Prüfung der Kappenschweißung
Bewertung der bei geringer Temperatur geschweißten Batteriezellen mit Deep-Learning-Lösungen
Ähnliche Produkte
Ausgestattet mit der In-Sight ViDi Deep-Learning-basierten Bildverarbeitungssoftware
Grafische Programmierumgebung für Deep Learning-basierte industrielle Bildanalyse
Eine schlecht gefertigte Batteriezelle verringert die Effizienz, schafft eine ungleichmäßige Lastverteilung zwischen den Zellen, was das Batteriemanagement erschwert, und verkürzt die Lebensdauer des Batteriepakets insgesamt. Fehler bei der Herstellung von Zellen können nach deren Verbindung zu Modulen und Paketen nur schwer behoben werden.
Nachdem die Elektroden und der Separator im Gehäuse einer zylindrischen Zelle zusammengepackt wurden und diese mit Elektrolyt befüllt wurde, wird das Gehäuse mit einer Kappe verschlossen. Um eine Beschädigung der empfindlichen elektrischen Teile im Gehäuse zu verhindern, ist eine Schweißmethode mit geringer Temperatur, üblicherweise mittels Laser, erforderlich. Solche Schweißungen müssen präzise durchgeführt werden, um eine sichere Dichtung rund um die Kappe sicherzustellen. Die Schweißnähte müssen die Überprüfung bestanden haben, bevor die Zelle in einem Batteriemodul oder als einzelne Zelle verwendet wird. Jegliches Auslaufen von Elektrolyt durch eine fehlerhafte Schweißnaht verringert die Effizienz der Zelle und könnte zu Kurzschlüssen in der Batterie führen.
Eine richtige Bewertung der Kappenschweißungen ist für die Funktionsfähigkeit und Lebensdauer der gesamten Batterie von großer Bedeutung. Alle diese Schweißungen können deutlich in ihrem Aussehen variieren und eine Bandbreite an Fehlern aufweisen, aber auch große Abweichungen, welche die Leistung nicht beeinträchtigen. Es ist fast unmöglich, mit einem herkömmlichen Bildverarbeitungssystem unterschiedliches Aussehen von funktionell signifikanten Abweichungen zu unterscheiden, da sich ihr Erscheinungsbild überschneidet.
Die Deep-Learning-Defekterkennungs- und Klassifizierungstools von Cognex werden anhand vielfältiger Schweißvariationen geschult. Das System ‚lernt‘ dann, die verschiedenen Fehlertypen trotz Abweichungen der Objekte und Schweißnähte genau zu klassifizieren und zu unterscheiden.
