Eine erste Runde von KI-Anwendungen ist in der Lasermaterialbearbeitung bereits angekommen. Eine zweite Runde wird das maschinelle Lernen massiv beschleunigen. Am wichtigsten: KI verkauft.
ANDREAS THOSS, MITARBEITENDER HERAUSGEBER
Bisher hat die KI aufgrund ihrer Fähigkeit, große Datenmengen zu verarbeiten, enorme Fortschritte gemacht. Die Analyse von Millionen von Textdokumenten führte beispielsweise zur Entwicklung großer Sprachmodelle, mit denen wir kommunizieren, als wären sie Menschen. Dies ist seit den Anfängen der Informatik ein Versprechen und ein Thema in vielen Science-Fiction-Büchern. Es wurde erst kürzlich erfüllt.
Mit freundlicher Genehmigung des Fraunhofer-Instituts für Lasertechnik ILT, Aachen, Deutschland.
In der Industrie hat KI noch mehr Erstaunliches geleistet und ist in letzter Zeit bemerkenswert schneller geworden.
KI in der Industrie
Anwendungen von KI in der Industrie gehen weit über die Sprachverarbeitung hinaus (obwohl KI-Agenten auch die Websites von Anbietern erobern). Erstens helfen sie dabei, mehrere unterschiedliche Bildverarbeitungsaufgaben zu automatisieren. Der deutsche Maschinenbauer TRUMPF beispielsweise bietet für seine Bildverarbeitungssoftware einen speziellen KI-Modus an. Beim Hairpin-Schweißen in Elektromotoren hilft KI dabei, die Schweißpartner (z. B. Hairpins) zu identifizieren, wenn es aufgrund von Kontrasten, Reflexionen oder Schatten im Bild zu Schwierigkeiten kommt. Laut TRUMPF konnte durch die Lösung die „First-Pass Yield“ von 99,2 % auf 99,8 % gesteigert werden. Dies entspricht 4x weniger „nicht in Ordnung“-Teilen.
Aber das ist erst der Anfang. Künftig wird KI Daten aus mehreren Quellen nutzen und die Produktivität vor, während und nach der Verarbeitung verbessern. Seine Fähigkeit, riesige Datenmengen zu verarbeiten, ist besonders aktuell, da mehrere Trends dazu führen, dass in der Industrie immer mehr Daten erzeugt werden.
Ein solcher Trend ist die Qualitätskontrolle. Automobilhersteller können beispielsweise jede Schweißnaht fotografieren und Haltbarkeitsprobleme auf Herstellungsprozesse zurückführen. KI kann anhand von Fotos, die während der Produktion erfasst werden, zwischen „guten“ und „schlechten“ Schweißnähten unterscheiden. Dies ist ein Beispiel für ein Inline- oder Post-{3}}-Verfahren, das in allen kritischen Produktionsschritten Daten erzeugt. Das gilt natürlich nicht nur für den Automobilbau.
Ein zweiter Trend betrifft digitale Zwillinge. Komplette Maschinen oder Produktionsanlagen werden in einer digitalen Welt simuliert, wobei der Schweißprozess selbst am Computer simuliert wird. Echte Daten tragen zur Verbesserung solcher Modelle bei, obwohl die von ihnen erzeugten Daten im Wesentlichen synthetisch sind.
Beide Trends sind eng mit der Entwicklung der KI verbunden. In der Qualitätskontrolle wird maschinelles Lernen (ML) eingesetzt, um Gut- und Schlechtteile zu trennen. Die Maschine lernt, welche Parameter wichtig sind, und der Bediener oder Programmierer legt die Schwellenwerte für Warnungen oder den Zeitpunkt fest, an dem die Maschine anhalten soll.
Der Einsatz von KI bei Post{0}}inspektionen wurde ebenfalls demonstriert. Beispielsweise nutzt das deutsche Unternehmen Scansonic MI KI, um in Bildern gute und schlechte Schweißnähte zu erkennen. Weitere Untersuchungen werden klären, wie die „Use-in-Prozessdiagnose für die Prozesssteuerung im geschlossenen-Kreislauf genutzt werden kann. Neben der Bildverarbeitung kann es sich hierbei um Spektralsensoren, Lasertriangulation zur 3D-Bildgebung oder optische Kohärenztomographie zur Schweißnahttiefendiagnostik handeln.
Schweißen ist ein starkes Beispiel, aber es ist nur eines. Eine solche Technologie kann (und wird) überall dort eingesetzt werden, wo der Anwendungsfall groß genug ist, um die Investition zu rechtfertigen.
KI in der Qualitätskontrolle wird vor allem zur Mustererkennung bearbeiteter Teile eingesetzt. Um den Regelkreis zu schließen, benötigt KI von Anfang an Wissen über den Prozess. Daher nutzen Forscher Prozesssimulation(en), die mit möglichst vielen Prozessparametern gespeist werden. Hier hat KI ein noch größeres Potenzial -, sie kann Eingabe- und Ausgabeparameter verbinden. Forscher der Central Laser Facility im Rutherford Appleton Laboratory des Science and Technology Facilities Council in England haben beispielsweise KI eingesetzt, um ein Lasersystem für die Plasmabeschleunigung zu optimieren1. Es gibt viele Knöpfe, an denen man drehen muss, und der Laser-Plasma-Prozess ist stark nichtlinear. KI half den Wissenschaftlern, das System zu stabilisieren und einen Plasmakanal für die Elektronenbeschleunigung einzurichten.
Auf die Industrie angewendet, könnte eine auf KI-basierte Prozesssimulation dazu beitragen, den Regelkreis für die Prozesssteuerung zu schließen. Die KI weiß, an welchem Knopf sie drehen muss, um die Produktqualität wieder auf die Spezifikation zu bringen. Es kann durch virtuelles Experimentieren mit allen Reglern und Erkunden der Parameterlandschaft lernen. Nun-es gibt bekannte Modelle zur Lösung dieser Aufgabe.
Das Testen aller Varianten kann jedoch zeit- und energieaufwändig sein. Die interessante Frage an dieser Stelle bezieht sich auf das Vorwissen: Wie viel schneller kann das KI-Lernen werden, wenn das Modell mit dem gefüttert wird, was Menschen bereits über den Prozess wissen?
KI-Trends in der Photonik-Branche
Am . 2 und 3. Oktober 2025 führte der deutsche Industrieverband SPECTARIS - mit Unterstützung des Fraunhofer-Instituts für Lasertechnik ILT (Fraunhofer ILT) und des Bundesverbandes BITMi - einen Workshop zum Thema KI in der Photonik durch. Die Teilnehmer kamen aus Forschungseinrichtungen, darunter dem Fraunhofer ILT selbst, und mehreren Universitäten, vor allem aber aus der Industrie, mit Vertretern von Microsoft, ZEISS, TRUMPF, Audi, Precitec Vision, Bystronic, Blackbird Robotersysteme, 4D Photonics GmbH und mehr. Während einige der 27 Vorträge KI im optischen Design thematisierten, konzentrierte sich der Workshop hauptsächlich auf KI-Anwendungen in der industriellen Lasertechnologie.
KI-Assistenten könnten Laserbedienern helfen, in einer großen Wissensdatenbank das richtige Tutorial zu finden oder die Flugbahnplanung beim Laserschneiden zu optimieren. Interessanter ist, wie KI komplexe Entscheidungen beispielsweise bei der Qualitätskontrolle von Laserschweiß- oder laseradditiven Fertigungsverfahren unterstützt. Carlo Holly, Lehrstuhlinhaber für Technologie optischer Systeme an der RWTH Aachen und Abteilungsleiter am Fraunhofer ILT, fasste in seinem Plenarvortrag den großen Trend zusammen: „Wir bewegen uns jetzt von einer daten{2}basierten KI hin zu einer daten- und physik-informierten KI.“
Holly erklärte dies anhand eines Beispiels aus seiner Forschung. Ein Team am Fraunhofer ILT hat zuvor ein Verfahren zur Hochgeschwindigkeits-Lasermaterialabscheidung (EHLA, Extreme High Speed Laser Material Deposition) entwickelt. Mehr als 100 Parameter beeinflussen dabei die Beschichtungsqualität. So dauert die Übertragung des Verfahrens auf ein anderes Material typischerweise zwei Jahre mit 1500 Experimenten und Analysen. Mithilfe eines Ersatzmodells des Prozesses und eines (Bayes'schen) KI-Optimierungsmodells reduzierte Hollys Team die Anzahl der Tests erheblich: Nur 17 Versuche waren erforderlich, um die optimalen Prozessparameter zu finden2.
Natürlich ist die Suche nach den richtigen Modellen und Strategien ein fortlaufender Forschungsgegenstand. Erfreulicherweise haben aktuelle Untersuchungen gezeigt, dass sich die Zeit für die Prozessoptimierung auf Minuten statt auf Monate verkürzt hat. Und natürlich ist die automatisierte Prozessoptimierung der nächste Schritt in Richtung einer geschlossenen Prozesssteuerung.
ML mit 10× weniger annotierten Daten
Während die Prozessoptimierung von Vorkenntnissen profitiert, kann ML vom Gegenteil profitieren. Holly stellte diese überraschende Tatsache beim SPECTARIS-Workshop mit der Idee von annotationsfreiem ML vor. Wie das bei der Qualitätskontrolle eines Schweißprozesses aussieht, demonstrierte sein Kollege Julius Neuß später anhand von Versuchen zum Laserschweißen von Batteriegehäusen aus Aluminium.
Als Ausgangspunkt verglich Neuß den neuen Ansatz mit dem klassischen überwachten Workflow. Bei einer überwachten Einrichtung müssen Bediener jeden Teil der Schweißnaht manuell mit Anmerkungen versehen: Drahtposition, Schmelzbad, Raupengeometrie, Poren und Spritzer (Abbildung 1). Selbst bei einem kleinen Datensatz wird dies schnell arbeitsintensiv. Darüber hinaus lernt die KI nur das, was explizit gekennzeichnet ist, und ihre Robustheit wird sowohl durch die Vielfalt als auch die Qualität des annotierten Datensatzes begrenzt.
