Vorhersage von Prozess- und Schichtcharakteristiken beim atmosphärischen Plasmaspritzen mittels statistischer Modelle und neuronaler Netze

Der Plasmaspritzprozess wird durch eine große Anzahl von Parametern und Störgrößen, von denen heute mehr als 200 bekannt sind, beeinflusst. Um eine hohe Prozessstabilität gewährleisten zu können, empfiehlt es sich den gesamten Prozess inklusive Partikelstrahl und Substratoberfläche zu kontrollieren. Im Rahmen dieser Arbeit wurde die Analyse umfangreicher Prozessdaten mittels neuronaler Netze untersucht und mit der etablierten Methode der statistischen Versuchsplanung verglichen. Es wurden als Schichtwerkstoffe Ni20Cr und Zirkondioxid untersucht. Die Prozessdaten umfassten neben den Anlagenparametern Charakteristiken des Partikelstrahls und der Substratoberflächentemperaturen. Die Partikeleigenschaften im Partikelstrahl wurden mit einer DPV-2000 gemessen. Die Ergebnisse zeigen, dass sich neuronale Netze hervorragend zur Vorhersage von Plasmaspritzprozess- und Schichteigenschaften eignen. Insbesondere für die Vorhersage der Schichtdicke, -härte, -porosität, -haftfestigkeit und des Sauerstoffgehaltes sind neuronale Netze besser als statistische Modelle geeignet. Zukünftig können auf neuronalen Netzen basierende Qualitätssicherungswerkzeuge und Prozessregler helfen, teure die Schicht zerstörende Analyseverfahren zu ersetzen.