Triebwerksborescope: KI erkennt Beschichtungsschäden die Augen übersehen

Das echte Ausmaß des Problems

Borescope-Inspektionen sind die Sicht durch ein Schlüsselloch in das Herz eines Triebwerks. Sie sind unverzichtbar, hochspezialisiert, und zutiefst menschenabhängig.

Ein moderner Turbofan hat mehrere tausend Schaufeln und Leitschaufeln in Verdichter und Turbine. Eine vollständige Borescope-Inspektion nach einem Vogeleintrag oder im Rahmen einer geplanten C-Kontrolle dauert je nach Triebwerkstyp zwischen vier und acht Stunden. In dieser Zeit muss ein Prüfer hunderte von Videostills und Echtzeitbildern beurteilen, unter variablen Lichtbedingungen, mit einer Sonde, die nicht immer den optimalen Winkel findet, und mit einem Konzentrationsniveau, das naturgemäß nach Stunde fünf nicht mehr dasselbe ist wie nach Stunde eins.

Die Aviation Human Factors-Forschung bezeichnet dieses Phänomen als Vigilance Decrement, den messbaren Abfall der Detektionsleistung bei monotoner Überwachungstätigkeit. Laut einer methodologischen Risikostudie zu visuellen Inspektionsaufgaben an Triebwerksschaufeln (MDPI Aerospace, 2021) steigt die Wahrscheinlichkeit übersehener Befunde mit zunehmender Inspektionsdauer signifikant an, besonders bei subtilen Schadensprofilen.

Was macht TBC-Spallation so tückisch? Eine thermische Schutzschicht (Thermal Barrier Coating, TBC) aus Zirkonoxid schützt Turbinenschaufeln vor Heißgastemperaturen jenseits der Materialbelastungsgrenze des Grundwerkstoffs. Die Schicht ist wenige Zehntelmillimeter dünn. Wenn sie beginnt, sich abzulösen, zunächst mikroskopisch, als hellere Flecken in der Schaufeloberfläche, ist das optisch schwer von normaler Oxidation oder Schmutzablagerung zu unterscheiden. Erfahrene Inspektoren erkennen frühe Spallation unter optimalen Bedingungen. Unter realen Bedingungen (Zeitdruck, Ermüdung, suboptimale Sondenwinkeln) bleibt sie zu oft unentdeckt.

Die Konsequenz ist bekannt: Ein Triebwerk, das auf Basis eines „okay”-Befunds weiter betrieben wird, während eine frühe Spallation fortschreitet, landet im ungeplanten Engine-Shop, und das Flugzeug bleibt am Boden. AOG-Kosten für eine Narrowbody-Airline liegen laut Branchenquellen bei 100.000 bis 300.000 Euro pro Tag. Ein einziges vermiedenes AOG-Event rechtfertigt typischerweise die vollständige Investition in ein KI-gestütztes Inspektionssystem.

Die Zahlen aus der Praxis:

• Borescope-Inspektionen weltweit: Marktvolumen 850 Mio. USD (2024), projiziert auf 1,58 Mrd. USD bis 2033 (laut Marktanalyse Engine Borescope Inspection Services, 2024)
• Manuelle Inspektionsdauer: 4–8 Stunden pro Triebwerk bei vollständiger Hot Section
• IATA-Daten: Wartungs- und Inspektionsfehler gehören zu den Top-3-Unfallursachen in der kommerziellen Luftfahrt; die Mehrheit der Komponenten- und Strukturversagen hat ihren Ursprung am Triebwerk
• KI-gestützte Defekterkennung, evaluiert von GE Aerospace und Waygate Technologies (2024): +33,6% Detektionsrate bei Hochdruckverdichter-Inspektionen gegenüber manueller Baseline

Mit vs. ohne KI, ein ehrlicher Vergleich

¹ Basierend auf GE Aerospace / Waygate Technologies Joint Evaluation 2024 (HPC-Inspektionen GEnx, CFM LEAP); auf andere Triebwerkstypen übertragbar mit eigener Validierung. ² Eigene Schätzung auf Basis verfügbarer Fehldetektionsraten und AOG-Häufigkeitsverteilung; keine kontrollierte Studie für diesen Bereich bekannt.

Einschätzung auf einen Blick

Zeitersparnis, niedrig (2/5) KI beschleunigt die Inspektion selbst nicht, das Bewegen der Sonde, das Ansteuern der Inspektionspunkte, die Videoaufzeichnung bleibt gleich. Was sich ändert: Die anschließende Prüfungsphase wird durch automatisch markierte Auffälligkeiten effizienter. Ein erfahrener Prüfer kann sich auf markierte Bereiche konzentrieren statt alle 130 Schaufeln gleich gründlich zu beobachten. Zeiteinsparung in der Praxis: 20–40 Minuten bei einer 6-Stunden-Inspektion, real, aber nicht der Hauptvorteil.

Kosteneinsparung, sehr hoch (5/5) Dieser Use Case verdient die 5, aber die Einsparung ist nicht kontinuierlich, sondern ereignisgebunden. Ein verhinderter AOG-Event rechtfertigt die vollständige Investition. Bei Narrowbody-Flugzeugen kostet ein unplanmäßiger Stillstand 100.000 bis 300.000 Euro täglich; ein Shop-Visit nach übersehener Schaufeldegradation kann mehrere Wochen dauern. Kein anderer Use Case in diesem Bereich kann einen vergleichbaren Einzel-Event-ROI vorweisen. Topwert im Vergleich zu allen anderen Anwendungsfällen in dieser Kategorie.

Schnelle Umsetzung, sehr niedrig (1/5) Das niedrigste vertretbare Niveau, und das ist korrekt so. Der Weg von der Idee zum validierten, in der Inspektionsroutine eingesetzten KI-Modul dauert bei realistischer Planung 12–24 Monate: Trainingsdaten sammeln und annotieren, Modell trainieren und validieren, Prozessdokumentation für die EASA-Konformität erstellen, internen Pilotbetrieb durchführen, Qualitätssicherungsprozesse anpassen. Für Betriebe, die sich auf ein OEM-Paket stützen (z.B. Waygate Technologies mit dem GE-Aerospace-KI-Modul), verkürzt sich der Zeitraum, aber auch dort gelten Qualifizierungsanforderungen.

ROI-Sicherheit, hoch (4/5) Der ROI ist gut messbar, sobald ein vermiedenes AOG-Ereignis zurückverfolgt werden kann. Schwieriger ist die Kausalität im Alltag: Wenn ein Schaden erkannt und eingeplant behoben wird, lässt sich nicht immer beweisen, ob daraus ein AOG-Event geworden wäre. Die stärkste ROI-Evidenz liefert der Vergleich der Nachweisrate vor/nach KI-Einführung über eine ausreichend große Inspektionspopulation. Für Betriebe mit hohem Inspektionsvolumen (50+ Triebwerke im Jahr) ist die Daten- und damit Messbasis gut.

Skalierbarkeit, hoch (4/5) Einmal ein Modell für Triebwerkstyp A zertifiziert, können Triebwerkstyp B und C mit neuem Annotationsdatensatz und Retraining erschlossen werden. Die Infrastruktur (Borescope-Hardware, Analyse-Software, Annotationsworkflow) ist wiederverwendbar. Nicht maximal bewertet, weil jeder neue Triebwerkstyp einen eigenen Validierungsprozess erfordert und die Datenakquisition für seltene Schadensmuster immer wieder zum Bottleneck wird.

Richtwerte, stark abhängig von Triebwerksportfolio, Inspektionsvolumen und vorhandener digitaler MRO-Infrastruktur.

Was das KI-System konkret macht

Computer Vision-Modelle für Borescope-Inspektion lösen ein spezifisches Problem: Sie liefern eine konsistente, unermüdliche zweite Meinung, die nicht der Tagesform eines Inspektors unterliegt.

Wie die Bildverarbeitung technisch funktioniert

Das System empfängt einzelne Videostills oder Echtzeit-Frames aus der Borescope-Sonde. Jeder Frame durchläuft ein vortrainiertes Deep Learning-Modell, typisch ein Convolutional Neural Network (CNN) oder ein Vision Transformer (ViT), das auf tausenden annotierten Borescope-Aufnahmen trainiert wurde. Das Modell gibt für jeden Frame eine oder mehrere der folgenden Ausgaben:

• Schadenslokalisierung: Bounding Box um den verdächtigen Bereich, mit Koordinaten im Frame
• Schadensklassifikation: Welcher Schadenstyp? TBC-Spallation, Oxidation, Erosion, Mikroriss, Foreign Object Damage (FOD)
• Konfidenzwert: Wie sicher ist das Modell? Hohe Konfidenz (über 85%) → sofortiger Alert. Niedrige Konfidenz (60–85%) → wird dem Prüfer zur manuellen Verifikation markiert

Der Prüfer sieht auf dem Borescope-Display (oder in einer separaten Prüfoberfläche) eine Überlagerung: Normale Schaufeln werden durchgelassen, markierte Bereiche erscheinen mit rotem oder gelbem Rahmen und einer kurzen Schadensbezeichnung. Keine Freigabe-Entscheidung, das bleibt beim Part-66-zertifizierten Prüfer. Nur: Ein Hinweis, wo genau nochmal hinzuschauen ist.

Welche Schadensmuster erkannt werden

Die Rolle des Trainingsdatensatzes

Das ist der entscheidende Punkt, den viele unterschätzen: Ein CV-Modell ist nur so gut wie sein Annotationsdatensatz. Für Triebwerksborescope-Inspektionen bedeutet das:

• Frames müssen von erfahrenen Level-II/III-Inspektoren oder erfahrenen Triebwerksingenieuren annotiert worden sein
• Der Datensatz muss alle relevanten Schadensstufen abdecken, nicht nur offensichtliche Schäden, sondern explizit auch die subtilen, frühen Muster
• Die Bildvariabilität muss realitätsnah sein: unterschiedliche Triebwerkslösungen, Lichtbedingungen, Ablagerungsstadien
• Für seltene Schadensmuster (z.B. bestimmte Risstypen bei neuen Triebwerkstypen) fehlen oft Trainingsdaten, dann hilft das Modell dort nicht

OEM-Kooperationsmodelle wie das von GE Aerospace und Waygate Technologies umgehen dieses Problem teilweise: GE bringt den Zugang zu historischen Inspektionsdaten aus dem eigenen MRO-Netzwerk und die Annotation durch eigene Ingenieure mit. Das Modell für GEnx und CFM LEAP ist dadurch auf einem Datensatz trainiert, den ein einzelner MRO-Betrieb nie hätte aufbauen können.

Regulatorischer Rahmen: EASA, Part-145 und die Rolle der KI

Hier liegt der wichtigste Unterschied zu Industrie-KI-Projekten außerhalb der Luftfahrt: Jede Änderung am Inspektionsverfahren braucht eine Grundlage in der Prozessdokumentation, und die Freigabe bleibt beim Menschen.

Was EASA zu KI als Prüfhilfsmittel sagt

EASA hat in ihrem Konzeptpapier zur KI in der Luftfahrt (EASA AI Roadmap, 2024) klargestellt, dass KI-Assistenzsysteme im MRO-Bereich als “Level 1 ML Applications” eingestuft werden, keine Autonomie, vollständige menschliche Kontrolle. Das bedeutet in der Praxis:

• KI darf empfehlen, flaggen, visualisieren, aber niemals selbstständig freigeben
• Der namentlich eingetragene Part-66 Cat B1/B2-Prüfer trägt die Airworthiness-Verantwortung, unabhängig davon, ob er KI-Unterstützung genutzt hat
• Das KI-Tool muss in der MO (Maintenance Organization Exposition) oder einem zugehörigen Verfahren dokumentiert sein
• Kein separater DO-178C-Nachweis für das KI-Tool selbst erforderlich, solange es als unterstützendes Werkzeug (keine sicherheitskritische Funktion) klassifiziert ist, aber das muss mit der zuständigen Luftfahrtbehörde (LBA/EASA) abgestimmt werden

Was das für die praktische Einführung bedeutet

1. Prozessdokumentation zuerst: Beschreibe in deiner MO, wie das KI-Tool eingesetzt wird, welche Rolle es hat (Unterstützung, nicht Entscheidung), wer es benutzen darf und wie die Ausgabe dokumentiert wird
2. Qualifizierung der Anwender: Inspektoren müssen geschult sein, KI-Outputs kritisch zu bewerten, nicht blind zu vertrauen
3. Audit-Trail: KI-Flags und die Entscheidung des Prüfers (bestätigt / abgelehnt) müssen im Work Order dokumentiert werden
4. Regelmäßige Modellvalidierung: Wenn das Modell mit neuen Daten aktualisiert wird oder neue Schadensmuster hinzugefügt werden, ist eine erneute Validierung und ggf. Prozessaktualisierung erforderlich

Konkrete Werkzeuge, was wann passt

Die Tool-Auswahl hängt fundamental davon ab, ob du auf ein OEM-Paket zurückgreifen kannst oder ein eigenes Modell aufbauen musst.

Waygate Technologies Mentor Visual iQ+, OEM-integriertes KI-Paket Der Mentor Visual iQ+ ist das einzige System, das KI-Defekterkennung direkt auf dem Borescope-Gerät integriert, entwickelt in Zusammenarbeit mit GE Aerospace für GEnx-1B/2B und CFM LEAP-Triebwerke. Das Modell läuft on-device, kein Cloud-Upload nötig. Verfügbar als Software-Update für kompatible iQ+-Geräte seit Ende 2024. Hardware-Einstieg: 20.000–60.000 USD je nach Konfiguration; KI-Modul-Preise auf Anfrage. Ideale Wahl für Part-145-zugelassene MROs mit genau diesen Triebwerkstypen im Portfolio.

Landing AI, No-Code-Plattform für eigene Borescope-Modelle Für MROs mit Triebwerkstypen außerhalb des Waygate-OEM-Portfolios bietet Landing AI einen einsteigerfreundlichen Weg zum eigenen CV-Modell. Trainiere auf eigenen annotierten Borescope-Bildern, deploye das Modell per API auf ein Prüfer-Tablet oder einen angebundenen Laptop. Vorteil: Kein ML-Team erforderlich. Nachteil: Trainingsdaten musst du selbst aufbauen, das ist der zeitkritische Part. US-Hosting, DSGVO-Klärung vorher nötig.

Roboflow, Annotations-Pipeline und Trainingsinfrastruktur Roboflow ist die praktischste Plattform für den Aufbau eines annotierten Borescope-Datensatzes. Bilder hochladen, annotieren (Bounding Boxes für Schadenstypen), Augmentation (Helligkeit, Rotation) aktivieren, Modell trainieren. Auto-Label beschleunigt die Annotation erheblich. Besonders sinnvoll, wenn ein Team aus mehreren Inspektoren gemeinsam annotiert. US-Hosting ist für sensible MRO-Bilder ein Diskussionspunkt, Enterprise-Plan bietet On-Premise-Option.

Azure Machine Learning, Enterprise-ML-Pipeline mit EU-Hosting Für Part-145-Betriebe mit strikten Datenhaltungsanforderungen ist Azure Machine Learning die kompromisslose Wahl: Training und Deployment auf europäischen Rechenzentren (Frankfurt, Amsterdam), vollständige Kontrolle über ML-Pipeline, AVV abschließbar. Erfordert ein Data-Science-Team oder einen externen Partner. Kosten: variabel nach Compute-Ressourcen, kein Fixpreis.

Zusammenfassung: Wann welcher Ansatz

• GEnx oder CFM LEAP im Portfolio → Waygate Technologies iQ+ KI-Modul
• Anderer Triebwerkstyp, kein ML-Team → Landing AI als Einstieg
• Aufbau eigener Annotationsdatenbank → Roboflow für strukturierten Datenprozess
• DSGVO-Hosting kritisch, eigenes Team vorhanden → Azure Machine Learning

Datenschutz und Datenhaltung

Borescope-Bilder aus MRO-Inspektionen sind aus mehreren Gründen sensibel:

1. Proprietäre Schaufelgeometrien: Detailaufnahmen von Turbinenschaufeln können fertigungsrelevante Geometriedaten enthalten, IP-Schutz des OEM.
2. Sicherheitskritische Befundhistorie: Schadensbilder mit Triebwerks-Seriennummer ermöglichen Rückschlüsse auf Betriebshistorie und Wartungsqualität, potenzielle Haftungsrelevanz.
3. Personenbezogene Daten: Wenn Prüferkennung oder Fluggesellschaftsdaten in den Metadaten gespeichert werden, gilt DSGVO.

Für die Werkzeugauswahl ergibt sich daraus:

• Waygate Technologies iQ+ verarbeitet KI-Analyse on-device, keine Bilddaten verlassen das Gerät. Das ist aus Datenschutz- und IP-Sicht die sauberste Lösung.
• Landing AI und Roboflow hosten auf US-Servern. Für Trainingsbilder (die mit dem OEM vor Nutzung zu klären sind) und für Produktionsinspektionsbilder ist ein AVV und eine DSGVO-Folgenabschätzung erforderlich.
• Azure Machine Learning mit EU-Region ist für Unternehmen, die ihre Modell-Trainings- und Inferenz-Pipeline in europäischer Infrastruktur betreiben müssen, die beste Option.

Zusätzlich: Viele Triebwerkshersteller (GE Aerospace, Pratt & Whitney, Rolls-Royce, MTU) haben eigene Datenschutzrichtlinien für Inspektionsbilder ihrer Motoren. Vor dem Einsatz eines Cloud-basierten Trainings- oder Inferenzsystems sollte mit dem jeweiligen OEM-Ansprechpartner geklärt werden, ob Inspektionsbilder an Drittanbieter übermittelt werden dürfen.

Was es kostet, realistisch gerechnet

Einrichtungskosten

Szenario A: OEM-integriertes Paket (Waygate iQ+ mit GE-KI-Modul)

• Hardware Mentor Visual iQ+ (falls Neuanschaffung): 25.000–50.000 USD
• KI-Softwaremodul: Preis auf Anfrage (typisch im Wartungspaket enthalten oder separate Subscription)
• Schulung der Inspektoren: 2–4 Tage, intern oder durch Waygate Technologies
• Prozessdokumentation für EASA-Konformität: 2–4 Wochen interner Aufwand
• Gesamtschätzung Einrichtung: 30.000–60.000 EUR (Hardware + Schulung + Dokumentation)

Szenario B: Eigenes Modell auf Drittplattform

• Annotationsprojekt (500–2.000 Frames je Schadenstyp, durch erfahrene Inspektoren): 4–12 Wochen Aufwand interner Experten oder externes Annotation-Dienstleistungsprojekt
• Roboflow Pro-Plan: ca. 100 USD/Monat während Annotation und Training
• Landing AI Team-Plan: ca. 250 USD/Monat
• Azure ML Compute für Training: je nach Trainingsumfang ca. 500–3.000 EUR einmalig
• Externe Begleitung (ML-Ingenieur für Modellselektion, Validierung): 20.000–60.000 EUR
• Gesamtschätzung Einrichtung: 50.000–150.000 EUR

Laufende Kosten (monatlich, nach Einrichtung)

• Software-Subscription oder Update-Wartungsvertrag: 500–2.000 EUR/Monat je nach Lösung
• Modell-Retraining bei neuen Triebwerkstypen oder veränderten Schadensprofilen: 1–3 Wochen Aufwand pro Update-Zyklus (typ. 1–2 Mal/Jahr)

ROI, die einzige Zahl, die zählt

Ein verhinderter AOG-Event bei einem Narrowbody-Flugzeug: 100.000–300.000 EUR (Stillstandskosten Airline) plus 50.000–200.000 EUR zusätzliche Shop-Visit-Kosten durch Notfalleinplanung. Konservatives Szenario: ein verhinderter Kurzstillstand à 150.000 EUR im ersten Betriebsjahr amortisiert die Einrichtungskosten in Szenario A vollständig.

Für Betriebe mit 30–50 Triebwerksinspektion im Jahr und einer statistisch messbaren Verbesserung der Frühdetektion ist der ROI klar positiv, aber er ist ereignisbasiert, nicht linear. Die Investitionsentscheidung erfordert deshalb eine ehrliche Risikoabschätzung: Wie viele ungeplante Shop-Visits gab es in den letzten drei Jahren, die durch bessere Frühdiagnose vermeidbar gewesen wären? Diese Zahl gibt die realistischere ROI-Basis als jede theoretische Detektionsrate.

Vier typische Einstiegsfehler

1. KI als einziges Sicherheitsnetz betrachten, statt als zweite Meinung Der häufigste Implementierungsfehler ist das falsche mentale Modell: “Das KI-System prüft, der Mensch schaut nur nach, was die KI markiert.” Das ist falsch und gefährlich. KI ist eine zusätzliche Kontrolle, keine Ersatzprüfung. Wenn ein Inspektor sein eigenes Urteil systematisch durch KI-Outputs ersetzt, ohne unabhängig zu bewerten, sinkt die Detektionsrate für Schadensmuster außerhalb des Trainingsbereichs auf nahezu null, genau dort, wo ein menschlicher Experte noch anschlüge. Ein unbekannter Schadenstyp landet dann unerkannt im Work-Order-Formular. Das richtige Modell: Inspektor prüft vollständig, KI markiert zusätzlich. Gemeinsam ist die Detektionsrate höher als einzeln.

2. Den Annotierungsengpass unterschätzen Für ein selbstentwickeltes Modell braucht du annotierte Bilder, und zwar von erfahrenen Inspektoren. Eine Annotation bedeutet: ein Frame öffnen, den Schadensbereich exakt einzeichnen, den Schadenstyp klassifizieren, Qualitätskontrolle durch zweite Meinung. Für eine ausreichende Trainingsbasis (typisch 300–500 Frames je Schadensklasse) sind das Wochen qualifizierter Inspektorenzeit. Viele Betriebe haben diese Ressource nicht, ohne den Betrieb zu belasten. Lösung: externe Annotation durch spezialisierte Dienstleister, aber mit Qualitätskontrolle durch interne Experten.

3. Fehlender Triebwerkstyp in den Trainingsdaten Ein Modell, das auf CFM56-7B-Bildern trainiert wurde, kann nicht zuverlässig auf CFM LEAP oder V2500-Motoren eingesetzt werden, die interne Geometrie, das typische Oxidationsbild, die Schadensmorphologie unterscheiden sich. Jeder neu eingeführte Triebwerkstyp erfordert einen eigenen Validierungsprozess. Wer das überspringt, riskiert Falschmeldungsraten über 40 % oder, schlimmer, Detektionsraten unter 50 % für triebwerksspezifische Schadensmuster; beides macht das System im Produktivbetrieb unbrauchbar und gefährdet die EASA-Prozesskonformität.

4. Die Prozessdokumentation als bürokratische Pflicht behandeln Die EASA-konforme Dokumentation des KI-Einsatzes ist keine nachgelagerte Bürokratie, sondern integraler Bestandteil des Systems. Ein MRO-Betrieb, der KI einsetzt, ohne den Einsatz in der MO zu dokumentieren, riskiert bei einer CAA-Revision ein Major Finding, das kann zur Aussetzung des Part-145-Zertifikats für den betreffenden Triebwerkstyp führen und läuft auf einen Produktionsstopp von 4–12 Wochen hinaus, bis die Dokumentation nachgereicht und geprüft ist. Die Prozessdokumentation muss klären: Welche Rolle hat das KI-Tool? Wer darf es nutzen? Wie wird die Ausgabe dokumentiert? Wie erfolgt das Retraining? Das ist kein Einmalaufwand, es ist eine lebende Prozessverantwortung.

Was mit der Einführung wirklich passiert, und was nicht

Die technische Seite ist der einfachere Teil. Die menschliche Seite ist anspruchsvoller.

Die Erfahrungslücke zwischen Generationen. Senior-Inspektoren mit 15+ Jahren Triebwerkserfahrung haben eine Detektionskompetenz entwickelt, die schwer formalisierbar ist. Ihr Widerstand gegen KI kommt nicht aus Technikfeindlichkeit, sondern aus einer berechtigten Frage: “Wird meine Erfahrung jetzt entwertet?” Die richtige Antwort ist nein, aber das muss explizit kommuniziert werden. Diese Inspektoren sind die besten Validatoren des KI-Systems, nicht seine Opfer. Wer sie in die Annotations- und Validierungsphase einbindet, gewinnt eine entscheidende Ressource und ihre Akzeptanz.

Die False-Positive-Falle. KI-Systeme mit zu niedrigem Konfidenz-Schwellwert produzieren viele Hinweise, auch für normale Laufspuren, Ablagerungen, Reflexionen. Wenn Inspektoren jeden zweiten Hinweis als “Fehlalarm” erleben, sinkt die Aufmerksamkeit für echte Befunde. Das ist der Vigilance-Decrement-Effekt, diesmal durch das KI-System erzeugt. Lösung: Schwellwert-Kalibrierung vor der Einführung, auf Basis einer kontrollierten Pilotreihe mit bekannten Befunden.

Was konkret hilft:

• Pilotphase mit 2–3 erfahrenen Inspektoren, die das System aktiv mitentwickeln
• Klare Eskalationspfade: Was passiert, wenn die KI einen Bereich markiert, aber der Inspektor kein Problem sieht? (Dokumentieren, zweite Meinung einholen)
• Regelmäßige Leistungsauswertungen: Wie viele KI-Hinweise wurden vom Prüfer bestätigt, wie viele abgelehnt? Hohe Ablehnungsquote signalisiert Kalibrierungsbedarf

Realistischer Zeitplan mit Risikohinweisen

Regulatorischer Sonderabschnitt: Zertifizierungspflichten und Haftung

Dieser Punkt ist für Luftfahrt-MRO einzigartig und verdient eine explizite Behandlung.

Part-66 Certifying Staff bleibt unberührt. Keine KI-gestützte Entscheidung hebt die Verantwortung des namentlich eingetragenen Part-66-Prüfers auf. Wenn er auf Basis eines KI-Hinweises entscheidet, trägt er die volle Freigabeverantwortung, und muss in der Lage sein, seine Entscheidung unabhängig vom KI-Output zu begründen.

CAMO-Pflichten. Continuing Airworthiness Management Organisations (CAMOs) nach Part-M müssen Änderungen am Inspektionsverfahren bewerten. Wenn ein KI-Tool die Inspektionsmethode verändert (weil z.B. bestimmte Bereiche systematisch mehr oder weniger intensiv bewertet werden), ist das eine dokumentationspflichtige Änderung.

OEM-Anforderungen sind bindend. Der Motor Manual (AMM) und das Component Maintenance Manual (CMM) definieren, wie eine Borescope-Inspektion durchzuführen ist. Wenn die KI-gestützte Inspektion von diesen Vorgaben abweicht oder sie ergänzt, muss das mit dem OEM abgestimmt sein. GE Aerospace hat für das Waygate-KI-Modul entsprechende Approval Data bereitgestellt, für selbst entwickelte Modelle ist diese Abstimmung Eigenverantwortung des MRO-Betriebs.

Haftungsfrage bei übersehenen Schäden. Ein Betrieb, der ein KI-Tool eingeführt hat, aber die Prozessdokumentation nicht vollständig führt, könnte im Schadenfall in eine schwierige Position geraten: “Das System hat den Schaden nicht erkannt” reicht als Erklärung nicht aus, wenn das System nicht ordentlich validiert und seine Grenzen nicht dokumentiert waren. Vollständige Transparenz über Einsatzbereich und Grenzen des KI-Systems ist nicht nur regulatorische Pflicht, sondern Selbstschutz.

Häufige Einwände, und was dahintersteckt

„Unsere Inspektoren sind erfahren genug, wir brauchen keine KI als Babysitter.” Das ist kein Argument gegen KI, sondern für eine falsche Prämisse. Die Forschungslage ist eindeutig: Der Vigilance Decrement betrifft alle Inspektoren, unabhängig von Erfahrung, nach ausreichend langer monotoner Überwachungsaufgabe. Das ist keine Frage der Kompetenz, sondern der Physiologie. Ein 25-jährig erfahrener Inspektor ist nach sieben Stunden Borescope-Inspektion genauso betroffen wie ein Einsteiger. KI ist kein Babysitter, es ist das zweite Augenpaar, das nicht müde wird.

„Ein selbst trainiertes Modell wird nie die EASA-Anforderungen erfüllen.” Das stimmt, wenn man es falsch angeht. Es stimmt nicht, wenn der Einführungsprozess die regulatorischen Anforderungen von Anfang an integriert. EASA hat klargestellt, dass KI als Unterstützungswerkzeug (ohne Airworthiness-Funktion) keine DO-178C-Qualifikation benötigt, es braucht aber eine saubere Prozessdokumentation in der MO. Das ist handhabbar.

„Wir haben nicht genug Trainingsdaten für seltene Schadensmuster.” Das ist ein echtes Problem, und der ehrlichste Gegenargument, das es gibt. Für Triebwerkstypen mit wenigen hundert jährlichen Inspektionen und seltenen Schadensmustern reicht der eigene Datensatz möglicherweise nie für ein zuverlässiges Modell aus. Hier ist die OEM-Kooperation (wie beim GE-Waygate-Modell) der einzige praktikable Weg. Alternativ: Konsortium aus mehreren MRO-Betrieben mit gemeinsam aufgebautem Datensatz. Wer beides nicht hat, sollte den Use Case noch nicht umsetzen.

Woran du merkst, dass das zu dir passt

Du bist der richtige Kandidat für diesen Use Case, wenn folgendes zutrifft:

• Euer Part-145-Betrieb führt mindestens 30 Triebwerksinspektionen pro Jahr durch, das ist die Mindestgröße, bei der eine Frühdetektion statistisch ausreichend Gelegenheiten hat, sich im ROI zu manifestieren
• Ihr habt mindestens einen erfahrenen Level-II/III-Inspektor, der in der Annotationsphase als Experte fungieren kann, ohne diese Ressource gibt es keinen validen Trainingsdatensatz
• Eure MRO-Dokumentation ist digitalisiert, mindestens Work Orders in einem digitalisierten System, idealerweise ein vollständiges MRO-System wie Ramco Aviation Suite oder vergleichbar
• Ihr betreibt moderne Turbofans mit hoher Schadensrelevanz für TBC-Monitoring (GEnx, CFM LEAP, PW1100, V2500, Trent-Familie)
• Ihr habt in den letzten drei Jahren mindestens einen ungeplanten Shop-Visit erlebt, der durch frühzeitige Schadenserkennung hätte vermieden werden können, das ist der ehrlichste Beleg, dass das Problem real ist

Drei harte Ausschlusskriterien, wer diesen Use Case noch nicht machen sollte:

1. Weniger als 15 Borescope-Inspektionen pro Jahr am gleichen Triebwerkstyp. Für einen eigenen Datensatzaufbau ist das zu wenig. Der Aufbau von 500 annotierten Frames pro Schadensklasse dauert unter diesen Bedingungen Jahre statt Monate. Ohne OEM-Kooperationsmodell ist kein belastbares Modell möglich. Investiere stattdessen in die systematische Archivierung aller künftigen Inspektionsvideos, das schafft die Datenbasis für später.

2. Kein Part-145-zugelassener Betrieb oder keine Genehmigung für den betreffenden Triebwerkstyp. Das KI-Tool ändert nichts an der regulatorischen Grundvoraussetzung. Wer nicht zugelassen ist, Borescope-Inspektionen am betreffenden Triebwerk durchzuführen, kann auch kein KI-gestütztes System einsetzen.

3. Papierbasierende oder minimal digitalisierte Inspektionsdokumentation. Wenn Work Orders auf Papier ausgestellt werden und Bilder nicht systematisch archiviert sind, fehlt die Grundlage für Datenakquise, Modelltraining und Audit-Trail. Der erste Schritt wäre hier ein digitales MRO-System, nicht KI.

Das kannst du heute noch tun

Der praktischste erste Schritt ist nicht der Kauf eines Tools, sondern eine strukturierte Bestandsaufnahme in drei Stunden:

1. Zähle die Borescope-Inspektionen der letzten zwölf Monate nach Triebwerkstyp, wie viele pro Typ?
2. Überprüfe, ob Bilder systematisch archiviert werden oder verloren gehen
3. Identifiziere den letzten ungeplanten Shop-Visit, der auf einen Triebwerksbefund zurückging, hätte bessere Früherkennung Wochen zuvor geholfen?

Dann melde dich beim technischen Vertrieb von Waygate Technologies und frage nach dem KI-Demonstrationspaket für GEnx/CFM-LEAP, nicht als Kaufentscheidung, sondern als erstes Bild davon, wie das System in der Praxis aussieht.

Für Betriebe, die einen schnellen Eindruck von KI-gestützter Bildanalyse auf eigenen Borescope-Frames bekommen wollen, bevor irgendetwas beschafft wird:

Quellen & Methodik

• GE Aerospace / Waygate Technologies KI-Borescope-Ankündigung (2024): GE Aerospace Press Release, Oktober 2024, „GE Aerospace, Waygate Technologies to Deliver new AI-assisted Commercial Jet Engine Borescope Inspection Solution to Enhance Defect Recognition”; Detektionsrate +33,6%, Falschmeldungsreduktion -13,5% bei HPC-Inspektionen GEnx und CFM LEAP. geaerospace.com

• Rolls-Royce Intelligent Borescope (2021): Rolls-Royce Pressemitteilung, „Harnessing the power of AI to deliver more Intelligent Engine inspections”; 75% Zeitreduktion für bestimmte Inspektionselemente, entwickelt mit Roke Manor Research und Waygate Technologies. rolls-royce.com

• Vigilance Decrement bei Triebwerksinspektion: Zagar et al., „Methodology for Evaluating Risk of Visual Inspection Tasks of Aircraft Engine Blades”, MDPI Aerospace, 2021, Grundlagenarbeit zum Detektionsrisiko bei monotonen Inspektionsaufgaben.

• Deep Learning für Borescope-Schadenserkennung (2025): Springer Nature / Neural Computing and Applications (2025), „Damage detection in aircraft engine borescope inspection using deep learning”; aktuelle Übersicht zu CNN-Architekturen und Evaluierungsmetriken im MRO-Kontext. link.springer.com

• AOG-Kosten und Marktdaten: Engine Borescope Inspection Services Market Research Report 2033, MarketIntelo (2024); Marktvolumen $0,85 Mrd. (2024), projiziert $1,58 Mrd. (2033). IATA-Maintenance-Error-Statistiken: International Air Transport Association, Safety Report (aktuelle Version).

• EASA KI-Konzeptpapier: EASA AI Concept Paper, Ausgabe 2 (2023/2024), Klassifizierung von ML-Anwendungen in Level 1–4, Anforderungen an Level-1-Unterstützungswerkzeuge im MRO-Bereich. easa.europa.eu

• Lufthansa Technik KI in der Triebwerksprüfung: CIO.de, Januar 2025, „Lufthansa Technik reduziert mit KI die Reparaturzeit”; KI-Screening von Inspektionsvideo beschleunigt Auswertung um Faktor 3. Partnerschaft mit Microsoft Azure AI.

Du willst abschätzen, ob euer Inspektionsvolumen und eure Datenqualität für ein KI-Pilotprojekt reichen? Meld dich, das klären wir in einem kurzen Gespräch.