直接在喷雾中检测涂料成分的变化
我们近期在印刷版《mo – Magazin für Oberflächentechnik》上发表了人工智能（AI）在涂料喷雾监测和材料分析方面的一项新应用。
我们与AKEMI的Dietrich Wolter一起，研究了能否直接根据喷雾云中液滴的特性检测涂料成分的变化。
其核心思路是：不仅监测雾化压力、空气压力或流量等设备参数，而且监测涂装过程的实际结果——即所产生的喷雾本身。
基于液滴特性的AI涂料喷雾监测
为此，我们将基于时移法的光学单液滴测量与无监督机器学习相结合。
测量系统记录多项喷雾和液滴特性，包括液滴数量、液滴粒径、液滴速度和光学特性。这些参数共同构成喷雾的多维“指纹”。
借助这种多维方法，可以检测到仅考察单一工艺参数时可能无法发现的变化。
无需标注训练数据的无监督机器学习
该方法的一个重要优势在于，用户无需提供标注的训练数据，也无需预先定义特定于应用的阈值。
首先，利用k-Means聚类自动区分稳定喷雾数据与非喷雾数据及瞬态工况。这对于连续的工业监测尤为重要，因为在实际喷涂作业之前、期间间隙和之后也可能会记录测量数据。
随后，通过第二步聚类比较不同涂料成分的多维喷雾特征。
检测涂料与稀释剂成分的变化
实验中，在雾化器和测量系统运行参数保持不变的条件下，研究了涂料与稀释剂的不同混合物。
结果显示，在不同材料成分之间的24次比较中，有22次满足所定义的区分标准，约占所研究比较的92%。
同时，对相同成分的重复测量并未被明显区分开。
这些结果表明，材料成分的变化可以使多维液滴特征产生可测量的变化。
从设备监测到喷雾过程监测
对于工业涂装工艺而言，这种方法尤其值得关注，因为它评估的是实际喷雾，而不是仅依赖设备的名义设定值。
液滴数量、液滴粒径、速度和光学特性被综合评估，从而能够直接根据涂装过程中产生的喷雾评估工艺稳定性。
原则上，这也能检测到仅凭喷涂设备设定值无法推断出的变化。
迈向用于在线涂装过程监测的无监督AI
我们认为，这项工作是迈向只需极少应用专属配置的基于AI的在线过程监测的重要一步。
下一个目标是将该方法进一步发展为无监督AI方法，使其能够在喷涂过程中直接检测动态材料特性和涂料成分的变化。
此类方法可为连续的涂装过程监测提供支持，并提供有关喷雾实际状态和所施涂材料的更多信息。
出版物
Walter Schaefer; Dietrich Wolter: “Nasslackierprozesse mit KI überwachen – Ohne Training mit KI Veränderungen in der Lackzusammensetzung erkennen.” mo Magazin für Oberflächentechnik, Vol. 80, Issue 5/2026, September/October 2026, pp. 22–26.
