Effizienzsteigerung durch mehrschichtige Vernetzung von Prozess- und Qualitätsdaten (pAInt-Behaviour)
Die Lackierung gilt als nicht durchgängig beherrschbarer Prozess. Da beispielsweise sehr häufig die vorgegebene Lackschichtdicke nicht überall eingehalten werden kann, drohen Ausschuss, Anlagenausfälle und Nacharbeit. Dies möchte ein Forschungsteam des Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA ändern: Sie wollen die Anzahl der Fehler um 30% und die Stillstandszeiten um 20% senken. Außerdem sollen der jährliche Lackverbrauch und die Anlaufzeit neuer Farben um jeweils zehn Prozent verringert werden – und all das mittels KI für Lackierprozesse.

Abbildung 1: Verhaltensmodell aufgeteilt in Prozessebene und drei Ebenen (Schichten) der Qualitätsdaten für Lackierprozesse. Quelle: IPA
Um die angepeilte Effizienzsteigerung zu erreichen, werden die Qualitätsdaten – zum Beispiel sichtbare Lackierfehler oder die Messdaten der Lackierschichtdicke – mit den Prozessdaten aus der Anlagensteuerung zusammengeführt. Aus den Daten leitet sich ein feingranulares Verhaltensmodell ab, das mit einem maschinellen Lernverfahren ausgewertet wird. Die Algorithmen sollen frühzeitig drohende Qualitätsabweichungen erkennen und auch gleich auf deren Ursache hinweisen.
Die Forscherinnen und Forscher konzentrieren sich dabei auf die Lackierung von Stoßfängern, Rückspiegeln, Türgriffen und anderen Anbauteilen aus Kunststoff im Automobil- und Nutzfahrzeugsektor. In dieser Branche besteht ein großes Produktvolumen und damit auch ein lebhaftes Interesse an Effizienzsteigerungen. Außerdem liegt in Lackierprozessanlagen ein sehr hoher Automatisierungs- und Digitalisierungsgrad vor, was den Einsatz von KI erfolgversprechend macht.
Für die Umsetzung der KI für Lackierprozesse wurde am Fraunhofer IPA ein erster Demonstrator aufgebaut: Es werden Prozessdaten wie der Lackdruck im 40 ms-Taktung erfasst, der Sprühstrahl mit dem Messsystem SpraySpy der Firma AOM-Systems überwacht (1. Ebene der Qualitätsdaten) und das Lackierergebnis hinsichtlich Schichtdicken (2. Ebene) bewertet und die Qualität insbesondere Farbmessungen (3. Ebene) gemessen (vergleiche Abbildung 1). Der Demonstrator besteht aus einem 6-achsigen Lackierroboter, der mittels Hochrotationszerstäuber einen Metallic Base-Coat aufbringt. Genutzt wurde dabei Standard-Betriebsparameter aus der Industrie. So sollen verschiedenste Fehler von ihrer Entstehung bis zur Auswirkung verfolgbar sein. Darunter u. a.:
- Andrückfehler
- Parameterverstellungen
- Lufteinschlüsse
- Defekte Glockenteller des Hochrotationszerstäubers
- Abweichungen im Lackmaterial
Am Beispiel der Farbabweichung (s. Abbildung 2) kann man anschaulich sehen, wie sich diese Störungen dann auf die finale Qualität auswirken.

Abbildung 3: Auswirken von Prozessabweichungen auf den Farbton Quelle: IPA
Durch die Beobachtung des Sprays mit dem SpraySpy sind viele dieser Abweichungen schon während des Applikationsvorgangs detektierbar. Dies erlaubt eine frühere Fehlererkennung. Damit kann in Zukunft vor allem bei systematischen Abweichungen wie Defekten im Equipment oder Chargenabweichungen im Lackmaterial ein hoher Aufwand an Nacharbeit oder Kosten durch Ausschuss vermieden werden.
Fazit zum Anwendungsbespiel der KI für Lackierprozesse
Mit künstlicher Intelligenz (KI) werden in einem Forschungsprojekt des Fraunhofer IPA gemeinsam mit den Industriepartnern b+m surface systems, AOM systems und Helmut-Fischer Methoden entwickeln, um die Lackierung von Kunststoffteilen im Automobil- und Nutzfahrzeugbau effizienter zu gestalten. Dazu werden intelligente Algorithmen sämtliche Daten, die während des Lackierprozesses anfallen, auswerten und frühzeitig vor Fehlern warnen.
