Prüfung des Wärmeleitmaterials
Mit Deep-Learning-Lösungen sicherstellen, dass das Wärmeleitmaterial korrekt aufgebracht wurde
Ähnliche Produkte
Ausgestattet mit der In-Sight ViDi Deep-Learning-basierten Bildverarbeitungssoftware
Grafische Programmierumgebung für Deep Learning-basierte industrielle Bildanalyse
Batterien können viel Wärme erzeugen, die abgeführt werden muss, um Batterieschäden oder einen vorzeitigen Leistungsabfall zu verhindern. Wärmeleitmaterial wird verwendet, um die Wärme von der Batterie abzuleiten. Viele Wärmeleitmaterialien haben auch die gleichermaßen wichtige Funktion der elektrischen Isolierung.
Wärmeleitmaterialien müssen korrekt angebracht werden, mit engem Kontakt zwischen den Substraten. Viele Fehler, wie Luftblasen, schlechte Haftung und Einschlüsse können sowohl die Wärmeleitfähigkeit als auch die elektrische Isolierung verringern. Beim Einbau und der Anwendung müssen visuelle Inspektionen viele mögliche Fehler erkennen, wobei oft Materialien mit geringem Farbkontrast betroffen sind. Wenn der nächste Schritt der Batteriemontage erfolgt, wird das Wärmeleitmaterial dauerhaft verdeckt und ist für eine weitere Prüfung nicht mehr zugänglich. Fehler in dieser Phase können zu später schwer diagnostizierbaren Problemen führen.
Während regelbasierte Bildverarbeitung erwartete Probleme mit Wülsten, Rissen, der Einbaubreite und anderen häufigen Merkmalen genau erkennen kann, lernt Cognex Deep Learning ein deutlich breiteres Spektrum an Installationsproblemen bei jeder Art von Wärmeleitmaterial zu erkennen. Sollte eine Batterie später ausfallen, kann ihre Fehlerart mit einem bestimmten gespeicherten Bild des Wärmeleitmaterials verknüpft werden. So lässt sich das Deep-Learning-Lernmodell weiter verfeinern, damit es diese neuen Fehler erkennt.
