Първият кръг от приложения на AI вече е пристигнал в лазерната обработка на материали. Втори кръг ще ускори значително машинното обучение. Най-важното: AI продава.
АНДРЕАС ТОС, СЪДЕЙСТВУВАЩ РЕДАКТОР
Досега AI е постигнал огромен напредък въз основа на способността си да обработва големи количества данни. Анализирането на милиони текстови документи, например, доведе до разработването на големи езикови модели, с които общуваме, сякаш са хора. Това е обещание от ранните дни на компютърните науки, както и тема в много научнофантастични книги. То е изпълнено съвсем наскоро.
С любезното съдействие на Fraunhofer Institute for Laser Technology ILT, Аахен, Германия.
В индустрията изкуственият интелект постигна още по-удивителни неща и напоследък стана забележително по-бърз.
AI в индустрията
Приложенията на AI в индустрията далеч надхвърлят езиковата обработка (въпреки че AI агентите завладяват и уебсайтовете на доставчиците). Първо, те помагат за автоматизирането на няколко отделни задачи за обработка на изображения. Германският разработчик на машини TRUMPF, например, предлага специален AI режим за своя софтуер за обработка на изображения. За заваряване на фиби в електрически двигатели AI помага да се идентифицират партньорите за заваряване (като фиби), когато възникнат затруднения поради контраст, отражения или сенки в изображението. Според TRUMPF, решението е увеличило „производителността-при първо преминаване“ от 99,2% на 99,8%. Това се равнява на 4 пъти по-малко „недобре“ части.
Но това е само началото. В бъдеще AI ще използва данни от множество източници и ще подобрява производителността преди, по време и след обработката. Способността му да обработва огромни количества данни е особено навременна, тъй като няколко тенденции водят до създаване на все повече и повече данни в индустрията.
Една такава тенденция е контролът на качеството. Производителите на автомобили, например, могат да снимат всеки заваръчен шев и да проследят проблемите с издръжливостта до производствените процеси. AI може да прави разлика между „добри“ и „лоши“ заваръчни шевове въз основа на снимки, които са събрани по време на производството. Това е пример за вградена или след-процесна процедура, която произвежда данни през всички критични производствени стъпки. Разбира се, това се отнася за нещо повече от производството на автомобили.
Втората тенденция е свързана с цифровите близнаци. Цели машини или производствени съоръжения се симулират в дигитален свят, където самият процес на заваряване се симулира на компютъра. Реалните данни помагат за подобряване на такива модели, въпреки че данните, които те произвеждат, са по същество синтетични.
И двете тенденции са тясно свързани с еволюцията на AI. При контрола на качеството машинното обучение (ML) се използва за разделяне на добрите и лошите части. Машината научава кои параметри са важни и операторът или програмистът задава праговете за предупреждения или кога машината трябва да спре.
Използването на AI при ин-следпроцесни инспекции също е демонстрирано. Например немската компания Scansonic MI използва AI, за да идентифицира добри и лоши заваръчни шевове в изображенията. По-нататъшни изследвания ще определят как диагностиката „използване в-процеса“ може да се използва за контрол на процеса в затворен-контур. В допълнение към обработката на изображения, това може да включва спектрални сензори, лазерна триангулация за 3D изображения или оптична кохерентна томография за диагностика на дълбочината на заваръчните -заварки.
Заваряването е силен пример, но е само един. Такава технология може (и ще се използва) навсякъде, където случаят на употреба е достатъчно голям, за да оправдае инвестицията.
AI в контрола на качеството се използва предимно за разпознаване на модели на обработени части. За да затвори контролната верига, AI изисква познания за процеса от самото начало. Следователно изследователите използват симулация(и) на процес, захранвана с възможно най-много параметри на процеса. Тук AI има още по-голям потенциал - той може да свързва входни и изходни параметри. Изследователи от Централното лазерно съоръжение в лабораторията Rutherford Appleton на Съвета за научни и технологични съоръжения в Англия например са използвали AI за оптимизиране на лазерна система за плазмено ускорение1. Има много копчета за въртене, а лазерният плазмен процес е силно нелинеен. AI помогна на учените да стабилизират системата и да създадат плазмен канал за ускоряване на електрони.
Приложено към промишлеността, базираната на AI- симулация на процеси може да позволи затваряне на цикъла за контрол на процеса. AI знае кое копче да завърти, за да върне качеството на продукта към спецификациите. Може да се учи, като виртуално експериментира с всички копчета и изследва пейзажа на параметрите. Съществуват добре-известни модели за решаване на тази задача.
Но тестването на всички варианти може да отнеме време- и енергия-. Интересният въпрос в този момент е свързан с предишните знания: Колко по-бързо може да стане обучението с ИИ, ако моделът се захранва с това, което хората вече знаят за процеса?
Тенденции в ИИ във фотоникната индустрия
На . 2 октомври и 3 октомври 2025 г. германската индустриална асоциация SPECTARIS -, подкрепена от Fraunhofer Institute for Laser Technology ILT (Fraunhofer ILT) и Федералната асоциация BITMi - проведе семинар за ИИ във фотониката. Участниците бяха от изследователски институции, включително самия Fraunhofer ILT и няколко университета, но главно от индустрията, с представители на Microsoft, ZEISS, TRUMPF, Audi, Precitec Vision, Bystronic, Blackbird Robotersysteme, 4D Photonics GmbH и др. Докато някои от 27-те презентации обсъждаха AI в оптичния дизайн, семинарът се фокусира главно върху приложенията на AI в индустриалната лазерна технология.
Асистентите с изкуствен интелект могат да помогнат на лазерните оператори да намерят правилния урок в голяма база от знания или да оптимизират планирането на траекторията при лазерно рязане. По-интересно е как изкуственият интелект поддържа сложни решения, например при контрола на качеството на лазерно заваряване или процеси на лазерно адитивно производство. Карло Холи, председател на Технология на оптичните системи в университета RWTH в Аахен и ръководител на отдел във Fraunhofer ILT, обобщи основната тенденция в своята пленарна презентация: „Сега преминаваме от AI, базиран на данни-към AI- и физика-информиран AI.“
Холи обясни това с пример от свое изследване. Екип от Fraunhofer ILT преди това разработи процес за високо-скоростно лазерно отлагане на материал (EHLA или екстремно високо-скоростно лазерно отлагане на материал). Повече от 100 параметъра влияят върху качеството на покритието при този процес. По този начин прехвърлянето на процеса към друг материал обикновено отнема две години с 1500 експеримента и анализа. Използвайки сурогатен модел на процеса и (байесов) оптимизационен модел на AI, екипът на Холи намали значително броя на тестовете: Само 17 опита бяха необходими, за да се намерят оптималните параметри на процеса2.
Разбира се, намирането на правилните модели и стратегии е постоянен обект на изследване. Насърчаващо е, че текущите изследвания показват, че времето за оптимизация на процеса е намалено до минути, а не до месеци. И, разбира се, автоматизираната оптимизация на процеса е следващата стъпка към управлението на процесите в затворен-контур.
ML с 10 пъти по-малко анотирани данни
Докато оптимизацията на процесите се възползва от предварителни знания, ML може да се възползва от обратното. Холи представи този изненадващ факт на семинара на SPECTARIS с идеята за ML без{1}}анотации. Неговият колега, Julius Neuß, по-късно демонстрира как изглежда това при контрола на качеството на заваръчния процес, базирайки се на експерименти, използващи лазерно заваряване на корпуси на алуминиеви батерии.
Като отправна точка Neuß сравнява новия подход с класическия контролиран работен процес. При контролирана настройка операторите трябва да анотират ръчно всяка част от заваръчния шев: позиция на телта, вана за стопилка, геометрия на перлата, пори и пръски (Фигура 1). Дори за малък набор от данни това бързо става-трудоемко. Освен това AI научава само това, което е изрично обозначено, и неговата устойчивост е ограничена както от разнообразието, така и от качеството на анотирания набор от данни.
