En första omgång av AI-applikationer har redan anlänt inom lasermaterialbearbetning. En andra omgång kommer att påskynda maskininlärning avsevärt. Viktigast av allt: AI säljer.
ANDREAS THOSS, BIDRAGANDE REDAKTÖR
Hittills har AI gjort enorma framsteg baserat på dess förmåga att bearbeta stora mängder data. Att analysera miljontals textdokument ledde till exempel till utvecklingen av stora språkmodeller som vi kommunicerar med som om de vore människor. Detta har varit ett löfte sedan datavetenskapens tidiga dagar, liksom ett tema i många science fiction-böcker. Det har uppfyllts först nyligen.
Med tillstånd av Fraunhofer Institute for Laser Technology ILT, Aachen, Tyskland.
Inom industrin har AI åstadkommit ännu mer häpnadsväckande saker och har nyligen blivit anmärkningsvärt snabbare.
AI i industrin
Tillämpningar av AI i industrin överstiger vida språkbearbetning (även om AI-agenter erövrar leverantörers webbplatser också). För det första hjälper de till att automatisera flera distinkta bildbehandlingsuppgifter. Den tyska maskinutvecklaren TRUMPF erbjuder till exempel ett speciellt AI-läge för sin bildbehandlingsprogramvara. För hårnålssvetsning i elmotorer hjälper AI att identifiera svetspartners (som hårnålar) när svårigheter uppstår på grund av kontrast, reflektioner eller skuggor i bilden. Enligt TRUMPF har lösningen ökat "first-pass yield" från 99,2 % till 99,8 %. Detta motsvarar 4× färre "inte okej" delar.
Men det här är bara början. I framtiden kommer AI att använda data från flera källor och förbättra produktiviteten före, under och efter bearbetning. Dess förmåga att bearbeta enorma mängder data är särskilt läglig eftersom flera trender leder till mer och mer dataskapande inom industrin.
En sådan trend är kvalitetskontroll. Biltillverkare kan till exempel fotografera varje svetsfog och spåra hållbarhetsproblem till tillverkningsprocesser. AI kan skilja mellan "bra" och "dåliga" svetsfogar baserat på fotografier som samlas in under produktionen. Det här är ett exempel på en inline- eller efter-process-procedur som producerar data genom alla kritiska produktionssteg. Det gäller förstås mer än biltillverkning.
En andra trend är relaterad till digitala tvillingar. Kompletta maskiner eller produktionsanläggningar simuleras i en digital värld, där själva svetsprocessen simuleras på datorn. Verkliga data hjälper till att förbättra sådana modeller, även om den data som de producerar i huvudsak är syntetisk.
Båda trenderna är nära knutna till utvecklingen av AI. Inom kvalitetskontroll används maskininlärning (ML) för att separera bra och dåliga delar. Maskinen lär sig vilka parametrar som är viktiga och operatören eller programmeraren ställer in tröskelvärdena för varningar eller för när maskinen ska stanna.
Användningen av AI i inspektioner efter-processer har också visats. Till exempel använder det tyska företaget Scansonic MI AI för att identifiera bra och dåliga svetsfogar i bilder. Ytterligare forskning kommer att avgöra hur "användning i-process"-diagnostik kan användas för processkontroll med sluten-loop. Förutom bildbehandling kan detta involvera spektralsensorer, lasertriangulering för 3D-avbildning eller optisk koherenstomografi för svets-djupdiagnostik.
Svetsning är ett starkt exempel, men det är bara ett. Sådan teknik kan (och kommer) att användas där användningsfallet är tillräckligt stort för att motivera investeringen.
AI i kvalitetskontroll används främst för mönsterigenkänning av bearbetade delar. För att stänga kontrollslingan kräver AI kunskap om processen från allra första början. Därför använder forskare processimulering(er) matade med så många processparametrar som möjligt. Här har AI ännu större potential - den kan koppla in- och utgångsparametrar. Forskare vid Central Laser Facility vid Science and Technology Facilities Councils Rutherford Appleton Laboratory i England har till exempel använt AI för att optimera ett lasersystem för plasmaacceleration1. Det finns många rattar att vrida på, och laserplasmaprocessen är mycket olinjär. AI hjälpte forskarna att stabilisera systemet och etablera en plasmakanal för elektronacceleration.
Tillämpad på industrin kunde AI-baserad processsimulering tillåta att sluta slingan för processkontroll. AI vet vilken ratt som ska vridas för att få produktkvaliteten tillbaka till specifikationen. Den kan lära sig genom att praktiskt taget experimentera med alla rattar och utforska parameterlandskapet. Det finns väl-kända modeller för att lösa denna uppgift.
Men att testa alla varianter kan vara tid- och energikrävande-. Den intressanta frågan vid denna tidpunkt relaterar till förkunskaper: Hur mycket snabbare kan AI-inlärning bli om modellen matas med vad människor redan vet om processen?
AI-trender inom fotonikbranschen
Den . 2 och 3 oktober 2025 genomförde den tyska branschorganisationen SPECTARIS - med stöd av Fraunhofer Institute for Laser Technology ILT (Fraunhofer ILT) och Federal Association BITMi - en workshop om AI i fotonik. Deltagare kom från forskningsinstitutioner, inklusive självaste Fraunhofer ILT, och flera universitet, men främst från industrin, med representanter från Microsoft, ZEISS, TRUMPF, Audi, Precitec Vision, Bystronic, Blackbird Robotersysteme, 4D Photonics GmbH, med flera. Medan några av de 27 presentationerna diskuterade AI i optisk design, fokuserade workshopen huvudsakligen på AI-tillämpningar inom industriell laserteknik.
AI-assistenter kan hjälpa laseroperatörer att hitta rätt handledning i en stor kunskapsbas eller optimera banplanering vid laserskärning. Mer intressant är hur AI stödjer komplexa beslut, till exempel vid kvalitetskontroll av lasersvetsning eller lasertillverkningsprocesser. Carlo Holly, ordförande för Technology of Optical Systems vid RWTH Aachen University och avdelningschef vid Fraunhofer ILT, sammanfattade den stora trenden i sin plenarpresentation: "Vi går nu från en data-baserad AI mot data- och fysik-informerad AI."
Holly förklarade detta med ett exempel från sin forskning. Ett team på Fraunhofer ILT har tidigare utvecklat en process för hög-lasermaterialavsättning (EHLA, eller extrem hög-lasermaterialavsättning). Mer än 100 parametrar påverkar beläggningskvaliteten i denna process. Att överföra processen till ett annat material tar alltså vanligtvis två år med 1500 experiment och analyser. Med hjälp av en surrogatmodell av processen och en (bayesiansk) AI-optimeringsmodell minskade Hollys team antalet tester avsevärt: Endast 17 försök behövdes för att hitta de optimala processparametrarna2.
Att hitta de rätta modellerna och strategierna är naturligtvis ett pågående ämne för forskning. Uppmuntrande nog har aktuell forskning visat att tiden för processoptimering har reducerats till minuter snarare än månader. Och naturligtvis är automatiserad processoptimering nästa steg mot processkontroll med sluten-loop.
ML med 10× mindre kommenterad data
Medan processoptimering drar nytta av förkunskaper kan ML dra nytta av motsatsen. Holly presenterade detta överraskande faktum vid SPECTARIS-workshopen med idén om annoteringsfri -ML. Hans kollega, Julius Neuß, visade senare hur detta ser ut i kvalitetskontrollen av en svetsprocess, baserat på experiment med lasersvetsning av aluminiumbatterihus.
Som utgångspunkt jämförde Neuß det nya tillvägagångssättet med det klassiska övervakade arbetsflödet. I en övervakad installation måste operatörerna anteckna varje del av svetsfogen manuellt: trådposition, smältbassäng, stränggeometri, porer och stänk (Figur 1). Även för en liten datamängd blir detta snabbt-arbetsintensivt. Dessutom lär AI sig bara det som är uttryckligen märkt, och dess robusthet begränsas både av mångfalden och kvaliteten på den kommenterade datamängden.
