Ein Verkehrsflugzeug wird durchschnittlich einmal im Jahr vom Blitz getroffen. Um mögliche Schäden auszuschließen, muss anschließend eine zeitaufwändige Sichtprüfung der Außenhaut erfolgen. Dieser Prüfprozess lässt sich automatisieren.
Forscher der RWTH Aachen haben nach Abschluss des Projekts "Automatische, Multikopter-basierte Indoor-Inspektion von großen Oberflächen (AMIIGO)" ein von ihnen entwickeltes Multikopter-basiertes System zur effizienteren und schnelleren Defektidentifikation und -lokalisierung am Flugzeug erfolgreich an einer Boeing 737-500 bei der Lufthansa Technik AG in Hamburg demonstrieren können. Ziel der Entwicklung war es, eine zerstörungsfreie Inspektion zu realisieren, bei der mit industrieller Kameratechnik die gesamte Oberfläche des Flugzeugs digitalisiert wird. Bestandteile des Gesamtsystems sind, neben einer robusten Flugregelung, eine hochgenaue Lokalisierung und eine vollautomatische Bildauswertung.
Die Automatisierung des Flugverhaltens des Multikopters wird nach Angaben des Instituts für Regelungstechnik (IRT) sukzessive durch eine Pfadplanung, eine darauf aufbauende Trajektorienoptimierung, eine Flugregelung sowie mittels einer Kollisionsvermeidung in Echtzeit realisiert. Die vom IRT umgesetzten Navigations- und Regelungsalgorithmen werden dabei gänzlich autark auf der Drohne selbst ausgeführt. Eine Sensorfusion berechnet dafür zunächst alle 10 Millisekunden eine auf wenige Millimeter genaue Position der Drohne Indoor im Wartungshangar. Auf Basis der aktuellen Position sowie eines im Voraus optimierten Pfades über die Oberflächen können alle für den Flug notwendigen Steuerbefehle ermittelt werden. Mögliche Hindernisse werden parallel dazu mit einem Laserscanner dynamisch erkannt, um Kollisionen während des Fluges zu vermeiden.
Automatisierte Defekterkennung
Die automatisierte Defekterkennung in den aufgenommenen Bildern sowie die Visualisierung der berechneten Positionen der stecknadelkopfgroßen Defekte realisierte das Werkzeugmaschinenlabor (WZL). Genutzt werden klassische Algorithmen der Machine Vision sowie moderne Verfahren der Künstlichen Intelligenz (KI) wie das Machine Learning. Letztlich erfolgt die Identifikation von wartungsrelevanten Oberflächendefekten in den ortsindexierten Bilddaten durch einen Hybrid aus einem klassischen Eck-Erkennungsalgorithmus und einem Convolutional Neural Network, so die WZL-Forscher.
Bilderkennung ist ein weiterer Trend im Einsatzgebiet von KI. Bilderkennungsalgorithmen finden verstärkt Verbreitung im Qualitätsmanagement und in der Endkontrolle von Produktion oder Produktversand. Die KI kann unter anderem erkennen, ob Maschinen und Produkte korrekt zusammengebaut oder verpackt worden sind. Fehler können sofort erkannt und schneller behoben werden." Wolfgang Hildesheim und Dirk Michelsen in "Künstliche Intelligenz", Seite 138.
Identifizierte Defekte werden dann dem Wartungspersonal in Form einer interaktiven "Defect-Map" zur Verfügung gestellt. Dadurch werde es den Wartungsverantwortlichen ermöglicht, die Notwendigkeit und den Umfang einer Wartung abzuschätzen sowie in Abhängigkeit von der Position und Art der Defekte zu planen. Für die Lokalisation der identifizierten Defekte auf der Flugzeugoberfläche werden die Bilddaten synchron zum Zeitpunkt der Aufnahme mit Positionsdaten aus der Sensorfusion referenziert. Basierend auf dem Positionsdatum der Bildaufnahme und der messtechnisch ermittelten Position des realen Flugzeugs im aufgespannten Koordinatensystem erfolgt die virtuelle Projektion der Defektposition auf die Flugzeugmodelloberfläche. Die Forscher bewerten ihre Ergebnisse als "wegbereitend" für die automatisierte Kontrolle großflächiger Bauteile.