基于BP神經網絡的靜電噴涂涂膜厚度預測方法研究

劉智楷 陳鴻歡 許東偉

摘 要：目前，在靜電噴涂作業中，噴涂參數只能根據人工經驗進行設置，使噴涂工件獲得理想的涂膜厚度，但這種噴涂參數的設置方法缺乏科學性，嚴重依賴工人的噴涂經驗，且無法保證涂膜厚度控制的準確性。針對上述問題，提出一種基于BP神經網絡的靜電噴涂涂膜厚度預測方法，構建了神經網絡模型，開展了訓練樣本采集實驗，完成了神經網絡的訓練，最后采用神經網絡對不同噴涂參數下的涂膜厚度進行了預測，并開展了預測對比實驗。結果表明，神經網絡對涂膜厚度預測的準確率最高可達95%，平均誤差為12%，最大誤差為20%，能為噴涂參數的設置提供有效的科學依據。

關鍵詞：靜電噴涂;涂膜厚度預測;BP神經網絡

中圖分類號：TP181? ? 文獻標志碼：A? ? 文章編號：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保[1]、涂膜質量好、成品率較高、涂料再利用率高等優點[2]，被廣泛應用于汽車、船舶、航天航空等領域。靜電噴涂的工作原理是靜電噴涂控制系統對噴槍電極施加負高電壓，在噴槍與被涂工件間建立靜電場，同時噴槍電極電離空氣使粉末涂料帶上負電荷[3]。帶電涂料在流場和靜電場的主要作用下均勻且牢固地沉積在噴涂工件表面。

在靜電噴涂作業時，傳統的涂膜厚度控制方法嚴重依賴人工經驗，需要具備豐富噴涂經驗的工人對噴涂參數進行設置，使噴涂工件獲得理想的涂膜厚度。這種方法不僅會增加噴涂企業的用人成本，且無法保證涂膜厚度控制的準確性。

靜電噴涂的涂料分布沉積是一個相當復雜的過程[4]。帶電涂料受靜電場、流場、離心力場以及靶場等多場耦合作用，最終沉積形成涂膜，因此很難準確推導出涂膜厚度的計算公式。

針對上述問題，本文提出了一種基于BP神經網絡的靜電噴涂涂膜厚度預測方法。通過BP神經網絡預測出不同噴涂參數下的涂膜厚度，為噴涂參數的設置提供科學依據，降低噴涂企業的用人成本，提高涂膜厚度控制的準確性。

1? ? BP神經網絡模型構建

反向傳播（Back Propagation，BP）神經網絡被證明具有良好的非線性函數逼近能力[5]，可用于逼近噴涂參數和涂膜厚度之間的非線性關系。

所構建的神經網絡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個神經元節點。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，神經元個數i=3。輸出層的輸出特征信息Y包含涂膜厚度y1，神經元個數k=1。假設訓練樣本數為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]，通過實驗測得當隱含層神經元個數j=6時，神經網絡模型具有較好的收斂效果。

由于神經網絡的任務是回歸預測，因此隱含層和輸出層選擇LeakyReLU作為激活函數，LeakyReLU函數式S（x）如下式所示：

S（x）=x，? ?x≥0，α·x，x<0

其中，參數α取0.01。

在神經網絡訓練過程中，采用下式均方誤差MSE來衡量損失值：

MSE（y，■）=■

式中：N為訓練樣本數量;yi為訓練樣本值;■i為神經網絡預測值。

采用隨機梯度下降算法（SGD）對神經網絡中各線性單元的權重ω和偏置量b進行更新。為了提高訓練收斂速度和模型預測精度，在SGD算法中采用循環學習率（CyclicLR）來替代傳統的固定學習率[7]。

如圖1所示，在神經網絡訓練過程中，學習率根據步長在基礎學習率和最大學習率之間循環變化。通過實驗測得，當基礎學習率設置為0.000 1，最大學習率設置為0.000 5，步長設置為20時，神經網絡的收斂效果和預測精度較好。

構建的三層全連接神經網絡模型如圖2所示。

2? ? 訓練樣本采集實驗

在靜電噴涂具有凹槽的工件時，由于法拉第籠屏蔽效應[8]，凹槽底部的涂膜厚度很難控制。為了進一步驗證神經網絡預測的有效性，采用帶凹槽的實驗噴涂工件如圖3所示，工件長度為20 cm，寬度為15 cm，凹槽的深度為5 cm。

實驗噴涂過程如圖4所示，采用自研的靜電噴涂控制系統進行訓練樣本采集實驗，實驗總共采集100組訓練樣本，每組訓練樣本包含靜電電壓、霧化流量、輸出粉量和涂膜厚度。

為了增加訓練樣本的隨機性，各噴涂參數在其常用范圍內進行隨機組合，噴涂參數取值范圍如表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個測試點計算平均涂膜厚度，并記錄到相應訓練樣本中。

3? ? 神經網絡模型訓練

將采集的訓練樣本用于神經網絡模型訓練，訓練過程中通過繪制不同迭代次數（epoch）下測量值和預測值之間的關系以及訓練誤差loss來觀察神經網絡的訓練情況。如圖5所示，當迭代次數達到60時，訓練誤差loss開始收斂，神經網絡的訓練基本完成。

4? ? 神經網絡預測對比實驗

將訓練好的神經網絡模型移植到靜電噴涂控制系統中，神經網絡根據設置的靜電電壓、霧化流量和輸出粉量預測出凹槽底部的涂膜厚度。

為驗證神經網絡對涂膜厚度預測的準確性，設計了10組噴涂對比實驗，通過分析預測涂膜厚度和實際測量涂膜厚度之間的誤差來標定預測準確率。

預測對比實驗結果如表3所示，其中預測結果的準確率最高可達95%，平均誤差為12%，最大誤差為20%，通過增加訓練樣本數或增加訓練次數，可進一步降低預測誤差。

5? ? 結語

本文針對靜電噴涂作業時噴涂參數的設置缺乏科學依據，嚴重依賴人工經驗，無法保證噴涂工件涂膜厚度控制準確率的問題，提出了一種基于BP神經網絡的靜電噴涂涂膜厚度預測方法;構建了三層全連接BP神經網絡，開展了訓練樣本采集實驗，完成了神經網絡的訓練，最后進行了神經網絡預測對比實驗。實驗結果表明，預測結果的準確率最高可達95%，平均誤差為12%，最大誤差為20%。該方法可為噴涂參數的設置提供科學的參考。

[參考文獻]

[1] 張志坤，李元明，張志宇，等.靜電噴涂在專用汽車行業的應用研究[J].中國涂料，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.靜電噴涂技術在白車身上的應用分析[J].汽車實用技術，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展[J].表面技術，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網隱層節點數確定方法的研究[J].武漢測繪科技大學學報，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研究[J].涂料技術與文摘，2014，35（4）：36-39.

收稿日期：2022-03-07

作者簡介：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。