Tehisintellekti rakenduste esimene voor on lasermaterjalide töötlemisel juba saabunud. Teine voor kiirendab oluliselt masinõpet. Mis kõige tähtsam: AI müüb.
ANDREAS THOSS, TOIMETAJA
Siiani on AI teinud tohutuid edusamme, tuginedes selle võimele töödelda suuri andmemahtusid. Miljonite tekstidokumentide analüüsimine viis näiteks suurte keelemudelite väljatöötamiseni, millega me suhtleme justkui inimestega. See on olnud lubadus arvutiteaduse algusaegadest peale, samuti on see teema paljudes ulmeraamatutes. See on täitunud alles hiljuti.
Fraunhoferi Lasertehnoloogia Instituudi ILT loal, Aachen, Saksamaa.
Tööstuses on AI saavutanud veelgi hämmastavamaid asju ja on viimasel ajal muutunud märkimisväärselt kiiremaks.
AI tööstuses
AI rakendused tööstuses ületavad palju keeletöötlust (kuigi AI agendid vallutavad ka müüjate veebisaite). Esiteks aitavad need automatiseerida mitut erinevat pilditöötlustoimingut. Näiteks Saksa masinaarendaja TRUMPF pakub oma pilditöötlustarkvarale spetsiaalset AI-režiimi. Elektrimootorite juuksenõelaga keevitamisel aitab AI tuvastada keevituspartnerid (nt juuksenõelad), kui pildi kontrasti, peegelduste või varjude tõttu tekib raskusi. TRUMPF-i andmetel on lahendus suurendanud "esimese-passi saagist" 99,2%-lt 99,8%-le. See võrdub 4 korda vähem "mitteõigete" osadega.
Kuid see on alles algus. Tulevikus kasutab AI andmeid mitmest allikast ja parandab tootlikkust enne töötlemist, töötlemise ajal ja pärast seda. Selle võime töödelda tohutuid andmemahtusid on eriti õigeaegne, kuna mitmed suundumused viivad tööstuses üha enam andmete loomiseni.
Üks selline trend on kvaliteedikontroll. Näiteks saavad autotootjad pildistada iga keevisõmblust ja jälgida vastupidavusprobleeme tootmisprotsessides. AI suudab tootmise käigus kogutud fotode põhjal eristada "head" ja "halba" keevisõmblust. See on näide sisesest või-järgsest protsessist, mis toodab andmeid kõigi kriitiliste tootmisetappide jooksul. Muidugi kehtib see rohkem kui autode tootmise kohta.
Teine suundumus on seotud digitaalsete kaksikutega. Terviklikke masinaid või tootmisrajatisi simuleeritakse digitaalses maailmas, kus arvutis simuleeritakse keevitusprotsessi ennast. Pärisandmed aitavad selliseid mudeleid täiustada, kuigi nende toodetud andmed on sisuliselt sünteetilised.
Mõlemad suundumused on tihedalt seotud tehisintellekti arenguga. Kvaliteedikontrollis kasutatakse heade ja halbade osade eraldamiseks masinõpet (ML). Masin õpib, millised parameetrid on olulised, ning operaator või programmeerija määrab hoiatuste läved või selle, millal masin peaks peatuma.
Samuti on demonstreeritud tehisintellekti kasutamist protsessijärgsetes{0}}kontrollides. Näiteks Saksa ettevõte Scansonic MI kasutab AI-d heade ja halbade keevisõmbluste tuvastamiseks piltidel. Täiendavad uuringud selgitavad välja, kuidas saab protsessisisene-kasutamise diagnostikat kasutada suletud-ahela protsessi juhtimiseks. Lisaks pilditöötlusele võib see hõlmata spektraalseid andureid, lasertriangulatsiooni 3D-kujutiseks või optilist koherentstomograafiat keevisõmbluse{7}}sügavusdiagnostika jaoks.
Keevitamine on tugev näide, kuid see on vaid üks. Sellist tehnoloogiat saab (ja saab) kasutada kõikjal, kus kasutusjuhtum on piisavalt suur, et investeering õigustada.
Kvaliteedikontrolli tehisintellekti kasutatakse peamiselt töödeldud osade mustrite tuvastamiseks. Juhtahela sulgemiseks nõuab AI protsessi algusest peale teadmisi. Seetõttu kasutavad teadlased protsessisimulatsiooni(id), mis on varustatud võimalikult paljude protsessiparameetritega. Siin on AI-l veelgi suurem potentsiaal - see võib ühendada sisend- ja väljundparameetrid. Näiteks Inglismaal asuva teaduse ja tehnoloogia rajatiste nõukogu Rutherford Appletoni laboratooriumi keskse laserseadme teadlased on kasutanud tehisintellekti lasersüsteemi optimeerimiseks plasma kiirendamiseks.1. Pööramiseks on palju nuppe ja laserplasma protsess on väga mittelineaarne. AI aitas teadlastel süsteemi stabiliseerida ja luua plasmakanali elektronide kiirendamiseks.
Tööstuses rakendatuna võib AI{0}}põhine protsessisimulatsioon võimaldada sulgeda protsessi juhtimise ahela. Tehisintellekt teab, millist nuppu keerata, et toote kvaliteet uuesti tasemele viia. See saab õppida, katsetades praktiliselt kõiki nuppe ja uurides parameetrite maastikku. Selle ülesande lahendamiseks on-tuntud mudelid.
Kuid kõigi variantide testimine võib olla aega{0}}ja energia-kulukas. Siinkohal on huvitav küsimus seotud eelnevate teadmistega: kui palju kiiremaks saab tehisintellekti õppimine muutuda, kui mudelile antakse ette see, mida inimesed protsessist juba teavad?
AI suundumused fotoonikatööstuses
Oktoobril. 2 ja 3. oktoobril 2025 viisid Saksa tööstusliit SPECTARIS -, mida toetasid Fraunhoferi Lasertehnoloogia Instituut ILT (Fraunhofer ILT) ja Föderaalne Assotsiatsioon BITMi -, seminari tehisintellekti kohta fotoonikas. Osalejaid oli teadusasutustest, sealhulgas Fraunhofer ILT-st endast ja mitmetest ülikoolidest, kuid peamiselt tööstusest, esindajatega Microsoftist, ZEISSist, TRUMPF-ist, Audist, Precitec Visionist, Bystronicust, Blackbird Robotersysteme'ist, 4D Photonics GmbH-st jpt. Kui mõnes 27-st ettekandest käsitleti tehisintellekti optilises disainis, siis töötoas keskenduti peamiselt tehisintellekti rakendustele tööstuslikus lasertehnoloogias.
AI-assistendid võiksid aidata laseroperaatoritel leida suurest teadmistebaasist õige õpetuse või optimeerida laserlõikamise trajektoori planeerimist. Huvitavam on see, kuidas AI toetab keerulisi otsuseid, näiteks laserkeevituse või laserlisandite tootmisprotsesside kvaliteedikontrollis. Carlo Holly, RWTH Aacheni ülikooli optiliste süsteemide tehnoloogia õppetooli juhataja ja Fraunhofer ILT osakonnajuhataja, võttis oma täiskogu ettekandes kokku peamise suundumuse: "Me liigume nüüd andmepõhiselt tehisintellektilt andmete- ja füüsika-informeeritud tehisintellekti poole."
Holly selgitas seda oma uurimistööst pärit näitega. Fraunhofer ILT meeskond töötas varem välja materjali kiire-lasersadestamise protsessi (EHLA ehk ülikiire{2}}lasersadestamine). Katte kvaliteeti mõjutab selles protsessis üle 100 parameetri. Seega kulub protsessi ülekandmine teisele materjalile tavaliselt kaks aastat koos 1500 katse ja analüüsiga. Kasutades protsessi asendusmudelit ja (Bayesi) tehisintellekti optimeerimise mudelit, vähendas Holly meeskond oluliselt testide arvu: optimaalsete protsessiparameetrite leidmiseks oli vaja vaid 17 katset.2.
Loomulikult on õigete mudelite ja strateegiate leidmine pidev uurimistöö. Julgustavalt on praegused uuringud näidanud, et protsesside optimeerimise aeg on lühenenud pigem minutitele kui kuudele. Ja loomulikult on automatiseeritud protsesside optimeerimine järgmine samm suletud-ahela protsesside juhtimise suunas.
ML 10 korda vähem kommenteeritud andmetega
Kui protsesside optimeerimisel on kasu eelnevatest teadmistest, siis ML võib kasu saada vastupidisest. Holly tutvustas seda üllatavat fakti SPECTARISe töötoas annotatsiooni-tasuta ML ideega. Tema kolleeg Julius Neuß demonstreeris hiljem, kuidas see välja näeb keevitusprotsessi kvaliteedikontrollis, tuginedes alumiiniumaku korpuste laserkeevitamise katsetele.
Alustuseks võrdles Neuß uut lähenemist klassikalise juhendatud töövooga. Järelevalvega seadistamise korral peavad kasutajad käsitsi märkima keevisõmbluse iga osa: traadi asend, sulamisbassein, randi geomeetria, poorid ja pritsmed (joonis 1). Isegi väikese andmehulga puhul muutub see kiiresti-töömahukaks. Veelgi enam, AI õpib ainult seda, mis on selgesõnaliselt märgistatud, ja selle tugevust piirab nii annoteeritud andmekogumi mitmekesisus kui ka kvaliteet.
