刘智楷 陈鸿欢 许东伟

摘 要：目前，在静电喷涂作业中，噴涂参数只能根据人工经验进行设置，使喷涂工件获得理想的涂膜厚度，但这种喷涂参数的设置方法缺乏科学性，严重依赖工人的喷涂经验，且无法保证涂膜厚度控制的准确性。针对上述问题，提出一种基于BP神经网络的静电喷涂涂膜厚度预测方法，构建了神经网络模型，开展了训练样本采集实验，完成了神经网络的训练，最后采用神经网络对不同喷涂参数下的涂膜厚度进行了预测，并开展了预测对比实验。结果表明，神经网络对涂膜厚度预测的准确率最高可达95%，平均误差为12%，最大误差为20%，能为喷涂参数的设置提供有效的科学依据。

关键词：静电喷涂;涂膜厚度预测;BP神经网络

中图分类号：TP181    文献标志码：A    文章编号：1671-0797（2022）10-0082-03

DOI：10.19514/j.cnki.cn32-1628/tm.2022.10.022

0    引言

静电喷涂因其具有绿色环保[1]、涂膜质量好、成品率较高、涂料再利用率高等优点[2]，被广泛应用于汽车、船舶、航天航空等领域。静电喷涂的工作原理是静电喷涂控制系统对喷枪电极施加负高电压，在喷枪与被涂工件间建立静电场，同时喷枪电极电离空气使粉末涂料带上负电荷[3]。带电涂料在流场和静电场的主要作用下均匀且牢固地沉积在喷涂工件表面。

在静电喷涂作业时，传统的涂膜厚度控制方法严重依赖人工经验，需要具备丰富喷涂经验的工人对喷涂参数进行设置，使喷涂工件获得理想的涂膜厚度。这种方法不仅会增加喷涂企业的用人成本，且无法保证涂膜厚度控制的准确性。

静电喷涂的涂料分布沉积是一个相当复杂的过程[4]。带电涂料受静电场、流场、离心力场以及靶场等多场耦合作用，最终沉积形成涂膜，因此很难准确推导出涂膜厚度的计算公式。

针对上述问题，本文提出了一种基于BP神经网络的静电喷涂涂膜厚度预测方法。通过BP神经网络预测出不同喷涂参数下的涂膜厚度，为喷涂参数的设置提供科学依据，降低喷涂企业的用人成本，提高涂膜厚度控制的准确性。

1    BP神经网络模型构建

反向传播（Back Propagation，BP）神经网络被证明具有良好的非线性函数逼近能力[5]，可用于逼近喷涂参数和涂膜厚度之间的非线性关系。

所构建的神经网络模型为三层全连接模型，包含输入层、隐含层和输出层，各层分别包含i、j、k个神经元节点。输入层的输入特征信息X包含静电电压x1、雾化流量x2和输出粉量x3，神经元个数i=3。输出层的输出特征信息Y包含涂膜厚度y1，神经元个数k=1。假设训练样本数为N，则输入特征信息X和输出特征信息Y如下式所示：

X= x1（1 ）  …   x3（1 ）■            ■x1（N ）  …  x3（N ）

Y=[y1（1 ）  …   y1（N ）]T

参考Kolmogorov定理并采用试凑法[6]，通过实验测得当隐含层神经元个数j=6时，神经网络模型具有较好的收敛效果。

由于神经网络的任务是回归预测，因此隐含层和输出层选择LeakyReLU作为激活函数，LeakyReLU函数式S（x）如下式所示：

S（x）=x，   x≥0，α·x，x<0

其中，参数α取0.01。

在神经网络训练过程中，采用下式均方误差MSE来衡量损失值：

MSE（y，■）=■

式中：N为训练样本数量;yi为训练样本值;■i为神经网络预测值。

采用随机梯度下降算法（SGD）对神经网络中各线性单元的权重ω和偏置量b进行更新。为了提高训练收敛速度和模型预测精度，在SGD算法中采用循环学习率（CyclicLR）来替代传统的固定学习率[7]。

如图1所示，在神经网络训练过程中，学习率根据步长在基础学习率和最大学习率之间循环变化。通过实验测得，当基础学习率设置为0.000 1，最大学习率设置为0.000 5，步长设置为20时，神经网络的收敛效果和预测精度较好。

构建的三层全连接神经网络模型如图2所示。

2    训练样本采集实验

在静电喷涂具有凹槽的工件时，由于法拉第笼屏蔽效应[8]，凹槽底部的涂膜厚度很难控制。为了进一步验证神经网络预测的有效性，采用带凹槽的实验喷涂工件如图3所示，工件长度为20 cm，宽度为15 cm，凹槽的深度为5 cm。

实验喷涂过程如图4所示，采用自研的静电喷涂控制系统进行训练样本采集实验，实验总共采集100组训练样本，每组训练样本包含静电电压、雾化流量、输出粉量和涂膜厚度。

为了增加训练样本的随机性，各喷涂参数在其常用范围内进行随机组合，喷涂参数取值范围如表1所示，静电喷涂工艺条件如表2所示。

待喷涂工件的涂膜固化完成后，在凹槽底部取9个测试点计算平均涂膜厚度，并记录到相应训练样本中。

3    神经网络模型训练

将采集的训练样本用于神经网络模型训练，训练过程中通过绘制不同迭代次数（epoch）下测量值和预测值之间的关系以及训练误差loss来观察神经网络的训练情况。如图5所示，当迭代次数达到60时，训练误差loss开始收敛，神经网络的训练基本完成。

4    神经网络预测对比实验

将训练好的神经網络模型移植到静电喷涂控制系统中，神经网络根据设置的静电电压、雾化流量和输出粉量预测出凹槽底部的涂膜厚度。

为验证神经网络对涂膜厚度预测的准确性，设计了10组喷涂对比实验，通过分析预测涂膜厚度和实际测量涂膜厚度之间的误差来标定预测准确率。

预测对比实验结果如表3所示，其中预测结果的准确率最高可达95%，平均误差为12%，最大误差为20%，通过增加训练样本数或增加训练次数，可进一步降低预测误差。

5    结语

本文针对静电喷涂作业时喷涂参数的设置缺乏科学依据，严重依赖人工经验，无法保证喷涂工件涂膜厚度控制准确率的问题，提出了一种基于BP神经网络的静电喷涂涂膜厚度预测方法;构建了三层全连接BP神经网络，开展了训练样本采集实验，完成了神经网络的训练，最后进行了神经网络预测对比实验。实验结果表明，预测结果的准确率最高可达95%，平均误差为12%，最大误差为20%。该方法可为喷涂参数的设置提供科学的参考。

[参考文献]

[1] 张志坤，李元明，张志宇，等.静电喷涂在专用汽车行业的应用研究[J].中国涂料，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] 黄玲，周绍鹏，周金伟.静电喷涂技术在白车身上的应用分析[J].汽车实用技术，2019（21）：211-213.

[4] 张淑珍，毛伟，甄晶博，等.静电喷涂涂层厚度分布模型的研究进展[J].表面技术，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，刘琳，王葆元.三层BP网隐层节点数确定方法的研究[J].武汉测绘科技大学学报，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] 高庆福，史中平.提高粉末涂料在静电喷涂中死角上粉率的工艺技术研究[J].涂料技术与文摘，2014，35（4）：36-39.

收稿日期：2022-03-07

作者简介：刘智楷（1996—），男，广东广州人，在读硕士研究生，研究方向：静电喷涂。