اولین دور از کاربردهای هوش مصنوعی در پردازش مواد لیزری وارد شده است. دور دوم یادگیری ماشینی را به شدت تسریع خواهد کرد. مهمتر از همه: هوش مصنوعی می فروشد.
آندریاس توس، سردبیر
تا کنون، هوش مصنوعی بر اساس توانایی خود در پردازش مقادیر زیادی داده، پیشرفت فوق العاده ای داشته است. برای مثال، تجزیه و تحلیل هزاران سند متنی، منجر به توسعه مدلهای زبانی بزرگی شد که ما با آنها به گونهای ارتباط برقرار میکنیم که گویی انسان هستند. این یک وعده از روزهای اولیه علم کامپیوتر و همچنین موضوعی در بسیاری از کتاب های علمی تخیلی بوده است. به تازگی محقق شده است.
با حسن نیت از موسسه Fraunhofer برای فناوری لیزر ILT، آخن، آلمان.
در صنعت، هوش مصنوعی کارهای شگفتانگیزتری را انجام داده است و اخیراً به طرز چشمگیری سریعتر شده است.
هوش مصنوعی در صنعت
کاربردهای هوش مصنوعی در صنعت بسیار فراتر از پردازش زبان است (اگرچه عوامل هوش مصنوعی وب سایت های فروشندگان را نیز تسخیر می کنند). اول، آنها به خودکارسازی چندین کار پردازش تصویر متمایز کمک می کنند. به عنوان مثال، توسعه دهنده ماشین آلمانی TRUMPF، یک حالت هوش مصنوعی ویژه برای نرم افزار پردازش تصویر خود ارائه می دهد. برای جوشکاری سنجاق سر در موتورهای الکتریکی، هوش مصنوعی به شناسایی شرکای جوشکاری (مانند سنجاق سر) در زمانی که مشکلاتی به دلیل کنتراست، انعکاس یا سایه در تصویر ایجاد می شود، کمک می کند. به گفته TRUMPF، راه حل «بازده پاس اول» را از 99.2 درصد به 99.8 درصد افزایش داده است. این معادل 4× قطعات «بسیار خوب» است.
اما این تازه آغاز راه است. در آینده، هوش مصنوعی از دادههای چندین منبع استفاده میکند و بهرهوری را قبل، حین و بعد از پردازش بهبود میبخشد. توانایی آن برای پردازش مقادیر عظیمی از داده ها به ویژه به موقع است زیرا چندین روند منجر به ایجاد بیشتر و بیشتر داده در صنعت می شود.
یکی از این روندها کنترل کیفیت است. به عنوان مثال، سازندگان خودرو می توانند از هر درز جوش عکس بگیرند و مشکلات دوام را در فرآیندهای تولید ردیابی کنند. هوش مصنوعی می تواند بین درزهای جوش "خوب" و "بد" بر اساس عکس هایی که در طول تولید جمع آوری می شود، تمایز قائل شود. این نمونهای از یک فرآیند درون خطی یا پست{3}}است که دادهها را در تمام مراحل تولید حیاتی تولید میکند. البته بیشتر از خودروسازی کاربرد دارد.
روند دوم مربوط به دوقلوهای دیجیتال است. ماشینهای کامل یا امکانات تولید در دنیای دیجیتال شبیهسازی میشوند، جایی که فرآیند جوشکاری روی کامپیوتر شبیهسازی میشود. داده های واقعی به بهبود چنین مدل هایی کمک می کند، اگرچه داده هایی که آنها تولید می کنند اساساً مصنوعی است.
هر دو گرایش ارتباط تنگاتنگی با تکامل هوش مصنوعی دارند. در کنترل کیفیت، یادگیری ماشینی (ML) برای جداسازی قطعات خوب و بد استفاده می شود. ماشین یاد میگیرد که کدام پارامترها مهم هستند و اپراتور یا برنامهنویس آستانههایی را برای هشدارها یا زمان توقف ماشین تعیین میکند.
استفاده از هوش مصنوعی در{0}}بازرسی های پس از فرآیند نیز نشان داده شده است. به عنوان مثال، شرکت آلمانی Scansonic MI از هوش مصنوعی برای شناسایی درزهای جوش خوب و بد در تصاویر استفاده می کند. تحقیقات بیشتر مشخص خواهد کرد که چگونه میتوان از تشخیص «استفاده در{3}}فرایند برای کنترل فرآیند حلقه بسته استفاده کرد. علاوه بر پردازش تصویر، این ممکن است شامل حسگرهای طیفی، مثلث سازی لیزری برای تصویربرداری سه بعدی، یا توموگرافی انسجام نوری برای تشخیص عمق جوش باشد.
جوشکاری یک مثال قوی است، اما فقط یکی است. چنین فناوری می تواند (و خواهد شد) در هر جایی که مورد استفاده به اندازه کافی بزرگ باشد که سرمایه گذاری را توجیه کند، مورد استفاده قرار گیرد.
هوش مصنوعی در کنترل کیفیت در درجه اول برای تشخیص الگوی قطعات پردازش شده استفاده می شود. برای بستن حلقه کنترل، هوش مصنوعی از همان ابتدا نیاز به دانش در مورد فرآیند دارد. بنابراین، محققان از شبیه سازی(های) فرآیندی استفاده می کنند که تا حد امکان از پارامترهای فرآیند تغذیه می شود. در اینجا، هوش مصنوعی پتانسیل بیشتری دارد - ممکن است پارامترهای ورودی و خروجی را به هم متصل کند. برای مثال، محققان مرکز لیزر مرکزی در آزمایشگاه رادرفورد اپلتون در انگلستان، از هوش مصنوعی برای بهینهسازی یک سیستم لیزری برای شتاب پلاسما استفاده کردهاند.1. دستگیره های زیادی برای چرخاندن وجود دارد و فرآیند پلاسمای لیزری بسیار غیرخطی است. هوش مصنوعی به دانشمندان کمک کرد تا سیستم را تثبیت کنند و یک کانال پلاسما برای شتاب الکترون ایجاد کنند.
شبیهسازی فرآیند مبتنی بر هوش مصنوعی{0}}در صنعت اعمال میشود، میتواند به بستن حلقه برای کنترل فرآیند اجازه دهد. هوش مصنوعی می داند که برای بازگرداندن کیفیت محصول به مشخصات، کدام دکمه را بچرخاند. این می تواند با آزمایش مجازی با تمام دستگیره ها و کاوش در چشم انداز پارامتر یاد بگیرد. مدل های شناخته شده ای برای حل این کار-وجود دارد.
اما آزمایش همه تغییرات میتواند زمان- و انرژی-میگیرد. سوال جالب در این مرحله به دانش قبلی مربوط میشود: یادگیری هوش مصنوعی چقدر سریعتر میشود اگر مدل از آنچه انسانها از قبل درباره فرآیند میدانند تغذیه شود؟
روندهای هوش مصنوعی در صنعت فوتونیک
در اکتبر. 2 و 3 اکتبر 2025، انجمن صنعت آلمان SPECTARIS - با پشتیبانی موسسه Fraunhofer برای فناوری لیزر ILT (Fraunhofer ILT) و انجمن فدرال BITMi - یک کارگاه آموزشی در مورد هوش مصنوعی در فوتونیک برگزار کردند. شرکت کنندگان از موسسات تحقیقاتی، از جمله خود Fraunhofer ILT، و چندین دانشگاه، اما عمدتاً از صنعت، با نمایندگانی از Microsoft، ZEISS، TRUMPF، Audi، Precitec Vision، Bystronic، Blackbird Robotersysteme، 4D Photonics GmbH و غیره بودند. در حالی که برخی از 27 ارائه، هوش مصنوعی را در طراحی نوری مورد بحث قرار دادند، کارگاه عمدتاً بر روی کاربردهای هوش مصنوعی در فناوری لیزر صنعتی متمرکز بود.
دستیاران هوش مصنوعی می توانند به اپراتورهای لیزر کمک کنند تا آموزش مناسب را در یک پایگاه دانش بزرگ بیابند یا برنامه ریزی مسیر را در برش لیزری بهینه کنند. جالب تر این است که چگونه هوش مصنوعی از تصمیمات پیچیده پشتیبانی می کند، به عنوان مثال، در کنترل کیفیت فرآیندهای تولید جوشکاری لیزری یا افزودنی لیزر. کارلو هولی، رئیس فناوری سیستمهای نوری در دانشگاه RWTH آخن و رئیس بخش در Fraunhofer ILT، روند اصلی را در سخنرانی عمومی خود خلاصه کرد: "اکنون ما از یک هوش مصنوعی مبتنی بر داده به سمت هوش مصنوعی مبتنی بر داده- و فیزیک{{4}{4} حرکت میکنیم."
هالی این را با مثالی از تحقیقات خود توضیح داد. تیمی در Fraunhofer ILT قبلاً فرآیندی را برای-رسوب گذاری مواد لیزری با سرعت بالا (EHLA یا رسوب{2}}سرعت بسیار بالا مواد لیزری) توسعه داده بودند. بیش از 100 پارامتر بر کیفیت پوشش در این فرآیند تأثیر می گذارد. بنابراین، انتقال فرآیند به ماده دیگر معمولاً با 1500 آزمایش و تجزیه و تحلیل دو سال طول می کشد. تیم هالی با استفاده از مدل جایگزین فرآیند و مدل بهینهسازی هوش مصنوعی (بیزی)، تعداد آزمایشها را به میزان قابل توجهی کاهش داد: برای یافتن پارامترهای فرآیند بهینه تنها به 17 آزمایش نیاز بود.2.
البته، یافتن مدلها و استراتژیهای مناسب موضوع تحقیق مداوم است. به طور دلگرم کننده، تحقیقات فعلی نشان داده است که زمان بهینه سازی فرآیند به چند دقیقه کاهش یافته است تا ماه ها. و البته، بهینه سازی فرآیند خودکار گام بعدی به سوی کنترل فرآیند حلقه بسته است.
ML با داده های حاشیه نویسی 10× کمتر
در حالی که بهینه سازی فرآیند از دانش قبلی سود می برد، ML ممکن است از خلاف آن بهره مند شود. هالی این واقعیت شگفتانگیز را در کارگاه SPECTARIS با ایده حاشیهنویسی{1}}ML رایگان معرفی کرد. همکار او، Julius Neuß، بعداً بر اساس آزمایشهایی که با استفاده از جوشکاری لیزری محفظههای باتری آلومینیومی انجام میشد، نشان داد که این در کنترل کیفیت فرآیند جوشکاری چگونه است.
به عنوان نقطه شروع، Neuß رویکرد جدید را با گردش کار کلاسیک تحت نظارت مقایسه کرد. در یک تنظیم نظارت شده، اپراتورها باید هر قسمت از درز جوش را به صورت دستی حاشیه نویسی کنند: موقعیت سیم، حوضچه مذاب، هندسه مهره، منافذ، و پاشش (شکل 1). حتی برای یک مجموعه داده کوچک، این به سرعت-کار فشرده می شود. علاوه بر این، هوش مصنوعی فقط آنچه را که به صراحت برچسب گذاری شده است، می آموزد و استحکام آن هم به دلیل تنوع و هم کیفیت مجموعه داده های مشروح محدود می شود.
