AI hat das Potenzial, Regelkreise zu schließen

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 einher gehen 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. Und für das laufende Jahr 2024 prognostiziert Gartner steigende KI-Investitionen in drei Vierteln aller Unternehmen.

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 erzielbaren 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 er.

Auch dem Verhaken, Verklemmen und Verkanten lasergeschnittener Blechteile, 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 sowie 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 Laserstrahlschweißen so genannter Hairpins an Kupferwicklungen von Elektromotoren. „Der kameraüberwachte Prozess ist 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 konnten wir die Zuverlässigkeit der Qualitätskontrolle signifikant auf nun 99,8 Prozent steigern“, so Rominger. 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.

Romingers Fazit: „Maschine Learning ist keine Vision mehr, sondern real. Wir können die Produktivität, Zuverlässigkeit und Qualität von Laserprozessen damit signifikant steigern und sehen in diesem Technologiefeld erst die Spitze des Eisbergs“. Unternehmen, die sich noch nicht damit befassen, riet er, 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 optischer 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.

Ähnlich geht laut Dr. Michael Ungers die Scansonic MI GmbH bei der 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 Online-Sensorik 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 Energie-, 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 2 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 wir als neuronales Netzwerk und setzen für das optische Design Algorithmen aus dem Bereich der künstlichen Intelligenz ein“, erläuterte er. 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 problemlos 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 Echtzeit-Analyse 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. Diese strategische Unterstützung reduziert die Gesamtzahl der Experimente und damit auch den Kosten- und Zeitaufwand signifikant“, berichtete er.

Im nächsten Schritt können die erhobenen Werte − dann eingeordnet in ein Metamodell − der Optimierung der Prozessparameter dienen. „Wir leiten aus dem Datenoutput der Messungen im Experiment Parameter für den Dateninput im Fertigungsprozess ab“, so Holly. 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 Inline-Messtechnik, Simulationslösungen und Metamodelle zur Inversion der experimentell ermittelten Output-Daten in prozessregelnde Input-Daten. „Mit diesen Bestandteilen ist der automatisch kalibrierbare, geschlossene Regelkreis umsetzbar − das ist quasi der Blueprint für eine autonome Maschine“, resümierte Holly. Mit diesem Ausblick skizzierte die dritte „AI for Laser Technology Conference“ in Aachen 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 SESSION des 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.

(Quelle: Presseinformation des Fraunhofer-Instituts für Lasertechnik ILT)