Već je stigla prva runda AI aplikacija u laserskoj obradi materijala. Drugi krug će značajno ubrzati mašinsko učenje. Najvažnije: AI prodaje.
ANDREAS THOSS, DONOSNI UREDNIK
Do sada je AI postigla ogroman napredak na osnovu svoje sposobnosti da obrađuje velike količine podataka. Analiza ziliona tekstualnih dokumenata, na primjer, dovela je do razvoja velikih jezičkih modela s kojima komuniciramo kao da su ljudi. Ovo je obećanje još od ranih dana kompjuterske nauke, kao i tema u mnogim knjigama naučne fantastike. To je tek nedavno ispunjeno.
Ljubaznošću Fraunhofer instituta za lasersku tehnologiju ILT, Aachen, Njemačka.
U industriji, umjetna inteligencija je postigla još nevjerovatnije stvari i nedavno je postala nevjerojatno brža.
AI u industriji
Primjena AI u industriji daleko nadmašuje obradu jezika (iako AI agenti osvajaju i web stranice dobavljača). Prvo, pomažu u automatizaciji nekoliko različitih zadataka obrade slike. Njemački proizvođač mašina TRUMPF, na primjer, nudi poseban način AI za svoj softver za obradu slika. Za zavarivanje ukosnicama u elektromotorima, AI pomaže da se identifikuju partneri za zavarivanje (kao što su ukosnice) kada nastanu poteškoće zbog kontrasta, refleksije ili sjenki na slici. Prema TRUMPF-u, rješenje je povećalo "prinos prvog-prolaska" sa 99,2% na 99,8%. Ovo je jednako 4× manje "ne u redu" dijelova.
Ali ovo je samo početak. U budućnosti će AI koristiti podatke iz više izvora i poboljšati produktivnost prije, tokom i nakon obrade. Njegova sposobnost da obrađuje ogromne količine podataka posebno je pravovremena jer nekoliko trendova dovodi do sve većeg broja kreiranja podataka u industriji.
Jedan takav trend je kontrola kvaliteta. Proizvođači automobila, na primjer, mogu fotografirati svaki zavareni šav i pratiti probleme trajnosti do proizvodnih procesa. AI može razlikovati "dobre" i "loše" zavarene šavove na osnovu fotografija koje se prikupljaju tokom proizvodnje. Ovo je primjer inline ili post-procesne procedure koja proizvodi podatke kroz sve kritične korake proizvodnje. Naravno, to se odnosi na više od proizvodnje automobila.
Drugi trend se odnosi na digitalne blizance. Kompletne mašine ili proizvodni pogoni simulirani su u digitalnom svetu, gde se sam proces zavarivanja simulira na računaru. Pravi podaci pomažu u poboljšanju takvih modela, iako su podaci koje oni proizvode u suštini sintetički.
Oba trenda su usko povezana s evolucijom AI. U kontroli kvaliteta, mašinsko učenje (ML) se koristi za razdvajanje dobrih i loših delova. Mašina uči koji su parametri važni, a operater ili programer postavljaju pragove za upozorenja ili kada bi mašina trebalo da se zaustavi.
Također je demonstrirana upotreba AI u inspekcijama nakon{0}}a. Na primjer, njemačka kompanija Scansonic MI koristi AI za identifikaciju dobrih i loših zavarenih šavova na slikama. Dalja istraživanja će odrediti kako se dijagnostika "upotrebe u-procesu" može koristiti za kontrolu procesa u zatvorenoj{4}}petlji. Pored obrade slike, ovo može uključivati spektralne senzore, lasersku triangulaciju za 3D slike ili optičku koherentnu tomografiju za dijagnostiku dubine -zavara.
Zavarivanje je snažan primjer, ali je samo jedan. Takva tehnologija se može (i hoće) koristiti svuda gdje je slučaj upotrebe dovoljno velik da opravda ulaganje.
AI u kontroli kvaliteta prvenstveno se koristi za prepoznavanje uzoraka obrađenih delova. Da bi zatvorila kontrolnu petlju, AI je potrebno znanje o procesu od samog početka. Stoga istraživači koriste simulaciju(e) procesa sa što više parametara procesa. Ovdje AI ima još veći potencijal - jer može povezati ulazne i izlazne parametre. Istraživači u Centralnom laserskom postrojenju u laboratoriji Rutherford Appleton Vijeća za nauku i tehnologiju u Engleskoj, na primjer, koristili su AI za optimizaciju laserskog sistema za ubrzanje plazme.1. Postoji mnogo dugmadi za okretanje, a proces laserske plazme je vrlo nelinearan. AI je pomogao naučnicima da stabilizuju sistem i uspostave plazma kanal za ubrzanje elektrona.
Primijenjena na industriju, simulacija procesa zasnovana na AI{0}}u može omogućiti zatvaranje petlje za kontrolu procesa. AI zna koje dugme da okrene da vrati kvalitet proizvoda na specifikacije. Može naučiti virtualno eksperimentirajući sa svim dugmadima i istražujući krajolik parametara. Dobro-postoje poznati modeli za rješavanje ovog zadatka.
Ali testiranje svih varijacija može zahtijevati vrijeme- i energiju-. Zanimljivo pitanje u ovom trenutku odnosi se na prethodno znanje: Koliko brže učenje AI može postati ako se model hrani onim što ljudi već znaju o procesu?
Trendovi AI u industriji fotonike
Dana. 2 i 3. oktobra 2025., njemačko industrijsko udruženje SPECTARIS - uz podršku Fraunhofer instituta za lasersku tehnologiju ILT (Fraunhofer ILT) i Saveznog udruženja BITMi - održalo je radionicu o AI u fotonici. Učesnici su bili iz istraživačkih institucija, uključujući sam Fraunhofer ILT, i nekoliko univerziteta, ali uglavnom iz industrije, s predstavnicima Microsofta, ZEISS-a, TRUMPF-a, Audija, Precitec Visiona, Bystronic-a, Blackbird Robotersystemea, 4D Photonics GmbH i drugih. Dok su neke od 27 prezentacija govorile o AI u optičkom dizajnu, radionica se uglavnom fokusirala na primjenu AI u industrijskoj laserskoj tehnologiji.
AI asistenti mogu pomoći laserskim operaterima da pronađu pravi vodič u velikoj bazi znanja ili optimiziraju planiranje putanje u laserskom rezanju. Zanimljivije je kako AI podržava složene odluke, na primjer, u kontroli kvaliteta laserskog zavarivanja ili procesa proizvodnje laserskih aditiva. Carlo Holly, predsjedavajući Tehnologije optičkih sistema na Univerzitetu RWTH Aachen i šef odjela na Fraunhofer ILT-u, sažeo je glavni trend u svojoj plenarnoj prezentaciji: "Sada se krećemo od AI{2}}bazirane na AI prema podacima{3}} i fizici{4}}informisanoj AI."
Holly je to objasnila primjerom iz svog istraživanja. Tim u Fraunhofer ILT-u je prethodno razvio proces za-nanošenje laserskog materijala velike brzine (EHLA, ili ekstremno{2}}nanošenje laserskog materijala velike brzine). Više od 100 parametara utječe na kvalitetu premaza u ovom procesu. Dakle, prenošenje procesa na drugi materijal obično traje dvije godine sa 1500 eksperimenata i analiza. Koristeći surogat model procesa i (Bayesian) model optimizacije AI, Hollyin tim je značajno smanjio broj testova: bilo je potrebno samo 17 pokušaja da se pronađu optimalni parametri procesa2.
Naravno, pronalaženje odgovarajućih modela i strategija je stalni predmet istraživanja. Ohrabrujuće, trenutna istraživanja su pokazala da je vrijeme za optimizaciju procesa svedeno na minute, a ne na mjesece. I, naravno, automatska optimizacija procesa je sljedeći korak prema zatvorenoj-kontroli procesa.
ML sa 10× manje anotiranih podataka
Dok optimizacija procesa ima koristi od prethodnog znanja, ML može imati koristi od suprotnog. Holly je predstavila ovu iznenađujuću činjenicu na SPECTARIS radionici sa idejom ML-a bez napomena{1}. Njegov kolega, Julius Neuß, kasnije je demonstrirao kako to izgleda u kontroli kvaliteta procesa zavarivanja, na osnovu eksperimenata sa laserskim zavarivanjem kućišta aluminijumskih baterija.
Kao polaznu tačku, Nojs je uporedio novi pristup sa klasičnim nadgledanim tokom rada. U kontrolisanoj postavci, operateri moraju ručno označiti svaki dio zavarenog šava: položaj žice, bazen taline, geometriju zrna, pore i prskanje (Slika 1). Čak i za mali skup podataka, ovo brzo postaje radno-intenzivno. Štaviše, AI uči samo ono što je eksplicitno označeno, a njegova robusnost je ograničena i raznolikošću i kvalitetom skupa podataka sa komentarima.
