Une première série d’applications d’IA est déjà arrivée dans le traitement des matériaux par laser. Un deuxième cycle accélérera considérablement l’apprentissage automatique. Plus important encore : l’IA fait vendre.
ANDREAS THOSS, RÉDACTITEUR CONTRIBUANT
Jusqu’à présent, l’IA a fait d’énormes progrès grâce à sa capacité à traiter de grandes quantités de données. L’analyse de millions de documents texte, par exemple, a conduit au développement de grands modèles de langage avec lesquels nous communiquons comme s’ils étaient humains. C’est une promesse depuis les débuts de l’informatique, ainsi qu’un thème dans de nombreux livres de science-fiction. Cela n’a été réalisé que récemment.
Avec l'aimable autorisation de l'Institut Fraunhofer de technologie laser ILT, Aix-la-Chapelle, Allemagne.
Dans l’industrie, l’IA a accompli des choses encore plus étonnantes et est récemment devenue remarquablement plus rapide.
L'IA dans l'industrie
Les applications de l’IA dans l’industrie dépassent de loin le traitement du langage (même si les agents IA conquièrent également les sites Web des fournisseurs). Premièrement, ils permettent d’automatiser plusieurs tâches distinctes de traitement d’images. Le développeur de machines allemand TRUMPF propose par exemple un mode IA spécial pour son logiciel de traitement d'images. Pour le soudage en épingle à cheveux dans les moteurs électriques, l'IA aide à identifier les partenaires de soudage (tels que les épingles à cheveux) lorsque des difficultés surviennent en raison du contraste, des reflets ou des ombres dans l'image. Selon TRUMPF, la solution a augmenté le « rendement au premier passage » de 99,2 % à 99,8 %. Cela équivaut à 4 fois moins de pièces « pas bien ».
Mais ce n'est que le début. À l’avenir, l’IA utilisera des données provenant de sources multiples et améliorera la productivité avant, pendant et après le traitement. Sa capacité à traiter d’énormes quantités de données est d’autant plus actuelle que plusieurs tendances conduisent à une création de plus en plus importante de données dans l’industrie.
L’une de ces tendances est le contrôle qualité. Les constructeurs automobiles, par exemple, peuvent photographier chaque cordon de soudure et retracer les problèmes de durabilité jusqu'aux processus de fabrication. L'IA peut faire la distinction entre les « bons » et les « mauvais » cordons de soudure sur la base de photographies collectées pendant la production. Il s'agit d'un exemple de procédure en ligne, ou post-processus, qui produit des données tout au long de toutes les étapes de production critiques. Bien entendu, cela ne s’applique pas seulement à la construction automobile.
Une deuxième tendance est liée aux jumeaux numériques. Des machines ou des installations de production complètes sont simulées dans un monde numérique, où le processus de soudage lui-même est simulé sur ordinateur. Les données réelles contribuent à améliorer ces modèles, même si les données qu’elles produisent sont essentiellement synthétiques.
Les deux tendances sont étroitement liées à l’évolution de l’IA. Dans le contrôle qualité, l’apprentissage automatique (ML) est utilisé pour séparer les bonnes et les mauvaises pièces. La machine apprend quels paramètres sont importants et l'opérateur ou le programmeur définit les seuils d'avertissement ou le moment où la machine doit s'arrêter.
L'utilisation de l'IA dans les inspections post-de processus a également été démontrée. Par exemple, la société allemande Scansonic MI utilise l’IA pour identifier les bons et les mauvais cordons de soudure dans les images. Des recherches plus approfondies détermineront comment les diagnostics « utilisation dans-processus » peuvent être utilisés pour le contrôle de processus en boucle fermée-. En plus du traitement d'image, cela peut impliquer des capteurs spectraux, une triangulation laser pour l'imagerie 3D ou une tomographie par cohérence optique pour le diagnostic de la profondeur des soudures.
Le soudage est un bon exemple, mais ce n’est qu’un exemple. Une telle technologie peut (et sera) utilisée partout où le cas d’utilisation est suffisamment important pour justifier l’investissement.
L’IA dans le contrôle qualité est principalement utilisée pour la reconnaissance de formes de pièces traitées. Pour boucler la boucle de contrôle, l’IA a besoin de connaître le processus dès le début. Par conséquent, les chercheurs utilisent des simulations de processus alimentées par autant de paramètres de processus que possible. Ici, l'IA a un potentiel encore plus grand - : elle peut connecter les paramètres d'entrée et de sortie. Des chercheurs du Central Laser Facility du laboratoire Rutherford Appleton du Science and Technology Facilities Council en Angleterre, par exemple, ont utilisé l'IA pour optimiser un système laser pour l'accélération du plasma.1. Il y a de nombreux boutons à actionner et le processus laser plasma est hautement non linéaire. L’IA a aidé les scientifiques à stabiliser le système et à établir un canal plasma pour l’accélération des électrons.
Appliquée à l'industrie, la simulation de processus basée sur l'IA- pourrait permettre de boucler la boucle du contrôle des processus. L’IA sait sur quel bouton tourner pour ramener la qualité du produit aux spécifications. Il peut apprendre en expérimentant virtuellement tous les boutons et en explorant le paysage des paramètres. Des modèles bien-connus existent pour résoudre cette tâche.
Mais tester toutes les variantes peut prendre du temps-et de l'énergie-consommateur. La question intéressante à ce stade concerne les connaissances préalables : dans quelle mesure l’apprentissage de l’IA peut-il être plus rapide si le modèle est alimenté par ce que les humains savent déjà sur le processus ?
Tendances de l'IA dans l'industrie photonique
Les. 2 et 3 octobre 2025, l'association industrielle allemande SPECTARIS -, soutenue par l'Institut Fraunhofer de technologie laser ILT (Fraunhofer ILT) et l'association fédérale BITMi -, a organisé un atelier sur l'IA en photonique. Les participants venaient d'instituts de recherche, dont Fraunhofer ILT lui-même, et de plusieurs universités, mais principalement de l'industrie, avec des représentants de Microsoft, ZEISS, TRUMPF, Audi, Precitec Vision, Bystronic, Blackbird Robotersysteme, 4D Photonics GmbH, etc. Alors que certaines des 27 présentations traitaient de l'IA dans la conception optique, l'atelier s'est principalement concentré sur les applications de l'IA dans la technologie laser industrielle.
Les assistants IA pourraient aider les opérateurs laser à trouver le bon tutoriel dans une vaste base de connaissances ou à optimiser la planification de trajectoire en matière de découpe laser. Plus intéressant encore est la façon dont l’IA prend en charge des décisions complexes, par exemple dans le contrôle qualité des processus de soudage laser ou de fabrication additive laser. Carlo Holly, titulaire de la chaire de technologie des systèmes optiques à l'université RWTH d'Aix-la-Chapelle et chef du département du Fraunhofer ILT, a résumé la tendance majeure dans sa présentation plénière : "Nous passons désormais d'une IA basée sur les données-vers une IA informée par les données- et la physique-."
Holly a expliqué cela avec un exemple tiré de ses recherches. Une équipe du Fraunhofer ILT a précédemment développé un procédé de dépôt de matériaux laser à haute-vitesse (EHLA, ou dépôt de matériaux laser à vitesse extrêmement élevée-). Plus de 100 paramètres influencent la qualité du revêtement dans ce processus. Ainsi, le transfert du procédé vers un autre matériau prend généralement deux ans avec 1 500 expériences et analyses. En utilisant un modèle de substitution du processus et un modèle d'optimisation (bayésien) de l'IA, l'équipe de Holly a considérablement réduit le nombre de tests : seuls 17 essais ont été nécessaires pour trouver les paramètres de processus optimaux.2.
Bien entendu, trouver les modèles et stratégies appropriés est un sujet de recherche permanent. Il est encourageant de constater que les recherches actuelles ont montré que le temps nécessaire à l’optimisation des processus a été réduit à quelques minutes plutôt qu’à quelques mois. Et, bien sûr, l'optimisation automatisée des processus est la prochaine étape vers le contrôle des processus en boucle fermée-.
ML avec 10 fois moins de données annotées
Alors que l’optimisation des processus bénéficie de connaissances préalables, le ML peut bénéficier du contraire. Holly a présenté ce fait surprenant lors de l'atelier SPECTARIS avec l'idée du ML sans annotation-. Son collègue Julius Neuß a ensuite démontré à quoi cela ressemble dans le contrôle qualité d'un processus de soudage, sur la base d'expériences utilisant le soudage au laser de boîtiers de batteries en aluminium.
Pour commencer, Neuß a comparé la nouvelle approche au flux de travail supervisé classique. Dans une configuration supervisée, les opérateurs doivent annoter manuellement chaque partie du cordon de soudure : position du fil, bain de fusion, géométrie des cordons, pores et éclaboussures (Figure 1). Même pour un petit ensemble de données, cela devient rapidement fastidieux-en main-d'œuvre. De plus, l’IA n’apprend que ce qui est explicitement étiqueté, et sa robustesse est limitée à la fois par la diversité et la qualité de l’ensemble de données annotées.
