Glossar        Wirtschaftsförderung       Downloads      Newsletter      Suche

KI-basierte Klassifikation von Messsignalen zur Materialprüfung

Herausforderung & Zielsetzung

Aktuell werden bei der Rohrprüfung Messdaten, die von einer Sonde über die Länge des Rohres gesammelt werden, von erfahrenem Fachpersonal ausgewertet. Sie erkennen Materialfehler, Risse und andere Unregelmäßigkeiten durch die Analyse der Messsignale. Dieser Prozess erfordert jedoch viel Zeit, Geduld und Konzentration: Die Experten*innen müssen die Signale in der Regel über mehrere Stunden hinweg sorgfältig untersuchen. Dies kann zur Ermüdung und somit zu Fehlern bei der Erkennung der Defekte führen. Die Herausforderung besteht darin, den Prozess der Fehlererkennung und Klassifikation effizienter und weniger fehleranfällig zu gestalten. Eine KI-gestützte Analyse der Messdaten bietet eine vielversprechende Lösung. Mit einem intelligenten System können Materialfehler automatisch erkannt und klassifiziert, zeitintensive manuelle Auswertungen reduziert und gleichzeitig die Qualität und Zuverlässigkeit der Ergebnisse verbessert werden. Das Ziel dieses Projekts ist es daher, ein KI-Modell zu entwickeln, das die automatisierte Auswertung der Messdaten und die Klassifizierung der Fehler übernimmt. Die Ergebnisse der KI sollen dann von Experten*innen überprüft und bestätigt werden, wodurch die Fehleranfälligkeit und der Zeitaufwand minimiert werden. Ein solches System kann entscheidend dazu beitragen, den Qualitätskontrollprozess zu beschleunigen und die Inspektionsqualität zu verbessern. Die prototypische Umsetzung des Projekts soll den Weg für eine breitere Anwendung von KI im Bereich der Wirbelstrommessungen ebnen.

Projektbeschreibung

Die DeltaTest GmbH bietet als Dienstleistung Rohrprüfungen mittels Wirbelstrommessung an. Hierbei sollen Defekte durch Verschleiß an den Rohren identifiziert werden. Das Ziel des Projekts war die Entwicklung einer auf Künstlicher Intelligenz (KI) basierten Analyse von Wirbelstrommessungen an Rohren. Hierbei sollten die Materialfehler detektiert und klassifiziert werden. Im ersten Schritt wurden hierfür umfangreiche Datensätze von Wirbelstrommessungen gesammelt und Bereiche im Datensatz manuell markiert, die Materialfehler enthielten. Anschließend wurden zwei unterschiedliche KI-Modelle entwickelt und trainiert. Zum Einsatz kamen Convolutional Neural Networks (CNNs) und die komprimierte Version des Randomly Optimized Cluster of Kernels-Algorithmus (MiniROCKET). Die entwickelten Modelle wurden anhand eines Testdatensatzes bewertet, um ihre Leistung zu überprüfen. Die CNN-Modelle konnten bis zu 97 Prozent aller Defekte korrekt erkennen und klassifizieren. Im Gegensatz dazu konnte das MiniROCKET-Modell Defekte mit 96-prozentiger Genauigkeit erkennen, hatte jedoch Schwierigkeiten bei der Klassifizierung. Diese entwickelten Modelle können nun durch den Projektpartner (DeltaTest GmbH) kontinuierlich verbessert werden, um den Bedarf an manuellen Inspektionen zu minimieren.

Übersicht downloaden

Sie möchten die Informationen kurz und kompakt auf einer Seite? 
Laden Sie hier die Übersicht als PDF herunter!

Das Unternehmen Delta Test GmbH ist ein Serviceunternehmen im Bereich der zerstörungsfreien Materialprüfung mittels Wirbelstrom- und Ultraschallprüfverfahren.

Ausführlicher Projektbericht

Der Lösungsweg orientierte sich am branchenübergreifenden Standard für Data-Mining-Projekte namens CRISP-DM und unterteilt sich im Wesentlichen in die Schritte Datenvorverarbeitung und -bereinigung, KI-Modellierung und Evaluation. DeltaTest ist bereits seit vielen Jahren im Bereich der Wirbelstrommessungen an Rohren tätig und verfügt daher über große Datenmengen. Eine beispielhafte Messung eines Rohres ist in Abbildung 1 dargestellt. Bei der Messung werden Informationen zum Rohrtypen, dem Signalverlauf der Wirbelströme (jeweils eine x- und y-Komponente) und den durch den Materialprüfer zugeordneten Materialfehlern an den entsprechenden Stellen gesammelt. Durch die bereits vorhandene Markierung der Materialfehler handelt es sich somit um gelabelte Daten. In Abbildung 1 ist ein Rohrdefekt markiert worden, der mit „7a“ gelabelt ist. Das bedeutet, dass es sich um einen Fehler an der Außenseite des Rohrs (=a) mit einer Tiefe von 70 % (=7) der Materialstärke handelt. Es gibt außerdem Innenfehler (=i), die durch Korrosion im Rohr entstehen können und Beulen (=B).

Abbildung 1: Beispiel für die Datenreihe von einer Messung

Für die Untersuchungen im Rahmen des Projektes wurden sieben ähnliche Rohrtypen ausgewählt und ein Datensatz aus 2000 Messungen zusammengestellt. Diese Daten wurden vorverarbeitet, indem statistische Analysen durchgeführt und die Daten gesichtet wurden. Dabei wurden auch mögliche Fehler oder Störungen in den Daten bereinigt, um die Qualität der Daten für die Modellierung zu verbessern. Es stellte sich heraus, dass der übergebene Datensatz viele Messungen enthielt, bei denen nicht alle Fehler in den Rohren markiert worden waren. Es war daher notwendig, alle Datensätze erneut zu sichten und alle Fehlerstellen zu labeln. Hier war das Expertenwissen der Materialprüfer*innen notwendig. In Abbildung 2 ist eine Übersicht der Anzahl unterschiedlicher Label zu sehen. In den Daten lagen deutlich mehr Innenfehler als Außenfehler vor. Außerdem sind Fehler mit hohen Prozentzahlen seltener, da Rohre bei Fehlertiefen ab 60 % meistens aussortiert werden.

Abbildung 2: Übersicht der Anzahl der unterschiedlichen Fehlerklassen im Datensatz

Für die Lösung des Problems wurden zwei Ansätze der KI-Modellierung kombiniert. Die Wirbelstrommessungen werden als Zeitreihen betrachtet und in die Algorithmen eingespeist, um Anomalien oder Ausreißer in den Daten zu identifizieren, die auf potenzielle Defekte hinweisen könnten. Es wurden der MiniROCKET-Algorithmus und ein Bildverarbeitungsalgorithmus genutzt. Anschließend werden für den anomalen Bereich die x- und y-Werte übereinander dargestellt, sodass sich eine Schlaufe wie in Abbildung 3 bildet. Diese Schlaufe wird dann mit einem Bildverarbeitungsalgorithmus klassifiziert, um die Fehlerklasse zu ermitteln. Bei der Bildverarbeitung werden die Wirbelstrommessungen in ein Bild umgewandelt, um sie von einem KI-Modell analysieren zu lassen. So lässt sich die Fehlerklasse eindeutig klassifizieren. Das Modell wurde auf Basis von Convolutional Neural Networks (CNNs) trainiert, anhand welcher die Rohrdefekte klassifiziert werden konnten.

Abbildung 3: Beispielhafter x-y-Graph für einen Defekt

Die entwickelten KI-Modelle wurden anhand eines Testdatensatzes evaluiert, der separate Wirbelstrommessungen enthält. Dabei wurde überprüft, wie viele tatsächliche Defekte von den Modellen korrekt erkannt und wie viele Fehler vom Modell NICHT erkannt wurden. Zusätzlich gefundene Defekte wurden nicht als negativ gewertet, da hier auch Fehler beim Labeling vorliegen könnten. Das Modell erkannte 97 % aller Anomalien in den Zeitreihen und sogar 99 %, wenn nur Fehler über 30 % berücksichtigt werden. In Abbildung 4 ist ein Ausschnitt der Softwareoberfläche dargestellt, die im Rahmen des Projektes zur Visualisierung der KI-Algorithmen genutzt wurde. Im oberen Bereich der Graphik ist die Messreihe mit den gelabelten Defekten dargestellt. Unten in blau ist visualisiert, was die KI-Algorithmen detektieren. Sichtbar ist, dass alle Fehler detektiert wurden. Außerdem ist erkennbar, dass zusätzliche Fehler von der KI erkannt wurden, die im Datensatz nicht gelabelt waren. Es kommt außerdem zwischen Labeling und KI-Auswertung zu Abweichungen von bis zu 10 % bei der Erkennung der Fehlertiefen. Dies entspricht dem ungefähren Spielraum, die Prüfer*inen beim Labeling haben, da eine Unterscheidung in 10er Schritten aufgrund der Fehlerklassifizierungskomplexität nicht immer eindeutig möglich ist.

Abbildung 4: Auszug aus der Auswertung der Messdaten mittels KI-Methoden

Nutzen für den Mittelstand​

Die Nutzung von Wirbelstrommessungen bietet mittelständischen Unternehmen eine kosteneffiziente Möglichkeit, die Qualität ihrer Rohrprodukte zu überwachen und Defekte frühzeitig zu erkennen. Durch die frühzeitige Identifizierung von Fehlern können teure Ausfallzeiten und Reparaturkosten vermieden werden, was zu einer verbesserten Betriebskontinuität und Kosteneinsparungen führt. Die Automatisierung der Auswertungsprozesse ermöglicht es mittelständischen Unternehmen, ihre Prüfkapazitäten zu optimieren und ihre Wettbewerbsfähigkeit zu steigern, indem sie schnellere und genauere Ergebnisse erzielen.

Darüber hinaus können weitere mittelständische Unternehmen KI in ähnlichen Feldern einsetzen, z. B. in der Bildverarbeitung zur visuellen Inspektion ihrer Produkte oder für die Analyse von Sensordaten zur Vorhersage von Wartungsbedarf und Produktionsausfällen. Die Integration von KI-Algorithmen ermöglicht es, Muster und Anomalien in großen Datensätzen automatisch zu erkennen und Prozesse zu optimieren. Standardisierte Auswertungsverfahren, die durch KI unterstützt werden, erleichtern die Einhaltung von Industriestandards und -normen.

Weitere Inhalte zum Schwerpunkt

Dieses Praxisbeispiel ist dem Schwerpunkt Künstliche Intelligenz zugeordnet.
Für mehr Inhalte zum Thema klicken Sie einfach hier!

Zum Schwerpunkt

Noch Fragen offen?

Unsere Projekte umfassen einen großen zeitlichen, organisatorischen und thematischen 
Umfang. Erfragen Sie die Details einfach beim Projektverantwortlichen. Wir leiten Sie gerne weiter! 

Das könnte Sie auch interessieren

Ihre Anmeldung zum
KI-Mentoring

Wir freuen uns, dass Sie sich für unser KI-Mentoring-Programm interessieren. Bitte füllen Sie das folgende Formular aus, um sich für einen der Arbeitskreise zu registrieren. Wir prüfen Ihre Anfrage und melden uns schnellstmöglich zurück.

Mit Absenden der Anfrage erklären Sie sich mit unserer Datenschutzerklärung einverstanden.

Alle Angebote des Zentrums sind kostenfrei.

Bleiben Sie informiert!

Digitale Neuigkeiten, aktuelle Themen und kommende Termine monatlich in Ihr Postfach, mit unserem Newsletter!


Mit dem Absenden dieser Anmeldung stimme ich zu, dass meine Daten zum Zweck des Newsletterempfangs zu CleverReach übertragen werden. Nähere Informationen finden Sie in unserer Datenschutzerklärung

Frage zu Projekten stellen

Teilen Sie uns Ihre Kontaktdaten mit, wir melden uns schnellstmöglich bei Ihnen zurück!

Mit Absenden der Anfrage erklären Sie sich mit unserer Datenschutzerklärung einverstanden.

Alle Angebote des Zentrums sind kostenfrei.

Die Mobile Fabrik anfragen

Teilen Sie uns Ihre Kontaktdaten mit, wir melden uns schnellstmöglich bei Ihnen zurück!

Mit Absenden der Anfrage erklären Sie sich mit unserer Datenschutzerklärung einverstanden.

Alle Angebote des Zentrums sind kostenfrei.

Ihre Idee für ein Digitalisierungsprojekt

Sie haben eine konkrete Projektidee, mit der wir Ihren Betrieb bei der Digitalisierung unterstützen können? Teilen Sie uns Ihre Idee mit und wir melden uns umgehend bei Ihnen und besprechen alle weiteren Schritte.

Aus welcher Branche kommen Sie?
Welche Position bekleiden Sie im Unternehmen?
Wie viele Mitarbeitende beschäftigt Ihr Unternehmen?

Mit Absenden der Anfrage erklären Sie sich mit unserer Datenschutzerklärung einverstanden.

Alle Angebote des Zentrums sind kostenfrei.

Kontaktformular

Teilen Sie uns Ihre Kontaktdaten mit, wir melden uns schnellstmöglich bei Ihnen zurück!

Mit Absenden der Anfrage erklären Sie sich mit unserer Datenschutzerklärung einverstanden.

Alle Angebote des Zentrums sind kostenfrei.

Firmengespräch vereinbaren

Teilen Sie uns Ihre Kontaktdaten mit, wir melden uns schnellstmöglich bei Ihnen zurück!
Welche Position bekleiden Sie im Unternehmen?
Wie viele Mitarbeitende beschäftigt Ihr Unternehmen?

Mit Absenden der Anfrage erklären Sie sich mit unserer Datenschutzerklärung einverstanden.

Alle Angebote des Zentrums sind kostenfrei.

Suche

Suche

Termin für Livevorführung vereinbaren

Teilen Sie uns Ihre Kontaktdaten mit, wir melden uns schnellstmöglich bei Ihnen zurück!

Mit Absenden der Anfrage erklären Sie sich mit unserer Datenschutzerklärung einverstanden.

Alle Angebote des Zentrums sind kostenfrei.

Firmengespräch vereinbaren

Teilen Sie uns Ihre Kontaktdaten mit, wir melden uns schnellstmöglich bei Ihnen zurück!

Welche Position bekleiden Sie im Unternehmen?
Wie viele Mitarbeitende beschäftigt Ihr Unternehmen?

Mit dem Absenden dieser Anfrage erklären Sie sich mit unserer Datenschutzerklärung einverstanden.

Alle Angebote des Zentrums sind kostenfrei.

WordPress Cookie Hinweis von Real Cookie Banner