Physik | Technik

 

Cédric-Yséry Zeiter, 2002 | Riken, AG

 

In der Herstellung von Rohren steht die Industrie vor einem Problem. Bisherige Dichtheitsprüfungsverfahren können Rohre zwar präzise auf ihre Dichtheit prüfen, sind jedoch aufwändig und oft nicht zerstörungsfrei. Aus diesem Grund wird ein schnelles und kostengünstiges Verfahren für die Dichtheitsprüfung von Rohren benötigt. Diese Maturaarbeit untersucht ein neuartiges innovatives Verfahren, welches Thermographie und Machine Learning (ML), Teilgebiet der künstlichen Intelligenz (KI), kombiniert. Es soll geprüft werden, ob das vorgeschlagene Verfahren unter vereinfachten Bedingungen funktioniert. Geprüft wurde das Verfahren durch ein Experiment, bei welchem warme Luft in verschiedene Rohrtypen eingeführt wurde. Mittels Infrarotkamera wurden Thermogramme von den Rohren aufgenommen. Die Hälfte dieser Aufnahmen zeigte dichte Rohre und die andere Hälfte zeigte manuell präparierte undichte Rohre. Diese wurden zuvor mit Löchern von 1 mm Durchmesser präpariert. Mittels einem Datensatz von je 40 Thermogrammen von dichten und undichten Rohren wurde ein ML-Algorithmus trainiert, damit neue Aufnahmen automatisch mit einer Klassifizierung ausgewertet werden können. Das KI-Modell hat neue Rohre mit einer Genauigkeit von 100 % klassifiziert und zeigt, dass das vorgeschlagene Verfahren ein grosses Potenzial für die Industrialisierung hat.

Fragestellung

Die Untersuchungen der Arbeit richteten sich nach zwei Fragen. (I) Ist es möglich, anhand von Aufnahmen einer Infrarotkamera Undichtheiten in einem Trinkwasserrohr nach der Produktion festzustellen, um so die Qualitätskontrolle zu optimieren? (II) Können erhaltene Thermogramme von Trinkwasserrohren, welche mit heisser Luft durchströmt werden, durch eine künstliche Intelligenz in dichte und undichte Rohre eingeteilt werden?

Methodik

In der Arbeit wurde ein Experiment durchgeführt, um ein neuartiges Verfahren zur zerstörungsfreien Dichtheitsprüfung zu untersuchen. Dabei wird warme Luft in ein Rohr geblasen, welches von einer Infrarotkamera observiert wird. Zeigt das Thermogramm ein undichtes Rohr, soll eine KI dies eigenständig erkennen. Untersucht wurden ein Polybuten-Rohr und ein Verbundrohr. In dem Experiment wird 8 cm nach der Rohröffnung ein 1 mm grosses Loch ins Rohr gebohrt, um kontrolliert eine Undichtheit im Rohr zu erschaffen. Mittels der Webapplikation Teachable Machine soll ein künstliches neuronales Netzwerk (ANN) Thermogramme mit und ohne Undichtheit eigenständig unterscheiden. Die KI wurde mit 80 Bildern trainiert und mit separaten Testbildern getestet.

Ergebnisse

Nachdem heisse Luft in die Rohre eingeführt wurde, war bereits nach 3 Sekunden ein Farbkontrast auf dem Thermogramm ersichtlich. Es handelt sich in diesem Fall um ein Rohr mit Loch. Die 80 verwendeten Bildbeispiele von Polybuten-Rohren und Verbundrohren waren ausreichend, um ein ANN zu trainieren, welches die Rohre nach dem Kriterium eines Loches im Rohr klassifizieren kann. Getestet wurde das ANN mithilfe von Thermogrammen, welche der Algorithmus zuvor noch nie betrachtet hatte. Dabei wurden alle Thermogramme korrekt klassifiziert.

Diskussion

Beim untersuchten Polybuten-Rohr und dem Verbundrohr konnten auf den Thermogrammen eindeutig Farbkontraste am Loch erkannt werden. Die automatische Auswertung der Thermogramme mittels einer KI funktionierte zuverlässig und schnell, auch wenn die Ausrichtung der Rohre variierte. Die geprüften Rohre können zerstörungsfrei und ohne menschliche Unterstützung geprüft werden. Anfangs wurden Thermogramme von einem Edelstahlrohr aufgenommen, welche aufgrund unerwünschter Infrarot-Reflektionen aus dem Datensatz gelöscht wurden. Bei einer Prüfung ohne fremder Infrarotquelle im Raum oder mit einem grösseren Trainings-Datensatz, wäre eine Prüfung der Edelstahlrohre durchaus möglich.

Schlussfolgerungen

Das verwendete ANN ist in der Lage, neue Thermogramme von Rohrstücken selbstständig und mit einer Genauigkeit von 100 % in Bilder mit und ohne Leck zu klassifizieren. Als Ergebnis konnte diese Arbeit zeigen, dass der innovative Ansatz ein grosses Potenzial als Methode in der Echtzeit-Qualitätsüberwachung von Rohren in der Rohrfertigung hat. In weiterführenden Arbeiten müsste das Prüfverfahren mit kleineren Undichtheiten geprüft werden und die optimalen Prüfbedingungen für dieses Verfahren bei Metallrohren untersucht werden.

 

 

Würdigung durch den Experten

Dr. Kilian Wasmer

Das ist eine hervorragende Maturaarbeit.
Im Jahr 2020 war die Idee, eine Wärmebildkamera mit künstlicher Intelligenz zur Erkennung eines Defekts zu kombinieren, wirklich innovativ.
Die Arbeit ist sehr gut geschrieben, auf eine sehr verständliche, prägnante und populärwissenschaftliche Art und Weise.
Die Ergebnisse werden präzise und korrekt analysiert. Die Entwicklung der Algorithmen der künstlichen Intelligenz ist sehr gut durchgeführt und liefert die erwarteten Ergebnisse. Die beiden Einschränkungen des Demonstrators werden ebenfalls ausführlich diskutiert, ebenso wie mögliche Verbesserung.

Prädikat:

hervorragend

Sonderpreis Metrohm – Summer School of Science

 

 

 

Kantonsschule Zofingen
Lehrer: Robert Ringhofer