Wysokoprecyzyjna niedestrukcyjna inspekcja powierzchni łopatek przy użyciu samouczących się sieci transformerowych

Utrzymanie bezpieczeństwa silników odrzutowych w powietrzu

Każdy lot komercyjny zależy od łopatek turbin kręcących się głęboko w silnikach odrzutowych, pracujących w ekstremalnych temperaturach i przy ogromnych prędkościach. Gdy ochronna powłoka na tych łopatkach zaczyna pękać, tworzyć ubytki lub złuszczać się, spada sprawność, a ryzyko awarii rośnie. W badaniu tym pokazano, jak system sztucznej inteligencji może automatycznie wykrywać drobne wady na powierzchniach łopatek na podstawie obrazów, co obiecuje szybsze, bardziej niezawodne kontrole oraz bezpieczniejsze i tańsze podróże lotnicze.

Dlaczego drobne wady powierzchni mają znaczenie

Łopatki w silniku odrzutowym są narażone na palący żar, gwałtowne zmiany ciśnienia oraz korozyjne mieszanki gazów i cząstek. Aby przetrwać, pokrywa się je specjalnymi powłokami działającymi jak termiczna zbroja i farba antykorozyjna. Z czasem jednak te powłoki mogą rozwijać mikropęknięcia, pittings, miejsca złuszczeń i drobne inkluzje pod powierzchnią. Pozostawione bez wykrycia, wady te mogą się powiększać, osłabiać łopatkę, zwiększać zużycie paliwa, a w skrajnych przypadkach przyczyniać się do awarii silnika. Obecne kontrole opierają się w dużej mierze na inspektorach używających kamer, ultradźwięków lub obrazowania termicznego. Metody te działają, ale są powolne, pracochłonne i mogą nie wykryć najmniejszych defektów na zakrzywionych, błyszczących powierzchniach łopatek.

Od ręcznych kontroli do uczących się maszyn

W ostatnich latach systemy widzenia komputerowego oparte na uczeniu głębokim zaczęły wspierać zadania inspekcyjne w przemyśle. Tradycyjne sieci głębokie, zwane splotowymi sieciami neuronowymi (CNN), dobrze rozpoznają lokalne wzorce, jak pęknięcie na małej, płaskiej powierzchni. Mają jednak trudności, gdy powierzchnia jest zakrzywiona, oświetlenie nierówne, a defekty rozproszone w różnych częściach obrazu. Wcześniejsze badania koncentrowały się głównie na materiałach płaskich, takich jak płytki drukowane czy blachy stalowe, które nie oddają wizualnych komplikacji prawdziwych łopatek silnika. Nowsze modele, znane jako vision transformery, pierwotnie opracowane do rozpoznawania obrazów, potrafią analizować całe zdjęcie jednocześnie, ucząc się, jak odległe elementy obrazu odnoszą się do siebie. Szersza perspektywa czyni je obiecującymi dla trudnych problemów inspekcyjnych, gdzie liczy się zarówno drobny detal, jak i ogólna struktura.

Nowy sposób oglądania łopatek wewnątrz silników

Autorzy proponują system inspekcyjny oparty na modelu zwanym Swin Transformer, dostosowanym specjalnie do łopatek turbin i sprężarek. Najpierw zbierane są obrazy wysokiej rozdzielczości prawdziwych łopatek z laboratoriów, boreskopów wewnątrz silników oraz z publicznych zbiorów danych. Każdy defekt — na przykład pęknięcie, odgniecenie, ubytek czy inkluzja — jest dokładnie opisany przez ekspertów, aby model mógł uczyć się na wyraźnych przykładach. Przed treningiem obrazy przechodzą spersonalizowane oczyszczanie: wyrównywane jest oświetlenie, redukowany jest szum bez rozmazywania krawędzi defektów, a kolory konwertowane do postaci uwydatniającej subtelne zmiany powierzchni. Następnie obrazy są sztucznie zróżnicowane przez obracanie, odbicia, zmianę jasności i nakładanie syntetycznych defektów, aby system nauczył się radzić sobie z wieloma warunkami rzeczywistymi.

Jak działa inteligentny inspektor

Po przygotowaniu każdy obraz łopatki jest podzielony na małe kwadratowe fragmenty, które trafiają do Swin Transformera. Wewnętrz modelu grupy sąsiednich fragmentów są analizowane przez przesuwające się "okna", które zmieniają położenie między warstwami, co pozwala systemowi uchwycić zarówno drobne szczegóły, jak i ich szersze otoczenie. Ta wielowarstwowa struktura uwagi pozwala modelowi powiązać słabą linię na łopatce z szerszymi wzorcami uszkodzenia powłoki. Na szczycie tej głównej architektury dodatkowy moduł łączy informacje z różnych skal, tak aby bardzo małe ubytki i większe obszary złuszczeń mogły być wykryte jednocześnie. Wytrenowany system jest w stanie w ułamku sekundy zaznaczyć miejsce każdego defektu na łopatce i zaklasyfikować go do odpowiedniej kategorii.

Co ujawniły testy

Aby ocenić wydajność, badacze porównali swoje podejście z dobrze znanymi sieciami głębokimi szeroko stosowanymi w analizie obrazów. Ich Swin Transformer osiągnął około 98% dokładności w rozróżnianiu obszarów uszkodzonych od nieuszkodzonych oraz w oznaczaniu czterech głównych typów defektów: odgniecenie, pęknięcie, porowatość i inkluzja. System wykrywał niemal wszystkie prawdziwe defekty przy niskim poziomie fałszywych alarmów i precyzyjnie lokalizował miejsca uszkodzeń, nawet gdy wady miały zaledwie dziesiąte części milimetra. Eksperymenty wykazały również, że każdy element procesu ma znaczenie: lepsze wstępne przetwarzanie obrazu i rozszerzenie danych poprawiały wyniki, ale największy skok jakości przyniosła zmiana na architekturę Swin Transformer. System osiągał te wyniki przy szybkim czasie przetwarzania, odpowiednim do użycia podczas rutynowych prac konserwacyjnych.

Co to oznacza dla przyszłych lotów

Mówiąc prosto, praca ta pokazuje, że AI "inspektor" może nadzorować łopatki silników odrzutowych z dokładnością i konsekwencją przewyższającą wiele obecnych metod, zwłaszcza w wykrywaniu najtrudniej dostrzegalnych wad. Automatycznie wskazując drobne pęknięcia i ubytki zanim staną się poważne, takie systemy mogą skrócić czas inspekcji, zmniejszyć zależność od niewielkiej liczby ekspertów i pomóc zapobiegać kosztownym lub niebezpiecznym awariom. Autorzy przewidują, że ich model zostanie wbudowany w zautomatyzowane linie serwisowe, współpracując z robotycznymi kamerami i w przyszłości z cyfrowymi bliźniakami monitorującymi stan silnika przez cały jego cykl życia. Dla pasażerów końcowy efekt to nie tylko inteligentniejsze algorytmy — to cichsze, czyściejsze i bezpieczniejsze loty.

Cytowanie: 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

Słowa kluczowe: inspekcja łopatek silnika odrzutowego, detekcja defektów powierzchni, widzenie komputerowe oparte na uczeniu głębokim, modele oparte na transformerach, konserwacja lotnicza