Das Thema Maschinelles Lernen, insbesondere Deep Learning hat enormes Potential und zunehmende praktische Bedeutung in der zerstörungsfreien Prüfung. In diesem Einführungsvortrag bieten wir einen Überblick über grundlegende Fragen: was ist Maschinelles Lernen, warum ist das Thema derzeit in aller Munde und wie steht es im Zusammenhang mit anderen Techniken der Künstlichen Intelligenz?

Aus technischer Sicht präsentieren wir die Funktionsweise neuronaler Netze und die grundlegenden Algorithmen, die zum Training benötigt werden. Wie müssen Prüfdaten kodiert werden, damit sie von einem neuronalen Netz verarbeitet werden können, welche Architekturen existieren, und wie kann fachliches Vorwissen in eine Kosten¬funktion einfließen?

Ausgehend von einer Auswahl praktisch relevanter Anwendungsbeispiele in der ZfP präsentieren wir einige Standardprobleme und zeigen, wie eine Prüfaufgabe durch die Rückführung auf ein Standardproblem effektiv und verlässlich gelöst werden kann. Aus praktischer Sicht betrachten wir Voraussetzungen in der Form von Hardware und Trainingsdaten, wobei wir sowohl der Einsatz physikalisch erfasster (in-vivo oder in-vitro) als auch auf synthetisch erzeugte (in-silico) Trainingsdaten eingehen. Zum Abschluss beantworten wir die Frage: welche Prüfprobleme eignen sich grundsätzlich für den Einsatz von Deep Learning, und welche eher nicht?

In spezifischen Fällen der Prüfung und Charakterisierung ist es vorteilhaft, die Probe nicht zu berühren, da diese zum Beispiel sehr heiß, kalt oder klein und empfindlich ist. Hier kann Laser-Ultraschall die geeignete Methode sein, da sie rein Laser-basiert, also berührungslos funktioniert. Durch einen Laserpuls von wenigen Nanosekunden wird die Oberfläche lokal und kurz erwärmt, wodurch Spannungen entstehen, die Ultraschall generieren. Bei stärkerer Laserintensität wird auch Plasma gebildet, womit höhere Signalamplituden erreicht werden können. Echos werden wieder direkt an der Probenoberfläche durch spezielle Laserinterferometer detektiert. Dadurch kann die Messung aus einem Abstand von wenigen Millimetern bis einigen Zentimetern erfolgen.
Bei pulsförmiger Anregung steht für die Auswertung an jedem Messpunkt ein sehr breiter Frequenzbereich zur Verfügung, der eine hochauflösende Fehlerdetektion beim Scannen von Oberflächen verschiedenster Materialien ermöglicht, wie zum Beispiel Metalle, Halbleiter, faserverstärkte Kunststoffe, Keramiken und viele mehr. Durch die Berührungslosigkeit sind beispielsweise auch Analysen von Metallen während thermischer Zyklen möglich, wodurch wichtige Erkenntnisse über ihre elastischen Eigenschaften und ihre Mikrostruktur in-situ gewonnen werden, die insbesondere durch Beimischung von Recyclingmaterial variieren können. Neue Methoden ermöglichen sogar die gleichzeitige Bestimmung der Dicke und der elastischen Eigenschaften von Blechen oder anderen Plattengeometrien. Eine weitere Anwendung von Laser-Ultraschall ist die Charakterisierung von Komponenten der Mikroelektronik, wie beispielsweise akustische Filter, die in allen Mobiltelefonen verbaut sind. Durch Intensitätsmodulation des Anregungslasers können Frequenzbereiche im unteren GHz-Bereich erreicht werden, die für die aktuelle Mobilfunktechnik hochrelevant sind. Asynchrone Samplingmethoden machen sogar Messungen bis in den THz-Bereich möglich (sog. Pikosekunden-Laser-Ultraschall).

Es wird ein hochauflösendes Abbildungsverfahren vorgestellt, das auf der Kombination von luftschall-angeregten, in der Platte fokussierenden Lamb-Wellen und einer laser-optischen Empfangstechnik basiert. Die Anregung der Welle erfolgt auf einem kreisringförmigen Segment auf der Plattenoberfläche, wobei der Fokus mit dem Mittelpunkt des Kreises zusammenfällt. Das Auflösungsvermögen des Verfahrens wird wesentlich durch die Größe der Apertur der laser-optischen Sonde sowie deren Abstand von der Plattenoberfläche bestimmt. Um die Leistungsfähigkeit des Verfahrens zu verifizieren, wurden Experimente mit einem Labormuster durchgeführt. Die Messergebnisse zeigen ein hohes Auflösungsvermögen (besser als die Lamb-Wellenlänge), eine gute Abbildungstreue mit hohem Kontrast und einen hohen Signal/Stör-Abstand. Messungen an punktgeschweißten Stahlplatten belegen, dass das Verfahren ein hohes Potenzial zur schnellen Charakterisierung der Schweißqualität besitzt.

Die Elektrifizierung des Automobilsektors sowie der Ausbau von Solar- und Windenergie stellen die treibenden Kräfte hinter dem globalen Ausbau der Batteriefertigungskapazitäten dar. In Europa, den USA und Asien werden zahlreiche neue Produktionsstätten für Batteriezellen und -module errichtet, um mit der steigenden Nachfrage Schritt zu halten. Um Qualität und Produktivität dieser Fertigungsanlagen sicherzustellen, wird umfangreiche Prüftechnik benötigt. Dies betrifft sowohl die Elektrodenfertigung als auch die Zellfertigung sowie die Kombination mehrerer Zellen zu kompletten Batteriemodulen.

Ultraschall ist ein vielseitiges und etabliertes Verfahren um verschiedenste Defekte und Strukturen im Inneren eines Prüflings zu untersuchen. Konventionelle Ultraschall-Prüfverfahren nutzen Piezo-Resonatoren zur Erzeugung und zur Detektion einer Ultraschallwelle. Nachteile dieses Verfahrens liegen in der Schmalbandigkeit der verwendeten Welle sowie darin, dass typischerweise ein Kontakt zum Prüfling notwendig ist. Als Alternative werden laser-basierte Verfahren entwickelt, wo mit Hilfe eines gepulsten Lasers eine breitbandige Ultraschallwelle direkt im Prüfling erzeugt werden kann. Die Detektion der transmittierten oder reflektierten Welle geschieht dann beispielsweise mit einem Laser-Doppler-Vibrometer oder einem Optischen Mikrofon.

In diesem Beitrag stellen wir Anwendungen von XARIONs LEA-Technologie im Batteriesektor vor. Laser-Excited Acoustics nutzt das Optische Mikrofon als Ultraschall-Detektor und ermöglicht die automatisierte, kontaktfreie Prüfung verschiedener Komponenten einer Batterie. Die gleichmäßige Benetzung der Elektroden und Separatoren mit Elektrolytflüssigkeit kann mit XARIONs Prüftechnologie bildlich dargestellt werden. In sogenannten Pouch-Zellen kann die Dichtheit der Nähte überprüft werden. Bei der Kombination mehrerer Zellen zu Modulen können die laser-geschweißten Verbindungen der Busbars einseitig geprüft werden, und in der Kombination von Modulen zu Packs können Hohlräume in Wärmeleitpasten aufgespürt werden.

Im Rahmen des Forschungsprojekts "Artificial Intelligence for Rail Inspection" (AIFRI) wird ein KI-Algorithmus entwickelt, um die Fehlererkennung bei der Auswertung von Schienenprüfungen zu verbessern. Der Prozess der mechanisierten Schienenprüfung wird analysiert und die Schienenfehler sowie Artefakte werden in einem digitalen Zwilling abgebildet, um in einem weiteren Schritt die automatische Fehlererkennung und Klassifizierung mit KI-Algorithmen trainieren zu können. Zu diesem Zweck werden Ultraschalldatensätze auf der Grundlage der Regelwerke und Informationen aus der Instandhaltung mit einer Simulationssoftware erstellt, die Anzeigen der verschiedenen Schienenschädigungen und Artefakte enthalten.
Die Schienenfehler werden bei der Auswertung in Fehlerklassen eingeordnet, für das KI-Training priorisiert und auf Basis der von der DB Netz AG ausgewählten Informationen untersucht. Hierfür werden die Schienenfehler nach den für das KI-Training relevanten Merkmalen zerlegt und die Konfiguration der Parameter der Simulation entsprechend abgestimmt.
Für die Grundstruktur des Datensatzes wird ein Schienenmodell mit einer Länge von einem Meter für die Simulation eingesetzt, auf dessen Basis alle bei der Schienenprüfung zu verwendenden Prüfköpfe für den jeweiligen Reflektortyp betrachtet werden. Die simulierten Daten werden auf einer Testschiene im Labormaßstab validiert. Mögliche Einflussparameter wie z. B. der Signal-Rausch-Abstand sowie die Fahrgeschwindigkeit werden in den Datensätzen herangezogen. Die Zusammenstellung eines Testdatensatzes mit lokal veränderlichen Einflussgrößen erfolgt aus den simulierten Daten unter Verwendung der skriptbasierten Programmierumgebung Python und Matlab.
Das Projekt AIFRI wird im Rahmen der Innovationsinitiative mFUND unter dem Förderkennzeichen 19FS2014 durch das Bundesministerium für Digitales und Verkehr gefördert.

Am 28.10.2016 kam es am Chicago O´Hare Airport (USA) zum Versagen eines Tur-binen-Rotors an einer Hochdruck-Turbinenscheibe an einem GE CF6-80 Triebwerk. Ursache hierfür war eine Gefüge-Anomalie mit eingelagerten Karbid-Stringern. Die qualifizierte Auffindung von Gefüge-Anomalien ist derzeit nur mittels Ätzprüfung an der Oberfläche von Bauteilen oder an Werkstoffproben möglich. Die Anwendung von KI an Ultraschall Rohdaten (Full A-Scan) eröffnet hier weitere Horizonte, um im Volumen eines Bauteiles Seigerungen erkennen zu können. Diese Arbeit zeigt die Erprobung eines KI-Models auf der Basis Maschinelles Lernen und dessen momen-tane Leistungsfähigkeit auf. Des Weiteren werden aktuelle Limitationen bezüglich technischer Machbarkeit, Möglichkeiten zur verbesserten Datenqualität und Zulas-sung von KI-unterstützer Prüftechnik betrachtet.

In der Ultraschallprüfung ist in den letzten Jahren eine zunehmende Anwendung des maschinellen Lernens (ML) zu beobachten, um eine bessere Automatisierung und Entscheidungsfindung bei der Erkennung und Klassifizierung von Fehlern zu ermöglichen. Der Aufbau eines repräsentativen Trainingsdatensatzes für das überwachte Lernen stellt in den meisten Fällen eine nicht zu unterschätzende Herausforderung dar, da ausreichend repräsentative Daten sowohl von fehlerfreien als auch fehlerbehafteten Bauteilen vorliegen müssen. Bei den meisten Anwendungen sind jedoch Daten von fehlerhaften Teilen eher selten, so dass die mangelnde Datenabdeckung aktuell eines der Hauptprobleme bei der Anwendung von ML im Bereich der Ultraschallprüfung darstellt. Im vorliegenden Beitrag geben wir einen Überblick über verschiedene Methoden zur Erweiterung und Erzeugung synthetischer Ultraschalldaten, also von Daten, die nicht direkt aus experimentellen Messungen stammen, sondern aus diesen erzeugt oder gleich vollständig mittels mathematisch-physikalischer Simulation gewonnen wurden. Die Palette reicht dabei von Verfahren der Datenerweiterung (Data Augmentation) wie die Virtual Defect Method, Feature-Space-Augmentation oder Generative Adversarial Networks (GANs) bis hin zur physikalischen Modellierung von Ultraschalldaten mit numerischen, semi-analytischen oder hybriden Rechenverfahren wie Elastodynamische Finite Integrationstechnik (EFIT), Finite Elemente Methode (FEM), Finite Differenzen Methode im Zeitbereich (FDTD), Generalisierte Punktquellensynthese (GPSS), Gaußsche Strahlen etc. Wir präsentieren einen ersten thematischen Überblick über die Fortschritte der letzten Jahre im Bereich synthetischer und erweiterter Trainingsdaten für das maschinelle Lernen und versuchen, aktuelle Trends aus den verfügbaren Literaturstellen herauszuarbeiten. Dabei werden die Möglichkeiten und Grenzen der Verfahren diskutiert und auch neueste Entwicklungen wie Physics-Informed Neural Networks (PINNs) miteinbezogen.