劉智楷 陳鴻歡 許東偉

摘 要：目前，在靜電噴涂作業(yè)中，噴涂參數(shù)只能根據(jù)人工經(jīng)驗(yàn)進(jìn)行設(shè)置，使噴涂工件獲得理想的涂膜厚度，但這種噴涂參數(shù)的設(shè)置方法缺乏科學(xué)性，嚴(yán)重依賴(lài)工人的噴涂經(jīng)驗(yàn)，且無(wú)法保證涂膜厚度控制的準(zhǔn)確性。針對(duì)上述問(wèn)題，提出一種基于BP神經(jīng)網(wǎng)絡(luò)的靜電噴涂涂膜厚度預(yù)測(cè)方法，構(gòu)建了神經(jīng)網(wǎng)絡(luò)模型，開(kāi)展了訓(xùn)練樣本采集實(shí)驗(yàn)，完成了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，最后采用神經(jīng)網(wǎng)絡(luò)對(duì)不同噴涂參數(shù)下的涂膜厚度進(jìn)行了預(yù)測(cè)，并開(kāi)展了預(yù)測(cè)對(duì)比實(shí)驗(yàn)。結(jié)果表明，神經(jīng)網(wǎng)絡(luò)對(duì)涂膜厚度預(yù)測(cè)的準(zhǔn)確率最高可達(dá)95%，平均誤差為12%，最大誤差為20%，能為噴涂參數(shù)的設(shè)置提供有效的科學(xué)依據(jù)。

關(guān)鍵詞：靜電噴涂;涂膜厚度預(yù)測(cè);BP神經(jīng)網(wǎng)絡(luò)

中圖分類(lèi)號(hào)：TP181? ? 文獻(xiàn)標(biāo)志碼：A? ? 文章編號(hào)：1671-0797（2022）10-0082-03

DOI：10.19514/j.cnki.cn32-1628/tm.2022.10.022

0? ? 引言

靜電噴涂因其具有綠色環(huán)保[1]、涂膜質(zhì)量好、成品率較高、涂料再利用率高等優(yōu)點(diǎn)[2]，被廣泛應(yīng)用于汽車(chē)、船舶、航天航空等領(lǐng)域。靜電噴涂的工作原理是靜電噴涂控制系統(tǒng)對(duì)噴槍電極施加負(fù)高電壓，在噴槍與被涂工件間建立靜電場(chǎng)，同時(shí)噴槍電極電離空氣使粉末涂料帶上負(fù)電荷[3]。帶電涂料在流場(chǎng)和靜電場(chǎng)的主要作用下均勻且牢固地沉積在噴涂工件表面。

在靜電噴涂作業(yè)時(shí)，傳統(tǒng)的涂膜厚度控制方法嚴(yán)重依賴(lài)人工經(jīng)驗(yàn)，需要具備豐富噴涂經(jīng)驗(yàn)的工人對(duì)噴涂參數(shù)進(jìn)行設(shè)置，使噴涂工件獲得理想的涂膜厚度。這種方法不僅會(huì)增加噴涂企業(yè)的用人成本，且無(wú)法保證涂膜厚度控制的準(zhǔn)確性。

靜電噴涂的涂料分布沉積是一個(gè)相當(dāng)復(fù)雜的過(guò)程[4]。帶電涂料受靜電場(chǎng)、流場(chǎng)、離心力場(chǎng)以及靶場(chǎng)等多場(chǎng)耦合作用，最終沉積形成涂膜，因此很難準(zhǔn)確推導(dǎo)出涂膜厚度的計(jì)算公式。

針對(duì)上述問(wèn)題，本文提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的靜電噴涂涂膜厚度預(yù)測(cè)方法。通過(guò)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)出不同噴涂參數(shù)下的涂膜厚度，為噴涂參數(shù)的設(shè)置提供科學(xué)依據(jù)，降低噴涂企業(yè)的用人成本，提高涂膜厚度控制的準(zhǔn)確性。

1? ? BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

反向傳播（Back Propagation，BP）神經(jīng)網(wǎng)絡(luò)被證明具有良好的非線(xiàn)性函數(shù)逼近能力[5]，可用于逼近噴涂參數(shù)和涂膜厚度之間的非線(xiàn)性關(guān)系。

所構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型為三層全連接模型，包含輸入層、隱含層和輸出層，各層分別包含i、j、k個(gè)神經(jīng)元節(jié)點(diǎn)。輸入層的輸入特征信息X包含靜電電壓x1、霧化流量x2和輸出粉量x3，神經(jīng)元個(gè)數(shù)i=3。輸出層的輸出特征信息Y包含涂膜厚度y1，神經(jīng)元個(gè)數(shù)k=1。假設(shè)訓(xùn)練樣本數(shù)為N，則輸入特征信息X和輸出特征信息Y如下式所示：

X= x1（1 ）? …? ?x3（1 ）■? ? ? ? ? ? ■x1（N ）? …? x3（N ）

Y=[y1（1 ）? …? ?y1（N ）]T

參考Kolmogorov定理并采用試湊法[6]，通過(guò)實(shí)驗(yàn)測(cè)得當(dāng)隱含層神經(jīng)元個(gè)數(shù)j=6時(shí)，神經(jīng)網(wǎng)絡(luò)模型具有較好的收斂效果。

由于神經(jīng)網(wǎng)絡(luò)的任務(wù)是回歸預(yù)測(cè)，因此隱含層和輸出層選擇LeakyReLU作為激活函數(shù)，LeakyReLU函數(shù)式S（x）如下式所示：

S（x）=x，? ?x≥0，α·x，x<0

其中，參數(shù)α取0.01。

在神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中，采用下式均方誤差MSE來(lái)衡量損失值：

MSE（y，■）=■

式中：N為訓(xùn)練樣本數(shù)量;yi為訓(xùn)練樣本值;■i為神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值。

采用隨機(jī)梯度下降算法（SGD）對(duì)神經(jīng)網(wǎng)絡(luò)中各線(xiàn)性單元的權(quán)重ω和偏置量b進(jìn)行更新。為了提高訓(xùn)練收斂速度和模型預(yù)測(cè)精度，在SGD算法中采用循環(huán)學(xué)習(xí)率（CyclicLR）來(lái)替代傳統(tǒng)的固定學(xué)習(xí)率[7]。

如圖1所示，在神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中，學(xué)習(xí)率根據(jù)步長(zhǎng)在基礎(chǔ)學(xué)習(xí)率和最大學(xué)習(xí)率之間循環(huán)變化。通過(guò)實(shí)驗(yàn)測(cè)得，當(dāng)基礎(chǔ)學(xué)習(xí)率設(shè)置為0.000 1，最大學(xué)習(xí)率設(shè)置為0.000 5，步長(zhǎng)設(shè)置為20時(shí)，神經(jīng)網(wǎng)絡(luò)的收斂效果和預(yù)測(cè)精度較好。

構(gòu)建的三層全連接神經(jīng)網(wǎng)絡(luò)模型如圖2所示。

2? ? 訓(xùn)練樣本采集實(shí)驗(yàn)

在靜電噴涂具有凹槽的工件時(shí)，由于法拉第籠屏蔽效應(yīng)[8]，凹槽底部的涂膜厚度很難控制。為了進(jìn)一步驗(yàn)證神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的有效性，采用帶凹槽的實(shí)驗(yàn)噴涂工件如圖3所示，工件長(zhǎng)度為20 cm，寬度為15 cm，凹槽的深度為5 cm。

實(shí)驗(yàn)噴涂過(guò)程如圖4所示，采用自研的靜電噴涂控制系統(tǒng)進(jìn)行訓(xùn)練樣本采集實(shí)驗(yàn)，實(shí)驗(yàn)總共采集100組訓(xùn)練樣本，每組訓(xùn)練樣本包含靜電電壓、霧化流量、輸出粉量和涂膜厚度。

為了增加訓(xùn)練樣本的隨機(jī)性，各噴涂參數(shù)在其常用范圍內(nèi)進(jìn)行隨機(jī)組合，噴涂參數(shù)取值范圍如表1所示，靜電噴涂工藝條件如表2所示。

待噴涂工件的涂膜固化完成后，在凹槽底部取9個(gè)測(cè)試點(diǎn)計(jì)算平均涂膜厚度，并記錄到相應(yīng)訓(xùn)練樣本中。

3? ? 神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練

將采集的訓(xùn)練樣本用于神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練，訓(xùn)練過(guò)程中通過(guò)繪制不同迭代次數(shù)（epoch）下測(cè)量值和預(yù)測(cè)值之間的關(guān)系以及訓(xùn)練誤差loss來(lái)觀察神經(jīng)網(wǎng)絡(luò)的訓(xùn)練情況。如圖5所示，當(dāng)?shù)螖?shù)達(dá)到60時(shí)，訓(xùn)練誤差loss開(kāi)始收斂，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練基本完成。

4? ? 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)對(duì)比實(shí)驗(yàn)

將訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型移植到靜電噴涂控制系統(tǒng)中，神經(jīng)網(wǎng)絡(luò)根據(jù)設(shè)置的靜電電壓、霧化流量和輸出粉量預(yù)測(cè)出凹槽底部的涂膜厚度。

為驗(yàn)證神經(jīng)網(wǎng)絡(luò)對(duì)涂膜厚度預(yù)測(cè)的準(zhǔn)確性，設(shè)計(jì)了10組噴涂對(duì)比實(shí)驗(yàn)，通過(guò)分析預(yù)測(cè)涂膜厚度和實(shí)際測(cè)量涂膜厚度之間的誤差來(lái)標(biāo)定預(yù)測(cè)準(zhǔn)確率。

預(yù)測(cè)對(duì)比實(shí)驗(yàn)結(jié)果如表3所示，其中預(yù)測(cè)結(jié)果的準(zhǔn)確率最高可達(dá)95%，平均誤差為12%，最大誤差為20%，通過(guò)增加訓(xùn)練樣本數(shù)或增加訓(xùn)練次數(shù)，可進(jìn)一步降低預(yù)測(cè)誤差。

5? ? 結(jié)語(yǔ)

本文針對(duì)靜電噴涂作業(yè)時(shí)噴涂參數(shù)的設(shè)置缺乏科學(xué)依據(jù)，嚴(yán)重依賴(lài)人工經(jīng)驗(yàn)，無(wú)法保證噴涂工件涂膜厚度控制準(zhǔn)確率的問(wèn)題，提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的靜電噴涂涂膜厚度預(yù)測(cè)方法;構(gòu)建了三層全連接BP神經(jīng)網(wǎng)絡(luò)，開(kāi)展了訓(xùn)練樣本采集實(shí)驗(yàn)，完成了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，最后進(jìn)行了神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，預(yù)測(cè)結(jié)果的準(zhǔn)確率最高可達(dá)95%，平均誤差為12%，最大誤差為20%。該方法可為噴涂參數(shù)的設(shè)置提供科學(xué)的參考。

[參考文獻(xiàn)]

[1] 張志坤，李元明，張志宇，等.靜電噴涂在專(zhuān)用汽車(chē)行業(yè)的應(yīng)用研究[J].中國(guó)涂料，2020，35（5）：56-60.

[2] MO Z W，LU S H，SHAO M.Volatile organic compound （VOC） emissions and health risk assessment in paint and coatings industry in the Yangtze River Delta，China[J].Environmental Pollution， 2021，269：115740.

[3] 黃玲，周紹鵬，周金偉.靜電噴涂技術(shù)在白車(chē)身上的應(yīng)用分析[J].汽車(chē)實(shí)用技術(shù)，2019（21）：211-213.

[4] 張淑珍，毛偉，甄晶博，等.靜電噴涂涂層厚度分布模型的研究進(jìn)展[J].表面技術(shù)，2019，48（1）：291-297.

[5] HORNIK K，STINCHCOMBE M，WHITE H.Multilayer feed-forward networks are universal approximators[J].Neural Networks，1989，2（5）：359-366.

[6] 伍春香，劉琳，王葆元.三層BP網(wǎng)隱層節(jié)點(diǎn)數(shù)確定方法的研究[J].武漢測(cè)繪科技大學(xué)學(xué)報(bào)，1999，24（2）：177-179.

[7] SMITH L N.Cyclical learning rates for training neural networks[C]// 2017 IEEE Winter Confer-ence on Applications of Computer Vision （WACV），2017：464-472.

[8] 高慶福，史中平.提高粉末涂料在靜電噴涂中死角上粉率的工藝技術(shù)研究[J].涂料技術(shù)與文摘，2014，35（4）：36-39.

收稿日期：2022-03-07

作者簡(jiǎn)介：劉智楷（1996—），男，廣東廣州人，在讀碩士研究生，研究方向：靜電噴涂。