-
Die Erfindung betrifft einen Prozess zur Lackierung eines Bauteils, z.B. einer Fahrzeugkarosserie. Insbesondere betrifft die Erfindung ein Verfahren und eine entsprechende Vorrichtung zur Erhöhung der Qualität der Lackierung eines Bauteils.
-
Die Karosserie eines Fahrzeugs wird im Vorfeld zur Montage des Fahrzeugs lackiert. Dabei kann es vorkommen, dass die Lackschicht der lackierten Karossiere Defekte aufweist, wie z.B. Lufteinschlüsse und/oder Einschlüsse von Staubpartikeln. Die Defekte einer Lackschicht müssen typischerweise manuell nachbearbeitet werden, wodurch die Herstellungskosten erhöht werden. Des Weiteren führt die manuelle Nachbearbeitung zu einer Verzögerung des Montageprozesses.
-
Das vorliegende Dokument befasst sich mit der technischen Aufgabe, die Qualität einer im Rahmen eines Lackierprozesses hergestellten Lackschicht auf einem Bauteil, insbesondere auf einer Fahrzeugkarosserie, in effizienter und zuverlässiger Weise zu erhöhen.
-
Die Aufgabe wird jeweils durch die unabhängigen Ansprüche gelöst. Vorteilhafte Ausführungsformen werden u.a. in den abhängigen Ansprüchen beschrieben. Es wird darauf hingewiesen, dass zusätzliche Merkmale eines von einem unabhängigen Patentanspruch abhängigen Patentanspruchs ohne die Merkmale des unabhängigen Patentanspruchs oder nur in Kombination mit einer Teilmenge der Merkmale des unabhängigen Patentanspruchs eine eigene und von der Kombination sämtlicher Merkmale des unabhängigen Patentanspruchs unabhängige Erfindung bilden können, die zum Gegenstand eines unabhängigen Anspruchs, einer Teilungsanmeldung oder einer Nachanmeldung gemacht werden kann. Dies gilt in gleicher Weise für in der Beschreibung beschriebene technische Lehren, die eine von den Merkmalen der unabhängigen Patentansprüche unabhängige Erfindung bilden können.
-
Gemäß einem Aspekt wird ein (Computer-implementiertes) Verfahren zum Lackieren eines Bauteils beschrieben. Das Verfahren umfasst das Ermitteln von Partikeldaten in Bezug auf die Menge von Partikeln auf einem gereinigten Bauteil. Die Partikeldaten können während des Reinigungsprozesses des Bauteils auf Basis von Partikeln ermittelt werden, die von dem Bauteil entfernt wurden. Aus der Menge von Partikeln, die während des Reinigungsprozesses entfernt werden konnten, insbesondere aus dem zeitlichen Verlauf der Menge von Partikeln, die während des Reinigungsprozesses entfernt werden konnten, kann in präziser Weise die Menge von Partikeln geschätzt werden, die sich noch auf der zu lackierenden Oberfläche des Bauteils befinden. Alternativ oder ergänzend können die Partikeldaten im Anschluss an den Reinigungsprozess des Bauteils auf Basis einer (Bild-)Analyse der zu lackierenden Oberfläche des Bauteils ermittelt werden.
-
Die Partikeldaten können anzeigen: die Menge von Partikeln auf der zu lackierenden Oberfläche des Bauteils; die räumliche Verteilung von Partikeln auf der zu lackierenden Oberfläche des Bauteils; und/oder die Größe von Partikeln auf der zu lackierenden Oberfläche des Bauteils.
-
Außerdem umfasst das Verfahren das Bestimmen, auf Basis der Partikeldaten und unter Verwendung eines maschinenerlernten Modells, ob die zu erstellende Lackschicht auf dem Bauteil eine ausreichend hohe Qualität aufweisen wird oder nicht. Insbesondere kann prädiziert werden, ob die Lackschicht eine derart hohe Qualität aufweisen wird, dass keine weitere Nachbearbeitung der Lackschicht (zur Behebung eines Defektes) erforderlich ist. Beispielsweise kann ermittelt werden, ob die Qualität der Lackschicht über oder unter einem vordefinierten Qualitäts-Schwellenwert liegen wird.
-
Das zur Prädiktion der Qualität der Lackschicht verwendete maschinenerlernte Modell kann ein neuronales Netz umfassen und/oder auf Künstlicher Intelligenz basieren. Das Modell kann im Vorfeld zu der Ausführung des Verfahrens angelernt worden sein (z.B. durch eine „Supervised Learning“ Methode).
-
Das Verfahren umfasst ferner das Durchführen einer erneuten Reinigung des Bauteils, wenn bestimmt wurde, dass die zu erstellende Lackschicht keine ausreichend hohe Qualität aufweisen wird. Alternativ oder ergänzend umfasst das Verfahren das Aufbringen der Lackschicht auf das Bauteil, wenn bestimmt wurde, dass die zu erstellende Lackschicht eine ausreichend hohe Qualität aufweisen wird.
-
Durch das beschriebene Verfahren kann die Güte eines Lackierprozesses erhöht werden. Des Weiteren können die Kosten und der Bedarf an Nacharbeitung in zuverlässiger Weise reduziert werden.
-
Das Verfahren kann umfassen, das Ermitteln, auf Basis der Partikeldaten, von Merkmalswerten von ein oder mehreren Merkmalen, insbesondere für ein oder mehrere Eingangswerte des maschinenerlernten Modells. Es kann dann in besonders präziser und robuster Weise auf Basis der Merkmalswerte und auf Basis des maschinenerlernten Modells bestimmt werden, ob die zu erstellende Lackschicht auf dem Bauteil eine ausreichend hohe Qualität aufweisen wird oder nicht.
-
Das Verfahren kann umfassen, das Erfassen von Lackdaten in Bezug auf die Qualität der auf das Bauteil aufgebrachten Lackschicht. Das Modell kann dann in Abhängigkeit von den Lackdaten angepasst (insbesondere weiter angelernt) werden. So kann die Güte des Lackierprozesses weiter erhöht werden.
-
Das Verfahren kann ferner das Prädizieren, auf Basis der Partikeldaten und unter Verwendung des Modells, umfassen: einer Position eines Defektes in der zu erstellenden Lackschicht auf dem Bauteil; eines Typs eines Defektes in der zu erstellenden Lackschicht auf dem Bauteil; und/oder einer Größe eines Defektes in der zu erstellenden Lackschicht auf dem Bauteil. Das Modell kann im Vorfeld angelernt worden sein, um die o.g. Information prädizieren zu können. So kann die Güte des Lackierprozesses weiter erhöht werden.
-
Das Verfahren kann das Ermitteln von Prozessdaten in Bezug auf ein oder mehrere Randbedingungen des Lackierprozesses zum Aufbringen der Lackschicht auf das Bauteil umfassen. Die Prozessdaten können umfassen bzw. anzeigen: die Feuchte, insbesondere die Luftfeuchtigkeit, während des Lackierprozesses; und/oder die Temperatur während des Lackierprozesses. Es kann dann auch in Abhängigkeit von den Prozessdaten (unter Verwendung des Modells) bestimmt werden, ob die zu erstellende Lackschicht auf dem Bauteil eine ausreichend hohe Qualität aufweisen wird oder nicht. Durch die Berücksichtigung von Prozessdaten kann die Güte des Lackierprozesses weiter erhöht werden.
-
Gemäß einem weiteren Aspekt wird ein Software (SW) Programm beschrieben. Das SW Programm kann eingerichtet werden, um auf einem Prozessor (z.B. auf einem Server) ausgeführt zu werden, und um dadurch das in diesem Dokument beschriebene Verfahren auszuführen.
-
Gemäß einem weiteren Aspekt wird ein Speichermedium beschrieben. Das Speichermedium kann ein SW Programm umfassen, welches eingerichtet ist, um auf einem Prozessor ausgeführt zu werden, und um dadurch das in diesem Dokument beschriebene Verfahren auszuführen.
-
Gemäß einem weiteren Aspekt wird eine Vorrichtung zur Steuerung eines Lackierprozesses zum Lackieren eines Bauteils beschrieben. Die Vorrichtung ist eingerichtet, Partikeldaten in Bezug auf die Menge von Partikeln auf einem gereinigten Bauteil zu ermitteln, das in einer Reinigungseinheit gereinigt wurde. Des Weiteren ist die Vorrichtung eingerichtet, auf Basis der Partikeldaten und unter Verwendung eines maschinenerlernten Modells zu bestimmen, ob eine zu erstellende Lackschicht auf dem Bauteil eine ausreichend hohe Qualität aufweisen wird oder nicht. Die Vorrichtung ist ferner eingerichtet, das Bauteil erneut der Reinigungseinheit zuzuführen, wenn bestimmt wurde, dass die zu erstellende Lackschicht keine ausreichend hohe Qualität aufweisen wird, oder das Bauteil zum Aufbringen einer Lackschicht einer Lackiereinheit zuzuführen, wenn bestimmt wurde, dass die zu erstellende Lackschicht eine ausreichend hohe Qualität aufweisen wird.
-
Es ist zu beachten, dass die in diesem Dokument beschriebenen Verfahren, Vorrichtungen und Systeme sowohl alleine, als auch in Kombination mit anderen in diesem Dokument beschriebenen Verfahren, Vorrichtungen und Systemen verwendet werden können. Des Weiteren können jegliche Aspekte der in diesem Dokument beschriebenen Verfahren, Vorrichtungen und Systemen in vielfältiger Weise miteinander kombiniert werden. Insbesondere können die Merkmale der Ansprüche in vielfältiger Weise miteinander kombiniert werden.
-
Im Weiteren wird die Erfindung anhand von Ausführungsbeispielen näher beschrieben. Dabei zeigen
- 1 einen beispielhaften Lackierprozess;
- 2a ein beispielhaftes neuronales Netz;
- 2b ein beispielhaftes Neuron; und
- 3 ein Ablaufdiagramm eines beispielhaften Verfahrens zum Lackieren eines Bauteils.
-
Wie eingangs dargelegt, befasst sich das vorliegende Dokument mit der Erhöhung der Qualität eines Lackierprozess, insbesondere um das Ausmaß der erforderlichen Nacharbeitung im Anschluss an den Lackierprozess zu reduzieren.
-
1 zeigt einen beispielhaften Lackierprozess 100. In Vorbereitung auf die Lackierung eines Bauteils 102 (z.B. einer Fahrzeugkarosserie) erfolgt typischerweise eine Reinigung des Bauteils 102. Die Reinigung kann durch ein oder mehrere Reinigungseinheiten 110 bewirkt werden. In dem dargestellten Beispiel ist die Reinigungseinheit 110 eingerichtet, Luft 111 auf das Bauteil 102 zu blasen, um Partikel von dem Bauteil 102 zu entfernen. Des Weiteren können z.B. Bürsten und/oder Schwämme und/oder Federn verwendet werden, um das Bauteil 102 zu reinigen. Insbesondere können Emufedern und/oder Bürsten mit einer elektrostatischen Flüssigkeit verwendet werden, um das Bauteil 102 zu reinigen, insbesondere um Partikel von dem Bauteil 102 zu entfernen. Im Idealfall sollte die Oberfläche des Bauteils 102 im Anschluss an den Reinigungsprozess keine Partikel mehr aufweisen.
-
Nachdem das Bauteil 102 gereinigt wurde, kann das Bauteil 102 durch eine Lackiereinheit 130 lackiert werden, wobei die Lackiereinheit 130 eingerichtet ist, Lack 131 auf das Bauteil 102 aufzubringen, um auf der Oberfläche des Bauteils 102 eine Lackschicht zu erzeugen.
-
Im Anschluss an den Lackierprozess kann das lackierte Bauteil 102 inspiziert werden, insbesondere um Defekte der Lackierschicht auf dem Bauteil 102 zu detektieren. Durch einen Lacksensor 140, insbesondere durch eine Kamera, können Sensordaten 141 in Bezug auf die Lackschicht erfasst werden. Die Sensordaten 141, insbesondere die Bilddaten, können ausgewertet werden (z.B. mithilfe von Bildverarbeitungsalgorithmen), um ein oder mehrere Defekte in der Lackschicht zu identifizieren. Es kann dann in Abhängigkeit von der Menge und/oder dem Typ der Defekte entschieden werden, ob eine manuelle Nachbearbeitung des Bauteils 102 erforderlich ist.
-
Wie bereits eingangs dargelegt, verursacht die manuelle Nachbearbeitung zusätzliche Kosten. Des Weiteren wird durch die manuelle Nachbearbeitung der Montageprozess eines Fahrzeugs verzögert.
-
Bei dem in 1 dargestellten Montageprozess wird ein Partikelsensor 120 verwendet, der eingerichtet ist, Sensordaten in Bezug auf Partikel zu erfassen, die sich nach der Reinigung des Bauteils 102 und vor der Lackierung des Bauteils 102 auf der Oberfläche des Bauteils 102 befindet. Die Sensordaten 121 (insbesondere die Partikeldaten) des Partikelsensors 120 können die Anzahl und/oder die Größe und/oder die räumliche Verteilung der Partikel auf der Oberfläche des Bauteils 102 anzeigen. Der Partikelsensor 120 kann z.B. eine Kamera umfassen.
-
Alternativ oder ergänzend können die Partikeldaten 121 bereits während der Reinigung des Bauteils 102 ermittelt werden, z.B. auf Basis des zeitlichen Verlaufs der Menge von Partikeln, die von der Oberfläche des Bauteils 102 entfernt werden konnten. Wie oben dargelegt, kann das Bauteil 102 durch ein oder mehrere Federn und/oder Bürsten bearbeitet werden, um Partikel von dem Bauteil 102 zu entfernen. Die von dem Bauteil 102 entfernten Partikel können durch einen Luftkanal abgesaugt werden. Mittels eines Partikelsensors 120 kann die Menge von Partikeln in dem Luftfluss durch den Luftkanal bestimmt werden. Aus der Menge von Partikeln, insbesondere aus dem zeitlichen Verlauf der Menge von Partikeln, kann dann auf die verbliebene Menge von Partikeln auf dem Bauteil 102 geschlossen werden.
-
Eine Vorrichtung 101 (z.B. eine Steuereinheit oder ein Server) kann eingerichtet sein, auf Basis der Partikeldaten 121 zu bestimmen, ob die Oberfläche eines Bauteils 102 ausreichend gut gereinigt wurde, um dem Lackierprozess zugeführt zu werden. Falls auf Basis der Partikeldaten 121 bestimmt wird, dass das Bauteil 102 noch nicht ausreichend gut gereinigt wurde, so kann das Bauteil 102 wieder der Reinigungseinheit 110 zugeführt werden (wie durch den Pfeil 106 veranschaulicht). Andererseits kann das Bauteil der Lackiereinheit 130 zugeführt werden (wie durch den Pfeil 105 veranschaulicht).
-
Die Vorrichtung 101 kann eingerichtet sein, auf Basis der Partikeldaten 120 für eine Bauteil 102 und unter Verwendung eines (ggf. maschinenerlernten) Modells die Qualität der Lackschicht auf dem Bauteil 102 zu prädizieren. Das Modell kann z.B. ein neuronales Netz umfassen, das angelernt wurde und/oder kontinuierlich weiter angelernt wird, um auf Basis der Partikeldaten 120 für ein Bauteil 102 die Qualität der zu erstellenden Lackschicht auf dem Bauteil 102 zu prädizieren.
-
2a zeigt ein beispielhaftes neuronales Netz 200, insbesondere ein Feedforward-Netz. Das Netz 200 umfasst in dem dargestellten Beispiel zwei Eingangs-Neuronen bzw. Eingabe-Knoten 202, die zu einem bestimmten Zeitpunkt t jeweils einen aktuellen Merkmalswert eines Merkmals als Eingangswert 201 aufnehmen. Die ein oder mehrere Eingangs-Knoten 202 sind Teil einer Eingangs-Schicht 211.
-
Das neuronale Netz 200 umfasst ferner Neuronen 220 in ein oder mehreren verdeckten Schichten 212 des neuronalen Netzes 200. Jedes der Neuronen 220 kann als Eingangswerte die einzelnen Ausgangswerte der Neuronen der vorhergehenden Schicht 212, 211 aufweisen (oder zumindest einen Teil davon). In jedem der Neuronen 220 erfolgt eine Verarbeitung, um in Abhängigkeit von den Eingangswerten einen Ausgangswert des Neurons 220 zu ermitteln. Die Ausgangswerte der Neuronen 220 der letzten verdeckten Schicht 212 können in einem Ausgangs-Neuron bzw. Ausgabe-Knoten 220 einer Ausgangs-Schicht 213 verarbeitet werden, um die ein oder mehreren Ausgangswerte 203 des neuronalen Netzes 200 zu ermitteln.
-
2b veranschaulicht die beispielhafte Signalverarbeitung innerhalb eines Neurons 220, insbesondere innerhalb der Neuronen 202 der ein oder mehreren verdeckten Schichten 212 und/oder der Ausgangs-Schicht 213. Die Eingangswerte 221 des Neurons 220 werden mit individuellen Gewichten 222 gewichtet, um in einer Summeneinheit 223 eine gewichtete Summe 224 der Eingangswerte 221 zu ermitteln (ggf. unter Berücksichtigung eines Bias bzw.
-
Offsets 227). Durch eine Aktivierungsfunktion 225 kann die gewichtete Summe 224 auf einen Ausgangswert 226 des Neurons 220 gemappt werden. Dabei kann durch die Aktivierungsfunktion 225 z.B. eine Begrenzung des Wertebereichs erfolgen. Für ein Neuron 220 kann z.B. eine Sigmoid-Funktion oder eine Tangens hyperbolicus (tanh)-Funktion oder eine Rectified Linear Unit (ReLU), z.B. f(x) = max(0, x) als Aktivierungsfunktion 225 verwendet werden. Die Aktivierungsfunktion 225 kann ggf. den Wert der gewichteten Summe 224 mit einem Offset 227 verschieben.
-
Ein Neuron 220 weist somit Gewichte 222 und/oder einen Offset 227 als Neuron-Parameter auf. Die Neuron-Parameter der Neuronen 220 eines neuronalen Netzes 200 können in einer Trainingsphase angelernt werden, um zu bewirken, dass das neuronale Netz 200 eine bestimmte Funktion ausführt und/oder ein bestimmtes Verhalten modelliert (z.B. kann als Funktion die Prädiktion der Profildaten 321 oder die Ermittlung von Steuersignalen 310 auf Basis der Profil-Sensordaten 302, 303, 304 ausgeführt werden).
-
Das Anlernen eines neuronalen Netzes 200 kann z.B. anhand des Backpropagation-Algorithmus erfolgen. Zu diesem Zweck können in einer ersten Phase einer qten Epoche eines Lern-Algorithmus für die Eingangswerte 201 an den ein oder mehreren Eingangs-Knoten 202 des neuronalen Netzes 200 entsprechende Ausgangswerte 203 an dem Ausgang der ein oder mehreren Ausgangs-Neuronen 220 ermittelt werden. Die Eingangswerte 201 können aus Trainingsdaten entnommen werden, die auch entsprechende Soll-Ausgangswerte anzeigen. Die von dem neuronalen Netz 200 ermittelten bzw. prädizierten Ist-Ausgangswerte können mit den Soll-Ausgangswerten aus den Trainingsdaten verglichen werden, um den Wert einer Optimierungs- bzw. Fehlerfunktion zu ermitteln.
-
In einer zweiten Phase der qten Epoche des Lern-Algorithmus erfolgt eine Rückpropagation des Fehlers bzw. des Fehlerwertes von dem Ausgang zum Eingang des neuronalen Netzes, um schichtweise die Neuron-Parameter der Neuronen 220 zu verändern. Dabei kann die ermittelte Fehlerfunktion am Ausgang partiell nach jedem einzelnen Neuron-Parameter des neuronalen Netzes 200 abgeleitet werden, um ein Ausmaß zur Anpassung der einzelnen Neuron-Parameter zu ermitteln. Dieser Lern-Algorithmus kann iterativ für eine Vielzahl von Epochen wiederholt werden, bis ein vordefiniertes Konvergenzkriterium erreicht wird. Dabei können in unterschiedlichen Epochen zumindest teilweise unterschiedliche Trainingsdaten verwendet werden.
-
Die Eingangswerte 201 des neuronalen Netzes 200 können auf Basis der Partikeldaten 121 für ein Bauteil 102 ermittelt werden. Insbesondere können auf Basis der Partikeldaten 121 Merkmalswerte für ein oder mehrere Merkmale als Eingangswerte 201 berechnet werden. Das neuronale Netz 200 kann eingerichtet sein, auf Basis der Eingangswerte 201 zumindest einen Ausgangswerte 203 zu ermitteln, der angibt, ob das Bauteil 102 nochmals gereinigt werden sollte oder ob das Bauteil 102 lackiert werden kann (weil mit einer ausreichend hohen Qualität der Lackschicht gerechnet werden kann).
-
Zum Anlernen des neuronalen Netzes 200 können die Partikeldaten 121 für eine Vielzahl von Bauteilen 102 berücksichtigt werden. Für jedes Bauteil 102 können auf Basis der jeweiligen Partikeldaten 121 Eingangswerte 201 für das neuronale Netz 200 ermittelt werden.
-
Des Weiteren kann auf Basis der Lackdaten 141 (d.h. der Sensordaten des Lacksensors 140) in Bezug auf die Lackschichten der Vielzahl von Bauteilen 102 für jedes Bauteil 102 jeweils ein Soll-Ausgangswert 203 des neuronalen Netzes 200 ermittelt werden. Insbesondere kann für jedes Bauteil 102 als Soll-Ausgangswert 203 angezeigt werden, ob eine Nachbearbeitung erforderlich war (und es somit besser gewesen wäre, wenn das Bauteil 102 nochmals gereinigt worden wäre), oder ob keine Nachbearbeitung erforderlich war (und somit keine nochmalige Reinigung des Bauteils 102 erforderlich war).
-
Für jedes Bauteil 102 kann somit ein Trainingsdatensatz bereitgestellt werden, der einerseits die (auf Basis der Partikeldaten 121 ermittelten) Eingangswerte 201 und andererseits den (auf Basis der Lackdaten 141 ermittelten) Ausgangswert 203 anzeigt. Für die Vielzahl von Bauteilen 102 kann somit eine entsprechende Vielzahl von Trainingsdatensätzen als Trainingsdaten für das Modell bzw. für das neuronale Netz 200 bereitgestellt werden. Diese Trainingsdatensätze können dann zum Anlernen des neuronalen Netzes 200 verwendet werden (durch die o.g. „supervised learning“ Methode).
-
Die Vorrichtung 101 kann eingerichtet sein, Prozessdaten 108 in Bezug auf ein oder mehrere Randbedingungen für den anschließenden Lackierprozess zu ermitteln. Die Prozessdaten 108 können insbesondere anzeigen:
- • die Feuchte in der Lackiereinheit 130, insbesondere in einem Zwischen- und/oder Haupttrockner der Lackiereinheit 130;
- • die Temperatur in der Lackiereinheit 130, insbesondere in einem Zwischen- und/oder Haupttrockner der Lackiereinheit 130;
- • die Sinkgeschwindigkeit der Luft in der Lackiereinheit 130 (insbesondere in der Lackierkabine):
- • die Temperatur des Lacks während des Lackierprozesses;
- • die Tropfengröße und/oder die Tropfengeschwindigkeit des Lacks während des Lackierprozesses;
- • ein oder mehrere Applikationsparameter in Bezug auf die Applikation des Lacks, wie z.B. der Lackierdruck, die elektrische Spannung, die Zerstäuber-Drehzahl, die Lenkluft-Menge, etc.; · ein Druck, eine Temperatur, eine Fechte, etc. an einem Lackierroboter; und/oder
- • eine verbliebene Menge von Öl auf der Oberfläche des zu lackierenden Bauteils 102.
-
Die Vorrichtung 101 kann eingerichtet sein, die Qualität der Lackschicht auf einem Bauteil 102 auch auf Basis der Prozessdaten 108 zu ermitteln. Insbesondere können auf Basis der Prozessdaten 108 Merkmalswerte für ein oder mehrere Merkmale als Eingangswerte 201 für das neuronale Netz 200 ermittelt und von dem neuronalen Netz 200 berücksichtigt werden. Durch die Berücksichtigung der Prozessdaten 108 kann die Prädiktionsgüte weiter erhöht und das Ausmaß von manueller Nachbearbeitung weiter reduziert werden.
-
Das Modell (insbesondere das neuronale Netz 200) kann eingerichtet sein, neben der Ausgabe, ob ein Bauteil 102 nochmals gereinigt werden sollte oder nicht, ein oder mehrere weitere Informationen als Ausgangswerte 203 bereitzustellen. Insbesondere können die ein oder mehreren Ausgangswerte 203 anzeigen:
- • die Position bzw. die Lage eines Defektes auf der Oberfläche des Bauteils 102; und/oder
- • den Typ bzw. die Art eines Defektes; und/oder
- • die Größe eines Defektes.
-
Der Lackiervorgang für ein Bauteil 102 kann somit durch ein automatisches Qualitätsregelsystem gesteuert werden. Dieses System kann auf einer KI (künstliche Intelligenz) gestützten Analyse von verfahrens- und applikationstechnischen sowie Qualitätssicherungs-Anlagen basieren. Anhand von historischen (Trainings-)Datensätzen kann bestimmt werden, ob es auf Basis von vorliegenden Parametern 121, 108 vorteilhaft ist, ein Bauteil 102 zu lackieren.
-
Nachdem oder während ein Bauteil 102 gereinigt wurde bzw. wird, wird die Partikelbelastung gemessen (d.h. es werden Partikeldaten 121 ermittelt). Nach Abschluss der Reinigungsarbeiten können die Daten 121 mit historischen Aufzeichnungen verglichen werden (z.B. unter Verwendung eines maschinenerlernten Modells, etwa eines neuronalen Netzes 200). Es kann dann anhand der gemessenen Partikelwerte und der zugeordneten Messergebnisse in Bezug auf die historische Qualität von Lackschichten eine Vorhersage erstellt werden, ob das Bauteil 102 lackiert werden sollte oder nicht. Fällt das Ergebnis negativ aus, kann das Bauteil 102 ohne Lackierauftrag erneut zum Reinigungsprozess geführt werden.
-
Die Vorrichtung 101 kann eingerichtet sein, das Modell, das zur Vorhersage der Qualität einer Lackschicht verwendet wird, auf Basis von der für ein lackiertes Bauteil 102 ermittelten Lackdaten 141 anzupassen. So kann die Prädiktionsgüte des Modells weiter erhöht werden.
-
3 zeigt ein Ablaufdiagramm eines beispielhaften (Computer-implementierten) Verfahrens 300 zum Lackieren eines Bauteils 102. Das Verfahren 300 kann durch eine Vorrichtung 101 ausgeführt werden.
-
Das Verfahren 300 umfasst das Ermitteln 301 von Partikeldaten 121 in Bezug auf die Menge von Partikeln auf einem gereinigten Bauteil 102 (insbesondere auf der zu lackierenden Oberfläche des Bauteils 102). Des Weiteren umfasst das Verfahren 300 das Bestimmen 302, auf Basis der Partikeldaten 121, ob eine zu erstellende Lackschicht auf dem Bauteil 102 eine ausreichend hohe Qualität aufweisen wird oder nicht (z.B. ob die Qualität der Lackschicht höher oder niedriger als ein Qualitäts-Schwellenwert sein wird). Zu diesem Zweck kann ein maschinenerlemtes Modell verwendet werden.
-
Außerdem umfasst das Verfahren 300 das Durchführen 303 einer erneuten Reinigung des Bauteils 102, wenn bestimmt wurde, dass die zu erstellende Lackschicht keine ausreichend hohe Qualität aufweisen wird. Ferner kann das Verfahren 300 umfassen, das Aufbringen 304 der Lackschicht auf das Bauteil 102, wenn bestimmt wurde, dass die zu erstellende Lackschicht eine ausreichend hohe Qualität aufweisen wird.
-
Durch die in diesem Dokument beschriebenen Maßnahmen kann die Qualität eines Lackierprozesses erhöht werden. Des Weiteren können die Kosten reduziert und die durchschnittliche Geschwindigkeit des Lackierprozesses erhöht werden.
-
Die vorliegende Erfindung ist nicht auf die gezeigten Ausführungsbeispiele beschränkt. Insbesondere ist zu beachten, dass die Beschreibung und die Figuren nur das Prinzip der vorgeschlagenen Verfahren, Vorrichtungen und Systeme veranschaulichen sollen.
