Pusingan pertama aplikasi AI telah pun tiba dalam pemprosesan bahan laser. Pusingan kedua akan mempercepatkan pembelajaran mesin secara besar-besaran. Paling penting: AI menjual.
ANDREAS THOSS, EDITOR MENYUMBANG
Setakat ini, AI telah mencapai kemajuan yang luar biasa berdasarkan keupayaannya untuk memproses sejumlah besar data. Menganalisis berjuta-juta dokumen teks, sebagai contoh, membawa kepada pembangunan model bahasa besar yang kita berkomunikasi seolah-olah mereka adalah manusia. Ini telah menjadi janji sejak zaman awal sains komputer, serta tema dalam banyak buku fiksyen sains. Ia telah dipenuhi baru-baru ini.
Dengan hormat daripada Institut Fraunhofer untuk Teknologi Laser ILT, Aachen, Jerman.
Dalam industri, AI telah mencapai perkara yang lebih menakjubkan dan baru-baru ini menjadi lebih pantas.
AI dalam industri
Aplikasi AI dalam industri jauh melebihi pemprosesan bahasa (walaupun ejen AI menakluki tapak web vendor juga). Pertama, mereka membantu mengautomasikan beberapa tugas pemprosesan imej yang berbeza. Pembangun mesin Jerman TRUMPF, sebagai contoh, menawarkan mod AI khas untuk perisian pemprosesan imejnya. Untuk kimpalan penyepit rambut dalam motor elektrik, AI membantu mengenal pasti rakan kongsi kimpalan (seperti penyepit rambut) apabila masalah timbul akibat kontras, pantulan atau bayang-bayang dalam imej. Menurut TRUMPF, penyelesaian telah meningkatkan "hasil-pertama" daripada 99.2% kepada 99.8%. Ini bersamaan dengan 4× lebih sedikit bahagian "tidak okey".
Tetapi ini hanya permulaan. Pada masa hadapan, AI akan menggunakan data daripada pelbagai sumber dan meningkatkan produktiviti sebelum, semasa dan selepas pemprosesan. Keupayaannya untuk memproses sejumlah besar data adalah tepat pada masanya kerana beberapa arah aliran membawa kepada semakin banyak penciptaan data dalam industri.
Satu trend sedemikian ialah kawalan kualiti. Pengeluar kereta, sebagai contoh, boleh mengambil gambar setiap jahitan kimpalan dan mengesan masalah ketahanan pada proses pembuatan. AI boleh membezakan antara jahitan kimpalan "baik" dan "buruk" berdasarkan gambar yang dikumpul semasa pengeluaran. Ini ialah contoh prosedur sebaris, atau{3}}siaran, yang menghasilkan data sepanjang semua langkah pengeluaran kritikal. Sudah tentu, ia terpakai kepada lebih daripada pembuatan kereta.
Trend kedua adalah berkaitan dengan kembar digital. Mesin atau kemudahan pengeluaran yang lengkap disimulasikan dalam dunia digital, di mana proses kimpalan itu sendiri disimulasikan pada komputer. Data sebenar membantu memperbaik model sedemikian, walaupun data yang mereka hasilkan pada asasnya adalah sintetik.
Kedua-dua trend berkait rapat dengan evolusi AI. Dalam kawalan kualiti, pembelajaran mesin (ML) digunakan untuk mengasingkan bahagian yang baik dan buruk. Mesin mengetahui parameter yang penting, dan pengendali atau pengaturcara menetapkan ambang untuk amaran atau bila mesin harus berhenti.
Penggunaan AI dalam-pemeriksaan pasca proses juga telah ditunjukkan. Sebagai contoh, syarikat Jerman Scansonic MI menggunakan AI untuk mengenal pasti jahitan kimpalan yang baik dan buruk dalam imej. Penyelidikan lanjut akan menentukan cara diagnostik "penggunaan dalam-proses" boleh digunakan untuk-kawalan proses gelung tertutup. Selain pemprosesan imej, ini mungkin melibatkan penderia spektrum, triangulasi laser untuk pengimejan 3D atau tomografi koheren optik untuk diagnostik-kedalaman kimpalan.
Kimpalan adalah contoh yang kukuh, tetapi ia hanya satu. Teknologi sedemikian boleh (dan akan) digunakan di mana-mana tempat penggunaan cukup besar untuk mewajarkan pelaburan.
AI dalam kawalan kualiti digunakan terutamanya untuk pengecaman corak bahagian yang diproses. Untuk menutup gelung kawalan, AI memerlukan pengetahuan tentang proses dari awal lagi. Oleh itu, penyelidik menggunakan simulasi proses yang disuapkan dengan seberapa banyak parameter proses yang mungkin. Di sini, AI mempunyai potensi yang lebih besar - ia mungkin menyambungkan parameter input dan output. Penyelidik di Kemudahan Laser Pusat di Makmal Rutherford Appleton Majlis Kemudahan Sains dan Teknologi di England, sebagai contoh, telah menggunakan AI untuk mengoptimumkan sistem laser untuk pecutan plasma.1. Terdapat banyak tombol untuk diputar, dan proses plasma laser adalah sangat tidak linear. AI membantu para saintis menstabilkan sistem dan mewujudkan saluran plasma untuk pecutan elektron.
Digunakan pada industri, simulasi proses berasaskan AI-boleh membenarkan penutupan gelung untuk kawalan proses. AI tahu tombol mana yang perlu diputar untuk mengembalikan kualiti produk kepada spesifikasi. Ia boleh belajar dengan membuat percubaan hampir dengan semua tombol dan meneroka landskap parameter. Terdapat-model terkenal untuk menyelesaikan tugasan ini.
Tetapi menguji semua variasi boleh memakan masa- dan{1}}tenaga. Persoalan yang menarik pada ketika ini berkaitan dengan pengetahuan sedia ada: Sejauh manakah pembelajaran AI boleh menjadi lebih pantas jika model itu diberi apa yang manusia sudah tahu tentang proses itu?
Aliran AI dalam industri fotonik
Pada Okt. 2 dan 3, 2025, persatuan industri Jerman SPECTARIS - yang disokong oleh Fraunhofer Institute for Laser Technology ILT (Fraunhofer ILT) dan Persatuan Persekutuan BITMi - telah mengadakan bengkel tentang AI dalam fotonik. Peserta datang daripada institusi penyelidikan, termasuk Fraunhofer ILT sendiri, dan beberapa universiti, tetapi terutamanya daripada industri, dengan wakil daripada Microsoft, ZEISS, TRUMPF, Audi, Precitec Vision, Bystronic, Blackbird Robotersysteme, 4D Photonics GmbH dan banyak lagi. Walaupun sebahagian daripada 27 pembentangan membincangkan AI dalam reka bentuk optik, bengkel tersebut tertumpu terutamanya pada aplikasi AI dalam teknologi laser industri.
Pembantu AI boleh membantu pengendali laser mencari tutorial yang betul dalam pangkalan pengetahuan yang besar atau mengoptimumkan perancangan trajektori dalam pemotongan laser. Lebih menarik ialah bagaimana AI menyokong keputusan yang kompleks, contohnya, dalam kawalan kualiti kimpalan laser atau proses pembuatan aditif laser. Carlo Holly, pengerusi Teknologi Sistem Optik di RWTH Aachen University dan ketua jabatan di Fraunhofer ILT, meringkaskan arah aliran utama dalam pembentangan plenonya: "Kami kini beralih daripada AI berasaskan-data ke arah data- dan fizik-AI yang dimaklumkan."
Holly menjelaskan ini dengan contoh dari penyelidikannya. Satu pasukan di Fraunhofer ILT sebelum ini telah membangunkan proses untuk-pemendapan bahan laser berkelajuan tinggi (EHLA, atau pemendapan bahan laser berkelajuan tinggi-terlalu tinggi). Lebih daripada 100 parameter mempengaruhi kualiti salutan dalam proses ini. Oleh itu, pemindahan proses ke bahan lain biasanya mengambil masa dua tahun dengan 1500 eksperimen dan analisis. Menggunakan model pengganti proses dan model pengoptimuman AI (Bayesian), pasukan Holly mengurangkan bilangan ujian dengan ketara: Hanya 17 percubaan diperlukan untuk mencari parameter proses yang optimum2.
Sudah tentu, mencari model dan strategi yang sesuai adalah subjek penyelidikan yang berterusan. Yang menggalakkan, penyelidikan semasa telah menunjukkan bahawa masa untuk pengoptimuman proses telah dikurangkan kepada beberapa minit berbanding bulan. Dan, sudah tentu, pengoptimuman proses automatik ialah langkah seterusnya ke arah-kawalan proses gelung tertutup.
ML dengan data beranotasi 10× kurang
Walaupun pengoptimuman proses mendapat manfaat daripada pengetahuan sedia ada, ML mungkin mendapat manfaat daripada sebaliknya. Holly memperkenalkan fakta mengejutkan ini di bengkel SPECTARIS dengan idea ML percuma-anotasi. Rakan sekerjanya, Julius Neuß, kemudiannya menunjukkan rupa ini dalam kawalan kualiti proses kimpalan, berdasarkan eksperimen menggunakan kimpalan laser bagi perumah bateri aluminium.
Sebagai titik permulaan, Neuß membandingkan pendekatan baharu dengan aliran kerja penyeliaan klasik. Dalam persediaan yang diselia, pengendali mesti memberi anotasi setiap bahagian jahitan kimpalan secara manual: kedudukan wayar, kolam cair, geometri manik, liang dan percikan (Rajah 1). Walaupun untuk set data yang kecil, ini dengan cepat menjadi-intensif kerja. Selain itu, AI hanya mempelajari perkara yang dilabel secara eksplisit, dan keteguhannya dihadkan oleh kepelbagaian dan kualiti set data beranotasi.
