A method for determining a layer thickness distribution in a paint layer
produced during paint spraying after inputting specific spraying
parameters into an electrostatically based paint spraying device. A data
processing device sets up and uses a phenomenological mathematical model
of a quasi-stationary three-dimensional spray pattern. Specific
parameters, such as an angle of rotation of electrodes and a rate of
movement of the spraying device are input into the phenomenological model
as fixed input parameters. In addition, real physical input parameters
such as paint volume, directing air data and a voltage value, whose
influence on the spraying result is not accurately known, are fed to an
artificial neural network. The neural network having been previously
trained using real input data such as a configuration of the spraying
device, a paint type, operating parameters, and measured values of the
layer thickness distribution. The neural network carries out a conversion
of the input parameters into model input parameters which are fed to the
phenomenological model. Spray patterns formed by the phenomenological
model are integrated in a further functional unit as a function of
movement data of the spraying device which are contained in the input
parameters to form the overall paint layer which is output.
Μια μέθοδος για μια διανομή πάχους στρώματος σε ένα στρώμα χρωμάτων που παράγεται κατά τη διάρκεια του ψεκασμού χρωμάτων μετά από να εισαγάγει τις συγκεκριμένες παραμέτρους ψεκασμού σε μια electrostatically βασισμένη ψεκάζοντας συσκευή χρωμάτων. Μια συσκευή επεξεργασίας δεδομένων οργανώνει και χρησιμοποιεί ένα φαινομενολογικό μαθηματικό πρότυπο ενός σχεδόν σταθερού τρισδιάστατου σχεδίου ψεκασμού. Οι συγκεκριμένες παράμετροι, όπως μια γωνία της περιστροφής των ηλεκτροδίων και ενός ποσοστού μετακίνησης της ψεκάζοντας συσκευής εισάγονται στο φαινομενολογικό πρότυπο ως σταθερές παράμετροι εισαγωγής. Επιπλέον, οι πραγματικές φυσικές παράμετροι εισαγωγής όπως ο όγκος χρωμάτων, κατευθύνοντας τα στοιχεία αέρα και μια αξία τάσης, η της οποίας επιρροή στο αποτέλεσμα ψεκασμού δεν είναι ακριβώς γνωστή, ταϊ'ζονται σε ένα τεχνητό νευρικό δίκτυο. Το νευρικό δίκτυο που έχει εκπαιδευθεί προηγουμένως χρησιμοποιώντας τα πραγματικά δεδομένα εισόδου όπως μια διαμόρφωση της ψεκάζοντας συσκευής, ενός τύπου χρωμάτων, λειτουργουσών παραμέτρων, και μετρημένων τιμών της διανομής πάχους στρώματος. Το νευρικό δίκτυο πραγματοποιεί μια μετατροπή των παραμέτρων εισαγωγής στις πρότυπες παραμέτρους εισαγωγής που ταϊ'ζονται στο φαινομενολογικό πρότυπο. Τα σχέδια ψεκασμού που διαμορφώνονται από το φαινομενολογικό πρότυπο είναι ενσωματωμένα σε μια περαιτέρω λειτουργική μονάδα ως λειτουργία των στοιχείων μετακίνησης της ψεκάζοντας συσκευής που περιλαμβάνονται στις παραμέτρους εισαγωγής για να διαμορφώσουν το γενικό στρώμα χρωμάτων που είναι παραγωγή.
