Ein hybrides CT-System für Forschung und Lehre
3D-Computertomographie an der Hochschule Karlsruhe: Ein hybrides CT-System für Forschung und Lehre
Das an der HKA entwickelte hybride 3D-Computertomographie-System „EduCT“ verbindet Forschung und Ausbildung und adressiert zentrale Herausforderungen der industriellen Computertomographie, wie den Fachkräftemangel und die begrenzten Trainingsdaten für KI. Das CT-System ermöglicht die Erfassung und Analyse dreidimensionaler Material- und Geometrie strukturen. Für die KI-gestützte Bildauswertung wurde eine Pipeline zur Erzeugung synthetischer CT-Daten entwickelt, um realitätsnahe Trainingsdaten bereitzustellen. Dadurch werden die Segmentierungs- und Klassifikationsleistungen deutlich verbessert. Das System wird kontinuierlich erweitert und ermöglicht eine durchgängige digitale Prozesskette von der Datenerfassung bis zur physikalisch fundierten Bewertung.
Die industrielle 3D-Computertomographie (CT) hat sich zu einem wichtigen Instrument in der industriellen Qualitäts- sicherung und Forschung entwickelt. Die zerstörungsfreie Prüftechnik (ZFP) ermöglicht, die inneren Strukturen von Bauteilen zu erfassen, ohne sie zu zerstören. Bei hoher räumlicher Auflösung führt dies jedoch zu großen Datenmengen. Dieser Datenanstieg stellt die Industrie vor zwei Herausforderungen: Es mangelt an qualifiziertem Personal, das komplexe CT-Datensätze analysieren kann, und gleichzeitig an automatisierten, intelligenten Lösungen zur Datenanalyse.
Künstliche Intelligenz (KI) bietet vielversprechende Ansätze zur Automatisierung der CT-Datenanalyse. Die Entwicklung robuster und generalisierbarer KI-Modelle erfordert jedoch umfangreiche, qualitativ hochwertige Trainingsdaten. In der Praxis ist die Erstellung ausreichend vielfältiger und annotierter CT-Datensätze aus der Praxis sowohl zeitaufwendig als auch ressourcenintensiv, was die Skalierbarkeit und Wirksamkeit KI-basierter Methoden einschränkt.
In diesem Beitrag zeigen wir auf, wie das von Studieren- den und Promovierenden entwickelte hybride 3D-CT-Sys- tem „EduCT“ zur Überwindung dieser Engpässe beiträgt. Dieses System erfüllt einen doppelten Zweck: (1) als Bildungsplattform, die praktische Erfahrungen und fundierte Kenntnisse in den Bereichen CT-Technologie und Datenanalyse vermittelt, und (2) als Grundlage für eine Pipeline zur Generierung synthetischer Daten, die realitätsnahe CT-Datensätze für das Training von KI-Modellen erzeugt. Durch die Verbindung von Ausbildung und Forschung fördert dieser Ansatz sowohl die Personalentwicklung als auch den Fortschritt der KI-gestützten CT-Analyse.
EduCT an der Fakultät für Maschinenbau und Mechatronik
Alternativ zum sonst üblichen Weg der Beschaffung eines kommerziellen 3D-Mikro-CT und deren Verwendung als „Black Box“ haben wir uns entschieden, einen 3D-Mikro-CT eigenständig aufzubauen. Hierdurch erhalten die Studierenden durch die selbständige praktische Tätigkeit einen vertieften Einblick in die Technologie. Die involvierte Software wurde im Rahmen von Projekt- und Abschluss arbeiten von Studierenden der Mechatronik sowie der Elektro- und Informationstechnik entwickelt. Basis war eine analoge Durchleuchtungsanlage, die vollständig digitalisiert und um Schlüsselkomponenten wie Präzisionsdrehtisch und Rönt- gendetektor ergänzt wurde (siehe Abb. 1 oben). Dank der zahlreichen Unternehmen, die das Projekt durch Spenden und Sonderkonditionen unterstützt haben, sowie der Förder- mittelgeber, konnten wir ein Low-Budget – High-Performan- ce-Projekt realisieren.1 Die Grundlagen der CT-Technologie sind Bestandteil von Lehrveranstaltungen im Bachelor- und Masterstudiengang Mechatronik, vgl. Abb. 1 unten.
EduCT in der Forschung
In der 3D-Computertomographie werden dreidimensionale Daten erzeugt, die detaillierte Informationen über Material und Geometrie des gescannten Bauteils liefern. Dadurch eröffnen sich zahlreiche Nutzungsmöglichkeiten in der Forschung. EduCT kam bereits in mehreren Forschungspro- jekten zum Einsatz. Im Verbundprojekt AiBeton3D wurden additiv gefertigte Komponenten aus Ton auf Materialintegrität geprüft und der Fertigungsprozess dadurch optimiert (Abb. 2).2
In einem aktuellen Forschungsprojekt, GreenpowerSIB, wird gemeinsam mit Industriepartnern an Natrium-Io- nen-Batterien geforscht.3 In Abb. 3 ist der innere Aufbau einer kleinen Rundzelle zu sehen. Hierbei können Zelleneigenschaften wie Anodenüberstand und Anodendeformationen analysiert werden. Im Rahmen des Forschungsprojekts werden die Schnellladefähigkeit und die dabei auftretenden Schädigungsmechanismen untersucht, die die Lebensdauer einer Zelle negativ beeinflussen.
Der hybride CT-Ansatz in der Forschung
Im Rahmen des Verbundprojekts KIBEBA wurden charakteristische Fehlerstrukturen in der additiven Fertigung von Metallbauteilen untersucht und deren Auswirkungen auf die Festigkeit erforscht.4 Dazu wurden mehrere KI-Verfahren entwickelt und eingesetzt. Abb. 4 zeigt ein additiv gefertigtes Bauteil aus Aluminium mit der visuali- sierten Geometrie und den Fehlstellen (Realdaten). Zur automatischen Segmentierung und Klassifizierung kommen U-NET-Netzarchitekturen zum Einsatz. Um die Segmentierungs- und Klassifizierungsverfahren zu trainieren, haben wir die Pipeline „SPARC“ (Synthetized Process Artificial Realistic CT Data) zur Synthetisie- rung neuer Trainingsdaten aus realen Defekten entwickelt. Diese Pipeline basiert auf GAN-Netzen, Autoencodern und U-Net-Modellen. Ausgehend von einem Realbauteil mit seinen inneren Fehlerstrukturen wird eine große Anzahl realitätsnaher synthetischer Varianten erzeugt, siehe Abb. 5. Die Kombination aus synthetischen Daten und Realdaten ermöglicht es, den Engpass an verfügbaren Realdaten für das Training der KI-Verfahren zu überwinden. Das Ergebnis ist eine hohe Segmentierungsleistung auf Voxel-Basis (MeanIoU > 90 %) und eine sehr gute Klassifizierungsleis- tung für Fehlerstrukturen von > 97 %.
In der industriellen Qualitätssicherung ist es üblich, die Größe von Fehlerstrukturen als Ausschusskriterium zu verwenden. Dieses Kriterium kann jedoch dazu führen, dass funktionale Teile ausgemustert werden, da die Defektgröße keinen direkten Bezug zur Wirkung der Fehler auf die Bauteileigenschaften hat. Hier setzen wir auf der Grundlage der SPARC-Prozesskette an und untersuchen die Auswirkungen von Fehlstellen auf die Festigkeit von Bauteilen. In einem ersten Schritt wurden FEM-Berechnungen auf der Basis von idealen CAD-Daten (üblicher Festigkeitsnachweis) sowie von Bauteilen mit Fehlstellen durchgeführt. Abb. 6 zeigt deutlich, dass der FEM-Festigkeitsnachweis auf Basis idealer CAD- Daten unzureichend ist. Das fehlerbehaftete Bauteil wird früher versagen, als von der CAD-basierten FEM-Analyse vorausgesagt.
Das System wird kontinuierlich weiterentwickelt und um zusätzliche Mess- und Analysefunktionen erweitert. So sollen in Zukunft größere und komplexere Geometrien analysierbar werden. Parallel dazu werden die KI-gestützten Verfahren weiter verbessert, um die Robustheit und Generalisierbarkeit der automatisierten Auswertung zu erhöhen. Zukünftige Arbeiten fokussieren sich auf die Kombination aus hochauflösender 3D-Bildgebung, erweiterten Simulationsansätzen und datengetriebenen Modellen, um Materialverhalten und Schadensentwicklung noch umfassender abzubilden. Damit entsteht eine durchgän- gige Pipeline von der Datenerfassung über die syntheti- sche Datengenerierung bis hin zur physikalisch fundierten Bewertung von Bauteilen.
Quellen
1 Dank an die Sponsoren und Fördermittelgeber: Anfotec GmbH, Finetec GmbH, Intom GmbH, Siemens Healthineers, Varex Imaging, Verbund der Stifter an der HKA, Bundesministerium für Forschung, Technologie und Raumfahrt
2 AiBeton3D im „Technologietransfer-Programm Leichtbau“ des Bundesministeriums für Wirtschaft und Energie Thema: „AIBetOn: KI-assistierter 3D-Druck für Baustoffe“ FKZ. 03LB2041E
3 GreenPowerSIB in KMU- innovativ: „Energieeffizienz, Klimaschutz und Klimaanpassung“ Thema: „Natrium-Ionen-Batterien für nachhaltige Energie und Klimaschutz durch CO₂-Einsparung“ FKZ. 01LY2506C
4 KIBEBA im BMBF-Programm „KMU-innovativ: Informations- und Kommunikationstechnologie (IKT) – SWS“ Thema: „Entwicklung einer CT-Scan- und Auswertetechnologie für hochdichte Bauteile“ FKZ. 01IS22043C
Autoren
Prof. Dr.-Ing. Martin Simon
Professor für Mechatronische Systeme an der Fakultät für Maschinenbau und Mechatronik
Robin Tenscher-Philipp, M.Sc.
Akademischer Mitarbeiter am Institut für Angewandte Forschung der HKA
Tim Schanz, M.Sc.
Akademischer Mitarbeiter am Institut für Angewandte Forschung der HKA
Simon Vogel, M.Sc.
Akademischer Mitarbeiter am Institut für Angewandte Forschung der HKA
Sebastian Brekeller, M.Sc.
Akademischer Mitarbeiter am Institut für Angewandte Forschung der HKA