Система визуального контроля покрытия электродов силовых батарей: сочетание точности, эффективности и интеллекта.

Введение: Ключевое звено в контроле качества

На фоне стремительного развития индустрии электромобилей силовые батареи, как ключевые компоненты, напрямую определяют дальность хода, безопасность и срок службы электромобилей. Нанесение покрытия на электроды является важнейшим этапом в производстве батарей, при этом качество покрытия напрямую влияет на плотность энергии батареи, срок службы и показатели безопасности. Традиционные методы ручной проверки больше не соответствуют строгим требованиям точности, эффективности и стабильности в современном крупномасштабном производстве. Поэтому технология машинного зрения стала незаменимым инструментом контроля качества в интеллектуальном производстве силовых батарей.

Проблемы, связанные с процессом нанесения покрытий и контролем качества.

Обзор процесса нанесения покрытия на электроды

Нанесение покрытия на электроды силовых батарей — это процесс равномерного нанесения суспензии, состоящей из смеси активных материалов, проводящих веществ и связующих, на поверхность металлического токосъемника (алюминиевой или медной фольги). Покрытие должно обеспечивать равномерную толщину, ровные края, отсутствие дефектов и соответствие плотности покрытия проектным требованиям. Типичные параметры процесса нанесения покрытия включают: ширину нанесения 100-300 мм, скорость нанесения 20-80 м/мин, толщину покрытия 80-200 мкм и точность контроля плотности покрытия в пределах ±1,5%.

Ограничения традиционных методов контроля

Традиционные методы контроля в основном основаны на ручном отборе проб и контактных измерительных приборах, которые имеют существенные недостатки:

1. Низкая частота выборки: обычно всего 1–5%, многие дефекты не удается обнаружить вовремя.

2. Высокая субъективность: непоследовательность в человеческих суждениях приводит к высокой вероятности пропуска обнаружения.

3. Низкая эффективность: Неспособность справляться с темпом высокоскоростных производственных линий (скорость современных линий нанесения покрытий может достигать 80 м/мин).

4. Риск повреждения: контактные измерения могут повредить поверхность электрода.

5. Пробелы в данных: Сложно обеспечить полную прослеживаемость данных о качестве всего процесса.

Основные преимущества контроля качества с помощью машинного зрения

Системы машинного зрения эффективно решают вышеуказанные проблемы посредством бесконтактного осмотра всей площади в режиме реального времени:

• 100% онлайн-контроль: Обеспечивает всесторонний контроль каждого электрода.

• Объективность и согласованность: стандартизированные алгоритмы исключают человеческую предвзятость.

• Высокая скорость: скорость контроля синхронизирована с производственной линией, исключая узкие места в скорости.

• Количественные данные: Формирование подробной статистики классификации дефектов и анализ тенденций качества.

Технические требования к системе визуального контроля

Классификация проверяемых элементов

Полная система визуального контроля качества электродных покрытий должна охватывать следующие ключевые показатели качества:

Контроль геометрических размеров:

• Отклонение ширины и положения покрытия (требуемая точность ±0,2 мм)

• Прямолинейность кромки покрытия (отклонение ≤1 мм/10 м)

• Четкость границы между покрытыми и непокрытыми участками

• Однородность толщины покрытия (косвенно посредством анализа изображений в оттенках серого)

Контроль дефектов поверхности:

• Макроскопические дефекты: отсутствие покрытия, царапины, пузырьки, складки, посторонние частицы, скопления, усадка по краям и т. д.

• Микроскопические дефекты: точечные отверстия, светлые пятна, темные пятна, полосы и т. д.

• Периодические дефекты: повторяющиеся дефекты, связанные с состоянием оборудования, такого как распылительная головка и задний валик.

Функциональная проверка:

• Равномерность плотности на единицу площади (рассчитывается с помощью модели корреляции между оттенками серого и толщиной изображения)

• Оценка степени высыхания покрытия (предотвращение пересушивания или неполного высыхания)

Требования к точности и скорости

Современные линии по производству силовых батарей предъявляют строгие технические требования к системам контроля качества:

• Точность контроля: Минимальная возможность обнаружения дефектов составляет 0,1 мм².

• Скорость контроля: синхронизирована с производственной линией, максимальная скорость обработки до 100 м/мин.

• Частота ложноположительных результатов: частота избыточного обнаружения <0,1%, частота недостаточного обнаружения <0,01%

• Время отклика: задержка от обнаружения до срабатывания сигнализации <100 мс

• Стабильность: Среднее время безотказной работы (MTBF) >2000 часов при непрерывной эксплуатации

Системная архитектура и ключевые технологии

Схема конфигурации оборудования

Типичная система визуального контроля покрытий использует архитектуру, основанную на взаимодействии нескольких камер:

Проектирование системы освещения:

• Прямое освещение: для определения текстуры поверхности и макроскопических дефектов.

• Подсветка: для обнаружения краев и выявления дефектов, влияющих на коэффициент пропускания.

• Коаксиальное освещение: для получения изображений отражающих поверхностей.

• Многоугольные источники света: устраняют тени и отражения.

Конфигурация системы визуализации:

• Высокоразрешающая линейная сканирующая камера: используется для непрерывного сканирования всего кадра, обычно с разрешением 8–16 тыс. пикселей.

• Камера с поверхностным сканированием: используется для локальной съемки высокого разрешения и анализа глубины.

• Инфракрасная камера: используется для мониторинга условий сушки и распределения температуры.

• 3D-контурная камера: используется для измерения толщины покрытия и плоскостности поверхности (опционально).

Блок обработки:

• ПК промышленного класса: оснащен высокопроизводительным графическим процессором для обработки изображений в реальном времени.

• Распределенная архитектура обработки: Несколько вычислительных узлов выполняют параллельные вычисления, распределяя вычислительную нагрузку.

• Специализированная плата захвата изображений: обеспечивает стабильную передачу высокоскоростных данных изображений.

Основные алгоритмические технологии

Методы предварительной обработки изображений:

• Коррекция неравномерности освещения: устраняет последствия неравномерного освещения.

• Фильтрация шума: адаптивная медианная фильтрация, вейвлет-шумоподавление и т. д.

• Улучшение изображения: растяжение контраста, выравнивание гистограммы.

Алгоритмы обнаружения дефектов:

1. Обнаружение на основе правил:

• Алгоритмы обнаружения границ (Канни, Собеля) для распознавания границ.

• Пороговая сегментация для разделения покрытых и непокрытых участков.

• 1. Морфологические операции (эрозия, расширение) для усиления дефектов

2. Обнаружение на основе машинного обучения:

• Извлечение признаков: текстурные признаки (LBP, GLCM), признаки формы, статистические признаки.

• Традиционные классификаторы: SVM, случайный лес для классификации дефектов

• Алгоритмы кластеризации для анализа структуры дефектов

3. Обнаружение на основе глубокого обучения:

• Архитектуры сверточных нейронных сетей (например, ResNet, варианты U-Net) для сквозного обнаружения дефектов.

• Нейронные сети обнаружения объектов (YOLO, Faster R-CNN) для локализации и классификации дефектов

• Генеративные состязательные сети (GAN) для расширения данных и обнаружения аномалий

Специальные алгоритмические модули:

• Субпиксельная локализация краев: точность до 0,1 пикселя.

• Метод фазовой корреляции: для анализа периодических дефектов в частотной области.

• Оптическое распознавание символов (OCR): для считывания идентификационных знаков, таких как номера партий и даты производства.

Проблемы и решения в процессе внедрения

Технические проблемы и меры противодействия

Визуализация поверхностей с высокой отражательной способностью:

• Проблема: высокая отражательная способность металлических поверхностей токосъёмников приводит к насыщенности изображения или низкой контрастности.

• Решения: Использование поляризованного освещения, многоугловых источников света и технологии HDR-изображения.

Размытие при высокоскоростном движении:

• Проблема: Высокоскоростная работа производственной линии приводит к размытию изображения.

• Решение: Использование камеры с глобальным затвором, короткой выдержки (на уровне микросекунд) и алгоритмов компенсации движения.

Сложные фоновые помехи:

• Проблема: Цвет суспензии похож на цвет фона, что приводит к низкой контрастности дефектов.

• Решение: Многоспектральная съемка, освещение на определенной длине волны и извлечение признаков с помощью глубокого обучения.

Образец с дефектом в виде зубца:

• Проблема: Количество нормальных образцов значительно превышает количество дефектных образцов, что затрудняет обучение модели.

• Решение: Методы расширения данных, обучение с учетом затрат и алгоритмы обучения с малым количеством примеров.

Экологическая адаптивность:

• Проблема: Вибрация, перепады температуры и воздействие пыли в рабочей среде.

• Решение: Конструкция, гасящая механические вибрации, система контроля температуры и периодическая автоматическая калибровка.

Системная интеграция и адаптация производственной линии:

Система визуального контроля требует глубокой интеграции с системой управления производственной линией:

• Интерфейс связи: Взаимодействие с ПЛК посредством промышленных протоколов, таких как Profinet и EtherCAT.

• Синхронный запуск: Использование синхронизации сигнала энкодера для обеспечения точного позиционирования при получении изображения.

• Интеграция с системой сортировки: результаты проверки передаются на сортировочное оборудование в режиме реального времени, что позволяет автоматически отбраковывать дефектную продукцию.

• Интеграция данных: соединение с системой MES для обеспечения полного отслеживания качественных данных.

Результаты практического применения и анализ ситуации

Пример применения ведущей компании по производству аккумуляторов

Эта компания внедрила полностью автоматизированную систему визуального контроля на своей линии суперпокрытия третьего поколения, добившись значительных результатов:

Конфигурация системы:

• 8 комплектов линейных камер 16K, покрывающих всю ширину покрытия

• 4 комплекта 5-мегапиксельных камер для повторного осмотра ключевых участков.

• Платформа обработки графического процессора NVIDIA Tesla T4

• Индивидуальная многоугольная светодиодная система освещения.

Показатели эффективности:

• Скорость проверки: 65 м/мин (синхронизирована с производственной линией)

• Уровень обнаружения дефектов: 99,7%

• Уровень ложноположительных результатов: 0,05 %.

• Минимальный размер дефекта: 0,08 мм².

• Доступность системы: 99,5%

Экономические преимущества:

• Потеря качества снижена на 42 %

• Затраты на ручную проверку снижены на 80 %.

• Количество жалоб клиентов снизилось на 65 %.

• Срок возврата инвестиций: 14 месяцев.

Типичные примеры обнаружения дефектов

1. Дефекты кромки покрытия: с помощью алгоритма субпиксельного извлечения кромки был обнаружен зазор 0,15 мм, что позволило избежать риска обрыва ленты в последующих процессах нарезки.

2. Периодические полосы: Периодические дефекты, связанные с царапинами на заднем ролике, были выявлены с помощью анализа преобразования Фурье, что обеспечивает раннее предупреждение для проведения технического обслуживания оборудования.

3. Микроскопические точечные отверстия: С помощью высокоточного локального сканирования были обнаружены точечные отверстия диаметром 0,2 мм, что предотвращает риск внутренних коротких замыканий в батарее.

4. Неравномерная сушка: Локальные отклонения температуры сушки были выявлены с помощью анализа инфракрасной тепловизионной съемки, что позволило своевременно скорректировать параметры сушки.

Тенденции и перспективы развития технологий

Интеллектуальное направление модернизации

Комплексное применение глубокого обучения:

• Самостоятельное обучение снижает зависимость от маркировки.

• Перенос знаний позволяет адаптироваться к различным производственным линиям и материалам.

• Федеративное обучение обеспечивает совместную оптимизацию на нескольких заводах, гарантируя при этом конфиденциальность данных.

Мультимодальное слияние данных:

• Корреляционный анализ между визуальными данными и параметрами процесса (температура, скорость, вязкость)

• Обратная проверка данных, полученных в ходе онлайн-обнаружения и в офлайн-лаборатории, с обратной связью.

• Прослеживаемость данных о качестве на всех этапах процесса (нанесение покрытия, прокатка, резка).

Прогнозирующий контроль качества:

• Прогнозирование тенденций качества на основе временных рядов

• Анализ первопричин дефектов и предложения по оптимизации параметров процесса.

• Мониторинг состояния оборудования и профилактическое техническое обслуживание

Передовые технологии контроля

Популяризация технологии 3D-зрения:

• Лазерная триангуляция позволяет напрямую измерять толщину покрытия.

• Интерферометр белого света для анализа шероховатости поверхности

• 3D-сканирование с использованием структурированного света для оценки гладкости покрытия

Высокоскоростная и высокоточная визуализация:

• Камеры TDI (интеграция с временной задержкой) улучшают соотношение сигнал/шум.

• Камеры для регистрации событий уменьшают избыточность данных и повышают эффективность обработки.

• Технология вычислительной визуализации преодолевает традиционные оптические ограничения.

Облачное сотрудничество и цифровые двойники:

• Непрерывное обучение и обновление облачных моделей

• Цифровые двойники производственной линии позволяют осуществлять виртуальную отладку и оптимизацию.

• Межрегиональный, межзаводский сравнительный анализ и оценка качества

Заключение

Технология визуального контроля покрытия электродов силовых батарей прошла путь от простого выявления дефектов на ранних этапах до комплексной интеллектуальной системы контроля качества. В условиях продолжающегося расширения рынка электромобилей и постоянно растущих требований к характеристикам батарей, системы визуального контроля будут развиваться в направлении повышения точности, скорости и интеллектуальности. Системы контроля будущего станут не только «глазами» контроля качества, но и «мозгом» оптимизации процессов. Благодаря непрерывному совершенствованию на основе данных, они помогут производству силовых батарей достичь более высокой стабильности качества, эффективности производства и контроля затрат, обеспечивая надежную технологическую гарантию здорового развития индустрии электромобилей.

Благодаря глубокой интеграции искусственного интеллекта, интернета вещей и технологий цифровых двойников, системы визуального контроля покрытий станут одним из ключевых компонентов интеллектуального производства аккумуляторов, продвигая всю отрасль к Индустрии 4.0. Для производителей аккумуляторов инвестиции в передовые системы визуального контроля являются не только необходимым средством повышения качества продукции, но и стратегическим выбором для повышения конкурентоспособности и достижения устойчивого развития.