Lazerinio medžiagų apdorojimo srityje jau pasiektas pirmasis DI programų etapas. Antrasis etapas labai paspartins mašinų mokymąsi. Svarbiausia: AI parduoda.
ANDREAS THOSS, REDAKTORIUS
Iki šiol dirbtinis intelektas padarė didžiulę pažangą, nes geba apdoroti didelius duomenų kiekius. Pavyzdžiui, išanalizavus daugybę tekstinių dokumentų, buvo sukurti dideli kalbos modeliai, su kuriais mes bendraujame taip, tarsi jie būtų žmonės. Tai buvo pažadas nuo pirmųjų kompiuterių mokslo dienų, taip pat daugelio mokslinės fantastikos knygų tema. Tai išsipildė visai neseniai.
Fraunhoferio lazerinių technologijų instituto ILT, Achenas, Vokietija, sutikimu.
Pramonėje dirbtinis intelektas pasiekė dar daugiau stulbinančių dalykų ir pastaruoju metu tapo nepaprastai greitesnis.
AI pramonėje
AI taikymas pramonėje gerokai viršija kalbos apdorojimą (nors AI agentai užkariauja ir pardavėjų svetaines). Pirma, jie padeda automatizuoti keletą skirtingų vaizdo apdorojimo užduočių. Pavyzdžiui, Vokietijos mašinų kūrėjas TRUMPF savo vaizdo apdorojimo programinei įrangai siūlo specialų AI režimą. Suvirinant plaukų segtukais elektros varikliuose, AI padeda nustatyti suvirinimo partnerius (pvz., plaukų segtukus), kai kyla sunkumų dėl vaizdo kontrasto, atspindžių ar šešėlių. TRUMPF teigimu, sprendimas padidino „pirmojo-praėjimo išeigą“ nuo 99,2 % iki 99,8 %. Tai prilygsta 4 kartus mažiau „netinkamų“ dalių.
Bet tai tik pradžia. Ateityje AI naudos duomenis iš kelių šaltinių ir pagerins produktyvumą prieš apdorojimą, jo metu ir po jo. Jo gebėjimas apdoroti didžiulius duomenų kiekius yra ypač savalaikis, nes dėl kelių tendencijų pramonėje sukuriama vis daugiau duomenų.
Viena iš tokių tendencijų yra kokybės kontrolė. Pavyzdžiui, automobilių gamintojai gali nufotografuoti kiekvieną suvirinimo siūlę ir nustatyti patvarumo problemas iki gamybos procesų. AI gali atskirti „geras“ ir „blogas“ suvirinimo siūles pagal gamybos metu surinktas nuotraukas. Tai yra tiesioginės arba po-proceso procedūros, kuri gamina duomenis visuose svarbiuose gamybos etapuose, pavyzdys. Žinoma, tai taikoma ne tik automobilių gamybai.
Antroji tendencija susijusi su skaitmeniniais dvyniais. Sukomplektuotos mašinos ar gamybos įrenginiai yra imituojami skaitmeniniame pasaulyje, kur pats suvirinimo procesas imituojamas kompiuteriu. Tikri duomenys padeda patobulinti tokius modelius, nors jų gaunami duomenys iš esmės yra sintetiniai.
Abi tendencijos yra glaudžiai susijusios su AI raida. Kokybės kontrolėje mašininis mokymasis (ML) naudojamas geroms ir blogoms dalims atskirti. Mašina sužino, kurie parametrai yra svarbūs, o operatorius arba programuotojas nustato įspėjimų slenksčius arba kada mašina turi sustoti.
Taip pat buvo įrodyta, kad dirbtinis intelektas naudojamas tikrinant po{0}procesų. Pavyzdžiui, Vokietijos kompanija Scansonic MI naudoja AI, kad atpažintų geras ir blogas suvirinimo siūles vaizduose. Tolesni tyrimai padės nustatyti, kaip „naudojimo-procese“ diagnostika gali būti naudojama uždarojo-ciklo proceso valdymui. Be vaizdo apdorojimo, tai gali apimti spektrinius jutiklius, lazerinį trianguliavimą 3D vaizdavimui arba optinę koherentinę tomografiją, skirtą suvirinimo{7}}giluminei diagnostikai.
Suvirinimas yra puikus pavyzdys, tačiau tai tik vienas. Tokia technologija gali būti (ir bus) naudojama visur, kur naudojimo atvejis yra pakankamai didelis, kad pateisintų investiciją.
AI kokybės kontrolėje pirmiausia naudojamas apdorotų dalių modelio atpažinimui. Norint uždaryti valdymo kilpą, AI reikalauja žinių apie procesą nuo pat pradžių. Todėl mokslininkai naudoja proceso modeliavimą (-ius), aprūpintą kuo daugiau proceso parametrų. Čia AI turi dar didesnį potencialą - jis gali sujungti įvesties ir išvesties parametrus. Pavyzdžiui, Anglijos Mokslo ir technologijų infrastruktūros tarybos Rutherfordo Appletono laboratorijos Centrinės lazerinės įrangos tyrėjai naudojo dirbtinį intelektą, kad optimizuotų lazerinę sistemą plazmos pagreitinimui.1. Yra daug rankenėlių, kurias reikia pasukti, o lazerio plazmos procesas yra labai netiesinis. AI padėjo mokslininkams stabilizuoti sistemą ir sukurti plazmos kanalą elektronų pagreičiui.
Taikant pramonėje AI{0}}pagrįstas proceso modeliavimas gali leisti uždaryti proceso valdymo kilpą. AI žino, kurią rankenėlę pasukti, kad gaminio kokybė vėl atitiktų specifikaciją. Jis gali mokytis praktiškai eksperimentuodamas su visomis rankenėlėmis ir tyrinėdamas parametrų kraštovaizdį. Šiai užduočiai išspręsti yra- gerai žinomi modeliai.
Tačiau visų variantų išbandymas gali pareikalauti laiko{0}} ir energijos-. Įdomus klausimas šiuo metu yra susijęs su ankstesnėmis žiniomis: kiek greitesnis dirbtinio intelekto mokymasis gali tapti, jei modelis yra maitinamas tuo, ką žmonės jau žino apie procesą?
AI tendencijos fotonikos pramonėje
2025 m. spalio mėn Dalyviai atvyko iš mokslinių tyrimų institucijų, įskaitant pačią Fraunhofer ILT ir kelis universitetus, bet daugiausia iš pramonės, su atstovais iš Microsoft, ZEISS, TRUMPF, Audi, Precitec Vision, Bystronic, Blackbird Robotersysteme, 4D Photonics GmbH ir kt. Kai kuriuose iš 27 pranešimų buvo kalbama apie dirbtinį intelektą optinio dizaino srityje, seminare daugiausia dėmesio buvo skirta DI taikymui pramoninėse lazerinėse technologijose.
AI padėjėjai galėtų padėti lazerių operatoriams rasti tinkamą mokymo programą didelėje žinių bazėje arba optimizuoti trajektorijos planavimą pjaustant lazeriu. Įdomiau yra tai, kaip AI palaiko sudėtingus sprendimus, pavyzdžiui, lazerinio suvirinimo ar lazerinių priedų gamybos procesų kokybės kontrolę. Carlo Holly, RWTH Aachen universiteto Optinių sistemų technologijos pirmininkas ir Fraunhofer ILT skyriaus vadovas, savo plenariniame pranešime apibendrino pagrindines tendencijas: „Dabar mes pereiname nuo duomenimis-pagrįsto dirbtinio intelekto prie duomenimis- ir fizika-pagrįsto DI“.
Holly tai paaiškino pavyzdžiu iš savo tyrimo. Fraunhofer ILT komanda anksčiau sukūrė didelės spartos{1}}lazerinio medžiagų nusodinimo (EHLA arba itin didelio{2}}greičio medžiagos nusodinimo lazeriu) procesą. Daugiau nei 100 parametrų turi įtakos dangos kokybei šiame procese. Taigi proceso perkėlimas į kitą medžiagą paprastai užtrunka dvejus metus su 1500 eksperimentų ir analizių. Naudodama pakaitinį proceso modelį ir (Bayeso) AI optimizavimo modelį, Holly komanda žymiai sumažino testų skaičių: norint rasti optimalius proceso parametrus, reikėjo atlikti tik 17 bandymų.2.
Žinoma, tinkamų modelių ir strategijų paieška yra nuolatinis tyrimų objektas. Džiugina tai, kad dabartiniai tyrimai parodė, kad proceso optimizavimo laikas sutrumpėjo iki minučių, o ne iki mėnesių. Ir, žinoma, automatizuotas procesų optimizavimas yra kitas žingsnis uždaro{2}}ciklo proceso valdymo link.
ML su 10 kartų mažiau anotuotų duomenų
Nors proceso optimizavimas naudingas iš ankstesnių žinių, ML gali būti naudingas priešingai. Holly pristatė šį stebinantį faktą SPECTARIS seminare, siūlydama nemokamą anotacijų{1} idėją. Jo kolega Julius Neuß vėliau pademonstravo, kaip tai atrodo, atlikdamas suvirinimo proceso kokybės kontrolę, remdamasis eksperimentais, naudojant aliuminio baterijų korpusų suvirinimą lazeriu.
Kaip atspirties tašką, Neuß palygino naują požiūrį su klasikine prižiūrima darbo eiga. Atliekant prižiūrimą sąranką, operatoriai turi anotuoti kiekvieną suvirinimo siūlės dalį rankiniu būdu: vielos padėtį, lydalo telkinį, granulių geometriją, poras ir purslus (1 pav.). Net ir nedidelio duomenų rinkinio atveju tai greitai tampa-imtinga darbo jėga. Be to, AI sužino tik tai, kas aiškiai pažymėta, o jo tvirtumą riboja anotuotų duomenų rinkinio įvairovė ir kokybė.
