Hochpräzise zerstörungsfreie Inspektion von Schaufeloberflächen mittels selbstlernender Transformer-Netzwerke

Jettriebswerke sicher in der Luft halten

Jeder kommerzielle Flug hängt von Turbinenschaufeln ab, die tief im Triebwerk bei extremen Temperaturen und hohen Drehzahlen arbeiten. Wenn die Schutzbeschichtung dieser Schaufeln zu reißen, zu pitting oder abzulösen beginnt, sinkt die Effizienz und das Ausfallrisiko steigt. Diese Studie untersucht, wie ein System der künstlichen Intelligenz winzige Mängel auf Schaufeloberflächen automatisch aus Bildern erkennen kann — mit Aussicht auf schnellere, verlässlichere Inspektionen und sicherere, günstigere Flüge.

Warum winzige Oberflächenfehler wichtig sind

Die Schaufeln im Triebwerk sind extremer Hitze, schnellen Druckwechseln und einer korrosiven Mischung aus Gasen und Partikeln ausgesetzt. Um dies zu überstehen, sind sie mit speziellen Beschichtungen versehen, die wie thermischer Schutzpanzer und Korrosionsschutz wirken. Im Laufe der Zeit können diese Schichten jedoch Haarrisse, Grübchen, abblätternde Stellen und kleine eingeschlossene Fremdpartikel entwickeln. Unentdeckt können diese Defekte wachsen, die Schaufel schwächen, den Treibstoffverbrauch erhöhen und im Extremfall zu Triebwerksausfällen beitragen. Die heutigen Standardprüfungen basieren stark auf menschlichen Prüfern, die Kameras, Ultraschall oder Wärmebildgebung einsetzen. Diese Methoden funktionieren zwar, sind aber langsam, arbeitsintensiv und können die kleinsten Defekte auf gewölbten, glänzenden Schaufeloberflächen übersehen.

Von manuellen Kontrollen zu lernenden Maschinen

In den letzten Jahren unterstützen computergestützte Visionsysteme auf Basis von Deep Learning zunehmend industrielle Inspektionsaufgaben. Traditionelle tiefe Netze, sogenannte Convolutional Neural Networks, sind gut darin, lokale Muster zu erkennen, etwa einen Riss in einer kleinen, flachen Zone. Sie tun sich jedoch schwer, wenn die Oberfläche gekrümmt ist, die Beleuchtung ungleichmäßig oder die Defekte über verschiedene Bildregionen verteilt sind. Frühere Forschung konzentrierte sich meist auf flache Materialien wie Leiterplatten oder Stahlbleche, die die visuellen Herausforderungen realer Turbinenschaufeln nicht widerspiegeln. Neuere Modelle, bekannt als Vision Transformer, ursprünglich für die Bildklassifikation entwickelt, betrachten ein gesamtes Bild gleichzeitig und lernen, wie weit auseinanderliegende Bildbereiche zusammenhängen. Diese umfassendere Sicht macht sie vielversprechend für schwierige Inspektionsaufgaben, bei denen sowohl feine Details als auch die Gesamtstruktur wichtig sind.

Eine neue Art, Schaufeln im Triebwerk zu sehen

Die Autoren schlagen ein Inspektionssystem vor, das um ein Modell namens Swin Transformer aufgebaut ist und speziell an Turbinen- und Verdichterblätter angepasst wurde. Zunächst werden hochauflösende Bilder realer Schaufeln aus Laboraufbauten, von Boreskopen im Triebwerk und aus öffentlichen Datensätzen gesammelt. Jeder Defekt — etwa Riss, Delle, Grübchen oder Einschluss — wird von Experten sorgfältig umrandet, damit das Modell aus klaren Beispielen lernen kann. Vor dem Training durchlaufen die Bilder einen maßgeschneiderten Reinigungsprozess: die Beleuchtung wird ausgeglichen, Rauschen reduziert, ohne die Defektkanten zu verwischen, und Farben werden in eine Darstellung überführt, die subtile Oberflächenänderungen hervorhebt. Die Bilder werden dann künstlich variiert durch Rotationen, Spiegelungen, Helligkeitsänderungen und das Überlagern synthetischer Defekte, damit das System lernt, mit vielen realen Bedingungen umzugehen.

Wie der smarte Prüfer arbeitet

Nach der Vorbereitung wird jedes Schaufelbild in kleine quadratische Patches zerlegt, die dem Swin Transformer zugeführt werden. Innerhalb des Modells werden Gruppen benachbarter Patches durch verschiebbare "Fenster" betrachtet, die zwischen den Schichten versetzt sind, sodass das System sowohl winzige Details als auch deren größere Umgebung erfassen kann. Diese mehrlagige Attention-Struktur erlaubt es dem Modell, eine schwache Linie über die Schaufel mit breiteren Mustern von Beschädigungen in Verbindung zu bringen. Auf diesen Backbone setzt ein zusätzliches Modul auf, das Informationen aus unterschiedlichen Skalen kombiniert, sodass sehr kleine Grübchen und größere abgelöste Bereiche in einem einzigen Durchgang erkannt werden können. Das trainierte System kann dann in Bruchteilen einer Sekunde anzeigen, wo sich jeder Fehler auf einer Schaufel befindet und welcher Kategorie er angehört.

Was die Tests zeigten

Zur Leistungsbewertung verglichen die Forscher ihren Ansatz mit bekannten Deep-Netzen, die in der Bildanalyse weit verbreitet sind. Ihr Swin Transformer erreichte etwa 98 % Genauigkeit beim Unterscheiden beschädigter von unbeschädigten Bereichen und beim Kennzeichnen von vier Hauptdefektarten: Delle, Riss, Porosität und Einschluss. Er erfasste nahezu alle echten Defekte bei gleichzeitig geringer Fehlalarmrate und lokalisierte Defekte präzise, selbst wenn sie nur Zehntelmillimeter groß waren. Experimente zeigten außerdem, dass jeder Bestandteil der Pipeline eine Rolle spielte: Bessere Bildvorverarbeitung und Datenerweiterung verbesserten die Ergebnisse, doch den größten Sprung brachte der Wechsel zur Swin-Transformer-Architektur selbst. Das System erreichte diese Leistung bei schnellen Verarbeitungszeiten, die für den Einsatz in Routinewartungen geeignet sind.

Was das für künftige Flüge bedeutet

Einfach gesagt zeigt diese Arbeit, dass ein KI-"Inspektor" Turbinenschaufeln mit einer Genauigkeit und Konsistenz überwachen kann, die viele heutige Methoden übertrifft — insbesondere bei schwer sichtbaren Fehlern. Indem er automatisch winzige Risse und Grübchen markiert, bevor sie ernst werden, könnten solche Systeme Inspektionszeiten verkürzen, die Abhängigkeit von knappen Experten reduzieren und helfen, kostspielige oder gefährliche Ausfälle zu verhindern. Die Autoren sehen ihr Modell in automatisierten Wartungslinien integriert, zusammen mit robotischen Kameras und schließlich digitalen Zwillingen, die den Triebwerkszustand über die gesamte Lebensdauer überwachen. Für Passagiere bedeutet das Ergebnis nicht nur intelligentere Algorithmen — sondern leisere, sauberere und sichere Flüge.

Zitation: Kannusamy, P., Gayathri, D., Mirdula, S. et al. High-precision non-destructive blade surface inspection via self learning transformer networks. Sci Rep 16, 10288 (2026). https://doi.org/10.1038/s41598-026-41373-x

Schlüsselwörter: Inspektion von Düsentriebwerksschaufeln, Detektion von Oberflächenfehlern, Deep-Learning-Visionsysteme, transformatorbasierte Modelle, Luftfahrtinstandhaltung