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
Inhalt
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)
- Critical Item / Image Detection (CID)
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.
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.
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:
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.
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
