Prvé kolo aplikácií AI už dorazilo do laserového spracovania materiálov. Druhé kolo výrazne urýchli strojové učenie. A čo je najdôležitejšie: AI predáva.
ANDREAS THOSS, PRISPIEVAJÚCI REDAKTOR
Umelá inteligencia doteraz urobila obrovský pokrok na základe svojej schopnosti spracovať veľké množstvo údajov. Analýza miliónov textových dokumentov napríklad viedla k vývoju veľkých jazykových modelov, s ktorými komunikujeme ako s ľuďmi. To bol prísľub už od počiatkov počítačovej vedy, ako aj téma v mnohých knihách sci-fi. Splnilo sa to len nedávno.
S láskavým dovolením Fraunhofer Institute for Laser Technology ILT, Aachen, Nemecko.
V priemysle dokázala AI ešte úžasnejšie veci a nedávno sa stala pozoruhodne rýchlejšou.
AI v priemysle
Aplikácie AI v priemysle ďaleko presahujú spracovanie jazyka (hoci agenti AI dobývajú aj webové stránky predajcov). Po prvé, pomáhajú automatizovať niekoľko rôznych úloh spracovania obrazu. Napríklad nemecký vývojár strojov TRUMPF ponúka špeciálny režim AI pre svoj softvér na spracovanie obrazu. Pri zváraní vláseniek v elektromotoroch pomáha AI identifikovať zváracích partnerov (napríklad vlásenky), keď sa vyskytnú ťažkosti v dôsledku kontrastu, odrazov alebo tieňov v obraze. Podľa spoločnosti TRUMPF toto riešenie zvýšilo „výťažok prvého-prechodu“ z 99,2 % na 99,8 %. To sa rovná 4× menšiemu počtu „nie je v poriadku“ častí.
Ale toto je len začiatok. V budúcnosti bude AI využívať údaje z viacerých zdrojov a zlepšiť produktivitu pred, počas a po spracovaní. Jeho schopnosť spracovávať obrovské množstvo údajov je obzvlášť aktuálna, pretože niekoľko trendov vedie k vytváraniu čoraz väčšieho množstva údajov v priemysle.
Jedným z takýchto trendov je kontrola kvality. Výrobcovia automobilov môžu napríklad fotografovať každý zvarový šev a sledovať problémy s trvanlivosťou vo výrobných procesoch. Umelá inteligencia dokáže rozlíšiť „dobré“ a „zlé“ zvarové švy na základe fotografií, ktoré sa zbierajú počas výroby. Toto je príklad inline alebo post{3}}procesného postupu, ktorý vytvára údaje vo všetkých kritických výrobných krokoch. Týka sa to samozrejme nielen výroby automobilov.
Druhý trend súvisí s digitálnymi dvojčatami. Kompletné stroje alebo výrobné zariadenia sa simulujú v digitálnom svete, kde sa na počítači simuluje samotný proces zvárania. Skutočné údaje pomáhajú zlepšovať takéto modely, hoci údaje, ktoré vytvárajú, sú v podstate syntetické.
Oba trendy sú úzko späté s vývojom AI. Pri kontrole kvality sa strojové učenie (ML) používa na oddelenie dobrých a zlých častí. Stroj sa naučí, ktoré parametre sú dôležité, a operátor alebo programátor nastaví prahové hodnoty pre výstrahy alebo pre čas, kedy sa má stroj zastaviť.
Ukázalo sa aj použitie AI pri kontrolách po{0}}procese. Napríklad nemecká spoločnosť Scansonic MI používa AI na identifikáciu dobrých a zlých zvarov na obrázkoch. Ďalší výskum určí, ako možno použiť diagnostiku „použitie v{3}}procese“ na riadenie procesov v uzavretom-cykle. Okrem spracovania obrazu to môže zahŕňať spektrálne senzory, laserovú trianguláciu na 3D zobrazovanie alebo optickú koherentnú tomografiu na diagnostiku hĺbky zvaru-.
Zváranie je silný príklad, ale je len jeden. Takáto technológia sa môže (a bude) používať všade tam, kde je prípad použitia dostatočne veľký na to, aby odôvodnil investíciu.
AI pri kontrole kvality sa primárne používa na rozpoznávanie vzorov spracovaných dielov. Na uzavretie riadiacej slučky AI vyžaduje znalosti o procese od samého začiatku. Preto výskumníci používajú procesnú simuláciu (simulácie) s čo najväčším počtom parametrov procesu. Tu má AI ešte väčší potenciál - môže spájať vstupné a výstupné parametre. Napríklad výskumníci z Central Laser Facility v laboratóriu Rutherford Appleton Laboratory Rady pre vedu a technológie v Anglicku použili AI na optimalizáciu laserového systému na zrýchlenie plazmy.1. Je potrebné otáčať mnohými gombíkmi a proces laserovej plazmy je vysoko nelineárny. AI pomohla vedcom stabilizovať systém a vytvoriť plazmový kanál na zrýchlenie elektrónov.
Simulácia procesov založená na umelej inteligencii-, aplikovaná v priemysle, by mohla umožniť uzavretie slučky pre riadenie procesov. Umelá inteligencia vie, ktorým gombíkom sa má otočiť, aby sa kvalita produktu vrátila späť na špecifikáciu. Môže sa učiť virtuálnym experimentovaním so všetkými gombíkmi a skúmaním krajiny parametrov. Na vyriešenie tejto úlohy-existujú známe modely.
Testovanie všetkých variácií však môže byť náročné na čas{0}} a energiu-. Zaujímavá otázka v tomto bode súvisí s predchádzajúcimi znalosťami: O koľko rýchlejšie sa môže učenie AI stať, ak sa model kŕmi tým, čo už ľudia o procese vedia?
Trendy AI vo fotonike
Nemecká priemyselná asociácia SPECTARIS - podporovaná Fraunhoferovým inštitútom pre laserové technológie ILT (Fraunhofer ILT) a Spolkovou asociáciou BITMi - zorganizovala v dňoch októbra{0}} a 3. októbra 2025 workshop o AI vo fotonike. Účastníci prišli z výskumných inštitúcií, vrátane samotnej Fraunhofer ILT, a niekoľkých univerzít, ale najmä z priemyslu, so zástupcami spoločností Microsoft, ZEISS, TRUMPF, Audi, Precitec Vision, Bystronic, Blackbird Robotersysteme, 4D Photonics GmbH a ďalších. Zatiaľ čo niektoré z 27 prezentácií diskutovali o AI v optickom dizajne, workshop sa zameral najmä na aplikácie AI v priemyselnej laserovej technológii.
Asistenti AI by mohli pomôcť laserovým operátorom nájsť ten správny návod vo veľkej znalostnej báze alebo optimalizovať plánovanie trajektórie pri laserovom rezaní. Zaujímavejšie je, ako AI podporuje komplexné rozhodnutia, napríklad v oblasti kontroly kvality laserového zvárania alebo procesov výroby laserových aditív. Carlo Holly, predseda Technology of Optical Systems na RWTH Aachen University a vedúci oddelenia na Fraunhofer ILT, zhrnul hlavný trend vo svojej plenárnej prezentácii: „Teraz prechádzame od dátovej-umelej inteligencie k dátam- a fyzike-informovanej AI.“
Holly to vysvetlil na príklade zo svojho výskumu. Tím spoločnosti Fraunhofer ILT predtým vyvinul proces na vysokorýchlostné nanášanie laserového materiálu (EHLA alebo extrémne vysokorýchlostné nanášanie laserom-). Kvalitu povlaku v tomto procese ovplyvňuje viac ako 100 parametrov. Prenos procesu na iný materiál teda zvyčajne trvá dva roky s 1500 experimentmi a analýzami. Pomocou náhradného modelu procesu a (Bayesovho) modelu optimalizácie AI Hollyho tím výrazne znížil počet testov: Na nájdenie optimálnych parametrov procesu bolo potrebných iba 17 pokusov.2.
Samozrejme, hľadanie správnych modelov a stratégií je neustálym predmetom výskumu. Povzbudivé je, že súčasný výskum ukázal, že čas na optimalizáciu procesov sa skrátil na minúty a nie na mesiace. A samozrejme, automatizovaná optimalizácia procesov je ďalším krokom k riadeniu procesov v uzavretom-cykle.
ML s 10× menej anotovanými údajmi
Zatiaľ čo optimalizácia procesov ťaží z predchádzajúcich znalostí, ML môže ťažiť z opaku. Holly predstavila tento prekvapivý fakt na workshope SPECTARIS s myšlienkou anotačného-bezplatného ML. Jeho kolega Julius Neuß neskôr predviedol, ako to vyzerá pri kontrole kvality zváracieho procesu na základe experimentov s laserovým zváraním hliníkových krytov batérií.
Ako východiskový bod Neuß porovnal nový prístup s klasickým kontrolovaným pracovným postupom. V kontrolovanom nastavení musia operátori ručne označiť každú časť zvarového švu: polohu drôtu, kúpeľ taveniny, geometriu guľôčok, póry a rozstreky (obrázok 1). Dokonca aj v prípade malého súboru údajov sa to rýchlo stane-náročným na prácu. Okrem toho sa AI učí iba to, čo je výslovne označené, a jej robustnosť je obmedzená rozmanitosťou aj kvalitou súboru anotovaných údajov.
