ein Mitarbeiter von Betrieb B überprüft die Performance und Genauigkeit einmal pro Woche und kann sofort nachkalibrieren, wenn etwas aus dem Ruder läuft.

Der erste Störfall

Nun ist der erste Störfall aufgetreten. Bei der einmaligen Anschaffung (Betrieb A) wird nun der KI-Anbieter kontaktiert. Dieser schickt einen Mitarbeiter und es muss ähnlich wie beim Start des KI-Projektes mit der Prozessanalyse begonnen werden und entsprechend Daten erfasst werden. Im schlimmsten Fall startet das Projekt fast bei null, weil die Daten nicht richtig archiviert wurden.

Beim kontinuierlichen Modell (Betrieb B) wurden bereits Daten gesammelt und die Performance beobachtet. Ggf. wurde schon im laufenden Betrieb gelegentlich vom Unternehmen selbst nachkalibriert, da es parallel zu anderen Prozessparametern immer die Genauigkeit des Systems beobachtet hat. Der Einfluss des Störfalls fällt dadurch wesentlich geringer aus und es kann schneller darauf reagiert werden.

Während bei Betrieb B in kurzer Zeit wieder zum Normalbetrieb übergegangen werden kann, steigen die Kosten bei Betrieb A und die Anpassung zieht sich in die Länge.

Der zweite Störfall

Nach einiger Zeit ändert sich wieder etwas am Prozess und eine neue Anpassung wird notwendig. Bei Betrieb B (kontinuierliches Modell) ist bereits wieder Normalbetrieb eingekehrt, dieser kann darauf wie gehabt schnell und kostengünstig reagieren.

Bei Betrieb A (einmalige Anschaffung) war man gerade wieder auf dem Weg in den Normalbetrieb, als der zweite Störfall auftritt. Dadurch verschlimmert sich das Problem, die Kosten steigen erneut und der Normalbetrieb verzögert sich erneut.

Fazit

Dieses Beispiel zeigt, warum Standardwerkzeuge und kontinuierliche Verbesserungen für den Einsatz von Künstlicher Intelligenz wichtig sind. Die kontinuierliche Nutzung einer Selfservice-Software hat Betrieb B einen reibungsloseren Ablauf ermöglicht und die Kosten gering gehalten.

Wie behält man den Überblick bei KI-Projekten?

Wenn man sich nun vor Augen führt, wie viele Anbieter es für Künstliche Intelligenz gibt, wie eins klar: es ist nicht einfach den richtigen Partner zu finden. Die Umsetzung eines KI-Systems ist die eine Sache – der kosteneffiziente Betrieb ein anderer.

Die in Abschnitt 4 vorgestellten Schritte sind nicht als abgeschlossener Prozess zu sehen, sondern als iterativer Plan, um ein System robuster und genauer zu machen – ähnlich wie ein Mensch der sich kontinuierlich verbessert.

Wichtig ist daher, dass Ihr Partner für KI-Projekte ein strukturiertes Vorgehen anbietet und Sie dort abholt, wo Sie stehen – ohne Ihnen das blaue vom Himmel zu versprechen. Klären Sie vorab:

Wie Sie das System validieren können
Wie Sie das System überwachen können
Wie Sie das System anpassen können

Sind diese 3 Punkte geklärt, behalten Sie auch den Überblick über Ihr Projekt und das eingesetzte KI-System.

Wenn Sie Interesse daran haben, wie wir diese 3 Punkte und ganze KI-Systeme behandeln, sehen Sie sich den sentin EXPLORER an.

Wir glauben daran, dass Sie mit dem richtigen Werkzeug kostengünstig und langfristig erfolgreich Künstliche Intelligenz in Ihrem Unternehmen einsetzen können.

Die perfekte Begleitung für Ihr Computer Vision Projekt.

Wenn Sie ein allgemeines Interesse an KI oder Computer Vision haben, schauen Sie sich auch gerne einmal unsere anderen Artikel an:

Häufig gestellte Fragen – KI-Basiswissen

Die Top 7 Computer Vision (KI) Anwendungsfälle

Der Beitrag Wie finde ich den besten KI-Anbieter? erschien zuerst auf sentin.

3 Fehler und Katastrophen in der ZfP

Mon, 14 Jun 2021 07:06:00 +0000

Die zerstörungsfreie Prüfung (ZfP) spielt eine wichtige Rolle, wenn es darum geht, sicherzustellen, dass technische Systeme wie Brücken, Kernkraftwerke und Flugzeuge in einem guten Zustand und sicher in der Anwendung sind. Dieser große Beitrag wird auf die Fähigkeit der Prüfmethodik zurückgeführt, Schweißfehler und Unregelmäßigkeiten in einem technischen System oder einer Komponente zu erkennen und zu analysieren, ohne dem ursprünglichen Teil oder System weiteren Schaden zuzufügen. Wenn jedoch die richtigen Verfahren nicht befolgt werden, kann die ZfP zu verschiedenen Fehlern und Katastrophen führen. Dieser Artikel befasst sich mit den Fehlern und den möglichen Folgeschäden.

Dies sind 3 Arten von Fehlern und Katastrophen in der ZfP:

ZfP Unzuverlässigkeit
Ausfall durch Fehlinterpretation
Die katastrophalen Auswirkungen von NDT-Fehlern

Hier finden Sie Artikel über:

1. Gefahr | Verwendung der falschen NDT-Methode

In einigen Fällen kann es vorkommen, dass ein zerstörungsfreies Prüfverfahren einige kritische Fehler in wichtigen technischen Komponenten nicht erkennt. In manchen Fällen sind menschliche Faktoren an den Fehlern schuld. Zum Beispiel könnte ein Mangel an den notwendigen Fähigkeiten/Erfahrungen zu einer schlechten Prüfung führen, wodurch unakzeptable Fehler unbemerkt bleiben.

Die Verlässlichkeit einer ZfP-Methode ist die Möglichkeit der Prüfung, kritische Fehler in einem System zu erkennen. Wenn eine Prüfung kritische Defekte mit erheblichen Auswirkungen auf die Integrität einer Struktur nicht erkennt, können die unentdeckten Probleme zu einem strukturellen Versagen führen. Infolgedessen kann sich die beeinträchtigte Struktur als Sicherheitsrisiko erweisen und negative Auswirkungen auf Wirtschaft, Umwelt und den Ruf verursachen.

Axialfehler im North Anna Dampfgenerator

So wurden beispielsweise im März 2012 bei einer Ultraschallprüfung, einem der ZfP-Ansätze, fünf signifikante Achsfehler im North Anna-Dampferzeuger übersehen. Die Prüfung umfasste ein standortspezifisches Mock-up für die Qualifizierung des Prüfverfahrens. Eine kodierte Pass-Array-Technik wurde verwendet, um nach Umfangsfehlern zu scannen. Doch selbst mit all diesen scharfen Ansätzen wurden immer noch einige Fehler übersehen.

Erdbeben oder andere Umweltkatastrophen können Schäden an einem Kernkraftwerk oder Dampfgenerator verursachen. Diese können über kurz oder lang zu einer schweren Katastrophe führen! Explosionen oder Lecks führen dann zu großflächigen Schäden oder sogar zu verseuchten Regionen.

2. Gefahr | Versagen durch Fehlinterpretation

In einigen Fällen mag das ZfP-Gerät/System die Fehler erkennen, aber das Versagen tritt auf, wenn es um die Fehlerbewertung geht. Eine falsche Fehlerbewertung/Interpretation bedeutet einfach, dass der Prüfer es versäumt hat, ein genaues Bild von der Bedeutung des Fehlers zu vermitteln. Zum Beispiel kann ein Inspektor die Bedeutung eines Mangels herunterspielen, indem er ihn als so geringfügig bezeichnet, dass er kein nennenswertes strukturelles Versagen verursacht und daher kein Eingreifen erfordert. In den meisten Fällen kommt es zu dieser Fehlinterpretation, wenn der Gutachter nicht über die notwendigen Fähigkeiten und Erfahrungen verfügt. Zusätzlich spielen externe Faktoren wie die physische und soziale Umgebung sowie Motivationsfaktoren eine bemerkenswerte Rolle für die Genauigkeit der ZfP.

Explosionen

Auch Explosionen sind mögliche Katastrophen der zerstörungsfreien Prüfung. Bei der Flüssigkeitseindringprüfung wird eine Form von Kerosin namens Naphtha verwendet. Der hochwertige Reiniger verdunstet schnell und ist sehr effektiv für die Vorreinigung. Hochwertiges Naphtha ist jedoch brennbar. Daher kann das Reinigungsmittel bei unvorsichtigem Umgang, insbesondere in geschlossenen Räumen, eine Explosion verursachen. Dies kann zu massiven Sachschäden, Körperverletzungen von Menschen und zum Verlust von Menschenleben führen. Außerdem kann eine längere Einwirkung von Naphtha zu Atembeschwerden führen.

Die Wirbelstrom-Prüfung, eine weitere Form der zerstörungsfreien Prüfung, birgt ebenfalls potenzielle Gefahren, die katastrophale Folgen haben können. Wenn die mit der Prüfung beschäftigten Personen es versäumen, das System beim Sondenwechsel korrekt abzuschalten, könnten sie einen schweren Stromschlag von den Sondenanschlusspunkten bekommen. Der Fehler könnte auch Funken auslösen, die eine Explosion verursachen könnten.

Zerstörungsfreie Prüfungen sind entscheidend für die Aufrechterhaltung der Integrität verschiedener wichtiger mechanischer Systeme und Komponenten. Dennoch kann es zu Ausfällen kommen, die auf menschliche Faktoren oder inhärente Fehler zurückzuführen sind, wenn auf bestimmte Dinge nicht gut geachtet wird. Daher ist es wichtig, dass Inspektoren verschiedene Prüftechnologien und ergänzende Techniken anwenden, um sicherzustellen, dass kein signifikanter Defekt in einem mechanischen System oder einer Einheit rechtzeitig unbemerkt bleibt. Außerdem sollten Unternehmen und Einzelpersonen, die nach NDT-Prüfern suchen, sicherstellen, dass die von ihnen beauftragten Experten ausreichend qualifiziert und erfahren sind. Dies würde einen großen Beitrag dazu leisten, einige Ausfälle zu verhindern, die katastrophale Folgen haben können. Es ist auch entscheidend sicherzustellen, dass der Prüfprozess mit äußerster Sorgfalt durchgeführt wird, um eine Exposition zu verhindern, die Menschen und die äußere Umgebung im Allgemeinen schädigen kann.

3. Gefahr | Falsche Vorgehensweisen oder Instruktionen.

ZfP-Ausfälle als Folge von Unterlassungsfehlern oder Fehlinterpretationen von Ergebnissen können katastrophale Folgen haben. Werden beispielsweise bei einer zerstörungsfreien Prüfung schwerwiegende Mängel in einer kerntechnischen Anlage übersehen, kann hochradioaktiver Atommüll in die Umwelt gelangen. Pflanzen und Menschen wären die Hauptopfer der Verschmutzung, einige würden ihr Leben verlieren oder langfristige Schäden davontragen.

Potenzielle Gefährdung durch Röntgenprüfung (RT)

Die Durchstrahlungsprüfung (RT) ist eine Komponente der zerstörungsfreien Prüfung, bei der Röntgen- oder Gammastrahlen zur Untersuchung der inneren Struktur eingesetzt werden. Bei diesem Prüfverfahren wird das Prüfteil zwischen der Gammastrahlen- oder Röntgenquelle und dem Film (Detektor) platziert, um nach Defekten im Bauteil zu suchen.

Leider kann die RT eine Gefahr für menschliches Gewebe darstellen, wenn eine Person, die mit dem Verfahren arbeitet, den bei der Filmentwicklung verwendeten Chemikalien übermäßig ausgesetzt ist. Diese Gefahr ist vor allem dann ausgeprägt, wenn der Prozess in einem Bereich stattfindet, der nicht gut belüftet ist. Jemand, der über einen längeren Zeitraum in einer solchen Umgebung mit dem Prozess interagiert, hat ein hohes Risiko für verschiedene gesundheitliche Probleme als Folge des Einatmens der Dämpfe. Abgesehen von den direkten gesundheitlichen Beeinträchtigungen können die bei RT anfallenden Abfälle die Umwelt verschmutzen. Die bei der Filmentwicklung anfallenden Abfälle enthalten Restsilber und andere möglicherweise schädliche Ablagerungen, die bei unsachgemäßer Entsorgung schwerwiegende negative Auswirkungen auf Wasserwege, Wildtiere und Pflanzen haben können.Röntgenprüfung (RT)

Bei der Verwendung von Röntgenröhren für NDT-Prüfungen wird der Röhrenkopf mit einem Inertgas wie Schwefel-Hexafluorid gefüllt. Leider kann eine Überexposition gegenüber diesem Gas ein Gesundheitsrisiko darstellen. Wenn eine Person das Gas in geringen Mengen einatmet, entspannt das Gas die Stimmbänder, wodurch die Stimme sinkt. Das Einatmen größerer Mengen des Gases kann gefährlicher sein, da es zum Ersticken führen kann. In einem solchen Fall ist das Eingreifen eines Arztes erforderlich, um das Gas abzusaugen, bevor es tödlich wird.

Lungengeschwüre und Augen-/Hautgewebeschäden

Bei der Flüssigkeitseindringprüfung wird das Entwicklungsmittel für eine bessere Sichtbarkeit der Eindringmarkierung verwendet. Leider kann das Mittel auch Probleme verursachen, wenn die Prüfung in geschlossenen Räumen durchgeführt wird. Längeres Einatmen des Mittels kann zu Atemproblemen führen, da es in die Lunge gelangt und Feuchtigkeit von den Wänden der Organe absorbiert. Infolgedessen entwickeln sich Geschwüre in der Lunge.

PT-Prüfung - Auftragen des Kontrasters

Karl Deutsch Prüf- und Messgerätebau GmbH + Co KG https://www.karldeutsch.de
Lizensiert unter Creative Commons Attribution 3.0 Germany

Darüber hinaus erzeugen die bei der Eindringprüfung verwendeten Schwarzlichtgeräte UV-A-, UV-B- und UV-C-Lichtwellenlängen. Eine zu starke Exposition gegenüber diesen Strahlen kann beim Menschen im Laufe der Zeit erhebliche Schäden am Augen- und Hautgewebe verursachen.

Wie arbeitet man fehlerfrei?

Was ist der sentin EXPLORER?

All diese Katastrophen und Fehler sind Gründe für Tausende von toten Menschen, zerstörten Gebäuden und ganzen Städten. Um solche Katastrophen zu verhindern, sollten professionelle Inspektoren und unterstützende Softwares eingesetzt werden, um Bilder und Daten von Bauwerken auszuwerten. Erfahrene Inspektoren haben oft Konzentrationsprobleme, was zu Fehlern führt, die Menschenleben und Millionen von Euro kosten können. Eine unterstützende Software ist der sentin EXPLORER. Diese Auswertesoftware unterstützt den Prüfer bei der Auswertung und kann diesen Prozess durch eine künstliche Intelligenz automatisieren.

Der sentin EXPLORER ist ein Werkzeug, um solche Prüf- oder Bildauswertungsaufgaben zu automatisieren. Unsere Kunden produzieren teilweise tausende von Bildern pro Woche, die alle zuverlässig geprüft werden müssen. Deshalb geben wir Ihnen die Möglichkeit, Auswertungen mit Hilfe von künstlicher Intelligenz durchzuführen und so Fehler zuverlässiger zu finden oder neue Erkenntnisse zu gewinnen.

Falls Sie mehr erfahren möchten: Die 5 Arten – Was ist Zerstörungsfreie Prüfung (ZfP)?

Der Beitrag 3 Fehler und Katastrophen in der ZfP erschien zuerst auf sentin.

Menschliche Einflüsse in der ZfP 4.0 | Interview: Marija Bertovic | Teil 2

Mon, 31 May 2021 06:57:42 +0000

Marija Bertovic ist Vorsitzende des DGZfP-Unterausschusses „Mensch-Maschine-Interaktion“ im Rahmen des Komitees „ZfP 4.0“ und Sekretärin der internationalen ICNDT-Fachgruppe „ZfP-Zuverlässigkeit“.

Im Jahr 2017 wurde sie für ihre Gesamtbeiträge auf dem Gebiet der ZfP mit einer Verdiensturkunde und 2018 mit dem Wissenschaftspreis der Deutschen Gesellschaft für Zerstörungsfreie Prüfung (DGZfP) ausgezeichnet.

Heute berät Marija Bertovic, wie man die menschlichen Faktoren in Zuverlässigkeitsbewertungen und -simulationen einbeziehen kann und wie man sicherstellt, dass neue Technologien (ZfP 4.0, Industrie 4.0, Wasserstoff) sich durchsetzen, nutzbar sind und angemessen eingesetzt werden können.

Marija Bertovic auf Research Gate und LinkedIn

Hier ist ein kleiner Überblick über die Fragen, über die Marija Bertovic und wir gesprochen haben:

Erster Teil des Interviews

Marija Bertovic: Ihr Weg zur Forscherin für menschliche Faktoren in der ZfP
Chancen für ZfP 4.0 und menschliche Faktoren

Zweiter Teil des Interviews

Zertifizierungen & POD für NDT 4.0
Die internationale Zukunft der ZfP

Wenn Sie sich für die menschlichen Faktoren von NDT/NDE interessieren, lesen Sie unseren Artikel: „6 Menschliche Einflüsse in der ZfP/NDE„

Erfahrungen und Gedanken

sentin: Wie wichtig sind Normen und Zertifizierungen für ein solches System? Gibt es eine andere Möglichkeit Vertrauen in eine Künstliche Intelligenz herzustellen?

Marija Bertovic: Normen und Zertifizierungen sind sicher entscheidend dafür, dass die neu entwickelten Systeme Vertrauen und breite Akzeptanz finden. Ich sehe jedoch das Potenzial, die Akzeptanz nicht nur durch die Sicherstellung der technischen Fähigkeiten zu erhöhen, sondern auch durch die Sicherstellung, dass diese Technologien einfach zu bedienen sind. Daher rate ich der ZfP-Gemeinschaft dringend, sich mit den Standards für menschenzentriertes Design und Benutzerfreundlichkeit vertraut zu machen.

Ähnlich wie bei der Zuverlässigkeit, die oft nur ein Maß für eine idealisierte Leistung in einem Labor ist, während die Einflüsse anderer Faktoren, wie z. B. die menschlichen Faktoren, zwar anerkannt, aber vernachlässigt werden, ist es notwendig, diese Faktoren bei der Entwicklung oder Bewertung der Technologie mit einzubeziehen, da sie uns sagen, wie dieses System in der Praxis tatsächlich funktionieren und verwendet werden wird, was es uns ermöglicht, potenzielle Probleme zu erkennen, bevor diese Systeme in Gebrauch genommen werden.

sentin: Sie forschen unter anderem in dem Bereich der POD (Probability of Detection). In der Medizin werden Ärzte mittlerweile bei der Befundung von Aufnahmen durch ein KI unterstützt. Sehen Sie hier Parallelen zur ZfP?

Marija Bertovic: Natürlich. Aus psychologischer Sicht gibt es keinen großen Unterschied zwischen der Auswertung von Röntgenaufnahmen durch einen Radiologen oder einen Materialwissenschaftler: Es gelten ähnliche Prinzipien. Der Unterschied liegt vielleicht nur darin, dass ein Fehler in der Medizin ein oder mehrere Menschenleben kosten kann, während ein Fehler in der Industrie, wie z. B. in der Nuklear-, Chemie- oder Luft- und Raumfahrtindustrie, eine wesentlich größere Anzahl von Menschen betreffen und katastrophale Auswirkungen auf die Umwelt haben kann. Daher ist die Zuverlässigkeit der ZfP besonders wichtig.

Kürzlich habe ich gelesen, dass einer der ersten großen Bereiche, in denen KI zum Einsatz kommen wird, der Ersatz von Ärzten in der Allgemeinmedizin sein wird, da diese in erster Linie Diagnosen auf der Grundlage der Kombination von gegebenen Symptomen stellen. Ich kann mir das durchaus vorstellen und unterstütze die Idee, dass KI bei dieser Aufgabe viel effizienter sein könnte als Menschen. Das Ziel der Entwicklung dieser Technologie ist in der Tat, die Vorteile der KI zu nutzen, um Menschen von langweiligen, monotonen Aufgaben zu entlasten, die große Mengen an Gedächtnis und Aufmerksamkeit erfordern, d. h. Aufgaben, in denen Menschen im Allgemeinen nicht gut sind, und es ihnen zu ermöglichen, sich auf Aufgaben zu konzentrieren, in denen Menschen überragend sind: das Lösen von komplexen Problemen.

„In der ZfP, wie auch in der Medizin, gibt es eine große Anzahl von Aufgaben, die durch KI ersetzt werden können. Es wird jedoch immer Aufgaben geben, die die Technologie nicht ersetzen kann, und einen Bedarf an Menschen, um Probleme zu lösen, die die Technologie nicht lösen kann, weshalb der Mensch immer im Zentrum der Branche und der KI-Technologie bleiben wird.“

Wir müssen also aufpassen, dass wir nicht von unserem eigenen Anspruch überrollt werden, das zu erreichen, was früher unvorstellbar war. Es sollte immer einen EIN/AUS-Schalter geben, der von einem qualifizierten, geschulten und erfahrenen menschlichen Experten gesteuert wird.

sentin: Welche Genauigkeiten können Prüfer in naher Zukunft mit einem Assistenzsystem erreichen?

Marija Bertovic: Ich glaube, dass die Genauigkeit der technischen Systeme mit der Zeit sicher zunehmen wird (zumindest wird mir das von meinen Ingenieurskollegen versprochen). Ich glaube jedoch, dass die Menschen mit diesen Systemen nur dann eine größere Effizienz erreichen können, wenn die Systeme so gestaltet sind, dass sie eine Hilfe und keine Last sind, im Einklang mit dem, was ich bereits zuvor erwähnt habe

Nationale und internationale Zukunft in der ZfP

sentin:Sie sind auch international tätig. Welche nationalen und internationalen Unterschiede gibt es dabei?

Marija Bertovic: Ich habe die Erfahrung gemacht, dass es auf internationaler Ebene schon immer mehr Offenheit für das Verständnis und die Berücksichtigung menschlicher Faktoren und heutzutage auch für die Mensch-Maschine-Interaktion in der ZfP 4.0 gegeben hat als in Deutschland. In Deutschland spielen Normen eine sehr wichtige Rolle, und bisher gibt es meines Wissens keine Normen (weder national noch international), die den Umgang mit den menschlichen Faktoren erwähnen (außer in Bezug auf Ausbildung, Qualifikation und Zertifizierung). Allerdings ist es auch Deutschland, das sich derzeit bemüht, dies zu korrigieren. Im Rahmen eines WIPANO-Projekts, das wir gerade Ende 2020 gestartet haben, arbeiten wir daran, einen Leitfaden für die Bewertung der Zuverlässigkeit von ZfP unter Einbeziehung menschlicher Faktoren zu entwickeln, der hoffentlich eines Tages in eine Norm münden wird. Also bleiben Sie dran.

sentin: Wenn sie einmal mehrere Jahre in die Zukunft denken. Wie sieht diese in Blick auf die POD und die HMI aus?

Marija Bertovic:

„Die Bundesregierung hat in ihrer KI-Strategie wiederholt erklärt, dass KI-Technologien mit dem Menschen im Mittelpunkt entwickelt werden müssen. „

So hoffe ich, dass es unumgänglich wird, dem HMI Aufmerksamkeit zu schenken. Das bedeutet, dass die Technologie mit Menschen und für Menschen entwickelt wird, im Labor getestet wird, bis die HMI effizient, zuverlässig und sicher ist. Das bedeutet, dass die Technologie, die im Feld eingesetzt werden soll, mit Sicherheit gut funktionieren wird, wenn Menschen sie benutzen. Das ist etwas, was bei den aktuellen POD-Ansätzen fehlt, die sich nur auf die technischen Möglichkeiten konzentrieren, und von unserer Gruppe oft kritisiert wurde.

sentin: Angenommen Sie hätten einen Wunsch frei, um das Thema weiter voranzubringen. Was würden Sie sich wünschen?

Marija Bertovic: Ich würde mir wünschen, dass das benutzerzentrierte Design ein wesentlicher Bestandteil der Entwicklung von ZfP-Technologien und -Verfahren wird. Ich werde oft gefragt, was ich mit „mit den Nutzern entwickeln“ meine. Stellen Sie sich ein iPhone vor, das von einem Expertenteam entwickelt und nie an Millionen von Nutzern weltweit getestet und nach deren Feedback umgestaltet wurde. Würde es so intuitiv sein, wie es ist? Würde es sowohl Ihren als auch meinen Erwartungen entsprechen? Wäre es sowohl für unsere Eltern als auch für unsere Kinder so einfach zu bedienen? Ich schlage nicht vor, dass ZfP-Geräte von Millionen von Benutzern getestet werden sollten, aber sie sollten mit einer ausreichend großen, repräsentativen Anzahl ihrer potenziellen Benutzer entwickelt und kontinuierlich getestet werden. Das heißt, die potenziellen Benutzer sollten von der Konzeptionsphase (z. B. welche Funktionen brauchen sie?) über das Prototyping (z. B. funktioniert es so, wie ich es erwarte?) bis hin zum endgültigen Design des Systems einbezogen werden. User Experience Design (UX) ist kein so unbekannter Begriff mehr.

„Ich hoffe, dass er in der ZfP noch mehr an Bedeutung gewinnen wird.“

Über Marija Bertovic

Marija Bertovic

Leitende Wissenschaftlerin für Menschliche Faktoren bei der Bundesanstalt für Materialforschung und -prüfung

DGZfP

Mitglied der Deutschen Gesellschaft für Zerstörungsfreie Prüfung
Wissenschaftspreis 2018

BAM

Koordinator der ZfP-Abteilung WG „NDT-AI“

Marija Bertovic ist eine preisgekrönte und erfahrene Forscherin auf dem Gebiet der menschlichen Faktoren in der Zuverlässigkeit der zerstörungsfreien Prüfung (ZfP). Verfolgt aktiv Projekte im Zusammenhang mit der Mensch-Maschine-Interaktion (HMI) in der Industrie 4.0 (künstliche Intelligenz, ZfP 4.0, maschinelles Lernen, Benutzererfahrung), Softwareentwicklung, Augmented Reality etc.

Vorsitzende des Unterausschusses „Human Machine Interaction“ des DGZfP-Fachausschusses ZfP 4.0; Sekretärin der internationalen ICNDT-Fachgruppe „ZfP-Zuverlässigkeit“ und Koordinatorin der ZfP-Fachgruppe WG “ NDT-AI“ (BAM)

Kompetent und erfahren in Usability Testing, Risikobewertungen, experimentellen Methoden, Menschliche Faktoren Training und Beratung.

Sie ist Trägerin des Wissenschaftspreises 2018 der Deutschen Gesellschaft für Zerstörungsfreie Prüfung (DGZfP) und immer wieder Keynote- und Plenarrednerin.

Mitglied in der Deutschen Gesellschaft für Zerstörungsfreie Prüfverfahren (DGZfP), der Akademie NDT International und der Menschlichen Faktoren und Ergonomischen Gesellschaft – European Chapter.

Sehen Sie, wie KI in der ZfP funktioniert

Was ist der sentin EXPLORER?

Marija Bertovic rät der ZfP-Gemeinschaft dringend, sich mit den Standards für menschenzentriertes Design und Benutzerfreundlichkeit vertraut zu machen. Dies sei ein Weg, um eine benutzerfreundliche Software für den Einsatz von KI in der zerstörungsfreien Prüfung zu entwickeln. Auch die Medizin arbeitet mit Softwares, die auf dieser Entwicklung basieren. Ärzte werden durch sie bei der Diagnose von Bildern unterstützt. „Ein Fehler in der Medizin kann ein oder mehrere Menschenleben kosten, wohingegen ein Fehler in der Industrie, z. B. in der Atom-, Chemie- oder Raumfahrtindustrie, eine wesentlich größere Anzahl von Menschen betreffen und katastrophale Auswirkungen auf die Umwelt haben kann.“ Dieses Zitat beschreibt die Bedeutung einer Software, die die KI in die Industrie bringt. Viele Aufgaben können durch eine KI ersetzt werden, daher arbeiten viele Menschen an Softwares, um diese besser und effizienter zu machen. Aus diesem Grund hat die „Bundesregierung wiederholt erklärt, dass KI-Technologien mit dem Menschen im Mittelpunkt entwickelt werden müssen.“ So wird das nutzerzentrierte Design zu einem wichtigen Bestandteil der Entwicklung von ZfP-Technologien und -Verfahren.

Wenn Sie mehr über ZfP erfahren möchten: Die 5 Arten – Was ist Zerstörungsfreie Prüfung (ZfP)?

Erster Teil des Interviews

Der Beitrag Menschliche Einflüsse in der ZfP 4.0 | Interview: Marija Bertovic | Teil 2 erschien zuerst auf sentin.

sentin

Guide: KI-fähige ZfP-Infrastruktur

Inhalt

Was ist eine KI-fähige ZfP-Infrastruktur?

Was sind die Komponenten einer KI-fähigen ZfP-Infrastruktur?

Was sind die Vorteile einer KI-fähigen ZfP-Infrastruktur?

Bei welchen Aufgaben unterstützt eine KI-fähige ZfP-Infrastruktur?

Was sind die Anforderungen an eine KI-fähige ZfP-Infrastruktur?

Wie bekomme ich eine KI-fähige ZfP-Infrastruktur?

Software Produkte:

Services:

KI & Automatisierung:

Hardware & Services mit Partnern:

Der ZfP 4.0 Guide – Alles, was Sie wissen müssen.

Inhalt

Was ist ZfP 4.0?

Wie sehen Industrie und ZfP im Vergleich aus?

Welche Technologien nutzt die ZfP 4.0?

Welche Vorteile bietet die ZfP 4.0?

Vorteil 1: Verbesserte ZfP-Methoden

Vorteil 2: Verbesserte Ausrüstung

Vorteil 3: Mehr Kontrolle & Nachvollziehbarkeit

Vorteil 4: Vereinfachter Datentransfer

Vorteil 5: Bessere Datenauswertung

Vorteil 6: Verbesserung des Produktionsprozesses

Welche Herausforderungen für die ZfP 4.0 gibt es?

Herausforderung 1: Technische Hürden, Daten und Infrastruktur

Herausforderung 2: Relevanz der erlernten Fähigkeiten

Herausforderung 3: Zögernde Führungskräfte

Herausforderung 4: Unzureichendes Verständnis

Was sagen Experten zu ZfP 4.0?

Wie kann ich ZfP 4.0 heute schon nutzen?

Quellen und weiterführende Links

Was ist ein PACS in der ZfP & NDT?

Wofür steht PACS in der ZfP & NDT?

Was sind Vorteile eines PACS?

Welche Schnittstellen hat ein PACS?

Was ist das DICOM bzw. DICONDE Format?

Was sind DICOM Services?

Was ist DICOMWeb?

Wie richtet man ein PACS ein?

Ist ein PACS zukunftssicher?

Wo kann ich ein PACS (für die ZfP & NDT) kaufen?

Welche Anzeige-/Auswertesoftwares (Viewer) gibt es?

Wie funktioniert Künstliche Intelligenz (KI) in der ZfP?

Inhalt

Was ist Künstliche Intelligenz (KI)?

Wo kann Künstliche Intelligenz (KI) für ZfP 4.0 eingesetzt werden?

Anwendungsgebiet 1: Data Analytics

Anwendungsgebiet 2: Digitale Zwillinge

Anwendungsgebiet 3: Einsatz im Auswerte- und Prüfprozess

Critical Item / Image Detection (CID)

Single Item / Image Detail Analysis (SIDA)

Denoising, Superresolution, Data & Image Enhancement

(Automatic) Defect Recognition - ADR

Wie gut ist die ZfP (ohne KI) heute?

Was ist die Probability of Detection (POD)?

Wie kann KI menschliche Faktoren in der ZfP reduzieren?

Beispiel 1: Verbesserung der Zuverlässigkeit und Wahrnehmung mit ADR

Beispiel 2: Verbesserung der Wahrnehmung und Aufmerksamkeit durch Bildverbesserung

Was sentin mit KI in der ZfP macht?

Ein Tag als ZfP-Prüfer – Arbeit und Leben in der ZfP

Facts

Die täglichen Aufgaben eines NDT-Prüfer

Kommunikation

Teamarbeit

Arbeitszeiten und Vergütung

Einsatz von Künstlicher Intelligenz für Prüfer uns Auswerter

Die Geschichte der ZfP – 5 interessante Fakten

Facts

Die Menschen beginnen, ZfP als Technologie zu erkennen

1920er Jahre und davor

Der Zweite Weltkrieg - ein großer Katalysator für die Entwicklung der ZfP

1930er und 1940er Jahre

Röntgentechnik

1940er Jahre und danach

Gründung der Wirbelstromprüfung - Hans Christian und Michael Faraday

1948 bis 2012

ZfP-Anwendungen nehmen weiter zu

2010er Jahre und danach

Digitale Zwillinge in Verbindung mit KI