塗装工程の実態を可視化。

塗装の挙動が時間とともにどう変化するかを継続的に検証します。すべてのパターンをゴールデンスタンダードと比較し、塗装機の性能をベンチマークして、不良につながる前に生産全体のばらつきを低減します。

• 動的な塗着挙動
• 塗装機の再現性
• パターンの一貫性
• ロボット間のばらつき
• 塗着効率の挙動
• 工程のドリフト

塗装機を静止させた状態で塗装したパターンを分析します。サイズ、形状、体積を客観的に測定するため、塗装機単体の性能を正確に把握できます。

• サイズ、形状、体積
• 基準パターンとの比較

ロボットが実際に塗装するのと同じように、動作中に塗装したパターンを分析します。膜厚プロファイル、幅、面積とあわせて並べて比較できます。

• パターンの並列比較
• パターン全体の膜厚プロファイル

現在の塗装で実際にどの程度の塗着効率が得られているかを正確に測定します。そのうえで、必要な塗装品質を維持しながら塗着効率を高める設定を見つけ出します。

不良がボディに到達する前に、その発生源を特定します。ソフトウェアがスキャン画像上で異物、ゴミ、液滴を直接ハイライトし、液滴の分布を定量化します。

• 異物の検出
• 液滴のサイズと密度
• 拡大領域の統計

テストフィルムをボディに貼り付け、ライン上で塗装してスキャンします。数点のスポット測定ではなく、実部品の表面全体の膜厚マップが得られます。

ボディ上でマッピングした膜厚範囲

5–15 µm

生産全体にわたって、塗装機の状態、パターン指標、トレンドを追跡します。どの塗装機が安定しているか、ばらつきがどこから生じているか、何を優先して是正すべきかをチームで把握できます。

• 安定している塗装機
• ばらつきの発生源
• 工程がドリフトしているタイミング
• 塗料が無駄になっている箇所

お客様のラインでデータセットを収集し、パターンをデジタル化して、ニューラルネットワークに学習させます。その結果得られるアトマイザー挙動モデルが、3Dシミュレーションとブラシ最適化を支えます。

膜厚の精度

± 1 µm

• データセットの収集
• パターンのデジタル化
• ニューラルネットワーク
• アトマイザー挙動モデル

予測可能なシミュレーションには、予測可能な塗装挙動が欠かせません。再現性分析モジュールは、信頼できるデジタルツインと予測モデルを生成できるだけ工程が安定しているかを検証します。

シェーピングエア、吐出量、ベル回転数を変更すると、ボディ全体の膜厚への影響をすぐに確認できます。

塗料の総消費量と層ごとの最大膜厚をシミュレーションし、より少ない塗料で目標膜厚に到達できる設定を見つけ出します。

実際のフードで測定した膜厚を、16の測定点でSprayBrushのシミュレーションと比較しました。

シミュレーションと実測の平均膜厚一致率

98 %

ロボットの実際の軌道に沿ってシミュレーションした膜厚マップです。塗料が積み重なる過程をタイムライン上でステップごとに再生し、重なりや塗装不足の箇所をひと目で把握できます。

• ロボットの動きを正確に再現
• 塗料の重なりと隙間を明確に表示
• 膜厚形成をタイムラインで再生

シミュレーションを層ごと、ロボットごとに分割します。個々の層の表示をオン／オフして、各層が最終的な膜厚にどう寄与しているかを確認できます。

軌道上のポイントを移動したり速度を変更したりすると、SprayBrushが部品上の膜厚をリアルタイムで再計算します。

軌道を速度で色分けし、ロボットが減速・加速している箇所と、それが膜厚分布にどう表れるかを確認できます。

新しいアトマイザーへの移行では通常、すべてのパラメータを再調整し、色ごとに軌道を修正する必要があります。SprayBrushはデジタルアトマイザーモデルを用いて既存のブラシテーブルを新しいアトマイザー向けに変換するため、軌道の再プログラミングは不要です。

Magna Liberecで65色・2,700パラメータを移行するのに要した期間

3日間