Im Lackiertechnikum des Fraunhofer IPA werden Lackierprozesse von künstlicher Intelligenz (KI) überwacht. Ein Inline-Laserdetektor der Firma AOM, der oberhalb der Sprühdüse eines Roboters befestigt ist, erfasst dafür die Anzahl, Größe und Geschwindigkeit der Lacktröpfchen. Diese Angaben fließen in eine Datenbank ein, in der Mess- und Prozessdaten von 30 verschiedenen Sensoren zusammen laufen. Dazu gehören etwa die Daten aus der Anlagensteuerung der Firma B+M: Drehzahl, Spannung, Ventilschaltungen, die verbrauchte Lackmenge, die Menge Luft, die die Lacktröpfchen lenkt, und dergleichen mehr. Hinzu kommen die Messergebnisse, die am fertig lackierten Objekt, in dem Fall ein Stoßfänger, vorgenommen werden, und der Sichtprüfung durch einen erfahrenen Lackiermeister: Lackschichtdicke (überprüft durch die Firma Helmut Fischer), Farbton, Glanz, Welligkeit, Schmutzeinschlüsse.
Das Lackieren gilt als ein noch nicht durchgängig beherrschbarer Prozess. Es drohen Ausschuss, Anlagenausfälle und Nacharbeit, weil etwa oft die vorgegebene Lackschichtdicke nicht überall eingehalten werden kann. Oliver Tiedje, Leiter des Geschäftsbereichs Beschichtungen und multifunktionale Materialien am Fraunhofer IPA, hat sich im Forschungsprojekt ‚pAInt-Behaviour‘ vorgenommen, mithilfe von KI die Anzahl der Fehler im Lackierprozess und der Maschinenstillstände zu senken.
Tiedje und sein Team führten im Lackiertechnikum des Fraunhofer IPA eine Reihe von Lackierversuchen an Kunststoffbauteilen aus dem Automobil- und Nutzfahrzeugsektor durch. Vor jedem einzelnen Versuch änderten sie die Einstellungen an der Lackieranlage und nahmen damit bewusst Fehler in Kauf. Der Inline-Laserdetektor und die anderen Sensoren an der Lackieranlage zeichneten sämtliche Daten auf und füllten die Datenbank sowohl mit Qualitätsdaten, etwa Lackierfehler und Schichtdickenmessungen, sowie mit Prozessdaten aus der Anlagensteuerung.
Ein Forschungsteam um Brandon Sai, Leiter des Forschungsteams Datengetriebene Produktionsoptimierung am Fraunhofer IPA, ließ die Datenbank von zwei verschiedenen maschinellen Lernverfahren auswerten. So entstand ein detailliertes KI-Verhaltensmodell, das laut der Forschenden nun frühzeitig drohende Qualitätsabweichungen im Lackierprozess erkennen und deren Ursachen identifizieren kann. Der Lackierprozess könne so optimiert und der Bedarf an manuellen Eingriffen reduziert werden.
„Die Ergebnisse aus unseren experimentellen Lackierprozessen lassen sich auf beliebige andere Produkte übertragen“, sagt Tiedje. Der Wissenschaftler hat einen Förderantrag für ein Folgeprojekt eingereicht, in dem er seinen KI-optimierten Lackierprozess in der Praxis umsetzen möchte. Dafür werden Kooperationspartner aus der Industrie gesucht.
