CFK-Delaminierung nach Vogelschlag: KI kartiert Schäden im Ultraschall

Das echte Ausmaß des Problems

Vogelschlag ist in der Luftfahrt kein seltenes Ereignis, die ICAO sammelt die Meldungen seit Jahrzehnten weltweit in ihrem Bird Strike Information System (IBIS). Die allermeisten Vogelschläge bleiben ohne Schaden. Teuer wird es, wenn ein Treffer an einer CFK-Struktur eine Prüfung auslöst, bevor das Flugzeug wieder fliegen darf.

Der entscheidende Faktor: Die neuen Langstreckenmuster bestehen etwa zur Hälfte ihrer Strukturmasse aus Verbundwerkstoffen, überwiegend kohlenstofffaserverstärktem Kunststoff (CFK): der Airbus A350 zu 53 Prozent, die Boeing 787 zu 50 Prozent (Herstellerangaben). Beim A320 und A321 ist der Anteil deutlich kleiner, Seiten- und Höhenleitwerk sind aber auch dort aus CFK. 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. Nach einem gemeldeten Vogelschlag schreiben die Instandhaltungsunterlagen des Herstellers eine Inspektion vor, bevor das Flugzeug wieder fliegt.

Was das in der Praxis bedeutet:

• Ein einzelner Vogelschlag an einem CFK-Leitwerk löst eine unplanmäßige NDT-Prüfung aus, in der Szene oben drei bis vier Stunden Scan plus Auswertung und Bericht
• 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). Ausgleichszahlungen an Passagiere kommen nach einem Vogelschlag in der Regel nicht dazu, der EuGH wertet ihn als außergewöhnlichen Umstand (Urteil C-315/15)
• Wie stark die Urteile erfahrener Prüfer bei BVID-Grenzfällen auseinandergehen, haben wir in keiner Studie belastbar beziffert gefunden. Messen lässt es sich einfach: denselben Scan von zwei Prüfern bewerten lassen
• Qualifiziertes NDT-Personal ist knapp. In der Luftfahrtinstandhaltung wird es nach EN 4179 qualifiziert, und bis Level 2 vergehen je Verfahren viele Monate Ausbildung und Praxis

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

Die Zeiten stammen aus der Szene oben und sind Annahmen, keine Messwerte. Veröffentlichte Vergleichszahlen zu KI-Auswertungszeiten nach Vogelschlag haben wir nicht gefunden, ein Parallelbetrieb mit euren Scans liefert sie.

Einschätzung auf einen Blick

Zeitersparnis, niedrig (2/5) Je Ereignis spart die KI-Auswertung vielleicht eine bis anderthalb Stunden: Der C-Scan dauert weiterhin so lange wie der physische Rastervorgang, kürzer wird nur die Auswertung am Rechner. Und Vogelschläge an CFK sind selten, eine Airline mit 40 Schmalrumpfjets kommt auf eine Handvoll im Jahr. Über das Jahr sind das eher zehn als hundert Stunden.

Kosteneinsparung, niedrig (2/5) Die Einsparlogik ist nicht die gesparte NDT-Technikerzeit, sondern die kürzere AOG-Zeit. Weil aber nur die Auswertung kürzer wird, deckt der Effekt bei einer Airline mit 40 Schmalrumpfflugzeugen nicht einmal die laufenden Kosten, siehe Rechnung unten. Ausgleichszahlungen nach der Fluggastrechte-Verordnung spart das System ebenfalls nicht, sie fallen nach einem Vogelschlag in der Regel ohnehin nicht an.

Schnelle Umsetzung, sehr niedrig (1/5) Das ist die ehrlichste Zahl im Radar. Ein Part-145-Betrieb prüft nach den Instandhaltungsdaten des Herstellers (NDT-Handbuch, SRM). Wer die Auswertung mit einem eigenen Werkzeug unterstützt, muss belegen, dass das Ergebnis mindestens gleichwertig ist: mit Referenzproben, einer Zuverlässigkeitsanalyse (POD, Probability of Detection) und dem Review durch den verantwortlichen Level-3-Prüfer. Ein KI-Modell als Unterstützungswerkzeug ist anders zu bewerten als ein vollautomatisches Entscheidungssystem, aber auch die Validierung eines Unterstützungstools dauert. Realistisch: 9–18 Monate bis zum validierten Pilotbetrieb. Das ist einer der langsamsten Einstiege im Branch.

ROI-Sicherheit, niedrig (2/5) 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). Selbst für einen großen Betreiber mit dichtem Streckennetz trägt sich das System über AOG-Zeit allein kaum. Tragfähiger wird es bei jemandem, der viele Impaktprüfungen im Jahr macht, etwa einem NDT-Dienstleister für mehrere Betreiber.

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 später kommt ihr Echo zurück. Bei einem 3 m² großen Bauteil und einem Millimeter Rasterabstand sind das schon drei Millionen Messpunkte, jeder mit eigenem Signalverlauf.

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. Den Prüfbefund unterschreibt das qualifizierte NDT-Personal, die Freigabebescheinigung (CRS) für das Flugzeug stellt freigabeberechtigtes Personal nach Part-66 aus. 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 im Airbus-A350-Prüfverfahren für monolithisches CFK (1–18 mm) und im Boeing-787-NDT-Manual geführt. Es arbeitet mit einem Matrix-Array aus 128 mal 128 Elementen (16.384 A-Scans) und liefert Amplituden- und Laufzeit-C-Scans, laut Hersteller in 60 Sekunden einsatzbereit, mit 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 sind das 3 m² geteilt durch 32 mal 32 mm, also rund 2.900 Einzelmessungen, zeitaufwändig ohne Encoder-Rig. Nach einem Vogelschlag rastert man deshalb nur den betroffenen Bereich.

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?

Wer die Prüfmethode festlegt: Welche Prüfung nach einem Impakt an einem CFK-Bauteil nötig ist und nach welchen Grenzen bewertet wird, legt der Hersteller in seinen Instandhaltungsdaten fest (NDT-Handbuch, SRM). Die Zulassungsgrundlage für CFK-Strukturen ist AMC 20-29. Ein Part-145-Betrieb arbeitet nach diesen Daten. Ändert er eine Arbeitsanweisung, muss er nach einem Verfahren im MOE nachweisen, dass das Ergebnis mindestens gleichwertig ist, und den Musterhalter informieren. Für eine Prüfmethode heißt das: Nachweis der Probability of Detection (POD), also der statistischen Zuverlässigkeit, mit der sie Defekte einer bestimmten Mindestgröße findet.

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.

Die Personalqualifikation bleibt Pflicht: In der Luftfahrtinstandhaltung wird NDT-Personal nach EN 4179 qualifiziert, in den Stufen Level 1, 2 und 3. Egal wie gut das KI-Modell ist, den Prüfbefund unterschreibt ein qualifizierter Level-2-Prüfer, das Verfahren verantwortet ein Level-3. Die Freigabebescheinigung für das Flugzeug stellt danach freigabeberechtigtes Personal nach Part-66 aus. Das ist nicht verhandelbar und soll es auch nicht sein: Die Qualifikation stellt sicher, dass die Person, die den Befund unterschreibt, das Messprinzip und seine Grenzen versteht. KI macht das Qualifikationsregime nicht obsolet, sie unterstützt die qualifizierten Fachleute.

Praktische Konsequenz für die Einführung: Plane die Validierungsdokumentation ab dem ersten Projekttag ein, nicht als Abschlussschritt. Der NDT-Level-3-Verantwortliche, der Hersteller als Autor der Prüfdaten und die zuständige Behörde 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, im Airbus-A350-Prüfverfahren für monolithisches CFK geführt. Liefert C-Scan-Bilder, die direkt als Eingabe für das ML-Modell genutzt werden können. Empfohlen für MRO-Betriebe, die flexible Rampentauglichkeit brauchen. Preis nur auf Anfrage, einen öffentlichen Listenpreis gibt es nicht.

OmniScan X3 (Evident Scientific), für stationäre und halbautomatisierte Inspektion Industriestandard Phased-Array mit TFM. Basis für Roboter-UT-Systeme und die hochauflösende Inspektionsdatenerfassung. Laut Händlerangaben rund 15.000 bis 30.000 US-Dollar je nach Modell, ohne Sonden und Keile. 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 hilft beim Nachweis der Prüfbarkeit, wenn physische Referenzproben fehlen. Ersetzen kann die Simulation die Validierung an echten Proben nicht. Einen öffentlichen Listenpreis gibt es nicht, nach unserer Einschätzung beginnen Jahreslizenzen bei 5.000 bis 15.000 Euro je Modul, fragt ein Angebot an.

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. Nach EU-Recht gilt die Dual-Use-Verordnung (EU) 2021/821: Sie behandelt schon die elektronische Übertragung gelisteter Technologie an einen Ort außerhalb der EU als Ausfuhr. Die Verarbeitung solcher Daten auf Cloud-Infrastruktur außerhalb der EU kann deshalb ein genehmigungspflichtiger Exportvorgang sein.

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 inklusive Sonden, unsere Spanne für ein System: 30.000–80.000 €
• 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
• Validierungsdokumentation (POD-Studie, Abnahmetests): 20.000–50.000 € mit externem NDT-Level-3-Dienstleister
• Zusammen: 125.000–320.000 €, ohne die jährlichen Lizenzen

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 €
• Zusammen: 30.000–80.000 € im Jahr

Wann rechnet sich das?

Annahme: Eine Airline hat 40 Schmalrumpfflugzeuge, davon jährlich 6 Vogelschlag-Ereignisse an CFK-Strukturen, 3 davon mit einer Prüfung, die das Flugzeug am Boden hält. Der Scan dauert mit und ohne KI gleich lang, kürzer wird nur die Auswertung: in der Szene oben von rund zwei Stunden auf eine halbe, also um anderthalb Stunden. 3 Ereignisse mal 1,5 Stunden mal 6.000 Euro je AOG-Stunde, dem oberen Ende der Branchenspanne, ergeben 27.000 Euro im Jahr. Das deckt nicht einmal die laufenden Kosten von 30.000–80.000 Euro, die Einführung zahlt sich nie zurück.

Selbst wenn die Auswertung heute fünf Stunden dauerte und auf eine halbe schrumpfte, wären es 3 mal 4,5 mal 6.000 Euro, also 81.000 Euro im Jahr. Nach Abzug der laufenden Kosten blieben 1.000 bis 51.000 Euro, die Einführung wäre im günstigsten Fall nach zweieinhalb Jahren bezahlt, im ungünstigsten nie. Für eine Airline dieser Größe rechnet sich das Projekt über AOG-Zeit nicht. Tragfähig wird es erst bei deutlich mehr Impaktprüfungen im Jahr, etwa bei einem NDT-Dienstleister oder einem Verbund mehrerer Betreiber desselben Musters.

Für einen einzelnen MRO-Dienstleister ohne eigene Flotte, der CFK-Reparaturen als Auftragsarbeit macht, sieht die Rechnung wieder anders aus: Die gesparte AOG-Zeit ist das Geld seines Kunden, nicht seines. Sein Nutzen ist die schnellere Durchlaufzeit als Wettbewerbsvorteil, und der zählt nur, wenn Kunden dafür Aufträge vergeben.

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 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 die zuständige Behörde eine POD-Studie mit deutlich mehr Referenzproben erwartet, als vorhanden sind, steht vor einem teuren Rückschritt. Frühzeitige Abstimmung mit dem Part-145-Verantwortlichen, dem Hersteller und der Behörde 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 so nicht richtig. Neue Hilfsmittel in der NDT-Auswertung sind möglich, aber Hersteller und Behörde 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.” Darum geht es auch nicht. Zugelassen wird keine Software als solche. Entscheidend ist, dass die Prüfung mit dem Werkzeug nachweislich mindestens so zuverlässig ist wie das Verfahren aus den Herstellerdaten (POD, Falsch-Positiv-Rate, Reproduzierbarkeit). DO-178C (Luftfahrtsoftware-Entwicklungsstandard) ist für Software an Bord relevant, für ein Auswertungswerkzeug in der Instandhaltung gelten andere Anforderungen. Ein frühes Gespräch mit Hersteller und Behörde klärt den konkreten Nachweisweg.

„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, hat die besten Chancen, dass die Techniker das Werkzeug annehmen.

Woran du merkst, dass das zu dir passt

Das spricht dafür:

• Du prüfst CFK-Impaktschäden in großer Zahl, als großer Betreiber von Mustern mit hohem CFK-Anteil (A350, B787) oder als NDT-Dienstleister für mehrere Betreiber
• Du hast bereits qualifizierte NDT-Techniker (Level 2 oder 3 nach EN 4179 oder NAS 410) im eigenen Betrieb
• Ihr habt in den letzten 3 Jahren mindestens 60 CFK-Impaktinspektionen durchgeführt, also 20 im Jahr, 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, und ihr habt sie für die letzten Ereignisse beziffert

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. Die Beispiel-Airline mit 40 Schmalrumpfjets und sechs Ereignissen im Jahr aus der Rechnung oben liegt klar darunter. 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 eine abgeschlossene 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. Nimm nur Scans ziviler Bauteile, deren Weitergabe eure Verträge mit Hersteller und Kunde erlauben, und nichts von militärischen oder exportkontrollierten Strukturen: Die Bilder landen bei einem US-Anbieter. Lade sie in ein Bildanalysesystem mit Vision-Fähigkeiten (Claude oder ein aktuelles GPT-Modell von OpenAI 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: International Civil Aviation Organization, Bird Strike Information System, weltweite Sammlung von Vogelschlag-Meldungen.
• EASA AMC 20-29 (Composite Structures): European Union Aviation Safety Agency, AMC 20-29, “Composite Aircraft Structure”, ED Decision 2010/003/R, Zulassungsgrundlage für CFK-Strukturen.
• Vogelschlag als außergewöhnlicher Umstand: EuGH, Urteil vom 4. Mai 2017, C-315/15 (Pešková und Peška), eur-lex.europa.eu, CELEX 62015CJ0315.
• 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- und 787-Prüfverfahren: Airbus Task A350-A-51-94-45-00001-35-AA-A (monolithisches CFK 1–18 mm) und Boeing 787 NDT Manual Part 4-51-00-22, ausgewertet auf unserer Toolseite zum DolphiCam2.
• 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).
• EN 4179 (NDT-Personal in der Luft- und Raumfahrt): Qualifikation und Zulassung von Personal für zerstörungsfreie Prüfungen, Level 1 bis 3; für Part-145-Betriebe über die AMC zu 145.A.30(f) maßgeblich.
• 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.