Die Erfindung bezieht sich auf ein Verfahren zur Ermittlung einer beim Farblacksprühen nach Eingabe bestimmter Sprühparameter in eine elektrostatisch basierte Lacksprüheinrichtung zu erwartenden Schichtdickenverteilung in der zu erzeugenden Lackschicht.

Eine bekannte Vorgehensweise zur a-priori Berechnung des Lackierergebnisses von elektrostatisch basierten Lackieranlagen beruht auf empirischen Untersuchungen, mit Hilfe derer wenig fundierte Schätzwerte und nur sehr vereinfachte mathematische Beschreibungen für das Lackierergebnis ermittelbar sind. Die dabei notwendigen extremen Vereinfachungen, wobei auch einige Einflüsse auf das Lackierergebnis, wie z.B. Umgebungstemperatur oder Art und Form der Lackierkabine unberücksichtigt bleiben, führen zu einer unzureichenden Genauigkeit der Berechnung.

Ein anderer bekannter Vorschlag sieht eine komplexe physikalische Modellbildung vor, mit deren Hilfe der sehr komplexe physikalische Prozeß des Lackierens detailgetreu nachgebildet werden soll, anhand dessen das Lackierergebnis bestimmt werden soll.

Nachteilig ist jedoch die Komplexität der Modellbildung. So ist eine hinreichend genaue Nachbildung der physikalischen Vorgänge während des Lackiervorganges, und insbesondere deren Rückwirkungen untereinander kaum möglich, da es sich um stochastisch ablaufende Vorgänge handelt (Zerstäubung, Verwirbelung, etc.). Zudem ist der Aufwand für die Modellbildung und die reine Berechnungszeit des Modells auch auf derzeit verfügbaren Rechenanlagen inakzeptabel hoch (Tage oder Wochen).

Der Erfindung liegt daher die Aufgabe zugrunde, ein Verfahren zur Ermittlung einer zu erwartenden Schichtdickenverteilung in einer zu erzeugenden Lackschicht anzugeben, das bei relativ geringem Aufwand zu ausreichend genauen Ergebnissen führt.

Diese Aufgabe wird durch ein Verfahren zur Schichtdickenermittlung mit den im Anspruch 1 angegebenen Merkmalen gelöst.

Beim erfindungsgemäßen Verfahren wird nicht der gesamte physikalische Prozeß des Lackierens, sondern das Lackierergebnis, zunächst ohne Berücksichtigung der physikalischen Prozesse, anhand eines phänomenologischen Modells nachgebildet. Die dabei berücksichtigten Modellparameter entsprechen nur teilweise den tatsächlichen Parametern des Lackiervorganges. Der Zusammenhang zwischen Modellparametern und den realen Sprühparametern wird mit Hilfe künstlicher neuronaler Netze hergestellt, die anhand realer Messungen angelernt wurden.

Der Vorteil dieses Gesamtverfahrens beruht darauf, daß eine komplexe physikalische Modellbildung des Gesamtprozesses vermieden wird. Trotzdem sind die erzielten Ergebnisse realitätsnah und berücksichtigen aufgrund der Verwendung realer Meßwerte zum Anlernvorgang der künstlichen neuronalen Netze alle, also auch bisher unbekannte Zusammenhänge.

Eine weitere Erläuterung der Erfindung erfolgt nachstehend anhand eines in Zeichnungsfiguren dargestellten Ausführungsbeispiels.

Es zeigen:

Fig. 1

eine schematisierte Darstellung einer Lacksprühvorrichtung und der von ihr erzeugten Sprühwolke,

Fig. 2

ein Funktionsschema des Verfahrens,

Fig. 3

eine Draufsicht auf ein stationäres Sprühbild,

Fig. 4 und 5

Komponenten eines dreidimensionalen stationären Sprühbildes,

Fig. 6

ein dreidimensionales Gesamtsprühbild,

Fig. 7

einen vertikalen Integralschnitt durch eine Lackschicht, und

Fig. 8

einen horizontalen Integralschnitt durch eine Lackschicht.

Fig. 1 zeigt eine schematische Darstellung einer beispielsweise als Zerstäuberring ausgeführten Lacksprüheinrichtung 2, die einen Lacksprühstrahl 3 oder eine Sprühwolke liefert, wobei eine Aufladung mittels sechs Hochspannungselektroden 1 erfolgt, die kreisförmig um den Zerstäuberring angeordnet sind. Der Lack wird auf einen Gegenstand 4 abgeschieden.

Durch horizontale oder vertikale Bewegung, auch oszillierende Bewegung der Sprüheinrichtung 2 sowie durch eine Änderung des Abstandes zwischen Sprüheinrichtung 2 und Gegenstand 4 ist eine Lackschicht auf dem Gegenstand 4 erzeugbar. Die Lackschichtdickenverteilung ist meßbar.

Fig. 3 zeigt eine Draufsicht auf ein mit der Sprüheinrichtung gemäß Fig. 1 erzeugbaren Sprühbild, wobei vorausgesetzt ist, daß die Sprüheinrichtung während des Sprühvorgangs nicht bewegt wurde. Durch geeignete Bewegung der Sprüheinrichtung kann eine Lackschicht mit praktisch gleichmäßiger Dickenverteilung über der lackierten Fläche erzielt werden.

Aus den Fig. 4 bis 6 ist ersichtlich, daß das in Fig. 3 als Draufsicht gezeigte quasi stationäre Sprühbild, das mit einer anhand der Fig. 1 beschriebenen Ausführung einer Sprüheinrichtung herstellbar ist, sich aus zwei Hauptkomponenten zusammensetzt: Fig. 4 zeigt eine Torus-ähnliche Figur mit einem Scheitelpunkt einer Gaus-Glocke, der unterhalb der Kante des Zerstäuberrings liegt; es ist Rotationssymmetrie um die Achse des Zerstäuberrings gegeben. Fig. 5 zeigt eine Figur mit sechs glockenförmigen Lackabscheidungen, die einer Gausschen Verteilung entsprechen, und sich kreisförmig verteilt jeweils auf einem Kreissegment zwischen zwei Elektroden 1 (Fig. 1) befinden.

Ein durch Zusammensetzung der beiden Komponenten sich ergebendes Gesamtsprühbild ist in Fig. 6 gezeigt.

Fig. 2 zeigt ein Funktionsschema des Verfahrens. Das Verfahren beruht auf der Nachbildung eines 3-dimensionalen, quasi stationären Sprühbildes, d.h. der Farbverteilung unter einem feststehenden Applikator zum Beispiel einer beschriebenen Sprüheinrichtung. Ein solches Sprühbild ist beispielsweise in Fig. 6 dargestellt. Zugrundeliegende, z.B. in Fig. 4 und 5 dargestellte Komponenten können durch geeignete Korrekturfaktoren unsymmetrisch" gestaltet werden, um den Einfluß von Parametern wie Gravitation oder Luftströmung auf das Lackierergebnis beschreiben zu können. Es ist auch die Einführung weiterer Komponenten möglich.

Das in Fig. 3 gezeigte Sprühbild ist durch folgende Parameter beschreibbar:

• Radius der Torus-ähnlichen Figur unter dem Zerstäuberring,
• Farbvolumen der Torus-ähnlichen Figur unter dem Zerstäuberring,
• Unsymmetriegrad der Torus-ähnlichen Figur unter dem Zerstäuberring.
• Streuung der Gaus-Glocke, durch deren Rotation die Torus-ähnliche Figur gebildet wird,
• Anzahl der Elektroden,
• Anordnungsradius der Elektroden,
• Farbvolumen der Gaus-Glocken zwischen den Elektroden,
• Unsymmetriegrad der Gaus-Glocken zwischen den Elektroden,
• Streuung der Gaus-Glocke zwischen den Elektroden,
• Drehwinkel der Elektroden.

Weitere Parameter sind denkbar.

Es ist weiterhin zu beachten:

• das Volumen des 3-dimensionalen Sprühbildes muß dem tatsächlichen Farbdurchsatz der realen Anordnung entsprechen (lineare Skalierung);
• einige Parameter, wie z.B. Anzahl der Elektroden fließen als Festwert in das Verfahren ein.

Das Resultat einer solchen Berechnung eines Sprühbildes ist bei der Realisation auf einer Datenverarbeitungsanlage in einer 2-dimensionalen Variablen zu speichern. Die beiden Dimensionen entsprechen der Grundfläche des quasi stationären Sprühbildes, der Wert der jeweiligen Variablen der zugehörigen Höhe der Farbe (vgl. Fig. 6).

Fig. 2 ist zu entnehmen, daß verfahrensgemäß ein phänomenologisches Modell des Sprühbildes erstellt und verwendet wird. Ein solches Modell ist einfacher als ein Modell, das die physikalischen Zusammenhänge beschreibt.

Ein Teil der Eingangsparameter sind als Festwerte direkt dem Modell zuführbar. Ein anderer Teil der Eingangsparameter, deren Einfluß nicht exakt beschreibbar ist, wird einem künstlichen neuronalen Netz zugeführt, das zusätzliche Modellparameter liefert. Durch Berücksichtigung einer vorgegebenen Bewegung der Sprüheinrichtung durch Integration des quasi stationären Sprühbildes entsteht ein realistisches Abbild der zu erwartenden Lackdickenverteilung beim Lacksprühen.

Die Bestimmung des 3-dimensionalen Sprühbildes bei Bewegung der Lackiereinrichtung kann auf folgende Weise geschehen:

• Integration des Flächeninhaltes einer Schnittfläche durch das quasi stationäre Sprühbild bei Bewegung der Lackiereinrichtung mit linearer Geschwindigkeit. Die Ausrichtung der Schnittfläche erfolgt korrespondierend zur Bewegungsrichtung der Lackiereinrichtung. Fig. 7 zeigt beispielhaft einen Schnitt durch eine durch vertikale Bewegung der Sprüheinrichtung gebildeten Lackschicht. Fig. 8 zeigt eine entsprechende Schichtdickenverteilung, die sich durch horizontale Bewegung der Sprüheinrichtung ergibt.
• Fiktive Bewegung des quasi stationären Sprühbildes der Grundfläche (n x n) innerhalb einer 2-dimensionalen Grundfläche (a x b, a>n, b>n) in fiktiven äquidistanten Zeitintervallen. Entsprechend der geforderten Geschwindigkeit der Bewegung und entsprechend der Lage des quasi stationären Sprühbildes werden die Zahlenwerte an den betreffenden Koordinaten der (a x b)-Fläche erhöht, über denen sich gerade die (n x n)-Fläche befindet.

Die Verwendung künstlicher neuronaler Netze zur Umwandlung der realen Eingangsparameter der physikalischen Anordnung in Modellparameter macht es erforderlich, die künstlichen neuronalen Netze mittels realer Meßdaten vor ihrem Einsatz anzulernen.

Reale Eingangsparameter für die neuronalen Netze sind im Fall der hier beispielhaft zugrundeliegenden Sprüheinrichtung:

• Art der Farbe,
• Lackvolumen pro Zeit,
• Geschwindigkeit der Lackiereinrichtung,
• Farbtyp,
• Lenkluft-Daten,
• Steuerluft-Daten,
• Hochspannung,
• Temperatur,
• Rotationsgeschwindigkeit des Zerstäuberringes,
• Art der Lackierkabine, und
• Aufbau des Applikators (z.B. Zahl der Elektroden, Radius des Zerstäuberringes).

Ausgangsgrößen der neuronalen Netze sind Modellparameter, die mit direkten Eingangsparametern kombinierbar sind.

Neuronale Netze sind für Zuordnungsfunktionen, deren physikalischer Hintergrund nicht genau beschreibbar ist, sehr geeignet (Black-Box-Modell). Als geeigneter Typ von neuronalen Netzen ist das Multilayer-Perceptron anzusehen. Folgende Struktur des neuronalen Netzes ist geeignet:

• Die Zahl der Eingangsneuronen entspricht der Zahl der betrachteten physikalischen Eingangsparameter wie oben beschrieben, die aber in weiten Grenzen als variabel anzusehen ist (Elimination von nicht - relevanten Eingangsparametern);
• Die Zahl der Ausgangsneuronen entspricht der Zahl der gewünschten Modellparameter.

Es kann sich als sinnvoll erweisen, für jeden gewünschten Modellparameter ein separates neuronales Netz anzulernen, das lediglich über einen einzigen Ausgang sowie eine Anzahl von Eingangsneuronen verfügt, die einem Teil oder der Gesamtheit der zur Verfügung stehenden Eingangsgrößen entspricht.

Die Zahl der verborgenen Schichten zwischen Ein- und Ausgangsneuronen kann von Null bis sinnvollerweise 2 variieren.

Andere Typen von neuronalen Netzen sind ebenfalls denkbar.

Zum Anlernen eines solchen Netzes ist ein supervised learning"-Verfahren sinnvoll, z.B. Backpropagation", das die Parameter des neuronalen Netzes anhand einer geeigneten Anzahl von korrespondierenden Ein- und Ausgangsvektoren bestimmt (Vektor" bedeutet in diesem Fall die Aneinanderreihung der gewünschten Ein- bzw. Ausgangsgrößen).

Die Erzeugung des Lerndatensatzes, der eine entsprechende Anzahl solcher korrespondierenden Vektoren enthält, ist anhand realer Messungen durchzuführen:

Hierbei wird folgendermaßen vorgegangen:

• Es wird unter Variation direkter Eingangsparameter eine Anzahl von C Sprühbildem erzeugt, deren Eigenschaften innerhalb eines physikalisch sinnvollen Bereiches liegen;
• es steht eine Anzahl von D < C realen Messungen zur Verfügung;
• für jede Einzelmessung d aus D wird die ähnlichste (minimale quadratische Abweichung) Simulation c aus C ermittelt, womit der Zusammenhang zwischen realen Parametern der Lackiereinrichtung und Modellparametern gegeben ist. Für jedes d aus D wird genau 1 c aus C ermittelt;
• die gefundenen D Wertepaare sind in geeigneter Form und Reihenfolge in den Lerndatensatz zu schreiben.

Wenn die Lernvorgänge zweier neuronaler Netze, die sich formal lediglich um einen Eingangsparameter unterscheiden, bei sonst identischem Lerndatensatz (lediglich der eine Parameter wird nicht berücksichtigt) zu gleichwertigen Lernergebnissen führen (kumulierter Fehler), kann der betreffende Parameter als nicht relevant erkannt werden.