Guide: KI-fähige ZfP-Infrastruktur

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.

Inhalt

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?

AI-ready NDT Digital Infrastructure
  • 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?

Benefits AI-ready NDT Infrastructure

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?

Tasks AI-ready NDT Infrastructure

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.

  1. Daten aufnehmen: Erfassung qualitativ hochwertiger, konsistenter Daten aus einer Vielzahl von ZfP-Methoden (Ultraschall, Radiographie, elektromagnetische Verfahren usw.) mit Hilfe fortschrittlicher Sensoren und Erfassungsgeräte.
  2. 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.
  3. 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.
  4. 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.
UT Pipeline
Beispiel: Datenaufnahme bei einem Ultraschall-Scan (UT)
Lineprofile
Beispiel: Auswertung eines Doppeldrahtsteges zur Bestimmung der Bildgüte beim Röntgen (RT/DR)
Export to report
Beispiel: Prüfbericht-Erstellung einer Schweißnaht mit Poren (RT/DR)
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.

  1. 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.
  2. (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).
  3. 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.
  4. 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.
Polygon Annotation
Example: Dataset creationg and labeling of a porosity
Model Performance
Example: Insights of an AI model loss convergence (the lower the better)
Update Model
Example: Deployment of an AI model to another remote system

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

Requirements AI-ready NDT Infrastructure

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.
Your AI-ready NDT Infrastructure

Software Produkte:

Wall

sentin EXPLORER - Die Bild-Auswertesoftware mit Künstlicher Intelligenz. Mehr...

sentin asset collector heroshot

Asset Collector - Die Smartphone-App für die industrielle Geräte- und Typenschilderfassung. Mehr...

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

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]

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…
BW Plus logo

In Kooperation mit

Etwas gefunden oder etwas fehlt?
Vorschau: AI-ready NDT Infrastruktur Guide

Guide: KI-fähige ZfP-Infrastruktur

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

Weiterlesen »
Preview PACS NDT DE

Was ist ein PACS in der ZfP & NDT?

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

Weiterlesen »