JP2001062358A - 塗布層の層厚み分布を決定する方法 - Google Patents

Abstract

(57)【要約】 【課題】 静電気塗料噴霧装置において生成される塗布
層の厚み分布を決定する。 【解決手段】 準−静的３次元噴霧パターンの現象論的
数学的モデルが設定、使用され、固定された入力パラメ
ータとして特定のパラメータが現象論的モデルに直接に
入力され、噴霧結果に関するそれらの影響が正確には知
られていない実際の物理的入力パラメータが実際の入力
データを使用して前に訓練が行なわれた人工ニューラル
ネットワークに供給され、この人工ニューラルネットワ
ークは追加の入力パラメータについて現象論的モデルに
供給されるモデル入力パラメータへの変換を実行し、現
象論的モデルによって形成される噴霧パターンが、塗布
層全体を形成するための入力パラメータに含まれる噴霧
装置（２）の移動データの関数としてさらなる機能ユニ
ットにおいて集積され、そして塗布層の厚み分布が出力
される、層厚み分布の決定方法。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、静電気に基づく塗
料噴霧装置に特定の噴霧パラメータを入力した後の、塗
料噴霧時に形成される塗布層に期待される層厚み分布を
決定する方法に関する。

【０００２】

【従来の技術】静電気に基づく塗料ユニットの塗布結果
の演繹的計算に関する手順の既知の方法は、塗布結果に
関する不十分な基礎に基づき予測される値および単に極
めて簡単化された数学的記述の決定を可能とする方法を
利用した、経験的な調査に基づいている。この目的に要
求される極端な単純化、周囲温度または塗布室の形式お
よび形状その他考慮されずに残されたもののような塗布
結果に対する小さい影響は、計算の正確さにおいて不満
足を生じさせる。

【０００３】その他既知の提案は、正確かつ詳細にシミ
ュレーションされた非常に複雑な物理的塗布プロセスを
利用した複雑な物理的モデルを考え、これが塗布結果を
決定するのに使用される。

【０００４】しかしながら、モデル化の複雑さは利益が
ない。確率論的処理工程（噴霧化、その他）が含まれる
ので、このように、塗布処理中の物理的工程、特に、次
々に生ずるそれらの効果の満足できるような正確なシミ
ュレーションは殆ど不可能である。さらに、モデル化の
経費およびモデルに関する真の計算時間もまた、最新の
利用可能な計算装置であっても、受け入れられないほど
大きい（数日または数週間）。

【０００５】

【発明が解決しようとする課題】それ故に、比較的少な
い経費によって満足できる正確な結果を導く、形成され
る塗布層に期待される層厚み分布を決定する方法を定め
ることが、本発明の目的である。

【０００６】この目的は、請求項１に記載の特徴を有す
る層厚みを決定する方法により達成される。

【０００７】本発明に従う方法において、現象論的モデ
ル（phenomenological model）の助けによりシミュレー
ションされるのは、全体的な塗布の物理的工程ではな
く、まず第1に物理的工程を考慮に入れない塗布の結果
である。この場合考慮されるモデルのパラメータは、塗
布工程の実際のパラメータに対し単に部分的に対応す
る。モデルのパラメータと実際の噴霧パラメータとの間
の関係は、実際の測定を利用して訓練（training）がな
される人工ニューラルネットワークの助けを借りて生成
される。

【０００８】この全体としての方法の利点は、全体の工
程の複雑な物理的モデル化を避けるという事実に基づ
く。それにもかかわらず、人工ニューラルネットワーク
の訓練工程において実際に測定された値を使用すること
により、全ての関係が考慮され、換言すれば以前は知ら
れていなかったものであり、達成される結果は現実的で
ある。

【０００９】さらに本発明は以下において描写された図
面に図示された典型的な実施の形態の助けを借りて説明
される。

【００１０】

【発明の実施の形態】図１は噴霧器リング（atomizer r
ing）の例として構成され、塗料噴霧噴流（paint spray
jet）３または噴霧雲状体（spray cloud）を提供し、
噴霧器リングの周りに円形状に配置された6個の高電圧
電極１を使用して電荷を付与する塗料噴霧装置２の概略
図を示す。塗料は対象物4上に堆積する。

【００１１】塗布層は、噴霧装置２と対象物4との間の
距離の変化と同様に、塗料噴霧装置２の水平方向または
垂直方向の移動により、また振動しながらの移動によ
り、対象物4上に生成される。塗布層の厚み分布が測定
される。

【００１２】図3は図1に相当する噴霧装置を使用して生
成され得る噴霧パターンの平面図を示し、ここで噴霧装
置は噴霧動作がなされた間動かなかったものと想定され
る。噴霧装置の適切な移動により、塗布される面全体が
事実上均一の厚み分布を有する塗布層を得ることが可能
である。

【００１３】図４から図６に、その平面図が図３に示さ
れており図１に記載のように設計された噴霧装置の具体
例を用いて生成し得る準−静的（quasi-stationary）噴
霧パターンが、２つの主要な成分から構成されることが
示されており、図４はガウス−ベル（Gaussian bell）
の頂部を有する円環状（torus-like）の形状を示し、こ
れは噴霧器リングの縁部の下部に位置を占め、噴霧器リ
ングの軸の回りで回転対称である。図５は６つのベル−
形状（bell-shaped）の塗料堆積部を有する図を示し、
これはガウス分布に対応し、そして２つの電極１（図１
参照）間の円部分上に円形にそれぞれ位置し分布する。
２つの成分の結合により生ずる全体の噴霧パターンが図
６に示される。

【００１４】図２は本方法のフローチャートを示す。こ
の方法は３次元の、準−静的噴霧パターン、言い換えれ
ば例えば記載した噴霧装置のような固定された塗布器の
下の塗布分布、をシミュレートすることに基づくもので
ある。かかる噴霧パターンが図６に例として示されてい
る。塗布結果に対する重力の作用または空気の流れのよ
うなパラメータの影響を記述可能とする目的で、図４お
よび図５に例として示されている基本的な成分は適当な
補正ファクタにより“非対称”に配置することが可能で
ある。さらなる成分を導入することもまた可能である。

【００１５】図３に示される噴霧パターンは以下のパラ
メータにより記述可能である。 −噴霧器リング下の円環状形状の半径 −噴霧器リング下の円環状形状の塗布量 −噴霧器リング下の円環状形状の非対称性 −円環状形状が形成される回転によるガウス−ベルの分
散（dispersion） −電極の数 −電極の配置の半径 −電極間のガウス−ベルの塗布量 −電極間のガウス−ベルの非対称のレベル −電極間のガウス−ベルの分散 −電極の回転角 さらなるパラメータが考えられる。

【００１６】また考慮されるのは、 −３次元噴霧パターンの量は真の配置における実際の塗
料処理量に対応しなければならない（線形に比例） −例えば電極の数のような或パラメータは本方法に固定
した値として組込まれる 等である。

【００１７】噴霧パターンのかかる計算結果はデータ処
理装置を使用する装置の場合は２次元変数として蓄積さ
れる。この２次元は準−静的噴霧パターン基本領域に対
応し、そしてそれぞれの変数の値は塗料が結合された高
さに対応する（図６を対照されたい）。

【００１８】本方法は噴霧パターンの現象論的モデルを
設定しそして使用するものであることが図２から推測可
能である。かかるモデルは物理的関係を記述するモデル
より簡単である。

【００１９】入力パラメータの一部は固定値としてモデ
ルに直接送付し得る。その影響を正確に記述することの
できない入力パラメータの他の部分は、追加のモデルパ
ラメータを供給する人工ニューラルネットワークに送ら
れる。準−静的噴霧パターンを集積することにより噴霧
装置に対し命令された運動を考慮することにより、塗料
の噴霧が継続する期間において期待される塗布厚み分布
に関する実際的な像が形成される。

【００２０】以下のようにして塗布装置が運動する間の
３次元噴霧噴霧パターンを決定し得る。

【００２１】−直線的速度で塗布装置の移動が継続する
間における準−静的噴霧パターンの端から端までの切断
面（cut surface）領域の量を集積。この切断面は塗布
装置の移動の方向に対応する形で配置される。図７は例
として噴霧装置の垂直方向の移動により形成された塗布
層の端から端までの断面を示す。図８は噴霧装置の水平
方向の移動により形成された対応する層厚み分布を示
す。

【００２２】−架空の等しい時間間隔における、２次元
基本領域（ａ×ｂ，ａ＞ｎ，ｂ＞ｎ）の内部の基本領域
（ｎ×ｎ）の準−静的噴霧パターンの架空の移動。その
上に（ｎ×ｎ）領域が一般に位置する（ａ×ｂ）領域の
関連する座標における数値は、要求される移動速度に従
ってそして準−静的噴霧パターンの位置に従って増加す
る。

【００２３】物理的装置の実際の入力パラメータをモデ
ルパラメータに変換するための人工ニューラルネットワ
ークを使用するには、使用する前に実際の測定データに
より訓練された人工ニューラルネットワークを必要とす
る。

【００２４】例としてここで使用された基本的噴霧装置
の場合における、ニューラルネットワークのための実際
の入力パラメータを以下に示す。

【００２５】−塗料の種類、 −時間当たりの塗布量、 −塗布装置の速度、 −塗布のタイプ（paint type）、 −方向付け空気のデータ、 −空気制御データ、 −高電圧、 −温度、 −噴霧器リングの回転速度、 −塗布室（painting booth）の形式、 −塗布器の構造（例えば、電極の数、噴霧器リングの半
径）。

【００２６】このニューラルネットワークの出力変数
は、直接の入力パラメータと結合し得るモデルパラメー
タである。

【００２７】ニューラルネットワークはその物理的背景
が正確に記述できない指定機能（ブラック−ボックス−
モデル）に関し極めて適切なものである。ニューラルネ
ットワークの多層パーセプトロンタイプ（multi-layer
perceptron type）は適切なものの１つと考えられる。
ニューラルネットワークの以下の構造が好適である。

【００２８】−上に述べたように、入力ニューロンの数
は考えられる物理的入力パラメータの数に対応するが、
限定される範囲内で変化可能と考えられる（不適切な入
力パラメータの削除）。

【００２９】−出力ニューロンの数は望まれるモデルの
パラメータに対応する。

【００３０】各望ましいモデルパラメータに関し、単に
１つの出力と、使用される入力変数全体の一部に対応す
る複数の入力ニューロンを有する個別のニューラルネッ
トワークについて訓練することが実際的であることが立
証できる。

【００３１】入力および出力ニューロン間の隠れ層（hi
dden layer）の数は零から、実際には、２で変化する。
ニューラルネットワークの他のタイプが同様に考えられ
る。

【００３２】かかるネットワークの訓練の目的のため、
例えばバックプロパゲーション（backpropagation）の
ような管理された学習法（supervised learning method
e）を使用するのが実際的であり、これは適切な数の対
応する入力および出力ベクトルを利用してニューラルネ
ットワークのパラメータを決定する（この場合、“ベク
トル”は望ましい入力および／または出力変数を並べた
もの（juxtaposition）を意味する）。

【００３３】適切な数のかかる対応するベクトルを含む
学習データ記録の生成は、実際の測定値を利用して行わ
れる。

【００３４】ここで以下の工程が採用される。 −直接の入力パラメータが変化する間に、その性質が物
理的に検知し得る領域内に位置する、幾つかのＣ噴霧パ
ターンが生成される、 −幾つかのＤ＜Ｃの実際の測定値が適用される、 −Ｄからの各個々の測定値ｄに対し、Ｃからの最も近似
する（最小二次偏差（minimum quadratic deviatio
n））シミュレーションｃが決定され、塗布装置の実際
のパラメータとモデルパラメータとの間の関係が与えら
れる。Ｄからの各ｄに関し、正確にＣからの１ｃが決定
され、そして、 −発見されたＤ値の対が適切な形式とシーケンスで学習
データ記録部に書き込まれる。

【００３５】単に１つの入力パラメータについて互いに
形式的に異なる２つのニューラルネットワークの学習工
程が、他の点において同一の学習データ記録と組合され
て（１つのパラメータのみが考慮されない）同等の学習
結果（積み重ね誤差（ｃｕｍｕｌａｔｅｄ errors））
を導く場合、その関連するパラメータは不適切なものと
して認識し得る。

【図面の簡単な説明】

【図１】塗料噴霧装置、およびこれにより生成される噴
霧の雲状体の概略図を示す。

【図２】本方法のフローチャートを示す。

【図３】静止状態の噴霧パターンの平面図を示す。

【図４】３次元静止状態の噴霧パターンの構成を示す。

【図５】３次元静止状態の噴霧パターンの構成を示す。

【図６】３次元の全体噴霧パターンを示す。

【図７】塗布層の垂直方向の端から端までの全体断面を
示す。

【図８】塗布層の水平方向の端から端までの全体断面を
示す。

【符号の説明】

１…高電圧電源 ２…塗料噴霧装置 ３…塗料噴霧の噴流 ４…対象物

Claims (3)

【特許請求の範囲】
1. 【請求項１】 特定の噴霧パラメータを静電気に基づく
   塗料噴霧装置に入力した後、塗料が噴霧される間に生成
   される塗布層に関して期待される層厚み分布を決定する
   方法であって、データ処理装置の使用が設定され、 １）準−静的３次元噴霧パターンの現象論的数学的モデ
   ルが設定され、そして使用され、 ２）固定された入力パラメータとして、噴霧装置の電極
   の回転角度および噴霧装置の移動速度のような、特定の
   パラメータが前記現象論的モデルに直接に入力され、 ３）加えて、塗布量、方向付け空気に関するデータ、お
   よび高電圧値のような、噴霧結果に関するそれらの影響
   が正確には知られていない実際の物理的入力パラメータ
   が、使用される噴霧装置の構造、塗布のタイプ、操作パ
   ラメータ、および層厚み分布の測定値のような実際の入
   力データを使用して前に訓練が行なわれた人工ニューラ
   ルネットワークに供給され、そして、この人工ニューラ
   ルネットワークは追加の入力パラメータについて前記現
   象論的モデルに供給されるモデル入力パラメータへの変
   換を実行し、そして ４）前記現象論的モデルによって形成される噴霧パター
   ンが、塗布層全体を形成するための前記入力パラメータ
   に含まれる噴霧装置の移動データの関数としてさらなる
   機能ユニットにおいて集積され、そしてこの塗布層の厚
   みの分布が出力されることを特徴とする層厚み分布の決
   定方法。
2. 【請求項２】 各所望のモデルパラメータについて、単
   に単一の出力と、そして利用し得る入力変数全体の一部
   に対応する複数の入力ニューロンとを有する、個別のニ
   ューラルネットワークが訓練されることを特徴とする請
   求項１記載の方法。
3. 【請求項３】 １つの入力パラメータについてのみ形式
   的に異なる２つのニューラルネットワークの学習工程
   が、他の点において同一の学習データ記録と組合され
   て、同等の学習結果を導く場合、１つのパラメータは不
   適切なものと認知されそして削除されることを特徴とす
   る請求項１または請求項２に記載の方法。