Prüfung der Elektromotorwicklung
Durch Erkennen möglicher Windungsfehler mit Deep-Learning-Lösungen ineffiziente Motoren verhindern
Ähnliche Produkte
Ausgestattet mit der In-Sight ViDi Deep-Learning-basierten Bildverarbeitungssoftware
Grafische Programmierumgebung für Deep Learning-basierte industrielle Bildanalyse
In einem Elektromotor ist isolierter Kupferdraht um einen Kern gewickelt, um elektromagnetische Energie zu erzeugen oder aufzunehmen, wobei diese Energie durch Induktion an eine andere Spule weitergeleitet wird. Solche Spulen befinden sich auch in Wandlern. Diese Spulen werden von einer Maschine schnell gewickelt.
Die Wicklungen in Motoren von Elektrofahrzeugen (EV) sind extrem dicht. Jegliche Ungenauigkeit bei deren Wicklung kann sich negativ auf die Motoreffizienz auswirken. Angesichts der großen Anzahl von Windungen, die in einen engen Raum hineingepackt sind, können selbst kleine, aber schwer zu erkennende Windungsfehler erhebliche Folgen haben. Der Windungsfehler kann winzig sein und überall an den vielen sichtbaren Drähten auftreten.
Es gibt keine effiziente Art, ein regelbasiertes Bildverarbeitungssystem so zu kodieren, dass es alle möglichen Windungsfehler überall in der Spule abdeckt. Die menschliche Prüfung ist zur Erkennung so winziger Fehler auf einem komplexen Bild ebenfalls nicht geeignet.
Cognex Deep Learning verwendet eine Farbkamera und verifiziert damit genau, ob der Windungsvorgang fehlerfrei durchgeführt wurde. Das Defekterkennungs-Tool lernt mit einem Satz von Trainingsbildern, die aus fehlerfreien Windungen und gekennzeichneten Bildern mit vielen Überlappungen, falschen Positionierungen, Überschneidungen und anderen möglichen Fehlern an verschiedenen Stellen bestehen.
