EP3990904A1 - Verfahren zum erkennen von fehlstellen in einem bauteil, verfahren zum trainieren eines maschinellen lernsystems, computerprogrammprodukt, computerlesbares medium und system zum erkennen von fehlstellen in einem bauteil - Google Patents

Verfahren zum erkennen von fehlstellen in einem bauteil, verfahren zum trainieren eines maschinellen lernsystems, computerprogrammprodukt, computerlesbares medium und system zum erkennen von fehlstellen in einem bauteil

Info

Publication number
EP3990904A1
EP3990904A1 EP20740503.6A EP20740503A EP3990904A1 EP 3990904 A1 EP3990904 A1 EP 3990904A1 EP 20740503 A EP20740503 A EP 20740503A EP 3990904 A1 EP3990904 A1 EP 3990904A1
Authority
EP
European Patent Office
Prior art keywords
component
pores
machine learning
learning system
defects
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP20740503.6A
Other languages
English (en)
French (fr)
Inventor
Marius BONHAGE
Lars Aschermann
Frank Seidel
Uwe Schulze
Matthias LÜTKE
Philipp Döbber
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
MTU Aero Engines AG
Original Assignee
MTU Aero Engines AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by MTU Aero Engines AG filed Critical MTU Aero Engines AG
Publication of EP3990904A1 publication Critical patent/EP3990904A1/de
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/91—Investigating the presence of flaws or contamination using penetration of dyes, e.g. fluorescent ink
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9515—Objects of complex shape, e.g. examined with use of a surface follower device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30204—Marker

Definitions

  • the invention relates to a method for recognizing defects in a component, a method for training a machine learning system, a computer program product, a computer-readable medium and a system for recognizing defects in a component.
  • components e.g. Components of an engine to carry out a penetrant test in order to detect defects, in particular cracks and / or pores, in components.
  • a penetrant is applied to the surface of the component.
  • An exposure time is then awaited, in which the penetrant creeps into the imperfections, in particular cracks and / or pores, of the component. Then the penetrant is removed from the surface so that the
  • Penetrant only remains in the imperfections, in particular cracks and / or pores.
  • the penetrant can then be identified optically on an image of the component.
  • the disadvantage of previously known methods for detecting flaws, in particular cracks and / or pores, is that personnel trained / trained over a long period of time or intensively trained / trained persons to detect flaws, especially cracks and / or pores with experience are necessary.
  • the detection of flaws by people means that a lot of time is required for each component to examine the respective component for flaws, in particular cracks and / or pores.
  • knowledge and experience are lost due to employee fluctuations.
  • the light that is reflected and / or emitted by the penetration means must include or be light that is visible to humans. This limits the choice of penetrant.
  • the invention is based on the object of showing a method or system by means of which faults, in particular cracks and / or pores, in components can be identified simply and quickly by means of a penetrant.
  • the object is achieved by a method according to claim 1, a method according to claim 5, a computer program product according to claim 7, a computer-readable medium according to claim 8 and a system according to claim 9.
  • the object is achieved by a method for detecting imperfections, in particular cracks and / or pores, in a component, in particular in a component of a turbo engine, preferably in a component of an engine, the method comprising the following steps: applying penetrant to at least a partial area of the component in such a way that the penetrant penetrates into existing defects, in particular cracks and / or pores, of the component; Cleaning of the surface of the component from penetrant which has not penetrated into imperfections, in particular cracks and / or pores, of the component; Recording an image, in particular an overall image, of the component; Inputting the recorded image into a machine learning system that has been trained to detect defects, in particular cracks and / or pores; and detection of defects, in particular cracks and / or pores, in the component by means of the
  • machine learning system based on emitted and / or reflected light of the penetrant in the imperfections, in particular cracks and / or pores.
  • One advantage of this is that the component can be examined for defects, in particular cracks and / or pores, quickly, automatically and in a technically simple manner.
  • no specially trained person is required to identify the imperfections, in particular cracks and / or pores. This lowers the cost of the procedure.
  • the object is also achieved by a method for training a machine learning system to detect defects, in particular cracks and / or pores, in a component, in particular in a component of a turbo machine, preferably in a component of an engine, the method using the following steps includes:
  • Providing a machine learning system in particular comprising a neural network; Inputting an image, in particular an overall image, of the component into the machine learning system, the image including emitted and / or reflected light from penetrants present in defects, in particular cracks and / or pores, of the component; Detection of defects, in particular cracks and / or pores, in the component by means of the machine learning system on the basis of emitted and / or reflected light of the penetrant in the defects, in particular cracks and / or pores; Output of information as to whether or not the component has defects, in particular cracks and / or pores, by the machine learning system; and inputting appropriate information as to whether or not the component has defects, in particular cracks and / or pores, into the machine learning system for training the machine learning system.
  • One advantage of this is that the machine learning system can be trained in a technically simple, fast and reliable manner to recognize defects, in particular cracks and / or pores, in the component.
  • the object is also achieved by a computer program product which has instructions which can be read by a processor of a computer and which, when executed by the processor, cause the processor to execute one of the methods described above.
  • the object is also achieved by a computer-readable medium on which this computer program product is stored.
  • the object is also achieved by a system for detecting defects, in particular cracks and / or pores, in a component, in particular in a component of a turbomachine, preferably in a component of an engine, the system comprising: an image acquisition device for recording an image, in particular an overall image, of the component, the image comprising emitted and / or reflected light from penetrants present in imperfections, in particular cracks and / or pores, of the component; and a trained machine learning system for recognizing defects, in particular cracks and / or pores, in the component Basis of the emitted and / or reflected light of the penetrant in the imperfections, in particular cracks and / or pores, of the component.
  • the system can automatically, technically simply and quickly examine the component for defects, in particular cracks and / or pores.
  • no specially trained personnel is required to recognize the defects, in particular cracks and / or pores.
  • the penetrant can reflect and / or emit light in the area that is not visible to humans. This can increase the reliability of the detection of defects, in particular cracks and / or pores.
  • the penetrant emits and / or reflects light that is visible to humans.
  • the method further comprises the following step: outputting an image of the component by the machine learning system, wherein the flaws recognized by the machine learning system, in particular cracks and / or or pores.
  • Measures can be carried out automatically. For example, the components in which the presence of flaws, in particular cracks and / or pores, has been determined, can be examined more closely and / or the flaws, in particular the cracks and / or pores, can be repaired automatically.
  • the machine learning system comprises a neural network, in particular the machine learning system is a neural network.
  • the method is particularly reliable and fast.
  • the relevant information is created on the basis of defects, in particular cracks and / or pores, recognized by a person in the overall picture.
  • the advantage here is that the system can be trained in a technically simple manner. In particular, it can be achieved or ensured in a technically simple manner that the machine learning system detects defects, in particular cracks and / or pores, particularly reliably.
  • the penetrant emits and / or reflects light that is visible to humans.
  • the advantage of this is that the result that is output by the system can be quickly checked by humans in a technically simple manner.
  • the reliability of the system can thus be easily checked by the person, whereby the confidence in the system can be increased particularly easily.
  • Fig. 1 is a schematic view of an embodiment of an inventive
  • FIG. 1 shows a schematic view of an embodiment of a system 10 according to the invention for detecting defects, in particular cracks and / or pores, in a component 20, in particular in a component 20 of a turbomachine, preferably in a component 20 of an engine.
  • Blading a rotor of the engine comprises an image capture device 30 and a machine learning system 40.
  • the image capture device 30, e.g. a digital camera captures an optical image, in particular an overall image, of component 20.
  • Overall image means in particular that not an image of a partial area of component 20 is generated, but rather that an optical image of the entire or complete component 20 (from one perspective) is generated becomes.
  • the machine learning system 40 is designed and trained in the component 20 to recognize defects, in particular cracks and / or pores.
  • a dye penetrant inspection is carried out on the component 20, e.g. according to DIN EN ISO 3452-1: 2014-09. Defects, in particular cracks and / or pores, in the surface of the component 20 can be detected by the penetration test.
  • the surface of at least a partial area of the surface of the component 20, in particular the entire surface of the component 20, is cleaned. Then a
  • Penetrant applied to the cleaned portion of the surface of the component 20 After an exposure time, which may depend on the respective penetrant, the penetrant is removed from the surface of the component 20 in such a way that the penetrant only remains in defects, in particular cracks or depressions, of the component 20.
  • An image, in particular an overall image, of the component 20 is now generated.
  • natural light or light of the spectrum visible to humans and / or ultraviolet light and / or infrared light can be radiated or incident on the component 20 or the partial area of the component 20.
  • the light emitted and / or reflected by the penetrant remaining in the cracks and / or pores and the light emitted from the surface of the component 20 and / or reflected light is used to create the image.
  • This image of the component 20 is input into the machine learning system 40.
  • the overall image can be composed of several created individual images of the component 20.
  • the penetrant may comprise or be a dye penetrant and / or a fluorescent penetrant. During the exposure time, the penetrant creeps into any defects that may be present, in particular cracks and / or pores.
  • the light that excites emitting of the penetrant, or that is (partially) reflected by the penetrant, can comprise or be visible light, UV light and / or infrared light.
  • the penetrant can emit and / or reflect light that is visible to humans.
  • the dye penetrant emits and / or reflects light invisible to humans, e.g. Light in the infrared range and / or light in the
  • Ultraviolet range A combination of visible and invisible light is also possible.
  • the machine learning system 40 is trained to identify imperfections, in particular cracks and / or pores, in the component 20 or in the surface of the component 20 on the basis of the
  • the penetrant ensures that the flaws, in particular cracks and / or pores, due to what is present in the flaws, in particular cracks and / or pores
  • Penetrant appear in a different color or a different shade and / or a different brightness compared to the rest of the surface of the component 20.
  • the machine learning system 40 usually runs on a computer or calculator.
  • the machine learning system 40 may include a support vector machine (SVM), a neural network, a deep neural network (DNN), a convolutional neural network (CNN), and the like.
  • SVM support vector machine
  • DNN deep neural network
  • CNN convolutional neural network
  • the component 20 can be identified as defective.
  • a user of the system 10 can be made aware of this. It is conceivable that the user examines the component 20 by hand or manually for defects, in particular cracks and / or pores, e.g. at the locations or areas specified by system 10. It is also conceivable that the identified defects, in particular cracks and / or pores, are automatically repaired. Then e.g. another penetrant test must be carried out.
  • the machine learning system 40 can output or generate an image on which the recognized or identified flaws, in particular cracks and / or pores, in the surface of the component 20 are marked. These markings can e.g. by colored elements that correspond to the shape of the defect, the crack or the pore, lettering or the like.
  • the learning system usually does not include any sub-areas of the component 20 one after the other, i.e. Piece by piece or step by step, examined or processed by the machine learning system 40.
  • the flaws, in particular cracks and / or pores, are recognized by the machine learning system 40 in the overall context of the component 20.
  • the machine learning system 40 is trained to recognize defects, in particular cracks and / or pores, by means of the penetrant as follows: An image or an image recording or an overall image of a component is input into the machine learning system 40.
  • the image or overall image shows a recording of the component 20 in which, after cleaning the surface, a penetrant was applied to the surface and, after an exposure time, the penetrant was removed from the surface of the component 20 in such a way that the penetrant was only has remained in any defects that may be present, in particular cracks and / or pores, of the component 20.
  • the component 20 was illuminated during the image recording in such a way that the surface where there are no defects, in particular cracks and / or pores, and the penetrant appear in different colors and / or hues and / or brightnesses.
  • the machine learning system 40 then outputs the information as to whether the component 20 has defects, in particular cracks or pores, or not.
  • the machine learning system 40 can output an image on which the flaws, in particular cracks and / or pores, are identified.
  • a trainer e.g. a person corrects or correctly indicates whether or not the respective component 20 (in the perspective of the image or the overall image) contains defects, in particular cracks and / or pores. This is input into the machine learning system 40 so that the machine learning system 40 can learn.
  • the trainer can also use the machine learning system 40 recognized or
  • This training of the machine learning system 40 can be repeated with a large number of images, in particular overall images, if possible of different components 20. It is also conceivable that images that are correctly identified by humans as defects, in particular cracks and / or pores, are marked as “having” (also referred to as “having an indication”) or “not having” (also known as “having no indication”) are inputted into the machine learning system 40 as truth.
  • the machine learning system 40 can be trained by different people. This means that different people identify imperfections, in particular cracks and / or pores, in the overall image and this information is input into the machine learning system 40.
  • the machine learning system 40 can be trained until the machine learning system 40 detects imperfections, in particular cracks and / or pores, in the component 20 at least as well as a person (trained or trained for this).
  • the machine learning system 40 can classify the image, in particular the overall image, of the component 20. E.g. can classify the image or overall image into the class “component without flaws” or “component without cracks and pores” or into the class “component with flaws” or “component with cracks and / or pores”. It is also possible to determine the length of the flaw or flaws, in particular the crack or cracks or the pore or pores, the width of the flaw or flaws, in particular the crack or cracks, the size or diameter of the flaw or pore and / or number of imperfections, in particular cracks and / or pores, to be used as a classification property.
  • the component 20 can, for example, be a component of an engine.
  • the component 20 can be, for example, a rotor or a blade of a high pressure compressor (HPC) or a rotor or a blade of a high pressure turbine (HPT) of an engine.
  • the engine can in particular be an aircraft engine.
  • the engine can be a jet engine.
  • the penetrant can in particular be a crack detection agent.
  • Image capture device is used.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

Es wird ein Verfahren zum Erkennen von Fehlstellen, insbesondere Rissen und/oder Poren, in einem Bauteil (20), insbesondere in einem Bauteil (20) einer Strömungsmaschine, vorzugsweise in einem Bauteil (20) eines Triebwerks, vorgeschlagen, wobei das Verfahren folgende Schritte umfasst: Aufbringen von Eindringmittel auf zumindest einen Teilbereich des Bauteils (20) derart, dass das Eindringmittel in vorhandene Fehlstellen, insbesondere Risse und/oder Poren, des Bauteils (20) eindringt; Säubern der Oberfläche des Bauteils (20) von Eindringmittel, das nicht in Fehlstellen, insbesondere Risse und/oder Poren, des Bauteils (20) eingedrungen ist; Aufnehmen eines Bilds, insbesondere eines Gesamtbilds, des Bauteils (20); Eingeben des aufgenommenen Bilds in ein zum Erkennen von Fehlstellen, insbesondere Rissen und/oder Poren, trainiertes maschinelles Lernsystem (40); und Erkennen von Fehlstellen, insbesondere Rissen und/oder Poren, in dem Bauteil (20) mittels des maschinellen Lernsystems (40) auf Grundlage von emittiertem und/oder reflektiertem Licht des Eindringmittels in den Fehlstellen, insbesondere Rissen und/oder Poren.

Description

Verfahren zum Erkennen von Fehlstellen in einem Bauteil, Verfahren zum Trainieren eines maschinellen Lernsystems, Computerprogrammprodukt, computerlesbares Medium und
System zum Erkennen von Fehlstellen in einem Bauteil
Beschreibung
Die Erfindung betrifft ein Verfahren zum Erkennen von Fehlstellen in einem Bauteil, ein Verfahren zum Trainieren eines maschinellen Lernsystems, ein Computerprogrammprodukt, ein computerlesbares Medium und ein System zum Erkennen von Fehlstellen in einem Bauteil.
Stand der Technik
Es ist bekannt, bei Bauteilen, z.B. Bauteilen eines Triebwerks, eine Eindringprüfung durchzuführen, um Fehlstellen, insbesondere Risse und/oder Poren, in Bauteilen zu erkennen. Hierbei wird nach einer Reinigung der Oberfläche ein Eindringmittel auf die Oberfläche des Bauteils aufgebracht. Anschließend wird eine Einwirkungszeit abgewartet, in der das Eindringmittel in die Fehlstellen, insbesondere Risse und/oder Poren, des Bauteils kriecht. Danach wird das Eindringmittel von der Oberfläche entfernt, so dass das
Eindringmittel nur in den Fehlstellen, insbesondere Rissen und/oder Poren, verbleibt. Das Eindringmittel kann anschließend optisch auf einem Bild des Bauteils erkannt werden.
Nachteilig an bisher bekannten Verfahren zum Erkennen von Fehlstellen, insbesondere Rissen und/oder Poren, ist, dass zum Erkennen der Fehlstellen, insbesondere Risse und/oder Poren, aufwendig bzw. über einen langen Zeitraum geschultes/trainiertes Personal bzw. intensiv trainierte/geschulte Personen mit Erfahrung notwendig sind. Durch das Erkennen von Fehlstellen durch Menschen wird pro Bauteil sehr viel Zeit zum Untersuchen des jeweiligen Bauteils auf Fehlstellen, insbesondere Risse und/oder Poren, benötigt. Des Weiteren geht durch Mitarbeiterfluktuationen Wissen und Erfahrung verloren. Darüber hinaus muss bei bisher bekannten Verfahren das Licht, das von den Eindringmittel reflektiert und/oder emittiert wird, für den Menschen sichtbares Licht umfassen bzw. sein. Hierdurch ist die Auswahl des Eindringmittels eingeschränkt.
BESTATIGUNGSKOPIE Offenbarung der Erfindung
Der Erfindung liegt die Aufgabe zu Grunde, ein Verfahren bzw. System aufzuzeigen, mittels dem technisch einfach und schnell Fehlstellen, insbesondere Risse und/oder Poren, in Bauteilen mittels eines Eindringmittels erkannt werden können.
Die Aufgabe wird durch ein Verfahren gemäß Anspruch 1 , ein Verfahren gemäß Anspruch 5, ein Computerprogrammprodukt gemäß Anspruch 7, ein computerlesbares Medium gemäß Anspruch 8 und ein System gemäß Anspruch 9 gelöst.
Insbesondere wird die Aufgabe durch ein Verfahren zum Erkennen von Fehlstellen, insbesondere Rissen und/oder Poren, in einem Bauteil, insbesondere in einem Bauteil einer Strömungsmaschine, vorzugsweise in einem Bauteil eines Triebwerks, gelöst, wobei das Verfahren folgende Schritte umfasst: Aufbringen von Eindringmittel auf zumindest einen Teilbereich des Bauteils derart, dass das Eindringmittel in vorhandene Fehlstellen, insbesondere Risse und/oder Poren, des Bauteils eindringt; Säubern der Oberfläche des Bauteils von Eindringmittel, das nicht in Fehlstellen, insbesondere Risse und/oder Poren, des Bauteils eingedrungen ist; Aufnehmen eines Bilds, insbesondere eines Gesamtbilds, des Bauteils; Eingeben des aufgenommenen Bilds in ein zum Erkennen von Fehlstellen, insbesondere Rissen und/oder Poren, trainiertes maschinelles Lernsystem; und Erkennen von Fehlstellen, insbesondere Rissen und/oder Poren, in dem Bauteil mittels des
maschinellen Lernsystems auf Grundlage von emittiertem und/oder reflektiertem Licht des Eindringmittels in den Fehlstellen, insbesondere Rissen und/oder Poren.
Ein Vorteil hiervon ist, dass das Bauteil schnell, automatisiert und technisch einfach auf Fehlstellen, insbesondere Risse und/oder Poren, untersucht werden kann. Darüber hinaus wird keine besonders geschulte Person zum Erkennen der Fehlstellen, insbesondere Risse und/oder Poren, benötigt. Dies senkt die Kosten des Verfahrens. Zudem ist es möglich, ein Eindringmittel zu verwenden, das Licht in einem für den Menschen nicht-sichtbaren Bereich reflektiert und/oder emittiert. Hierdurch kann das Erkennen von Fehlstellen, insbesondere Rissen und/oder Poren, noch weiter verbessert werden. Insbesondere wird die Aufgabe auch durch ein Verfahren zum Trainieren eines maschinellen Lernsystems zum Erkennen von Fehlstellen, insbesondere Rissen und/oder Poren, in einem Bauteil, insbesondere in einem Bauteil einer Strömungsmaschine, vorzugsweise in einem Bauteil eines Triebwerks, gelöst, wobei das Verfahren folgende Schritte umfasst:
Bereitstellen eines maschinellen Lernsystems, insbesondere umfassend ein neuronales Netzwerk; Eingeben eines Bilds, insbesondere eines Gesamtbilds, des Bauteils in das maschinelle Lernsystem, wobei das Bild emittiertes und/oder reflektiertes Licht von in Fehlstellen, insbesondere Rissen und/oder Poren, des Bauteils vorhandenen Eindringmittel umfasst; Erkennen von Fehlstellen, insbesondere Rissen und/oder Poren, in dem Bauteil mittels des maschinellen Lernsystems auf Grundlage von emittiertem und/oder reflektiertem Licht des Eindringmittels in den Fehlstellen, insbesondere Rissen und/oder Poren; Ausgeben einer Information, ob das Bauteil Fehlstellen, insbesondere Risse und/oder Poren, aufweist oder nicht, durch das maschinelle Lernsystem; und Eingeben von zutreffender Information, ob das Bauteil Fehlstellen, insbesondere Risse und/oder Poren, aufweist oder nicht, in das maschinelle Lernsystem zum Trainieren des maschinellen Lernsystems.
Ein Vorteil hiervon ist, dass das maschinelle Lernsystem technisch einfach, schnell und zuverlässig zum Erkennen von Fehlstellen, insbesondere Rissen und/oder Poren, in dem Bauteil trainiert werden kann.
Insbesondere wird die Aufgabe auch durch ein Computerprogrammprodukt gelöst, das von einem Prozessor eines Computers lesbare Instruktionen aufweist, die, wenn sie von dem Prozessor ausgeführt werden, den Prozessor veranlassen, eines der oben beschriebenen Verfahren auszuführen. Insbesondere wird die Aufgabe auch durch ein computerlesbares Medium gelöst, auf dem dieses Computerprogrammprodukt gespeichert ist.
Insbesondere wird die Aufgabe auch durch ein System zum Erkennen von Fehlstellen, insbesondere Rissen und/oder Poren, in einem Bauteil, insbesondere in einem Bauteil einer Strömungsmaschine, vorzugsweise in einem Bauteil eines Triebwerks, gelöst, wobei das System folgendes umfasst: eine Bilderfassungsvorrichtung zum Aufnehmen eines Bilds, insbesondere eines Gesamtbilds, des Bauteils, wobei das Bild emittiertes und/oder reflektiertes Licht von in Fehlstellen, insbesondere Rissen und/oder Poren, des Bauteils vorhandenen Eindringmittel umfasst; und ein trainiertes maschinelles Lernsystem zum Erkennen von Fehlstellen, insbesondere Rissen und/oder Poren, in dem Bauteil auf Grundlage des emittierten und/oder reflektierten Lichts des Eindringmittels in den Fehlstellen, insbesondere Rissen und/oder Poren, des Bauteils.
Vorteilhaft hieran ist, dass das System automatisiert, technisch einfach und schnell das Bauteil auf Fehlstellen, insbesondere Risse und/oder Poren, untersuchen kann. Darüber hinaus wird kein besonders geschultes Personal benötigt, das die Fehlstellen, insbesondere Risse und/oder Poren, erkennt. Zudem kann das Eindringmittel Licht im für den Menschen nicht-sichtbaren Bereich reflektieren und/oder emittieren. Hierdurch kann die Zuverlässigkeit der Erkennung von Fehlstellen, insbesondere Rissen und/oder Poren, erhöht werden.
Gemäß einer Ausführungsform des Verfahrens zum Erkennen von Fehlstellen, insbesondere Rissen und/oder Poren, emittiert und/oder reflektiert das Eindringmittel für den Menschen sichtbares Licht.
Vorteilhaft hieran ist, dass das Ergebnis des Verfahrens bzw. die Zuverlässigkeit des Verfahrens durch den Menschen technisch einfach und schnell überprüft werden kann. Dies erhöht das Vertrauen in das Verfahren.
Gemäß einer Ausführungsform des Verfahrens zum Erkennen von Fehlstellen, insbesondere Rissen und/oder Poren, umfasst das Verfahren ferner folgenden Schritt: Ausgeben eines Bilds des Bauteils durch das maschinelle Lernsystem, wobei in dem Bild die von dem maschinellen Lernsystem erkannten Fehlstellen, insbesondere Risse und/oder Poren, gekennzeichnet sind.
Ein Vorteil hiervon ist, dass auf Grundlage der ausgegebenen Information weitere
Maßnahmen automatisiert durchgeführt werden können. Beispielsweise können die Bauteile, bei denen das Vorhandensein von Fehlstellen, insbesondere Rissen und/oder Poren, festgestellt wurde, näher untersucht und/oder die Fehlstellen, insbesondere die Risse und/oder Poren, können automatisiert repariert werden.
Gemäß einer Ausführungsform des Verfahrens zum Erkennen von Fehlstellen, insbesondere Rissen und/oder Poren, umfasst das maschinelle Lernsystem ein neuronales Netzwerk umfasst, insbesondere ist das maschinelle Lernsystem ein neuronales Netzwerk. Vorteilhaft hieran ist, dass das Verfahren besonders zuverlässig und schnell ist.
Gemäß einer Ausführungsform des Verfahrens zum Trainieren des maschinellen
Lernsystems wird die zutreffende Information auf Grundlage von von einem Menschen auf dem Gesamtbild erkannten Fehlstellen, insbesondere Rissen und/oder Poren, erstellt.
Vorteilhaft hieran ist, dass das System technisch einfach trainiert werden kann. Es kann insbesondere technisch einfach erreicht bzw. sichergestellt werden, dass das maschinelle Lernsystem Fehlstellen, insbesondere Risse und/oder Poren, besonders zuverlässig erkennt.
Gemäß einer Ausführungsform des Systems emittiert und/oder reflektiert das Eindringmittel für den Menschen sichtbares Licht.
Vorteilhaft hieran ist, dass das Resultat, das vom System ausgebeben wird, technisch einfach durch den Menschen schnell überprüft werden kann. Somit kann die Zuverlässigkeit des Systems durch den Menschen einfach überprüft werden, wodurch das Vertrauen in das System besonders einfach erhöht werden kann.
Bevorzugte Ausführungsformen ergeben sich aus den Unteransprüchen. Nachfolgend wird die Erfindung anhand von einer Zeichnung eines Ausführungsbeispiels näher erläutert.
Hierbei zeigt
Fig. 1 eine schematische Ansicht einer Ausführungsform eines erfindungsgemäßen
Systems zum Erkennen von Fehlstellen, insbesondere Rissen und/oder Poren, in einem Bauteil.
Bei der nachfolgenden Beschreibung werden für gleiche und gleich wirkende Elemente dieselben Bezugsziffern verwendet. Fig. 1 zeigt eine schematische Ansicht einer Ausführungsform eines erfindungsgemäßen Systems 10 zum Erkennen von Fehlstellen, insbesondere Rissen und/oder Poren, in einem Bauteil 20, insbesondere in einem Bauteil 20 einer Strömungsmaschine, vorzugsweise in einem Bauteil 20 eines Triebwerks. Das System 10 zum Erkennen von Fehlstellen, insbesondere Rissen und/oder Poren, in einer Oberfläche eines Bauteils 20, z.B. in
Schaufeln eines Rotors des Triebwerks, umfasst eine Bilderfassungsvorrichtung 30 und ein maschinelles Lernsystem 40.
Die Bilderfassungsvorrichtung 30, z.B. eine Digitalkamera, erfasst ein optisches Bild, insbesondere ein Gesamtbild, des Bauteils 20. Gesamtbild bedeutet insbesondere, dass nicht ein Bild eines Teilbereichs des Bauteils 20 erzeugt wird, sondern dass ein optisches Bild des gesamten bzw. vollständigen Bauteils 20 (aus einer Perspektive) erzeugt wird.
Das maschinelle Lernsystem 40 ist zum Erkennen von Fehlstellen, insbesondere Rissen und/oder Poren, in dem Bauteil 20 ausgebildet und trainiert.
Eine Eindringprüfung (Dye penetrant inspection; DP) wird an dem Bauteil 20 durchgeführt, z.B. nach DIN EN ISO 3452-1 :2014-09. Durch die Eindringprüfung können Fehlstellen, insbesondere Risse und/oder Poren, in der Oberfläche des Bauteils 20 erkannt werden.
Zunächst wird die Oberfläche zumindest eines Teilbereichs der Oberfläche des Bauteils 20, insbesondere die gesamte Oberfläche des Bauteils 20, gereinigt. Dann wird ein
Eindringmittel auf den gereinigten Teilbereich der Oberfläche des Bauteils 20 aufgebracht. Nach einer Einwirkungszeit, die von dem jeweiligen Eindringmittel abhängen kann, wird das Eindringmittel von der Oberfläche des Bauteils 20 derart entfernt, dass das Eindringmittel nur in Fehlstellen, insbesondere Rissen bzw. Vertiefungen, des Bauteils 20 verbleibt.
Nun wird ein Bild, insbesondere ein Gesamtbild, des Bauteils 20 erzeugt. Hierbei kann natürliches Licht bzw. Licht des für Menschen sichtbaren Spektrums und/oder Ultraviolettlicht und/oder Infrarotlicht auf das Bauteil 20 bzw. den Teilbereich des Bauteils 20 gestrahlt werden bzw. fallen. Das von dem in den Rissen und/oder Poren verbliebene Eindringmittel emittierte und/oder reflektierte Licht und das von der Oberfläche des Bauteils 20 emittierte und/oder reflektierte Licht wird zum Erzeugen des Bilds verwendet. Dieses Bild des Bauteils 20 wird in das maschinelle Lernsystem 40 eingegeben. Das Gesamtbild kann aus mehreren erstellten Einzelbildern des Bauteils 20 zusammengesetzt sein.
Das Eindringmittel kann ein Farbeindringmittel und/oder ein Fluoreszenzeindringmittel umfassen oder sein. Während der Einwirkungszeit kriecht das Eindringmittel in die gegebenenfalls vorhandenen Fehlstellen, insbesondere Risse und/oder Poren. Das Licht, das ein Emittieren des Eindringmittels anregt, oder das (teilweise) von dem Eindringmittel reflektiert wird, kann sichtbares Licht, UV-Licht und/oder Infrarotlicht umfassen oder sein. Das Eindringmittel kann für den Menschen sichtbares Licht emittieren und/oder reflektieren. Es ist jedoch auch möglich, dass das Farbeindringmittel für den Menschen nicht-sichtbares Licht emittiert und/oder reflektiert, z.B. Licht im Infrarotbereich und/oder Licht im
Ultraviolettbereich. Auch eine Kombination von sichtbarem und nicht-sichtbarem Licht ist möglich.
Das maschinelle Lernsystem 40 ist darauf trainiert, Fehlstellen, insbesondere Risse und/oder Poren, in dem Bauteil 20 bzw. in der Oberfläche des Bauteils 20 auf Grundlage des
Eindringmittels, das sich beim Aufnehmen des Gesamtbilds, in den Fehlstellen,
insbesondere Rissen und/oder Poren, befindet, zu erkennen bzw. zu identifizieren. Das Eindringmittel sorgt dafür, dass die Fehlstellen, insbesondere Risse und/oder Poren, aufgrund des in den Fehlstellen, insbesondere Rissen und/oder Poren, vorhandenen
Eindringmittels in einer anderen Farbe bzw. einem anderen Farbton und/oder einer anderen Helligkeit im Vergleich zu der übrigen Oberfläche des Bauteils 20 erscheinen.
Das maschinelle Lernsystem 40 läuft üblicherweise auf einem Computer bzw. Rechner.
Das maschinelle Lernsystem 40 kann eine support vector machine (SVM), ein neuronales Netzwerk, ein deep neural network (DNN), ein convolutional neural network (CNN) und ähnliches umfassen.
Das maschinelle Lernsystem 40 gibt zumindest eine Information aus, nämlich ob das Gesamtbild des Bauteils 20 bzw. das Bauteil 20 mindestens eine Fehlstelle bzw. mindestens einen Riss oder mindestens eine Pore aufweist oder nicht. Wenn das maschinelle Lernsystem 40 keine Fehlstelle bzw. keinen Riss und/oder keine Pore in dem Gesamtbild erkannt hat, kann das Bauteil 20 als fehlerfrei gekennzeichnet werden. Daraufhin kann anschließend das nächste Bauteil 20 untersucht werden.
Bei Erkennen mindestens einer Fehlstelle bzw. mindestens eines Risses und/oder mindestens einer Pore in der Oberfläche durch das maschinelle Lernsystem 40 kann das Bauteil 20 als fehlerhaft gekennzeichnet werden. Hierauf kann ein Benutzer des Systems 10 aufmerksam gemacht werden. Denkbar ist, dass der Benutzer das Bauteil 20 händisch bzw. manuell auf Fehlstellen, insbesondere Risse und/oder Poren, untersucht, z.B. an den vom System 10 angegebenen Stellen bzw. Bereichen. Auch ist denkbar, dass die erkannten Fehlstellen, insbesondere Risse und/oder Poren, automatisiert repariert werden. Danach kann z.B. erneut eine Eindringprüfung durchgeführt werden.
Darüber hinaus kann das maschinelle Lernsystem 40 ein Bild ausgeben bzw. erzeugen, auf dem die erkannten bzw. identifizierten Fehlstellen, insbesondere Risse und/oder Poren, in der Oberfläche des Bauteils 20 gekennzeichnet sind. Diese Kennzeichnungen können z.B. durch farbige Elemente, die der Form der Fehlstelle, des Risses bzw. der Pore entsprechen, Beschriftungen oder ähnliches umfassen.
Insbesondere ist es möglich, dass nur ein einziges Gesamtbild des Bauteils 20 (und nicht mehrere Einzelbilder von Teilbereichen des Bauteils 20) in das maschinelle Lernsystem 40 eingegeben wird, um das jeweilige Bauteil 20 auf Fehlstellen, insbesondere Risse und/Poren, zu untersuchen. Üblicherweise werden keine wiederholten Bildaufnahmen desselben Bauteils 20 (aus derselben Perspektive und/oder aus zueinander ähnlichen Perspektiven) durchgeführt. Beim Eingeben eines Gesamtbilds in das maschinelle
Lernsystem werden üblicherweise keine Teilbereiche des Bauteils 20 nacheinander, d.h. Stück für Stück bzw. schrittweise, von dem maschinellen Lernsystem 40 untersucht bzw. verarbeitet. Die Fehlstellen, insbesondere Risse und/oder Poren, werden im Gesamtkontext des Bauteils 20 von dem maschinellen Lernsystem 40 erkannt.
Das maschinelle Lernsystem 40 wird auf das Erkennen von Fehlstellen, insbesondere Rissen und/oder Poren, mittels des Eindringmittels folgendermaßen trainiert: Ein Bild bzw. eine Bildaufnahme bzw. ein Gesamtbild eines Bauteils wird in das maschinelle Lernsystem 40 eingegeben. Auf dem Bild bzw. Gesamtbild ist eine Aufnahme des Bauteils 20 zu sehen, bei dem nach einer Reinigung der Oberfläche ein Eindringmittel auf die Oberfläche aufgetragen wurde und nach einer Einwirkungszeit das Eindringmittel derart von der Oberfläche des Bauteils 20 wieder entfernt wurde, dass das Eindringmittel nur in gegebenenfalls vorhandenen Fehlstellen, insbesondere Rissen und/oder Poren, des Bauteils 20 verblieben ist. Das Bauteil 20 wurde bei der Bildaufnahme derart beleuchtet, dass die Oberfläche, wo keine Fehlstellen, insbesondere Risse und/oder Poren, vorhanden sind, und das Eindringmittel in unterschiedlichen Farben und/oder Farbtönen und/oder Helligkeiten erscheinen.
Anschließend gibt das maschinelle Lernsystem 40 die Information aus, ob das Bauteil 20 Fehlstellen, insbesondere Risse oder Poren, aufweist oder nicht. Zusätzlich kann das maschinelle Lernsystem 40 ein Bild ausgeben, auf dem die Fehlstellen, insbesondere Risse und/oder Poren, gekennzeichnet sind. Ein Trainer, z.B. ein Mensch, berichtigt bzw. gibt zutreffend an, ob das jeweilige Bauteil 20 (in der Perspektive des Bilds oder Gesamtbilds) Fehlstellen, insbesondere Risse und/oder Poren, enthält oder nicht. Dies wird in das maschinelle Lernsystem 40 eingegeben, so dass das maschinelle Lernsystem 40 lernen kann.
Der Trainer kann zudem die von dem maschinellen Lernsystem 40 erkannten bzw.
identifizierten Fehlstellen, insbesondere Risse und/oder Poren, mit den Fehlstellen, insbesondere Rissen und/oder Poren, die er auf dem Gesamtbild bzw. Bild erkennt, das in das maschinelle Lernsystem 40 eingegeben wurde, vergleichen. Unterschiede zwischen diesen beiden Bildern werden in das maschinelle Lernsystem 40 eingegeben, so dass das maschinelle Lernsystem 40 lernt, welche Fehlstellen, insbesondere Risse und/oder Poren, zutreffend erkannt wurden, welche Fehlstellen, insbesondere Risse und/oder Poren, nicht erkannt wurde und an welchen Stellen, eine Fehlstelle bzw. ein Riss und/oder eine Pore erkannt wurde, obwohl keine Fehlstelle bzw. kein Riss bzw. keine Pore vorhanden ist.
Dieses Training des maschinellen Lernsystems 40 kann mit einer Vielzahl von Bildern, insbesondere Gesamtbildern, möglichst von unterschiedlichen Bauteilen 20, wiederholt werden. Denkbar ist auch, dass Bilder, die vom Menschen zutreffend als Fehlstellen, insbesondere Rissen und/oder Poren,„aufweisend“ (auch als„eine Anzeige haben“ bezeichnet) oder„nicht aufweisend“ (auch als„keine Anzeige haben“ bezeichnet) markiert wurden, in das maschinelle Lernsystem 40 als Truth/Wahrheit eingegeben werden. Vorstellbar ist auch, dass das Bild, bei dem ein Mensch die Stellen bzw. Positionen der Fehlstellen, insbesondere Risse und/oder Poren, zutreffend markiert hat, als Truth/Wahrheit in das maschinelle Lernsystem 40 eingegeben wird und das maschinelle Lernsystem 40 die Unterschiede zwischen dem erzeugten Bild, auf dem die vom maschinellen Lernsystem 40 erkannten Fehlstellen, insbesondere Risse und/oder Poren, gekennzeichnet sind, und dem Bild, auf dem die von dem Menschen zutreffend erkannten Fehlstellen, insbesondere Risse und/oder Poren, gekennzeichnet sind, selbständig feststellt und auf diese Weise lernt.
Das maschinelle Lernsystem 40 kann von unterschiedlichen Personen trainiert werden. Dies bedeutet, dass unterschiedliche Menschen Fehlstellen, insbesondere Risse und/oder Poren, in dem Gesamtbild identifizieren und diese Information in das maschinelle Lernsystem 40 eingegeben wird.
Insbesondere kann das maschinelle Lernsystem 40 trainiert werden, bis das maschinelle Lernsystem 40 Fehlstellen, insbesondere Risse und/oder Poren, in dem Bauteil 20 mindestens so gut wie ein (hierfür geschulter bzw. trainierter) Mensch erkennt.
Das maschinelle Lernsystem 40 kann das Bild, insbesondere das Gesamtbild, des Bauteils 20 klassifizieren. Z.B. kann das Bild bzw. Gesamtbild in die Klasse„Bauteil ohne Fehlstellen“ bzw.„Bauteil ohne Risse und Poren“ oder in die Klasse„Bauteil mit Fehlstelle“ bzw.„Bauteil mit Rissen und/oder Poren“ klassifizieren. Auch ist es möglich, die Länge der Fehlstelle bzw. der Fehlstellen, insbesondere des Risses oder der Risse bzw. der Pore bzw. Poren, die Breite der Fehlstelle oder der Fehlstellen, insbesondere des Risses oder der Risse, die Größe bzw. Durchmesser der Fehlstelle bzw. Pore und/oder Anzahl der Fehlstellen, insbesondere Risse und/oder Poren, als Klassifikationseigenschaft zu verwenden.
Nach dem Trainieren des maschinellen Lernsystems 40 bzw. bei der Verwendung des Systems 10 wird keine Person benötigt, die die Fehlstellen, insbesondere Risse und/oder Poren, mittels des Eindringmittels erkennt, sondern die Person muss nur den Betrieb des Systems 10 mit dem maschinellen Lernsystem 40 überwachen bzw. bedienen. Das Bauteil 20 kann z.B. ein Bauteil eines Triebwerks sein. Das Bauteil 20 kann z.B. ein Rotor bzw. eine Schaufel eines Hochdruckkompressors (high pressure compressor, HPC) oder ein Rotor bzw. eine Schaufel einer Hochdruckturbine (high pressure turbine, HPT) eines Triebwerks sein. Das Triebwerk kann insbesondere ein Triebwerk eines Flugzeugs sein. Das Triebwerk kann ein Düsentriebwerk sein.
Das Eindringmittel kann insbesondere ein Rissprüfmittel sein.
Es ist möglich, dass keine Datenbank beim Erkennen der Fehlstellen, insbesondere Risse und/oder Poren, verwendet wird. Typischerweise wird keine Interferometrie zum Erkennen der Fehlstellen, insbesondere Risse und/oder Poren, eingesetzt. Es ist möglich, dass zum Aufnehmen eines Bilds oder des Gesamtbilds eines Bauteils nur eine
Bilderfassungsvorrichtung verwendet wird.
Bezugszeichenliste
10 System
20 Bauteil
30 Bilderfassungsvorrichtung
40 maschinelles Lernsystem

Claims

Ansprüche
1. Verfahren zum Erkennen von Fehlstellen, insbesondere Rissen und/oder Poren, in einem Bauteil (20), insbesondere einem Bauteil (20) einer Strömungsmaschine, vorzugsweise einem Bauteil (20) eines Triebwerks, wobei das Verfahren folgende Schritte umfasst:
Aufbringen von Eindringmittel auf zumindest einen Teilbereich des Bauteils (20) derart, dass das Eindringmittel in vorhandene Fehlstellen, insbesondere Risse und/oder Poren, des Bauteils (20) eindringt;
Säubern der Oberfläche des Bauteils (20) von Eindringmittel, das nicht in Fehlstellen des Bauteils (20) eingedrungen ist;
Aufnehmen eines Bilds, insbesondere eines Gesamtbilds, des Bauteils (20);
Eingeben des aufgenommenen Bilds in ein zum Erkennen von Fehlstellen, insbesondere Rissen und/oder Poren, trainiertes maschinelles Lernsystem (40); und Erkennen von Fehlstellen, insbesondere Rissen und/oder Poren, in dem Bauteil (20) mittels des maschinellen Lernsystems (40) auf Grundlage von emittiertem und/oder reflektiertem Licht des Eindringmittels in den Fehlstellen, insbesondere Rissen und/oder Poren.
2. Verfahren nach Anspruch 1 , wobei
das Eindringmittel für den Menschen sichtbares Licht emittiert und/oder reflektiert.
3. Verfahren nach Anspruch 1 oder 2, ferner folgenden Schritt umfassend:
Ausgeben eines Bilds des Bauteils (20) durch das maschinelle Lernsystem (40), wobei in dem Bild die von dem maschinellen Lernsystem (40) erkannten Fehlstellen, insbesondere Risse und/oder Poren, gekennzeichnet sind.
4. Verfahren nach einem der vorhergehenden Ansprüche, wobei
das maschinelle Lernsystem (40) ein neuronales Netzwerk umfasst, insbesondere ein neuronales Netzwerk ist.
5. Verfahren zum Trainieren eines maschinellen Lernsystems (40) zum Erkennen von Fehlstellen, insbesondere Rissen und/oder Poren, in einem Bauteil (20),
insbesondere in einem Bauteil (20) einer Strömungsmaschine, vorzugsweise in einem Bauteil (20) eines Triebwerks,
wobei das Verfahren folgende Schritte umfasst: Bereitstellen eines maschinellen Lernsystems (40), insbesondere umfassend ein neuronales Netzwerk;
Eingeben eines Bilds, insbesondere eines Gesamtbilds, des Bauteils (20) in das maschinelle Lernsystem (40), wobei
das Bild emittiertes und/oder reflektiertes Licht von in Fehlstellen, insbesondere Rissen und/oder Poren, des Bauteils (20) vorhandenen Eindringmittel umfasst;
Erkennen von Fehlstellen, insbesondere Rissen und/oder Poren, in dem Bauteil (20) mittels des maschinellen Lernsystems (40) auf Grundlage von emittiertem und/oder reflektiertem Licht des Eindringmittels in den Fehlstellen, insbesondere Rissen und/oder Poren;
Ausgeben einer Information, ob das Bauteil (20) Fehlstellen, insbesondere Risse und/oder Poren, aufweist oder nicht, durch das maschinelle Lernsystem; und
Eingeben von zutreffender Information, ob das Bauteil (20) Fehlstellen, insbesondere Risse und/oder Poren, aufweist oder nicht, in das maschinelle Lernsystem (40) zum Trainieren des maschinellen Lernsystems (40).
6. Verfahren nach Anspruch 5, wobei
die zutreffende Information auf Grundlage von von einem Menschen auf dem
Gesamtbild erkannten Fehlstellen, insbesondere Rissen und/oder Poren, erstellt wird.
7. Computerprogrammprodukt, das von einem Prozessor eines Computers lesbare
Instruktionen aufweist, die, wenn sie von dem Prozessor ausgeführt werden, den Prozessor veranlassen, das Verfahren nach einem der vorhergehenden Ansprüche auszuführen.
8. Computerlesbares Medium, auf dem das Computerprogrammprodukt nach Anspruch 7 gespeichert ist.
9. System (10) zum Erkennen von Fehlstellen, insbesondere Rissen und/oder Poren, in einem Bauteil (20), insbesondere in einem Bauteil (20) einer Strömungsmaschine, vorzugsweise in einem Bauteil (20) eines Triebwerks, wobei das System (10) folgendes umfasst:
eine Bilderfassungsvorrichtung (30) zum Aufnehmen eines Bilds, insbesondere eines Gesamtbilds, des Bauteils (20), wobei das Bild emittiertes und/oder reflektiertes Licht von in Fehlstellen, insbesondere Rissen und/oder Poren, des Bauteils (20) vorhandenen Eindringmittel umfasst; und
ein trainiertes maschinelles Lernsystem (40) zum Erkennen von Fehlstellen, insbesondere Rissen und/oder Poren, in dem Bauteil (20) auf Grundlage des emittierten und/oder reflektierten Lichts des Eindringmittels in den Fehlstellen, insbesondere Rissen und/oder Poren, des Bauteils (20).
10. System (10) nach Anspruch 9, wobei
das Eindringmittel für den Menschen sichtbares Licht emittiert und/oder reflektiert.
EP20740503.6A 2019-06-27 2020-06-24 Verfahren zum erkennen von fehlstellen in einem bauteil, verfahren zum trainieren eines maschinellen lernsystems, computerprogrammprodukt, computerlesbares medium und system zum erkennen von fehlstellen in einem bauteil Pending EP3990904A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102019209408.2A DE102019209408A1 (de) 2019-06-27 2019-06-27 Verfahren zum Erkennen von Fehlstellen in einem Bauteil, Verfahren zum Trainieren eines maschinellen Lernsystems, Computerprogrammprodukt, computerlesbares Medium und System zum Erkennen von Fehlstellen in einem Bauteil
PCT/DE2020/000141 WO2020259732A1 (de) 2019-06-27 2020-06-24 Verfahren zum erkennen von fehlstellen in einem bauteil, verfahren zum trainieren eines maschinellen lernsystems, computerprogrammprodukt, computerlesbares medium und system zum erkennen von fehlstellen in einem bauteil

Publications (1)

Publication Number Publication Date
EP3990904A1 true EP3990904A1 (de) 2022-05-04

Family

ID=71620099

Family Applications (1)

Application Number Title Priority Date Filing Date
EP20740503.6A Pending EP3990904A1 (de) 2019-06-27 2020-06-24 Verfahren zum erkennen von fehlstellen in einem bauteil, verfahren zum trainieren eines maschinellen lernsystems, computerprogrammprodukt, computerlesbares medium und system zum erkennen von fehlstellen in einem bauteil

Country Status (4)

Country Link
US (1) US20230258574A1 (de)
EP (1) EP3990904A1 (de)
DE (1) DE102019209408A1 (de)
WO (1) WO2020259732A1 (de)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112881424A (zh) * 2021-01-13 2021-06-01 广东省特种设备检测研究院珠海检测院 Ai+荧光渗透小型管件表面缺陷检测及质量分级方法与系统
CN115797314B (zh) * 2022-12-16 2024-04-12 哈尔滨耐是智能科技有限公司 零件表面缺陷检测方法、系统、设备及存储介质

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19645377C2 (de) * 1996-11-04 1998-11-12 Tiede Gmbh & Co Risspruefanlagen Rißprüfanlage für Werkstücke nach dem Farbeindringverfahren und Verfahren zur automatischen Rißerkennung
DE19708582A1 (de) * 1997-03-03 1998-09-10 Bauer Ernst & Sohn Gmbh Co Kg Qualitätskontrolle für Kunststeine
US8244025B2 (en) * 2006-03-20 2012-08-14 Siemens Energy, Inc. Method of coalescing information about inspected objects
DE102013213369B3 (de) * 2013-07-09 2014-10-23 MTU Aero Engines AG Verfahren zur zerstörungsfreien Prüfung von Werkstückoberflächen
JP6705777B2 (ja) * 2017-07-10 2020-06-03 ファナック株式会社 機械学習装置、検査装置及び機械学習方法
US10054552B1 (en) * 2017-09-27 2018-08-21 United Technologies Corporation System and method for automated fluorescent penetrant inspection
US20210299879A1 (en) * 2018-10-27 2021-09-30 Gilbert Pinter Machine vision systems, illumination sources for use in machine vision systems, and components for use in the illumination sources
US11328380B2 (en) * 2018-10-27 2022-05-10 Gilbert Pinter Machine vision systems, illumination sources for use in machine vision systems, and components for use in the illumination sources
US10746667B2 (en) * 2018-11-27 2020-08-18 General Electric Company Fluorescent penetrant inspection system and method
US10726543B2 (en) * 2018-11-27 2020-07-28 General Electric Company Fluorescent penetrant inspection system and method
US20210318673A1 (en) * 2020-04-08 2021-10-14 BWXT Advanced Technologies LLC In-Situ Inspection Method Based on Digital Data Model of Weld
KR102304750B1 (ko) * 2020-06-24 2021-09-24 주식회사 파워인스 인공지능 기반 비파괴검사 방법 및 시스템
US20210407070A1 (en) * 2020-06-26 2021-12-30 Illinois Tool Works Inc. Methods and systems for non-destructive testing (ndt) with trained artificial intelligence based processing
DE102020216289A1 (de) * 2020-12-18 2022-06-23 Fresenius Medical Care Deutschland Gmbh Verfahren zur klassifizierung von bildern und verfahren zur optischen prüfung eines objekts
CN112881424A (zh) * 2021-01-13 2021-06-01 广东省特种设备检测研究院珠海检测院 Ai+荧光渗透小型管件表面缺陷检测及质量分级方法与系统
DE102021200938A1 (de) * 2021-02-02 2022-08-04 MTU Aero Engines AG Verfahren zum prüfen eines bauteils einer strömungsmaschine
CN113838013A (zh) * 2021-09-13 2021-12-24 中国民航大学 基于YOLOv5的航空发动机运维中叶片裂纹实时检测方法及装置
US11635346B1 (en) * 2022-02-01 2023-04-25 General Electric Company Bearing element inspection system and method
WO2024023322A1 (en) * 2022-07-28 2024-02-01 Lm Wind Power A/S Method for performing a maintenance or repair of a rotor blade of a wind turbine
CN115797314B (zh) * 2022-12-16 2024-04-12 哈尔滨耐是智能科技有限公司 零件表面缺陷检测方法、系统、设备及存储介质

Also Published As

Publication number Publication date
WO2020259732A1 (de) 2020-12-30
US20230258574A1 (en) 2023-08-17
DE102019209408A1 (de) 2020-12-31

Similar Documents

Publication Publication Date Title
EP2761140B1 (de) Endoskopiesystem und korrespondierendes verfahren zur untersuchung von gasturbinen
DE102018211212A1 (de) Maschinelles-Lernen-Vorrichtung, Prüfvorrichtung und Maschinelles-Lernen-Verfahren
EP3990904A1 (de) Verfahren zum erkennen von fehlstellen in einem bauteil, verfahren zum trainieren eines maschinellen lernsystems, computerprogrammprodukt, computerlesbares medium und system zum erkennen von fehlstellen in einem bauteil
EP1148442A3 (de) Röntgenuntersuchungsgerät und Verfahren zur Erzeugung eines Röntgenbildes
EP3977430A1 (de) Verfahren und vorrichtung zur detektion von rauch
EP4022290A1 (de) Verfahren und computerprogrammprodukt zur automatisierten defektdetektion bei einer triebwerks-boroskopie
EP4288768A1 (de) Verfahren zum prüfen eines bauteils einer strömungsmaschine
WO2016011992A1 (de) Vorrichtung zur optischen geschlechtserkennung eines schlachtschweins
DE112022005406T5 (de) KI-basierte Produktoberflächeninspektionsvorrichtung und Verfahren
EP3185688A1 (de) Vorrichtung und verfahren zur tierschutzeinhaltungsbewertung an einem schlachttier
EP4264541A1 (de) Verfahren zur klassifizierung von bildern und verfahren zur optischen prüfung eines objekts
DE19824304A1 (de) Vorrichtung und Verfahren zur Klassifizierung von Lederstücken
AT507939B1 (de) Verfahren zum automatisierten nachweis eines defektes an einer oberfläche eines formteils
EP3173618B1 (de) Verfahren zum untersuchen von teilen von windenergieanlagen, insbesondere von rotorblättern
WO2014082797A1 (de) Verfahren und vorrichtung zur ermittlung von dreidimensional erhabenen strukturen auf einer oberfläche eines dokumentes
DE3602395C2 (de) Verfahren zur Selbstkontrolle einer optoelektronischen Rißerkennungsvorrichtung
DE102018112910A1 (de) Herstellungsverfahren für eine Antriebseinrichtung und Prüfeinrichtung
DE102022204406B4 (de) Verfahren zum Klassifizieren und/oder zur Regression von Eingangssignalen unter Zuhilfenahme einer Gram-Matrix-Variante
DE102019217179A1 (de) Verfahren zur Durchführung einer optischen Qualitätskontrolle eines Reifens
DE102007024059A1 (de) Vorrichtung und Verfahren zur Beurteilung eines Kontrollkörpers bei einem Farb-Eindring-Verfahren
EP4070083A1 (de) Inspektionsverfahren zum inspizieren von behältern
DE102014012558A1 (de) Vorrichtung und Verfahren zur Tierschutzeinhaltungsbewertung an einem Schlachttier
DE202014006905U1 (de) Vorrichtung zur Tierschutzeinhaltungsbewertung an einem Schlachttier
DE102022107133A1 (de) Komponenteninspektionssystem und -verfahren bei produktionsgeschwindigkeit
EP4443141A1 (de) System und verfahren zum prüfen von oberflächendefekten auf einem prüfobjekt

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20211221

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20240604