Ultrasonic Testing of Corrosion in Aircraft Rivet Using Spiking Neural Network

Der Artikel stellt eine bahnbrechende Methode zur Erkennung von Lochfraß in Flugzeugnieten mittels Spiking Neural Networks (SNNs) vor, die mit Ultraschalltests (UT) integriert sind. Herkömmliche Methoden wie die magneto-optische Bildgebung und Wirbelstromprüfungen tun sich aufgrund ihres geringen Magnetfeldes oft schwer mit der Erkennung solcher Korrosion. Das vorgeschlagene SNN-UT-System verbreitet Ultraschallwellen effizient durch eine Wassermembran und umgeht damit die Notwendigkeit flüssiger Kopplungsmaterialien. Das SNN-Modell kombiniert Wellenschichten, Batch-Normalisierung und Leaky Integrate and Fire (LIF) Spike-Schichten, die biologische Neuronenoperationen nachahmen. Das Modell wurde auf einem Datensatz mit B-Scan-STFT-Bildern trainiert und erreichte eine hohe Genauigkeit von 95,4% bei der Erkennung von Korrosion. Dieser Ansatz verbessert nicht nur die Erkennungsgenauigkeit, sondern reduziert auch den Energieverbrauch erheblich, was ihn zu einer vielversprechenden Lösung für autonome, datengesteuerte UT-Systeme in der Luft- und Raumfahrtindustrie macht.