Towards digital shadow in plasma spraying

Dokhanchi, Ali; Bergs, Thomas; Bobzin, Kirsten

doi:HT030370548

Towards digital shadow in plasma spraying = Auf dem Weg zum digitalen Schatten im Plasmaspritzen

Dokhanchi, Ali^RWTH*

2023

VerantwortlichkeitsangabeSeyed Ruhollah Dokhanchi

ImpressumDüren : Shaker Verlag 2023

Umfang1 Online-Ressource : Illustrationen, Diagramme

ISBN978-3-8440-9268-4

ReiheSchriftenreihe Oberflächentechnik ; 74

Dissertation, RWTH Aachen University, 2023

Druckausgabe: 2023. - Auch veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak04

Hauptberichter/Gutachter
Bobzin, Kirsten (Thesis advisor)^RWTH* ; Bergs, Thomas (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2023-08-08

Online
DOI: 10.18154/RWTH-2023-09800
URL: https://publications.rwth-aachen.de/record/971794/files/971794.pdf

Einrichtungen

Lehrstuhl für Oberflächentechnik im Maschinenbau (419010)

Projekte

Inhaltliche Beschreibung (Schlagwörter)
Künstliche Intelligenz (KI) (frei) ; adaptive neuro-fuzzy inference system (ANFIS) (frei) ; artificial intelligence (AI) (frei) ; digital shadow (frei) ; digital twin (frei) ; digitaler Schatten (frei) ; machine learning (ML) (frei) ; support vector machine (SVM) (frei) ; thermal spraying (frei) ; thermisches Spritzen (frei)

Thematische Einordnung (Klassifikation)
DDC: 620

Kurzfassung
Atmosphärisches Plasmaspritzen (APS) ist eine vielseitige Beschichtungstechnologie, die ein breites Spektrum an funktionellen Eigenschaften bietet. Der Auftragswirkungsgrad (DE) ist ein wichtiges Leistungsmerkmal des APS, das durch Dutzende von intrinsischen und extrinsischen Einflussfaktoren bestimmt wird. Aufgrund der nichtlinearen und komplizierten Wechselwirkungen zwischen den Einflussgrößen stellt die Verbesserung der DE eine große Herausforderung bei der Prozessentwicklung des APS dar. Daher ist der Einsatz eines Ensembles computergestützter Methoden unumgänglich, um diese Zusammenhänge in einer derart komplexen Beschichtungstechnologie zu verstehen und zu kontrollieren. Das Konzept des so genannten Digitalen Schattens kombiniert domänenspezifische Modelle mit datengetriebenen Techniken der Künstlichen Intelligenz (KI), die von autonomen Agenten abgeleitet werden, um ein hinreichend genaues Abbild des Produktionsprozesses einschließlich aller relevanten Daten zu erstellen. Diese Dissertation widmet sich der Entwicklung der primären Schritte in Richtung eines Digitalen Schattens im APS mit dem Hauptziel der Verbesserung der Prozesseffizienz. Moderne KI-Methoden, nämlich Support Vector Machine (SVM) und Adaptive Neuro-Fuzzy Inference System (ANFIS), wurden in dieser Arbeit verwendet, um DE vorherzusagen. Zu diesem Zweck wurden sowohl Simulations- als auch experimentelle Daten aus der gesamten Prozesskette des APS verwendet, um die KI-Modelle zu trainieren und sie im Rahmen eines Expertensystems zu kombinieren. Diese Daten umfassen Prozessparameter, Partikeleigenschaften und die DE auf dem Substrat. Das entwickelte Expertensystem besteht aus zwei Teilsystemen: A) Vorhersage der Partikeleigenschaften im Flug aus den Prozessparametern unter Verwendung der SVM-Technik und B) Vorhersage der DE aus den Partikeleigenschaften mittels ANFIS. Um das Problem der unzureichenden Daten für das Training der KI-Modelle zu lösen, wurden zwei Ansätze verfolgt: 1) Es wurde eine Methode zur In-situ-Bestimmung räumlich aufgelöster DE auf dem Substrat, nämlich Local Deposition Efficiency (LDE), entwickelt. 2) Simulationsdaten für die Partikeleigenschaften wurden durch die Verwendung der bereits am IOT entwickelten Simulationsmodelle des Plasmastrahls erzeugt. Die Kombination dieser beiden Strategien lieferte die aggregierten und zweckgebundenen Datensätze, die für einen Digitalen Schatten im APS benötigt werden. Das entwickelte Expertensystem kann als Werkzeug zur Anpassung der Prozessparameter verwendet werden, um nachhaltige und kosteneffiziente Beschichtungen zu erzeugen, und verbessert somit die Integration des Beschichtungsprozesses in die Produktionskette.

Atmospheric Plasma Spraying (APS) is a versatile coating technology, which offers a broad range of functional features. Deposition efficiency (DE) is a major performance measure in APS, which is determined by dozens of intrinsic and extrinsic influencing factors. Because of the nonlinear and complicated interdependencies of the contributing variables, enhancing DE has always been a challenging task in the process development of APS. Hence, employing an ensemble of computer-aided methods is inevitable to understand and control these correlations in such a complex coating technology. The concept of the so-called Digital Shadow combines domain-specific models with data-driven techniques of Artificial Intelligence (AI), inferred by autonomous agents to create a sufficiently accurate image of the production process including all relevant data. This dissertation is devoted to the development of the primary steps towards a Digital Shadow in APS with the ultimate goal of improving the process efficiency. Modern AI methods, namely Support Vector Machine (SVM) and Adaptive Neuro-Fuzzy Inference System (ANFIS), were used in this work to predict DE. For this purpose, both simulation and experimental data from the entire process chain of APS were employed to train the AI models, and combine them in the frame of an expert system. These data include process parameters, in-flight particle properties and DE on the substrate. The developed expert system consists of two subsystems: one for predicting in-flight particle properties from process parameters using SVM technique and another for predicting DE from particle properties using ANFIS. To tackle the problem of insufficient data for training the aforementioned AI models two approaches were pursued: 1) A method was developed for in situ determination of spatially resolved deposition efficiencies on the substrate, namely Local Deposition Efficiency (LDE). By using LDE, sufficient amount of data for learning algorithms could be generated, while providing that much data for ex situ measurements of global DE and their corresponding particle properties would be impractical. 2) Simulation data for the in-flight particle properties were generated by using the simulation models of the plasma jet already developed at IOT. The combination of these two strategies provided the aggregated and purpose driven data sets required for a Digital Shadow in APS. The developed expert system can be used as a tool to adjust the process parameters to produce sustainable and cost-effective coatings, and subsequently improves the integration of coating process into production chain.

OpenAccess:
PDF
(additional files)