人工智能的未来潜力

无论是激光材料加工、增材制造和修复过程、激光除草控制还是光学系统的自动化设计，人工智能（AI）在光子学领域具有巨大的、有时甚至是颠覆性的潜力。去年11月底，第三届“激光技术人工智能大会”在德国亚琛的弗劳恩霍夫激光技术研究所举行，约50位国际专家受邀出席了会议。

在第三届“激光技术人工智能大会”上，会议主持人Carlo Holly教授报告说：“当我们设计光学系统时，人工智能可以在几秒钟内实现以前传统算法需要数小时甚至数天才能完成或根本无法完成的工作。”

 

Holly教授为到访嘉宾讲解人工智能的实现方法

作为研究所数据科学与计量部门的负责人，同时也是亚琛工业大学光学系统技术主席，Holly教授始终都在和处理数据驱动创新打交道。他认为，目前基于人工智能的创新也正在开辟新天地。

人工智能的潜力不仅限于监测和控制激光过程，还可以利用它为正确生产铺平道路。如果将现代测量和传感器技术与人工智能巧妙地结合起来，就可以训练生产机器从一开始就进行零差错生产，或者对过程中的变化做出自主反应。学习型机器可以根据持续的数据评估，在生产过程中进行自我调整。

 

越来越多的人工智能参与者和应用

微软专家Ansgar Heinen和Marcel Franke谈到了人工智能市场的动态性质。他们表示：从未见过一项新技术能如此迅速地得到应用，即使是在较为保守的行业也是如此。此外，一种数字解决方案也从未像ChatGPT一样迅速传播。基于大型语言模型（LLM）的人工智能推出仅5天，全球用户就达到了100万；两个月后，用户就超过了1亿。

在开发过程中，最先进的大型计算机从书籍、文章或软件代码中扫描了数PB的文本数据，以寻找可通用的语法和语义模式及规则。生成式人工智能已将这些内容整合到语言系统中，现在可以像人类一样生成代码或进行交流。对于此类任务，LLM必须具有高度可变性，并在大量参数之间做出决策。

 

Marcel Franke在亚琛会议上解释说：这些参数的数量比银河系中的恒星数量还要高出一个数量级。然而，人工智能非常易于使用。人类第一次不再需要学习机器语言。因为我们的语言就是一个界面，所以人工智能就成了一个可以交流的“副驾驶员”。与此同时，LLM可以以多种方式使用，并针对工业、行政、法律部门和研发领域的特定应用进行培训。人工智能正在进入汽车、机械工程、电气、化工和制药行业。

他的观点与美国市场研究公司Gartner的预测不谋而合。该公司分析师认为，人工智能给行业带来的是一种模式转变，伴随而来的将是人类与机器之间全新的合作形式。它对现代生活的影响将类似于互联网和智能手机的问世。根据Gartner的预测，到2030年，80%的人将每天与智能机器人互动。到2025年，每3种新药和新材料中就有一种是由人工智能研发的。Gartner还预测，到2024年，全球四分之三的公司将增加对人工智能的投资。

 

光子学的广泛应用

通过12场演讲和对弗劳恩霍夫激光技术研究所实验室的参观，本次会议向参会嘉宾展示了人工智能是如何推动光子学发展的。通快激光应用机器学习与仿真主管Volker Rominger博士介绍了与激光切割、弯曲和焊接有关的各种人工智能应用。

 

其中包括“optimate”，它是一个自动化的部件优化程序，可对传统设计进行分析，提出由激光弯曲和激光切割金属板制成的替代方案，节约成本。通常该系统可省去工序，减少材料用量，从而减轻重量。“optimate”团队在数千个标注的部件数据上对人工智能进行训练，预测优化潜力的准确率高达96%。

 

Sven Linden展示了基于语义分割的原位白光干涉测量法，帮助用户逐个像素分析激光打磨部件的质量

此外，通快还提供了一种人工智能解决方案来应对加工过程中可能出现的干扰。例如在激光切割中金属板部件出现卡住或扭曲，这些干扰导致全自动加工链停滞。通快的人工智能会根据激光切割过程中从金属板的起点和最佳位置到气体压力分布等众多参数，为每个部件确定最佳切割策略。

在这种情况下，机器知识是在数十万个实际案例中训练出来的。同时，人工智能优化了切割部件的全自动识别和分类。事实上，传统的机器视觉算法在这一任务中已经达到了极限，因为数据量大、不同材料制成的板材最大可达8平方米、光照条件各异、部件几何形状各异，而且在这一过程中人工干预也是随机的。

Rominger解释说：“这就是为什么使用深度神经网络的数百万个参数的原因。让数据为我们工作。大量的输入数据使解决方案变得越来越强大。每一代神经网络和每一组数据的检测错误数量都在减少，因为系统在不断学习和改进。”

随时提供经验，保证质量

会议期间，Rominger报告了其他人工智能的应用案例。其中，包括用激光焊接电机铜绕组上的“发夹”。摄像头监控的过程本身非常稳健。然而，客户的生产环境经常会发生变化，比如照明条件或配对不准确的发夹。此时，人工智能滤波器就可以解决这个问题，它可以最大限度地减少摄像头数据的干扰，并对发夹状况进行实时分类。

通过使用人工智能，用户能够将质量控制的可靠性大幅提高到99.8%。人工智能帮助通快快速准确地解读复杂的空间信息，并与实际测量技术相结合，为学习系统铺平了道路，使其能够积累经验知识、快速学习、不会遗忘，并且不会受到疲劳或某一天感觉的影响。

Rominger总结道：“机器学习不再是一个愿景，而是一个现实。我们可以利用它大大提高激光加工的生产率、可靠性和质量，现在还只是冰山一角。”他建议尚未涉足这一领域的公司放下疑虑，在实际试点项目中探索各种可能性。这项技术正在经历快速发展，并已经为使用人工智能的企业带来了生产力优势。

 

让无形变得有形

从与会者的发言和提问中可以看出，企业们长期以来一直在研究如何使用人工智能。例如，来自Precitec集团的Markus Kogel-Hollacher博士报告说，人工智能在越来越多的应用中证明了价值，无论是激光切割、激光焊接还是3D测量技术。

 

Markus Kogel-Hollacher博士谈到，如果将人工智能添加到焊接工艺在线传感器中，就可以获取不可见的物理特性信息，如焊缝强度或接触电阻

 

他说：“无论我们在哪里生成过程数据，都有利用人工智能从中获取有价值信息的想法。现在，我们可以从光学传感器的数据中获取有关焊接接头抗拉强度等关键信息。公司利用精心标注的图像数据和破坏性焊缝分析结果训练神经网络，为实现这一目标奠定了基础。”

据Michael Ungers博士介绍，Scansonic MI GmbH采用类似的方法将人工智能应用于在线监控的激光焊接工艺中。通过对神经网络进行广泛训练，以及在大量测试系列中进行验证和确认，可以准确检测出焊接熔池中最小的不规则现象，如气孔和飞溅。公司打算确保人工智能在客户使用过程中也能检测出未知图像数据中的不规则之处。数据由集成在加工头中的光学传感器提供，由计算机进行实时分析，并为用户提供可视化服务。

在这里，人工智能也扮演了“副驾驶员”的角色。首先，人工智能需要对成千上万的数据记录进行标注，但这些工作都是值得的。这是因为在线传感器技术与人工智能的结合可以实现更强大、更精确的错误检测，从中期来看，可以显著降低生产中的检测成本。

 

潜力无处不在

光子学与人工智能的结合不仅在工业激光材料加工领域释放了潜力。Futonics Laser GmbH 总经理Peter Fuhrberg博士在还展示了一项人工智能应用，旨在大幅减少农业中杀虫剂的使用。该应用的核心是一个由人工智能支持的摄像系统，它能在几毫秒内分辨出幼苗和杂草。这使它能够在经过田地时检测到杂草的确定位置，并利用扫描仪将近红外线（NIR）激光照射到单株植物的生长中心，同时对所有振动进行补偿。一个激光脉冲就足以杀死杂草。

Futonics公司正在系统地推进这种无杀虫剂除草技术。根据Fuhrberg的说法，这项工作很可能将由电池驱动的自动导航车辆来完成，因此能源和空间的效率及可靠性将是未来工作的重点。在这方面，人工智能与现代模拟工具的结合也能提供帮助。模拟工具显示，快速开关2 微米铥激光器的单位能耗面积效率最高。因此，在800瓦系统中，持续2毫秒的激光脉冲就足够了，因为近红外光能被植物很好地吸收。

Fuhrberg认为，近红外技术在光束质量、系统可靠性和使用寿命方面具有优势。这个例子说明了人工智能如何激发光子学的灵感，同时从一开始就帮助创新理念落地。在亚琛会议上，Fuhrberg介绍说，由于波长从紫外线到中红外线，脉冲持续时间和光束引导方法各不相同，因此即使是激光器的选择也非常复杂。人工智能有助于可靠地预先选择最高效、最稳健的系统设计，从而为开发奠定坚实基础。

 

直接进入闭环

然而，正如通快专家Volker Rominger博士在亚琛所说的那样，目前我们只能看到人工智能的冰山一角。在研究所，Carlo Holly教授已经和他的团队开始深入研究人工智能的未来可能性。光子学在利用传感器实现过程和测量变量的可视化方面做得越来越好。与此同时，它也推动了硬件开发的进步，现在可以进行实时数据分析。他解释说：数据分析的结果反过来又扩大了预测工艺顺序和优化参数设置的选择范围。这为今后通过在运行过程中实时监控和调整参数，实现自主和自适应生产以及关闭控制回路奠定了基础。

 

Volker Rominger博士表示，机器学习不再是愿景而是现实。可以利用它来显著提高生产率、可靠性和质量

目前，研究所正在进行测试，以探索增材工艺、从焊接到抛光的激光材料加工以及全自动光学系统设计的可能性。特别是后者，是一个非常复杂、耗时的过程，需要大量的专业知识。Holly教授说：“我们有时候也在自问，人工智能支持的自动化设计能走多远。”会上，他介绍了他和他的团队正在进行的一项研究，即训练一个神经网络来设计光学系统。长期目标是利用现代建模和人工智能辅助设计，基于工件的最佳温度分布来确定从光源到光束引导的设计。

 

衍射深度神经网络的巧妙技巧

为了实现这一目标，Holly教授的研究小组使用了虚拟神经网络的物理实现方法，即所谓的衍射深度神经网络。这些光学神经网络的核心是级联相位掩模，即衍射光学元件（DOE），它们以不同的方式衍射辐射，从而形成辐射。“如果我们将几个衍射光学元件层层叠加，就会形成衍射深度神经网络，”他解释说，“光线充当了信息发射器的角色。光束一个接一个地穿过所有DOE层，并根据像素设定的相移进行调制。我们将这种结构解释为神经网络，并使用人工智能领域的算法进行光学设计。这样，团队就能使复杂的光束整形具体而稳健地适应各种应用。”

如果采用传统设计方法，由于自由度过大（在典型的系统中有数千个自由度），这一计划注定会失败。但在人工智能的帮助下，这些自由度可以轻松优化。在一个典型系统中，数千个自由度可以轻松得到优化。

计量基础仍不可或缺，但闭环已越来越近

Holly教授认为，为了完善人工智能支持的过程控制策略，来自真实实验的测量值在未来仍然不可或缺。下一步，收集到的数值（然后在元模型中进行分类）可用于优化工艺参数。

Holly教授表示：“我们从实验中的测量数据输出推导出生产过程中的数据输入参数。逐渐地，这种人工智能将能够在没有人为控制的情况下进行管理。它学得越多，就越接近正确生产并对流程偏差做出自主反应。这样，正在进行的流程就可以与预先校准的理想流程保持一致。”

作者：Carlo Holly、Peter Abels（弗劳恩霍夫激光技术研究所）

 

来源：荣格-《国际工业激光商情》

原创声明：
本站所有原创内容未经允许，禁止任何网站、微信公众号等平台等机构转载、摘抄，否则荣格工业传媒保留追责权利。任何此前未经允许，已经转载本站原创文章的平台，请立即删除相关文章。