Pierwsza runda zastosowań sztucznej inteligencji pojawiła się już w laserowej obróbce materiałów. Druga runda znacznie przyspieszy uczenie maszynowe. Co najważniejsze: sztuczna inteligencja sprzedaje.
ANDREAS THOSS, REDAKTOR WSPÓŁPRACUJĄCY
Jak dotąd sztuczna inteligencja poczyniła ogromne postępy dzięki swojej zdolności do przetwarzania dużych ilości danych. Na przykład analiza milionów dokumentów tekstowych doprowadziła do opracowania dużych modeli językowych, za pomocą których komunikujemy się tak, jakby byli ludźmi. Stanowiło to obietnicę od początków informatyki, a także stanowiło temat wielu książek science fiction. Spełniło się dopiero niedawno.
Dzięki uprzejmości Instytutu Fraunhofera Technologii Laserowej ILT, Aachen, Niemcy.
W przemyśle sztuczna inteligencja osiągnęła jeszcze bardziej zdumiewające rzeczy, a ostatnio stała się niezwykle szybsza.
AI w przemyśle
Zastosowania sztucznej inteligencji w przemyśle znacznie wykraczają poza przetwarzanie języka (chociaż agenci AI podbijają także strony internetowe dostawców). Po pierwsze, pomagają zautomatyzować kilka odrębnych zadań przetwarzania obrazu. Na przykład niemiecki konstruktor maszyn TRUMPF oferuje specjalny tryb AI dla swojego oprogramowania do przetwarzania obrazu. W przypadku spawania typu spinka do włosów w silnikach elektrycznych sztuczna inteligencja pomaga zidentyfikować partnerów spawalniczych (takich jak spinki do włosów), gdy pojawiają się trudności spowodowane kontrastem, odbiciami lub cieniami na obrazie. Według firmy TRUMPF rozwiązanie zwiększyło „wydajność-pierwszego przejścia” z 99,2% do 99,8%. Odpowiada to 4 razy mniej części „niew porządku”.
Ale to dopiero początek. W przyszłości sztuczna inteligencja będzie wykorzystywać dane z wielu źródeł i zwiększać produktywność przed, w trakcie i po przetwarzaniu. Jego zdolność do przetwarzania ogromnych ilości danych jest szczególnie aktualna, ponieważ kilka trendów prowadzi do tworzenia coraz większej liczby danych w przemyśle.
Jednym z takich trendów jest kontrola jakości. Na przykład producenci samochodów mogą sfotografować każdy szew spawalniczy i prześledzić problemy z trwałością w procesach produkcyjnych. Sztuczna inteligencja potrafi rozróżnić „dobre” i „złe” spoiny na podstawie zdjęć zebranych podczas produkcji. To jest przykład procedury inline lub post-procesu, która generuje dane na wszystkich krytycznych etapach produkcji. Oczywiście dotyczy to nie tylko produkcji samochodów.
Drugi trend związany jest z cyfrowymi bliźniakami. W cyfrowym świecie symulowane są kompletne maszyny lub zakłady produkcyjne, gdzie na komputerze symulowany jest sam proces spawania. Prawdziwe dane pomagają ulepszyć takie modele, chociaż generowane przez nie dane są zasadniczo syntetyczne.
Obydwa trendy są ściśle powiązane z ewolucją sztucznej inteligencji. W kontroli jakości uczenie maszynowe (ML) służy do oddzielania dobrych i złych części. Maszyna uczy się, które parametry są ważne, a operator lub programista ustawia progi ostrzeżeń lub momentu, w którym maszyna powinna się zatrzymać.
Wykazano również zastosowanie sztucznej inteligencji w-inspekcjach poprocesowych. Na przykład niemiecka firma Scansonic MI wykorzystuje sztuczną inteligencję do identyfikowania dobrych i złych szwów spawalniczych na obrazach. Dalsze badania pozwolą określić, w jaki sposób diagnostyka „wykorzystania w-procesie” może zostać wykorzystana do sterowania procesem w-pętli zamkniętej. Oprócz przetwarzania obrazu może to obejmować czujniki spektralne, triangulację laserową do obrazowania 3D lub optyczną tomografię koherentną do-diagnostyki głębokości spawu.
Spawanie jest mocnym przykładem, ale tylko jednym. Taka technologia może (i będzie) być stosowana wszędzie tam, gdzie przypadek użycia jest na tyle duży, że uzasadnia inwestycję.
Sztuczna inteligencja w kontroli jakości wykorzystywana jest przede wszystkim do rozpoznawania wzorów obrabianych części. Aby zamknąć pętlę sterowania, AI wymaga wiedzy o procesie od samego początku. Dlatego badacze korzystają z symulacji procesów zasilanych możliwie największą liczbą parametrów procesu. Tutaj sztuczna inteligencja ma jeszcze większy potencjał, - może łączyć parametry wejściowe i wyjściowe. Na przykład naukowcy z Central Laser Facility w laboratorium Rutherford Appleton w Anglii przy Radzie ds. Obiektów Naukowo-Technologicznych wykorzystali sztuczną inteligencję do optymalizacji systemu laserowego pod kątem przyspieszania plazmy1. Należy obrócić wiele pokręteł, a proces plazmy laserowej jest wysoce nieliniowy. Sztuczna inteligencja pomogła naukowcom ustabilizować system i stworzyć kanał plazmowy do przyspieszania elektronów.
Zastosowana w przemyśle symulacja procesów oparta-na sztuczną inteligencję może umożliwić zamknięcie pętli kontroli procesu. Sztuczna inteligencja wie, które pokrętło obrócić, aby przywrócić jakość produktu do specyfikacji. Może się uczyć poprzez wirtualne eksperymentowanie ze wszystkimi pokrętłami i eksplorowanie krajobrazu parametrów. Istnieją dobrze-znane modele umożliwiające rozwiązanie tego zadania.
Jednak testowanie wszystkich odmian może być- i{1}}energochłonne. Interesujące pytanie w tym miejscu odnosi się do wcześniejszej wiedzy: o ile szybsze może stać się uczenie się sztucznej inteligencji, jeśli model będzie zasilany tym, co ludzie już wiedzą o tym procesie?
Trendy AI w branży fotonicznej
W dniach. 2 i 3 października 2025 r. niemieckie stowarzyszenie branżowe SPECTARIS - wspierane przez Instytut Technologii Laserowej im. Fraunhofera ILT (Fraunhofer ILT) i stowarzyszenie federalne BITMi - przeprowadziło warsztaty na temat sztucznej inteligencji w fotonice. Uczestnicy pochodzili z instytucji badawczych, w tym samego Fraunhofer ILT i kilku uniwersytetów, ale głównie z przemysłu, z przedstawicielami firm Microsoft, ZEISS, TRUMPF, Audi, Precitec Vision, Bystronic, Blackbird Robotersysteme, 4D Photonics GmbH i nie tylko. Podczas gdy niektóre z 27 prezentacji omawiały sztuczną inteligencję w projektowaniu optycznym, warsztaty skupiały się głównie na zastosowaniach sztucznej inteligencji w przemysłowej technologii laserowej.
Asystenci AI mogą pomóc operatorom laserów znaleźć odpowiedni samouczek w dużej bazie wiedzy lub zoptymalizować planowanie trajektorii podczas cięcia laserowego. Bardziej interesujące jest to, w jaki sposób sztuczna inteligencja wspiera złożone decyzje, na przykład w kontroli jakości procesów spawania laserowego lub wytwarzania przyrostowego laserem. Carlo Holly, kierownik Katedry Technologii Systemów Optycznych na Uniwersytecie RWTH w Aachen i kierownik wydziału Fraunhofer ILT, podsumował główny trend w swojej prezentacji plenarnej: „Teraz przechodzimy od sztucznej inteligencji opartej na danych-w stronę sztucznej inteligencji opartej na danych- i-fizyce”.
Holly wyjaśniła to na przykładzie ze swoich badań. Zespół Fraunhofer ILT opracował wcześniej proces-laserowego osadzania materiału z dużą szybkością (EHLA, czyli ekstremalnie-szybkiego osadzania materiału laserowego). Na jakość powłoki w tym procesie wpływa ponad 100 parametrów. Zatem przeniesienie procesu na inny materiał zajmuje zwykle dwa lata przy 1500 eksperymentach i analizach. Korzystając z zastępczego modelu procesu i (Bayesowskiego) modelu optymalizacji AI, zespół Holly znacznie ograniczył liczbę testów: do znalezienia optymalnych parametrów procesu potrzebnych było tylko 17 prób2.
Oczywiście znalezienie odpowiednich modeli i strategii jest przedmiotem ciągłych badań. Co zachęcające, obecne badania wykazały, że czas optymalizacji procesu został skrócony do minut, a nie miesięcy. I oczywiście zautomatyzowana optymalizacja procesów to kolejny krok w stronę kontroli procesu w-pętli zamkniętej.
ML z 10 razy mniej danych z adnotacjami
Podczas gdy optymalizacja procesów czerpie korzyści z wcześniejszej wiedzy, ML może czerpać korzyści z czegoś przeciwnego. Holly przedstawiła ten zaskakujący fakt na warsztatach SPECTARIS, przedstawiając koncepcję-ML bez adnotacji. Jego kolega, Julius Neuß, zademonstrował później, jak to wygląda w kontroli jakości procesu spawania, w oparciu o eksperymenty ze spawaniem laserowym aluminiowych obudów akumulatorów.
Jako punkt wyjścia Neuß porównał nowe podejście z klasycznym nadzorowanym przepływem pracy. W przypadku konfiguracji nadzorowanej operatorzy muszą ręcznie opisywać każdą część szwu spawalniczego: położenie drutu, jeziorko stopionego materiału, geometrię ściegu, pory i odpryski (Rysunek 1). Nawet w przypadku małego zbioru danych szybko staje się to-pracochłonne. Co więcej, sztuczna inteligencja uczy się tylko tego, co jest wyraźnie oznaczone, a jej niezawodność jest ograniczona zarówno różnorodnością, jak i jakością zbioru danych z adnotacjami.
