Hoge-precisie niet-destructieve inspectie van bladvloeren met zelflerende transformer-netwerken

De veiligheid van straalmotoren in de lucht waarborgen

Elke commerciële vlucht vertrouwt op turbomessers die diep in straalmotoren draaien bij extreme temperaturen en hoge snelheden. Als de beschermende coating op die bladen begint te barsten, te pitten of te bladderen, neemt de efficiëntie af en stijgt het risico op falen. Deze studie onderzoekt hoe een kunstmatig-intelligentiesysteem automatisch kleine gebreken op bladen kan opsporen op basis van beelden, wat snellere, betrouwbaardere inspecties belooft en veiliger, goedkopere luchtvaart mogelijk maakt.

Waarom kleine oppervlakdefecten ertoe doen

De bladen in een straalmotor worden blootgesteld aan verzengende hitte, snelle drukwisselingen en een corrosieve mix van gassen en deeltjes. Ter bescherming zijn ze bedekt met speciale coatings die fungeren als thermisch pantser en roestwerende verf. Na verloop van tijd kunnen deze lagen echter haarfijne scheuren, putjes, afgebladderde plekken en kleine ingesloten deeltjes in het oppervlak ontwikkelen. Als die onopgemerkt blijven, kunnen de defecten groeien, het blad verzwakken, het brandstofverbruik verhogen en in extreme gevallen bijdragen aan motorstoringen. De huidige standaardcontroles hangen sterk af van menselijke inspecteurs die camera’s, ultrasoon of warmtebeeldtechniek gebruiken. Deze methoden werken, maar zijn traag, arbeidsintensief en kunnen de kleinste defecten op gebogen, glanzende bladvlakken missen.

Van handmatige controles naar lerende machines

De afgelopen jaren zijn computervisie-systemen op basis van diepe neurale netwerken begonnen te helpen bij industriële inspectietaken. Traditionele netwerken, zogenaamde convolutionele neurale netwerken, zijn goed in het herkennen van lokale patronen, zoals een scheur in een klein vlak gebied. Ze hebben echter moeite wanneer het oppervlak gebogen is, de verlichting ongelijkmatig en defecten verspreid over verschillende delen van dezelfde afbeelding. Eerder onderzoek richtte zich vooral op platte materialen zoals printplaten of stalen platen, die de visuele complicaties van echte straalmotorbladen niet goed weergeven. Nieuwere modellen, bekend als vision transformers en oorspronkelijk ontwikkeld voor beeldherkenning, kunnen naar een volledige afbeelding tegelijk kijken en leren hoe verre delen van een beeld zich tot elkaar verhouden. Dit bredere perspectief maakt ze veelbelovend voor moeilijke inspectievraagstukken waarbij zowel fijne details als de totale structuur van belang zijn.

Een nieuwe manier om bladen in motoren te bekijken

De auteurs stellen een inspectiesysteem voor dat is opgebouwd rond een model genaamd Swin Transformer, specifiek aangepast voor turbine- en compressorbladen. Eerst worden hoge-resolutiebeelden van echte bladen verzameld uit laboratoriumopstellingen, borescopen in motoren en openbare datasets. Elk defect — zoals een scheur, deuk, put of insluiting — wordt zorgvuldig door experts omlijnd zodat het model van duidelijke voorbeelden kan leren. Voor het trainen ondergaan de beelden een op maat gemaakt schoonmaakproces: de verlichting wordt geëgaliseerd, ruis verminderd zonder de randen van defecten te vervagen, en kleuren worden omgezet naar een weergave die subtiele oppervlakveranderingen accentueert. Vervolgens worden de beelden kunstmatig gevarieerd door te roteren, spiegelen, helderheid te wijzigen en synthetische defecten te overleggen, zodat het systeem leert omgaan met veel reële omstandigheden.

Hoe de slimme inspecteur werkt

Nadat de beelden zijn voorbereid, wordt elke bladfoto in kleine vierkante patches gesneden die het Swin Transformer-model voeden. Binnen het model worden groepen naburige patches onderzocht via schuivende "windows" die tussen lagen verschuiven, waardoor het systeem zowel kleine details als hun grotere context kan vastleggen. Deze gelaagde aandachtstructuur stelt het model in staat een vage lijn over het blad te verbinden met bredere patronen van coatingbeschadiging. Bovenop deze backbone combineert een extra module informatie uit verschillende schalen zodat zeer kleine putjes en grotere afgebladderde gebieden in één keer gedetecteerd kunnen worden. Het getrainde systeem kan vervolgens binnen een fractie van een seconde aangeven waar elk defect zich bevindt en tot welke categorie het behoort.

Wat de tests aantoonden

Om de prestaties te beoordelen vergeleken de onderzoekers hun aanpak met bekende diepe netwerken die veelvuldig worden gebruikt in beeldanalyse. Hun Swin Transformer behaalde ongeveer 98% nauwkeurigheid bij het onderscheiden van beschadigde en onbeschadigde regio’s en bij het labelen van vier hoofdcategorieën van defecten: deuk, scheur, poreusheid en insluiting. Het systeem detecteerde vrijwel alle echte defecten met weinig valse alarmen en lokalisatie van defecten was precies, zelfs wanneer gebreken slechts tienden van een millimeter waren. Experimenten toonden ook aan dat elk onderdeel van de pijplijn van belang was: betere beeldvoorbewerking en data-augmentatie leverden verbeteringen op, maar de grootste sprong kwam van de overstap naar de Swin Transformer-architectuur zelf. Het systeem leverde deze prestaties met snelle verwerkingstijden, geschikt voor gebruik tijdens routinematig onderhoud.

Wat dit betekent voor toekomstige vluchten

Kort gezegd laat dit werk zien dat een AI-"inspecteur" de bladen van straalmotoren kan bewaken met een nauwkeurigheid en consistentie die veel huidige methoden overtreft, vooral bij de moeilijkst zichtbare defecten. Door automatisch kleine scheuren en putjes te signaleren voordat ze ernstiger worden, kunnen dergelijke systemen inspectietijden verkorten, de afhankelijkheid van schaarse experts verminderen en helpen kostbare of gevaarlijke uitvallen te voorkomen. De auteurs zien hun model ingebouwd in geautomatiseerde onderhoudslijnen, samenwerkend met robotcamera’s en uiteindelijk met digitale tweelingen die de gezondheid van een motor over de hele levensduur volgen. Voor passagiers betekent dat uiteindelijk niet alleen slimmere algoritmes — maar stillere, schonere en veiligere vluchten.

Bronvermelding: 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

Trefwoorden: inspectie van turbinebladen, detectie van oppervlakdefecten, diepe-lerende visiesystemen, transformer-gebaseerde modellen, onderhoud in de lucht- en ruimtevaart