塗料組成の変化をスプレー内で直接検出
当社は最近、mo – Magazin für Oberflächentechnikの印刷版にて、塗料スプレーモニタリングおよび材料分析への人工知能（AI）の新たな応用を発表しました。
AKEMIのDietrich Wolter氏とともに、塗料組成の変化をスプレー雲内の液滴の特性から直接検出できるかどうかを調査しました。
中心となる考え方は、霧化圧力、空気圧、流量などの機械パラメータだけでなく、塗装プロセスの実際の結果、すなわち生成されたスプレーそのものを監視することです。
液滴特性に基づくAI塗料スプレーモニタリング
この目的のために、タイムシフト法に基づく光学的な単一液滴測定と教師なし機械学習を組み合わせています。
測定システムは、液滴数、液滴径、液滴速度、光学特性など、複数のスプレーおよび液滴の特性を記録します。これらのパラメータが組み合わさることで、スプレーの多次元的なフィンガープリントが形成されます。
この多次元的なアプローチにより、単一のプロセスパラメータだけを見ていては捉えられない変化を検出することが可能になります。
ラベル付き学習データを必要としない教師なし機械学習
このアプローチの重要な利点は、ユーザーがラベル付きの学習データを用意したり、アプリケーション固有のしきい値を事前に定義したりする必要がないことです。
まずk-Meansクラスタリングを用いて、安定したスプレーデータを非スプレーデータや過渡的な運転状態から自動的に区別します。これは、実際の噴霧作業の前後や合間にも測定データが記録される可能性がある、連続的な産業用モニタリングにおいて特に重要です。
次に、第2のクラスタリングステップを用いて、異なる塗料組成の多次元スプレーシグネチャを比較します。
塗料とシンナーの組成変化の検出
実験では、アトマイザーと測定システムの運転パラメータを一定に保ちながら、塗料とシンナーのさまざまな混合物を調べました。
その結果、異なる材料組成間の24回の比較のうち22回が、定義した分離基準を満たしました。これは調査した比較の約92%に相当します。
一方で、同一組成の繰り返し測定は明確には分離されませんでした。
これらの結果は、材料組成の変化が多次元の液滴シグネチャに測定可能な変化をもたらし得ることを示しています。
機械モニタリングからスプレープロセスモニタリングへ
このアプローチは、公称の機械設定だけに頼るのではなく実際のスプレーを評価するため、産業用塗装プロセスにとって特に興味深いものです。
液滴数、液滴径、速度、光学特性をまとめて評価します。これにより、塗装プロセス中に生成されるスプレーから直接プロセスの安定性を評価することができます。
原理的には、スプレー装置の設定値だけからは導き出せない変化を検出することも可能になります。
塗装プロセスのオンラインモニタリングに向けた教師なしAIへ
当社はこの研究を、アプリケーション固有の設定を最小限に抑えたAIベースのオンラインプロセスモニタリングに向けた重要な一歩と考えています。
次の目標は、このアプローチをさらに発展させ、噴霧プロセス中に動的な材料特性や塗料組成の変化を直接検出できる教師なしAI手法を実現することです。
このような手法は、塗装プロセスの連続モニタリングを支援し、スプレーおよび塗布される材料の実際の状態に関する追加情報を提供できる可能性があります。
論文
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, 2026年9月/10月, pp. 22–26.
