Das Kunststoff-Zentrum SKZ und das Institut für Leichtbau und Kunststofftechnik (ILK) der TU Dresden forschen gemeinsam an einer verbesserten Benutzerfreundlichkeit für das berührungs- und zerstörungsfreie Prüfverfahren der Shearografie. Dafür nutzen die Forschenden eine Automatisierung der Messeinstellung, -durchführung und Ergebnisinterpretation mit Methoden der Künstlichen Intelligenz (KI).
Die Shearografie ist ein berührungs- und zerstörungsfreies Prüfverfahren (ZfP), das mittels Laserlicht kleinste Oberflächenverformungen messtechnisch erfassen kann. Diese Oberflächenverformungen werden durch extern aufgebrachte mechanische oder thermische Belastungen erzeugt und sind abhängig von der inneren Struktur des Bauteils bzw. vorhandenen Fehlstellen. Im Ergebnis lassen sich interne Defekte wie z. B. Poren und Risse erkennen oder die Haftungsqualität von Klebverbindungen zerstörungsfrei beschreiben.
Die Durchführung der Messungen und die Interpretation der Ergebnisse erfordern aktuell jedoch spezielles Fachwissen. Dies schränkt die Akzeptanz des Verfahrens bei Nutzern außerhalb des akademischen Umfeldes oftmals ein.
Daher arbeiten das Kunststoff-Zentrum SKZ und das Institut für Leichtbau und Kunststofftechnik (ILK) der TU Dresden gemeinsam an der Erhöhung der Benutzerfreundlichkeit durch eine Automatisierung der Messeinstellung, -durchführung und Ergebnisinterpretation mit Methoden der Künstlichen Intelligenz (KI). Somit soll vor allem kleinen und mittleren Unternehmen der direkte Zugang zur Shearografie erleichtert werden.
Die im Rahmen des Projektes genutzten Methoden des Deep Learnings als eine Form des Maschinellen Lernens bieten die Möglichkeit, charakteristische Merkmalsmuster von Defekten weitgehend benutzerunabhängig zu extrahieren und zu klassifizieren. Moderne Algorithmen erreichen bisweilen die Genauigkeit des menschlichen Sehvermögens und finden immer häufiger Anwendung in alltäglichen Problemstellungen (Autonomes Fahren, Spracherkennung, etc.). Ein weiterer Vorteil des Maschinellen Lernens ist außerdem die mit steigender Anzahl durchgeführter Messungen stetig verbesserte Genauigkeit und Reproduzierbarkeit der Defekterkennung.
Mithilfe kommerziell verfügbarer Software wurden bei den Projektpartnern in den letzten Jahren Methoden der Datenaufbereitung, das Training des DeepLearning-Netzwerks und eine automatisierte Erkennung von internen Defekten in Faserverbundkunststoffen (FVK) entwickelt und umgesetzt. Die Detektion von Defekten unterschiedlicher Größe, Form und Lage in FKV-Platten ist nunmehr innerhalb von wenigen Sekunden möglich.
Das Vorhaben (Nr. 19345 BG) wurde über die Arbeitsgemeinschaft industrieller Forschungsvereinigungen (AiF) im Rahmen des Programms zur Förderung der Industriellen Gemeinschaftsforschung (IGF) vom Bundesministerium für Wirtschaft und Energie (BMWi) aufgrund eines Beschlusses des Deutschen Bundestages gefördert.
Pressemitteilung des SKZ vom 7. November 2019