EV-Battery-Banner

Véhicules Électriques

Inspection des matériaux d'interface thermique

Vérifiez que les matériaux d'interface thermique sont correctement appliqués grâce aux solutions basées sur le Deep Learning

Cognex In-Sight D900 inspects the thermal interface materials on an EV battery cell

Produits connexes

In-Sight D900

In-Sight D900

Optimisé par le logiciel de vision basé sur le deep learning In-Sight ViDi

VisionPro ViDi Product Tile

VisionPro Deep Learning

Un environnement de programmation graphique pour l'analyse d'images industrielles basée sur le deep learning

Les batteries peuvent générer une chaleur importante qui doit être évacuée pour éviter tout dommage ou toute dégradation prématurée de leurs performances. Les matériaux d'interface thermique sont utilisés pour éloigner la chaleur de la batterie. De nombreux matériaux d'interface thermique ont également la fonction d'isolant électrique.

Les matériaux d'interface thermique doivent être appliqués de façon précise, en contact étroit avec les substrats. De nombreux défauts, notamment des bulles d'air, une mauvaise adhérence et des inclusions, peuvent réduire la conduction thermique et l'isolation électrique. L'inspection visuelle doit identifier une large gamme de défauts potentiels dans l'installation et l'application, qui concernent souvent des matériaux avec un mauvais contraste de couleurs. Une fois que la batterie assemblée passe à l'étape suivante, le matériau d'interface thermique est définitivement masqué et ne peut plus faire l'objet d'aucune inspection. Des erreurs à ce stade peuvent entraîner des problèmes difficiles à diagnostiquer plus loin sur la ligne.

Si la vision industrielle basée sur les règles peut détecter avec précision des problèmes prévisibles concernant les cordons, les écarts, la largeur d'installation et d'autres caractéristiques fréquentes, Cognex Deep Learning apprend à détecter un large éventail de problèmes d'installation avec tous les types de matériaux d'interface thermique. Si par la suite une batterie présente une défaillance, son mode de défaillance peut être rattaché à une image enregistrée spécifique du matériau d'interface thermique. Le modèle d'apprentissage basé sur le Deep Learning peut ainsi être affiné afin de détecter ces nouvelles erreurs à l'avenir.

Recommandés Cognex Produits

ACCÉDEZ AU SUPPORT ET AUX FORMATIONS POUR VOS PRODUITS ET BIEN PLUS

Rejoindre MyCognex

AVEZ-VOUS DES QUESTIONS ?

Les représentants de chez Cognex sont disponibles dans le monde entier pour soutenir votre vision et vos besoins de lecture de codes-barres industriels.

Contact commercial
Loading...