Mit der Airbus A350 XWB ist der Anteil an Leichtbaukomponenten aus kohlenstofffaserverstärktem Kunststoff (CFK) in Flugzeugen auf über 50 % gestiegen. Die Fertigung dieser anspruchsvollen Strukturen ist in der Regel recht teuer und erfordert effiziente Produktionsprozesse. Um den hohen Sicherheitsstandards in der Luftfahrtindustrie gerecht zu werden, erfolgt nach dem Ablegen des CFK-Fasermaterials heute eine Sichtkontrolle. Diese visuelle Inspektion nimmt oftmals bis zu 50 % der Produktionsdauer in Anspruch.
Performance-Steigerung durch KI Verständnis
Hier bietet sich enormes Potenzial für deutliche Verbesserungen der Geschwindigkeit und Qualität durch die Automatisierung dieses Prozessschrittes. Für eine automatisierte Inspektion der Ablage ist eine zuverlässige maschinelle Klassifikation von Fertigungsfehlern in den Bilddaten notwendig. Für eine solche Klassifikation von Faserlegefehlern sind Methoden aus dem Bereich des maschinellen Lernens sehr gut geeignet. Allerdings haben diese Verfahren oft den Nachteil, dass die Entscheidungen der Algorithmen schwer nachvollziehbar sind. Dies gilt insbesondere für Künstliche Neuronale Netze oder Deep-Learning-Methoden im Allgemeinen. Um hier eine umfassende Bewertung der Klassifikationsgüte und der maschinellen Entscheidung durchführen zu können, muss die Bedeutung einzelner Pixel oder kleiner Bildbereiche für die Klassifikationsentscheidung untersucht werden. Die im Institut entwickelte Methodik bildet die Grundlage für Rückführungen einer Klassifikationsentscheidung auf wichtige Bildbereiche eines aufgezeichneten Defektbildes und dessen physikalische Eigenschaften.
Zu diesem Zweck haben wir Laserlichtschnitt-Höhenprofilscans von Faserlegefehlern aus dem Automated-Fibre-Placement (AFP) Fertigungsprozess aufgezeichnet und untersucht.
Hierauf aufbauend ist die Relevanz einzelner Bildbereiche für die Klassifizierung typischer Faserlegefehler durch ein Convolutional Neural Network (CNN) berechnet worden. Es zeigte sich, dass besonders die Verfahren Smoothed-Integrated-Gradients und DeepSHAP in unserem entwickelten Framework besonders gut geeignet sind, um solche maschinellen Black-Box Entscheidungen transparent zu visualisieren. Guided-Grad-CAM zeigt für die Klassifizierungsbeurteilung bestimmter prägnanter Defekttypen, wie z. B. Falten in einem abgelegten Faserband, eine gute Performance. Exemplarisch ist die visuelle Ausgabe solcher xAI-Verfahren unten dargestellt. In dieser Abbildung ist jeweils auf der linken Seite der originale, gescannte Faserlegefehler abgebildet. Anschließend folgt nach rechts das Graustufenbild der absoluten Gradienten sowie das vorzeichenbehaftete Farbbild der Gradienten. Grün beschreibt hierbei positive und rot negative Gradienten. Die Helligkeit der Pixel der einzelnen Erklärbarkeitsbilder beschreibt die Wichtigkeit dieser Bildinformation für den CNN Klassifikator, jeweils basierend auf der Bewertung der entsprechenden Erklärbarkeitsverfahren. Diese visuelle Repräsentation lässt somit einen Rückschluss von der maschinellen Entscheidung auf physische Attribute im Messbild zu.
Die Resultate dieser Forschung unterstützen die Entwickler von kamerabasierten Inspektionssystemen für den Faserverbundleichtbau bei der Konzeption und Integration von zuverlässigen komplexen Machine-Learning-Anwendungen. Darüber hinaus bilden diese Entwicklungen den Grundstein für die Zertifizierung derartiger maschineller Lernalgorithmen für die Luftfahrtproduktion.
