První kolo aplikací umělé inteligence již dorazilo do laserového zpracování materiálů. Druhé kolo výrazně urychlí strojové učení. A co je nejdůležitější: AI prodává.
ANDREAS THOSS, PŘISPÍVAJÍCÍ REDAKTOR
Umělá inteligence zatím udělala obrovský pokrok na základě své schopnosti zpracovávat velké množství dat. Analýza milionů textových dokumentů například vedla k vývoji velkých jazykových modelů, s nimiž komunikujeme jako s lidmi. To byl příslib od počátků informatiky a také téma v mnoha knihách sci-fi. Ta se naplnila teprve nedávno.
S laskavým svolením Fraunhofer Institute for Laser Technology ILT, Aachen, Německo.
V průmyslu umělá inteligence dokázala ještě úžasnější věci a v poslední době se stala pozoruhodně rychlejší.
AI v průmyslu
Aplikace AI v průmyslu daleko převyšují jazykové zpracování (ačkoli agenti AI dobývají i weby prodejců). Za prvé pomáhají automatizovat několik různých úloh zpracování obrazu. Například německý vývojář strojů TRUMPF nabízí speciální režim AI pro svůj software pro zpracování obrazu. U vlásenkového svařování v elektromotorech pomáhá AI identifikovat svařovací partnery (jako jsou vlásenky), když nastanou potíže kvůli kontrastu, odrazům nebo stínům v obraze. Podle společnosti TRUMPF toto řešení zvýšilo „výtěžnost prvního-průchodu“ z 99,2 % na 99,8 %. To se rovná 4× méně „není v pořádku“ dílů.
Ale to je jen začátek. V budoucnu bude umělá inteligence využívat data z více zdrojů a zvyšovat produktivitu před zpracováním, během něj a po něm. Jeho schopnost zpracovávat obrovské množství dat je obzvláště aktuální, protože několik trendů vede k vytváření stále většího množství dat v průmyslu.
Jedním z takových trendů je kontrola kvality. Výrobci automobilů mohou například vyfotografovat každý svar a vysledovat problémy s trvanlivostí ve výrobních procesech. Umělá inteligence dokáže rozlišit „dobré“ a „špatné“ svary na základě fotografií, které jsou shromážděny během výroby. Toto je příklad inline neboli post{3}}procesního postupu, který vytváří data ve všech kritických produkčních krocích. Týká se to samozřejmě nejen výroby automobilů.
Druhý trend souvisí s digitálními dvojčaty. Kompletní stroje nebo výrobní zařízení jsou simulovány v digitálním světě, kde je na počítači simulován samotný proces svařování. Skutečná data pomáhají takové modely vylepšovat, ačkoli data, která produkují, jsou v podstatě syntetická.
Oba trendy jsou úzce spjaty s vývojem umělé inteligence. Při kontrole kvality se strojové učení (ML) používá k oddělení dobrých a špatných částí. Stroj se naučí, které parametry jsou důležité, a operátor nebo programátor nastaví prahové hodnoty pro varování nebo pro to, kdy se má stroj zastavit.
Bylo také prokázáno použití umělé inteligence při kontrolách po{0}}procesu. Například německá společnost Scansonic MI používá AI k identifikaci dobrých a špatných svarů na snímcích. Další výzkum určí, jak lze diagnostiku „použití v{3}}procesu“ použít pro řízení procesů v uzavřeném-cyklu. Kromě zpracování obrazu to může zahrnovat spektrální senzory, laserovou triangulaci pro 3D zobrazování nebo optickou koherentní tomografii pro diagnostiku hloubky svaru-.
Svařování je silný příklad, ale je to jen jeden. Taková technologie může být (a bude) použita všude tam, kde je případ použití dostatečně velký, aby ospravedlnil investici.
AI v kontrole kvality se primárně používá pro rozpoznávání vzorů zpracovávaných dílů. K uzavření řídicí smyčky vyžaduje umělá inteligence znalosti o procesu od samého začátku. Proto výzkumníci používají procesní simulaci (simulace) s co největším počtem procesních parametrů. Zde má AI ještě větší potenciál - může propojit vstupní a výstupní parametry. Například výzkumníci z Central Laser Facility v laboratoři Rutherford Appleton Laboratory Rady pro vědu a technologie v Anglii použili umělou inteligenci k optimalizaci laserového systému pro urychlení plazmatu.1. Existuje mnoho knoflíků, které lze otáčet, a proces laserové plazmy je vysoce nelineární. AI pomohla vědcům stabilizovat systém a vytvořit plazmový kanál pro urychlování elektronů.
Simulace procesů založená na umělé inteligenci-aplikovaná v průmyslu by mohla umožnit uzavření smyčky pro řízení procesů. Umělá inteligence ví, kterým knoflíkem otočit, aby se kvalita produktu vrátila ke specifikacím. Může se učit virtuálním experimentováním se všemi knoflíky a zkoumáním krajiny parametrů. K řešení tohoto úkolu existují dobře-známé modely.
Testování všech variant však může být časově{0}} i energeticky-náročné. Zajímavá otázka v tomto bodě souvisí s předchozími znalostmi: Jak mnohem rychlejší může být učení umělé inteligence, pokud je model krmen tím, co lidé o procesu již vědí?
Trendy umělé inteligence ve fotonickém průmyslu
Německá průmyslová asociace SPECTARIS - podporovaná Fraunhoferovým institutem pro laserovou technologii ILT (Fraunhofer ILT) a Spolkovou asociací BITMi - uspořádala ve dnech října{0}} a 3. října 2025 workshop o umělé inteligenci ve fotonice. Účastníci pocházeli z výzkumných institucí, včetně samotné Fraunhofer ILT, a několika univerzit, ale především z průmyslu, se zástupci společností Microsoft, ZEISS, TRUMPF, Audi, Precitec Vision, Bystronic, Blackbird Robotersysteme, 4D Photonics GmbH a dalších. Zatímco některé z 27 prezentací pojednávaly o AI v optickém designu, workshop se zaměřil především na aplikace AI v průmyslové laserové technologii.
Asistenti umělé inteligence by mohli pomoci operátorům laseru najít ten správný výukový program v rozsáhlé znalostní bázi nebo optimalizovat plánování trajektorie při řezání laserem. Zajímavější je, jak umělá inteligence podporuje komplexní rozhodnutí, například v oblasti kontroly kvality laserového svařování nebo procesů výroby laserových aditiv. Carlo Holly, předseda Technology of Optical Systems na RWTH Aachen University a vedoucí oddělení na Fraunhofer ILT, shrnul hlavní trend ve své plenární prezentaci: „Nyní přecházíme od datové-umělé inteligence k datům- a fyzice-informované umělé inteligenci.“
Holly to vysvětlil na příkladu ze svého výzkumu. Tým společnosti Fraunhofer ILT již dříve vyvinul proces pro vysokorychlostní-depozici laserového materiálu (EHLA, neboli extrémně vysokorychlostní-laserové nanášení materiálu). Kvalitu povlaku v tomto procesu ovlivňuje více než 100 parametrů. Převod procesu na jiný materiál tedy obvykle trvá dva roky s 1500 experimenty a analýzami. Pomocí náhradního modelu procesu a (Bayesovského) modelu optimalizace AI Hollyho tým výrazně snížil počet testů: K nalezení optimálních parametrů procesu bylo zapotřebí pouze 17 testů.2.
Nalezení správných modelů a strategií je samozřejmě předmětem neustálého výzkumu. Povzbudivé je, že současný výzkum ukázal, že čas na optimalizaci procesů se zkrátil na minuty spíše než na měsíce. A samozřejmě, automatizovaná optimalizace procesů je dalším krokem k řízení procesů s uzavřeným-cyklem.
ML s 10× méně anotovanými údaji
Zatímco optimalizace procesů těží z předchozích znalostí, ML může těžit z opaku. Holly představila tuto překvapivou skutečnost na workshopu SPECTARIS s myšlenkou anotačního-bezplatné ML. Jeho kolega Julius Neuß později předvedl, jak to vypadá při kontrole kvality svařovacího procesu na základě experimentů s laserovým svařováním hliníkových pouzder baterií.
Jako výchozí bod porovnal Neuß nový přístup s klasickým kontrolovaným workflow. V hlídaném nastavení musí operátoři ručně označit každou část svarového švu: polohu drátu, lázeň taveniny, geometrii housenky, póry a rozstřiky (obrázek 1). I u malého souboru dat se to rychle stane-pracně náročným. Umělá inteligence se navíc učí pouze to, co je výslovně označeno, a její robustnost je omezena jak rozmanitostí, tak kvalitou anotovaného souboru dat.
