Deep learning based detection of ultrasonic grain noise events for quality assurance of turbine disks

Maschinelles Lernen (ML) gewinnt auch in der Zerstörungsfreien Prüfung (NDT) zunehmend an Bedeutung, da es das Potenzial bietet, manuelle Aufgaben zu automatisieren und zu verbessern. Die geringe Verbreitung in industriellen NDT‑Systemen ist jedoch auf sicherheitskritische Anforderungen sowie begrenzte Datenqualität zurückzuführen. Gleichzeitig rücken schwer detektierbare Fehlertypen wie Dirty White Spots in den Fokus. Diese Arbeit entwickelt und bewertet ein vollständig automatisiertes Klassifikationssystem für die Ultraschallprüfung mittels A‑Scans. Durch die Kombination moderner signalverarbeitender Verfahren mit Deep‑Learning‑Modellen gelingt die zuverlässige Vorhersage synthetisch erzeugter Clean White Spots in nickelbasierten Turbinenscheiben. Zudem werden Tiefeninformationen implizit erlernt. Methoden der Unsicherheitsquantifizierung erhöhen die Zuverlässigkeit der Vorhersagen und unterstützen die visuelle Darstellung für Prüfpersonal.