Defekterkennung auf Batteriegittern
Trenngitter vor dem Einbau auf Fehler prüfen
Ähnliche Produkte
Grafische Programmierumgebung für Deep Learning-basierte industrielle Bildanalyse
Ausgestattet mit der In-Sight ViDi Deep-Learning-basierten Bildverarbeitungssoftware
In Elektrofahrzeugen (EV), Netzspeichern und Industrieanwendungen verwendete großformatige, wiederaufladbare NiCd-Batterien bestehen aus Blöcken mit mehreren Batteriezellen. Jede Batteriezelle besteht aus Anoden- und Kathodenplatten, die durch Gitter oder Netze, welche die ungehinderte Elektrolytumwälzung in der gesamten Zelle zulassen, voneinander getrennt sind. Nach ihrer Versiegelung können solche Batterien jahrelang wartungsfrei arbeiten.
Die Trenngitter sind zur Aufrechterhaltung der Lebensdauer der Batterie unverzichtbar. Biegungen, Lücken und andere Fehler in einem Gitter führen zu geringerer elektrischer Trennung zwischen den Platten, elektrischen Verlusten und kürzerer Lebensdauer der Batterie. Die Gitter- oder Netzoberflächen sind komplex und empfindlich. Mängel durch die Fertigung und Handhabung können klein sein, sehr verschieden aussehen und sich an jeder beliebigen Stelle der gesamten komplexen Gitteroberfläche befinden. Mit herkömmlicher industrieller Bildverarbeitung können solche willkürlich angeordneten Fehler kaum zuverlässig entdeckt werden.
Sobald eine einzelne Zelle vor dem Einbau in die Batterie versiegelt wurde, kann sie nicht mehr geprüft werden. Wenn bei der Endkontrolle ein geringeres Vermögen zur Aufrechterhaltung der vollständigen Ladung entdeckt wird, muss die gesamte Batterie ausgesondert werden.
Cognex Deep Learning stellt sicher, dass Batteriegitter vor dem Einbau fehlerfrei sind. Das Defekterkennungstool lernt das Erscheinungsbild eines fehlerfreien Batteriegitters anhand eines kleinen Bildsatzes annehmbarer Trenngitter. Anschließend erkennt das Tool sogar kleine Fehler in einem Batteriegitter, ungeachtet von Größe, Erscheinungsbild oder Position, und sortiert Gitter mit beliebigen Anomalien aus.
Bei einer Änderung der Ausführung oder des Musters des Batteriegitters wird Cognex Deep Learning anhand von Bildern der neuen Ausführung in wenigen Minuten erneut trainiert und ist ohne Programmierung für die Prüfung der neuen Ausführung wieder auf der Linie einsetzbar.
