InInspekt läutet einen Paradigmenwechsel bei der Rotorblatt-Inspektion in Windrädern ein. Das Projekt vereint einen autonomen Crawler-Roboter, multimodale Sensorik und KI-gestützte Datenfusion, um interne und unterschwellige Schäden direkt im Inneren von Rotorblättern objektiv zu erkennen. So sinken Risiko, Stillstandszeiten und Unsicherheiten, während qualitativ hochwertige, standardisierte Diagnosedaten für zustandsbasierte Wartung und eine längere Lebensdauer bereitgestellt werden.

Kick-off

Am 4. Februar 2026 fand bei uns bei EduArt Robotik das Kick-off-Meeting zum Forschungsprojekt InInspekt statt. Im ersten Termin ging es darum, die Partner kennenzulernen, technische und organisatorische Schnittstellen abzustimmen und die nächsten Schritte in den Arbeitspaketen festzulegen.

Teilnehmer

  • Jost Wittmann (Julius Maximilians-Universität Würzburg)
  • Julian Luster (JMU, Nachname folgt)
  • Daniel Hein (LaToDa)
  • Lars Osterbrink (LaToDa)
  • Olaf Mager (LaToDa)
  • Silke Körner (KIT)
  • Michael Stramm (BAM)
  • Christian Wendt (EduArt Robotik GmbH)
  • Markus Fenn (EduArt Robotik GmbH)


Ziele

Entwicklung eines autonomen, robotik-zentrierten Inspektionssystems für den Einsatz im Rotorblatt-Inneren. Ziel ist die objektive, wiederholgenaue und hochpräzise Detektion interner Defekte – etwa Delaminationen, Risse, Klebeversagen und Blitzschäden – für On- und Offshore-Anlagen.

Vorgehen

  • Autonomer Crawler mit Navigation im Blattinneren via LiDAR, IMU und fortgeschrittener 3D-Lokalisierung.
  • Multimodales Sensormodul: RGB-Kameras, passive IR-Thermografie für schnelle Flächenabdeckung, aktive Thermografie zur Sichtbarmachung von Subsurface-Defekten sowie hochauflösendes 3D-Laserscanning.
  • Echtzeit-Datenfusion: Thermografische/visuelle Daten werden direkt auf 3D-Geometrien gemappt; zweistufiger Prozess von der Primärinspektion zur zielgerichteten Hochpräzisionsanalyse.
  • KI-Analytics: Deep-Learning-basierte Objekterkennung und 3D-Punktwolkenanalyse (online/offline) für Anomalieerkennung, Schadklassifizierung und Visualisierung.
  • Kalibrierung & Benchmark: Feldtaugliche Kalibrierungsverfahren und ein standardisierter, offener Benchmark-Datensatz.


Nutzen für die Industrie

  • Erkennung interner Schäden, die visuell nicht zugänglich sind.
  • Höhere Detektionsqualität bis hin zu Frühstadien und Subsurface-Defekten.
  • Weniger Stillstand durch schnellere, gezielte Inspektionen; mehr Sicherheit durch Minimierung menschlicher Einfahrten.
  • Standardisierte, reproduzierbare Ergebnisse für bessere Vergleichbarkeit und Lifecycle-Entscheidungen.
  • Kostensenkung über den Lebenszyklus und verlängerte Blattlebensdauer; skalierbare Technologieplattform.


Konsortium & Rollen

  • LATODA: KI & Datenanalyse (Echtzeit-Anomalieerkennung, Klassifikation, Sensorfusion, ML-Pipelines).
  • EduArt Robotik GmbH (Koordinator): Mobile Roboterplattform – Mechanik, Lokomotion, Robustheit, Energieversorgung und Systemintegration auf ROS-Basis.
  • BAM: ZfP-Expertise und Thermografie (passiv/aktiv), Validierung und Transfer in Normung/Regulierung.
  • JMU Würzburg: Robotik-Forschung in SLAM, 3D-Laserscanning, Kalibrierung und Datenfusion für präzise autonome Navigation im Blatt.


Förderhinweis

Das Projekt läuft im Rahmen Digital GreenTech – Umwelttechnik trifft Robotik und wird durch das Bundesministerium für Forschung, Technologie und Raumfahrt gefördert.

Dank

Besonderer Dank gilt Saskia Ziemann und Silke Körner (KIT) für die tolle Unterstützung!