Bei­na­he voll­au­to­ma­ti­sche Stahl-Analyse

Um früh­zei­tig Schwach­stel­len auf­zu­spü­ren, wird die Mikro­struk­tur von Stahl genau ana­ly­siert. Das geschieht heu­te weit­ge­hend von Hand. Bau­teil­her­stel­ler wün­schen sich schon län­ger eine auto­ma­ti­sier­te Bild­ana­ly­se-Metho­de. In einem Koope­ra­ti­ons­pro­jekt hat das Fraun­ho­fer IWM jetzt ein sol­ches Ver­fah­ren auf der Basis von Neu­ro­na­len Net­zen ent­wi­ckelt. Es lie­fert siche­re und repro­du­zier­ba­re Ergeb­nis­se und ist ein grund­le­gen­der Bau­stein für die durch­gän­gi­ge Digi­ta­li­sie­rung der Stahl­ver­ar­bei­tung im Sin­ne von Indus­trie 4.0. Die Ergeb­nis­se sind jetzt in den Fach­jour­na­len »Natu­re Com­mu­ni­ca­ti­ons« und »npj – com­pu­ta­tio­nal mate­ri­als« erschienen.

Mikro­struk­tur von Hoch­leis­tungs­stäh­len mit­hil­fe Neu­ro­na­ler Net­ze bewerten

Stahl für Autos, Züge oder Trans­por­ter muss viel aus­hal­ten kön­nen, etwa Vibra­tio­nen und Stö­ße durch Uneben­hei­ten und Schlag­lö­cher wäh­rend der Fahrt. Bei einem Unfall soll er die Wucht des Auf­pralls abfe­dern und sich gezielt ver­for­men. Des­halb wird der Stahl bei der Her­stel­lung und vor der Ver­ar­bei­tung stich­pro­ben­ar­tig unter­sucht. Fach­leu­te für Metal­le schau­en sich unter dem Mikro­skop Stahl­pro­ben an, um even­tu­el­le Schwach­stel­len zu ent­de­cken, an denen spä­ter Mikro­ris­se ent­ste­hen könn­ten, die sich zu gro­ßen Schä­den aus­wach­sen. Die­se Unter­su­chun­gen sind zeit­rau­bend und ihre Qua­li­tät abhän­gig von der Erfah­rung und der Auf­merk­sam­keit der Metal­lo­gra­phin­nen und Metallographen.
Die mate­ri­al­ver­ar­bei­ten­de Indus­trie wünscht sich daher schon län­ger auto­ma­ti­sche Ver­fah­ren, bei denen künf­tig Com­pu­ter den Stahl zügig mit »Ken­ner­blick« und stets mit der­sel­ben Zuver­läs­sig­keit über­prü­fen. Bis­lang aber stößt die auto­ma­ti­sche Bild­aus­wer­tung an ihre Gren­zen, weil die Mikro­struk­tur des Stahls unge­heu­er kom­plex ist: Unter dem Mikro­skop erscheint die Ober­flä­che einer Stahl­pro­be als wil­des Mosa­ik aus unter­schied­li­chen Struk­tu­ren. Hier die kri­ti­schen Schwach­stel­len her­aus­zu­le­sen, ist eine gro­ße Kunst.

Effi­zi­ent ange­lern­te Neu­ro­na­le Net­ze erken­nen Defekt­struk­tu­ren schon in licht­mi­kro­sko­pi­schen Aufnahmen

In einem gemein­sa­men Pro­jekt ist es jetzt einem Team des Fraun­ho­fer-Insti­tuts für Werk­stoff­me­cha­nik IWM, der Uni­ver­si­tät des Saar­lan­des und der Car­ne­gie Mel­lon Uni­ver­si­ty in Pitts­burgh gelun­gen, Künst­li­che Neu­ro­na­le Net­ze auf die Ana­ly­se von Stahl­ober­flä­chen zu trai­nie­ren. Die Ergeb­nis­se sind im Fach­jour­nal »Natu­re Com­mu­ni­ca­ti­ons« erschie­nen. Die For­sche­rin­nen und For­scher haben dabei zwei bis­he­ri­ge Her­aus­for­de­run­gen bei der Bild­ver­ar­bei­tung über­wun­den: die unge­nü­gen­de Effi­zi­enz und die Inter­pre­tier­bar­keit der Neu­ro­na­len Netze.

»Men­schen sind wahn­sin­nig gut dar­in, Struk­tu­ren effi­zi­ent zu erler­nen und in ganz ver­schie­de­nen Umge­bun­gen und Zusam­men­hän­gen wie­der­zu­er­ken­ne. Künst­li­che Neu­ro­na­le Net­ze hin­ge­gen müs­sen erst mit einer Viel­falt an Bild­da­ten trai­niert werden.«
— Ali Riza Durmaz, Erst­au­tor des Fach­ar­ti­kels und Materialexperte

Das ist auf­wän­dig, weil die Bil­der, mit denen ein Neu­ro­na­les Netz ange­lernt wird, zuvor von Hand anno­tiert wer­den müs­sen: Im Bild wird genau defi­niert, wo sich die Ziel­ob­jek­te befin­den. Bei einem chao­ti­schen Mus­ter wie der Stahl­ober­flä­che kommt das einer Sisy­phus­ar­beit gleich.
Für gewöhn­lich nut­zen Metal­lo­gra­phin­nen und Metal­lo­gra­phen licht­mi­kro­sko­pi­sche oder elek­tro­nen­mi­kro­sko­pi­sche Auf­nah­men, um eine Stahl­pro­be zu begut­ach­ten. Sehr viel sel­te­ner kommt die auf­wän­di­ge­re Elek­tro­nen­rück­streu­beu­gung (EBSD) zum Ein­satz, die die Ober­flä­che des Stahls umfang­rei­cher beschreibt. Dem Team ist es gelun­gen, die licht­mi­kro­sko­pi­schen Auf­nah­men mit EBSD-Bil­dern zu ver­knüp­fen und dabei die EBSD-Bild­da­ten qua­si als auto­ma­ti­sche Anno­ta­ti­on zu nutzen.
»Durch die­se Auto­ma­ti­sie­rung konn­ten wir eine grö­ße­re, fun­dier­te und kon­sis­ten­te Daten­grund­la­ge schaf­fen, um Neu­ro­na­le Net­ze effi­zi­ent anzu­ler­nen«, sagt er. Jetzt sei die Soft­ware in der Lage, Fehl­stel­len bereits in licht­mi­kro­sko­pi­schen Auf­nah­men zu erken­nen, die sich schnell und unkom­pli­ziert anfer­ti­gen las­sen. Dabei lag der Fokus auf hoch­wer­ti­gen Kom­plex­pha­sen­stäh­len, die ins­be­son­de­re im Auto­mo­bil­bau zum Ein­satz kom­men. Die­se wei­sen eine spe­zi­el­le Art von Mikro­struk­tur auf – die soge­nann­te Bainit­pha­se: Unter dem Mikro­skop sind par­al­lel ver­lau­fen­de Struk­tu­ren zu sehen, die neben­ein­an­der lie­gen­den Holz­lat­ten ähneln. Die­se Struk­tu­ren sind nicht immer ganz deut­lich zu erken­nen. Daher kann es schwie­rig sein, die Mikro­struk­tu­ren der Bainit­pha­se von uner­wünsch­ten Fehl­stel­len zu unter­schei­den. Die von dem For­schungs­team ange­lern­ten Neu­ro­na­len Net­ze kön­nen das jetzt.

Mikro­struk­tur­ab­wei­chun­gen bei ver­schie­de­nen Mate­rial­ober­flä­chen sicher entdecken

Fast zeit­gleich mit der Ver­öf­fent­li­chung in Natu­re Com­mu­ni­ca­ti­ons hat Ali Riza Durmaz jetzt eine ergän­zen­de For­schungs­ar­beit im Maga­zin »npj – com­pu­ta­tio­nal mate­ri­als« ver­öf­fent­licht. Dar­in hat er zusam­men mit Fach­leu­ten von der Uni­ver­si­tät des Saar­lan­des und der Inge­nieur­schu­le Mines Paris­Tech eine wei­te­re Her­aus­for­de­rung der auto­ma­ti­schen Bild­ana­ly­se gelöst.
Bis­lang besteht das Pro­blem dar­in, dass Neu­ro­na­le Net­ze, die auf einen Typ einer Stahl-Mikro­struk­tur »ange­lernt« wur­den, kaum für ver­schie­de­ne Stäh­le oder ande­re Mate­ria­li­en ein­ge­setzt wer­den kön­nen. »Das Pro­blem beginnt schon ganz am Anfang«, sagt Ali Riza Durmaz. »Je nach­dem, wie man eine Stahl­pro­be bear­bei­tet, wie man sie schleift, ätzt oder unter dem Mikro­skop belich­tet, erscheint die Mikro­struk­tur anders.« Ein Neu­ro­na­les Netz lie­ge bei der Bild­aus­wer­tung dann oft­mals daneben.
Durch bestimm­te Lern­ver­fah­ren, das soge­nann­te Trans­fer Lear­ning, ist es Ali Riza Durmaz und sei­nem Team jetzt gelun­gen, die Neu­ro­na­len Net­ze fle­xi­bler zu machen. »Sie sind in der Lage, wie ein Mensch zu gene­ra­li­sie­ren und Struk­tu­ren in ver­schie­de­nen Umge­bun­gen – also in ver­schie­de­nen Stahl­pro­ben oder ande­ren Mate­ria­li­en – zu erkennen.«
Indus­trie­un­ter­neh­men wün­schen sich schon län­ger eine sol­che auto­ma­ti­sche Bild­ana­ly­se-Metho­de. Auf Kon­fe­ren­zen wer­de immer wie­der nach kla­ren Anwei­sun­gen gefragt, wie man Pro­ben auf­be­rei­ten müs­se, um sie auto­ma­tisch zu bewer­ten – wie man die Bild­da­ten behan­deln oder etwa die Pixel­dich­te ein­stel­len müs­se, sagt Ali Riza Durmaz. »Mit den Ergeb­nis­sen aus unse­ren bei­den Stu­di­en lie­fern wir jetzt genau das: ein fle­xi­bles Ana­ly­se­ver­fah­ren, das bei ver­schie­de­nen Metall­ober­flä­chen sicher und repro­du­zier­bar Abwei­chun­gen in der Mikro­struk­tur ent­deckt.« Das sei vor allem auch für eine durch­ge­hen­de Digi­ta­li­sie­rung der Metall­pro­duk­ti­on im Zuge der Indus­trie 4.0 wich­tig. Die auto­ma­ti­sche Bil­d­er­ken­nung sei ein grund­le­gen­der Bau­stein für die voll digi­ta­li­sier­te Prozesskette.