A lézeres anyagfeldolgozásban már megérkezett az AI alkalmazások első köre. A második kör nagymértékben felgyorsítja a gépi tanulást. A legfontosabb: az AI elad.
ANDREAS THOSS, SZERKESZTŐ
A mesterséges intelligencia eddig óriási előrehaladást ért el a nagy mennyiségű adat feldolgozásának képessége alapján. Több millió szöveges dokumentum elemzése például olyan nagy nyelvi modellek kifejlesztéséhez vezetett, amelyekkel úgy kommunikálunk, mintha emberek lennének. Ez ígéret a számítástechnika kezdetei óta, és számos tudományos-fantasztikus könyv témája. Nemrég teljesült.
A Fraunhofer Institute for Laser Technology ILT (Aachen, Németország) jóvoltából.
Az iparban a mesterséges intelligencia még elképesztőbb dolgokat ért el, és az utóbbi időben feltűnően gyorsabb lett.
AI az iparban
Az AI alkalmazásai az iparban messze meghaladják a nyelvi feldolgozást (bár az AI-ügynökök meghódítják a gyártók webhelyeit is). Először is, számos különböző képfeldolgozási feladat automatizálásában segítenek. A német gépfejlesztő TRUMPF például speciális AI módot kínál képfeldolgozó szoftveréhez. Elektromotorok hajtűhegesztésénél az AI segít azonosítani a hegesztési partnereket (például hajtűket), ha nehézségek merülnek fel a kép kontrasztja, tükröződései vagy árnyékai miatt. A TRUMPF szerint a megoldás 99,2%-ról 99,8%-ra növelte az "első -menetes hozamot". Ez 4-szer kevesebb "nem oké" résznek felel meg.
De ez még csak a kezdet. A jövőben az AI több forrásból származó adatokat használ majd, és javítja a termelékenységet a feldolgozás előtt, közben és után. Hatalmas adatmennyiség feldolgozására való képessége különösen időszerű, mivel számos trend vezet egyre több adat létrehozásához az iparban.
Az egyik ilyen irányzat a minőség-ellenőrzés. Az autógyártók például lefényképezhetik az egyes hegesztési varratokat, és nyomon követhetik a tartóssági problémákat a gyártási folyamatokban. A mesterséges intelligencia a gyártás során gyűjtött fényképek alapján megkülönbözteti a "jó" és a "rossz" hegesztési varratokat. Ez egy példa egy soron belüli vagy utólagos-folyamatra, amely az összes kritikus gyártási lépés során adatokat állít elő. Természetesen ez többre vonatkozik, mint az autógyártásra.
A második trend a digitális ikrekhez kapcsolódik. Komplett gépeket vagy gyártóberendezéseket szimulálnak egy digitális világban, ahol magát a hegesztési folyamatot szimulálják a számítógépen. A valós adatok segítenek javítani az ilyen modelleket, bár az általuk előállított adatok alapvetően szintetikusak.
Mindkét irányzat szorosan összefügg a mesterséges intelligencia fejlődésével. A minőségellenőrzésben a gépi tanulást (ML) használják a jó és a rossz részek elkülönítésére. A gép megtanulja, hogy mely paraméterek fontosak, és a kezelő vagy a programozó beállítja a figyelmeztetések küszöbét vagy azt, hogy mikor kell a gépnek leállnia.
A mesterséges intelligencia utólagos{0}}folyamatellenőrzésekben való felhasználását is kimutatták. Például a német Scansonic MI cég mesterséges intelligencia segítségével azonosítja a képeken a jó és rossz varratokat. További kutatások fogják meghatározni, hogy a „felhasználás a folyamatban” diagnosztika hogyan használható a zárt-hurkú folyamatvezérlésre. A képfeldolgozáson kívül ez magában foglalhat spektrális érzékelőket, lézeres háromszögelést a 3D-s képalkotáshoz, vagy optikai koherencia-tomográfiát a hegesztési -mélységi diagnosztikához.
A hegesztés jó példa, de csak egy. Az ilyen technológia mindenhol használható (és lesz is), ahol a felhasználási eset elég nagy ahhoz, hogy indokolja a beruházást.
A minőség-ellenőrzésben a mesterséges intelligencia elsősorban a feldolgozott alkatrészek mintázatfelismerésére szolgál. A vezérlőkör lezárásához a mesterséges intelligencia a kezdetektől fogva ismeri a folyamatot. Ezért a kutatók a lehető legtöbb folyamatparaméterrel táplált folyamatszimuláció(ka)t alkalmazzák. Itt az AI még nagyobb potenciállal rendelkezik, - összekapcsolhatja a bemeneti és kimeneti paramétereket. A Science and Technology Facilities Council angliai Rutherford Appleton Laboratóriumának Központi Lézerlétesítményének kutatói például mesterséges intelligencia segítségével optimalizálták a lézerrendszert a plazmagyorsításhoz.1. Sok gomb forgatható, és a lézerplazma-eljárás erősen nemlineáris. Az AI segített a tudósoknak stabilizálni a rendszert és létrehozni egy plazmacsatornát az elektrongyorsításhoz.
Az iparban alkalmazva az AI{0}}alapú folyamatszimuláció lehetővé teheti a folyamatvezérlési kör lezárását. Az AI tudja, melyik gombot kell elforgatni, hogy a termék minősége visszaálljon a specifikációra. Úgy tud tanulni, hogy gyakorlatilag kísérletezik az összes gombbal, és feltárja a paramétereket. Jól ismert modellek- léteznek ennek a feladatnak a megoldására.
Az összes változat tesztelése azonban idő-{0}} és energiaigényes{1}} lehet. Az érdekes kérdés ezen a ponton az előzetes tudáshoz kapcsolódik: mennyivel gyorsabbá válik az AI-tanulás, ha a modell azt táplálja, amit az emberek már tudnak a folyamatról?
AI trendek a fotonikai iparban
2025. október. 2 és 3-án a SPECTARIS - német ipari szövetség, amelyet a Fraunhofer Institute for Laser Technology ILT (Fraunhofer ILT) és a Szövetségi BITMi Szövetség - támogat, workshopot tartott a fotonika mesterséges intelligenciájáról. A résztvevők kutatóintézetektől, köztük magától a Fraunhofer ILT-től és több egyetemről, de főként az iparból érkeztek, a Microsoft, a ZEISS, a TRUMPF, az Audi, a Precitec Vision, a Bystronic, a Blackbird Robotersysteme, a 4D Photonics GmbH stb. képviselőivel. Míg a 27 előadás közül néhányan az optikai tervezésben használt mesterséges intelligenciát tárgyalták, a workshop főként az ipari lézertechnológia mesterséges intelligencia alkalmazásaira összpontosított.
Az AI-asszisztensek segíthetnek a lézeroperátoroknak megtalálni a megfelelő oktatóanyagot egy nagy tudásbázisban, vagy optimalizálhatják a pályatervezést a lézervágás során. Még érdekesebb, hogy a mesterséges intelligencia hogyan támogatja az összetett döntéseket, például a lézerhegesztés vagy a lézeradalékos gyártási folyamatok minőségellenőrzésében. Carlo Holly, az RWTH Aacheni Egyetem Optikai Rendszerek Technológiájának tanszékvezetője és a Fraunhofer ILT tanszékvezetője plenáris előadásában összefoglalta a fő tendenciát: "Most az adat-alapú mesterségesintelligencia helyett az adatokon- és a fizika-informált mesterségesintelligencia felé haladunk."
Holly ezt a kutatásából származó példával magyarázta. A Fraunhofer ILT egyik csapata korábban kifejlesztett egy eljárást a nagy-sebességű lézeres anyagleválasztásra (EHLA, vagy extrém nagy{2}}sebességű lézeres anyagleválasztás). Ebben a folyamatban több mint 100 paraméter befolyásolja a bevonat minőségét. Így a folyamat átvitele egy másik anyagra jellemzően két évig tart, 1500 kísérlettel és elemzéssel. A folyamat helyettesítő modelljét és egy (bayesi) AI optimalizálási modellt alkalmazva Holly csapata jelentősen csökkentette a tesztek számát: mindössze 17 kísérletre volt szükség az optimális folyamatparaméterek megtalálásához.2.
Természetesen a megfelelő modellek és stratégiák megtalálása folyamatos kutatási téma. Biztató, hogy a jelenlegi kutatások azt mutatják, hogy a folyamatok optimalizálásának ideje hónapok helyett percekre csökkent. És természetesen az automatizált folyamatoptimalizálás a következő lépés a zárt-hurkú folyamatvezérlés felé.
ML 10-szer kevesebb megjegyzéssel
Míg a folyamatoptimalizálás előnyére válik az előzetes tudás, az ML ennek az ellenkezőjéből profitálhat. Holly bemutatta ezt a meglepő tényt a SPECTARIS workshopon az annotation{1}}ingyenes ML ötletével. Kollégája, Julius Neuß később alumínium akkumulátorházak lézeres hegesztésével végzett kísérletek alapján bemutatta, hogyan is néz ki ez egy hegesztési folyamat minőségellenőrzése során.
Kiindulásként Neuß az új megközelítést a klasszikus felügyelt munkafolyamattal hasonlította össze. Felügyelt beállítás esetén a kezelőknek kézzel kell feljegyezniük a hegesztési varrat minden részét: a huzal helyzetét, az olvadékmedencét, a perem geometriáját, a pórusokat és a fröcsköléseket (1. ábra). Ez még egy kis adathalmaz esetén is gyorsan-munkaigényessé válik. Sőt, az AI csak azt tanulja meg, ami kifejezetten meg van jelölve, és robusztusságát korlátozza mind az annotált adatkészlet sokfélesége, mind minősége.
