Blitz-Inspektion
Automatische Inspektion von Flugzeugoberflächen mit Drohnen
Ein Verkehrsflugzeug wird durchschnittlich einmal im Jahr vom Blitz getroffen. Um mögliche Schäden am Flugzeug auszuschließen, musste bisher eine Sichtprüfung der Außenhaut durch das Wartungspersonal durchgeführt werden.
Das innerhalb von zwei Jahren entwickelte Amiigo-System konnte im Rahmen des Projektabschlusses bereits an einer Boeing 737-500 erfolgreich demonstriert werden. (Bild: WZLforum gGmbH)
Damit dieser Prüfprozess einfacher zu handhaben ist, entwickelten das Institut für Regelungstechnik (IRT) und der Lehrstuhl für Fertigungsmesstechnik und Qualitätsmanagement des Werkzeugmaschinenlabor WZL der RWTH Aachen im Rahmen des Forschungsprojekts ‚Automatische, Multikopter-basierte Indoor-Inspektion von großen Oberflächen‘ (Amiigo) ein Multikopter-basiertes System zur schnelleren Defektidentifikation und -lokalisierung am Flugzeug. Die mobile Einheit digitalisiert mittels Kameratechnik die Oberfläche des Flugzeugs. Die Automatisierung des Multikopters wird durch eine Pfadplanung, eine darauf aufbauende Trajektorienoptimierung, eine Flugregelung sowie eine Kollisionsvermeidung in Echtzeit realisiert. Die vom IRT umgesetzten Navigations- und Regelungsalgorithmen werden dabei gänzlich autark auf der Drohne selbst ausgeführt. Eine Sensorfusion berechnet dafür alle 10ms eine auf wenige Millimeter genaue Position der Drohne im Wartungshangar. Auf Basis der aktuellen Position sowie eines im Voraus optimierten Pfades über die Oberflächen können alle für den Flug notwendigen Steuerbefehle ermittelt werden. Mögliche Hindernisse werden parallel dazu mit einem Laserscanner dynamisch erkannt. Die automatisierte Defekterkennung in aufgenommenen Bildern sowie die Visualisierung der berechneten Positionen der stecknadelkopfgroßen Defekte realisiert das WZL. Einsatz finden dabei klassische Algorithmen der Bildverarbeitung sowie Machine Learning. Konkret erfolgt die Identifikation von wartungsrelevanten Oberflächendefekten in den ortsindexierten Bilddaten durch einen Hybrid aus einem klassischen Eck-Erkennungs-Algorithmus und einem Convolutional Neural Network CNN. Somit identifizierte Defekte werden dem Wartungspersonal in Form einer interaktiven Defect-Map zur Verfügung gestellt. Für die Lokalisation der identifizierten Defekte auf der Flugzeugoberfläche werden die Bilddaten synchron zum Zeitpunkt der Aufnahme mit Positionsdaten aus der Sensorfusion referenziert. Basierend auf dem Positionsdatum der Bildaufnahme und der ermittelten Position des Flugzeugs im aufgespannten Koordinatensystem erfolgt die virtuelle Projektion der Defektposition auf die Flugzeugmodelloberfläche.
