Первый раунд приложений ИИ уже появился в области лазерной обработки материалов. Второй раунд значительно ускорит машинное обучение. Самое главное: ИИ продает.
АНДРЕАС ТОСС, СОТРУДНИК-РЕДАКТОР
На сегодняшний день ИИ добился огромного прогресса благодаря своей способности обрабатывать большие объемы данных. Например, анализ миллионов текстовых документов привел к разработке больших языковых моделей, с которыми мы общаемся, как если бы они были людьми. Это было обещанием с самого начала компьютерных наук, а также темой многих научно-фантастических книг. Оно было выполнено лишь недавно.
С разрешения Института лазерных технологий Фраунгофера ILT, Аахен, Германия.
В промышленности ИИ достиг еще более удивительных результатов и в последнее время стал значительно быстрее.
ИИ в промышленности
Применение ИИ в промышленности намного превосходит языковую обработку (хотя агенты ИИ завоевывают и веб-сайты поставщиков). Во-первых, они помогают автоматизировать несколько отдельных задач обработки изображений. Например, немецкий разработчик оборудования TRUMPF предлагает специальный режим искусственного интеллекта для своего программного обеспечения для обработки изображений. При сварке шпилек в электродвигателях искусственный интеллект помогает идентифицировать сварочные партнеры (например, шпильки), когда возникают трудности из-за контраста, отражений или теней на изображении. По данным TRUMPF, это решение позволило повысить «выход с первого-прохода» с 99,2% до 99,8%. Это означает, что в 4 раза меньше «ненормальных» деталей.
Но это только начало. В будущем ИИ будет использовать данные из нескольких источников и повышать производительность до, во время и после обработки. Его способность обрабатывать огромные объемы данных особенно актуальна, поскольку несколько тенденций приводят к созданию все большего количества данных в промышленности.
Одной из таких тенденций является контроль качества. Производители автомобилей, например, могут сфотографировать каждый сварной шов и выявить проблемы, связанные с долговечностью, в производственных процессах. ИИ может различать «хорошие» и «плохие» сварные швы на основе фотографий, собранных во время производства. Это пример встроенной или пост-процессной процедуры, которая генерирует данные на всех критических этапах производства. Конечно, это касается не только автомобилестроения.
Вторая тенденция связана с цифровыми двойниками. Полные машины или производственные мощности моделируются в цифровом мире, где сам процесс сварки моделируется на компьютере. Реальные данные помогают улучшить такие модели, хотя данные, которые они производят, по сути являются синтетическими.
Обе тенденции тесно связаны с эволюцией искусственного интеллекта. В контроле качества машинное обучение (МО) используется для разделения хороших и плохих частей. Машина узнает, какие параметры важны, а оператор или программист устанавливает пороговые значения для предупреждений или того, когда машина должна остановиться.
Также было продемонстрировано использование ИИ при после-проверках процесса. Например, немецкая компания Scansonic MI использует искусственный интеллект для определения хороших и плохих сварных швов на изображениях. Дальнейшие исследования позволят определить, как диагностику «использования в-процессе» можно использовать для управления процессом в замкнутом-цикле. Помимо обработки изображений, это может включать в себя спектральные датчики, лазерную триангуляцию для 3D-изображений или оптическую когерентную томографию для диагностики глубины сварного шва-.
Сварка является ярким примером, но это только один. Такая технология может (и будет) использоваться везде, где сценарий использования достаточно велик, чтобы оправдать инвестиции.
ИИ в контроле качества в основном используется для распознавания образов обрабатываемых деталей. Чтобы замкнуть контур управления, ИИ требует знания о процессе с самого начала. Поэтому исследователи используют моделирование процессов с максимально возможным количеством параметров процесса. Здесь у ИИ еще больший потенциал - он может соединять входные и выходные параметры. Например, исследователи из Центральной лазерной установки в лаборатории Резерфорда Эпплтона Совета по науке и технологиям в Англии использовали искусственный интеллект для оптимизации лазерной системы для ускорения плазмы.1. Нужно вращать множество ручек, а процесс лазерной плазмы очень нелинейный. ИИ помог ученым стабилизировать систему и создать плазменный канал для ускорения электронов.
Применительно к промышленности моделирование процессов на основе-ИИ может позволить замкнуть цикл управления процессом. ИИ знает, какую ручку повернуть, чтобы вернуть качество продукции на должное качество. Его можно обучать, виртуально экспериментируя со всеми ручками и исследуя ландшафт параметров. Для решения этой задачи существуют хорошо-известные модели.
Однако тестирование всех вариантов может занять- и энергию-затраты времени. Интересный вопрос на данном этапе касается предварительных знаний: насколько быстрее может стать обучение ИИ, если в модель будет введено то, что люди уже знают об этом процессе?
Тенденции искусственного интеллекта в фотонике
. 2 и 3 октября 2025 г. немецкая промышленная ассоциация SPECTARIS - при поддержке Института лазерных технологий Фраунгофера ILT (Fraunhofer ILT) и Федеральной ассоциации BITMi - провела семинар по искусственному интеллекту в фотонике. В мероприятии приняли участие представители исследовательских институтов, в том числе самого Fraunhofer ILT, а также нескольких университетов, но в основном представители промышленности: представители Microsoft, ZEISS, TRUMPF, Audi, Precitec Vision, Bystronic, Blackbird Robotersysteme, 4D Photonics GmbH и других. Хотя в некоторых из 27 презентаций обсуждался искусственный интеллект в оптическом дизайне, семинар в основном был посвящен приложениям искусственного интеллекта в промышленных лазерных технологиях.
Помощники с искусственным интеллектом могут помочь операторам лазеров найти подходящее учебное пособие в большой базе знаний или оптимизировать планирование траектории лазерной резки. Еще интереснее то, как ИИ поддерживает сложные решения, например, при контроле качества лазерной сварки или процессов лазерного аддитивного производства. Карло Холли, заведующий кафедрой технологии оптических систем в RWTH Ахенского университета и заведующий кафедрой Fraunhofer ILT, в своей пленарной презентации резюмировал основную тенденцию: «Сейчас мы переходим от ИИ,-основанного на данных, к ИИ, основанному на данных- и физике-».
Холли объяснил это на примере из своего исследования. Команда Fraunhofer ILT ранее разработала процесс высокоскоростного-лазерного осаждения материала (EHLA, или сверхвысоко-скоростное лазерное осаждение материала). На качество покрытия в этом процессе влияют более 100 параметров. Таким образом, перенос процесса на другой материал обычно занимает два года с проведением 1500 экспериментов и анализов. Используя суррогатную модель процесса и (байесовскую) модель оптимизации искусственного интеллекта, команда Холли значительно сократила количество тестов: для определения оптимальных параметров процесса потребовалось всего 17 испытаний.2.
Конечно, поиск подходящих моделей и стратегий является постоянным предметом исследований. Обнадеживает тот факт, что текущие исследования показали, что время оптимизации процесса сократилось до минут, а не месяцев. И, конечно же, автоматическая оптимизация процессов — это следующий шаг к управлению процессами по замкнутому-циклу.
Машинное обучение с в 10 раз меньшим количеством аннотированных данных
В то время как оптимизация процессов выигрывает от предварительных знаний, ML может извлечь выгоду из противоположного. Холли представила этот удивительный факт на семинаре SPECTARIS, рассказывая о-свободном машинном обучении. Его коллега Юлиус Нойс позже продемонстрировал, как это выглядит при контроле качества сварочного процесса, на основе экспериментов с использованием лазерной сварки алюминиевых корпусов аккумуляторов.
В качестве отправной точки Нойс сравнил новый подход с классическим контролируемым рабочим процессом. При контролируемой установке операторы должны вручную комментировать каждую часть сварного шва: положение проволоки, ванну расплава, геометрию валика, поры и брызги (рис. 1). Даже для небольшого набора данных это быстро становится-трудозатратным. Более того, ИИ изучает только то, что явно помечено, а его надежность ограничена как разнообразием, так и качеством набора аннотированных данных.
