CFK-Delaminierung nach Vogelschlag: KI kartiert Schäden im Ultraschall

Das echte Ausmaß des Problems

Vogelschlag ist in der europäischen Luftfahrt kein seltenes Ereignis. Die ICAO sammelt seit Jahrzehnten globale Daten — allein im Zeitraum 2022–2024 wurden 214.734 Vogelschlag-Meldungen aus 156 Staaten erfasst, mit einem nachgewiesenen Aufwärtstrend (steigendes Verkehrsaufkommen, wachsende Vogelpopulationen, leisere Triebwerke). Für Europa schätzt die EASA in ihrem Bird Strike Study Report (2009, Basisdaten weiterhin referenziert), dass strukturrelevante Schäden an Composites deutlich unterrepräsentiert gemeldet werden — weil viele Ereignisse als „keine Beschädigung” klassifiziert werden, bevor eine echte NDT-Untersuchung stattfindet.

Der entscheidende Faktor: Moderne Verkehrsflugzeuge bestehen zu 50–55 Prozent ihrer Strukturmasse aus kohlenstofffaserverstärktem Kunststoff (CFK) — der Airbus A350 zu über 53 Prozent, der Boeing 787 zu über 50 Prozent (Herstellerangaben). CFK-Strukturen reagieren auf Impaktschäden anders als Metallstrukturen: Sichtbar mag eine Delle kaum erkennbar sein — die eigentliche Schädigung liegt in der Tiefe des Laminats als Delaminierung, also die Trennung von Einzellagen, die die Tragfähigkeit reduziert, ohne von außen sichtbar zu sein. EASA AMC 20-29 klassifiziert Vogelschlag als Kategorie-4-Schaden mit Pflicht zur Restfestigkeitsnachprüfung.

Was das in der Praxis bedeutet:

• Ein einzelner Vogelschlag an einem CFK-Leitwerk löst eine unplanmäßige NDT-Prüfung aus, die 3–8 Stunden Technikerzeit kostet
• AOG-Kosten für einen Schmalrumpf: nach Branchenzahlen 50.000–150.000 USD pro Tag (laut Branchenberechnungen, u.a. eways-aviation.com und Simple Flying, 2023/2024) — ohne EU261-Kompensationsansprüche der Passagiere
• Beurteilungsvarianz bei BVID-Entscheidungen zwischen erfahrenen NDT-Technikern: 15–25 Prozent (Erfahrungswert aus NDT-Fachliteratur, u.a. DGZFP-Publikationen)
• Der globale Mangel an zertifizierten NDT-Level-2-Technikern (EN ISO 9712) verschärft die Ressourcenknappheit — Ausbildung dauert 12–18 Monate je Verfahren

Der Kernwiderspruch: Je mehr CFK in einem Flugzeug steckt, desto häufiger und desto aufwändiger werden die NDT-Prüfungen nach Impakt — und desto teurer wird der Zeitdruck.

Mit vs. ohne KI — ein ehrlicher Vergleich

¹ Zeitangaben aus Praxisberichten von MRO-Betrieben und NDT-Fachliteratur (DGZFP, ndt.net); KI-Auswertungszeiten aus Pilotprojekten mit automatisierter C-Scan-Segmentierung. Individuelle Ergebnisse abhängig von Bauteilgröße, Scankonfiguration und Trainingsqualität des Modells.

Einschätzung auf einen Blick

Zeitersparnis — sehr hoch (5/5) Mit 70–80 Prozent Reduktion der Auswertungszeit zählt das zu den höchsten Zeitersparnissen in Luft- und Raumfahrt-Anwendungsfällen. Der C-Scan selbst dauert weiterhin so lange wie der physische Rastervorgang — aber die Auswertung, die heute 3–8 Stunden kostet, kollabiert auf 20–45 Minuten. Das ist der Engpass im gesamten Inspektionsprozess.

Kosteneinsparung — hoch (4/5) Die Einsparlogik ist nicht die gesparte NDT-Technikerzeit alleine, sondern die AOG-Kostenreduktion. Ein Schmalrumpf, der statt 10 Stunden nur 4 Stunden gegroundet ist, spart der Airline 30.000–50.000 Euro direkter Betriebskosten — pro Ereignis. Für Fluglinien mit Vogelschlag-Frequenzen von 3–8 Ereignissen pro Flotte und Jahr (abhängig von Route, Flughäfen und Vogelzug) ergibt das eine klare Rechnung. Die hohen Einführungskosten (Hardware, Trainingsdaten, Zulassung) erfordern aber Flottengröße für einen positiven ROI.

Schnelle Umsetzung — sehr niedrig (1/5) Das ist die ehrlichste Zahl im Radar. EASA AMC 20-29 verlangt für neue NDT-Methoden eine Qualifikation durch Referenzproben, Zuverlässigkeitsanalysen (POD — Probability of Detection) und Nachweise über Abdeckungsbreite. Ein KI-Modell als Unterstützungswerkzeug einzuführen ist regulatorisch anders bewertet als ein vollautomatisches Entscheidungssystem — aber auch die Validierung eines Unterstützungstools dauert. Realistisch: 9–18 Monate bis zum validierten Pilotbetrieb bei einer EASA-regulierten Airline. Das ist der langsamste Einstieg im gesamten Branch.

ROI-Sicherheit — mittel (3/5) Der ROI hängt stark von zwei Variablen ab, die dein Betrieb kaum kontrolliert: Vogelschlag-Frequenz (saisonabhängig, standortabhängig) und die konkrete AOG-Kostensituation (Flotte, Netz, Vertragsbindungen). Für einen großen Flugzeugbetreiber mit 60+ Flugzeugen und dichtem Streckennetz ist der Business Case klar. Für einen kleinen MRO-Dienstleister, der nur gelegentlich Impaktschäden bearbeitet, ist er wesentlich unsicherer.

Skalierbarkeit — niedrig (2/5) Das ist die strukturelle Schwäche dieses Anwendungsfalls. Ein U-Net-Modell, das auf C-Scan-Daten vom A321-Seitenleitwerk trainiert wurde, überträgt sich nicht automatisch auf den A350-Spoiler oder den H160-Heckrotor. Andere CFK-Lagenaufbauten, andere Frequenzen, andere Scankonfigurationen — jeder neue Bauteiltyp braucht ein eigenes Trainings- und Validierungspaket. Das limitiert die horizontale Skalierung erheblich.

Richtwerte — stark abhängig von Flottengröße, Vogelschlag-Frequenz und verfügbarer NDT-Infrastruktur.

Was das System konkret macht

Die Prüfkette beginnt vor dem Rechner: Ein NDT-Level-2-Techniker rastert das betroffene CFK-Bauteil mit einem Ultraschall-Phased-Array-System ab. Das Ergebnis ist ein C-Scan — ein zweidimensionales Bild, das für jeden Rasterpunkt die Echostärke und Laufzeit des Ultraschallsignals kodiert. Vereinfacht: Je tiefer eine Delaminierung liegt, desto anders sieht der Echograph aus. Bei einem 3 m² großen Bauteil umfasst ein hochauflösender C-Scan schnell 10.000 bis 50.000 Datenpunkte.

Das KI-Modell übernimmt dann die Auswertung, die heute ein Techniker Pixel für Pixel manuell durchführt:

Segmentierung. Ein neuronales Netz (typisch eine U-Net-Architektur, ursprünglich für medizinische Bildauswertung entwickelt, inzwischen etabliert in der industriellen Inspektion) trennt automatisch: gesundes Laminat, Delaminierungsbereiche, Artefakte. Die Ausgabe ist ein annotiertes Bild mit farbkodierten Schadensflächen.

Tiefenklassifikation. Aus der Laufzeitinformation des Ultraschallsignals berechnet das Modell, in welcher Laminatlage die Delaminierung sitzt. Das ist die entscheidende Information für die Reparaturentscheidung: Eine Oberflächendelaminierung in der ersten Lage ist anders zu bewerten als eine interlaminare Schädigung im 6. Lagen-Interface.

Entscheidungsempfehlung. Das System klassifiziert jeden detektierten Schaden in drei Kategorien: Accept (innerhalb der strukturellen Toleranzen laut SRM — Structural Repair Manual), Monitor (unterhalb Reparaturgrenze, aber Folgeinspektion erforderlich) oder Repair (Reparatur vor nächstem Flug). Grenzfälle — Bereiche, wo das Modell eine Konfidenz unter einem definierten Schwellenwert hat — werden explizit für manuelle Prüfung durch den Level-3-Techniker markiert.

Was das System nicht macht: Es ersetzt keine Entscheidungsbefugnis. Die finale Freigabe bleibt beim zertifizierten NDT-Techniker (EASA Part 145). Das KI-Modell ist ein Auswertungsassistent, kein autonomes Entscheidungssystem. Diese Unterscheidung ist nicht nur regulatorisch wichtig — sie ist auch praktisch richtig, weil Grenzfälle nach BVID-Kriterien echtes Fachwissen verlangen, das kein Modell vollständig abbildet.

Das Trainingsverfahren nutzt idealerweise eine Kombination aus realen C-Scan-Daten mit bekannten Defekten (Referenzproben nach ASTM E2533) und synthetischen Daten aus CIVA — einer Simulationssoftware, die C-Scans für beliebige Defektszenarien berechnen kann. Dieser Ansatz (Domain Randomization) löst das zentrale Datenproblem: Reale Referenzproben mit definierten Delaminierungen sind teuer und selten — synthetische Daten können tausende Varianten abdecken.

Was ihr hardware-seitig braucht

Der häufigste Fehler in frühen Gesprächen über KI-NDT: Der Fokus liegt sofort auf dem Algorithmus — dabei entscheidet die Messtechnik über die Qualität der Eingangsdaten, und damit über alles andere.

Für die KI-gestützte Delaminierungskartierung nach Vogelschlag gibt es zwei realistische Hardwarewege:

Handgehaltene Matrix-Array-Systeme (für Rampeneinsatz und Sofortinspektion)

Das DolphiCam2 ist das einzige Handgerät, das explizit im Airbus-A350-Prüfprotokoll für CFK-Strukturen spezifiziert ist (Delaminations- und Skin-to-Stiffener-Disbond-Inspektion, Laminatdicke bis 12,7 mm). Es arbeitet mit einem 16.384-Element-Matrix-Array, das trockene Kontaktprüfung ohne Koppelmittel ermöglicht — relevant für den Rampeneinsatz, wo kein Koppelmittelbad aufgebaut werden kann. In 60 Sekunden einsatzbereit, volles C-Scan-Bild in Echtzeit.

Vorteil: Flexibel, schnell, rampentauglich. Nachteil: Prüffläche je Messung nur 32 × 32 mm — flächige Inspektion erfordert systematisches Abrastern. Bei 3 m² Prüffläche bedeutet das 280+ Einzelmessungen, zeitaufwändig ohne Encoder-Rig.

Phased-Array-Systeme für stationäre und automatisierte Inspektion (Hangar-Einsatz)

Das OmniScan X3 von Evident Scientific (ehemals Olympus) ist der Industriestandard für Phased-Array-Ultraschall in der Luftfahrt-NDT. Mit TFM (Total Focusing Method) liefert es hochauflösende Defektdarstellungen mit besserer Tiefeninformation als konventionelle PA. Entscheidend: Der OmniScan X3 ist Basis für robotergestützte automatische Ultraschall-Scansysteme (RAUT) — die heute in der CFK-Serienfertigung eingesetzt werden, aber zunehmend auch für MRO-Inspektionen qualifiziert werden.

Vorteil: Höhere Auflösung, breiteres Sondensortiment, Basis für Automatisierung. Nachteil: Koppelmittel erforderlich, stationärer Aufbau nötig, teurer in Betrieb und Qualifizierung.

Was beides gemeinsam hat: Die C-Scan-Rohdaten beider Systeme lassen sich in ein KI-Modell einspeisen — sofern das Modell auf dem spezifischen Datenformat des jeweiligen Geräts trainiert wurde. Merke: Ein Modell, das auf Daten des OmniScan X3 trainiert wurde, läuft nicht direkt auf Daten des DolphiCam2. Das sind unterschiedliche Signalcharakteristiken, unterschiedliche Auflösungsraster, unterschiedliche Frequenzprofile.

Für eine robuste Trainingsdatenbasis empfiehlt es sich, früh zu entscheiden: Welches Gerät wird produktiv genutzt? Danach richtet sich die gesamte Datenstrategie.

Qualifikation und Zulassung: Was EASA erlaubt — und was nicht

Das ist die Frage, die in Projekten am häufigsten zu späten Überraschungen führt: Wann gilt ein KI-gestütztes Auswertungssystem als „neue NDT-Methode” — und wann reicht eine Validierung als Unterstützungswerkzeug?

Was EASA AMC 20-29 regelt: Die Richtlinie definiert Anforderungen an NDT-Methoden für Composite-Strukturen, inklusive Nachweis der Probability of Detection (POD) — der statistischen Zuverlässigkeit, mit der eine Methode Defekte einer bestimmten Mindestgröße findet. Jede neue oder modifizierte Inspektionsmethode muss qualifiziert werden, bevor sie in der Linienwartung eingesetzt wird.

Die regulatorische Grenzfrage: Wenn das KI-System als Werkzeug eingesetzt wird, das dem Level-2-Techniker die Auswertung beschleunigt — aber der Techniker die finale Entscheidung trifft und das Ergebnis unterschreibt — ist das regulatorisch anders einzustufen als ein System, das autonom Freigabeentscheidungen generiert. Viele Erstimplementierungen wählen bewusst den ersten Weg: KI als Annotierungs- und Priorisierungsassistent, Mensch als Entscheider. Dieser Ansatz senkt die Qualifikationshürde deutlich.

Was trotzdem qualifiziert werden muss: Auch ein Unterstützungswerkzeug muss nachweisen, dass es die Entscheidungsqualität des Technikers nicht verschlechtert — und vorzugsweise verbessert. In der Praxis bedeutet das: eine dokumentierte Validierungsstudie mit Referenzproben nach ASTM E2533, ein Nachweis der False-Negative-Rate (übersehene Schäden) und ein Review durch den NDT-Level-3-Verantwortlichen.

EN ISO 9712 bleibt Pflicht: Egal wie gut das KI-Modell ist — die abschließende Prüfbescheinigung unterschreibt ein zertifizierter NDT-Level-2-Techniker (für Ausführung) und wird durch einen Level-3-Verantwortlichen abgedeckt. Das ist nicht verhandelbar und soll es auch nicht sein: Die Norm stellt sicher, dass die Person, die das Bauteil freigibt, das Messprinzip und seine Grenzen versteht. KI macht das Zertifizierungsregime nicht obsolet — sie unterstützt die zertifizierten Fachleute.

Praktische Konsequenz für die Einführung: Plane die Validierungsdokumentation ab dem ersten Projekttag ein, nicht als Abschlussschritt. Der NDT-Level-3-Verantwortliche und ggf. der zuständige EASA-Part-145-Auditor sollten früh im Projekt eingebunden sein — nicht erst kurz vor dem Go-Live.

Konkrete Werkzeuge — was wann passt

Für die KI-gestützte Delaminierungskartierung gibt es heute keine fertige Softwarelösung, die man kauft und einschaltet. Das ist ein Entwicklungsprojekt — aber eines mit klar abgegrenzten Bausteinen.

DolphiCam2 (Dolphitech) — für Ramp- und Erstinspektion Handgehaltenes Matrix-Array-System, zertifiziert nach Airbus A350-Prozedur. Liefert C-Scan-Bilder, die direkt als Eingabe für das ML-Modell genutzt werden können. Empfohlen für MRO-Betriebe, die flexible Rampentauglichkeit brauchen. Preis auf Anfrage, typisch 30.000–60.000 € je Systemkonfiguration (Schätzwert).

OmniScan X3 (Evident Scientific) — für stationäre und halbautomatisierte Inspektion Industriestandard Phased-Array mit TFM. Basis für Roboter-UT-Systeme und die hochauflösende Inspektionsdatenerfassung. Ab ca. 15.000–25.000 USD (Hardware ohne Sonden, Händlerpreis). Für MRO-Betriebe, die große Stückzahlen und hohe Auflösung brauchen.

CIVA (EXTENDE/CEA-List) — für Trainingsdaten und Validierung Weltweiter Standard für NDT-Simulation. Generiert synthetische C-Scan-Daten für das ML-Training und ermöglicht Nachweise der Prüfbarkeit ohne teure physische Referenzproben. Jahreslizenzen ab ca. 5.000–15.000 € je Modul (Schätzwert, kein öffentlicher Preis). Unverzichtbar für den Nachweis gegenüber EASA, wenn echte Referenzproben fehlen.

Custom ML-Pipeline (Python / PyTorch oder TensorFlow) Das Herzstück der KI-Auswertung. Kein fertiges Tool — das Modell muss auf die spezifischen Gerätedaten und Bauteilgeometrien zugeschnitten sein. Typischer Stack: U-Net-Architektur für Segmentierung, Transfer Learning von vortrainierten Bildklassifikatoren (z.B. ResNet-Backbone). Für die Inference kann das Modell lokal im MRO-Hangar laufen — keine Cloud-Verbindung erforderlich.

Zusammenfassung: Wann welcher Ansatz

• Erstinspektion direkt nach Vogelschlag auf der Ramp → DolphiCam2
• Stationäre Vollinspektion im Hangar, hohe Stückzahl → OmniScan X3 + RAUT
• Fehlende Trainingsdaten für neue Bauteiltypen → CIVA für synthetische Daten
• Auswertung und Klassifikation → Custom U-Net, lokal betrieben

Datenschutz und Datenhaltung

CFK-Prüfdaten aus der Luft- und Raumfahrt haben primär kein klassisches DSGVO-Problem — sie enthalten in der Regel keine personenbezogenen Daten. Die relevante Dimension ist eine andere: Exportkontrolle und Technologieschutz.

Ultraschall-Prüfdaten von militärischen oder dual-use-relevanten CFK-Strukturen (Triebwerksverkleidungen, militärische Plattformen) können unter ITAR (International Traffic in Arms Regulations) oder EAR (Export Administration Regulations) fallen — US-amerikanische Exportkontrollregimes, die auch für europäische Unternehmen mit US-Technologieanteilen relevant sind. Die Verarbeitung solcher Daten auf US-Cloud-Infrastruktur kann eine Exportkontrollverletzung darstellen.

Praktische Konsequenz: Für zivile Verkehrsluftfahrt (Airbus, Boeing-Strukturen in MRO) ist das Risiko überschaubar, sollte aber mit dem Datenschutz- und Rechtsbeauftragten geprüft werden. Für militärische Plattformen ist eine On-Premises-Installation ohne Cloud-Anbindung nicht nur regulatorisch sicherer, sondern in der Regel zwingend erforderlich.

Die gute Nachricht: Das ML-Modell kann vollständig lokal betrieben werden. Training auf dem eigenen Server, Inference im Hangar-Netzwerk, keine Daten verlassen das Unternehmen. Das ist technisch kein Problem — sondern bei dieser Anwendung der sinnvollste Ansatz.

Bei zivilen Anwendungen gilt: Sofern Wartungsdaten einem EASA-Part-145-Betrieb zuzuordnen sind und Mitarbeitende (Technikeridentifikation, Prüfzertifikate) in den Datensätzen enthalten sind, greift die DSGVO. Ein Auftragsverarbeitungsvertrag (AVV) mit dem jeweiligen IT-Dienstleister und eine Verzeichnisführung der Verarbeitungstätigkeiten sind dann Pflicht.

Was es kostet — realistisch gerechnet

Das ist kein Drei-Wochen-Projekt mit 5.000 Euro Software-Lizenz. Das ist ein Entwicklungsvorhaben mit klar definierbaren Kostenpositionen.

Einmalige Kosten

• NDT-Hardware (DolphiCam2 oder OmniScan X3 inkl. Sonden): 30.000–80.000 €
• CIVA-Jahreslizenzen für die Trainingsdaten-Generierung: 5.000–15.000 € / Jahr
• Referenzproben-Erstellung (ASTM E2533, CFK-Prüfkörper mit definierten Delaminierungen): 15.000–40.000 € je Bauteiltyp, abhängig von Komplexität
• ML-Entwicklung (Modellarchitektur, Training, Validierung): 60.000–150.000 € für ein erstes qualifiziertes Modell — intern oder extern
• EASA-Validierungsdokumentation (POD-Studie, Abnahmetests): 20.000–50.000 € mit externem NDT-Level-3-Dienstleister

Laufende Kosten (jährlich)

• Modellpflege und Retraining bei neuen Bauteiltypen: 15.000–40.000 € intern
• CIVA-Lizenz: 5.000–15.000 €
• Softwarewartung und Validierungsupdates: 10.000–25.000 €

Wann rechnet sich das?

Annahme: Eine Airline hat 40 Schmalrumpfflugzeuge, davon jährlich 6 Vogelschlag-Ereignisse an CFK-Strukturen, davon 3 mit AOG-relevanter Prüfung. Die aktuelle AOG-Dauer: durchschnittlich 9 Stunden. Mit KI-Unterstützung: 4 Stunden. Delta: 5 Stunden × 6.000 €/h direkte Betriebskosten = 30.000 € Einsparung pro Ereignis, 3 Ereignisse = 90.000 € jährlich. Gegenüber einem Investitionsvolumen von 200.000–350.000 € in der Einführungsphase ist die Amortisation in 3–4 Jahren erreichbar — wenn die Vogelschlag-Frequenz stimmt.

Für einen einzelnen MRO-Dienstleister ohne eigene Flotte, der CFK-Reparaturen als Auftragsarbeit macht: Die Rechnung sieht anders aus. Seltenere Ereignisse, niedrigere direkte Kostenkonsequenz. Hier dominiert der Reputationsnutzen (schnellere Turnaround-Zeiten als Wettbewerbsvorteil) über den direkten Kostendruck.

Typische Einstiegsfehler

1. Das Trainingsdatenproblem erst während der Entwicklung entdecken. Der häufigste Projektstopper: Man beginnt mit der ML-Entwicklung und merkt nach drei Monaten, dass man 50 reale C-Scan-Datensätze mit bekannten Delaminierungen hat — aber für ein robustes U-Net-Modell werden 500–2.000 Trainingsbeispiele benötigt. Lösung: Die Datenstrategie muss am Anfang des Projekts stehen, nicht am Ende. Entweder Referenzproben systematisch aufbauen (teuer, aber nötig), oder von Beginn an auf synthetische Daten via CIVA setzen.

2. Das Modell auf einem Gerät trainieren, produktiv auf einem anderen nutzen. C-Scan-Daten vom DolphiCam2 und vom OmniScan X3 sehen für ein neuronales Netz unterschiedlich aus — unterschiedliche Auflösung, unterschiedliche Signalform, unterschiedliches Rauschen. Wer das Modell auf Gerät A trainiert und auf Gerät B produktiv einsetzt, ohne explizite Domain-Adaptation, wird schlechte Segmentierungsqualität erhalten. Hardware-Entscheidung und Datenerhebungsstrategie müssen von Anfang an zusammenpassen.

3. Die EASA-Validierung als letzten Schritt behandeln. In der Praxis läuft die Qualifikationsdokumentation oft parallel zur Entwicklung — nicht danach. Wer erst nach 12 Monaten Entwicklung merkt, dass der zuständige EASA-Auditor eine POD-Studie mit mindestens 200 Referenzproben fordert, steht vor einem teuren Rückschritt. Frühzeitige Abstimmung mit dem Part-145-Verantwortlichen und ggf. dem EASA-Kontakt ist kein Luxus, sondern Pflicht.

4. Das Modell wird eingeführt — und nie retrainiert. Das ist die still-gefährlichste Fehlentscheidung. Composite-Reparaturstandards ändern sich (neue SRM-Revisionen), neue Flugzeugtypen kommen in die Flotte, neue Laminatdesigns werden zertifiziert. Ein Modell, das auf A321-Daten von 2025 trainiert ist, bewertet A321neo-Strukturen von 2028 möglicherweise systematisch falsch — weil sich die Lagenaufbauten verändert haben. Retraining-Zyklen gehören als Budgetposition in den Betriebsplan, nicht als „wenn wir Zeit haben.”

Was mit der Einführung wirklich passiert — und was nicht

Die technische Seite dieses Projekts ist komplex, aber lösbar. Die menschliche Seite ist komplexer.

Der erste Widerstand kommt von den erfahrensten Leuten. NDT-Level-3-Techniker, die seit 20 Jahren C-Scans auswerten, haben ein legitimes professionelles Selbstverständnis. Ein Algorithmus, der behauptet, ihre Arbeit in 20 Minuten zu erledigen, wirkt auf den ersten Blick nicht wie Unterstützung — sondern wie Infragestellung. Das ist menschlich nachvollziehbar und muss ernst genommen werden.

Was tatsächlich hilft: Diese Techniker früh als Co-Entwickler einbinden, nicht als Endanwender. Wer das Annotierungs-Schema mitentwickelt hat (wie markiert man Grenzfälle, wo zieht man die Accept/Monitor-Grenze?), versteht das Modell — und vertraut ihm eher. Die erste Frage an den Level-3-Techniker sollte nicht sein „Hier ist unser Modell, bitte validiert es”, sondern „Wie würdet ihr diese Grenzfälle klassifizieren?” Die Antworten werden zu Trainingsdaten.

Der zweite Widerstand kommt von der Regulierung — oder dem, was Leute dafür halten. Oft wird EASA als Totschlagargument genutzt: „Das werden die nie genehmigen.” Das ist falsch. EASA genehmigt neue NDT-Methoden — aber sie verlangen Nachweise, keine Versprechen. Der Unterschied zwischen einem Projekt, das an der Regulierung scheitert, und einem, das durchkommt: strukturierte Dokumentation von Tag 1.

Was konkret funktioniert:

• Erste Pilotphase mit echten Referenzproben und echten Level-2-Technikern — parallele Auswertung (Mensch vs. Modell), Abweichungsanalyse, iterative Verbesserung
• Regelmäßiger Review-Zyklus mit dem NDT-Level-3-Verantwortlichen — jede Entscheidung dokumentiert
• Klare Kommunikation an die Techniker: Das System macht Vorschläge, ihr entscheidet. Das ändert sich nicht.

Realistischer Zeitplan mit Risikohinweisen

Wichtig: Dieser Zeitplan gilt für eine sorgfältige EASA-konforme Einführung. Wer das KI-System zunächst als internes Analyse-Werkzeug ohne direkte Auswirkung auf die Freigabeentscheidung einsetzt (Techniker sieht das Ergebnis, entscheidet aber alleine), kann schneller starten — sollte aber den späteren Qualifikationsaufwand nicht unterschätzen.

Häufige Einwände — und was dahintersteckt

„Ein KI-Modell kann nicht EASA-zertifiziert werden.” Das ist so nicht richtig. EASA zertifiziert keine Software per se — EASA qualifiziert NDT-Methoden über nachgewiesene Leistungseigenschaften (POD, False-Positive-Rate, Reproduzierbarkeit). Das KI-Modell muss diese Eigenschaften nachweisen, nicht ein Softwarezertifikat vorweisen. DO-178C (Luftfahrtsoftware-Entwicklungsstandard) ist für kritische Steuerungssoftware relevant — für ein Auswertungsassistenz-Tool in der Wartungsdokumentation gelten andere Anforderungen. Frühzeitiges Gespräch mit dem EASA-Kontakt klärt den konkreten Qualifikationspfad.

„Wir haben nicht genug Trainingsdaten.” Das ist ein echtes Problem — aber kein unlösbares. CIVA ermöglicht die Generierung synthetischer C-Scan-Daten mit beliebigen Defektszenarien. Ansätze wie Domain Randomization — auf Simulation trainieren, mit wenigen echten Messungen feinabstimmen — wurden in der NDT-Forschung (u.a. DGZFP 2023, ndt.net) als valide Lösung für genau dieses Problem beschrieben. Es ist aufwändiger als direktes Training auf realen Daten, aber machbar.

„Unsere NDT-Techniker werden das nicht nutzen.” Wenn das Werkzeug schlecht designed ist: ja. Wenn es ihre Arbeit erleichtert statt erschwert, nein. Der entscheidende Designpunkt: Das System muss die Techniker in ihrem Prozess unterstützen — Annotierung beschleunigen, Grenzfälle markieren, Bericht generieren. Nicht: ihre Entscheidung durch eine Computerempfehlung ersetzen. Wer das von Anfang an kommuniziert und das Interface entsprechend baut, findet erfahrungsgemäß deutlich weniger Widerstand als erwartet.

Woran du merkst, dass das zu dir passt

Das spricht dafür:

• Du betreibst eine Flotte mit 20 oder mehr Flugzeugen mit signifikantem CFK-Anteil (A320neo-Familie, A350, B787, Embraer E2)
• Du hast bereits qualifizierte NDT-Techniker (Level 2 oder 3 nach EN ISO 9712 oder NAS-410) im eigenen Betrieb
• Ihr habt in den letzten 3 Jahren mindestens 30–50 CFK-Impaktinspektionen durchgeführt — das ist eure Basis für Trainingsdaten
• Ihr habt einen klaren NDT-Level-3-Verantwortlichen, der die Validierungsstrategie mitgestalten kann
• Die AOG-Kosten nach Vogelschlag haben in eurer Flotte nachweislich Auswirkungen auf euer Betriebsergebnis

Wann es sich (noch) nicht lohnt — drei harte Ausschlusskriterien:

1. Unter 20 CFK-Impaktinspektionen pro Jahr im eigenen Betrieb. Die Datenökonomie funktioniert nicht. Ihr habt nicht genug reale Ereignisse, um ein robustes Modell zu trainieren und aktuell zu halten — und nicht genug AOG-Ereignisse, um die Investition zu amortisieren. Für kleine MRO-Betriebe ist ein Konzertierungsansatz sinnvoller: gemeinsame Datenpool-Kooperationen mit anderen Betreibern des gleichen Flugzeugtyps.

2. Kein eigenes NDT-Level-2/3-Personal im Haus. Wenn ihr NDT-Prüfungen vollständig an externe Dienstleister auslagert, habt ihr keinen Zugriff auf die Rohdaten, keine Kontrolle über den Datenstrom und keine Fachleute, die das Modell validieren könnten. In diesem Fall ist eine Kooperation mit dem externen NDT-Dienstleister, der das Modell entwickelt und betreibt, der realistischere Weg.

3. Keine digitalisierte C-Scan-Datenhistorie vorhanden. Wenn eure bisherigen Ultraschall-Inspektionen auf Papierausdrucken oder nicht strukturiert archivierten digitalen Dateien vorliegen, ist der erste Schritt kein KI-Projekt. Es ist eine Digitalisierungs- und Archivierungsinitiative — mindestens 6–12 Monate, bevor ein ML-Modell sinnvoll trainiert werden kann.

Das kannst du heute noch tun

Du musst nicht auf EASA-Validierung warten, um zu verstehen, ob dieser Ansatz für euren Betrieb funktioniert. Es gibt einen konkreten Einstieg, der nichts kostet und in einem Arbeitstag machbar ist:

Sammle fünf bis zehn vorhandene C-Scan-Bilder aus vergangenen Vogelschlag-Inspektionen — idealerweise solche, bei denen ihr die finale Entscheidung (Accept / Monitor / Repair) kennt. Lade sie in ein Bildanalysesystem mit Vision-Fähigkeiten (Claude oder GPT-4o via API). Formuliere einen strukturierten Prompt, der das System zur Bildanalyse auffordert. Das ist kein produktives NDT-System — aber es zeigt dir, wie weit der aktuelle Stand der Technik bei der Bildsegmentierung ist, und liefert erste Hinweise, welche Schadensbilder einfach zu klassifizieren wären und welche echte Grenzfälle darstellen.

Quellen & Methodik

• ICAO IBIS Vogel-Schlagdaten 2022–2024: International Civil Aviation Organization, Bird Strike Information System; 214.734 Meldungen aus 156 Staaten (Quellenangabe aus MDPI-Aufsatz “Estimating the Cost of Wildlife Strikes in Australian Aviation”, 2023, doi: 10.3390/aerospace10070648).
• EASA AMC 20-29 (Composite Structures): European Union Aviation Safety Agency, AMC 20-29, “Composite Aircraft Structure”, ED Decision 2010/003/R (weiterhin gültiger Referenzstandard; Vogelschlag als Kategorie-4-Schaden).
• EASA Bird Strike Study Report: EASA.2008.C49 (Basisdaten zu europäischen Vogelschlagschäden, inkl. struktureller Impakthäufigkeiten an Composites).
• AOG-Kosten Narrowbody: Simple Flying (2024), “How Much Do Aircraft Groundings Cost Airlines & Manufacturers?”; Eways Aviation (2023) “How Much Does It Cost To Have An Aircraft On Ground?”; Angabe $50.000–$150.000/Tag für Schmalrumpf als Branchenrahmen.
• DGZfP / NDT.net — ML für CFK-Ultraschallprüfung: “Klassisches Maschinelles Lernen oder Neuronale Netze? Welche Methode führt zum Erfolg bei der automatischen Auswertung von Daten aus der Ultraschallprüfung komplexer CFK-Bauteile?” (ndt.net/search/docs.php3?id=24568); Bezug auf DGZFP-Jahrestagung 2023, Kassel.
• DolphiCam2 — A350-Prüfprozedur: Dolphitech-Unternehmenswebsite (dolphitech.com/industries/aerospace/, Mai 2026); Spezifizierung für Airbus A350 CFRP-Delaminationsprüfung nach Dolphitech-Angaben.
• Robotergestützte UT CFK: DGZFP-Jahrestagung 2022, Vortrag “Robotergestützte Ultraschallprüfung von CFK-Komponenten”, JT2022 (jt2022.dgzfp.de/portals/jt2022/bb177/inhalt/di.2.c.1.pdf).
• DLR und Lufthansa Technik Kooperation: DLR Pressemitteilung, 28. April 2026, “DLR und Lufthansa Technik stärken Zusammenarbeit” — gemeinsame Projekte zu KI-gestützter Wartungseffizienz (dlr.de/de/aktuelles/nachrichten/2026/dlr-und-lufthansa-technik-staerken-zusammenarbeit).
• Beurteilungsvarianz BVID: Erfahrungswert aus NDT-Fachliteratur; 15–25% Varianz zwischen Technikern bei Grenzfallentscheidungen — konsistent mit Berichten aus DGZFP-Fachkreisen, keine repräsentative Einzelstudie.
• EN ISO 9712 (NDT-Personal-Qualifikation): ISO 9712:2021 — Qualification and certification of NDT personnel; Basis für Level-2-Anforderung in der Luftfahrtwartung.
• ASTM E2533: Standard Guide for Nondestructive Testing of Polymer Matrix Composites Used in Aerospace Applications — Referenz für Prüfkörper-Anforderungen.

Willst du einschätzen, ob euer Betrieb die Voraussetzungen für dieses Projekt mitbringt — Flottengröße, Datenbasis, NDT-Ressourcen? Das klären wir in einem kurzen Gespräch.