Otomotiv endüstrisi için bazkat boyada kalite özelliklerine yönelik makine öğrenimi uygulamaları

Abstract

Otomotiv endüstrisinde boya kaplamaları, yalnızca aracın estetik görünümünü ve rengini belirlemekle kalmayıp, aynı zamanda tüketici tercihlerini etkileyen önemli bir unsurdur. Otomotiv boyaları, genellikle yüksek otomasyonlu üretim hatlarında, sprey robotları ve konveyör sistemleri kullanılarak kaplamalar yapılmaktadır. Bu kaplamalardan beklenen temel kalite süreçleri; dış etkenlere karşı yüksek dayanım, renk kararlılığı ve yapışma direnci performansıdır. Bu bağlamda, kaplamalarda renk kararlılığı, görsel görünüm ve yapışma kalitesi kritik öneme sahiptir. Otomotiv boyaları; pigmentler (örneğin tinter, sedef ve alüminyum pasta), bağlayıcılar (reçineler), dolgu malzemeleri, katkı maddeleri ve çözücülerden (su bazlı veya solvent bazlı) oluşmaktadır. Uygulama sırasında kullanılan ekipman parametreleri ile boyahane ortam koşulları, kaplamanın hem renk değerleri hem de film kalınlığı ve yapışma dayanımı üzerinde doğrudan etki göstermektedir. Bu çalışma, otomotiv sanayisinde kullanılan Bell tipi boya robotlarının belirli parametreleri (akış hızı ve RPM) ile dış çevresel koşullar (boya viskozitesi, kabin sıcaklığı ve nem oranı) dikkate alınarak, bazkat boya kaplamalarının film kalınlığı, yapışma performansı, L*25° renk değeri ve yapışma testi görselleri üzerine etkilerini incelemeyi amaçlamaktadır. Bu parametrelerin etkileri, makine öğrenimi yöntemleri ile deneysel olarak analiz edilmiştir. Çalışmada, L25° renk değeri üzerine etkili parametrelerin öngörülmesinde doğrusal regresyon yöntemi kullanılmış ve MATLAB ortamında yapılan analizlerde; RMSE (Doğrulama): 0.68, MSE (Doğrulama): 0.46, R² (Doğrulama): 0.75 ve MAE (Doğrulama): 0.53 değerlerine ulaşılmıştır. Film kalınlığına göre yapışma testi sonuçlarının sınıflandırılmasında Quadratic SVM modeli ile %71,4 doğruluk oranı elde edilmiştir. Ayrıca, yapışma testi görselleri üzerinde yapılan sınıflandırmada Evrişimli Sinir Ağı (CNN) modeli kullanılarak ortalama %80,26 doğruluk oranına ulaşılmıştır. Elde edilen bulgular, bazkat kaplamalara yönelik uygulama parametrelerinin optimize edilmesiyle, film kalınlığı, yapışma direnci, renk doğruluğu ve görsel sınıflandırma açısından başarılı tahminler yapılabileceğini göstermektedir. Bu kapsamda, makine öğrenimi tabanlı yaklaşımlar, otomotiv boya uygulamalarında hem zaman hem de maliyet verimliliği sağlayan etkili bir alternatif sunmaktadır.In the automotive industry, paint is a crucial factor that not only defines the aesthetic appearance and color of the vehicle but also significantly influences consumer preferences. Automotive paints are typically applied on highly automated production lines using spray robots and conveyor systems. The key quality expectations from these coatings include high resistance to external factors, color stability, and strong adhesion performance. In this context, color consistency, surface appearance, and adhesion quality are of critical importance. Automotive paints consist of pigments (e.g., tinter, pearlescent and aluminum paste), binders (resins), fillers, additives, and solvents (either water-based or solvent-based). Equipment parameters and paint shop conditions during application have a direct impact on color values, film thickness, and adhesion strength of the coatings. This study aims to analyze the effects of selected parameters—such as flow rate and RPM of Bell-type spray robots, and external factors like paint viscosity, cabin temperature, and humidity—on the film thickness, adhesion performance, L*25° color value, and adhesion test images of basecoat paints. The effects of these parameters were experimentally analyzed using machine learning methods. Linear regression was used to predict L*25° values, and the analysis in MATLAB yielded the following performance metrics: RMSE (Validation): 0.68, MSE (Validation): 0.46, R² (Validation): 0.75, and MAE (Validation): 0.53. Adhesion test results, classified according to film thickness, achieved an accuracy rate of 71.4% using the Quadratic SVM model. Moreover, convolutional neural networks (CNN) applied to adhesion test images achieved an average classification accuracy of 80.26%. The findings indicate that by optimizing application parameters for basecoat coatings, it is possible to achieve effective predictions in terms of film thickness, adhesion resistance, color accuracy, and visual classification. In this respect, machine learning-based approaches offer an efficient and cost-effective alternative for automotive paint applications.