AI hat das Potenzial, Regelkreise zu schließen

Werkstoffe 08. 02. 2024
  • Autoren dieses Artikels
  • 365x gelesen

Ob in der Lasermaterialbearbeitung, in additiven Fertigungs- und Reparaturprozessen, für eine Unkrautbekämpfung per Laser oder ein automatisiertes Design optischer Systeme: Artificial Intelligence (AI) entfaltet auch in der Photonik enormes, teils disruptives Potenzial. Die dritte AI for Laser Technology Conference, die Ende November mit rund 50 internationalen Expertinnen und Experten am Fraunhofer-Institut für Lasertechnik ILT in Aachen stattfand, hat klar gezeigt, dass die AI-getriebene Transformation in vollem Gange ist.

Unsere AI setzt im Design optischer Systeme in Sekunden um, wofür klassische Algorithmen bisher Stunden oder Tage brauchten oder gar keine Lösungen finden, berichtete Konferenzleiter Prof. Carlo Holly auf der dritten AI for Laser Technology Conference, zu der das Fraunhofer ILT am 23. und 24. November 2023 eingeladen hatte.

Wer den Regelkreis schließe, könne eine Maschine bauen, die sich selbst regele. Das sei die Roadmap, der wir folgen, sagt Prof. Carlo Holly, Abteilungsleiter Data Science und Mess­technik am Fraunhofer ILT (© Fraunhofer ILT, Aachen)

 

Als Leiter der Abteilung Data Science und Messtechnik des Fraunhofer ILT und Inhaber des Lehrstuhls für Technologie Optischer Systeme TOS der RWTH Aachen ­University befasst sich Holly Tag für Tag mit datengetriebenen Innovationen. Doch das ­aktuelle, von Artificial Intelligence (AI) forcierte Inno­vationsgeschehen sprengt auch aus ­seiner Sicht Dimensionen. Das Potenzial von AI geht ihm zufolge über das reine Monitoring und die Steuerung von Laserprozessen hinaus: Wir können damit den Weg zu einer First-Time-Right-Production ebnen, sagte er. Wenn man das Instrumentarium moderner Mess- und Sensortechnik clever mit AI-Methoden kombiniere, lasse sich Maschinen eine vom Start weg fehlerfreie Produktion oder das autonome Reagieren auf Änderung im Prozess antrainieren. AI habe das Potenzial Regelkreise zu schließen. Lernende Maschinen, die sich im Prozess anhand fortlaufender Datenauswertung selbst nachjustieren, rücken nach seiner Überzeugung in den Bereich des Machbaren.

Immer mehr AI-­Akteure und -Anwendungen

Die Dynamik im AI-Markt thematisierten auch die Microsoft-Spezialisten Ansgar Heinen und Marcel Franke: Nie zuvor haben wir erlebt, dass eine neue Technologie so schnell adaptiert wurde – auch in eher konservativen Branchen, berichteten sie. Und noch nie habe sich eine digitale Lösung so rasant verbreitet wie ChatGPT. Schon fünf Tage nach ihrem Launch hatte die AI, die auf einem Large Language Model (LLM) basiert, weltweit eine Million Nutzende; kaum zwei Monate danach waren es über 100 Millionen. Für die Entwicklung haben modernste Großrechner viele Petabytes an Textdaten aus Büchern, Artikeln oder Softwarecode auf generalisierbare grammatische und semantische Muster und Regeln hin durchsucht. Diese hat die generative KI in ihr Sprachsystem integriert – und kann nun menschengleich kommunizieren oder auch Code generieren. Für solche Aufgaben müssen LLM höchst variabel sein und Entscheidungen zwischen einer Vielzahl an Parametern treffen. Die Zahl dieser Parameter sei um eine Größenordnung höher als die Zahl der Sterne in unserer Galaxie, erklärte Marcel Franke auf der Aachener Konferenz. Dennoch sei KI kinderleicht bedienbar. Denn erstmals müsse nicht mehr der Mensch die Sprache der Maschine lernen. Weil unsere Sprache als Schnittstelle dient, wird KI zum verständigen Co-Piloten, sagte er. Zugleich seien LLM vielfältig einsetzbar und durch Training für spezifische Anwendungen in der Industrie, Verwaltung, im rechtlichen Bereich sowie in der Forschung und Entwicklung geeignet. Und laut Heinen hält AI bei immer mehr Konzernen und mittelständischen Unternehmen aus dem Automobil- und Maschinenbau, der Elektroindustrie sowie aus der Chemie- und Pharmabranche Einzug.

Seine Beobachtung deckt sich mit Prognosen des US-Marktforschungsunternehmens Gartner. Dessen Analysten sehen AI als einen Paradigmenwechsel, mit dem ganz neue Formen der Kollaboration von Mensch und Maschine einhergehen werden. Der Impact auf das moderne Leben werde ähnlich sein, wie bei der Einführung des Internets und des Smartphones. Bis 2030 werden laut Gartner 80 Prozent aller Menschen täglich mit smarten Robotern interagieren. Schon 2025 werde AI zur Entwicklung von jedem dritten neuen Medikament und Werkstoff beitragen.

Vielzahl photonischer Anwendungen

Die Fachkonferenz verdeutlichte in zwölf Vorträgen und einer Führung durch die Labore des Fraunhofer ILT, wie AI auch die Photonik voranbringt. Dr. Volker Rominger, Leiter Machine Learning & Simulation in Laser Applications bei Trumpf, stellte vielfältige AI-Appli­kationen rund um das Schneiden, Biegen und Schweißen per Laser vor; darunter die automatisierte Bauteiloptimierung optimate, die konventionelle Konstruktionen analysiert, ­Alternativen aus lasergebogenem und -geschnittenem Blech vorschlägt und die dadurch erzielbare Kosteneinsparung gleich mitliefert. Denn in der Regel entfallen Arbeitsschritte, sinkt der Materialeinsatz und ergeben sich Gewichtsvorteile. Dafür hat das Projektteam die AI an vielen tausend gelabelten Bauteildaten trainiert. Es sagt das Optimierungs­potenzial mit 96-prozentiger Genauigkeit vorher, berichtete Rominger.

Maschine Learning ist für Dr. Volker Rominger, Leiter Machine Learning & Simulation in Laser Applications bei Trumpf keine Vision mehr, sondern real (© Fraunhofer ILT, Aachen)

 

Auch dem Verhaken, Verklemmen und Verkanten von lasergeschnittenen ­Blechteilen, durch das vollautomatisierte Prozessketten ins Stocken geraten können, stellt Trumpf eine AI-Lösung entgegen. Sie ermittelt die optimale Schneidestrategie für jedes Bauteil und bezieht dabei zahlreiche Parameter vom Startpunkt und der optimalen Lage des Blechs bis zur Verteilung des Gasdrucks im Laserschneidprozess ein. Das Maschinenwissen ist in diesem Fall an hunderttausenden praktischen Beispielen geschult. Und es hilft auch im nächsten Prozessschritt: AI optimiert das vollautomatisierte Erkennen und Sortieren der ausgeschnittenen Teile. Angesichts der Datenmenge, der bis acht Qua­dratmeter großen Bleche aus verschiedenen Materialien, variierender Lichtverhältnisse, Bauteilgeometrien und randomisierter menschlicher Eingriffe im Prozess stoßen herkömmliche Machine-Vision-Algorithmen bei dieser Aufgabe an Grenzen. Daher nutzen wir viele Millionen Parameter eines Deep Neural Networks und lassen die Daten für uns arbeiten, erklärte Rominger. Durch die große Menge an Eingangsdaten werde die Lösung immer robuster. Die Anzahl der Detektionsfehler sinke mit jeder neuen Generation der Neural Networks und durch den Lerneffekt mit jedem Datensatz.

Jederzeit verfügbares Erfahrungswissen für die Qualitätssicherung

Rominger berichtete von weiteren KI-Anwendungen, darunter das Laserschweißen so genannter Hairpins an Kupferwicklungen von Elektromotoren: Der kameraüberwachte Prozess sei an sich sehr robust. Doch gibt es im Fertigungsumfeld bei unseren Kunden oft Veränderungen, seien es die Lichtverhältnisse oder ungenau gepaarte Hairpins, erklärte er. Abhilfe schafft ein AI-Filter, der Stör­einflüsse in den Kameradaten minimiert und den Zustand der Hairpin-Paare in Echtzeit klassifiziert. Durch den AI-Einsatz konnte laut Rominger die Zuverlässigkeit der Qualitätskontrolle signifikant auf nun 99,8 Prozent gesteigert werden. AI hilft, die komplexen räumlichen Informationen schnell und präzise zu deuten und ebnet in Verbindung mit realer Messtechnik den Weg zu lernenden Systemen, die Erfahrungswissen aufbauen, schnell lernen, nicht vergessen und weder Müdigkeit noch Tagesform kennen.

Unternehmen, die sich noch nicht damit befassen, riet Rominger, ihre Skepsis abzulegen und die Möglichkeiten in praktischen Pilotprojekten zu erkunden. Denn die Technologie entwickle sich rasant – und verschaffe Wettbewerbern, die AI nutzen, schon jetzt Produktivitätsvorteile.

Unsichtbares sichtbar machen

Die Teilnehmenden der Konferenz musste er nicht überzeugen. Aus den Vorträgen und Publikumsfragen ging deutlich hervor, dass es für sie längst um Details der AI-Nutzung geht. So berichtete Dr. Markus Kogel-Hollacher von der Precitec Group, dass sich der AI-Einsatz für immer mehr Anwendungen bewähre. Ob Laserschneiden, -schweißen oder 3D-Messtechnik: wo immer wir Prozessdaten generieren, ergeben sich Ideen, daraus mit AI wertvolle Informationen zu gewinnen, sagte er. Das reiche mittlerweile so weit, dass man aus Daten von optischen Sensoren unsichtbare Informationen zur Festigkeit oder zum elektrischen Widerstand von Schweißverbindungen ableiten könne. Die Basis dafür legt das Unternehmen, indem es neuronale Netzwerke mit aufwändig gelabelten Bilddaten und Befunden aus zerstörenden Schweißnahtanalysen trainiert.

Für Dr. Markus Kogel-Hollacher, Verantwort­licher für Forschungs- und Entwicklungsprojekte der Precitec Group, bewährt sich der AI-Einsatz für immer mehr Anwendungen (© Fraunhofer ILT, Aachen)

 

Ähnlich geht laut Dr. Michael Ungers die Scansonic MI GmbH bei AI-Applikationen in inlineüberwachten Laserlöt- und -schweißprozessen vor. Die sichere Detektion kleinster Unregelmäßigkeiten im Schmelzbad, etwa Poren und Spritzer, basiert auf aufwändigem Training neuronaler Netzwerke, sowie der Validierung und Verifizierung in aufwändigen ­Testreihen. Denn es gilt sicherzustellen, dass die AI auch in unbekannten Bilddaten im Kundeneinsatz Unregelmäßigkeiten aufspürt. Die Daten liefern in die ­Bearbeitungsköpfe integrierte optische Sensoren. Sie werden per Edge-Computer liniennah analysiert und für menschliche Anwender visualisiert. Auch hier übernimmt AI also die Co-Pilotenrolle. Und am Anfang steht ebenfalls das ­mühsame, manuelle Labeln tausender Datensätze. Der Aufwand lohnt sich. Denn die Verbindung von Onlinesensorik und AI resultiert in robusterer, präziserer Fehlererkennung – und dürfte laut Ungers mittelfristig zu einem deutlich reduzierten Prüfaufwand in der Fertigung führen.

Potenziale allerorten – auch auf dem Acker

Die Verbindung von Photonik und AI entfaltet ihr Potenzial nicht nur in der industriellen Lasermaterialbearbeitung. Dr. Peter Fuhrberg, Geschäftsführer der Futonics Laser GmbH präsentierte in Aachen eine AI-Anwendung, die perspektivisch den Pestizideinsatz in der Landwirtschaft spürbar reduzieren soll. Herzstück ist ein AI-unterstütztes Kamerasystem, das binnen Millisekunden junge Nutzpflanzen und Unkräuter unterscheidet. So kann es während der Überfahrt über den Acker unerwünschte Pflanzen erkennen, deren exak­te Position ermitteln und unter Ausgleich aller Vibrationen per Scanner einen Nahinfra­rot-(NIR)-Laser auf die Wachstumszentren der Einzelpflanzen richten. Ein Laserpuls genügt, um das Unkraut zu veröden. Ehe es neu austreibt, haben die benachbarten Nutzpflanzen das Wachstumsrennen ans Sonnenlicht für sich entschieden.

Futonics treibt diese pestizidfreie Unkrautbekämpfung systematisch voran. Da diese laut Fuhrberg voraussichtlich von batteriebetriebenen, autonom navigierenden Fahrzeugen aus erfolgen wird, stehen Energieeffizienz, Flächeneffizienz und Zuverlässigkeit weit oben auf der Agenda. Auch hier hilft KI in Verbindung mit modernen Simulationstools. Denn diese zeigen, dass schnell schaltbare 2-µm-Thulium-Laser je eingesetzter Energie die höchste Flächeneffizienz erreichen. Mit einem 800-Watt- System genügt demnach ein Laserpuls von zwei Millisekunden Dauer, weil das NIR-Licht von den Pflanzen hervorragend absorbiert wird. Auch die Strahlqualität, Systemzuverlässigkeit und Lebensdauer sprechen laut Fuhrberg für die NIR-Technologie. Das Beispiel zeigt, wie KI die Photonik beflügelt und zugleich hilft, innovative ­Ideen von vornherein zu erden. Fuhrberg zeigte auf der Aachener Konferenz, dass schon die Auswahl der Laser angesichts der Vielzahl an Auslegungsvarianten mit Wellenlängen von Ultraviolett (UV) bis Mid-Infrarot (MIR), unterschiedlichen Pulsdauern und Strahlführungsansätzen hochkomplex ist. AI liefere eine belastbare Vorauswahl der effizientesten und robustesten Systemauslegungen und stelle die Entwicklung damit auf eine solide Basis.

Auf der Zielgeraden zum Closed Loop

Doch wie der Trumpf-Experte Dr. Volker Rominger in Aachen sagte, ist bisher allenfalls die Spitze des Eisbergs in Sicht. Am Fraunhofer ILT taucht Prof. Carlo Holly bereits tiefer, um sich mit seinem Team ein Bild von zukünftigen Möglichkeiten der AI-Applikation zu machen. Die Photonik werde immer besser darin, mit Sensoren Prozesse und Messgrößen sichtbar zu machen. Zugleich ist sie ein Fortschrittstreiber in der Hardwareentwicklung, was mittlerweile Datenanalysen in Echtzeit ermöglicht. Die Befunde der Datenanalyse erweitern wiederum unsere Möglichkeiten zur Vorhersage von Prozessverläufen und zur Optimierung der Parametrierung, erklärte er. Genau das liefere eine Basis, um künftig durch Echtzeitüberwachung und Anpassung der Parameter im laufenden Prozess eine autonome und adaptive Produktion zu realisieren sowie Regelkreise zu schließen.

Am Fraunhofer ILT laufen Versuche, um diese Möglichkeiten für additive Verfahren, die ­Lasermaterialbearbeitung vom Schweißen und Löten bis zum Polieren sowie zu einem vollautomatisierten Design von optischen Systemen auszuloten. Gerade Letzteres ist ein hochkomplexer, zeitaufwändiger Prozess, der viel Know-how voraussetzt. Wir stellen uns die Frage, wie weit wir hier mit einer automatisierten AI-gestützten Konstruktion kommen, sagte Holly – und stellte Forschungen vor, in denen er mit seinem Team ein neuro­nales Netzwerk für das Design optischer Systeme trainiert. Fernziel ist es, mithilfe von moderner Modellierung und AI-gestütztem Design ausgehend von einer optimalen Temperaturverteilung auf dem Werkstück die Auslegung der Strahlführung bis zurück zur Strahlquelle zu ermitteln.

Kunstgriff zum ­Diffractive Deep Neural Network

Um dies zu erreichen, nutzt Hollys Arbeitsgruppe die physische Realisierung eines ­virtuellen neuronalen Netzwerks, so genannte Diffractive Deep Neural Networks. Herzstück dieser optischen neuronalen Netze sind kaskadierte Phasenmasken, also ­diffraktive optische Elemente (DOEs), an denen die Strahlung unterschiedlich gebeugt und damit geformt wird. Positionieren wir mehrere DOE-Layer hintereinander, dann entsteht das Diffractive Deep Neural Network. Das Licht dient darin als Überträger von Information, erklärte er. Die Lichtstrahlen durchlaufen nacheinander alle DOE-Layer und werden entsprechend der durch die Pixel eingestellten Phasenhübe moduliert.

Diesen Aufbau interpretieren die Forschenden als neuronales Netzwerk und setzen für das optische Design Algorithmen aus dem Bereich der künstlichen Intelligenz ein. Damit kann das Team, komplexe Strahlformung spezifisch und robust an die jeweilige Anwendung anpassen. Mit klassischen Designansätzen wäre dieser Plan schon wegen der Vielzahl der Freiheitsgrade – in typischen Systemen sind es mehrere tausend – zum Scheitern verurteilt. Mithilfe von AI lassen sie sich problemlos optimieren. Es gibt in einem typischen System mehrere tausend Freiheitsgrade, die mit Hilfe von AI optimiert werden können.

Messtechnische Basis noch unverzichtbar – aber Closed Loops rücken näher

Um die Strategien für eine AI-gestützte Prozessregelung zu schärfen, werden Messwerte aus realen Experimenten laut Holly auch künftig unverzichtbar bleiben. Allerdings kann AI helfen, tatsächlich relevante Messpunkte und Parameter zu identifizieren – und durch das rechnerische Extrapolieren der weniger relevanten zur deutlichen Reduzierung von Messungen und Experimenten beitragen. Was in Zukunft eine effiziente Prozessregelung auf Basis von Echtzeitanalyse und -prädiktion ermöglichen soll, hilft den Forschenden am Fraunhofer ILT schon jetzt, gezielter zu experimentieren. AI analysiert die Messwerte eines Experiments und gibt uns den Pfad für das nächste und alle weiteren vor, berichtete er Diese strategische Unterstützung reduziere die Gesamtzahl der Experimente und damit auch den Kosten- und Zeitaufwand signifikant.

Im nächsten Schritt können die erhobenen Werte – dann eingeordnet in ein ­Metamodell – der Optimierung der Prozessparameter dienen. Die Forschenden leiten aus dem Datenoutput der Messungen im Experiment Parameter für den Dateninput im Fertigungsprozess ab. Nach und nach werde diese AI-
Landschaft ohne die Kontrolle durch Menschen auskommen. Je weiter sie lernt, desto näher rücken die First-time-Right-Produktion und das autonome Reagieren auf Prozess­abweichungen. Der laufende Prozess kann anschließend am vorab kalibrierten Idealprozess abgeglichen und an der experimentell abgesicherten Fertigungsstrategie entlanggeführt werden.

Die Voraussetzungen dafür hat die Photonik über Jahrzehnte geschaffen: digitale Systeme, in denen jeder Sensor und jede Kamera über eigene IP-Adressen identifizierbar ist, sowie Inlinemesstechnik, Simulationslösungen und Metamodelle zur Inversion der experimentell ermittelten Outputdaten in prozessregelnde Inputdaten.

Mit diesen Bestandteilen ist der automatisch kalibrierbare, geschlossene Regelkreis nach Aussage von Holly umsetzbar – das sei quasi der Blueprint für eine autonome Maschine. Mit diesem Ausblick skizzierte die dritte AI for Laser Technology Conference eine Roadmap zur autonomen Fertigung in smarten Fabriken: Sie führt über das Zusammenwachsen von Photonik und KI.

Künstliche Intelligenz auf dem AKL‘24

Die Auswirkungen von Digitalisierung und KI auf die Wertschöpfung und Geschäftsmodelle in der Lasertechnik stehen im Fokus der Gerd Herziger Sessiondes AKL’24 am 18. April 2024. Prof. Constantin Häfner, Instituts­leiter des Fraunhofer ILT wird eine Podiumsdiskussion mit Dr.-Ing. e. h. Peter Leibinger, Chairmen of the Supervisory Board, Trumpf Group, Ditzingen (D), Dr. Christopher Dorman, Executive Vice President, Lasers Business, Coherent, Glasgow (UK) und Dr. Christoph Rüttimann, CTO Bystronic Group, Niederönz (CH), führen. Im weiteren Verlauf des Vormittags folgen vertiefende Vorträge zur Digitalisierung in der photonischen Produktion.

Kontakt:

Prof. Carlo Holly, Abteilungsleitung Data Science and Messtechnik, E-Mail: carlo.holly@tos.rwth-aachen.de

Text zum Titelbild: Praxisbeispiel: Sven Linden vom Fraunhofer ILT zeigt, wie In-Situ-Weißlichtinterferometrie mithilfe semantischer Segmentierung Pixel für Pixel die Qualität von laserpolierten Bauteilen analysiert und klassifiziert (© Fraunhofer ILT, Aachen)

Relevante Unternehmen

Video(s) zum Thema

Werbepartner

Links zu diesem Artikel

Aus- und Weiterbildung

Top