Automatisierte ZfP-Auswertung (Industrie-Röntgen, CT, Ultraschall) für Gussteile & Schweißnähte

Die zerstörungsfreie Prüfung (ZfP) deckt innere Fehler auf, die keine Kamera sieht: Gasporosität und Lunker in Aluminiumgussteilen, Bindefehler in Schweißnähten, Delaminationen in Verbundwerkstoffen. Die Auswertung der entstehenden Durchstrahlungsbilder, CT-Volumen und Ultraschallscans ist langsam und subjektiv. Deep-Learning-Modelle sortieren die Daten vor, segmentieren Fehler in 3D und wenden Zulässigkeitsregeln an, sodass zertifizierte Prüfer nur Grenzfälle und markierte Fälle prüfen.

Problem & Nutzen

• Heute: Film- oder Digitalradiographien und CT-Daten werden von zertifizierten Prüfern (ISO 9712, Stufen 2/3) oder von klassischer automatischer Fehlererkennung (ADR) mit von Hand abgestimmten Schwellenwerten gelesen. Schwellenwerte versagen bei Rauschen, Strahlaufhärtungsartefakten, wechselnder Wanddicke und komplexer Geometrie, sodass Fehlalarme häufig sind und qualifizierte Prüfer knapp.
• KI-Nutzen: einheitliche Erstauswertung, 3D-Fehlersegmentierung in CT-Volumen, weniger Fehlausschuss (Ausschuss und Nacharbeit), höherer Durchsatz bei 100-%-Inline-Prüfung sowie eine dokumentierte, reproduzierbare Entscheidungsspur. Hersteller berichten von deutlich geringerem manuellem Prüfaufwand; unabhängige, vergleichbare Zahlen sind selten, messen Sie daher an Ihren eigenen Teilen [1][2][3].
• Abgrenzung zu VIS-001: Die Daten sind Volumen- oder Signaldaten, keine Oberflächenbilder; Entscheidungen folgen Zulässigkeitsnormen und Abläufen mit zertifiziertem Personal.

Varianten

• Gussteile für Automobil und E-Mobilität: Inline-CT oder DR von Aluminium-Druckgussteilen (Motorblöcke, Batteriegehäuse, Strukturteile), 100 % oder stichprobenartig.
• Schweißnahtprüfung: Durchstrahlungsprüfung und Phased-Array-Ultraschallprüfung (PAUT/TFM) von Schweißnähten an Rohrleitungen, Druckbehältern, Schienen und im Schiffbau.
• Luft- und Raumfahrt und Energie: CT von Turbinenschaufeln, additiv gefertigten Teilen und Verbundwerkstoffen (siehe VIS-057 für die prozessbegleitende Überwachung der additiven Fertigung).
• Batterien und Elektronik: CT/Röntgen von Zellen, Lötstellen und BGA-Gehäusen (siehe VIS-056).
• Dienstleistungslabore: ZfP-Dienstleister, die KI-gestützte Auswertung als qualitätsgesicherte Vorsortierung anbieten.

So funktioniert es

1. acquisition (X-ray / CT / PAUT)
2. reconstruction & calibration (FDK, artefact correction)
3. pre-processing (normalisation, ROI from CAD/registration)
4. detection / segmentation model (2D or 3D, anomaly branch for unseen defects)
5. measurement (size, volume, position, wall distance, porosity %)
6. rule engine (acceptance class, e.g. ISO 10675 weld / casting specs, customer drawing)
7. verdict: auto-accept | reject | human review (certified inspector)
8. report, archive of raw data + model version, feedback loop

• Modelle: 3D-Segmentierung im Stil von U-Net / nnU-Net für Porosität und Risse in CT, Detektoren vom Typ YOLO oder DETR für 2D-Durchstrahlungsbilder sowie Autoencoder-/Feature-Embedding-Anomaliemodelle, wenn Fehlerbeispiele knapp sind. Synthetische Daten aus der CT-Simulation (zum Beispiel Fraunhofer EZRT oder Simulatoren im Stil von aRTist) und das Einfügen von Fehlern helfen bei seltenen Fehlerklassen.
• Die Regelebene bleibt deterministisch: Die Zulässigkeitsgrenzen stammen aus der Norm und der Zeichnung, nicht aus dem Modell; das Modell liefert nur die gemessenen Fehler.
• Mensch-in-der-Schleife (Human-in-the-Loop): Ergebnisse mit geringer Konfidenz oder sicherheitskritische Ergebnisse gehen an einen zertifizierten Prüfer; die Freigabe sicherheitsrelevanter Teile bleibt eine menschliche, qualifizierte Entscheidung. Korrekturen der Prüfer fließen in das erneute Training ein.

Datenaufbereitung

Die Daten sind Durchstrahlungsbilder, CT-Volumen und Ultraschallscans zusammen mit CAD-Modellen, Zeichnungen, Zulässigkeitsnormen und Prüferberichten. Sie liegen auf den Arbeitsplätzen der Prüfgeräte, lokalen Dateifreigaben, im MES/QMS und teils in Papierberichten. Typische Lücken: proprietäre Rohformate, fehlende oder uneinheitliche Kalibriermetadaten, keine Verknüpfung zwischen Scan und Bauteil, Seriennummer und Zeichnungsstand, sehr wenige Fehlerbeispiele, nur in Freitextberichten gelabelte Fehler und verstreutes Prüferwissen.

Schritte der Aufbereitung: Scans mit Metadaten in offene Formate exportieren (DICOM-ähnlich, TIFF, HDF5); jeden Scan über ERP/QMS mit Teilenummer, Charge und Produktionsparametern verknüpfen (PREP-005); Excel-Prüflisten in saubere Tabellen umbauen (PREP-011); Papierberichte digitalisieren (PREP-006); Labels aus früheren Prüfentscheidungen gewinnen (PREP-020); das Fehlerklassenschema je Norm festlegen (PREP-019) und einen von zertifizierten Prüfern gelabelten Gold-Testdatensatz aufbauen (PREP-018). CT-Simulation und das Einfügen synthetischer Fehler helfen bei seltenen Klassen.

Grober Aufwandsanteil: Datenaufbereitung und Labeln machen typischerweise deutlich mehr als die Hälfte des Projekts aus; die Modellauswahl ist der kleinere Teil. Planen Sie Prüferzeit für das Labeln ein.

Umsetzungswege

Welcher Weg für wen

• KMU (Gießereien, Schweißbetriebe, kleine Hersteller): Weg A, weil ausgereifte ZfP-Software von Röntgen-/CT-Herstellern und Prüfdienstleistern zu zertifizierten Abläufen passt und kein ML-Team erfordert.
• Unternehmen (Serienfertigung, Automobil-, Luftfahrtzulieferer): Weg C, weil die Prüfung zentral für die Qualität ist, das Volumen Lizenz- oder API-Kosten hochtreibt und Bauteilkonstruktionen sowie CT-Daten Betriebsgeheimnisse sind, die On-Premises bleiben sollten.
• Entwickler: Weg C, weil offene 3D-Segmentierungs- und Anomaliemodelle (nnU-Net, YOLO-Typ) plus CT-Simulation den Aufbau eigener Prüf-Pipelines erlauben.

Weg A — Kaufen (Standardsoftware) (für die meisten Hersteller empfohlen)

• Hersteller von Prüftechnik: Waygate Technologies (Baker Hughes; Inspection Works / ADR-Software, phoenix CT), Zeiss Industrial Metrology (CT mit Analysesoftware), Yxlon (Comet-Gruppe, ADR für Gussteile), Nikon Metrology, North Star Imaging, Comet-Yxlon; Anbieter aus der EU sind unter anderem Zeiss, Yxlon, Fraunhofer EZRT (Forschung und Transfer) und Volume Graphics (Heidelberg, Teil von Hexagon).
• Analysesoftware: VGSTUDIO MAX (Volume Graphics, mit auf maschinellem Lernen beruhender Fehlererkennung), Dragonfly (Object Research Systems, ML-Segmentierung), Thermo Fisher Avizo, Hexagon-Software; Eddyfi und Olympus/Evident für Ultraschall (PAUT/TFM) mit Funktionen zur automatischen Fehlererkennung.
• Wählen Sie A, wenn: die Teile Standard sind (Aluminiumguss, Stahlschweißnähte), Sie ohnehin Röntgen/CT kaufen und der Hersteller gegen Ihre Zulässigkeitsklassen validieren kann.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Begrenzt geeignet: Rohe CT-Volumen sind riesig (GB je Teil) und oft vertraulich. Die Cloud eignet sich für Training und Annotation (EU-Regionen von Azure ML, AWS, Google Vertex oder EU-Anbieter wie OVHcloud und STACKIT), während die Inferenz am Rand (Edge) oder On-Premises läuft. Ein VLM (Claude, Gemini) kann aus den strukturierten Befunden Prüfberichte entwerfen, darf aber nicht über Annahme oder Ablehnung entscheiden.

Weg C — Selbst betreiben (Open Source)

• Frameworks: PyTorch, MONAI, nnU-Net für 3D-Segmentierung, Ultralytics YOLO oder MMDetection für 2D, anomalib für Anomalieerkennung, ONNX Runtime / TensorRT / OpenVINO für den Einsatz; ASTRA Toolbox oder TIGRE für die CT-Rekonstruktion; 3D Slicer oder napari zur Prüfung.
• Öffentliche Daten: GDXray (Röntgenbilder von Gussteilen und Schweißnähten) für Benchmarks, nicht für die Produktion [4].
• Hardware: HW3 (eine GPU mit 48 GB) für die 3D-Segmentierung vollständiger CT-Volumen; HW2 genügt für 2D-Durchstrahlungsbilder in Linien-Geschwindigkeit; der Inline-Einsatz braucht ein Latenzbudget passend zur Taktzeit.

Weg D — Eigenes Training

Meist nötig bei einer neuen Teilefamilie oder Legierung: Scans mit Referenzwahrheit aus Metallografie, zerstörender Schnittprüfung oder Expertenkonsens sammeln (Hunderte bis Tausende annotierter Fehler je Klasse; fehlerfreie Teile gibt es reichlich, Fehler sind selten). Nutzen Sie Simulation und das Einfügen von Fehlern zur Anreicherung, Domänenanpassung zwischen Scannern und einen gesperrten Validierungsdatensatz. Validieren Sie nach jeder Änderung von Detektor, Spannung, Filter, Legierung oder Bauteilkonstruktion erneut.

Stand der Technik (2026)

• Hersteller liefern ML-basierte Fehlererkennung in CT-Analyse- und ADR-Produkten aus; der Trend geht zu Inline-CT für Gussteile mit automatischen Entscheidungen, und 3D-Segmentierung ersetzt die schwellenwertbasierte Porositätsanalyse [1][2][3].
• Schwachstellen: seltene Fehlertypen, winzige Risse nahe der Auflösungsgrenze, Artefakte (Metallstreifen, Ringartefakte), Domänenverschiebung zwischen Scannern und Einstellungen sowie überzuversichtliche Scores. Kalibrieren Sie die Unsicherheit und halten Sie ein Prüfband vor.
• Forschung: Selbstüberwachtes Vortraining, 3D-Segmentierungsmodelle im Foundation-Stil und der Transfer von Simulation auf Realdaten sind aktiv; Produktivsysteme bleiben überwiegend überwacht trainiert und je Teil validiert.
• Qualifizierung: Normen für KI in der ZfP entwickeln sich noch; Organisationen wie die Deutsche Gesellschaft für Zerstörungsfreie Prüfung (DGZfP) und ASNT diskutieren Qualifizierung und Validierung von ADR, und ISO 9712 regelt weiterhin das Personal [5].

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (image-classification, segmentation, anomaly-detection): VIS-001 Oberflächenprüfung, VIS-056 Wafer-Map-Defekte, VIS-057 Überwachung der additiven Fertigung, VIS-043 Rohr-CCTV-Inspektion.
• Die 3D-Datenpipeline wird mit den Punktwolken-Workflows von VIS-040 geteilt.
• Nachgelagert: PRED-025 Frühwarnung bei Feldausfällen, Rückverfolgbarkeit, die Scanergebnisse mit Seriennummern und Produktionsdaten (MES/QMS) verknüpft, Rückmeldung zur Lieferantenqualität.
• Annotationswerkzeuge und Edge-GPU-Server sind über Prüf-Anwendungsfälle hinweg wiederverwendbar.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis Monate für Inbetriebnahme und Validierung an Ihren Teilen; die Kosten werden vom CT-/Röntgensystem und den Lizenzen bestimmt.
• Weg C/D: 6-12 Monate inkl. Datenerhebung, Annotation, Validierung und Dokumentation; laufendes erneutes Training und Revalidierung.
• Kennzahlen: Nachweiswahrscheinlichkeit (POD) nach Fehlergröße, Rate des Fehlausschusses, Schlupfrate (übersehene Fehler), Prüfquote, Zeit vom Scan bis zur Entscheidung, Kosten für Ausschuss und Nacharbeit, Übereinstimmung mit zertifizierten Prüfern.

Menschen & Veränderung

Beziehen Sie die Leitung für Budget und Qualitätsverantwortung ein, danach die Qualitäts- oder ZfP-Leitung als Prozesseigner. Zertifizierte Prüfer sind die Schlüsselgruppe: Sie labeln Daten, validieren das Modell und behalten die Freigabebefugnis für sicherheitsrelevante Teile. Die IT bindet Scanner, Speicher und das MES/QMS an. Kunden müssen KI-gestützte Prüfung gegebenenfalls akzeptieren; beziehen Sie daher wichtige Kunden und Auditoren früh ein und klären Sie mit Recht/Compliance die Qualifizierungsregeln für ZfP-Personal und die geltenden Normen.

Betriebsrat: abhängig vom Einzelfall. Das System bewertet Teile, nicht Menschen; werden aber Entscheidungen, Übersteuerungsraten oder Durchsatz je Prüfer protokolliert, gilt § 87 Abs. 1 Nr. 6 BetrVG (BAG: objektive Eignung genügt). § 90 Abs. 1 Nr. 3 verlangt, den Betriebsrat über KI-gestützte Arbeitsverfahren rechtzeitig zu informieren. Eine Betriebsvereinbarung zur Ergebnisprotokollierung hilft. Personenbezogene Daten sind minimal (Prüfer-Kennungen), eine Datenschutz-Folgenabschätzung (DSFA) ist daher meist nicht nötig; die/der Datenschutzbeauftragte bestätigt dies.

Fördern Sie KI-Kompetenz (Art. 4 KI-Verordnung): Schulen Sie Prüfer zu den Grenzen des Modells, zum Risiko übersehener Fehler und zum Automatisierungsbias. Führen Sie einen Pilot an einer Produktlinie parallel zur manuellen Auswertung durch und vergleichen Sie Übersehensrate und Prüfzeit. Typische Sorge: Verlust von Fachkönnen oder Ersatz; antworten Sie, dass das Modell vorsortiert und Menschen bei Fällen mit geringer Konfidenz und sicherheitskritischen Fällen entscheiden. Siehe GUIDE-009, GUIDE-008, GUIDE-004.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Die Einstufung hängt vom Einsatz ab. Ist die KI eine Sicherheitskomponente eines Produkts nach Anhang-I-Rechtsvorschriften (z. B. Maschinen, Druckgeräte, Medizinprodukte), kann sie Hochrisiko sein (Art. 6); reine interne Qualitätsvorsortierung mit menschlicher Freigabe ist typischerweise minimales Risiko. Keine Praxis nach Art. 5. KI-Kompetenz (Art. 4) gilt in allen Fällen [6].
• Branchenregeln: Personalzertifizierung nach ISO 9712, ISO 10675 (Zulässigkeitsgrenzen der Durchstrahlungsprüfung von Schweißnähten), ASTM-E155-Referenzradiographien, Kundenspezifikationen, Luftfahrt (Nadcap) und Regeln für Druckgeräte verlangen häufig validierte Verfahren; Änderungen an der Software sind Änderungen am ZfP-Verfahren [7].
• Strahlenschutz: Röntgen- und CT-Anlagen unterliegen dem nationalen Strahlenschutzrecht (z. B. StrlSchG in Deutschland); durch KI unverändert.
• DSGVO: keine personenbezogenen Daten in den Scans; Protokolle von Bedienern und Prüfern können personenbezogene Daten sein.
• Risiken und Gegenmaßnahmen: übersehene Fehler (POD-Studien, konservative Schwellenwerte, Prüfband), Modelldrift nach Änderungen an Scanner oder Prozess (Überwachung, Revalidierung), Automatisierungsbias (blinde Zweitauswertungen, stichprobenartige Audits), CAD-Daten als Betriebsgeheimnis (On-Premises oder Hosting in der EU).

Erste Schritte

1. Legen Sie Zulässigkeitsklassen, Fehlertypen und die Kosten von Übersehen gegenüber Fehlausschuss je Teilefamilie fest.
2. Sammeln Sie 200-500 repräsentative Scans inkl. bekannter Fehler mit Referenzwahrheit (Schnittprüfung, Expertenkonsens).
3. Vergleichen Sie die ADR-/CT-Analysemodule zweier Hersteller an Ihren Daten; vergleichen Sie mit den Prüfern.
4. Betreiben Sie das System im Schattenmodus neben zertifizierten Prüfern; messen Sie POD und Fehlausschussrate.
5. Dokumentieren Sie das validierte Verfahren, legen Sie Prüfband und Auslöser für Revalidierung fest und gehen Sie dann in Betrieb.

Quellen

1. Waygate Technologies — Inspection Works / automated defect recognition — https://www.bakerhughes.com/waygate-technologies
2. Volume Graphics — VGSTUDIO MAX CT analysis software — https://www.volumegraphics.com
3. Fraunhofer IIS — Development Center X-ray Technology (EZRT) — https://www.iis.fraunhofer.de/en/ff/zfp.html
4. Mery et al. — GDXray: database of X-ray images for NDT — https://domingomery.ing.puc.cl/material/gdxray
5. ISO 9712 — NDT qualification and certification of personnel — https://www.iso.org/standard/78552.html
6. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
7. ISO 10675-1 — NDT of welds, acceptance levels for radiographic testing — https://www.iso.org/standard/72118.html
8. nnU-Net — https://github.com/MIC-DKFZ/nnUNet