DACH - Jahrestagung 2004 Salzburg

ZfP in Forschung, Entwicklung und Anwendung

Start > Beiträge > Plakate > Ultraschallprüfung: Print

Ein System zur automatischen Klassifikation von Ultraschall-Messdaten

Malte Ahrholdt, Hermann Rohling, Technische Universität Hamburg-Harburg
Kontakt: Dipl.-Ing. Malte Ahrholdt

Motivation und Zielstellung

In Hochtechnologieanwendungen werden zunehmend Faserverbundwerkstoffe eingesetzt. Speziell in der Luftfahrt besteht das Ziel, leichte und zugleich stabile Materialien für den Flugzeugbau zu verwenden. Durch den Einsatz von Kohlenstofffaserverstärkten Kunststoffen (CFK) können Strukturen wesentlich leichter hergestellt werden. Bereits heute werden Höhen- und Seitenleitwerke, Klappen und Spoiler von Flugzeugen aus CFK hergestellt. Langfristig besteht das Ziel, weite Teile des Flugzeugrumpfes aus Faserverbundwerkstoffen zu fertigen.

Ein wichtiger Aspekt bei der Verwendung von CFK in sicherheitsrelevanten Bereichen des Flugzeugbaus besteht darin, bereits während der Fertigung die Fehlerfreiheit der Strukturen nachzuweisen. Fertigungsbedingte Materialfehler können in Form von Delaminationen - Ablösungen benachbarter Material-schichten - oder z.B. in Form eines erhöhten Gasporengehalts im Material auftreten.

Üblicherweise erfolgt die Prüfung zerstörungsfrei mittels der Ultraschalltechnik. Zur Prüfung eines gesamten Bauteils wird ein Ultraschall-Prüfkopf auf der Bauteiloberfläche mäanderförmig verfahren und so ein komplettes, dreidimensionales Abbild des untersuchten Gegenstandes gewonnen.

Die Auswertung der Ultraschallprüfungen erfolgt bisher manuell. Die Messdaten werden dazu einem speziell qualifizierten Experten grafisch visualisiert. Anhand von Vorgaben aus der jeweiligen Prüfanweisung wird dann entschieden, ob eventuell ein Materialfehler vorliegt. Zur Darstellung der Ultraschalldaten ist stets eine Datenkompression erforderlich, die eine zweidimensionale Darstellung der ursprünglich dreidimensionalen Daten ermöglicht.

Speziell bei großen Bauteilen ist die Auswertung der aufgenommenen Ultraschalldaten aufwendig, der erforderliche Zeitaufwand übersteigt die Dauer der eigentlichen Messung um ein Vielfaches. Aus diesem Grund wird im Folgenden eine Methode vorgeschlagen und untersucht, die Ultraschallechos automatisiert auszuwerten und zu klassifizieren.


Abb 1: Kohlefaserverstärkter Verbundwerkstoff

System zur automatischen Auswertung


Abb 2: Überblick Klassifikationssystem

Das entwickelte Auswertesystem basiert auf einem mehrstufigen Ansatz. Zunächst werden alle potentiell relevanten Signale detektiert und dann in einem zweiten Schritt klassifiziert und bewertet. Das System ist in Abbildung 2 im Überblick dargestellt.

Die Detektion potentiell relevanter Ultraschallechos erfolgt über eine Suche nach unerwartet großen Signalamplituden im Ultraschall-Echosignal mit Hilfe eines Peakdetektionsalgorithmus. Zielstellung ist dabei zunächst, alle potentiell relevanten Echosignale zu erfassen. Dass dabei Signalspitzen erfasst werden, die nicht durch Fehlstellen erzeugt wurden, ist beabsichtigt. Eine genauere Unterscheidung der Signale erfolgt erst im Zuge der weiteren Verarbeitung.

Anschließend werden inhaltlich zusammenhängende Signale als solche erkannt und geclustert. Die Aufgabe hierbei ist, die Signale mit demselben Ursprung, d.h. von derselben Fehlstelle oder demselben Ultraschall-Reflektor, zu erkennen und in der Auswertung gemeinsam zu betrachten.

Neben der direkten Umgebung der auszuwertenden Signale wird auch eine globale Informationskomponente, welche die Eigenschaften und die Geometrie des Bauteils beschreibt, mit in die Bewertung einbezogen.

Für die zu untersuchenden Ultraschallsignale wird jeweils ein Satz von Merkmalen berechnet. Merkmale können auf ganz unterschiedliche Weise mit Hilfe verschiedener Modelle aus den Messdaten ermittelt werden.

Anhand der Merkmale werden die Daten mit Hilfe eines Klassifikators automatisch bewertet und in einen Satz von definierten Klassen eingeteilt. Damit wird die Entscheidung getroffen, ob diese Position als fehlerfrei oder fehlerhaft zu bezeichnen ist. Die Definition eines Satzes von Klassen ist ein wesentlicher Aspekt bei dem Entwurf eines Systems zur automatischen Auswertung.

Detektion von Signalspitzen

Delaminationen benachbarter Faserlagen in kohlefaserverstärkten Kunststoffen sind eine häufig vorkommende Art von Fehlstellen. Sie zeichnen sich bei der Ultraschallprüfung durch die Reflexion des Signals aus und führen so zu Signalspitzen im Ultraschallecho.

Positionen mit niedrigen Signalamplituden im Ultraschall-Echosignal können grundsätzlich als frei von Delaminationen betrachtet werden. Positionen mit hohen Signalamplituden (so genannten Peaks) weisen nicht von vornherein auf fehlerhafte Stellen hin, allerdings haben Delaminationen immer eine hohe Signalamplitude. Aus diesem Grund werden zunächst sämtliche Positionen mit hohen Signalamplituden ermittelt und das gesamte Ultraschallsignal wird anschließend einer automatischen Analyse unterworfen. Die Positionen mit hohen Signalamplituden und einem positiven Klassifikationsergebnis werden dann als Fehlstellen im Material betrachtet.

Die Peakdetektion dient deshalb zunächst der Erkennung relevanter hoher Amplitudenspitzen im Ultraschallsignal. Bei dieser ersten Entscheidung wird das Ziel verfolgt, sämtliche Amplitudenspitzen zu erfassen und damit jede mögliche Fehlstelle einer Detailanalyse unterwerfen zu können. Dabei ist es zunächst unerheblich, wenn auch bei der reinen Amplitudenauswertung einige Rausch- und Streuechos erfasst und in der späteren Analyse wieder herausgefiltert werden

Clusterung

Um den offenkundig existierenden Zusammenhang zwischen räumlich benachbarten Amplitudenspitzen auszunutzen, werden diese Stellen gruppiert. Eine Gruppe zusammengehörender Signalpeaks wird im Folgenden als ein Cluster bezeichnet. Zunächst wird für jeden detektierten Peak ein neues Cluster initialisiert. Sobald solche Cluster räumlich benachbart sind, werden sie kombiniert und als ein zu klassifizierendes Objekt betrachtet. In Abbildung 3 ist die Clusterung Echopeaks veranschaulicht.


Abb 3: Clusterung von Ultraschallechos

Auswertung der Bauteilkontur

Ein weiterer Aspekt besteht in der Betrachtung des untersuchten Bauteils als Gesamtheit. Hieraus lässt sich ein Bestand an globaler Information gewinnen. Ein wichtiger Punkt hierbei ist die Kenntnis über das Bauteil selbst und seine Geometrie. Auch bei der Beurteilung von Ultraschall-Messdaten durch einen menschlichen Prüfer wird dieser in einem ersten Schritt zunächst die Information über die geometrischen Bauteileigenschaften den Daten entnehmen, um diese Kenntnis dann während der weiteren Bewertung zu nutzen.

Aus diesem Grund wird hier ein Verfahren verwendet, das mittels eines Satzes von Regeln die Bauteilgeometrie anhand der Messdaten bestimmt. Der Ansatz funktioniert für unterschiedliche Ultraschall-Prüftechniken, z. B. Tauchtechnik oder Kontaktankopplung, auf ähnliche Weise. Er zeichnet sich dadurch aus, dass er nicht auf einem lernenden Trainingsverfahren basiert, sondern mit einigen Parametern für die jeweilige Aufgabe kalibriert wird. Hierzu werden speziell großflächige Echos gesucht, die einen Satz festgelegter Bedingungen an ihre Amplituden und Laufzeiten erfüllen. Danach ist die Kontur des zu untersuchenden Bauteils bekannt und diese Information kann als zusätzliches Merkmal für die Klassifikation verwendet werden. Die Kenntnis der Lage von Einschall- und Rückwandecho ermöglicht es dem Klassifikationssystem darüber hinaus, automatisch den relevanten Zeitbereich für die Suche nach Peaks im Echosignal festzulegen. Die Ultraschall-Messdaten eines Bauteils und die dazugehörige ermittelte Bauteilkontur sind in Abbildung 4 gezeigt.


Abb 4:
Rohdaten und ermittelte Bauteilkontur (B-Bild)

Merkmale

Für jede Amplitudenspitze bzw. jedes Cluster werden Merkmale zur Klassifikation automatisch ermittelt. Diese werden mit ganz unterschiedlichen Verfahren und Modellen aus dem Ultraschall-Echosignal extrahiert, vergleiche Abbildung 5. Sämtliche berechneten Merkmale werden in einem Vektor zusammengefasst.

Die Auswahl geeigneter Merkmale stellt einen wichtigen Gesichtspunkt bei dem Entwurf eines Klassifikators dar. Dem Klassifikator obliegt die Aufgabe, während des Lernprozesses den Beitrag der einzelnen Merkmale für die Entscheidungsfindung automatisch zu bewerten, die für die Entscheidung wichtigen zu finden und seine innere Struktur so zu adaptieren, dass er für unbekannte Merkmalvektoren die korrekte Klassenzugehörigkeit bestimmen kann.


Abb 5: Allgemeines Merkmalmodell

Amplitudenmerkmale

Die Amplitude des reflektierten Echosignals beinhaltet die Information über den akustischen Impedanzunterschied am Ort des Reflektors. Sie wird normiert auf die bereits für die Detektion verwendete adaptive Schwelle und damit auf die mittlere Amplitude der Streuechos aus dem Materia

Signalmerkmale

Das Echosignal einer Reflexion umfasst mehr Daten als das bloße Maximum der Amplitude. Diese Information kann auf verschiedene Weise als Signalmerkmal mit verwendet werden. Ein Ansatz besteht darin, das Zeitsignal einer Umgebung des Peaks als Bestandteil des Merkmalvektors mit zu verwenden. Ein anderer Ansatz besteht darin, die Information mittels einer diskreten Fourier-Transformation in den Spektralbereich zu transformieren und dort den relevanten Anteil des Spektrums als Merkmal für die Klassifikation zu betrachten, wie in Abbildung 6(a) dargestellt.


(a): Signalspektrum verschiedener Klassen

(b): Korrelationsverlauf für verschiedene Klassen
Abb 6: Beispiele für klassenabhängige Kenngrößen

Korrelationsmerkmale

Eine weitere Information über die Art eines Ultraschall-Echosignals ist durch eine Analyse des Zusammenhangs räumlich benachbarten Signalen gegeben. Je nach Reflektor nimmt die Korrelation der Echosignale unterschiedlich schnell mit der Entfernung ab, wie in Abbildung 6(b) gezeigt.

Cluster-Merkmale

Die Betrachtung eines Clusters als Einheit beinhaltet die Möglichkeit, hieraus charakteristische Merkmale für die Klassifikation zu gewinnen, die über die Information der einzelnen Signale hinaus gehen. Zu den charakteristischen Merkmalen eines Clusters gehören dessen Größe und Form, ferner Kenngrößen zur Verteilung der Amplituden und Signal-Laufzeiten.

Konturmerkmale

Bereits vor der eigentlichen Auswertung der Ultraschallsignale werden die Laufzeiten von Einschall- und Rückwandecho im Echosignal ermittelt. Aus der Kenntnis des Rückwandechos können bei der Merkmalberechnung zusätzliche Informationen gewonnen werden. Eine vorhandene Fehlstelle im Material wirkt sich in der Regel auf die Amplitude der Rückwand aus. Aus diesem Grund beinhaltet diese eine wichtige Information für die Auswertung. Sie kann entweder als Referenz für die im Material detektierten Signalspitzen ausgewertet werden, oder aber im Bezug auf die weiteren detektieren Rückwandechos des Bauteils.

Klassifikation

Die Aufgabe des Klassifikationssystems besteht in der Berechnung der Klassenzugehörigkeit für einen gegebenen Merkmalvektor [Bis95], [Sch96]. Die Menge der Klassen ist durch die Spezifikation des Klassifikators und die Art der möglichen Fehlstellen gegeben.

Der Klassifikator ist ein automatisch lernendes System. Deshalb wird zwischen der Trainingsphase und der Klassifikationsphase differenziert.

Während des Trainings - vergleiche Abbildung 7(a) - wird dem System eine Anzahl repräsentativer Merkmalvektoren zusammen mit der hinzugefügten entsprechenden Klassenzugehörigkeit präsentiert. Die hierzu erforderliche Referenzinformation für jedes detektierte Peaksignal wird aus einer dreidimensionalen Bauteilkarte des für das Training verwendeten Bauteils gewonnen. Dieser Lernvorgang wird einmalig an einem Satz repräsentativer Bauteile ausgeführt. Der verwendete Klassifikator bestimmt dabei selbstorganisierend den Einfluss der verschiedenen Merkmale auf eine Unterscheidbarkeit der Klassen und selektiert die Merkmale, die einen guten Beitrag zur Differenzierung leisten.

(a): Training des Klassifikators. (b): Klassifikationsvorgang
Abb 7: Klassifikation

Nach Abschluss des Trainings ist das System zur automatischen Auswertung von Messdaten bereit. Während der Klassifikationsphase - dargestellt in Abbildung 7(b) - wird für jeden berechneten Merkmalvektor die Klassenzugehörigkeit bzw. die Wahrscheinlichkeit der Klassenzugehörigkeit ermittelt. Das Klassifikationsergebnis wird ebenfalls in Form einer dreidimensionalen Bauteilkarte festgehalten und visualisiert.

Ergebnisse

Detektion von Delaminationen

Das erste Beispiel für die automatische Auswertung stellt den Anwendungsfall der Detektion von reflektierenden Fehlstellen, z.B. Delaminationen im Material dar. Dabei werden die nach dem beschriebenen Verfahren geclusterten Ultraschallpeaks bewertet. Für die hier betrachtete Aufgabenstellung wird zwischen folgenden Klassen fehlerfreier Positionen und Fehlstellen unterschieden:
  • Streuechos dem aus Material
  • Rückwandechos
  • Materialspezifische Echos, z.B. Nass-Trocken-Fügeebene
  • Delaminationen oder ähnliche Fehlstellen

Besonderheit der untersuchten Bauteile ist, dass Teil B ein flächiges Ultraschallecho einer fertigungsbedingten Nass-Trocken-Fügeebene aufweist, die von Fehlstellen unterschieden werden soll.

Um ein möglichst robustes Klassifikationssystem zu erlangen, wurden aus der Menge der verfügbaren Merkmale hier diejenigen Amplituden-, Korrelations-, Clusterund Konturmerkmale für die Klassifikation verwendet. In Abbildung 8 und Abbildung 9 sind neben den Rohdaten die jeweiligen Klassifikationsergebnisse der automatischen Auswertung dargestellt.


Abb 8:
Bewertung von geclusterten Ultraschallpeaks, Bauteil A

Abb 9:
Bewertung von geclusterten Ultraschallpeaks, Bauteil B

Rückwandecho-Bewertung

Ein anderer Aspekt der automatischen Auswertung von Ultraschallsignalen analysiert die Rückwandecho-Signale der Bauteile. Im Rückwandecho sind zum einen sämtliche Informationen, die der Ultraschall beim Durchlaufen des Bauteils aufnimmt, enthalten, sodass sich im Material vorhandene Fehlstellen auch im Rückwandecho abzeichnen. Zum anderen ist die Detektion von rückwandnahen Fehlstellen anhand ihres Ultraschallechos eine wichtige Aufgabe.

Für die Auswertung der Rückwandechos werden einzelne Signalspitzen jeweils für sich isoliert betrachtet und klassifiziert. Jedes zu klassifizierende Ereignis ist ein einzelner Peak der Rückwand. Mit Hilfe der automatischen Konturerkennung wird der Auswertebereich so beschränkt, dass nur die Peaks nahe der Rückwand klassifiziert und bewertet werden. Zu unterscheiden sind hierbei die Fälle einer fehlerfreien Rückwand, der Rückwand hinter einer im Material liegenden Fehlstelle und dem rückwandnahen Fehler.

In diesem Fall werden fünf Klassen zur Unterscheidung der Signale definiert:
  • Streuecho aus dem Material
  • Rückwandecho ohne Fehlstelle
  • Rückwandecho hinter einer Delamination
  • Rückwandnaher Fehler
  • Delamination im Material

Für die untersuchten Messdaten sind die Ergebnisse des trainierten Klassifikationssystems grafisch in Abbildung 10 für das Bauteil A dargestellt. Dabei werden die sowohl die rückwandnahen Fehlstellen wie die Bereiche hinter einer oberhalb im Material liegenden Delamination als solche detektiert und klassifiziert.


Abb 10:
Bewertung des Rückwandechos, Bauteil A

Zusammenfassung

Dieser Beitrag beschreibt ein System zur automatischen Bewertung von Ultraschallechos. Dabei wird ein zweistufiges System verwendet. In einem ersten Schritt werden zunächst alle potentiell relevanten Echosignale detektiert und zusammengeführt. Im nächsten Schritt wird für die Signale anhand verschiedener Modelle ein Satz von Merkmalen bestimmt. Mittels eines Klassifikators wird abschließend eine Klassenzuordnung ermittelt. Das System wurde anhand der Ergebnisse zweier Anwendungsfälle vorgestellt.

Literatur

  1. [AR02] Malte Ahrholdt and Hermann Rohling. Characterization of Aerospace CFRP Structures by an Automatic Classification System. 8th European Conference on Non-Destructive Testing, Barcelona / Spain, June 2002.
  2. [Bis95] Christopher M. Bishop. Neural Networks for Pattern Recognition. Clarendon Press, Oxford, Großbritannien, 1995.
  3. [RG00] Handbuch Faserverbundwerkstoffe. R & G Faserverbundwerkstoffe GmbH, Waldenbuch, 2000.
  4. [Sch96] Jürgen Schürmann. Pattern Classification: A Unified View of Statistical and Neural Approaches. John Wiley & Sons, Inc., New York, NY, USA, 1996.

STARTHerausgeber: DGfZPProgrammierung: NDT.net 

STARTHerausgeber: DGfZPProgrammierung: NDT.net