Lāzermateriālu apstrādē jau ir ieradusies pirmā mākslīgā intelekta lietojumprogrammu kārta. Otrā kārta ievērojami paātrinās mašīnmācīšanos. Vissvarīgākais: AI pārdod.
ANDREAS THOSS, REDAKTORI
Līdz šim AI ir guvis milzīgu progresu, pamatojoties uz tā spēju apstrādāt lielu datu apjomu. Piemēram, miljardu teksta dokumentu analīze noveda pie lielu valodas modeļu izstrādes, ar kuriem mēs sazināmies tā, it kā tie būtu cilvēki. Tas ir bijis solījums kopš datorzinātņu pirmsākumiem, kā arī tēma daudzās zinātniskās fantastikas grāmatās. Tas ir piepildījies tikai nesen.
Fraunhofera Lāzertehnoloģiju institūta ILT, Āhene, Vācija, atļauja.
Rūpniecībā AI ir paveicis vēl pārsteidzošākas lietas un pēdējā laikā ir kļuvis ievērojami ātrāks.
AI rūpniecībā
AI lietojumi rūpniecībā ievērojami pārsniedz valodu apstrādi (lai gan AI aģenti iekaro arī pārdevēju vietnes). Pirmkārt, tie palīdz automatizēt vairākus atšķirīgus attēlu apstrādes uzdevumus. Piemēram, vācu mašīnu izstrādātājs TRUMPF savai attēlu apstrādes programmatūrai piedāvā īpašu AI režīmu. Metinot ar matadatu elektromotoros, mākslīgais intelekts palīdz identificēt metināšanas partnerus (piemēram, matadatas), ja rodas grūtības attēla kontrasta, atspīdumu vai ēnu dēļ. Saskaņā ar TRUMPF sniegto informāciju risinājums ir palielinājis "pirmās -pārejas ienesīgumu" no 99,2% līdz 99,8%. Tas nozīmē par 4 reizēm mazāk “nepareizo” daļu.
Bet tas ir tikai sākums. Nākotnē AI izmantos datus no vairākiem avotiem un uzlabos produktivitāti pirms apstrādes, tās laikā un pēc tās. Tā spēja apstrādāt milzīgus datu apjomus ir īpaši savlaicīga, jo vairākas tendences izraisa arvien vairāk datu radīšanas rūpniecībā.
Viena no šādām tendencēm ir kvalitātes kontrole. Piemēram, automašīnu ražotāji var nofotografēt katru metinājuma šuvi un izsekot izturības problēmām līdz ražošanas procesiem. AI var atšķirt "labas" un "sliktas" metināšanas šuves, pamatojoties uz fotogrāfijām, kas savāktas ražošanas laikā. Šis ir iekļautas vai pēc-procesa procedūras piemērs, kas nodrošina datus visos kritiskajos ražošanas posmos. Protams, tas attiecas ne tikai uz automašīnu ražošanu.
Otra tendence ir saistīta ar digitālajiem dvīņiem. Pilnīgas iekārtas vai ražošanas iekārtas tiek simulētas digitālā pasaulē, kur datorā tiek simulēts pats metināšanas process. Reāli dati palīdz uzlabot šādus modeļus, lai gan to iegūtie dati būtībā ir sintētiski.
Abas tendences ir cieši saistītas ar AI attīstību. Kvalitātes kontrolē mašīnmācību (ML) izmanto, lai atdalītu labās un sliktās daļas. Iekārta uzzina, kuri parametri ir svarīgi, un operators vai programmētājs nosaka brīdinājumu sliekšņus vai laiku, kad iekārtai jāapstājas.
Ir pierādīta arī AI izmantošana pēc{0}procesa pārbaudēs. Piemēram, vācu uzņēmums Scansonic MI izmanto AI, lai attēlos identificētu labas un sliktas metināšanas šuves. Turpmākie pētījumi noteiks, kā "izmantot{3}}procesā" diagnostiku var izmantot slēgtā-cikla procesa kontrolei. Papildus attēlu apstrādei tas var ietvert spektrālos sensorus, lāzera triangulāciju 3D attēlveidošanai vai optiskās koherences tomogrāfiju metināšanas-dziļuma diagnostikai.
Metināšana ir spēcīgs piemērs, taču tas ir tikai viens. Šādu tehnoloģiju var (un tiks) izmantot visur, kur lietošanas gadījums ir pietiekami liels, lai attaisnotu ieguldījumu.
AI kvalitātes kontrolē galvenokārt tiek izmantots apstrādāto detaļu modeļa atpazīšanai. Lai aizvērtu vadības cilpu, mākslīgajam intelektam ir nepieciešamas zināšanas par procesu jau no paša sākuma. Tāpēc pētnieki izmanto procesa simulāciju(-as), kas tiek barotas ar pēc iespējas vairāk procesa parametru. Šeit AI ir vēl lielāks potenciāls - tas var savienot ievades un izvades parametrus. Piemēram, Zinātnes un tehnoloģiju iestāžu padomes Rutherford Appleton laboratorijas Centrālās lāzera iekārtas pētnieki Anglijā ir izmantojuši AI, lai optimizētu lāzera sistēmu plazmas paātrināšanai.1. Ir daudz pagriežamo pogu, un lāzera plazmas process ir ļoti nelineārs. AI palīdzēja zinātniekiem stabilizēt sistēmu un izveidot plazmas kanālu elektronu paātrinājumam.
Izmantojot rūpniecību, AI{0}}balstīta procesa simulācija varētu ļaut slēgt procesa vadības cilpu. AI zina, kuru pogu pagriezt, lai produkta kvalitāte atkal atbilstu specifikācijām. To var mācīties, praktiski eksperimentējot ar visām pogām un izpētot parametru ainavu. Šī uzdevuma risināšanai ir- labi zināmi modeļi.
Taču visu variantu pārbaude var būt laikietilpīga{0}} un{1}}enerģijaietilpīga. Interesants jautājums šajā brīdī ir saistīts ar iepriekšējām zināšanām: cik daudz ātrāk var kļūt AI mācīšanās, ja modelim tiek ievadīts tas, ko cilvēki jau zina par šo procesu?
AI tendences fotonikas nozarē
2025. gada . 2. oktobrī un 2025. gada 3. oktobrī Vācijas nozares asociācija SPECTARIS -, ko atbalstīja Fraunhofera Lāzertehnoloģiju institūts ILT (Fraunhofer ILT) un Federālā asociācija BITMi -, vadīja semināru par AI fotonikā. Dalībnieki bija no pētniecības iestādēm, tostarp no pašas Fraunhofer ILT, un vairākām universitātēm, bet galvenokārt no nozares, ar pārstāvjiem no Microsoft, ZEISS, TRUMPF, Audi, Precitec Vision, Bystronic, Blackbird Robotersysteme, 4D Photonics GmbH u.c. Lai gan dažās no 27 prezentācijām tika apspriests AI optiskajā dizainā, seminārs galvenokārt koncentrējās uz AI lietojumiem rūpnieciskajā lāzertehnoloģijā.
AI palīgi varētu palīdzēt lāzeroperatoriem atrast pareizo pamācību plašā zināšanu bāzē vai optimizēt lāzergriešanas trajektorijas plānošanu. Interesantāk ir tas, kā AI atbalsta sarežģītus lēmumus, piemēram, lāzermetināšanas vai lāzera piedevu ražošanas procesu kvalitātes kontrolē. Karlo Holijs, RWTH Āhenes Universitātes Optisko sistēmu tehnoloģiju nodaļas vadītājs un Fraunhofer ILT nodaļas vadītājs, savā plenārsēdes prezentācijā apkopoja galveno tendenci: "Mēs tagad pārejam no uz datiem-balstīta AI uz datiem- un fizikas-informētu AI."
Holija to paskaidroja ar piemēru no sava pētījuma. Fraunhofer ILT komanda iepriekš izstrādāja ātrgaitas lāzera materiālu uzklāšanas procesu (EHLA jeb ārkārtīgi ātrdarbīga materiāla uzklāšana ar lāzeru). Pārklājuma kvalitāti šajā procesā ietekmē vairāk nekā 100 parametri. Tādējādi procesa pārnešana uz citu materiālu parasti aizņem divus gadus ar 1500 eksperimentiem un analīzēm. Izmantojot procesa surogātmodeli un (Baijeza) AI optimizācijas modeli, Holijas komanda ievērojami samazināja testu skaitu: bija nepieciešami tikai 17 izmēģinājumi, lai atrastu optimālos procesa parametrus.2.
Protams, atbilstošu modeļu un stratēģiju atrašana ir nepārtraukts pētījumu priekšmets. Iepriecinoši pašreizējie pētījumi liecina, ka procesa optimizācijas laiks ir samazināts līdz minūtēm, nevis mēnešiem. Un, protams, automatizēta procesa optimizācija ir nākamais solis ceļā uz slēgtā{2}}cikla procesa kontroli.
ML ar 10 reizēm mazāk anotētiem datiem
Lai gan procesa optimizācija gūst labumu no iepriekšējām zināšanām, ML var gūt labumu no pretēja. Holija iepazīstināja ar šo pārsteidzošo faktu seminārā SPECTARIS ar ideju par anotāciju{1}}bezmaksas ML. Viņa kolēģis Jūlijs Neuss vēlāk demonstrēja, kā tas izskatās metināšanas procesa kvalitātes kontrolē, pamatojoties uz eksperimentiem, izmantojot alumīnija akumulatoru korpusu lāzermetināšanu.
Sākumā Neuß salīdzināja jauno pieeju ar klasisko uzraudzīto darbplūsmu. Uzraudzītā iestatījumā operatoriem ir manuāli jāanotē katra metināšanas šuves daļa: stieples pozīcija, kausējuma baseins, lodītes ģeometrija, poras un šļakatas (1. attēls). Pat nelielai datu kopai tas ātri kļūst-darbietilpīgs. Turklāt AI uzzina tikai to, kas ir skaidri marķēts, un tā noturību ierobežo gan anotētās datu kopas daudzveidība, gan kvalitāte.
