BUP43 - CT-INR

Mittels Computertomografie (CT) können Bauteile mithilfe von Röntgenstrahlen präzise vermessen werden. Neben Aussagen zu Länge, Winkel oder o.ä. über das Bauteil, können zusätzlich auch innenliegende Strukturen wie Poren analysiert werden, ohne das Bauteil zu zerstören. CT als Messtechnik bietet daher einige Vorteile. Allerdings erfordert das komplexe physikalische Messprinzip der CT-Systeme umfassendes Expertenwissen für die Bedienung. Dies macht den gesamtem Messprozess sehr aufwändig und führt häufig zu nicht optimalen Messergebnissen. 

Ziel

Ziel dieses Projektes ist es, einen Simulator für industrielle Computertomografen aufzubauen, der zur Auslegung von Messungen genutzt werden kann. Die hierfür benötigte Simulationsgenauigkeit und Rechenzeit erfüllen aktuelle Simulatoren nicht, weswegen Machine Learning zur Simulation verwendet werden soll. Hierfür werden Ansätze aus dem Teilgebiet der "Impliziten Neuronalen Repräsentationen" verwendet, die sich für verwandte Probleme aus der Signalverarbeitung bereits bewiesen haben.

Vorgehen

• Aufbau eines Echtdatensatzes 

• Entwicklung einer geeigneten Supervised Learning Architektur mithilfe von Expertenwissen und Ansätzen aus dem AutoML

• Validierung der Ergebnisse und Vergleich mit bestehenden Simulatoren 

Nutzen

Mehrwert für Produktion/Produktionstechniker: Die Vorteile der industriellen Computertomografie als Messtechnik können aktuell nicht voll ausgeschöpft werden. Grund hierfür sind die komplexen physikalischen Wechselwirkungen, denen momentan nur mit umfassendem Expertenwissen begegnet werden kann. Mit einer schnellen und genauen Simulation dieser Systeme kann diese Komplexität verringert werden. Industrielle Computertomografie kann so zum breiten Einsatz in der Qualitätssicherung befähigt werden.