Filtern
Dokumenttyp
- Vortrag (4) (entfernen)
Referierte Publikation
- nein (4) (entfernen)
Schlagworte
- KI (4) (entfernen)
Organisationseinheit der BAM
Eingeladener Vortrag
- nein (4)
Die Verwendung von Methoden des Maschinellen Lernens (ML) und der Künstlichen Intelligenz (KI) im Fachbereich 8.6 Faseroptische Sensorik wird dargestellt. Die vielfältigen Möglichkeiten, Machine Learning auf Basis Künstlicher Neuronaler Netze (ANN) für eine schnelle und effiziente Datenverarbeitung eizusetzen werden demonstriert. Hierfür werden Beispiele für die Anwendungszwecke Messgrößenberechnung, Entrauschen, Interpolation, Bildverarbeitung und Messdatenauswertung aufgezeigt.
Durch die Anwendung von Convolutional Neural Networks (CNNs) kann die Auswertung von Modifizierten Varestraint-Transvarestraint-Tests (MVT) erheblich verbessert werden. Im MVT-Test werden Proben während des Schweißvorgangs über einen Zylinder gebogen. Die auf der Oberfläche der Probe sichtbare Rissstruktur gibt über Parameter wie die Gesamtrisslänge Auskunft über die Erstarrungsrissbeständigkeit der verwendeten Kombination aus Grundstoff, Schweißzusatz und Schweißparametern. Jedoch kann eine Auswertung unter dem Mikroskop sehr aufwendig sein und je nach Beobachter unterschiedliche Ergebnisse liefern. Mit Hilfe von CNNs wird die Auswertung der Risse automatisiert was Genauigkeit, Geschwindigkeit und Vergleichbarkeit verbessert.
Structural Health Monitoring (SHM) mittels geführter Ultraschallwellen ermöglicht eine kontinuierliche Überwachung komplexer Bauteile und liefert umfangreiche Informationen über deren strukturelle Integrität. Die aufgezeichneten Signale sind jedoch komplex und werden daher zunehmend mittels KI verarbeitet, um Anomalien in der Systemintegrität automatisch zu erkennen. Eine Herausforderung dabei ist jedoch das Trainieren solcher KI-Modelle, da dafür große Mengen an Trainingsdaten inklusive diverser Schadensfälle benötigt werden, um eine hohe Genauigkeit und Zuverlässigkeit zu gewährleisten. Experimentelle Generierung dieser Daten ist wegen des enormen Zeit- und Kostenaufwands nicht möglich.
Eine Alternative hierfür bieten die numerischen Simulationen, da dadurch Trainingsdaten für beliebige Anzahl an Schadenskonfigurationen erzeugt werden können. Das Hauptproblem dabei ist jedoch die Abweichung zwischen den experimentellen und simulierten Daten (durch z.B. Abweichungen bei der Geometrie, Randbedingungen oder Materialparameter). Um diese Abweichungen zu reduzieren bzw. zu eliminieren, wird ein KI-Modell mit einer Autoencoder-Decoder Architektur vorgestellt, die mittels eines Experiments kalibriert werden kann und anschließend in der Lage ist, die Genauigkeit der Simulationsergebnisse nachträglich zu erhöhen.
Der MVT-Test ist die an der BAM entwickelte und genutzte Version des Varestraint-Tests der weltweit für die Charakterisierung der Erstarrungsrissanfälligkeit von Schweißzusätzen und Legierungen eingesetzt wird. Die Auswertung solcher Tests erfolgt klassisch unter dem Lichtmikroskop. Durch Automatisierung des Auswerteprozesses mit KI kann der Informationsgehalt des Tests besser ausgeschöpft und eine höhere Vergleichbarkeit zwischen Testergebnissen gewährleistet werden.