Luft- & Raumfahrt

Manuelle Borescope-Inspektionen dauern 4–8 Stunden pro Triebwerk. Frühe Spallation thermischer Schutzschichten (TBC) auf Turbinenschaufeln wird dabei regelmäßig übersehen — die visuellen Muster sind subtil, Lichtbedingungen variabel, Inspektoren ermüden. Ergebnis: ungeplante AOG-Events (Aircraft on Ground) mit Kosten von 100.000–300.000 € pro Tag.

Computer-Vision-Modell, trainiert auf tausenden annotierten Borescope-Frames, erkennt TBC-Degradationsmuster (Spallation, Oxidation, Erosion) mit Konfidenzscores und Lokalisation. Integration in bestehende Borescope-Hardware über Laptop-Plugin oder Cloud-Upload.

Detektionsrate früher Schäden +40–60% gegenüber rein manueller Inspektion. AOG-Ereignisse durch übersehene Schäden reduzierbar um 20–35%. Inspektionszeit sinkt nicht — Qualität steigt durch KI als zweite Meinung.

Computer Vision (CNN/ViT auf hochauflösenden Endoskopie-Frames), annotiertes Trainingsdatenset aus MRO-Datenbank (z.B. Lufthansa Technik, MTU), Integration über REST-API in bestehenden Inspektionsworkflow

C-Scan-Ultraschall nach Vogelschlag an CFK-Bauteilen (Leitwerke, Triebwerksverkleidungen) liefert riesige Datensätze. Die manuelle Auswertung durch zertifizierte NDT-Techniker dauert 3–8 Stunden pro Bauteil. Bei BVID (Barely Visible Impact Damage) sind die Grenzen zwischen akzeptablem Schaden und Reparaturpflicht schwer zu ziehen — Beurteilungsvarianz zwischen Technikern liegt bei 15–25%.

ML-Modell (U-Net-Architektur) auf C-Scan-Rohdaten segmentiert Delaminierungsflächen automatisch, klassifiziert Tiefenprofile und markiert Grenzfälle für manuelle Prüfung. Ausgabe: annotiertes Schadensbild + Empfehlung (Accept / Monitor / Repair).

Auswertungszeit von 3–8 Std. auf 20–45 Min. reduzierbar. Beurteilungsvarianz messbar gesenkt. Reparaturentscheidungen dokumentierter und audit-fähiger — relevant für EASA-Nachweise.

Supervised Learning auf C-Scan-Bilddaten, Transfer Learning von vortrainierten Segmentierungsmodellen, Integration in NDT-Software (z.B. Olympus NDT, MISTRAS)

ICAO-Wirbelschleppentrennungen (z.B. 3–8 NM je Gewichtsklassenpaar) basieren auf Worst-Case-Annahmen aus den 1970ern. Bei 80% der Landungen liegt die tatsächliche sichere Trennung deutlich darunter — Puffer wird verschwendet. Folge: 15–25 Minuten Zusatzverzögerung pro Slot-Peak an stark belasteten Flughäfen wie Frankfurt, München oder Hamburg.

ML-Modell (Ensemble aus physikalischem Wirbelzerfallsmodell + datengetriebenem Korrekturfaktor) nutzt LIDAR-Wirbeltracking, Windscherung, Temperaturgradienten und Boden-nahe Turbulenz zur Echtzeit-Vorhersage sicherer Trennabstände. Ausgabe: Empfehlung für dynamische Staffelung je Landefolge.

Kapazitätssteigerung um 5–15% in Spitzenstunden messbar. Modellvalidierungen an Schiphol und Frankfurt zeigen Safety-Level mindestens gleichwertig zu statischen Minima. Verzögerungskosten sinken: 1 Min. Slot-Delay an FRA entspricht ~800 € je Flugzeug.

Physik-informiertes ML (PINN), Integration in Tower-Automation (SESAR-konforme API), LIDAR-Datenanbindung (z.B. Leosphere/Vaisala), Validierung nach EASA CS-ATM

Drohnen im kontrollierten Luftraum nahe Flughäfen (unter 5 km Abstand) sind ein wachsendes Sicherheitsproblem — allein in Deutschland gab es 2023 über 400 gemeldete Vorfälle. Klassische Radarsysteme liefern beim Versuch Drohnen zu erkennen 60–80% Falschalarme (hauptsächlich Vögel), was Security-Teams desensibilisiert oder zu teuren Betriebsunterbrechungen führt.

ML-Klassifikator auf Radar-Micro-Doppler-Signaturen: Flügelschlag-Muster, Propellerrotation und Flugbahn-Charakteristika unterscheiden Drohnen von Vögeln mit >95% Genauigkeit. Echtzeit-Klassifikation auf vorhandener Radarhardware via Edge-Computing-Modul.

Falschalarmrate auf unter 10% reduzierbar. Echte Drohneneinflüge werden nicht mehr als Vögel fehlklassifiziert. Betriebliche Reaktionszeit auf tatsächliche Bedrohungen sinkt von 8–12 Min. auf 2–3 Min.

Micro-Doppler-Signalanalyse, CNN auf I/Q-Radardaten, Edge-AI-Modul (NVIDIA Jetson oder ähnlich), Integration in bestehende Flughafensicherheitssysteme

Helicopter Usage Monitoring Systems (HUMS) nutzen fixe Schwellwerte für Getriebevibrationen — kalibriert auf Flottenmittelwert. Jedes Getriebe hat aber eine individuelle Signatur: Einbautoleranzen, Verschleißhistorie, Betriebsmuster variieren stark. Folge: >70% der HUMS-Alarme sind Fehlalarme (Maintenance-Teams ignorieren sie), während echte frühe Degradationen unter dem Schwellwert bleiben, bis es zu spät ist.

ML-Modell lernt die individuelle Vibrationsbasisline jedes Getriebes in den ersten 50–100 Flugstunden. Anomalieerkennung (Autoencoder + Spektral-Features) erkennt Abweichungen von der persönlichen Baseline — nicht vom Flottenmittelwert. Alarmierungslogik mit Konfidenzscore und Trend-Warnung.

Falschalarmrate um 50–70% reduzierbar. Früherkennungs-Fenster für Getriebedefekte verlängert sich von 5–10 Std. auf 30–80 Std. vor Ausfall. Für Offshore/SAR-Operatoren: reduzierte Risikoexposition, bessere Planbarkeit.

Anomalie-Autoencoder auf HUMS-Zeitreihendaten, individuelle Baseline pro Seriennummer, Integration in bestehende HUMS-Hardware (Goodrich, AgustaWestland)

Im zivilen Bereich (Katastrophenschutz, Präzisionslandwirtschaft, Infrastrukturmonitoring) wie im Verteidigungsbereich sind Satelliten-Revisit-Zeiten bereits knapp. Wenn 60–70% der nutzbaren Aufnahmen durch Bewölkung unbrauchbar sind, sinkt die effektive Beobachtungsfrequenz auf kritisch niedrige Werte. Alternative: auf wolkenfreies Wetter warten — was Tage bis Wochen dauern kann.

Dual-Modality-Fusion: SAR-Bilder (wolkenunabhängig) kombiniert mit historischen optischen Referenzaufnahmen. Generatives Modell (Diffusion Model oder cGAN) synthetisiert wolkenfreie optische Darstellung unter Integration von SAR-Strukturinformationen. Ausgabe: plausibles optisches Bild mit Konfidenzmaske.

Effektiv nutzbare Bildrate steigt von ~35% auf 70–85%. Reaktionszeit bei Katastrophenereignissen oder Lageänderungen deutlich verbessert. Für DLR-Erdbeobachtung und Verteidigungsaufklärer mit äquivalentem Nutzen.

SAR-optische Datenfusion, Conditional Diffusion Model, Training auf Sentinel-1/2 Datenpaarungen (ESA Open Data), Deployment via Cloud-API

Disruption Management in Airline Operations Control ist heute ein manueller Prozess: Ein Team von Dispatchern versucht unter Zeitdruck, kaskadierende Auswirkungen (Flugzeug falsch positioniert, Crew out of hours, Passagiere verpassen Anschluss) durch Anruf und Spreadsheet zu lösen. Bei einer großen Disruption dauert das 3–8 Stunden — in denen schlechte Provisorien festgeschrieben werden, die weitere Kosten erzeugen.

Mixed-Integer-Optimierung + ML-Heuristiken lösen das Aircraft-Crew-Passenger-Recovery-Problem (ACPRP) simultan. Modell priorisiert nach Gesamtkosten (Passagierbeschwerden, Hotelkosten, Slot-Verlust, Crew-Überstunden) und generiert mehrere Lösungsoptionen zur Auswahl durch Dispatcher.

Lösungszeit von 3–8 Std. auf 5–15 Min. reduzierbar. Disruption-Folgekosten 15–30% niedriger durch bessere Ressourcenverteilung. Für Lufthansa-Gruppe oder Condor: Millionen Euro jährlich bei 5–10 größeren Disruptions pro Jahr.

MILP + Reinforcement Learning (RL-basierter Heuristic Solver), Integration in OCC-Systeme (AIMS, Jeppesen Operations), Schnittstelle zu CFMU/Network Manager für Slot-Daten

Airbus Hamburg und andere Endmontagestätten arbeiten mit manuellen FOD-Protokollen: Techniker listen verwendetes Werkzeug, Prüfer haken ab. Dennoch verursachen FOD-Ereignisse weltweit jährlich Schäden in Milliardenhöhe — vom abgebrochenen Bohrer im Triebwerkspylon bis zur Sicherungsklammer im Hydrauliksystem, die erst im Betrieb zu einem Problem wird.

Multi-Kamera-System mit Computer-Vision-Inspektion nach jedem Montageschritt. KI-Modell (YOLO-Architektur) ist trainiert auf den gesamten Werkzeug- und Materialkatalog der Produktion. Abgleich mit Werkzeug-Tracking-System (RFID-Weste): alle herausgeholten Teile müssen wieder erkannt werden.

FOD-Erkennungsrate gegenüber rein manueller Kontrolle messbar erhöht. Nacharbeitskosten durch späte FOD-Entdeckung (Triebwerksausbau nach Auslieferung: 500.000–2 Mio. €) drastisch reduziert. Dokumentation verbessert für Quality-Audits nach AS9100.

YOLO-basierte Object Detection, RFID-Werkzeug-Integration, Multi-Kamera-Rig für Montage-Zellen, Cloud-Dashboard für Quality Manager (Airbus-typisch: SAP QM-Integration)

Airbus-Zulassungsteams verbringen Monate damit, Compliance-Matrizen manuell gegen FAR/CS-25-Anforderungen abzugleichen. Ein einziger fehlerder Nachweis in der Strukturanalyse oder ein widersprüchlicher Grenzwert zwischen zwei Kapiteln kann zu monatelangen EASA-Rückfragen führen — bei einem neuen Flugzeugtyp entstehen dadurch Verzögerungskosten von 1–10 Mio. € pro Monat.

NLP-System extrahiert Anforderungen, Nachweise und Querverweise aus dem Dossier. Konsistenzprüfung: Werden alle referenzierten Tests tatsächlich nachgewiesen? Widersprechen sich numerische Werte in verschiedenen Kapiteln? Sind alle CS-25-Paragraphen adressiert? Ausgabe: Lücken- und Inkonsistenz-Report mit Schweregrad-Klassifikation.

Review-Zeit vor EASA-Einreichung um 30–50% reduzierbar. EASA-Rückfragerunden um 1–2 Iterationen weniger. Bei einem Zulassungsprojekt: potenzielle Einsparung von 2–6 Monaten Verzögerung.

LLM-basiertes Document Intelligence (GPT-4o oder Gemini 1.5 Pro mit langem Kontextfenster), RAG über Anforderungsdatenbank (CS-25, AMC), Ausgabe strukturierter Compliance-Report

Lufthansa Technik und andere MRO-Betriebe halten riesige Lager von Rotable Parts vor — weil Fehlbestände bei einem AOG-Flugzeug 50.000–150.000 €/Tag kosten. Gleichzeitig binden Überlagerungen Kapital: ein einziges CFM56-Turbinen-LPT-Stage-1-Disk kostet 200.000–400.000 €. Klassische Prognosen basieren auf historischen Verbrauchsdaten plus Puffer — die Flottenzusammensetzung und saisonale Schwankungen werden kaum berücksichtigt.

ML-Prognosemodell (Gradient Boosting + Zeitreihen) auf Basis von Flottengröße, Flugzyklen je Flugzeugtyp, Saisonalität, historischer Bauteilausfallraten und offenen Work Orders. Prognose auf Teilnummer-Ebene für 4-, 8- und 12-Wochen-Horizont.

Lagerkapital bei Rotables um 15–25% reduzierbar. AOG-Wartezeiten wegen fehlender Teile um 30–40% seltener. Für ein MRO mit 500 Mio. € Lagerwert: 75–125 Mio. € Kapitalfreisetzung möglich.

Demand Forecasting mit Gradient Boosting + Prophet, Integration in SAP MM oder AMOS, Schnittstelle zu OEM-Lieferzeiten (CASE-System oder Supplier-API)

Treibstoff macht 25–35% der Betriebskosten einer Airline aus. Flugplanungssysteme (Jeppesen, Lido) optimieren Routen, aber mit generalisierten Leistungsdaten und wenig Anpassung an Echtzeit-Windfelder im 300–600 hPa-Bereich. Zudem werden Steigprofile (Continuous Climb Operations) oft nicht gegen den aktuellen Luftverkehr und das reale Flugzeuggewicht optimiert. Bei einem A320 mit 20.000 kg Treibstoff je Langstrecke entsprechen 3% Einsparung 600 kg Kerosin — ca. 400 €/Flug.

ML-Modell kombiniert NWP-Wetterdaten (ECMWF-Ensemble), ACARS-Performance-Telemetrie des konkreten Flugzeugs und historische Flugleistungsdaten. Ausgabe: optimiertes Routing + Steigprofil-Empfehlung als EFPL-kompatible Datei für Dispatch.

2–5% Treibstoffeinsparung pro Flug. Bei 100 Flügen/Tag und 400 €/Flug: 14–35 Mio. € jährlich für eine mittelgroße Airline. CO₂-Reduktion als Zusatznutzen für Nachhaltigkeitsreporting.

ML-Regression auf ACARS + NWP-Daten, CCO/CDO-Profiloptimierung, Integration in Jeppesen FliteDeck Advisor oder eigenem Dispatch-System

BVID-Bewertung (Barely Visible Impact Damage) an CFK-Komponenten wie Höhenleitwerk, Verkleidungen oder Spoilern ist regulatorisch komplex. AMM-Grenzwerte (Dent Depth, Projected Damage Area) sind definiert, aber die Auswessung durch Borescope und Tastlehre ist stark bedienersabhängig. Varianz zwischen Technikern: ±15–30%. Ergebnis: zu viele unnötige Reparaturen (teuer) oder zu wenig Konservatismus (Sicherheitsrisiko).

3D-Scan (Structured Light oder Laser-Profilometer) des Schadens liefert hochgenaue Tiefenkarte. KI-Modell vergleicht mit Finite-Element-Strukturmodell und AMM-Grenzwerten. Ausgabe: Accept / Repair / Engineering Order Required — mit Konfidenzintervall und vollständiger Dokumentation für das Maintenance-Log.

Technikvarianz auf unter 5% reduzierbar. Unnötige Reparaturen um 20–30% senkbar. Vollständige digitale Dokumentation ersetzt handgeschriebene Formulare. Audit-Qualität für Line Station Inspections deutlich verbessert.

3D-Scanning (Artec, FARO oder Handheld-Geräte), FEM-Datenbankintegration, ML-Klassifikator gegen AMM-Grenzwerte, Export in AMM-konforme Maintenance Records

Unternehmen wie Diehl Aviation, Rheinmetall oder Hensoldt sichten regelmäßig Dutzende Ausschreibungen (BWB, NATO, OCCAR) auf Relevanz. Ein erfahrener Bid-Manager braucht 2–4 Tage, um eine komplexe Ausschreibung vollständig zu sichten und eine Go/No-Go-Empfehlung zu erstellen. Bei 20–30 Ausschreibungen pro Quartal ist das ein Flaschenhals — profitable Opportunities werden verpasst oder überstürzt bewertet.

LLM-basiertes Document Intelligence extrahiert automatisch: Mindestqualifikationen, technische Anforderungen (STANAG, MIL-SPEC), Bewertungskriterien, Fristen, Auftragsvolumen und strategische Passung zum eigenen Portfolio. Ausgabe: strukturierter Steckbrief + Go/No-Go-Scorekarte.

Erst-Screening von 2–4 Tagen auf 2–4 Stunden reduzierbar. Bid-Manager können 3× mehr Ausschreibungen qualitativ bewerten. Weniger verpasste Opportunities durch systematisches Monitoring statt Stichproben.

RAG-System auf eigener Unternehmens-Kompetenzmatrix, LLM-Extraktion (Claude 3.5 Sonnet oder GPT-4o), DSGVO-konformes On-Premise-Deployment für sicherheitskritische Inhalte

Airbus und Tier-1-Zulieferer wie Premium AEROTEC leiden regelmäßig unter Lieferverzügen von Single-Source-Lieferanten (z.B. Triebwerkskomponenten, spezielle Legierungen). Die offizielle Meldung kommt oft 4–6 Wochen nach dem tatsächlichen Problem — zu spät für Gegenmaßnahmen. Ergebnis: Bandstillstände in Hamburg, die täglich 10–50 Mio. € kosten.

KI-Monitoring von öffentlichen Signalen: Finanznachrichten, Lieferantenwebsites, LinkedIn-Aktivität (Mitarbeiterabbau), Importdaten, Patentanmeldungen, Stellenausschreibungen. ML-Klassifikator bewertet Lieferantenrisiko auf einer 5-Stufen-Skala und schlägt 6–12 Wochen vor offiziellem Problem Alarm.

Frühwarnfenster von 6–12 Wochen statt reaktiver 0–4 Wochen. Einkauf kann Alternativlieferanten qualifizieren oder Sicherheitsbestände aufbauen. Bandstillstände reduzierbar — ein verhindert: 50–500 Mio. € je nach Dauer.

Web Scraping + NLP (Sentimentanalyse), Anomalie-Erkennung auf Lieferantenfinanzindikatoren, Integration in SAP Ariba oder Supply-Chain-Risk-Plattform (z.B. Riskmethods, riscs.ai)

In großen MRO-Betrieben (Lufthansa Technik beschäftigt >10.000 Techniker) ist die manuelle Pflege von Qualifikationsmatrizen ein Dauerproblem. EASA Part-66-Lizenzen haben Ablaufzeiten, Ratings sind flugzeugtyp-spezifisch, Unterschriftsberechtigungen hängen von Firmenzertifikaten ab. Wenn ein nicht-berechtigter Techniker eine Maintenance-Freigabe unterschreibt, ist das ein regulatorischer Verstoß — mit Konsequenzen für den gesamten Betrieb.

KI-System gleicht geplante Work Orders automatisch gegen aktuelle Qualifikationsmatrix ab. Schlägt qualifizierte und verfügbare Techniker vor. Gibt 30-60-90-Tage-Frühwarnung für ablaufende Qualifikationen. Automatisiert Rezertifizierungs-Erinnerungen und Trainingsplanung.

Compliance-Verstöße durch Fehlzuweisungen auf nahe null reduzierbar. Rezertifizierungsplanung systematisch statt reaktiv. Für HR-Manager: klare Übersicht über Skill-Gaps in der Belegschaft für Einstellungsplanung.

Regelbasiertes Expert System + ML-Scheduler, Integration in AMOS/Skychain HR-Modul, automatische Eskalation bei kritischen Ablaufdaten

Ein 4-stündiges Simulator-Briefing erzeugt 50.000+ Parameter-Datenpunkte (FMS-Eingaben, Control-Inputs, CRM-Ereignisse). Fluglehrer werten diese heute überwiegend qualitativ aus — basierend auf Beobachtung und Gespräch. Subtile, wiederkehrende Fehler (z.B. zu spät eingeleitete Go-Arounds unter Stress, oder spezifische CRM-Kommunikationslücken) bleiben unsichtbar, weil kein Instructor alle Daten systematisch auswertet.

ML-Modell (Zeitreihenanalyse auf QAR-äquivalenten Simulatordaten) identifiziert Anomaliemuster je Manövertyp, vergleicht mit Flottenbenchmarks und erstellt personalisierte Performance-Profile. Instructor erhält automatisches Debriefing-Support-Tool mit Fokus-Empfehlungen.

Trainingseffizienz messbar verbessert: weniger Simulator-Stunden bis zur Kompetenz-Freigabe. Systematische Schwächen in Trainingsdesign früher erkannt. Für Airline-Trainingsabteilungen: datengetriebene Curriculumoptimierung.

Zeitreihen-Clustering auf Simulatordaten, Integration in CAE/L3Harris Simulator-Datensystem, Dashboard für Trainingsmanager, anonymisierte Aggregatanalyse für Flotten-Benchmarking

Triebwerke werden im Schnitt alle 12.000–20.000 EFH (Engine Flight Hours) zur Überholung gebracht — aber die Bandbreite ist enorm: aggressive Kurzstreckenoperationen verschleißen ein CFM56 viel schneller als Langstrecken-Cruise-Betrieb. Airlines planen Shop Visits nach Flottenmittelwert plus Puffer. Ergebnis: 15–25% der Triebwerke kommen zu früh (noch genug Life übrig), 5–10% zu spät (AOG-Risiko durch ungeplante Entfernung).

ML-Modell auf Engine Health Monitoring (EHM)-Daten: EGT-Margin-Entwicklung, Vibrationstrend, Ölverbrauch, Kompressor-Effizienz. Modell lernt individuelle Degradationskurve pro Triebwerksseriennummer und projiziert Shop-Visit-Zeitpunkt mit Konfidenzintervall.

Zu-früh-Entnahmen um 15–20% reduzierbar (je Shop Visit: 2–8 Mio. € Überholungskosten). Ungeplante Triebwerksentnahmen um 30–50% seltener. Bessere Netzwerkplanung für MRO-Slots — begehrte Überholungsplätze 6–12 Monate vorab sichern.

Überlebenszeitmodell + LSTM auf EHM-Zeitreihen, Integration in ACARS-EHM-Systeme (Rolls-Royce TotalCare, CFM-Link, GE Aviation Digital Solutions), Output in AMOS Work Order