Een eerste ronde van AI-toepassingen is al gearriveerd in de lasermateriaalverwerking. Een tweede ronde zal machine learning enorm versnellen. Het allerbelangrijkste: AI verkoopt.
ANDREAS THOSS, BIJDRAGEND REDACTIE
Tot nu toe heeft AI enorme vooruitgang geboekt dankzij zijn vermogen om grote hoeveelheden gegevens te verwerken. Het analyseren van ontelbare tekstdocumenten heeft bijvoorbeeld geleid tot de ontwikkeling van grote taalmodellen waarmee we communiceren alsof ze menselijk zijn. Dit is een belofte sinds de begindagen van de informatica, en ook een thema in veel sciencefictionboeken. Het is pas onlangs vervuld.
Met dank aan Fraunhofer Instituut voor Lasertechnologie ILT, Aken, Duitsland.
In de industrie heeft AI nog meer verbazingwekkende dingen bereikt en is de laatste tijd opmerkelijk sneller geworden.
AI in de industrie
Toepassingen van AI in de industrie gaan veel verder dan taalverwerking (hoewel AI-agenten ook de websites van leveranciers veroveren). Ten eerste helpen ze bij het automatiseren van verschillende afzonderlijke beeldverwerkingstaken. De Duitse machineontwikkelaar TRUMPF biedt bijvoorbeeld een speciale AI-modus voor zijn beeldverwerkingssoftware. Bij haarspeldlassen in elektromotoren helpt AI bij het identificeren van de laspartners (zoals haarspelden) wanneer zich problemen voordoen als gevolg van contrast, reflecties of schaduwen in het beeld. Volgens TRUMPF heeft de oplossing het "first{4}}-rendement" verhoogd van 99,2% naar 99,8%. Dit komt neer op 4× minder “niet oké” onderdelen.
Maar dit is nog maar het begin. In de toekomst zal AI gegevens uit meerdere bronnen gebruiken en de productiviteit vóór, tijdens en na de verwerking verbeteren. Het vermogen om enorme hoeveelheden data te verwerken komt vooral op het juiste moment omdat verschillende trends leiden tot steeds meer datacreatie in de industrie.
Eén van die trends is kwaliteitscontrole. Autofabrikanten kunnen bijvoorbeeld elke lasnaad fotograferen en duurzaamheidsproblemen in productieprocessen traceren. AI kan onderscheid maken tussen ‘goede’ en ‘slechte’ lasnaden op basis van foto’s die tijdens de productie worden verzameld. Dit is een voorbeeld van een inline- of post-procesprocedure die gegevens produceert tijdens alle kritieke productiestappen. Het geldt uiteraard voor meer dan alleen de autoproductie.
Een tweede trend houdt verband met digitale tweelingen. Complete machines of productiefaciliteiten worden gesimuleerd in een digitale wereld, waarbij het lasproces zelf op de computer wordt gesimuleerd. Echte gegevens helpen dergelijke modellen te verbeteren, hoewel de gegevens die ze opleveren in wezen synthetisch zijn.
Beide trends zijn nauw verbonden met de evolutie van AI. Bij kwaliteitscontrole wordt machine learning (ML) gebruikt om goede en slechte delen te scheiden. De machine leert welke parameters belangrijk zijn en de operator of programmeur stelt de drempelwaarden in voor waarschuwingen of wanneer de machine moet stoppen.
Het gebruik van AI bij post-procesinspecties is ook aangetoond. Het Duitse bedrijf Scansonic MI gebruikt bijvoorbeeld AI om goede en slechte lasnaden in afbeeldingen te identificeren. Verder onderzoek zal uitwijzen hoe 'gebruik in-proces'-diagnostiek kan worden gebruikt voor gesloten-procescontrole. Naast beeldverwerking kan dit ook betrekking hebben op spectrale sensoren, lasertriangulatie voor 3D-beeldvorming of optische coherentietomografie voor las-dieptediagnostiek.
Lassen is een sterk voorbeeld, maar het is er slechts één. Dergelijke technologie kan (en zal) worden gebruikt overal waar de use case groot genoeg is om de investering te rechtvaardigen.
AI bij kwaliteitscontrole wordt vooral gebruikt voor patroonherkenning van bewerkte onderdelen. Om de controlelus te sluiten, heeft AI vanaf het begin kennis over het proces nodig. Daarom gebruiken onderzoekers processimulatie(s) gevoed met zoveel mogelijk procesparameters. Hier heeft AI een nog groter potentieel - het kan invoer- en uitvoerparameters met elkaar verbinden. Onderzoekers van de Central Laser Facility van het Rutherford Appleton Laboratory van de Science and Technology Facilities Council in Engeland hebben bijvoorbeeld AI gebruikt om een lasersysteem voor plasmaversnelling te optimaliseren1. Er zijn veel knoppen waaraan moet worden gedraaid, en het laserplasmaproces is in hoge mate niet-lineair. AI hielp de wetenschappers het systeem te stabiliseren en een plasmakanaal voor elektronenversnelling tot stand te brengen.
Toegepast op de industrie zou op AI-gebaseerde processimulatie het mogelijk kunnen maken de cirkel voor procescontrole te sluiten. AI weet aan welke knop hij moet draaien om de productkwaliteit weer op het niveau van de specificaties te brengen. Het kan leren door virtueel met alle knoppen te experimenteren en het parameterlandschap te verkennen. Er bestaan-bekende modellen om deze taak op te lossen.
Maar het testen van alle varianten kan tijd- en energie-rovend zijn. De interessante vraag op dit punt heeft betrekking op voorkennis: hoeveel sneller kan AI-leren worden als het model wordt gevoed met wat mensen al weten over het proces?
AI-trends in de fotonica-industrie
Op oktober. 2 en 3 oktober 2025 gaf de Duitse brancheorganisatie SPECTARIS -, ondersteund door het Fraunhofer Instituut voor Lasertechnologie ILT (Fraunhofer ILT) en de Federale Vereniging BITMi - een workshop over AI in de fotonica. Deelnemers kwamen van onderzoeksinstellingen, waaronder Fraunhofer ILT zelf, en verschillende universiteiten, maar vooral uit de industrie, met vertegenwoordigers van Microsoft, ZEISS, TRUMPF, Audi, Precitec Vision, Bystronic, Blackbird Robotersysteme, 4D Photonics GmbH en meer. Terwijl sommige van de 27 presentaties AI in optisch ontwerp bespraken, concentreerde de workshop zich vooral op AI-toepassingen in industriële lasertechnologie.
AI-assistenten kunnen laseroperators helpen de juiste tutorial te vinden in een grote kennisbank of de trajectplanning bij lasersnijden te optimaliseren. Interessanter is hoe AI complexe beslissingen ondersteunt, bijvoorbeeld bij de kwaliteitscontrole van laserlassen of laser-additive manufacturing-processen. Carlo Holly, voorzitter van Technology of Optical Systems aan de RWTH Universiteit van Aken en afdelingshoofd bij Fraunhofer ILT, vatte de belangrijkste trend in zijn plenaire presentatie samen: "We gaan nu over van een data-gebaseerde AI naar data- en natuurkunde-geïnformeerde AI."
Holly legde dit uit met een voorbeeld uit zijn onderzoek. Een team bij Fraunhofer ILT heeft eerder een proces ontwikkeld voor depositie van lasermateriaal met hoge-snelheid (EHLA, of depositie van lasermateriaal met extreem hoge-snelheid). Bij dit proces beïnvloeden meer dan 100 parameters de coatingkwaliteit. Het overbrengen van het proces naar een ander materiaal duurt dus doorgaans twee jaar met 1500 experimenten en analyses. Met behulp van een surrogaatmodel van het proces en een (Bayesiaans) AI-optimalisatiemodel verminderde het team van Holly het aantal tests aanzienlijk: er waren slechts 17 tests nodig om de optimale procesparameters te vinden2.
Uiteraard is het vinden van de juiste modellen en strategieën een voortdurend onderwerp van onderzoek. Het is bemoedigend dat uit huidig onderzoek is gebleken dat de tijd voor procesoptimalisatie is teruggebracht tot minuten in plaats van maanden. En natuurlijk is geautomatiseerde procesoptimalisatie de volgende stap in de richting van procescontrole met gesloten-loop.
ML met 10× minder geannoteerde gegevens
Terwijl procesoptimalisatie baat heeft bij voorkennis, kan ML profiteren van het tegenovergestelde. Holly introduceerde dit verrassende feit tijdens de SPECTARIS-workshop met het idee van annotatie-gratis ML. Zijn collega Julius Neuß demonstreerde later hoe dit eruit ziet bij de kwaliteitscontrole van een lasproces, aan de hand van experimenten met laserlassen van aluminium batterijbehuizingen.
Als uitgangspunt vergeleek Neuß de nieuwe aanpak met de klassieke begeleide workflow. In een gecontroleerde opstelling moeten operators elk deel van de lasnaad handmatig annoteren: draadpositie, smeltbad, lasnaadgeometrie, poriën en spatten (Afbeelding 1). Zelfs voor een kleine dataset wordt dit al snel arbeidsintensief-. Bovendien leert de AI alleen wat expliciet is gelabeld, en wordt de robuustheid ervan beperkt door zowel de diversiteit als de kwaliteit van de geannoteerde dataset.
