So verändert KI Prozesse in der Lasertechnik

Künstliche Intelligenz ist für die Laser-Community kein neues Thema. Das zeigt sich besonders auf dem Branchentreff AKL’26 International Laser Technology Congress in Aachen. Es feiert in diesem Jahr sein 30-jähriges Bestehen und gilt als Insider-Treffen der europäischen Laserbranche. Ging es dort früher vor allem um das Sichten von Daten, Qualitätskontrolle und digitale Transparenz, greift künstliche Intelligenz nun immer mehr in den laufenden Prozess ein.

Schaeffler: Selbstlernendes KI-Lasersystem geplant 

Einen noch sehr frühen Ansatz zeigte Schaeffler in Aachen: Das Unternehmen setzt KI beim Multimaterial-3D-Druck ein, dem kombinierten Verarbeiten unterschiedlicher Werkstoffe in einer Anlage (LPBF-Verfahren). Die KI-Sichtprüfung analysiert Sichtbilder und korrigiert einfache Fehler. Komplexere Probleme führen noch zum Anlagenstopp und verlangen nach menschlichem Eingriff. Genau diesen Part soll ein selbstlernendes System übernehmen. „Mit jeder Schicht, die wir legen und aufzeichnen, füttern wir die KI mit Realdaten“, erklärte Florian Dörrfuß, Produktionsfachmann beim Schaeffler Sondermaschinenbau. „Noch arbeiten wir teilweise mit synthetischen Fehlerdaten, doch je mehr Maschinen im Feld laufen, desto schneller lernt das System.“ 

Auch die Volkswagen Group Components in Hannover nutzt KI im Zusammenspiel mit 3D-Druck. Der interne VW-Zulieferer beschichtet Bremsscheiben mit dem Extremen Hochgeschwindigkeits-Laserauftragschweißen (EHLA). Die vom Fraunhofer ILT entwickelte Technologie bringt eine Hartmetallschicht additiv auf Grauguss auf. Dafür sprechen hohe Produktivität, geringe Wärmeeinbringung und der Verzicht auf eine separate Vorbehandlung der Oberfläche. Volkswagen spricht von tausenden Teilen pro Tag und Materialwirkungsgraden von deutlich über 90 Prozent.

Die ersten Versuche liefen vor gut zehn Jahren gemeinsam mit dem Fraunhofer ILT. Damals startete das Verfahren mit rund zwei Kilowatt Laserleistung, heute arbeitet Volkswagen nach Angaben von Entwickler Markus Harke mit 20 Kilowatt. Ziel sind weniger Feinstaubemissionen, längere Standzeiten (100.000 Kilometer) und robustere Serienprozesse. Preiswert ist die neue Technik zunächst allerdings nicht. Harke gab zu, dass die Bremsen durch diesen aufwendigen Laserprozess „mehr als doppelt so teuer werden wie bisher“.

Langfristig seien jedoch Leistungen von 30 Kilowatt und mehr denkbar. Damit kommt EHLA für die Großserienproduktion infrage. Für VW wäre das ein wichtiger Schritt – nicht nur zur Senkung der Kosten, sondern auch, um beschichtete Bremsscheiben im großen Umfang in Volumenmodellen einzusetzen und so auch steigende Emissionsvorgaben wirtschaftlich zu erfüllen.

Laser revolutionieren die Elektromobilität

Egal ob für gas- und wasserdichte Energiespeicher oder die Leistungssteigerung von Lithium-Ionen-Batterien, der richtige Einsatz von Lasertechnologie könnte Prozesse für die E-Mobilität deutlich verbessern.

KI macht den Beschichtungsprozess serienreif

Das Verfahren verändert auch den Blick auf den Gesamtprozess: Als Engpass gilt weniger das Lasern selbst als vielmehr Pulverhandling, Komponentenverschleiß und Prüfprozesse. Harke: „Wir müssen den Prozess sichern und Daten sammeln, um Verschleißphänomene rechtzeitig zu erkennen und den Austausch der Komponenten rechtzeitig zu planen.“ Es ist derselbe Trend wie bei Schaeffler: KI soll einzelne Prozessschritte optimieren und zugleich komplette Fertigungslinien robuster machen.

Bosch denkt in Sachen KI als Hersteller von Anlagen noch weiter: Die Schwaben wollen künftig Anlagen als komplette digitale Systeme mit IT-Architektur, Edge-Computing, Datenpipelines und softwaregestützter Qualitätskontrolle anbieten. Software und KI bestimmen dann die Leistung der Maschinen, deren Fertigungsprozesse sich laufend optimieren. Wie die KI-Zukunft aussehen könnte, beschrieb Andreas Russ, Senior Manager Technology bei Bosch Manufacturing Solutions, am Beispiel einer großformatigen Schweißanlage für Batteriepacks mit rund 600 Kilogramm Gewicht und etwa 1.000 Zellen. Daraus ergeben sich rund 2.000 Schweißverbindungen je Pack. Bei dieser Größe stößt die klassische manuelle Optimierung an Grenzen. Die Stuttgarter setzen deshalb auf ein eng verzahntes Zusammenspiel aus Messtechnik, digitalem Zwilling und automatisierter Prozessführung.

Wenn digitale Zwillinge den Prozess optimieren

Bereits vor dem realen Aufbau werden Bewegungsabläufe, Taktzeiten und Steuerungsprogramme virtuell getestet. „Wenn ich digitale Zwillinge habe, dann kann ich sie natürlich nutzen, um in der frühen Phase schon auf digitaler Ebene die Maschinen zu optimieren“, erläutert Russ. Ziel sei es, Anlagen mit hohem Reifegrad in die Produktion zu bringen und die Inbetriebnahme deutlich zu beschleunigen.

In der realen Fertigung vermisst die Anlage zunächst nicht nur jede einzelne Batteriezelle, sondern auch ein mehrteiliges Zellkontaktiersystem, das dann nach dem „Best Fit“-Prinzip positionsgenau abgelegt wird. Erst dann startet das eigentliche Laserschweißen. Damit verschiebt sich der Fokus von nachgelagerter Qualitätskontrolle hin zur gezielten Fehlervermeidung.

Die Maschine wandelt sich zum intelligenten System. Bosch integriert nach eigenen Angaben mehr als 40 Achsen und über 30 Koordinatensysteme. Entsprechend wichtig seien automatische Überwachung, Kalibrierung und Zustandskontrolle. Selbst die Fokuslage des Lasers werde vollautomatisch in weniger als 15 Sekunden eingestellt – ohne dass der Bediener eingreift.

Die in Aachen skizzierten Entwicklungen zeichneten sich bereits am Fraunhofer ILT ab. Carlo Holly, Leiter des RWTH-Lehrstuhls für Technologie optischer Systeme sowie Abteilungsleiter Data Science und Messtechnik am Fraunhofer ILT, zeigte in seinem Schlussvortrag die nächste Stufe der KI-Nutzung auf: „Unsere Rolle wechselt von manueller Ausführung hin zur Orchestrierung.“ KI-Agenten könnten künftig Literatur auswerten, Versuche planen, Daten erzeugen und Labor- wie Produktionsabläufe autonom optimieren. Damit würde sich die Rolle des Menschen zunehmend von der Bedienung einzelner Prozesse hin zur Steuerung komplexer Gesamtsysteme verschieben.

„Wer Daten nicht sauber erfasst, kann keine leistungsfähige KI einsetzen“

Interview mit Julius Neuß, Gruppe Prozesssensorik und Systemtechnik am Fraunhofer ILT, über ein weitgehend selbstlernendes System für die Lasermaterialbearbeitung:

Bereits auf der Spectaris-Konferenz in Berlin hieß es im Herbst 2025: Erst kommt die Datenstrategie, dann die KI. Wie weit ist die Autoindustrie?

Neuß: Neue Maschinen bringen heute vieles mit, was KI braucht – Sensorik, Datenerfassung, Schnittstellen. Das Problem liegt oft im gewachsenen Maschinenpark. Gerade in etablierten Fertigungen stehen heterogene Anlagen aus vielen Jahren. Diese auf einen Standard zu bringen, ist technisch und organisatorisch anspruchsvoll. Gleichzeitig braucht KI große, saubere Datenmengen aus vielen Maschinen. Genau dort hakt es häufig noch.

Wo bietet KI in der Laserfertigung derzeit den größten praktischen Nutzen?

Kurzfristig klar in der Prozessüberwachung und Qualitätssicherung. Das lässt sich einfacher integrieren. Das eigentliche Potenzial liegt aber in der Echtzeitregelung. Dann würde Expertenwissen digital in die Maschine wandern und unmittelbar auf Schwankungen reagieren. Viele Unternehmen tun sich allerdings noch schwer mit einer „Blackbox“, die aktiv Prozessparameter verändert.

Wo würden Sie investieren, wenn Sie heute Werksleiter wären?

Zuerst in Digitalisierung und Sensorik. Wer Daten nicht sauber erfasst, kann später auch keine leistungsfähige KI einsetzen. Ein sinnvoller Einstieg sind Assistenzsysteme, die mitlaufen, analysieren und dem Bediener Hinweise geben. Das schafft Nutzen und Vertrauen.

Sie sprachen auf dem AKL’26 über „Self-supervised Learning“. Was ist daran interessant?

Klassisches Machine Learning braucht viele von Experten markierte Trainingsdaten. Das ist teuer und langsam. Beim Self-supervised Learning nutzt der Anwender zunächst unmarkierte Rohdaten, um Modelle vorzutrainieren. Danach reicht deutlich weniger Aufwand für die eigentliche Anwendung. Das macht Systeme flexibler und schneller anpassbar.

Gibt es dafür schon Ergebnisse?

Ja. In einem Projekt zur Schweißüberwachung konnten wir die nötige Menge an Trainingsdaten um 20 bis 30 Prozent senken – bei gleicher Modellqualität. Für die Industrie ist das ein starkes Signal.

Was fehlt noch für den breiten Durchbruch?

Daten, Partner und Offenheit zur Zusammenarbeit. Gerade Forschungsinstitute verfügen über breite Datensätze aus vielen Prozessen. Wenn mehr Unternehmen bereit sind, Daten strukturiert einzubringen, werden die Modelle deutlich besser.