Wie künstliche Intelligenz Ultraschall zur Korrosionsüberwachung nutzt

Korrosion verursacht in vielen Branchen wie der Luftfahrt- und Automobilindustrie große Schäden an der Infrastruktur.


In einem interdisziplinären Forschungsprojekt mit dem Kompetenzzentrum für elektrochemische Oberflächentechnologie (CEST), dem Institut für konstruktiven Leichtbau der Johannes Kepler Universität Linz und dem Department für Integrierte Sensorsysteme der Donau-Universität Krems untersucht Senzoro, wie eine künstliche Intelligenz Ultraschalldaten nutzen kann, um verschiedene Arten von Korrosion wie zum Beispiel Lochfraßkorrosion (pitting corrosion) zu erkennen.


Was sind die Herausforderungen beim Training einer künstlichen Intelligenz zur Erkennung von Korrosion?


Die erste und vielleicht größte Herausforderung besteht darin, aussagekräftige Daten über Korrosionsprozesse zu erhalten, insbesondere Daten über das Ausmaß und die Art der Korrosion, die an einem überwachten Bauteil innerhalb eines bestimmten Zeitrahmens stattfindet. Um solche Daten zu erhalten, müssen verschiedene Experimente geplant und durchgeführt werden. Hier profitieren wir in hohem Maße von der einzigartigen Struktur unseres Forschungskonsortiums, dem Korrosionsexperten mit unterschiedlichem wissenschaftlichen Hintergrund angehören. In Experimenten, die wir gemeinsam mit unseren Partnern vom CEST durchführen, wird beispielsweise ein metallisches Bauteil einer Natriumchloridlösung ausgesetzt. Gleichzeitig wird eine Spannung angelegt, um die auftretenden Korrosionsprozesse zu beeinflussen. Während des Experiments sammeln wir Ultraschalldaten und wenden Massenspektrometrie mit induktiv gekoppeltem Plasma (ICP-MS) an um gelöste Metalle als Indikator für Korrosion nachzuweisen. Darüber hinaus überwachen wir die Oberfläche des metallischen Bauteiles mit einem Mikroskop.


Nach dem Beschaffen aussagekräftiger Daten über Korrosionsprozesse, besteht die zweite Herausforderung darin, die Daten in eine geeignete Form für das Training einer künstlichen Intelligenz zu bringen. Dabei ist es oft sinnvoll, die Dimensionalität der Daten zu verringern, indem man sie auf wesentliche Merkmale reduziert. Hierfür nutzen und entwickeln wir den "Onion Analytics Layer" von Senzoro weiter, der bereits erfolgreich für die Verarbeitung von Wälzlagerdaten eingesetzt wurde.


Versuchsaufbau (Quelle: Senzoro)

Wie wird unsere künstliche Intelligenz trainiert?


Um die künstliche Intelligenz mit genauen Informationen über die ablaufenden Korrosionsprozesse zu versorgen, wenden wir Datenfusion an. Das heißt, wir kombinieren alle verfügbaren Datenquellen, wie zum Beispiel ICP-MS Daten, elektrochemische Messungen und Mikroskopiebilder, um genauere Informationen über das Ausmaß und die Art der Korrosion zu erhalten, als jede einzelne Datenquelle liefern könnte.

Gefensterte Standardabweichung des Ultraschallsignals und elektrochemische Messungen (Quelle: Senzoro)

Wie wird unsere künstliche Intelligenz Korrosion erkennen?


Hochwertige und teuer zu beschaffende Daten wie die Daten des ICP-MS werden lediglich während des Trainings benötigt, um unserer künstlichen Intelligenz quantifizierbare Informationen über Korrosionsprozesse zu liefern. Letztendlich wird unsere künstliche Intelligenz darauf trainiert Korrosion anhand von Daten zu erkennen, die leichter und billiger zu beschaffen sind, wie zum Beispiel Ultraschalldaten.


ICP-MS Daten (Quelle: Senzoro)

- Gefördert im Programm Take Off vom Bundesministerium für Verkehr, Innovation und Technologie (bmvit) -



Autor: Dipl. Ing. Mag. Markus Loinig, Senzoro GmbH

Email: markus@senzoro.com




0 Kommentare

Aktuelle Beiträge

Alle ansehen