Der Anteil an Leichtbau-Komponenten aus kohlenstofffaserverstärktem Kunststoff (CFK) in Flugzeugen ist je nach Modell auf über 50% gestiegen. Ihre Fertigung mit den für die Luftfahrt erforderlichen Sicherheitsstandards ist jedoch noch immer aufwendig und daher teuer. So wird nach dem Ablegen des CFK-Fasermaterials bis heute eine Sichtprüfung durchgeführt, die oft bis zu 50% der Produktionsdauer in Anspruch nimmt. Wie bei allen wiederkehrenden Aufgaben in der Fertigung verspricht man sich hier einen großen Vorteil, wenn es gelänge, diesen Prüfprozess zu automatisieren.
„Für eine automatisierte Inspektion der Ablage ist eine zuverlässige maschinelle Klassifikation von Fertigungsfehlern in den Bilddaten notwendig. Für eine solche Klassifikation von Faserlegefehlern sind Methoden aus dem Bereich des maschinellen Lernens sehr gut geeignet. Allerdings haben diese Verfahren oft den Nachteil, dass die Entscheidungen der Algorithmen schwer nachvollziehbar sind. Dies gilt insbesondere für Künstliche Neuronale Netze oder Deep-Learning-Methoden im Allgemeinen. Um hier eine umfassende Bewertung der Klassifikationsgüte und der maschinellen Entscheidung durchführen zu können, muss die Bedeutung einzelner Pixel oder kleiner Bildbereiche für die Klassifikationsentscheidung untersucht werden.“
Sebastian Meister, DLR
Am DLR haben Forschende daher eine Methodik entwickelt, auf deren Basis es gelingt, Klassifikationsentscheidung auf wichtige Bildbereiche eines aufgezeichneten Defektbildes und dessen physikalische Eigenschaften zurückzuführen. Dazu wurden Laserlichtschnitt-Höhenprofilscans von Faserlegefehlern aus dem Automated-Fibre-Placement (AFP) Fertigungsprozess aufgezeichnet und untersucht.
Die Ergebnisse sind für die Entwickler kamerabasierter Inspektionssysteme für den Leichtbau mit Composites hilfreich. Darüber hinaus sind sie eine erste Basis für das Zertifizieren maschineller Lernalgorithmen für die Luftfahrtproduktion.
Bild oben: Robotergestützer Versuchsaufbau zur automatisierten Aufzeichnung von Legefehler-Bilddatensätzen (Quelle: DLR)
Quelle und weitere Infos: Blogbeitrag
Comments are closed, but trackbacks and pingbacks are open.