EP1721024A1 - Verfahren zur beschichtung eines werkstücks - Google Patents

Verfahren zur beschichtung eines werkstücks

Info

Publication number
EP1721024A1
EP1721024A1 EP05715061A EP05715061A EP1721024A1 EP 1721024 A1 EP1721024 A1 EP 1721024A1 EP 05715061 A EP05715061 A EP 05715061A EP 05715061 A EP05715061 A EP 05715061A EP 1721024 A1 EP1721024 A1 EP 1721024A1
Authority
EP
European Patent Office
Prior art keywords
neurons
neural network
coating
fuzzy
workpiece
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
EP05715061A
Other languages
English (en)
French (fr)
Inventor
Hassan Abdullahi
Andreas Jakimov
Manuel Hertter
Andreas KÄHNY
Stefan Schneiderbanger
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
MTU Aero Engines AG
Original Assignee
MTU Aero Engines GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by MTU Aero Engines GmbH filed Critical MTU Aero Engines GmbH
Publication of EP1721024A1 publication Critical patent/EP1721024A1/de
Ceased legal-status Critical Current

Links

Classifications

    • C—CHEMISTRY; METALLURGY
    • C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
    • C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
    • C23C4/00—Coating by spraying the coating material in the molten state, e.g. by flame, plasma or electric discharge
    • C23C4/12—Coating by spraying the coating material in the molten state, e.g. by flame, plasma or electric discharge characterised by the method of spraying

Definitions

  • the invention relates to a method for coating a workpiece according to the preamble of patent claim 1.
  • thermal spraying is a coating process in which a thermally active material is melted and then sprayed or sprayed onto, for example, a surface of the workpiece to be coated. Since almost all fusible materials can be used, thermal spraying can be used to create coatings with different properties or functions, such as thermal insulation, corrosion protection or wear protection. With thermal spraying, there are almost unlimited combination possibilities between the material of the object to be coated and the thermally active material to be used for the coating. Depending on the heat source used, a distinction is made between different thermal spraying processes, for example plasma spraying, arc spraying, flame spraying or high-speed flame spraying. The selection of a suitable heat source and thus the selection of the appropriate thermal spraying process depends, for example, on the material to be used for the coating, the desired properties of the coating and the respective costs.
  • a thermal spray powder according to EP 0 487 273 B1 is preferably used as the thermally active material for the coating.
  • Such a spray powder according to EP 0 487 273 B1 is preferably applied to the workpiece to be coated by plasma spraying, a suitable plasmatron being shown, for example, in EP 0 851 720 B1.
  • the quality control of the resulting coating plays an important role.
  • the coated workpiece can only pass quality control and, if necessary, be further processed if the coating fulfills specified quality criteria.
  • destructive test methods are used on a random basis for quality control.
  • a quality control that destroys the workpiece is on the one hand costly and time-consuming, on the other hand only random checks can be carried out.
  • the present invention is based on the problem of creating a novel method for coating a workpiece.
  • a method for coating a workpiece according to claim 1 the spraying process is monitored online by recording properties of the particles in the spray jet and providing them as actual values, the actual values being compared directly or with parameters derived from the actual values with target values, and if the actual values or parameters deviate from the predetermined target values, process parameters for thermal spraying can be automatically adjusted by a controller based on a neural network.
  • thermal spraying can be monitored online, and process parameters for thermal spraying can also be automatically adjusted.
  • process parameters for thermal spraying can also be automatically adjusted.
  • the method according to the invention avoids defective coatings and complex test methods. Due to the fact that an automated coating process is provided, errors caused by manual incorrect settings are avoided.
  • a neuro-fuzzy controller which combines at least one neural network and fuzzy logic rules with one another and thus depicts statistical relationships between input variables and output variables of the neuro-fuzzy controller.
  • Figure 1 is a highly schematic representation of a device for coating a workpiece to illustrate the inventive method.
  • FIG. 2 shows the structure of a neural network used in the method according to the invention
  • Fig. 3 shows the structure of a neuro-fuzzy controller used in the method according to the invention.
  • the invention relates to a method for coating a workpiece by means of thermal spraying.
  • thermal spraying a meltable material is melted and sprayed or sprayed in molten form onto a workpiece to be coated.
  • plasma spraying the invention is, however, not intended to be limited to plasma spraying. Rather, the invention can also be used in all other thermal spray processes. However, the invention can be used particularly advantageously in plasma spraying.
  • EP 0 851 720 B1 discloses a plasma matron suitable for plasma spraying.
  • EP 0 487 273 B1 discloses a thermal spray powder which is suitable as a material for coating a workpiece.
  • an arc is ignited during plasma spraying between a cathode and an anode of a plasma cartridge (not shown). This arc heats a plasma gas flowing through the plasmatron.
  • Argon, hydrogen, nitrogen, helium or mixtures of these gases are used as plasma gases, for example. Heating the plasma gas creates a plasma jet that can reach temperatures of up to 20,000 ° C in the core.
  • the material used for coating for example the thermal spray powder known from EP 0 487 273, is injected into the plasma jet using a carrier gas and melted there. Furthermore, this material to be used for the coating is accelerated to a high speed by the plasma jet. The material melted and accelerated in this way is applied to the workpiece to be coated, namely sprayed on.
  • a spray jet is formed, the spray jet being formed on the one hand by the plasma jet and on the other hand by the particle jet of the molten material. The particles of the material impact with high thermal and kinetic energy on a surface of the workpiece to be coated and form a coating there. Depending on the parameters of the spraying process, the desired properties of the coating are formed.
  • the coating process is dependent on various parameters of the coating process.
  • thermal spraying processes such as plasma spraying
  • the properties of the resulting coatings are subject to large variations even with apparently constant parameters of the coating process.
  • the complex relationships between the process parameters and the properties of the coating that forms are responsible for this.
  • the coating process is therefore extremely sensitive to fluctuations in the coating process.
  • controller comprising at least one neural network.
  • FIG. 1 shows, in a highly schematic manner, a spray jet 10 which occurs during plasma spraying.
  • a camera 11 which in the exemplary embodiment shown is designed as a CCD camera.
  • the image captured or determined by the camera 11 is fed to an image processing system (not shown in detail).
  • properties of the optically monitored spray jet are derived from those of the camera
  • FIG. 1 shows an evaluation pattern 12 for evaluating the data of the spray jet 10 recorded by the camera 11.
  • the camera 11 determines a luminance distribution of the plasma beam 13 and a luminance distribution of the particle beam 14. From these luminance distributions, contour lines with the same luminous intensity are determined in the image processing system. Ellipses 15 are inscribed in such contour lines with the same luminous intensity as shown in FIG. 1. This is done both for the plasma beam 13 and for the particle beam 14.
  • the ellipses 15 inscribed in the contour lines have characteristic geometric parameters.
  • These geometric parameters of the ellipses 15 are semiaxes a and b the center of gravity of the ellipses, which can be identified in FIG. 1 by the coordinates Sx and Sy. From these characteristic data of the ellipses 15, the properties of the spray jet and ultimately the properties of the coating that forms during the spraying process. It should be pointed out that other properties of the spray jet can also be optically recorded and evaluated. Instead of or in addition to the luminance distribution, a particle temperature and / or particle speed and / or particle size of the spray jet can also be monitored. The properties of the resulting coating can also be concluded from these properties.
  • the geometric parameters of the ellipses 15 determined from the optical monitoring of the spray jet, which correspond to the properties of the spray jet 10, are compared with predetermined target values for these properties or predetermined ellipse parameters. If a deviation of the determined properties (actual values) of the spray jet from the predetermined values (target values) for the properties is recognized, the process parameters for plasma spraying are automatically adjusted by a neuro controller or a neural network.
  • the controller for carrying out the coating method according to the invention is based on a neural network.
  • a neural network shows an example of such a neural network 16, which consists of two layers 17 and 18 of neurons 19 and 20, respectively.
  • the neural network 16 according to FIG. 2 is a so-called forward-looking neural network.
  • Each neuron 19 or 20 of the two layers 17 or 18 of the neural network 16 of FIG. 2 has an input signal a 3 1_1 and an output signal aj . 1 , with a link via weights j., - 1 and a bias bi 1 .
  • the neurons 19 of the first layer 17 have a non-linear or sigmoid transfer function
  • the neurons 20 of the second layer 18 have a linear transfer function.
  • the so-called back propagation algorithm is used to train the neural network 16 shown in FIG. 2.
  • An output vector for the 1st position of the neural network 16 is calculated from the input signals using the transfer function, from the weighting matrix and from the bias vector. The following applies:
  • the network is trained with a large number of data records, the input data Xj .
  • weights and the bias are set to random values. In order to finally determine their current values, many iterations are necessary to minimize the following error function.
  • Such a neural network 16 With such a neural network 16, a relationship can be established between the process parameters for the thermal peaking and the required coating properties.
  • a neural network is an adaptive, fault-tolerant and learning system. The use of such a neural network in a controller for the coating process allows particularly good process control.
  • neural networks are adaptive systems, which patterns of data sets can be taught.
  • the neural networks are thus able to recognize the learned patterns in unknown amounts of data, extrapolations and interpolations being possible.
  • the neural network can only recognize patterns that precisely match the taught patterns.
  • the neural network only comprises two layers of neurons.
  • a neural network with a higher number of layers.
  • a neuro-fuzzy controller that combines a neural network and fuzzy logic rules works with a higher number of layers. This is explained below with reference to FIG. 3.
  • FIG. 3 shows the structure of a neuro-fuzzy controller 29 used according to a preferred development of the present invention, which in the example of FIG. 3 shows a total of four layers of neurons, namely a first layer 21 with neurons 22, a second layer 23 with neurons 24, a third layer 25 with neurons 26 and a fourth layer 27 with neurons 28.
  • the neurons 22 of the first layer 21 form an input position of the neuro-fuzzy controller 29 and are used to implement the so-called fuzzification.
  • the neurons 28 of the fourth layer 27 form an initial position of the neuro-fuzzy controller 29 and are used to implement the so-called defuzzification.
  • the neurons 24 of the second layer 23 and the neurons 26 of the third layer 25 form intermediate layers (hidden layers) of the neuro-fuzzy controller 29 and serve to implement the so-called fuzzy inference.
  • the input variables a lr a 2 to a na of the neuro-fuzzy controller 29 are converted into fuzzy variables that can be processed by the fuzzy inference.
  • the input variables a x , a 2 to a na are so-called sharp input variables, which are converted into unsharp fuzzy input variables m a 1 / k , a ljk and ß ⁇ , k using fuzzification.
  • the unsharp fuzzy input variables are fed to the fuzzy inference, namely the second layer 23, as input variables.
  • these fuzzy input variables are determined using linguistic rules and fuzzy operators, in particular using minimum operators g lf g 2 , g to g ng and / or maximum operators x, h 2 to h nh , processed, the third layer 25 outputting fuzzy output variables b j, i, ⁇ b -j, i and ⁇ b j, i as a result.
  • the fuzzy output variables are again so-called unsharp variables.
  • These fuzzy output variables are converted into sharp output variables bi to h ⁇ of the neuro-fuzzy controller 29 via the defuzzification implemented with the fourth layer 27.
  • the neural network is given the relationship between the input variables a x , a 2 to a na and the output variables h x to b nt before learning in the form of linguistic fuzzy rules.
  • the relationship between the input variables and the output variables is unknown and is created or learned independently by the neural network 16.
  • the neural network 16 of the exemplary embodiment in FIG. 2 is, so to speak, a black box. This is avoided in the neurofuzzy controller 29 of the exemplary embodiment in FIG. 3.
  • the neuro-fuzzy controller 29 of FIG. 3 By training the neuro-fuzzy controller 29 of FIG. 3, the relationship between the input variables erien, a to a na and the output variables b x to k nb is optimized.
  • the structure of the neuro-fuzzy controller 29 is retained, which increases the transparency and enables diagnosis. Since the neuro-fuzzy controller 29 can process unsharp values, it is more fault-tolerant than the exemplary embodiment in FIG. 2.
  • the neuro-fuzzy controller comprises four layers of neurons. However, it is possible to use a neuro-fuzzy controller with a higher number of layers. If the number of layers were higher, the number of layers representing the fuzzy inference and arranged between the initial position and the initial position would increase.

Landscapes

  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Plasma & Fusion (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Materials Engineering (AREA)
  • Mechanical Engineering (AREA)
  • Metallurgy (AREA)
  • Organic Chemistry (AREA)
  • Coating By Spraying Or Casting (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zur Beschichtung eines Werkstücks, wobei ein Werkstoff durch thermisches Spritzen auf das Werkstück aufgetragen wird. Erfindungsgemäss wird der Spritzvorgang online überwacht, indem Eigenschaften der im Spritzstrahl befindlichen Partikel erfasst und als Istwerte bereitgestellt werden, wobei die Istwerte unmittelbar oder aus den Istwerten abgeleitete Kenngrössen mit Sollwerten verglichen werden, und wobei bei Abweichung der Istwerte oder Kenngrössen von den vorgegebenen Sollwerten Prozessparameter für das thermische Spritzen durch einen Regler auf Basis eines neuronalen Netzwerks automatisch angepasst werden.

Description

Verfahren zur Beschichtung eines Werkstücks
Die Erfindung betrifft ein Verfahren zur Beschichtung eines Werkstücks nach dem Oberbegriff des Patentanspruchs 1.
Aus dem Stand der Technik sind zahlreiche Verfahren zur Beschichtung von Werkstücken bekannt. Beim sogenannten thermischen Spritzen handelt es sich um ein Beschichtungsverfahren, bei welchem ein thermisch aktiver Werkstoff geschmolzen und sodann auf zum Beispiel eine zu beschichtende Oberfläche des Werkstücks gespritzt bzw. gesprüht wird. Da nahezu alle schmelzbaren Werkstoffe verwendet werden können, lassen sich durch thermisches Spritzen Beschichtungen mit unterschiedlichen Eigenschaften bzw. Funktionen wie zum Beispiel Wärmedämmung, Korrosionsschutz oder Verschleißschutz realisieren. Beim thermischen Spritzen gibt es nahezu unbegrenzte Kombinationsmöglichkeiten zwischen dem Werkstoff des zu beschichtenden Gegenstands und dem für die Beschichtung zu verwendenden, thermisch aktiven Werkstoff. Abhängig von der verwendeten Wärmequelle unterscheidet man verschiedene thermischen Spritzverfahren, nämlich zum Beispiel das Plasmaspritzen, Lichtbogenspritzen, Flammspritzen oder auch Hochgeschwindigkeitsflammspritzen. Die Auswahl einer geeigneten Wärmequelle und damit die Auswahl des entsprechenden thermischen Spritzverfahrens hängt zum Beispiel vom für die Beschichtung zu verwendenden Werkstoff, den gewünschten Eigenschaften der Beschichtung und von den jeweiligen Kosten ab.
Bei der Beschichtung von Schaufeln einer Gasturbine, die vorzugsweise aus Titan/Nickel-Legierungen bestehen, kommt als thermisch aktiver Werkstoff für die Beschichtung bevorzugt ein thermisches Sprühpulver gemäß EP 0 487 273 Bl zum Einsatz. Ein solches Sprühpulver gemäß EP 0 487 273 Bl wird vorzugsweise durch Plasmaspritzen auf das zu beschichtende Werkstück aufgebracht, wobei ein geeignetes Plasmatron zum Beispiel in der EP 0 851 720 Bl gezeigt ist.
Bei der Beschichtung von Werkstücken mit einem thermischen Spritzverfahren kommt der Qualitätskontrolle der sich einstellenden Beschichtung eine wichtige Rolle zu. Nur dann, wenn die Beschichtung vorgegebene Qualitätskriterien erfüllt, kann das beschichtete Werkstück die Qualitätskontrolle passieren und gegebenenfalls weiterverarbeitet werden. Nach dem Stand der Technik werden zur Qualitätskontrolle zerstörende Prüfmethoden stichprobenartig eingesetzt. Eine das Werkstück zerstörende Qualitätskontrolle ist zum einen kosten- und zeitintensiv, zum anderen können nur stichprobenartige Kontrollen durchgeführt werden.
Hiervon ausgehend liegt der vorliegenden Erfindung das Problem zu Grunde ein neuartiges Verfahren zur Beschichtung eines Werkstücks zu schaffen.
Dieses Problem wird durch ein Verfahren zur Beschichtung eines Werkstücks gemäß Patentanspruch 1 gelöst . Erfindungsgemäß wird der Spritzvorgang online überwacht, indem Eigenschaften der im Spritzstrahl befindlichen Partikel erfasst und als Istwerte bereitgestellt werden, wobei die Istwerte unmittelbar oder aus den Istwerten abgeleitete Kenngrößen mit Sollwerten verglichen werden, und wobei bei Abweichung der Istwerte oder Kenngrößen von den vorgegebenen Sollwerten Prozessparameter für das thermische Spritzen durch einen Regler auf Basis eines neuronalen Netzwerks automatisch angepasst werden.
Mithilfe der hier vorliegenden Erfindung lässt sich das thermische Spritzen online überwachen, des weiteren sind Prozessparameter für das thermische Spritzen automatisch anpassbar. Dies erlaubt den Aufbau eines Online-Regelungssystems für das thermische Spritzen, welches die aus dem Stand der Technik bekannten, zerstörenden Prüfmethoden überflüssig macht. Durch das erfindungsgemäße Verfahren werden fehlerhafte Beschichtungen und auf-wendige Prüfverfahren vermieden. Bedingt dadurch, dass ein automatisierter Beschichtungsvorgang bereitgestellt wird, werden durch manuelle Fehleinstellungen verursachte Fehler vermieden.
Nach einer bevorzugten Weiterbildung der Erfindung wird ein Neuro-Fuzzy- Regler -verwendet, der mindestens ein neuronales Netzwerk und Fuzzy-Logik- Regeln miteinander kombiniert und so statistische Zusammenhänge zwischen Eingangsgrößen und Ausgangsgrößen des Neuro-Fuzzy-Reglers abbildet.
Bevorzugte Weiterbildungen der Erfindung ergeben sich aus den Unteransprüchen und der nachfolgenden Beschreibung. Ein Ausführungsbeispiel der Erfindung wird, ohne hierauf beschränkt zu sein, an Hand der Zeichnung näher erläutert . Dabei zeigt :
Fig. 1 eine stark schematisierte Darstellung einer Vorrichtung zur Beschichtung eines Werkstücks zur Verdeutlichung des erfindungsgemäßen Verfahrens;
Fig. 2 die Struktur eines beim erfindungsgemäßen Verfahren verwendeten neuronalen Netzwerks; und Fig- . 3 die Struktur eines beim erfindungsgemäßen Verfahren verwendeten Neuro-Fuzzy-Reglers .
Nachfolgend wird die hier vorliegende Erfindung unter Bezugnahme auf Fig. 1 bis 3 in größerem Detail beschrieben.
Die Erfindung betrifft ein Verfahren zum Beschichten eines Werkstücks mittels thermischem Spritzen. Beim thermischen Spritzen wird ein schmelzbarer Werkstoff geschmolzen und in geschmolzener Form auf ein zu beschichtendes Werkstück gespritzt bzw. gesprüht. Wenn nachfolgend die Erfindung beispielhaft für das sogenannte Plasmaspritzen beschrieben wird, so soll die Erfindung jedoch nicht auf das Plasmaspritzen beschränkt sein. Vielmehr kann die Erfindung auch bei allen anderen thermischen Spritzverfahren zum Einsatz kommen. Die Erfindung lässt sich jedoch besonders vorteilhaft beim Plasmaspritzen verwenden.
Das Plasmaspritzen als solches ist aus dem Stand der Technik hinlänglich bekannt. So offenbart zum Beispiel die EP 0 851 720 Bl ein für das Plasmaspritzen geeignetes Plasmatron. Die EP 0 487 273 Bl offenbart ein thermisches Sprühpulver, welches als Werkstoff zum Beschichten eines Werkstücks geeignet ist. Der Vollständigkeit halber soll lediglich angemerkt werden, dass beim Plasmaspritzen zwischen einer Kathode und einer Anode eines nicht-dargestellten Plasmatrons ein Lichtbogen gezündet wird. Dieser Lichtbogen erhitzt ein durch das Plasmatron strömendes Plasmagas. Als Plasmagase werden zum Beispiel Argon, Wasserstoff, Stickstoff, Helium o- der Gemische dieser Gase verwendet. Durch das Erhitzen des Plasmagases stellt sich ein Plasmastrahl ein, der im Kern Temperaturen von bis 20.000°C erreichen kann. Der zur Beschichtung verwendete Werkstoff, zum Beispiel das aus der EP 0 487 273 bekannte thermische Sprühpulver, wird mithilfe eines Trägergases in den Plasmastrahl injiziert und dort geschmolzen. Des weiteren wird dieser für die Beschichtung zu verwendende Werkstoff durch den Plasmastrahl auf eine hohe Geschwindigkeit beschleunigt. Der auf diese Art und Weise geschmolzene sowie beschleunigte Werkstoff wird auf das zu beschichtende Werkstück aufgetragen, nämlich aufgespritzt. Hierbei bildet sich ein Spritzstrahl aus, wobei der Spritzstrahl zum einen von dem Plasmastrahl und zum anderen von dem Partikelstrahl des geschmolzenen Werkstoff gebildet wird. Die Partikel des Werkstoffs prallen mit einer hohen thermischen sowie kinetischen Energie auf eine Oberfläche des zu beschichtenden Werkstücks auf und bilden dort eine Beschichtung. Abhängig von den Parametern des Spritzprozesses bilden sich die gewünschten Eigenschaften der Beschichtung aus. Der Beschichtungsvorgang ist, wie bereits erwähnt, von verschiedenen Parametern des Beschichtungsvorgangs abhängig. Obwohl thermische Spritzprozesse, wie zum Beispiel Plasmaspritzen, bereits gut erforscht sind, unterliegen die Eigenschaften der sich einstellenden Beschichtungen selbst bei scheinbar konstanten Parametern des Beschichtungsprozesses großen Streuungen. Hierfür sind die komplexen Zusammenhänge zwischen den Prozessparametern und den Eigenschaften der sich ausbildenden Beschichtung verantwortlich. Der Beschichtungsprozess ist daher gegenüber Schwankungen des Beschichtungsvorgangs äußerst empfindlich.
Es liegt nun im Sinne der Erfindung, den Spritzvorgang zu überwachen, auszuwerten und die Prozessparameter für das Plasmaspritzen durch einen Regler automatisch anzupassen, wobei der Regler zumindest ein neuronales Netzwerk umfasst.
Die Überwachung und Auswertung des Spritzvorgangs erfolgt online. Die Ü- berwachung und Auswertung des Spritzvorgangs wird nachfolgend unter Bezugnahme auf Fig. 1 erläutert. Fig. 1 zeigt stark schematisiert einen sich beim Plasmaspritzen einstellenden Spritzstrahl 10. Der Spritzstrahl
10 wird mit einer Kamera 11 optisch überwacht, die im gezeigten Ausfüh- rungsbeispiel als CCD-Kamera ausgebildet ist. Das von der Kamera 11 er- fasste bzw. ermittelte Bild wird einem im Detail nicht-dargestellten Bildverarbeitungssystem zugeführt. Im Bildverarbeitungssystem werden Eigenschaften des optisch überwachten Spritzstrahls aus den von der Kamera
11 erfassten Daten ermittelt .
So zeigt Fig. 1 ein Auswertemuster 12 zur Auswertung der von der Kamera 11 erfassten Daten des Spritzstrahls 10. So kann Fig. 1 entnommen werden, dass von der Kamera 11 sowohl Eigenschaften eines Plasmastrahls 13 als- auch Eigenschaften eines Partikelstrahls 14 erfasst werden. Im gezeigten Ausführungsbeispiel ermittelt die Kamera 11 eine Leuchtdichteverteilung des Plasmastrahls 13 sowie eine Leuchtdichteverteilung des Partikelstrahls 14. Aus diesen Leuchtdichteverteilungen werden im Bildverarbeitungssystem Höhenlinien mit gleicher Leuchtintensität ermittelt. In solche Höhenlinien mit gleicher Leuchtintensität werden gemäß Fig. 1 Ellipsen 15 eingeschrieben. Dies erfolgt sowohl für den Plasmastrahl 13 als auch für den Partikelstrahl 14. Die in die Höhenlinien eingeschriebenen Ellipsen 15 verfügen über charakteristische geometrische Kenngrößen. Bei diesen geometrischen Kenngrößen der Ellipsen 15 handelt es sich um Halbachsen a sowie b um den Schwerpunkt der Ellipsen, der in Fig. 1 durch die Koordinaten Sx sowie Sy identifiziert werden kann. Aus diesen charakteristischen Daten der Ellipsen 15 lässt sich eindeutig auf die Eigenschaf- ten des Spritzstrahls und letztendlich auf die Eigenschaften der sich beim Spritzvorgang einstellenden Beschichtung schließen. Es soll darauf hingewiesen werden, dass auch andere Eigenschaften des Spritzstrahls optisch erfasst und ausgewertet werden können. So kann anstelle oder zusätzlich zu der Leuchtdichteverteilung auch eine Partikeltemperatur und/oder Partikelgeschwindigkeit und/oder Partikelgröße des Spritzstrahls überwacht werden. Auch aus diesen Eigenschaften kann auf die Eigenschaften der sich einstellenden Beschichtung geschlossen werden.
Die aus der optischen Überwachung des Spritzstrahls ermittelten, geometrischen Kenngrößen der Ellipsen 15, die den Eigenschaften des Spritzstrahls 10 entsprechen, werden mit vorgegebenen Sollwerten für diese Eigenschaften bzw. vorgegebenen Ellipsenkenngrößen verglichen. Wird eine Abweichung der ermittelten Eigenschaften (Istwerte) des Spritzstrahls von den vorbestimmten Werten (Sollwerten) für die Eigenschaften erkannt, so erfolgt eine automatische Anpassung der Prozessparameter für das Plasmaspritzen, durch einen Neuro-Regler bzw. ein neuronales Netzwerk.
Wie bereits erwähnt, basiert der Regler zur Durchführung des erfindungsgemäßen Beschichtungsverfahrens auf einem neuronalen Netzwerk. Fig. 2 zeigt als Beispiel ein derartiges neuronales Netzwerk 16, welches aus zwei Lagen 17 bzw. 18 von Neuronen 19 bzw. 20 besteht. Bei dem neuronalen Netzwerk 16 gemäß Fig. 2 handelt es sich um ein sogenanntes vorwärtsgerichtetes neuronales Netzwerk.
Jedes Neuron 19 bzw. 20 der beiden Lagen 17 bzw. 18 des neuronalen Netzwerks 16 der Fig. 2 verfügt über ein Eingangssignal a3 1_1 und ein Ausgangssignal aj. 1, wobei eine Verknüpfung über Gewichte j.,-1 und einen Bias bi1 erfolgt. Wie Fig. 2 entnommen werden kann, verfügen die Neuronen 19 der ersten Lage 17 über eine nicht-lineare bzw. sigmoide Übertragungsfunktion, die Neuronen 20 der zweiten Lage 18 hingegen verfügen über eine lineare Übertragungsfunktion.
Zum Training des in Fig. 2 gezeigten neuronalen Netzwerks 16 wird der sogenannte Backpropagation-Algorithmus benutzt. Ein Ausgangsvektor für die 1-te Lage des neuronalen Netzwerks 16 wird dabei aus den Eingangssignalen unter Verwendung der Übertragungsfunktion, aus der Gewichtungsmatrix und dem Biasvektor berechnet . Dabei gilt :
Um nun a^ zu berechnen, ist es zuerst notwendig, die unbekannten Gewichte sowie den unbekannten Bias zu ermitteln. Zu diesem Zweck wird das Netzwerk mit einer Vielzahl von Datensätzen trainiert, die Eingangsdaten Xj. umfassen, zum Beispiel: a. = x.
und weiterhin gewünschte Ausgangsdaten dk umfassen. Zu Beginn des Trainings werden die Gewichte sowie der Bias auf zufällige Werte gesetzt. Um deren aktuelle Werte endgültig zu bestimmen, sind viele Iterationen notwendig, um folgende Fehlerfunktion zu minieren.
Nach dem Backpropagation-Algorithmus folgt die Erneuerung der Gewichte sowie des Bias dem abfallenden Gradienten der Fehlerfunktion, wobei gilt:
Die Verwendung der nachfolgend wiedergegebenen, sigmoid-ähnlichen Übertragungsfunktion
1 f{σ) = - l + e ~ wobei σ ~ ∑w jaj'~l + b'
in Verbindung mit der Anpassung der nachfolgenden Abbreviatur
und die Einführung einer sogenannten Lernrate λ resultiert letztendlich in der nachfolgenden Beziehung zur Bestimmung der Gewichte und des Bias im Lernschritt k: wlJ(k) = wi l {k -l)-Λalrlδj t
Es sei darauf hingewiesen, dass es eine Vielzahl von Varianten des Backpropagation—Algorithmus gibt, die sich im Wesentlichen durch die Kon- vergenzkriterien unterscheiden.
Mit einem derartigen neuronalen Netzwerk 16 ist eine Beziehung zwischen den Prozessparametern für das thermische Spitzen sowie der erforderlichen Beschichtungseigenschaften etablierbar. Bei einem derartigen neuronalen Netzwerk handelt es sich um ein adaptives, fehlertolerantes sowie lernendes System. Die Verwendung eines derartigen neuronalen Netzwerks in einem Regler für das Beschichtungsverfahren erlaubt eine besonders gute Prozesskontrolle.
Wie bereits erwähnt, sind neuronale Netzwerke adaptive Systeme, welchen Muster von Datenmengen angelernt werden können. Die neuronalen Netzwerke sind damit in der Lage, in unbekannten Datenmengen die angelernten Muster zu erkennen, wobei Extrapolationen und Interpolationen möglich sind. Das neuronale Netzwerk kann dabei jedoch nur solche Muster erkennen, die präzise den angelernten Mustern entsprechen.
Im Ausführungsbeispiel der Fig. 2 umfasst das neuronale Netzwerk lediglich zwei Lagen von Neuronen. Es ist jedoch möglich, ein neuronales Netzwerk mit einer höheren Anzahl von Lagen zu verwenden. So arbeitet zum Beispiel ein Neuro-Fuzzy-Regler, der ein neuronales Netzwerk und Fuzzy- Logik-Regeln miteinander kombiniert, mit einer höheren Anzahl von Lagen. Dies wird nachfolgend unter Bezugnahme auf Fig. 3 erläutert.
Fig. 3 zeigt die Struktur eines nach einer bevorzugten Weiterbildung der hier vorliegenden Erfindung verwendeten Neuro-Fuzzy-Reglers 29, der im Beispiel der Fig. 3 insgesamt vier Lagen von Neuronen ausweist, nämlich eine erste Lage 21 mit Neuronen 22, eine zweite Lage 23 mit Neuronen 24, eine dritte Lage 25 mit Neuronen 26 und eine vierte Lage 27 mit Neuronen 28.
Die Neuronen 22 der ersten Lage 21 bilden eine Eingangslage des Neuro- Fuzzy-Reglers 29 und dienen der Realisierung der sogenannten Fuzzifizie- rung. Die Neuronen 28 der vierten Lage 27 bilden eine Ausgangslage des Neuro-Fuzzy-Reglers 29 und dienen der Realisierung der sogenannten Defuz- zifizierung. Die Neuronen 24 der zweiten Lage 23 und die Neuronen 26 der dritten Lage 25 bilden Zwischenlagen (hidden layers) des Neuro-Fuzzy- Reglers 29 und dienen der Realisierung der sogenannten Fuzzy-Inferenz .
Bei der Fuzzifizierung in der ersten Lage 21 des Neuro-Fuzzy-Reglers 29 werden die Eingangsgrößen al r a2 bis ana des Neuro-Fuzzy-Reglers 29 in von der Fuzzy-Inferenz verarbeitbare Fuzzy-Variablen gewandelt. Bei den Eingangsgrößen ax, a2 bis ana handelt es ich um sogenannte scharfe Eingangsgrößen, die mit Hilfe der Fuzzifizierung in unscharfe Fuzzy-Eingangs- Variablen ma 1/k, a ljk und ßι,k gewandelt werden. Die unscharfen Fuzzy- Eingangs-Variablen werden der Fuzzy-Inferenz, nämlich der zweiten Lage 23, als Eingangsgrößen zugeführt. In der Fuzzy-Inferenz werden diese Fuz- zy-Eingangs-Variablen über linguistische Regeln und Fuzzy-Operatoren, insbesondere über Minimum-Operatoren glf g2, g bis gng und/oder Maximum- Operatoren x, h2 bis hnh, verarbeitet, wobei die dritte Lage 25 als Ergebnis Fuzzy-Ausgangs-Variablen bj,i, αb-j,i und ßbj,i ausgibt. Bei den Fuzzy-Ausgangs-Variablen handelt es wieder um sogenannte unscharfe Größen. Diese unscharfen Fuzzy-Ausgangs-Variablen werden über die mit der vierten Lage 27 realisierte Defuzzifizierung in scharfe Ausgangsgrößen bi bis h^ des Neuro-Fuzzy-Reglers 29 gewandelt.
Bei einem derartigen Neuro-Fuzzy-Regler 29 wird dem neuronalen Netzwerk der Zusammenhang zwischen den Eingangsgrößen ax, a2 bis ana und den Ausgangsgrößen hx bis bnt vor dem Lernen in Form von linguistischen Fuzzyre- geln vorgegeben. Bei dem neuronalen Netzwerk 16 des Ausführungsbeispiels der Fig. 2 hingegen ist der Zusammenhang zwischen den Eingangsgrößen und den Ausgangsgrößen unbekannt und wird vom neuronalen Netzwerk 16 selbstständig erstellt bzw. erlernt. Das neuronale Netzwerk 16 des Ausführungsbeispiels der Fig. 2 ist sozusagen eine Black-Box. Dies wird beim Neuro- Fuzzy-Regler 29 des Ausführungsbeispiels der Fig. 3 vermieden. Durch das Trainieren des Neuro-Fuzzy-Reglers 29 der Fig. 3 wird der Zusammenhang zwischen den Eingangsgrößen &χ, a bis ana und den Ausgangsgrößen bx bis knb optimiert. Die Struktur des Neuro-Fuzzy-Regler 29 bleibt dabei jedoch erhalten, wodurch die Transparenz erhöht und eine Diagnose ermöglicht wird. Da der Neuro-Fuzzy-Regler 29 unscharfe Werte verarbeiten kann, ist derselbe fehlertoleranter als das Ausführungsbeispiel der Fig. 2.
Im Ausführungsbeispiel der Fig. 3 umfasst der Neuro-Fuzzy-Regler vier Lagen von Neuronen. Es ist jedoch möglich, einen Neuro-Fuzzy-Regler mit einer höheren Anzahl von Lagen zu verwenden. Bei einer höheren Anzahl von Lagen würde sich die Anzahl der die Fuzzy-Inferenz abbildenden, zwischen der Eingangslage und der Ausgangslage angeordneten Lagen erhöhen.

Claims

Patentansprüche
Verfahren zur Beschichtung eines Werkstücks, wobei ein Werkstoff durch thermisches Spritzen auf das Werkstück aufgetragen wird, dadurch gekennzeichnet, dass der Spritzvorgang online überwacht wird, indem Eigenschaften der im Spritzstrahl befindlichen Partikel erfasst und als Istwerte bereitgestellt werden, dass die Istwerte unmittelbar oder aus den Istwerten abgeleitete Kenngrößen mit Sollwerten verglichen werden, und dass bei Abweichung der Istwerte oder Kenngrößen von den vorgegebenen Sollwerten Prozessparameter für das thermische Spritzen durch einen Regler auf Basis mindestens eines neuronalen Netzwerks automatisch angepasst werden.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass es sich bei den erfassten Eigenschaften des Spritzstrahls um Partikeltemperatur und/oder Partikelgeschwindigkeit und/oder Partikelgröße und/oder Leuchtintensität der Partikel handelt.
Verfahren nach Anspruch 1 oder 2 , dadurch gekennzeichnet, dass ein Regler verwendet wird, der ein neuronales Netzwerk (16) aufweist, wobei das neuronale Netzwerk (16) mindestens zwei Lagen (17, 18) mit mehreren Neuronen (19, 20) aufweist, wobei die Neuronen (19) einer ersten Lage (17) nicht-lineare Übertragungsfunktionen, und wobei die Neuronen (20) einer zweiten Lage (18) lineare Übertragungsfunktionen aufweisen.
Verfahren nach Anspruch 1 oder 2 , dadurch gekennzeichnet, dass ein Neuro-Fuzzy-Regler (29) verwendet wird, der mindestens ein neuronales Netzwerk und Fuzzy-Logik-Regeln miteinander kombiniert und so statistische Zusammenhänge zwischen Eingangsgrößen und Ausgangsgrößen des Neuro-Fuzzy-Reglers abbildet.
Verfahren nach Anspruch 4, dadurch gekennzeichnet, dass der Neuro-Fuzzy-Regler (29) ein neuronales Netzwerk aufweist, wobei das neuronale Netzwerk mindestens vier Lagen (21, 23, 25, 27) mit mehreren Neuronen (22, 24, 26, 28) umfasst, wobei die Neuronen (22) der Eingangslage (21) eine Fuzzifizierung, die Neuronen (28) der Ausgangslage (27) eine Defuzzifizierung und die Neuronen (24, 26) der zwischen der Eingangslage (21) und der Ausgangslage (27) angeordneten Lagen (23, 25) eine Fuzzy-Inferenz abbilden.
EP05715061A 2004-03-05 2005-03-05 Verfahren zur beschichtung eines werkstücks Ceased EP1721024A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102004010782A DE102004010782A1 (de) 2004-03-05 2004-03-05 Verfahren zur Beschichtung eines Werkstücks
PCT/DE2005/000384 WO2005085489A1 (de) 2004-03-05 2005-03-05 Verfahren zur beschichtung eines werkstücks

Publications (1)

Publication Number Publication Date
EP1721024A1 true EP1721024A1 (de) 2006-11-15

Family

ID=34877421

Family Applications (1)

Application Number Title Priority Date Filing Date
EP05715061A Ceased EP1721024A1 (de) 2004-03-05 2005-03-05 Verfahren zur beschichtung eines werkstücks

Country Status (4)

Country Link
US (1) US20070264439A1 (de)
EP (1) EP1721024A1 (de)
DE (1) DE102004010782A1 (de)
WO (1) WO2005085489A1 (de)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2579773A1 (en) * 2006-04-19 2007-10-19 Sulzer Metco Ag A method for the determination of process parameters in a thermal spraying process
US7762790B2 (en) 2007-02-05 2010-07-27 Black & Decker Inc. Air compressor
DE102007010049B4 (de) * 2007-03-01 2011-01-13 Mtu Aero Engines Gmbh Verfahren zum Herstellen eines einlauffähigen Spritzbelags
EP1988185A1 (de) * 2007-04-25 2008-11-05 Sulzer Metco AG Computergestütztes Verfahren zum Einstellen partikelspezifischer Parameter in einem thermischen Spritzprozess
DE102012202111A1 (de) * 2012-02-13 2013-08-14 Krones Ag Verfahren zur Steuerung und/oder Regelung von Filteranlagen zur Ultrafiltration
WO2014110486A1 (en) 2013-01-14 2014-07-17 Blair Taylor K Acoustic analysis of component having engineered internal space for fluid flow
EP2757175A1 (de) * 2013-01-22 2014-07-23 Siemens Aktiengesellschaft Parameterermittlung für Beschichtungsverfahren
EP2757173A1 (de) * 2013-01-22 2014-07-23 Siemens Aktiengesellschaft Geregelte thermische Beschichtung
EP2757174A1 (de) * 2013-01-22 2014-07-23 Siemens Aktiengesellschaft Geregelte thermische Beschichtung
DE102013223688A1 (de) * 2013-11-20 2015-05-21 Siemens Aktiengesellschaft Verfahren und Vorrichtung zum automatisierten Aufbringen einer Spritzbeschichtung
DE102014220180A1 (de) 2014-10-06 2016-06-09 Siemens Aktiengesellschaft Überwachung und Steuerung eines Beschichtungsvorgangs anhand einer Wärmeverteilung auf dem Werkstück
US10241091B2 (en) 2015-06-04 2019-03-26 Rolls-Royce Corporation Diagnosis of thermal spray gun ignition
US10724999B2 (en) 2015-06-04 2020-07-28 Rolls-Royce Corporation Thermal spray diagnostics
EP3336536B1 (de) 2016-12-06 2019-10-23 Rolls-Royce Corporation Systemsteuerung basierend auf akustischen signalen
EP3586973B1 (de) 2018-06-18 2024-02-14 Rolls-Royce Corporation Systemsteuerung basierend auf ton- und bildsignalen
US12275034B2 (en) 2021-12-06 2025-04-15 coatingAI AG Coating production line system

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2031765C (en) * 1989-12-08 1996-02-20 Masahide Nomura Method and system for performing control conforming with characteristics of controlled system
JPH05150992A (ja) * 1991-11-26 1993-06-18 Komatsu Ltd フアジイ推論のニユーラルネツトワークへの自動展開方法
DE4209746A1 (de) * 1992-03-25 1993-09-30 Siemens Ag Verfahren zur Optimierung eines technischen Neuro-Fuzzy-Systems
US5425108A (en) * 1992-09-04 1995-06-13 Industrial Technology Research Institute Mobile type of automatic identification system for a car plate
US6415272B1 (en) * 1998-10-22 2002-07-02 Yamaha Hatsudoki Kabushiki Kaisha System for intelligent control based on soft computing
SE0000090D0 (sv) * 2000-01-13 2000-01-13 Astrazeneca Ab Method and apparatus for monitoring
GB0026868D0 (en) * 2000-11-03 2000-12-20 Isis Innovation Control of deposition and other processes
US6777029B2 (en) * 2002-04-27 2004-08-17 Carbomedics Inc. Method for determining product coating rates for fluidized beds
AU2003278047A1 (en) * 2002-10-31 2004-05-25 Stephen F. Corbin System and method for closed-loop control of laser cladding by powder injection
US6984420B2 (en) * 2003-02-19 2006-01-10 Nippon Paint Co., Ltd. Method for color matching using powder coatings

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See references of WO2005085489A1 *

Also Published As

Publication number Publication date
DE102004010782A1 (de) 2005-09-22
US20070264439A1 (en) 2007-11-15
WO2005085489A1 (de) 2005-09-15

Similar Documents

Publication Publication Date Title
EP1721024A1 (de) Verfahren zur beschichtung eines werkstücks
EP0663632B1 (de) Verfahren und Vorrichtung zur Führung eines Prozesses
DE4008510A1 (de) Regeleinheit mit optimal-entscheidungsmitteln
EP2649567B1 (de) Verfahren zur rechnergestützten modellierung eines technischen systems
WO2001039919A2 (de) Verfahren und vorrichtung zur qualitätskontrolle der naht an mit einem laser stumpf geschweissten blechen oder bändern
EP0534221B1 (de) Regelparameter-Verbesserungsverfahren für industrielle Anlagen
EP1036856B1 (de) Qualitätssicherung beim thermischen Spritzen mittels rechnerischer Überarbeitung digitaler Bilder
EP0425531A1 (de) Verfahren und vorrichtung zum bearbeiten von werkstücken mit laserstrahlung
DE60304917T2 (de) Einrichtung zum thermischen Spritzen
EP4469247A1 (de) Simulationsverfahren für eine beschichtungsanlage und entsprechende beschichtungsanlage
WO2020078765A1 (de) Fertigungssystem und verfahren zum schachteln von teilräumen für eine ansteuerung eines schneidprozesses
DE102019209100A1 (de) Qualitätsüberwachung für einen Laserstrahl-Schweißprozess
EP4308329A1 (de) Verfahren zur additiven herstellung eines bauteils
EP4334137A1 (de) Simulationsvorrichtung zur simulation der bedruckung eines druckträgers mit einem druckmuster sowie ein entsprechendes verfahren
EP4094867A1 (de) Verfahren zur additiven herstellung eines bauteils
DE4112985C2 (de) Verfahren und Vorrichtung zur selbsttätigen Führung eines Schweißkopfes
WO2021175791A1 (de) Verfahren zur additiven fertigung eines dreidimensionalen bauteils und system zur reparatur
DE102020205640A1 (de) Überwachungseinrichtung für eine Fertigungsanlage, Fertigungsanlage und Verfahren
DE60304916T2 (de) Thermische Spritzeinrichtung
WO2019149678A1 (de) Verfahren und elektronenstrahlanlage zur additiven herstellung eines werkstücks
WO1999013999A1 (de) Verfahren und einrichtung zur kühlung von metallen in einem hüttenwerk
WO2021139914A1 (de) Überwachung eines laserbearbeitungsprozesses mithilfe eines neuromorphen bildsensors
DE102008038332A1 (de) Verfahren und Vorrichtung zur Regelung eines Schweißprozesses
DE4209746A1 (de) Verfahren zur Optimierung eines technischen Neuro-Fuzzy-Systems
DE102020205641A1 (de) Überwachungseinrichtung für eine Fügevorrichtung, Fügevorrichtung und Verfahren

Legal Events

Date Code Title Description
PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): DE FR GB

17P Request for examination filed

Effective date: 20060819

RIN1 Information on inventor provided before grant (corrected)

Inventor name: SCHNEIDERBANGER, STEFAN

Inventor name: KAEHNY, ANDREAS

Inventor name: ABDULLAHI, HASSAN

Inventor name: HERTTER, MANUEL

Inventor name: JAKIMOV, ANDREAS

DAX Request for extension of the european patent (deleted)
RBV Designated contracting states (corrected)

Designated state(s): DE FR GB

17Q First examination report despatched

Effective date: 20070726

APBN Date of receipt of notice of appeal recorded

Free format text: ORIGINAL CODE: EPIDOSNNOA2E

APBR Date of receipt of statement of grounds of appeal recorded

Free format text: ORIGINAL CODE: EPIDOSNNOA3E

APAF Appeal reference modified

Free format text: ORIGINAL CODE: EPIDOSCREFNE

APBT Appeal procedure closed

Free format text: ORIGINAL CODE: EPIDOSNNOA9E

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION HAS BEEN REFUSED

18R Application refused

Effective date: 20080402

R18R Application refused (corrected)

Effective date: 20100810