En første runde af AI-applikationer er allerede ankommet inden for behandling af lasermaterialer. En anden runde vil massivt accelerere maskinlæring. Vigtigst af alt: AI sælger.
ANDREAS THOSS, BIDRAGENDE REDAKTØR
Indtil videre har AI gjort enorme fremskridt baseret på dens evne til at behandle store mængder data. At analysere zillioner af tekstdokumenter førte for eksempel til udviklingen af store sprogmodeller, som vi kommunikerer med, som om de var mennesker. Dette har været et løfte siden computervidenskabens tidlige dage, såvel som et tema i mange science fiction-bøger. Det er først blevet opfyldt for nylig.
Udlånt af Fraunhofer Institute for Laser Technology ILT, Aachen, Tyskland.
I industrien har AI opnået endnu mere forbløffende ting og er for nylig blevet bemærkelsesværdigt hurtigere.
AI i industrien
Anvendelser af AI i industrien overstiger langt sprogbehandling (selvom AI-agenter også erobrer leverandørers websteder). For det første hjælper de med at automatisere flere forskellige billedbehandlingsopgaver. Den tyske maskinudvikler TRUMPF tilbyder for eksempel en særlig AI-tilstand til sin billedbehandlingssoftware. Til hårnålesvejsning i elektriske motorer hjælper AI med at identificere svejsepartnerne (såsom hårnåle), når der opstår vanskeligheder på grund af kontrast, refleksioner eller skygger i billedet. Ifølge TRUMPF har løsningen øget "first-pass yield" fra 99,2 % til 99,8 %. Dette svarer til 4× færre "ikke okay" dele.
Men dette er kun begyndelsen. I fremtiden vil AI bruge data fra flere kilder og forbedre produktiviteten før, under og efter behandling. Dens evne til at behandle enorme mængder data er især aktuel, da flere tendenser fører til mere og mere dataskabelse i industrien.
En sådan tendens er kvalitetskontrol. Bilproducenter kan for eksempel fotografere hver svejsesøm og spore holdbarhedsproblemer til fremstillingsprocesser. AI kan skelne mellem "gode" og "dårlige" svejsesømme baseret på fotografier, der indsamles under produktionen. Dette er et eksempel på en inline- eller efter-proces-procedure, der producerer data gennem alle kritiske produktionstrin. Det gælder selvfølgelig mere end bilfremstilling.
En anden tendens er relateret til digitale tvillinger. Komplette maskiner eller produktionsanlæg simuleres i en digital verden, hvor selve svejseprocessen simuleres på computeren. Reelle data hjælper med at forbedre sådanne modeller, selvom de data, de producerer, i det væsentlige er syntetiske.
Begge tendenser er tæt forbundet med udviklingen af AI. I kvalitetskontrol bruges maskinlæring (ML) til at adskille gode og dårlige dele. Maskinen lærer, hvilke parametre der er vigtige, og operatøren eller programmøren indstiller tærsklerne for advarsler eller for, hvornår maskinen skal stoppe.
Brugen af kunstig intelligens i efter-procesinspektioner er også blevet demonstreret. For eksempel bruger det tyske firma Scansonic MI AI til at identificere gode og dårlige svejsesømme i billeder. Yderligere forskning vil afgøre, hvordan "brug i-proces"-diagnostik kan bruges til processtyring med lukket-sløjfe. Ud over billedbehandling kan dette involvere spektrale sensorer, lasertriangulering til 3D-billeddannelse eller optisk kohærenstomografi til svejsedybdediagnostik.-
Svejsning er et stærkt eksempel, men det er kun et. Sådan teknologi kan (og vil) blive brugt, hvor brugssagen er stor nok til at retfærdiggøre investeringen.
AI i kvalitetskontrol bruges primært til mønstergenkendelse af bearbejdede dele. For at lukke kontrolsløjfen kræver AI viden om processen helt fra begyndelsen. Derfor bruger forskere processimulering(er) fodret med så mange procesparametre som muligt. Her har AI endnu større potentiale - det kan forbinde input- og outputparametre. Forskere ved Central Laser Facility ved Science and Technology Facilities Councils Rutherford Appleton Laboratory i England har for eksempel brugt AI til at optimere et lasersystem til plasmaacceleration1. Der er mange knapper at dreje, og laserplasmaprocessen er meget ikke-lineær. AI hjalp forskerne med at stabilisere systemet og etablere en plasmakanal til elektronacceleration.
Anvendt på industrien kunne AI-baseret processimulering gøre det muligt at lukke sløjfen for processtyring. AI ved, hvilken knap den skal dreje for at bringe produktkvaliteten tilbage til specifikationen. Den kan lære ved virtuelt at eksperimentere med alle knapper og udforske parameterlandskabet. Der findes velkendte-modeller til at løse denne opgave.
Men at teste alle varianter kan være tids- og energikrævende-. Det interessante spørgsmål på dette tidspunkt relaterer sig til forhåndsviden: Hvor meget hurtigere kan AI-læring blive, hvis modellen fodres med, hvad mennesker allerede ved om processen?
AI-tendenser i fotonikindustrien
Den . 2 og 3. oktober 2025 gennemførte den tyske brancheforening SPECTARIS - støttet af Fraunhofer Institute for Laser Technology ILT (Fraunhofer ILT) og Federal Association BITMi - en workshop om kunstig intelligens i fotonik. Deltagerne kom fra forskningsinstitutioner, herunder Fraunhofer ILT selv, og flere universiteter, men hovedsageligt fra industrien, med repræsentanter fra Microsoft, ZEISS, TRUMPF, Audi, Precitec Vision, Bystronic, Blackbird Robotersysteme, 4D Photonics GmbH og flere. Mens nogle af de 27 præsentationer diskuterede AI i optisk design, fokuserede workshoppen hovedsageligt på AI-applikationer i industriel laserteknologi.
AI-assistenter kan hjælpe laseroperatører med at finde den rigtige tutorial i en stor videnbase eller optimere baneplanlægning i laserskæring. Mere interessant er, hvordan AI understøtter komplekse beslutninger, for eksempel i kvalitetskontrollen af lasersvejsning eller laseradditive fremstillingsprocesser. Carlo Holly, formand for Technology of Optical Systems ved RWTH Aachen University og afdelingsleder ved Fraunhofer ILT, opsummerede den store tendens i sin præsentation i plenarmødet: "Vi bevæger os nu fra en data-baseret AI mod data- og fysik-informeret AI."
Holly forklarede dette med et eksempel fra hans forskning. Et team hos Fraunhofer ILT har tidligere udviklet en proces til høj-afsætning af lasermateriale (EHLA eller ekstrem høj-afsætning af lasermateriale). Mere end 100 parametre påvirker belægningskvaliteten i denne proces. Overførsel af processen til et andet materiale tager således typisk to år med 1500 forsøg og analyser. Ved at bruge en surrogatmodel af processen og en (bayesiansk) AI-optimeringsmodel reducerede Hollys team antallet af tests betydeligt: Kun 17 forsøg var nødvendige for at finde de optimale procesparametre2.
Selvfølgelig er det et løbende emne for forskning at finde de rigtige modeller og strategier. Opmuntrende nok har nuværende forskning vist, at tiden til procesoptimering er blevet reduceret til minutter frem for måneder. Og selvfølgelig er automatiseret procesoptimering det næste skridt i retning af lukket-sløjfe proceskontrol.
ML med 10× færre kommenterede data
Mens procesoptimering drager fordel af forudgående viden, kan ML drage fordel af det modsatte. Holly introducerede denne overraskende kendsgerning på SPECTARIS-workshoppen med ideen om annotationsfri -ML. Hans kollega, Julius Neuß, demonstrerede senere, hvordan dette ser ud i kvalitetskontrollen af en svejseproces, baseret på eksperimenter med lasersvejsning af aluminium batterihuse.
Som udgangspunkt sammenlignede Neuß den nye tilgang med den klassiske overvågede arbejdsgang. I en overvåget opsætning skal operatører annotere hver del af svejsesømmen manuelt: trådposition, smeltebassin, perlegeometri, porer og stænk (Figur 1). Selv for et lille datasæt bliver dette hurtigt-arbejdskrævende. Desuden lærer AI kun det, der udtrykkeligt er mærket, og dets robusthed er begrænset både af mangfoldigheden og kvaliteten af det annoterede datasæt.
