高铁涂装是高铁生产制造中的重要工艺,其表面喷涂质量的好坏决定了高铁车体的寿命和性能。由于车体本身体积庞大且对喷涂质量要求高,目前国内的白车身喷涂车间主要由人工来完成,在喷涂工艺环节和喷涂质量的控制方面还大多依赖于工人的经验和熟练程度。机器人喷涂因其低成本、高灵活性越发受到各大厂商的青睐,但是对于喷涂工艺过程研究的不成熟导致了喷涂质量常常难以控制,这也是阻碍其广泛应用的原因所在。因此为了提高喷涂效率以及实现对喷涂工艺过程的精确控制,本文在传统的厚度建模方法的基础上,考虑了工艺参数的影响,建立多变量涂层厚度累积模型以及研究了各个参数与膜厚的变化规律。再进一步地,利用机器学习建立了厚度预测模型,实现了喷涂工艺过程的膜厚精确预测。以下为本文的研究工作:建立了一种基于椭圆双高斯和模型的多变量涂层累积厚度模型。从传统的无参数静态厚度分布模型出发,研究了单通道和多通道轨迹动态涂层累积厚度模型。通过分析常见的喷涂工艺方式及喷涂质量的影响因素,以此进行多参数喷涂工艺建模,并根据实验数据结果拟合出了各个影响因素与膜厚的相应规律。实验结果表明,所提出的模型能够很好的反映膜厚的分布规律,具有一定的普适性。提出了一种基于机器学习算法的机器人喷涂膜厚预测方法。先用K折交叉验证法优化模型中的超参数,再对数据集进行训练。为了验证膜厚预测的准确性,对比分析了GBDT、XGBoost、LightGBM、SVM等几种算法的预测效果,结果表明XGBR模型的预测值和真实值基本吻合,其解释方差、平均绝对误差百分比、可决系数R~2分别达到了0.99、0.02和0.98,能够满足膜厚的预测要求。搭建了机器人喷涂工艺实验平台,设计了喷涂工艺试验方案,并对所提出的椭圆双高斯和模型中的待定参数以及多参数累积涂层厚度分布模型中的参数进行了求解,然后通过静态喷涂和动态喷涂实验验证了所求参数的准确性,最后对喷涂间距进行了优化,保证了喷涂涂层的均匀性和一致性要求。