• Bundesanstalt für Materialforschung und -prüfung: Dr. Bertovic
• Trueflaw (Finnland)

Richtlinien zur Bestimmung der Fähigkeit von ML unterstützten Detektionssystemen in der zerstörungsfreien Prüfung

Ideengeber*in:

Potenzielle Projektpartner*innen

• Dr. M. Bertovic Bundesanstalt für Materialforschung und -prüfung
• Dr. I. Virkkunenen Trueflaw (Finnland)

Ausgangslage

Die Rolle der zerstörungsfreien Prüfung ist im wirtschaftlichen und im qualitätstechnischen Sinne essentiell. Durch nicht invasive Prüfmethoden ist es möglich, die Funktionsfähigkeit von später eingesetzten Teilen und Komponenten sicherzustellen und so künftige Ausfälle mit katastrophalen Folgen zu vermeiden.

Der Prozess der Prüfung von Bauteilen besteht hierbei aus drei Entscheidungsstufen:

1. Detektion: Die Inhomogenität im Material wird wahrgenommen
2. Beurteilung: Die wahrgenommene Inhomogenität wird beurteilt, ob sie bestimmten Standards widerspricht und somit einen Materialfehler enthält
3. Entscheidung: Die Entscheidung ob das Teil als fehlerhaft verworfen wird

In vielen Fällen führt ein menschlicher Prüfer diese Entscheidungsstufen selbst durch, während er die Führung eines Prüfkopfes am Bauteil durchführen muss und möglicherweise er von extremen Umweltbedingungen umgeben ist (z.B. bei der Prüfung im Kernkraftwerk in Schutzkleidung bei radioaktiver Strahlung und hoher Temperatur). Des Weiteren verlangt die Prüfung und die damit verbundene Entscheidung eine fundierte Ausbildung, weshalb in naher Zukunft hier auch mit Fachpersonalengpässen zu rechnen ist.

Trotz den hohen Anforderungen kann es in dem Entscheidungsprozess zu Fehlentscheidungen kommen: Während ein Fehlalarm häufig nur ein ökonomisches Risiko und ein Imageverlust darstellt, kann die nicht Detektion (bzw. nicht Beurteilung und Fehlentscheidung) zu katastrophalen Folgen führen.  

Aus diesem Grund wurde versucht, den Prüfer stärker zu unterstützen. Angefangen bei Führungsschienen von Prüfköpfen bis zur mechanisierten Prüfung die leichter zu interpretierende Bilder erfassen kann (C-Scan bei der Ultraschallprüfung: Draufsicht auf das geprüfte Bauteil).

Dennoch ist die Sichtung von großen Datenmengen in einem häufig beschränkten Zeitraum immer noch eine sehr aufreibende Tätigkeit für den Prüfer, wobei eine gewisse Fehlerrate nicht auszuschließen ist. Wird jedoch ein automatisiertes Prüfsystem schon eingesetzt, so liegt der Einsatz von Machine Learning (ML) Algorithmen auf der Hand.

Nicht gelöste Herausforderungen:

Neben den offensichtlichen Vorteilen, einer Entlastung des Personals und einer möglicher Fehlervermeidung, muss jedoch die Validierung dieser Systeme neu gedacht werden. 

Herausforderungen:

1. Vertrauen zur Entscheidung aufbauen: Bei der ML handelt es sich um ein Algorithmus, der per se von Vielen abgelehnt wird. Es ist daher ein Prozess angestrebt, in In dem sich die Fähigkeiten von ML und Menschen ergänzen ohne dass der Mensch die Übersicht über die Technik verliert.
2. Validierung des ML: die Validierung analog zu unterschiedlichen Normen kann nicht als unbegrenztes System in der Prüfung eingesetzt werden. Die Fähigkeit muss innerhalb festgelegter Grenzen bestimmt und erfasst werden.
3. Endgültige Entscheidung liegt bei dem Menschen: Die letztendliche Entscheidungsgewalt muss bei dem Menschen verbleiben.

Vertrauen zur Entscheidung

Bei dem Vertrauen von ML-Algorithmen geht es im Allgemeinen darum, inwieweit Firmen bereit sind, diese Technologie für ihre Komponenten einzusetzen. Neben den wirtschaftlichen Vorteilen, die der Einsatz mit sich bringt, und der nicht Teil der Richtlinien sein soll, soll jedoch ein Richtwert entwickelt werden, welche Grenzen die Technologie im Moment aufweist und wie der jetzige Stand ohne ML ist.

Kann objektiv, z.B. mit Kennzahlen, gezeigt werden, welche Möglichkeiten die Technologie besitzt, so können Entscheidungsträger die Kennzahlen nutzen den Nutzen zu bestätigen oder abzulehnen. Ein passender Bewertungsansatz ist die Bestimmung der Auffindwahrscheinlichkeit von Prüfprozessen (eng. probability of detection, POD), die auch schon bei manuellen und mechanisierten Prüfungen als objektives Bewertungskriterium gilt. Werden beide Prozesse mit der Hilfe der POD-Kennzahl bewertet, liegt eine objektive Bewertung vor, falls diese auf eine sinnvolle Weise durchgeführt wurde. Inwieweit eine Bewertung sinnvoll ist, soll im Projektzeitraum mit Experten erörtert werden.

Als eine weitere Möglichkeit könnte die Receiver Operating Characteristics (ROC) dienen, die ebenfalls auch die ökonomischen Faktoren in die Bewertung einfließen lässt (siehe hierzu auch http://www.av-ndt.com/NDT_Dashboard/). Auch hier ist die Unterscheidung von zwei System leicht gegeben, wenn die Bewertung sinnvoll durchgeführt wurde und die Grenzen klar definiert wurden (Siehe Abb. 1).

Abbildung 1: Beispiel eines fiktiven Vergleichs zwischen ML und einem menschlichen Operatoren. Je höher die POD und umso geringer die FAR, umso besser das Prüfergebnis.

Validierung des ML-Algorithmen:

Grundsätzlich unterscheidet man drei große Gruppen von ML-Algorithmen: supervised learning, unsupervised learning und reinforcement learning. Dabei ist vor allem das supervised learning bei der Detektion von Defekten innerhalb der zerstörungsfreien Prüfung, eine gute Möglichkeit ML anzuwernden. Hierbei wird dem Algorithmus mit einer großen Menge von bekannten Daten so weit angelernt, dass das erwünschte Resultat eintritt. Hierfür ist jedoch eine große Menge von Daten notwendig. Die Anzahl der Daten, deren Begrenzung auf die Prüfsituation und die mögliche Gefahr eines Über- und Unterfittings müssen daher im Auge behalten werden. Die Richtlinien sollen den Rahmen für einen korrekten Einsatz festlegen.

Entscheidung liegt beim Menschen:

Die letztendliche Entscheidung, was mit einem Teil passieren soll, soll immer noch beim Menschen liegen. Dies hat einerseits juristische Gründe, andererseits vertrauenstechnische Gründe zum Kunden. Dabei entsteht eine Mensch-Technik-Schnittstelle, wobei die Rollen der Menschen und der Technik klar definiert werden müssen. Dem Menschen müssen die Möglichkeiten und die Gefahren dieser Aufgabentrennung bekannt sein. Die durch den ML-Detektionsprozess gewonnene Zeit, soll wiederum verwendet werden, um die Automatisierung stärker zu prüfen (Kalibrierung), aber auch um den Entscheidungsprozess verstärkt in den Fokus zu rücken, da in diesem Punkt die Stärke des Menschen unübertroffen ist.

Normative Grundlagen

Um die vorliegenden Herausforderungen in den normativen Kontext zu stellen, ist eine Betrachtung der vorhandenen Normen und Richtlinien von Vorteil. Tatsächlich arbeiten verschiedene Bereiche gerade an der Forschung in dem Thema ML für die zerstörungsfreie Prüfung. Als ein Beispiel ist hierbei der ENIQ Technical Report mit dem Titel „Qualification of an AI / ML NDT System –Technical Basis“ zu nennen, der noch in der Überarbeitsphase ist. Bei ENIQ handelt es, um das European Network for Inspection & Qualification, die sich auf europäischer Ebene mit dem Thema der zerstörungsfreien Prüfung von kerntechnischen Anlagen beschäftigt. Jedoch soll dieses Projekt Branchen unabhängig das ML Thema beleuchten. Der o.g. technische Report liefert für die weitere Arbeit eine gute Grundlage.

Es handelt sich an dieser Stelle um keine Anschubförderung.

Nutzen

Durch die systematische Beurteilung der ML-Anwendung am spezifischen Beispiel der Ultraschallprüfung von Rissen, werden die Grundlagen für ML in der zerstörungsfreien Prüfung gelegt. Durch die Stärkung des Vertrauens in dem Thema, können weiterführende ML-Anwendungen entstehen und selbst in sicherheitsrelevanten Anwendungen zuverlässig eingesetzt werden.

Kann gezeigt werden, dass die ML eingesetzt werden kann, ohne dass die Qualität in der Prüfung abnimmt, so kann eine große Zeitersparnis in der Prüfung stattfinden, da die Defektdetektion den größten Zeitraum in der Prüfung in Anspruch nimmt. Hierdurch könnten Prüfintervalle verringert und Prüfdauern verkürzt werden. Durch den Fokus des Prüfers auf die Auswertung, Supervision und Entscheidungsfindung wird die Qualität der Prüfergebnisse weiter erhöht und voraussichtlich die Zufriedenheit des Prüfers gestärkt. Außerdem ist zu erwarten, dass mehr Daten aufgenommen werden können, da die Detektionsaufgabe, die mit der Datenmenge verbunden ist, zeitlich kein beschränkender Punkt mehr darstellt.  Durch den Fokus auf den Menschen in der ML-unterstützter ZfP wird eine höhere Akzeptanz dieser neuen Technologien angestrebt.

Jedoch existiert jeder dieser Vorteile nur dann tatsächlich, wenn das Vertrauen zur Technologie aufgebaut werden konnte, eine systematische Validierung des Verfahrens gezeigt werden konnte und die Mensch-Technologie-Schnittstelle funktioniert.

Durch das Projekt umgesetztes Optimierungspotential:

Bis zum jetzigen Zeitpunkt ist auf dem deutschen Markt weder ein Leitfaden noch ein Standard vorhanden, der den Umgang mit der vielversprechenden Technologie ML in der zerstörungsfreien Prüfung regelt. Der Anwenderkreis ist gespalten zwischen Angst vor der technologischen Veränderung und der Schwierigkeit, die scheinbar offensichtlichen Vorteile im starkgeregelten Bereich der zerstörungsfreien Prüfung zu verankern und zu nutzen.

Gibt eine Richtlinie die Möglichkeit zu objektiven Beurteilungen, können nebenbei mit weitverbreiteten Vorurteilen aufgeräumt werden und die technische Sicherheit weiter gesteigert werden. Ein typisches Beispiel ist die Fehlwahrnehmung, dass eine 100% Prüfung auch bedeutet, dass vom Prüfer 100% der Defekte auch wirklich gefunden werden können. Eine objektivere Beurteilung steigert somit nicht nur den Bereich der automatisierten Rissprüfung, sondern auch weitere Prüfverfahren und somit auch die Qualität von technischen Anlagen, die geprüft werden.

Wer profitiert von der Innovation und dem Standard:

Der primäre Nutzen liegt bei Qualitätsmanagern, die einen Vorteil in der ML-Technologien sehen. Ihnen werden Argumente geliefert, warum der Einsatz sinnvoll sein kann, trotz der höheren Anschaffungskosten. Gleichzeitig wird ihnen die Grenzen aufgezeigt, die möglicherweise zu einer Abkehr in bestimmten Prüfszenarien führt.

Der sekundäre Nutzen liegt beim Prüfpersonal. Durch den Prozess steigt die Motivation, da der langwierige und aufreibende Detektionsprozess verringert wird und da der Prüfer sein Wissen optimal auf den Beurteilungs- und die Entscheidungsprozess fokussieren kann.

Selbst im Fall einer juristischen Auseinandersetzung im Fall eines Schadensfalls hilft die Richtlinie, da sie zeigt, welche Prozesse zur Validierung notwendig sind und welche Kenntnisse der Prüfer spezielle für die Mensch-Technik-Schnittstelle haben muss. Gleichzeitig wird jedoch auch der Prüfer in Schutz genommen, da der Prozess objektiv auf Schwachstellen untersucht wird, die teilweise von anderer Seite übernommen werden muss; z.B. Nicht-Detektierbarkeit muss durch eine schadenstolerante Auslegung des Bauteils abgefangen werden.

Europäische und internationale Bedeutung:

Es gibt mehrere internationale Forschungsgruppen, die sich mit dem Thema der Einführung von KI-Algorithmen in der zerstörungsfreien Prüfung beschäftigen: Virkkunen, Koskinen, Jessen-Juhler, & Rinta-Aho, 2019; Meng, Chua, Wouterson, & Ong, 2017, Zhu, Cheng, Banerjee, Tamburrino, & Deng, 2019 und Munir, Kim, Song, & Kang, 2018 nur um einige Publikationen zum dem Thema zu nennen.

In diesem Zusammenhang passt das Projekt. In der Projektlaufzeit sollen weitere Arbeiten erfasst und Gruppen angesprochen werden. Jedoch liegt die Stärke der DIN in dem internationalen Einfluss, warum eine deutsche Einreichung sinnvoll ist.

Bestehende Einreichungsmöglichkeiten bei europäischer und internationaler Normung

Obwohl eine deutsche Richtlinie angestrebt werden soll, ist es dennoch von Nöten, die europäische und internationale Normung mit einzubeziehen. Dennoch soll die Richtlinie auf den deutschen Markt bezogen werden. Die deutsche Normung biete weltweit die besten Chancen im Bereich ML im Bereich der zerstörungsfreien Prüfung auf den Weg zu bringen. Einerseits da die zerstörungsfreie Prüfung in Deutschland schon historisch stark ist. Sei es durch die erste Materialprüfung mit radiographischer Strahlung durch Röntgen, aber auch die starke Forschung in der Materialprüfung durch Ultraschallprüfung durch die Firma Krautkrämer (später GE) und die Firma Deutsch. Andererseits durch die Stärke der deutschen Normung, die starken Einfluss auf die EN und die ISO Normen hat (siehe hierzu die große Anzahl von zerstörungsfreien Prüfnormen).

Da das Feld zerstörungsfreie Prüfung Schnittstellen mit hoch-sicherheitsrelevanten Technologie (Hochgeschwindigkeitszugverkehr, Kernkraftwerke oder Flugverkehr) besitzt, sind auch ethische Regel und Selbstverpflichtung stark im Fokus. Daher bietet sich ebenfalls eine deutsche Norm an, da in der Vergangenheit die deutsche Normung wiederholt hier ihre Stärken gezeigt hat (FAZ Digitec Podcast: Normen für die Künstliche Intelligenz (2019).

Markt- und gesellschaftlicher Relevanz

Bei der Vorbereitung des Projekts wurden drei Industriebereiche als potentielle Interessensgruppe identifiziert:

1. Eisenbahnverkehr: Durch neue Umweltprogramme der Politik, wird der Eisenbahnverkehr als Transportmittel für Personen und Güter immer wichtig. Die Erhöhung der Taktzeiten und eine stärkere Auslastung des Assets ohne starke Erhöhung der Flotte, führt zwangsläufig zu einer Diskussion der Prüfintervalle. Der Einsatz der ML-Technologie, der die Prüfzeit senken kann und die Prüfqualität verbessern kann, muss hierbei jedoch gutüberlegt und überzeugend dem Eisenbahnbundesamt vorgebraucht werden. Durch eine höhere Prüfqualität können Ereignisse wie der Unfall in Viareggio verhindert werden (https://www.faz.net/aktuell/gesellschaft/kriminalitaet/sechs-deutsche-nach-zugunglueck-in-viareggio-verurteilt-14808170.html).
2. Nicht-nuklearer Energiesektor: Im Bereich der Energietransporte, aber auch im Bereich der Herstellung und Aufbereitung (z.B. von Gas) liegt ein großes Feld in der die zerstörungsfreie Prüfung automatisiert eingesetzt wird und die ML-Algorithmen von Vorteil sein können. Trotz der immer stärker werdenden regenerativen Energien, wird ein Energiemix auch in Zukunft notwendig sein. Ein zuverlässiges Gaskraftwerk ist daher unabdingbar. Welche Folgen ein Riss in einem Gaskraftwerk haben kann, zeigte der Unfall in Irsching (https://www.heise.de/tr/artikel/Gegrillte-Maeuse-fliegende-Turbinen-280433.html)
3. Kernkraftwerke: Noch ist das Zeitalter der Kernkraft in Deutschland nicht vorbei. Es laufen noch Kraftwerke und diese müssen noch geprüft werden. Je weiter man in die Richtung des Endes der Kernkraft in Deutschland kommt, umso weniger Personal ist vorhanden und umso älter sind die Kraftwerke. Dieser Fall zeigt also eine optimalen Einsatzbereich für die ML-Algorithmen, um das Personal optimal einzusetzen, jedoch auch kein Risiko einzugehen. In wie weit Risse medial diskutiert werden, zeigt sich bei den belgischen Kraftwerken (https://www.faz.net/aktuell/wirtschaft/mehr-wirtschaft/experten-belgische-akw-doel-3-und-tihange-2-sind-sicher-15682636.html)

Trotz der Notwendigkeit für zuverlässige Prüfverfahren zeigen Analysen, dass der Bereich der ZfP einerseits die Schwachstelle in der Digitalisierung darstellt, andererseits jedoch auch den größten positiven Einfluss auf die Industrie haben kann (Rapid Reliability Assessment of Safety-Critical and Emerging Technologies 2019). Allein für den Ultraschall Gerätemarkt wird ein durchschnittlichen Wachstum von 8% bis 2026 auf 1,8 Mrd. US Dollar erwartet[1].  Abgeschätzt auf die immer stärker werdende Automatisierung und den Bereich der Rissprüfung ist der Markt konservativ auf ca. 0,6 Mrd. US Dollar geschätzt.

Für Deutschland ist besonders der Bereich der ZfP im Eisenbahnwesen wichtig. Der Wandel in der Nachhaltigkeit und der Verkehrswende werden auch hohe Anforderungen an die Qualität des Eisenbahnassets folgen.  Es gibt in Deutschland allein 450 Eisenbahnfirmen, die sich um die Sicherheit ihres Assets kümmern müssen. Allein weitere 50 Servicefirmen operieren als Werkstatt und Instandhaltungsfirmen. Aus Marktsicht ergibt sich möglichen Markt für die automatisierte UT Prüfung von mindestens 0,2 Mrd. US Dollar.

[1] https://www.acumenresearchandconsulting.com/ultrasonic-testing-equipment-market

Kompetenzen und Ressourcen

AV-NDT

Koordinator: Dr. Daniel Kanzler: Herr Kanzler arbeitet seit 12 Jahren in dem Bereich Zuverlässigkeitsbestimmung von Prüfsystemen. Anfangs industrienah bei GE Sensing & Inspection Technologies im Bereich Ultraschall und später im wissenschaftlichen Bereich bei der Bundesanstalt für Materialforschung und -prüfung (BAM) im Bereich Radiologie. Seine Diplomarbeit, Masterarbeit und Doktorarbeit beschäftigen sich mit dem Thema Zuverlässigkeit von Prüfsystemen aus verschiedenen Sichtwinkeln: sei es hinsichtlich der Auffindwahrscheinlichkeit von realen Fehlern für multidimensionale Fehlerräume oder auch die Einbeziehung der Fehlalarmrate. Ebenso finden sich mehrere Publikationen zu diesem Thema mit ihm als Erst- und Koautor.

Seit 2012 ist er als Dozent innerhalb der Arbeitskreise und der Ausbildung der Deutschen Gesellschaft für zerstörungsfreie Prüfung (DGZfP) zum Thema Zuverlässigkeit tätig und hält die Tutorien des European-American Workshops zum gleichen Thema. Beide Vorlesungen beschäftigen sich intensiv mit dem Thema der Zuverlässigkeit von Prüfverfahren im Bereich von sicherheitsrelevanten Bauteilen. Außerdem ist er im an der technischen Hochschule Aschaffenburg Dozent im Bereich zerstörungsfreie Materialprüfung. Seit 2017 leitet er die ICNDT Expertengruppe „NDT Reliability“. Bei internationalen Richtlinien hat er Erfahrung als Reviewer gesammelt (z.B. bei ASTM E2862).

Sein Studium in Wirtschaftsingenieurwesen bereitete ihn auf die Herausforderung der Koordination hinsichtlich der Ressourcen und der Teamleitung vor.

Unterstützt wird Herr Kanzler von einem weiteren Mitarbeiter seiner Firma (AV-NDT): Ludwig Bartsch: Herr Bartsch hat als studentischer Mitarbeiter der Bundesanstalt für Materialforschung und -prüfung Erfahrung im Bereich der Zuverlässigkeitsbewertung gesammelt. Dort hat er in den Fachbereichen 8.3 - Zuverlässigkeit zerstörungsfreier Prüfung und 8.4 - Akustische und elektromagnetische Verfahren in Projekten zur Zuverlässigkeit von Ultraschallprüfungen an Radsatzwellen gearbeitet. Sein Aufgabenbereich umfasste die Recherche, Datenaufbereitung und -auswertung, sowie die Präsentation und Dokumentation der Ergebnisse für die Projektpartner. Neben dem Fachwissen hat Herr Bartsch dabei wichtige Einblicke in die Projektplanung und Durchführung sammeln können.

Durch die Aufteilung der Arbeit auf zwei Personen, ist es möglich, dass jederzeit mindestens eine Person vollständig für die Recherche, Planung und Durchführung der Normaktivitäten verfügbar ist. Aus technologischer Sicht, besitzt AV-NDT eine aktuelle Datenbank über eine Vielzahl von vorhandenen Ansätzen zur Zuverlässigkeitsbestimmung in verschiedenen Industriebereichen. Außerdem entwickelte AV-NDT mehrere Softwarelösungen zur Bestimmung von Zuverlässigkeitsbewertung und verfügt über die Möglichkeit, die Software auf den jeweiligen Fall anzupassen. Diese Lösungen werden u.a. in studentischen Arbeiten in dem Feld „Zuverlässigkeitsbewertung“ genutzt.

BAM:

Der Auftrag der Bundesanstalt für Materialforschung und –prüfung (BAM) ist es, den Einsatz von Technik sicher und umweltverträglich zu gestalten. Die Arbeiten im Bereich Forschung, Prüfung, Zulassung und Regelsetzung dienen der Sicherheit in Technik und Chemie. Als Bundesoberbehörde und Ressortforschungseinrichtung des Bundesministeriums für Wirtschaft und Energie (BMWi) mit etwa 1700 Mitarbeiterinnen und Mitarbeitern übernimmt die BAM nationale und internationale Aufgaben, kooperiert mit der universitären und außeruniversitären Forschung und fördert den wissenschaftlichen Nachwuchs.

Mit über 160 Mitarbeiter in der Abteilung für zerstörungsfreie Prüfung ist die BAM eines der führenden Institute für die Entwicklung, Bewertung und Qualifizierung verschiedener ZfP-Methoden. Die BAM verfügt über ein einzigartiges Know-how und über ein Jahrzehnt Erfahrung mit der Untersuchung von menschlichen Faktoren in der ZfP sowie über 20 Jahre Erfahrung bei der Entwicklung unterschiedlicher Ansätze für die Zuverlässigkeitsbewertung. Anhand von Risiko- und Usability-Bewertungen, Fragebögen und Experimenten in den Bereichen der Kerntechnik, Luftfahrt und Eisenbahn wurden unterschiedliche Risiken in der manuellen und automatisierten ZfP im Hinblick auf das Zusammenspiel von Menschen, Technologie und Organisation ermittelt und Methoden zur Optimierung von ZfP-Prozessen entwickelt. Die BAM ist u.a. Mitglied der Deutschen Gesellschaft für zerstörungsfreie Prüfung (DGZfP), des Fachausschusses „ZfP 4.0“, und Frau Bertovic mit ihrem Hintergrund in Psychologie die Leiterin des Unterausschusses „Mensch-Maschine-Interaktion“ bei der ZfP 4.0.

Trueflaw:

Trueflaw ltd. ist eine finnische Firma mit ihrem Fokus auf der Herstellung von natürlichen, thermischen Ermüdungsrissen. Diese Risse werden in unterschiedlichen Industrien für unterschiedliche Einsatzmöglichen genutzt. In der Entwicklung werden die Defekte genutzt, um die zerstörungsfreie Prüfmethode für den späteren Einsatz einzustellen. Im Training werden die Testfehler genutzt, um dem späteren Prüfer ein repräsentatives Feedback zu geben und den Prüfer beim Lernen zu unterstützen. Bei der Performance Demonstration helfen die Defekte dabei, das Leistungsziel darzustellen, dass erreicht werden muss. Der Einsatzbereich ist hierbei der kerntechnische Bereich und der Bereich Luft- und Raumfahrt. Seit einigen Jahren forscht Trueflaw zum Thema des Deep Machine Learning für den Einsatz in der zerstörungsfreien Prüfung. Trueflaw wird innerhalb des Pilotprojekts unterstützen, sei es durch Daten oder auch durch ML-Algorithmen.

Zeitlichen, technologischen und sonstige Rahmenbedingungen

Der DIN SPEC Antrag soll innerhalb von 12 Monaten erstellt werden. Hierbei ist es notwendig ein Pilotprojekt auszumachen, um basierend auf der Prüfsituation den ML-Algorithmus anzulernen und mit einer Alternative (z.B. manuellen Prüfung und Auswertung) zu vergleichen. Diese Ergebnisse müssen einem breiteren Publikum vorgestellt werden und diskutiert werden. Da es sich um ein Thema handelt, in dem sich viel in der letzten Zeit getan hat und tun wird, wird ein dynamisches Konzept als Normung angestrebt. Besonders nach der ersten Auswertung soll auch der Kontakt mit bundesweiten Forschungs- und Expertengruppen gesucht werden. Die letzten zwei Monate soll der Formulierung und der DIN-internen Diskussion vorbehalten werden.

Als Startpunkt für die ML-Technologie in der zerstörungsfreien Prüfung bietet sich die Ultraschallprüfung und die Wirbelstromprüfung an, da hier schon ein kooperierendes Unternehmen gefunden wurde, das eine hohe Datenmenge zum supervised learning liefern kann. Hierbei spielt vor allem Rissbildung eine Rolle. Risse führen in der zerstörungsfreien Prüfung bei ihrer Detektion zum Ausschuss des Teils. Was einerseits die Wichtigkeit dieses Fehlermerkmals zeigt, andererseits den Fokus auf die Detektion legt, um auch die Möglichkeiten der ML zu beurteilen. Um die notwendige Datenaufnahme zu gewährleisten benötigt es ein automatisiertes Prüfverfahren, in der der Mensch nicht direkt einen Einfluss auf die Prüfung besitzt.

Durch die internationale Unterstützung der Firma Trueflaw ist der Einblick in den Stand der Wissenschaft gegeben. Dennoch wird im weiteren Verlauf ebenfalls eine Plattform gebildet, in der weitere Konzepte gebenchmarkt werden können. 

Standardisierungsscope

Die angestrebte Richtlinie bildet eine Basis für den Einsatz der ML in die zerstörungsfreie Prüfung. Obwohl dies nur an einem Bespiel durchgespielt wird, gilt die Richtlinie im Späteren für jeden möglichen Einsatz von ML im Bereich der zerstörungsfreien Prüfung. Die Qualitätskriterien sollen so generell beschrieben werden, dass auch weitere Verfahren auf diese Richtlinie Bezug nehmen können. Außerdem sind die drei oben genannte Bereiche nur ein kleiner Teil der möglichen Industrien, für die diese Richtlinie letztendlich genutzt werden können.

Der Standard definiert transparente Kriterien für die Erklärbarkeit und die Zuverlässigkeit für den Einsatz von ML im hoch-kritischen Bereich, in dem die zerstörungsfreie Prüfung eingesetzt werden muss. Hierbei wird die Richtlinie über Bewertungsansätze und ihren Grenzen aufklären und stellt eine Referenzimplementierung und deren Durchführung mit Hilfe von Trueflaw zur Verfügung. Damit kann der korrekte Ansatz der Bewertung erfasst und verstanden werden.

Prüffirmen, Prüfgeräteherstellern und Käufern von Prüfleistungen und -geräten soll somit die Möglichkeit geboten werden:

• sich ein Überblick über die Bewertung zu verschaffen
• Verständnis über das Qualitätssicherungsverfahren zu erlangen und
• sich über Grenzen und Einsatzgebiete der Qualitätsmanagementverfahren zu verständigen.

Bekanntgabe:

Die Ergebnisse und Auswertungen sollen einerseits in nationalen Fachvorträgen bei Tagungen (Jahrestagung DGZfP 2020) diskutiert werden, aber auch auf internationalen Plattformen als Referenz (ICNDT-WG Meeting und World Conference of NDT) vorgezeigt werden. Innerhalb dieser Meetings und Diskussionsforen kann der Grundstein gelegt werden für eine Ausweitung in den europäischen / internationalen Raum.

Da die Möglichkeiten vielfältig sind, ist es essenziell, im kleinen Kreis die notwendige Anforderung und Ansätze intensiv zu diskutieren, bevor aufbauend auf dieser DIN SPEC spezielle Einsatzmöglichkeiten entwickelt werden können. Die Beschreibung von grundsätzlichen Ansätzen und die Durchführung einer Referenzimplementierung kennzeichnet hier die wichtigsten Ziele innerhalb der DIN SPEC.

Referenz:

Josh Bishop-Moser, et al. Rapid Reliability Assessment of Safety-Critical and Emerging Technologies: Next-Generation Nondestructive Evaluation 2019 MForesight

 Meng, M., Chua, Y. J., Wouterson, E., & Ong, C. P. K. (2017). Ultrasonic signal classification and imaging system for composite materials via deep convolutional neural networks. Neurocomputing, 257, 128-135.

 Müller, C., Bertovic, M., Pavlovic, M., Kanzler, D., Ewert, U., Pitkänen, J., & Ronneteg, U. (2013). Paradigm Shift in the Holistic Evaluation of the Reliability of NDE Systems. Materials Testing, 55(4), 261–269. doi:10.3139/120.110433

 Munir, N., Kim, H.-J., Song, S.-J., & Kang, S.-S. (2018). Investigation of deep neural network with drop out for ultrasonic flaw classification in weldments. Journal of Mechanical Science and Technology, 32(7), 3073-3080.

 Normen für die Künstliche Intelligenz (2019) FAZ Digitec Podcast – Gespräch zwischen Christoph Winterhalter, Alexander Armbruster und Carsten Knop, FAZ Digitec Podcast gehört am 06.09.2019 https://blogs.faz.net/digitec/2019/09/06/normen-fuer-die-kuenstliche-intelligenz-525/

 Virkkunen, I., Koskinen, T., Jessen-Juhler, O., & Rinta-Aho, J. (2019). Augmented Ultrasonic Data for Machine Learning. arXiv, 1903.11399v1.

 Zhu, P., Cheng, Y., Banerjee, P., Tamburrino, A., & Deng, Y. (2019). A novel machine learning model for eddy current testing with uncertainty. NDT & E International, 101, 104-112.