Prvi krog aplikacij umetne inteligence je že prišel v lasersko obdelavo materialov. Drugi krog bo močno pospešil strojno učenje. Najpomembneje: AI prodaja.
ANDREAS THOSS, SODELUJOČI UREDNIK
Doslej je umetna inteligenca dosegla izjemen napredek na podlagi svoje sposobnosti obdelave velikih količin podatkov. Analiza na milijone besedilnih dokumentov je na primer vodila do razvoja velikih jezikovnih modelov, s katerimi komuniciramo, kot da bi bili ljudje. To je obljuba že od zgodnjih dni računalništva, pa tudi tema mnogih znanstvenofantastičnih knjig. Izpolnjena je bila šele pred kratkim.
Z dovoljenjem Fraunhoferjevega inštituta za lasersko tehnologijo ILT, Aachen, Nemčija.
V industriji je umetna inteligenca dosegla še več osupljivih stvari in je nedavno postala neverjetno hitrejša.
AI v industriji
Aplikacije umetne inteligence v industriji daleč presegajo jezikovno obdelavo (čeprav agenti umetne inteligence osvajajo tudi spletna mesta prodajalcev). Prvič, pomagajo avtomatizirati več različnih nalog obdelave slik. Nemški razvijalec strojev TRUMPF na primer ponuja poseben način AI za svojo programsko opremo za obdelavo slik. Pri varjenju lasnic v elektromotorjih umetna inteligenca pomaga prepoznati varilne partnerje (kot so lasnice), ko se pojavijo težave zaradi kontrasta, odsevov ali senc na sliki. Po besedah TRUMPF-a je rešitev povečala "izkoristek-prvega prehoda" z 99,2 % na 99,8 %. To pomeni 4× manj "nev redu" delov.
Ampak to je šele začetek. V prihodnosti bo AI uporabljal podatke iz več virov in izboljšal produktivnost pred, med in po obdelavi. Njegova zmožnost obdelave ogromnih količin podatkov je še posebej primerna, saj številni trendi vodijo k vse večjemu ustvarjanju podatkov v industriji.
Eden takih trendov je nadzor kakovosti. Proizvajalci avtomobilov lahko na primer fotografirajo vsak zvar in izsledijo težave z vzdržljivostjo do proizvodnih procesov. AI lahko razlikuje med "dobrimi" in "slabimi" zvari na podlagi fotografij, zbranih med proizvodnjo. To je primer vgrajenega ali naknadnega-postopka, ki proizvaja podatke v vseh kritičnih proizvodnih korakih. Seveda velja za več kot samo proizvodnjo avtomobilov.
Drugi trend je povezan z digitalnimi dvojčki. Celotni stroji oziroma proizvodni objekti so simulirani v digitalnem svetu, kjer se sam proces varjenja simulira na računalniku. Realni podatki pomagajo izboljšati takšne modele, čeprav so podatki, ki jih ustvarijo, v bistvu sintetični.
Oba trenda sta tesno povezana z razvojem umetne inteligence. Pri nadzoru kakovosti se strojno učenje (ML) uporablja za ločevanje dobrih in slabih delov. Stroj se nauči, kateri parametri so pomembni, operater ali programer pa nastavi pragove za opozorila ali čas, ko naj se stroj ustavi.
Prikazana je bila tudi uporaba umetne inteligence pri pregledih po-postopkih. Na primer, nemško podjetje Scansonic MI uporablja AI za prepoznavanje dobrih in slabih zvarov na slikah. Nadaljnje raziskave bodo določile, kako je mogoče diagnostiko "uporabi v-procesu" uporabiti za nadzor-procesa zaprte zanke. Poleg obdelave slik lahko to vključuje spektralne senzorje, lasersko triangulacijo za 3D slikanje ali optično koherentno tomografijo za-diagnostiko globine zvara.
Varjenje je močan primer, vendar je samo eden. Takšna tehnologija se lahko (in bo) uporablja povsod, kjer je primer uporabe dovolj velik, da upraviči naložbo.
AI pri nadzoru kakovosti se uporablja predvsem za prepoznavanje vzorcev obdelanih delov. Za zapiranje krmilne zanke potrebuje AI znanje o procesu od samega začetka. Zato raziskovalci uporabljajo simulacije procesov, ki jih napajajo s čim več procesnimi parametri. Tukaj ima AI še večji potencial - lahko poveže vhodne in izhodne parametre. Raziskovalci v Central Laser Facility v Rutherford Appleton Laboratory of the Science and Technology Facilities Council v Angliji so na primer uporabili AI za optimizacijo laserskega sistema za pospeševanje plazme1. Obstaja veliko gumbov, ki jih je treba vrteti, proces laserske plazme pa je zelo nelinearen. Umetna inteligenca je znanstvenikom pomagala stabilizirati sistem in vzpostaviti plazemski kanal za pospeševanje elektronov.
V industriji bi lahko simulacija procesov, ki temelji-na umetni inteligenci, omogočila zaprtje zanke za nadzor procesa. Umetna inteligenca ve, kateri gumb obrniti, da kakovost izdelka vrne na specifikacijo. Uči se lahko tako, da virtualno eksperimentira z vsemi gumbi in raziskuje pokrajino parametrov. Za rešitev te naloge obstajajo -dobro znani modeli.
Toda preizkušanje vseh različic je lahko zamudno- in energije-. Zanimivo vprašanje na tej točki se nanaša na predhodno znanje: koliko hitrejše lahko postane učenje AI, če se model napaja s tem, kar ljudje že vedo o procesu?
Trendi AI v industriji fotonike
. 2 in 3. oktobra 2025 je nemško industrijsko združenje SPECTARIS - ob podpori Fraunhoferjevega inštituta za lasersko tehnologijo ILT (Fraunhofer ILT) in zveznega združenja BITMi - izvedlo delavnico o umetni inteligenci v fotoniki. Udeleženci so prihajali iz raziskovalnih ustanov, vključno s samim Fraunhofer ILT, in več univerz, vendar predvsem iz industrije, s predstavniki Microsofta, ZEISS-a, TRUMPF-a, Audija, Precitec Visiona, Bystronica, Blackbird Robotersysteme, 4D Photonics GmbH in drugih. Medtem ko je nekaj od 27 predstavitev razpravljalo o AI v optičnem oblikovanju, se je delavnica osredotočila predvsem na aplikacije AI v industrijski laserski tehnologiji.
Pomočniki z umetno inteligenco bi lahko laserskim operaterjem pomagali najti pravo vadnico v veliki bazi znanja ali optimizirati načrtovanje poti pri laserskem rezanju. Bolj zanimivo je, kako umetna inteligenca podpira kompleksne odločitve, na primer pri nadzoru kakovosti laserskega varjenja ali laserskih aditivnih proizvodnih procesov. Carlo Holly, katedra za tehnologijo optičnih sistemov na Univerzi RWTH Aachen in vodja oddelka na Fraunhofer ILT, je v svoji plenarni predstavitvi povzel glavni trend: »Zdaj se premikamo od umetne inteligence,-ki temelji na podatkih, k umetni inteligenci,- ki temelji na podatkih- in fiziki-."
Holly je to pojasnil s primerom iz svoje raziskave. Ekipa pri Fraunhofer ILT je pred tem razvila postopek za-hitro lasersko nanašanje materiala (EHLA ali ekstremno visoko-hitrostno lasersko nanašanje materiala). Na kakovost premaza pri tem procesu vpliva več kot 100 parametrov. Tako prenos postopka na drug material običajno traja dve leti s 1500 poskusi in analizami. Z uporabo nadomestnega modela procesa in (Bayesovega) optimizacijskega modela umetne inteligence je Hollyjeva ekipa znatno zmanjšala število testov: samo 17 poskusov je bilo potrebnih za iskanje optimalnih parametrov procesa2.
Seveda je iskanje ustreznih modelov in strategij stalen predmet raziskav. Spodbudno je, da so trenutne raziskave pokazale, da se je čas za optimizacijo procesov zmanjšal na minute in ne na mesece. In seveda je avtomatizirana optimizacija procesov naslednji korak k-kontroli procesov v zaprti zanki.
ML z 10× manj označenimi podatki
Medtem ko optimizaciji procesov koristi predhodno znanje, lahko ML koristi nasprotno. Holly je to presenetljivo dejstvo predstavila na delavnici SPECTARIS z idejo o-avtografskem strojnem jeziku. Njegov kolega Julius Neuß je kasneje na podlagi poskusov z laserskim varjenjem aluminijastih baterijskih ohišij pokazal, kako to izgleda pri kontroli kakovosti varilnega postopka.
Kot izhodišče je Neuß primerjal nov pristop s klasičnim nadzorovanim potekom dela. V nadzorovani nastavitvi morajo operaterji ročno označiti vsak del zvara: položaj žice, bazen taline, geometrijo kroglice, pore in brizganje (slika 1). Tudi za majhen nabor podatkov to hitro postane delovno-intenzivno. Poleg tega se umetna inteligenca nauči samo tistega, kar je izrecno označeno, njena robustnost pa je omejena z raznolikostjo in kakovostjo označenega niza podatkov.
