RiSPECT - Riblet-Inspektion und Effizienzbewertung Technologie

Projekt: Foschungsprojekt

Projektdetails

Beschreibung

Mikrostrukturoberflächen auch Riblet Surfaces genannt reduzieren Strömungswiderstände und führen zu einer steigenden Effizienz in diversen Anwendungen. Riblet Oberflächen können den Spritverbrauch in diversen Anwendungsbereichen wie zum Beispiel bei Hochgeschwindigkeitszügen oder der Luftfahrt substantiell verringern. Bei Windkraftwerken sorgen Ribletoberflächen für einer Steigerung der gewonnen elektrischen Energie und senken die Lärmbelastung. Aus diesen Gründen, wurden in den letzten 10 Jahren von Seiten der Industrie große Investitionen in die Entwicklung, Fertigung und auch Anwendung von Ribletoberflächen getätigt. Die Effizienzsteigerungen hängen jedoch zu einem großen Teil von der Qualität der
Ribletoberflächen ab. Daher ist es von größter Wichtigkeit spezielle Messverfahren zur Qualitätssicherung einzusetzen. Diese Verfahren sind jedoch derzeit sehr zeit- und kostenintensiv. Daher ist die Entwicklung von geeigneten Messverfahren, die einfach zu bedienen und kostengünstig sind, von größter Wichtigkeit.
Im Projekt RiSPECT fokussieren wir auf diese Problemstellung und schlage die Verwendung des maschinellen Lernens als Basis für effiziente Messverfahren vor. Im Speziellen wollen wir Deep Neural Networks zur Klassifikation und Bewertung der Qualität von Ribletoberflächen verwenden. Der vorgeschlagene Ansatz verwendet Beispielbilder und Simulationen von verfügbaren Ribletoberflächen zum Zweck des Lernens von Qualitätsmaßen aus Bildern. Dies erfordert eine sehr große Anzahl von Bildern, die sowohl korrekte Oberflächen als auch fehlerhafte Oberflächen abbilden müssen um für das maschinelle Lernen anwendbar zu sein. Im Rahmen von RiSPECT wird dazu eine Datenbank erstellt und die entsprechend notwendige Ausrüstung für die Bilderstellung
entwickelt. Die in der Datenbank gespeicherten Bilder basieren auf vorhandenen EASA zertifizierten Testdaten, hochpräzisen REM Bildern und CFG Simulationen. Da maschinelles Lernen
basierend auf Neuronalen Netzen anfällig für diverse Attacken ist, kommt der Verifikation & Validierung im Rahmen von RiSPECT eine große Bedeutung zu. Im Speziellen werden wir darauf fokussieren, dass geringe Änderungen bei vorhandenen Oberflächenbildern nicht zu einer falschen Bewertung führen um so die Robustheit der Gesamtanwendung sicherzustellen.
Das Hauptziel von RiSPECT ist die Bereitstellung von Grundlagen zur Automatisierung der Qualitätssicherung im Bereich der Wartung im Einsatz von Ribletoberflächen basierend auf Bilddaten, um die Gesamtkosten für die Qualitätssicherung zu reduzieren. Zu diesem Zweck, werden wir am Ende des Projekts eine Evaluierung der vorgeschlagenen Methoden an verschiedenen Oberflächen von Anwendungen (verschiedene Industrien) durchführen.
StatusLaufend
Tatsächlicher Beginn/ -es Ende4/11/193/11/21