แอปพลิเคชัน AI รอบแรกได้มาถึงแล้วในการประมวลผลวัสดุด้วยเลเซอร์ รอบที่สองจะเร่งการเรียนรู้ของเครื่องอย่างมหาศาล สิ่งสำคัญที่สุดคือ AI ขายได้
แอนเดรียส โธส บรรณาธิการร่วม
จนถึงตอนนี้ AI มีความก้าวหน้าอย่างมากจากความสามารถในการประมวลผลข้อมูลจำนวนมาก ตัวอย่างเช่น การวิเคราะห์เอกสารข้อความจำนวนนับล้าน นำไปสู่การพัฒนาแบบจำลองภาษาขนาดใหญ่ ซึ่งเราสื่อสารราวกับว่าเป็นมนุษย์ นี่เป็นคำมั่นสัญญามาตั้งแต่ยุคแรกๆ ของวิทยาการคอมพิวเตอร์ เช่นเดียวกับหัวข้อในหนังสือนิยายวิทยาศาสตร์หลายเล่ม เพิ่งจะสำเร็จได้ไม่นานนี้เอง
ได้รับความอนุเคราะห์จากสถาบัน Fraunhofer สำหรับเทคโนโลยีเลเซอร์ ILT, อาเค่น ประเทศเยอรมนี
ในอุตสาหกรรม AI ได้ทำสิ่งที่น่าอัศจรรย์ให้สำเร็จมากยิ่งขึ้น และเมื่อไม่นานมานี้ก็เร็วขึ้นอย่างน่าทึ่ง
เอไอในอุตสาหกรรม
การประยุกต์ใช้ AI ในอุตสาหกรรมมีมากกว่าการประมวลผลภาษามาก (แม้ว่าตัวแทน AI จะพิชิตเว็บไซต์ของผู้ขายด้วยเช่นกัน) ประการแรก ช่วยทำให้งานการประมวลผลภาพที่แตกต่างกันหลายอย่างเป็นไปโดยอัตโนมัติ ตัวอย่างเช่น ผู้พัฒนาเครื่องจักรชาวเยอรมัน TRUMPF นำเสนอโหมด AI พิเศษสำหรับซอฟต์แวร์ประมวลผลภาพ สำหรับการเชื่อมกิ๊บติดผมในมอเตอร์ไฟฟ้า AI จะช่วยระบุคู่การเชื่อม (เช่น กิ๊บติดผม) เมื่อเกิดปัญหาเนื่องจากคอนทราสต์ การสะท้อน หรือเงาในภาพ จากข้อมูลของ TRUMPF โซลูชันได้เพิ่ม "อัตราผลตอบแทนการส่งบอลครั้งแรก" จาก 99.2% เป็น 99.8% ซึ่งเท่ากับส่วนที่ "ไม่โอเค" น้อยลง 4 เท่า
แต่นี่เป็นเพียงจุดเริ่มต้นเท่านั้น ในอนาคต AI จะใช้ข้อมูลจากหลายแหล่งและปรับปรุงประสิทธิภาพการทำงานทั้งก่อน ระหว่าง และหลังการประมวลผล ความสามารถในการประมวลผลข้อมูลจำนวนมหาศาลนั้นเกิดขึ้นได้ทันท่วงทีเป็นพิเศษ เนื่องจากแนวโน้มต่างๆ มากมายนำไปสู่การสร้างข้อมูลในอุตสาหกรรมเพิ่มมากขึ้นเรื่อยๆ
แนวโน้มประการหนึ่งคือการควบคุมคุณภาพ ตัวอย่างเช่น ผู้ผลิตรถยนต์สามารถถ่ายภาพรอยเชื่อมแต่ละรอยและติดตามปัญหาความทนทานในกระบวนการผลิตได้ AI สามารถแยกแยะระหว่างรอยเชื่อม "ดี" และ "ไม่ดี" ตามภาพถ่ายที่รวบรวมระหว่างการผลิต นี่คือตัวอย่างของกระบวนการอินไลน์หรือหลัง-กระบวนการที่สร้างข้อมูลตลอดขั้นตอนการผลิตที่สำคัญทั้งหมด แน่นอนว่าสิ่งนี้ใช้ได้กับมากกว่าการผลิตรถยนต์
เทรนด์ที่สองเกี่ยวข้องกับฝาแฝดดิจิทัล เครื่องจักรหรือโรงงานผลิตที่สมบูรณ์ได้รับการจำลองในโลกดิจิทัล โดยที่กระบวนการเชื่อมจะถูกจำลองบนคอมพิวเตอร์ ข้อมูลจริงจะช่วยปรับปรุงแบบจำลองดังกล่าว แม้ว่าข้อมูลที่สร้างขึ้นจะเป็นข้อมูลสังเคราะห์ก็ตาม
แนวโน้มทั้งสองมีความเชื่อมโยงอย่างใกล้ชิดกับวิวัฒนาการของ AI ในการควบคุมคุณภาพ การเรียนรู้ของเครื่อง (ML) ใช้เพื่อแยกส่วนที่ดีและไม่ดี เครื่องจักรจะเรียนรู้ว่าพารามิเตอร์ใดมีความสำคัญ และผู้ปฏิบัติงานหรือโปรแกรมเมอร์จะกำหนดเกณฑ์สำหรับการเตือนหรือเวลาที่เครื่องควรหยุด
มีการสาธิตการใช้ AI ในการตรวจสอบหลังกระบวนการ-ด้วย ตัวอย่างเช่น บริษัทสัญชาติเยอรมัน Scansonic MI ใช้ AI เพื่อระบุรอยเชื่อมที่ดีและไม่ดีในภาพ การวิจัยเพิ่มเติมจะกำหนดวิธีการใช้การวินิจฉัย "ใช้ใน-กระบวนการ" สำหรับการควบคุมกระบวนการแบบลูปปิด นอกเหนือจากการประมวลผลภาพแล้ว อาจเกี่ยวข้องกับเซ็นเซอร์สเปกตรัม เลเซอร์สามเหลี่ยมสำหรับการสร้างภาพ 3 มิติ หรือการตรวจเอกซเรย์การเชื่อมโยงกันด้วยแสงสำหรับการวินิจฉัยเชิงลึก-ของการเชื่อม
การเชื่อมเป็นตัวอย่างที่ชัดเจน แต่ก็เป็นเพียงตัวอย่างเดียวเท่านั้น เทคโนโลยีดังกล่าวสามารถ (และจะ) นำไปใช้ได้ทุกที่ที่มีกรณีการใช้งานมีขนาดใหญ่พอที่จะพิสูจน์การลงทุนได้
AI ในการควบคุมคุณภาพใช้สำหรับการจดจำรูปแบบของชิ้นส่วนที่ผ่านการประมวลผลเป็นหลัก เพื่อปิดลูปควบคุม AI ต้องใช้ความรู้เกี่ยวกับกระบวนการตั้งแต่เริ่มต้น ดังนั้น ผู้วิจัยจึงใช้การจำลองกระบวนการที่ป้อนด้วยพารามิเตอร์กระบวนการให้ได้มากที่สุด ที่นี่ AI มีศักยภาพมากยิ่งขึ้น - ซึ่งอาจเชื่อมโยงพารามิเตอร์อินพุตและเอาต์พุต ตัวอย่างเช่น นักวิจัยที่ Central Laser Facility ที่ห้องปฏิบัติการ Rutherford Appleton ของสภาสิ่งอำนวยความสะดวกวิทยาศาสตร์และเทคโนโลยีในอังกฤษ ได้ใช้ AI เพื่อเพิ่มประสิทธิภาพระบบเลเซอร์สำหรับการเร่งพลาสมา1. มีปุ่มหมุนหลายปุ่ม และกระบวนการเลเซอร์พลาสมามีความไม่เชิงเส้นสูง AI ช่วยให้นักวิทยาศาสตร์รักษาเสถียรภาพของระบบและสร้างช่องพลาสมาสำหรับการเร่งอิเล็กตรอน
เมื่อนำไปใช้กับอุตสาหกรรม การจำลองกระบวนการโดยใช้ AI- อาจทำให้สามารถปิดลูปเพื่อควบคุมกระบวนการได้ AI รู้ว่าต้องหมุนปุ่มใดเพื่อนำคุณภาพผลิตภัณฑ์กลับมาสู่ข้อมูลจำเพาะ สามารถเรียนรู้ได้โดยการทดลองกับปุ่มหมุนทั้งหมดและสำรวจภูมิทัศน์ของพารามิเตอร์ มีโมเดลที่รู้จักกันดี-เพื่อแก้ไขปัญหานี้
แต่การทดสอบรูปแบบทั้งหมดอาจใช้เวลา-และใช้พลังงาน- คำถามที่น่าสนใจ ณ จุดนี้เกี่ยวข้องกับความรู้เดิม: การเรียนรู้ของ AI จะเร็วขึ้นได้แค่ไหนหากแบบจำลองได้รับการป้อนสิ่งที่มนุษย์รู้อยู่แล้วเกี่ยวกับกระบวนการนี้
แนวโน้ม AI ในอุตสาหกรรมโฟโตนิกส์
ในวันที่. 2 และวันที่ 3 ตุลาคม 2025 สมาคมอุตสาหกรรมของเยอรมนี SPECTARIS - ได้รับการสนับสนุนโดย Fraunhofer Institute for Laser Technology ILT (Fraunhofer ILT) และ Federal Association BITMi - ได้จัดเวิร์กช็อปเกี่ยวกับ AI ในโฟโตนิกส์ ผู้เข้าร่วมมาจากสถาบันการวิจัย รวมถึง Fraunhofer ILT และมหาวิทยาลัยหลายแห่ง แต่ส่วนใหญ่มาจากภาคอุตสาหกรรม โดยมีตัวแทนจาก Microsoft, ZEISS, TRUMPF, Audi, Precitec Vision, Bystronic, Blackbird Robotersysteme, 4D Photonics GmbH และอีกมากมาย ในขณะที่การนำเสนอบางส่วนจากทั้งหมด 27 รายการได้พูดคุยถึง AI ในการออกแบบออพติคัล แต่เวิร์กช็อปมุ่งเน้นไปที่การใช้งาน AI ในเทคโนโลยีเลเซอร์อุตสาหกรรมเป็นหลัก
ผู้ช่วย AI สามารถช่วยให้ผู้ปฏิบัติงานเลเซอร์ค้นหาบทช่วยสอนที่เหมาะสมในฐานความรู้ขนาดใหญ่ หรือเพิ่มประสิทธิภาพการวางแผนวิถีในการตัดด้วยเลเซอร์ สิ่งที่น่าสนใจกว่านั้นคือวิธีที่ AI สนับสนุนการตัดสินใจที่ซับซ้อน เช่น ในการควบคุมคุณภาพของการเชื่อมด้วยเลเซอร์หรือกระบวนการผลิตแบบเติมเนื้อด้วยเลเซอร์ Carlo Holly ประธานฝ่ายเทคโนโลยีระบบออปติคัลที่ RWTH Aachen University และหัวหน้าแผนกที่ Fraunhofer ILT สรุปแนวโน้มสำคัญในการนำเสนอแบบเต็มของเขา: "ขณะนี้ เรากำลังเปลี่ยนจากข้อมูล-AI ที่ใช้ข้อมูล ไปสู่ข้อมูล- และฟิสิกส์-AI ที่ได้รับข้อมูล"
ฮอลลี่อธิบายเรื่องนี้ด้วยตัวอย่างจากงานวิจัยของเขา ก่อนหน้านี้ทีมงานที่ Fraunhofer ILT ได้พัฒนากระบวนการสำหรับการสะสมวัสดุด้วยเลเซอร์ความเร็วสูง- (EHLA หรือการสะสมวัสดุด้วยเลเซอร์ความเร็วสูง-มาก) พารามิเตอร์มากกว่า 100 ตัวมีอิทธิพลต่อคุณภาพการเคลือบในกระบวนการนี้ ดังนั้นการถ่ายโอนกระบวนการไปยังวัสดุอื่นโดยทั่วไปจะใช้เวลาสองปีด้วยการทดลองและการวิเคราะห์ 1,500 ครั้ง การใช้แบบจำลองตัวแทนของกระบวนการและแบบจำลองการเพิ่มประสิทธิภาพ AI (แบบเบย์) ทำให้ทีมของ Holly ลดจำนวนการทดสอบลงอย่างมาก โดยจำเป็นต้องมีการทดลองเพียง 17 ครั้งเท่านั้นเพื่อค้นหาพารามิเตอร์กระบวนการที่เหมาะสมที่สุด2.
แน่นอนว่าการค้นหาแบบจำลองและกลยุทธ์ที่เหมาะสมนั้นเป็นหัวข้อการวิจัยที่กำลังดำเนินอยู่ การวิจัยในปัจจุบันแสดงให้เห็นว่าเวลาในการปรับกระบวนการให้เหมาะสมลดลงเหลือเพียงนาทีแทนที่จะเป็นเดือน และแน่นอนว่า การเพิ่มประสิทธิภาพกระบวนการอัตโนมัติเป็นขั้นตอนต่อไปในการควบคุมกระบวนการแบบวงปิด-
ML ที่มีข้อมูลประกอบน้อยกว่า 10 เท่า
แม้ว่าการเพิ่มประสิทธิภาพกระบวนการจะได้รับประโยชน์จากความรู้เดิม แต่ ML ก็อาจได้ประโยชน์จากสิ่งที่ตรงกันข้าม Holly นำเสนอข้อเท็จจริงอันน่าประหลาดใจนี้ในเวิร์กช็อป SPECTARIS ด้วยแนวคิดเรื่อง ML ฟรีสำหรับคำอธิบายประกอบ Julius Neuß เพื่อนร่วมงานของเขา ได้สาธิตในภายหลังว่าสิ่งนี้จะเป็นอย่างไรในการควบคุมคุณภาพของกระบวนการเชื่อม โดยอิงจากการทดลองโดยใช้การเชื่อมด้วยเลเซอร์ของตัวเรือนแบตเตอรี่อลูมิเนียม
โดยเป็นจุดเริ่มต้น Neuß ได้เปรียบเทียบแนวทางใหม่กับเวิร์กโฟลว์ภายใต้การดูแลแบบคลาสสิก ในการตั้งค่าที่ได้รับการดูแล ผู้ปฏิบัติงานจะต้องใส่คำอธิบายประกอบแต่ละส่วนของรอยเชื่อมด้วยตนเอง: ตำแหน่งลวด สระละลาย รูปทรงของลูกปัด รูพรุน และการกระเด็น (รูปที่ 1) แม้แต่ชุดข้อมูลขนาดเล็ก การดำเนินการนี้ก็ต้องใช้แรงงานมาก-อย่างรวดเร็ว ยิ่งไปกว่านั้น AI จะเรียนรู้เฉพาะสิ่งที่มีป้ายกำกับไว้อย่างชัดเจน และความแข็งแกร่งของมันถูกจำกัดด้วยความหลากหลายและคุณภาพของชุดข้อมูลที่มีคำอธิบายประกอบ
