探讨喷涂工艺的未来是当前共同研究项目的主题，该项目目标是降低喷涂出错率，减少喷涂材料的消耗，缩短停机时间和新一轮喷涂的启动时间。
参与该项目的企业已成功实现了涂装工艺优化和工艺参数的不间断联网传输。
当前，喷涂厂商仍然无法持续高效控制喷涂工艺，他们只能通过监测喷涂系统故障、不良品产生和返工等环节，无法实现在工件指定位置喷上理想的涂层厚度。为了提高喷涂效率，弗劳恩霍夫协（Fraunhofer IPA）与 AOM- Systems 等三家公司共同研究如何利用人工智能 （AI）优化汽车和商用车的塑料部件的喷涂工艺，该智能算法不仅会检测和评估喷涂工艺中所有相关数据，而且在一开始喷涂时候就发出错误/警告信号进行实时提醒。
1、融入质量检测和工艺数据监控
该研究项目的目标是将有缺陷问题的产品减少30%，停机时间缩短20%，同时减少每年涂装原料的消耗量，将新一轮喷涂的启动时间缩短10%。为了实现这一目标，该检测技术能将可视化涂层缺陷或涂层厚度等测量数据与控制系统的工艺参数相结合。 然后，结合后的数据用于创建颗粒行为相关模型，科学家们使用机器自主学习方法对该模型进行评估。这些算法可以在喷涂一开始时候就能检测出即将出现的质量偏差，并立即指出其造成原因。
这种检测技术还会评估喷射工艺的质量参数，这是它的创新之处，这是以往没有监测的工艺参数。此外，除了常规的工艺参数外，该技术还可以通过太赫兹测量技术和测色仪器对最终产品进行质量检测。因此，该研项目为工厂和喷涂设备的工艺参数以及产品质量提供了一个可靠的数据支撑。
项目合作企业重点关注汽车和商用车领域的保险杠、后视镜、门把手和其他塑料附加部件的喷涂质量。该行业的产品吞吐量巨大，人们对提高喷涂效率非常感兴趣。此外，喷涂车间的自动化和数字化程度非常高，因此人工智能的应用前景广阔。
AOM-Systems公司的SpraySpy ProcessLine PL200检测系统用于监控喷涂工艺参数。该系统可在喷涂过程中检测喷涂质量，即使是与目标值的最小偏差，它也能检测出来。这些偏差可能是局部体积流的喷射几何形状或涂料粘度变化造成。
第一台样机
行为模型分为工艺层面和三个级别的喷涂工序质量参数
弗劳恩霍夫工业自动化研究所（Fraunhofer IPA）安装了第一台样机：它以 40 毫秒为周期记录喷涂压力等工艺参数。AOM SpraySpy监测喷涂参数（第一级 质量数据）-- 科学家可以通过涂层厚度 （第二级）和颜色测量（第三级）确定喷涂质量。该样机由一个六轴喷涂机器人组成，通过高旋转雾化器喷涂金属底漆。在此过程中，项目负责人从行业中选择标准操作参数，并有针对性进行操作。这样， 他们就可以跟踪各种缺陷问题，从缺陷起源到缺陷对喷涂效果或涂层质量的影响。这里的目的是模拟生产中通常出现的故障，并获取故障原因的特征图像以便对人工智能进行训练。
●按压错误
●参数偏差
●气穴
●高旋转雾化器的底盘故障
●喷涂材料的差异
然后使用 SpraySpy检测喷雾工艺，可为这些情况提供时间序列。根据这些数据，科学家可以使用统计学方法区分合格情况（正常 ）和缺陷情况（不正常）。 根据这些数据，人工智能可以学习缺陷的特征错误模式。未来，该系统将进一步发展，不仅能检测生产过程中的缺陷，还能归类缺陷原因，并自动发出优化建议（例如，清洁 或更换雾化盘）。通过使用 SpraySpy对喷涂工艺进行观察， 用户现在可以在喷涂过程中检测到许多此类偏差，在喷涂一开始就能发现错误，及时纠正喷涂参数。这样，他们就可以避免因废品而造成的大量返工或成本增加，尤其是在出现系统性偏差（如设备缺陷或涂装材料的批 次偏差）的情况下。 该项目的下一步工作是将目前获得的知识应用到喷涂产线上进行试验。
不同缺陷类别的平均喷雾特性值和颜色偏差；
AOM喷雾检测可以识别不同的缺陷类别，使色差也可以被测量。
通过使用自主学习行为模型（pAInt-Behaviour）对工艺和质量参数进行多层联网来提高喷涂效率 "项目由德国联邦教育与研究部（Bundesmin isterium für Bildung und Forschung（联邦教育与研究部）的资助，并由卡尔斯鲁厄项目管理机构（PTKA） Produktion, Dienstleistung und Arbeit（生产服务和工作）负责监督。
作者
Dr. Oliver Tiedje
Group Manager Wet Application and Simulation Technology Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA, Stuttgart (Germany)
Dr. Meiko Hecker
Managing Director AOM-Systems GmbH, Heppenheim (Germany)
翻译
佛山翁开尔公司