Högprecisions icke-förstörande inspektion av bladytor via själv-lärande transformer-nätverk

Att hålla jetmotorer säkra i luften

Varje kommersiellt flyg är beroende av turbinkomponenter som snurrar djupt inne i jetmotorer vid extremt höga temperaturer och hastigheter. Om det skyddande lagret på dessa blad börjar spricka, gropar eller flagna minskar effektiviteten och risken för fel ökar. Denna studie undersöker hur ett artificiellt intelligenssystem automatiskt kan upptäcka mycket små defekter på bladytor från bilder, vilket lovar snabbare, mer tillförlitliga inspektioner och säkrare, billigare flygresor.

Varför små ytfel spelar roll

Bladen inne i en jetmotor utsätts för brännande värme, snabba tryckförändringar och en korrosiv blandning av gaser och partiklar. För att klara detta täcks de av speciella beläggningar som fungerar som värmeskydd och rostskyddsfärg. Med tiden kan dessa beläggningar dock utveckla hårfina sprickor, gropar, flagning och små inklusioner inbäddade i ytan. Om de lämnas oupptäckta kan felen växa, försvaga bladet, öka bränsleförbrukningen och i extrema fall bidra till motorfel. Dagens standardkontroller förlitar sig i hög grad på mänskliga inspektörer som använder kameror, ultraljud eller värmebildning. Dessa metoder fungerar, men de är långsamma, arbetsintensiva och kan missa de allra minsta defekterna på kurviga, blanka bladytor.

Från manuella kontroller till lärande maskiner

Under de senaste åren har datorvisionssystem baserade på djupinlärning börjat hjälpa till med industriella inspektionsuppgifter. Traditionella djupa nätverk, så kallade konvolutionella neurala nätverk, är bra på att känna igen lokala mönster, som en spricka i ett litet plant område. Men de har svårigheter när ytan är kurvad, ljussättningen ojämn eller felen spridda över olika delar av samma bild. Tidigare forskning har mest fokuserat på plana material som kretskort eller stålkivor, vilket inte fångar de visuella komplikationerna hos verkliga jetmotorblad. Nyare modeller, kända som vision-transformers och ursprungligen utvecklade för bildigenkänning, kan betrakta en hel bild på en gång och lära sig hur avlägsna delar av en bild relaterar till varandra. Detta bredare perspektiv gör dem lovande för svåra inspektionsproblem där både fin detalj och övergripande struktur är viktiga.

En ny metod för att se blad inne i motorer

Författarna föreslår ett inspektionssystem byggt kring en modell kallad Swin Transformer, särskilt anpassad för turbinoch kompressorblad. Först samlas högupplösta bilder av verkliga blad in från laboratorieuppställningar, endoskopbilder inne i motorer och offentliga dataset. Varje defekt – såsom spricka, buckla, grop eller inklusion – kontureras noggrant av experter så att modellen kan lära sig från tydliga exempel. Innan träning genomgår bilderna en skräddarsydd rengöringsprocess: ljuset jämnas ut, brus minskas utan att defektkanterna suddas ut, och färger omvandlas till ett format som framhäver subtila ytförändringar. Bilderna varieras sedan artificiellt genom rotation, spegling, ljushetsändring och överlagring av syntetiska defekter, så att systemet lär sig hantera många verkliga förhållanden.

Hur den intelligenta inspektören fungerar

När bilderna är förberedda delas varje bladbild upp i små kvadratiska patchar som matas in i Swin Transformer. Inuti modellen undersöks grupper av närliggande patchar genom glidande "fönster" som förskjuts mellan lager, vilket gör att systemet kan fånga både mycket små detaljer och deras större omgivning. Denna lagerbaserade uppmärksamhetsstruktur låter modellen koppla en svag linje över bladet till bredare mönster av beläggningsskador. Ovanpå denna ryggrad finns en extra modul som kombinerar information från olika skalor så att mycket små gropar och större flagor kan upptäckas i ett och samma förfarande. Det tränade systemet kan sedan, på en bråkdel av en sekund, markera var varje fel sitter på ett blad och avgöra vilken kategori det tillhör.

Vad testerna visade

För att bedöma prestanda jämförde forskarna sin metod mot välkända djupa nätverk som är vida använda inom bildanalys. Deras Swin Transformer uppnådde cirka 98 % noggrannhet i att skilja skadade från oskadade områden och i att klassificera fyra huvudtyper av defekter: buckla, spricka, porositet och inklusion. Den fångade nästan alla verkliga defekter samtidigt som falsklarmen hölls låga, och den lokaliserade defekterna precist, även när felen bara var tiondels millimeter stora. Experimenten visade också att varje del av arbetsflödet spelade roll: förbättrad bildförbehandling och datautökning förbättrade resultaten, men det största språnget kom från övergången till själva Swin Transformer-arkitekturen. Systemet levererade denna prestanda med snabba bearbetningstider lämpliga för användning vid rutinmässigt underhåll.

Vad detta betyder för framtida flygningar

Enkelt uttryckt visar detta arbete att en AI-"inspektör" kan övervaka jetmotorblad med en noggrannhet och konsistens som överträffar många nuvarande metoder, särskilt för de svårast synliga felen. Genom att automatiskt flagga små sprickor och gropar innan de blir allvarliga kan sådana system korta inspektionstider, minska beroendet av sällsynta experter och hjälpa till att förebygga kostsamma eller farliga fel. Författarna föreställer sig att deras modell byggs in i automatiserade underhållslinjer, arbetar tillsammans med robotkameror och så småningom med digitala tvillingar som spårar motorns hälsa över hela dess livstid. För passagerarna innebär slutresultatet inte bara smartare algoritmer – det betyder tystare, renare och säkrare flygningar.

Citering: 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

Nyckelord: inspektion av jetmotorblad, detektion av ytfel, djupinlärningssyn, transformerbaserade modeller, underhåll inom flygbranschen