Tekoälysovellusten ensimmäinen kierros on jo saapunut lasermateriaalien käsittelyyn. Toinen kierros nopeuttaa koneoppimista huomattavasti. Tärkeintä: AI myy.
ANDREAS THOSS, EDELLINEN TOIMITAJA
Toistaiseksi tekoäly on edistynyt valtavasti, koska se pystyy käsittelemään suuria tietomääriä. Esimerkiksi miljoonien tekstidokumenttien analysointi johti suurten kielimallien kehittämiseen, joiden kanssa kommunikoimme ikään kuin ne olisivat ihmisiä. Tämä on ollut lupaus tietojenkäsittelytieteen alkuajoista lähtien, samoin kuin teema monissa tieteiskirjallisissa kirjoissa. Se on toteutunut vasta äskettäin.
Fraunhofer Institute for Laser Technology ILT:n luvalla, Aachen, Saksa.
Teollisuudessa tekoäly on saavuttanut vieläkin hämmästyttävämpiä asioita ja on viime aikoina tullut huomattavasti nopeammaksi.
Tekoäly teollisuudessa
Tekoälysovellukset teollisuudessa ylittävät paljon kielenkäsittelyn (vaikka tekoälyagentit valloittavat myös myyjien verkkosivustot). Ensinnäkin ne auttavat automatisoimaan useita erillisiä kuvankäsittelytehtäviä. Esimerkiksi saksalainen konekehittäjä TRUMPF tarjoaa erityisen AI-tilan kuvankäsittelyohjelmistolleen. Sähkömoottoreiden hiusneulahitsauksessa tekoäly auttaa tunnistamaan hitsauspartnerit (kuten hiusneulat), kun kuvan kontrasti, heijastukset tai varjot aiheuttavat vaikeuksia. TRUMPF:n mukaan ratkaisu on kasvattanut "ensimmäisen-saannon" 99,2 prosentista 99,8 prosenttiin. Tämä vastaa 4 kertaa vähemmän "ei kunnossa" -osia.
Mutta tämä on vasta alkua. Jatkossa tekoäly käyttää tietoja useista lähteistä ja parantaa tuottavuutta ennen käsittelyä, sen aikana ja sen jälkeen. Sen kyky käsitellä valtavia tietomääriä on erityisen ajankohtainen, koska useat trendit johtavat yhä enemmän tiedon luomiseen teollisuudessa.
Yksi tällainen suuntaus on laadunvalvonta. Esimerkiksi autonvalmistajat voivat valokuvata jokaisen hitsisauman ja jäljittää kestävyysongelmat valmistusprosesseihin. Tekoäly voi erottaa "hyvät" ja "huonot" hitsaussaumat tuotannon aikana kerättyjen valokuvien perusteella. Tämä on esimerkki sisäisestä tai prosessin jälkeisestä-prosessista, joka tuottaa tietoja kaikissa kriittisissä tuotantovaiheissa. Tietenkin se koskee muutakin kuin autonvalmistusta.
Toinen suuntaus liittyy digitaalisiin kaksosiin. Kokonaisia koneita tai tuotantotiloja simuloidaan digitaalisessa maailmassa, jossa itse hitsausprosessia simuloidaan tietokoneella. Todellinen data auttaa parantamaan tällaisia malleja, vaikka niiden tuottama data on pääosin synteettistä.
Molemmat suuntaukset liittyvät läheisesti tekoälyn kehitykseen. Laadunvalvonnassa koneoppimista (ML) käytetään erottamaan hyvät ja huonot osat. Kone oppii, mitkä parametrit ovat tärkeitä, ja käyttäjä tai ohjelmoija asettaa kynnykset varoituksiin tai milloin koneen pitäisi pysähtyä.
Tekoälyn käyttö prosessin{0}jälkeisissä tarkastuksissa on myös osoitettu. Esimerkiksi saksalainen Scansonic MI käyttää tekoälyä hyvien ja huonojen hitsisaumojen tunnistamiseen kuvista. Lisätutkimukset selvittävät, kuinka "käyttö prosessissa" -diagnostiikkaa voidaan käyttää suljetun-silmukan prosessin ohjauksessa. Kuvankäsittelyn lisäksi tähän voi sisältyä spektriantureita, laserkolmiointia 3D-kuvaukseen tai optista koherenttitomografiaa hitsaussyvyysdiagnostiikassa.
Hitsaus on vahva esimerkki, mutta se on vain yksi. Tällaista teknologiaa voidaan (ja tullaan) käyttämään aina, kun käyttötapaus on riittävän suuri oikeuttamaan investointi.
Tekoälyä laadunvalvonnassa käytetään ensisijaisesti prosessoitujen osien kuvioiden tunnistamiseen. Ohjaussilmukan sulkemiseksi tekoäly vaatii tietoa prosessista alusta alkaen. Siksi tutkijat käyttävät prosessisimulaatioita, joihin syötetään mahdollisimman monta prosessiparametria. Tässä tekoälyllä on vielä suurempi potentiaali - se voi yhdistää tulo- ja lähtöparametreja. Esimerkiksi Science and Technology Facilities Councilin Rutherford Appleton Laboratoryn keskuslaserlaitoksen tutkijat Englannissa ovat käyttäneet tekoälyä optimoimaan laserjärjestelmän plasman kiihdytystä varten.1. Kierrettäviä nuppeja on monia, ja laserplasmaprosessi on erittäin epälineaarinen. Tekoäly auttoi tutkijoita vakauttamaan järjestelmää ja luomaan plasmakanavan elektronien kiihdytykseen.
Teollisuudessa sovellettu tekoäly{0}}pohjainen prosessisimulaatio voisi mahdollistaa prosessin ohjauksen silmukan sulkemisen. Tekoäly tietää mitä nuppia kääntää, jotta tuotteen laatu palautetaan vaatimuksiin. Se voi oppia kokeilemalla käytännössä kaikkia nuppeja ja tutkimalla parametrien maisemaa. Tämän tehtävän ratkaisemiseksi-on olemassa tunnettuja malleja.
Mutta kaikkien muunnelmien testaus voi viedä aikaa{0}} ja energiaa-. Mielenkiintoinen kysymys tässä vaiheessa liittyy aiempaan tietoon: Kuinka paljon nopeampaa tekoälyoppiminen voi muuttua, jos mallille syötetään sitä, mitä ihmiset jo tietävät prosessista?
Tekoälytrendit fotoniikkateollisuudessa
Fraunhofer Institute for Laser Technology ILT:n (Fraunhofer ILT) ja Federal Associationin BITMi - tukemana Saksan teollisuusjärjestö SPECTARIS - järjesti lokakuuta. 2 ja 3. lokakuuta 2025 työpajan fotoniikan tekoälystä. Osallistujia tuli tutkimuslaitoksista, mukaan lukien itse Fraunhofer ILT:stä ja useista yliopistoista, mutta pääasiassa teollisuudesta, edustajia Microsoftista, ZEISSistä, TRUMPF:stä, Audista, Precitec Visionista, Bystronicista, Blackbird Robotersystemestä, 4D Photonics GmbH:sta ja muista. Osa 27 esityksestä käsitteli tekoälyä optisessa suunnittelussa, mutta työpaja keskittyi pääasiassa tekoälysovelluksiin teollisessa lasertekniikassa.
Tekoälyassistentit voivat auttaa laseroperaattoreita löytämään oikean opetusohjelman laajasta tietokannasta tai optimoida lentoradan suunnittelun laserleikkauksessa. Mielenkiintoisempaa on se, miten tekoäly tukee monimutkaisia päätöksiä esimerkiksi laserhitsauksen tai laserlisäainevalmistusprosessien laadunvalvonnassa. Carlo Holly, RWTH Aachenin yliopiston optisten järjestelmien teknologian johtaja ja Fraunhofer ILT:n osastopäällikkö, tiivisti tärkeimmät suuntaukset täysistuntoesityksessään: "Olemme nyt siirtymässä data-pohjaisesta tekoälystä kohti dataa- ja fysiikan-tietoista tekoälyä."
Holly selitti tämän esimerkillä tutkimuksestaan. Fraunhofer ILT:n tiimi kehitti aiemmin prosessin nopeaan-lasermateriaalipinnoitukseen (EHLA tai äärimmäisen nopea{2}}lasermateriaalipinnoitus). Yli 100 parametria vaikuttaa pinnoitteen laatuun tässä prosessissa. Näin ollen prosessin siirtäminen toiseen materiaaliin kestää tyypillisesti kaksi vuotta 1500 kokeen ja analyysin kera. Käyttämällä prosessin korvikemallia ja (bayesilaista) tekoälyn optimointimallia Hollyn tiimi vähensi testien määrää merkittävästi: optimaalisten prosessiparametrien löytämiseen tarvittiin vain 17 koetta.2.
Tietenkin oikeiden mallien ja strategioiden löytäminen on jatkuva tutkimuskohde. Rohkaisevasti nykyiset tutkimukset ovat osoittaneet, että prosessin optimointiin käytettävä aika on lyhentynyt minuutteihin kuukausien sijaan. Ja tietysti automaattinen prosessin optimointi on seuraava askel kohti suljetun-silmukan prosessinhallintaa.
ML, jossa on 10 kertaa vähemmän huomautettuja tietoja
Vaikka prosessin optimointi hyötyy aiemmasta tiedosta, ML voi hyötyä päinvastaisesta. Holly esitteli tämän yllättävän tosiasian SPECTARIS-työpajassa ajatuksella ilmaista ML-merkintä{1}}. Hänen kollegansa Julius Neuß osoitti myöhemmin, miltä tämä näyttää hitsausprosessin laadunvalvonnassa kokeiden perusteella, joissa käytettiin alumiinisten akkukoteloiden laserhitsausta.
Lähtökohtana Neuß vertasi uutta lähestymistapaa klassiseen valvottuun työnkulkuun. Valvotussa asennuksessa käyttäjien on merkittävä jokainen hitsisauman osa manuaalisesti: langan sijainti, sulatusallas, helmien geometria, huokoset ja roiskeet (kuva 1). Jopa pienellä tietojoukolla tämä muuttuu nopeasti-työvaltaiseksi. Lisäksi tekoäly oppii vain sen, mikä on nimenomaisesti merkitty, ja sen kestävyyttä rajoittaa sekä annotoidun tietojoukon monimuotoisuus että laatu.
