Anzeige
Anzeige
Anzeige

Falsche Niete(n) ausgeschlossen

3D-Sensor für die Nietinspektion bei Flugzeugen

In modernen Passagierflugzeugen, wie der Boeing 787 oder dem Airbus A380, werden mehrere 100.000 Niete oder sogenannte Fastener verbaut, wovon sich einige zehntausend auf der Flugzeugaußenhaut befinden. Diese unterliegen besonderen Anforderungen, nicht nur in Bezug auf Festigkeit, sondern auch hinsichtlich aerodynamischer Faktoren. Aufgrund der hohen Qualitäts- und Sicherheitsansprüche müssen alle Niete nach Einbau auf ihren perfekten Sitz geprüft werden.
Traditionell wird dies mittels taktiler Messmittel, wie Lehren oder Messuhren vorgenommen, was einen enormen Zeitaufwand bedeutet. Die Entscheidung ob ein Niet nachgearbeitet werden muss, ist selbst für einen Experten eine schwierige Entscheidung. Der Sitz kann oft nur punktuell bestimmt werden und Fragen wie Winkeligkeit sind nur subjektiv zu beantworten. Die optische Messtechnik und insbesondere die Weißlicht-Streifen-Projektion (Bild 2) biete hier ein geeignetes Verfahren, die genaue Einbausituation zu erfassen. Bei diesem Verfahren werden Lichtstreifen mit zunehmender Dichte auf das zu vermessende Objekt projiziert, wobei sich die Streifen gemäß der 3D-Struktur des Objekts verformen. Eine digitale Kamera erfasst die Szene unter einem Winkel und berechnet mittels Triangulation eine 3D-Darstellung der gemessenen Oberfläche. Die topologische Karte wird anschließend zur weiteren Berechnung herangezogen. In der vorliegenden Aufgabe müssen die Niete auf ihren korrekten Sitz überprüft werden. Mögliche Fehlerarten sind zu tief bzw. hoch sitzende Niete oder schräg eingesetzte Niete. Diese Fehler können zum einen die Struktur des Materials beeinträchtigen oder auf eine Schwächung der Verbindung hindeuten. Zum anderen kann ein herausstehender Niet einen negativen Einfluss auf die aerodynamischen Eigenschaften haben, wie z.B. einen höheren Treibstoffverbrauch. Um die relevanten Merkmale zu bestimmen, werden die gescannten Daten zunächst durchsucht, um die Niete zu lokalisieren. 3D-Daten auf der Oberfläche des Nietkopfs sowie die umliegende Topologie des Nietes wird herangezogen, um die Tiefe bzw. die Verkippung der Niete zu bestimmen. Durch die komplette Erfassung der Geometrie (d.h. ca. 300.000 3D-Koordinaten/Aufnahme) können zusätzliche 3D-Merkmale berechnet werden. Es ergibt sich dadurch ein vollständigeres Bild der Einbauszene, welches als objektive Grundlage für eine Gut/Schlecht-Entscheidung dient.

25µm Genauigkeit/Messpunkt

Beim fastCheck-System wird die Auflösung in z-Richtung bestimmt durch die Dichte der aufprojizierten Streifen und des Triangulationswinkels zwischen Kamera und Projektor. Der Winkel ist so optimiert, dass eine hohe Genauigkeit und eine handliche Bauform erreicht werden. Durch Kalibrierung des Systems an einer eingemessenen Kalibrierplatte kann eine Auflösung von 5µm erreicht werden. Berücksichtigt man alle Toleranzen im Gesamtsystem, wie Kamerarauschen und Digitalisierungseffekte, kann eine Genauigkeit pro Messpunkt von 25µm nachgewiesen werden. Diese wird von den Kunden im Flugzeugbau in aufwendigen Gage-R&R-Studien (Repeatability und Reporicibility) geprüft und zertifiziert. Die flächenhafte Messung, bei der viele Messpunkte erfasst werden, erhöht die Stabilität der Messergebnisse. Außreiser in der Messung können erkannt und eliminiert werden. Die optimierte Bildaufnahme und extrem schnelle Auswertung ermöglicht es, die Messresultate direkt anzuzeigen. Die Ergebnisse werden innerhalb einer Sekunde auf die gemessene Oberfläche zurück projiziert und ermöglichen somit einen einfachen und schnellen Arbeitsablauf. Rückmeldungen über die Datenqualität und mögliche Fehlbedienungen erhöhen die Messsicherheit.

Fazit

Die Weißlicht-Streifen-Projektion wird bereits in vielen industriellen Anwendungen eingesetzt. Mit neuester Technologie kann nun ein komplettes System (inkl. Computer und Batterie) so portabel gestaltet werden, um in den Montagehallen direkt am Flugzeugrumpf oder Flügel zu messen.

Anzeige

Empfehlungen der Redaktion

Das könnte Sie auch interessieren

Antmicro und Allied Vision haben auf der Vision eine Deep-Learning-Anwendung gezeigt. Diese bedient sich KI zur Identifizierung und Verfolgung von Personen und Objekten in Echtzeit und setzt auf die neue Alvium-Kameraserie sowie den Nvidia Jetson AGX Xavier.‣ weiterlesen

www.antmicro.com, www.alliedvision.com

Anzeige

The Omnitek DPU (Deep Learning Processing Unit) is a configurable IP core built from a suite of FPGA IP comprising the key components needed to construct inference engines suitable for running DNNs used for a wide range of Machine Learning applications, plus an SDK supporting the development of applications which integrate the DPU functionality.‣ weiterlesen

www.omnitek.tv

Anzeige

Moonvision automatisiert dank AI die Oberflächenerkennung unterschiedlichster Materialien. Was bislang über 50 Bilder erfordert hat, gelingt dem Wiener Startup mit nur elf Bildern. ‣ weiterlesen

www.moonvision.io

Anzeige

Preiswerte Einplatinencomputer haben ihr Bastler-Image längst abgelegt und werden bereits zur Maschinensteuerung eingesetzt. Im Rahmen einer Masterarbeit an der TH Deggendorf wurde nun ein kostengünstiges Smart-Kamera-System auf Basis eines Einplatinencomputers (Raspberry PI 3) als Labormuster entwickelt.‣ weiterlesen

www.th-deg.de

Der neuromorphe System-on-Chip-Baustein (NSoC) Akida ermöglicht erstmals eine gepulste neuronale Netzwerk-Architektur (SNN: Spiking Neural Network) in Serie.‣ weiterlesen

www.brainchipinc.com

Embedded Deep Learning soll künstliche Intelligenz von der Cloud in das Gerät oder die Maschine bringen. Der erste Schritt zur Verkleinerung einer Serverfarm besteht laut Imago darin, ein leistungsstarkes GPU-Board in einer kompakten VisionBox einzusetzen.‣ weiterlesen

www.imago-technologies.com

Anzeige
Anzeige
Anzeige