KI in der Lasertechnik und Optikdesign Konferenz zeigt Wege für eine KI-unterstützte, photonische Fertigung auf

Anbieter zum Thema

MicroConsult Academy GmbH

PTC

Cadlog Group

Künstliche Intelligenz transformiert die Photonik, indem sie komplexe Laserprozesse optimiert und Qualitätskontrollen in Echtzeit ermöglicht. Eine von Spectaris organisierte und vom Fraunhofer ILT unterstützte Konferenz zeigte Datenstrategien und neuronale Netzwerke, die Elektronikentwicklern neue Wege in der Fertigung eröffnen. Sie sind Grundlage für autonome, selbstlernende photonische Systeme.

Die Integration von künstlicher Intelligenz (KI) in die Photonik eröffnet Elektronikentwicklern neue Horizonte in der Laserfertigungstechnik und im Optikdesign. Eine Konferenz, organisiert vom Branchenverband Spectaris und unterstützt vom Fraunhofer-Institut für Lasertechnik ILT, präsentierte am 1. und 2. Oktober 2025 richtungsweisende Ansätze für eine effizientere Wertschöpfung in der Branche.

Technische Herausforderungen und Lösungen

Elektronikentwickler stehen vor der Herausforderung, KI in komplexe photonische Systeme zu integrieren. Die Konferenz betonte die entscheidende Rolle einer klaren Datenstrategie, um Datensilos zu vermeiden und zentrale Datenplattformen für Fertigungs- und Sensordaten zu nutzen. Dies ermöglicht nicht nur eine effiziente Datenverarbeitung, sondern auch die Entwicklung hochleistungsfähiger simulationsbasierter oder digitaler Zwillingslösungen.

Für Entwickler von Photonikanwendungen sind die Detailgenauigkeit und Präzision in der Prozessüberwachung entscheidend. Techniken wie 3D-Bildgebung, emissionsbasierte Sensorik und optische Kohärenztomographie tragen zur Feinkontrolle bei. Elektronikentwickler verbessern diese Techniken, um Prozessabweichungen in Echtzeit zu erkennen und nachhaltige Qualitätsverbesserungen zu erzielen.

Automatisierung und Prozessanpassung

Beispielsweise arbeitet Trumpf daran, die Algorithmen nicht ausschließlich mit den Bildern der Kunden anzulernen. Daher biete man nun KI zum Selbermachen an. Die Experten von Trumpf bauen ein Trainingssystem, das User in der Lage versetzt, ihr Modell anzulernen. Sie können beispielsweise bei der Inbetriebnahme einer Produktionslinie programmieren, dass nach jedem Schweißvorgang automatisch ein Bild gespeichert wird. Die Bilder lassen sich in cloudbasierter Software zum Training des Modells nutzen.

Die Nutzerführung ist einfach und Code-frei. Schon nach dem Training mit wenigen Bildern schlägt das System Label vor, die auch hier ein Human-in-the-Loop korrigieren kann. Die KI wird mit jeder Korrektur, jedem Bildersatz und jeder weiteren Klassifizierung genauer. Auch ist es möglich, Grenzwerte im Trainingsmodell, statt erst on-Edge an der Maschine zu definieren. Das ist eine praktikable Hands-on-KI, anstelle abstrakter KI-Metriken. Jetzt arbeitet man bei Trumpf daran, solche Lösungen auch für komplexe Anwendungen und Multi-Sensorsysteme nutzbar zu machen, wie beim Schweißen der Bipolarplatten in Brennstoffzellenstacks.

Die Platten aus hochlegiertem Stahl zu verbinden ist wegen ihrer komplexen Geometrien, Materialspannungen und der folienähnlichen Stärke von 75 bis 100 µm eine komplexe Fügeaufgabe. Es gilt, mehrere Meter absolut dichter Naht pro Platte bei mehreren hundert Stück pro Stack zu applizieren. „Ist nur eine einzige Verbindung undicht, ist der ganze Stack unbrauchbar“, erklärte Stambke.

Multisensorische Prozesskontrolle

Die erforderliche 100-Prozent-Prüfung dauere zwei bis drei Minuten. In einer Serienfertigung ist das nicht praktikabel. Deshalb treibt Trumpf eine KI-gestützte, multisensorische Prozesskontrolle voran. Hierfür müssen viele Sensorsignale zu einer kohärenten Qualitätsaussage fusioniert werden. Die Kombination einer hochfrequenten Kurzwellen-IR-Kamera und einem Mikrofon in Verbindung mit KI zeigt in Versuchen bereits, dass sie undichte Nähte sehr gut detektiert. Bipolarplatten, die das System für dicht befand, waren dicht. Fehlalarme bewegen sich auf dem Niveau bislang eingesetzter, deutlich aufwändigerer Messmethoden. Es könnte also sein, dass KI und Photonik bald auch einen Produktivitätsschub in der Brennstoffzellenproduktion auslösen.

Prof. Carlo Holly vom Fraunhofer ILT betonte die Rolle von Data & Physics Informed Machine Learning, um die Prozessautomatisierung voranzutreiben. Für Elektronikentwickler liegt der Schlüssel darin, physikalisches Wissen mit fortschrittlichen ML-Modellen zu verschmelzen, um Laserprozesse autonom und selbstlernend zu gestalten. Dies erfordert ein tieferes Verständnis der physikalischen Wechselwirkungen und die Fähigkeit, Daten modellbasiert zu interpretieren. (heh)

(ID:50612687)