Использование КТ для обнаружения дефектов литий-ионных аккумуляторов

Хотя КТ-анализ не может выявить электрохимию внутри клетки, он может пролить свет на «механические» внутренние механизмы. Температурный выход из строя (внутренний пожар) может иметь механические причины. И наоборот, электрохимические процессы могут изменять механические условия. Идеи, которые может внести CT, все чаще используются исследовательскими учреждениями и производителями аккумуляторов. Как геометрические измерения, так и испытания материалов теперь возможны с помощью передового программного обеспечения.

Мониторинг перекрытия анодов

Начиная с исследований и разработок, анализ данных КТ может помочь испытать прототипы на предмет их оптимальной конструкции. Расстояние между стенками, уплотнения и допуски, распределение химических ячеек и корпус можно зафиксировать и проверить качество на предмет их роли в надежности и расчетной электрической мощности. Далее, из-за очень сложного процесса производства этих батарей анализ на основе компьютерной томографии имеет смысл во время производства, например, для удаления дефектных компонентов из технологической цепочки на ранней стадии.

С помощью КТ-сканера высокого разрешения становятся видны неровности слоев электродных пакетов. Расслоение является типичным явлением, так же как и локализованные инородные частицы, такие как остатки в результате процесса резки и сварки во время сборки батареи. Посторонние частицы могут вызвать короткое замыкание.

Важным внутренним размером, который необходимо контролировать во время производства, является перекрытие анодов. Анод всегда имеет такие размеры, чтобы он перекрывал катод. Это необходимо для предотвращения литиевого покрытия и возможного повреждения элемента. Литиевое покрытие означает, что чистый Li осаждается на аноде; тогда он больше не пригоден для образования ионов. Но постоянный выступ анода требует высокой точности изготовления. Он определяется производителем и может быть проверен с помощью программного обеспечения для анализа компьютерной томографии. Наконец, инженеры могут использовать компьютерную технику для проверки и криминалистической экспертизы на этапе послепродажного обслуживания, чтобы определить причину сбоя устройства.

Искусственный интеллект обнаруживает дефекты

При исследовании батарей с помощью компьютерной томографии инженеры по качеству сталкиваются с проблемой: интересные структуры на полутоновых изображениях, полученных с помощью компьютерного томографа, часто имеют очень низкий контраст. Это связано с разницей в низкой плотности некоторых материалов. Кроме того, пленки и покрытия корпусов ячеек очень тонкие и плотно прилегают друг к другу. Иногда бывает сложно определить, какие неровности можно интерпретировать как дефекты, рассеянное излучение или артефакты.

Центральный вопрос: какой воксель является дефектным, а какой нет? (Воксель - это наименьший трехмерный элемент в модели КТ, аналогичный пикселям в двухмерных изображениях.) Даже опытные инженеры по качеству приходят к разным интерпретациям. Единственное, что им остается сделать, - это соответствующим образом настроить или изменить параметры сканирования своей системы и, при необходимости, обратить особое внимание на определенные области интереса (ROI). Это традиционный подход, но у него есть свои недостатки. Это зависит от оператора и, следовательно, индивидуально, но требует дополнительного времени, которое нужно добавить ко времени сканирования.

Поскольку иногда филигранные структуры внутренней части ячейки требуют сканеров с высоким разрешением и, следовательно, длительного времени сканирования, все быстро становится трудным, особенно когда сопутствующие проверки случайных выборок должны проводиться в течение определенного времени цикла. В таких случаях искусственный интеллект (ИИ) и его подмножество глубокого обучения оказываются особенно эффективными, особенно при исследовании литых металлических деталей, где необходимо выполнять аналогичные задачи, как в случае аккумуляторных элементов.

Применение глубокого обучения / нейронных сетей (NN) для обнаружения дефектов на основе компьютерной томографии обеспечивает очень точные и быстрые результаты. Для того, чтобы это произошло, сети требуется что-то вроде памяти; он должен быть «обучен» данными о дефектах. Но откуда эти данные? В основном есть два способа его создания: во-первых, моделирование данных искусственных дефектов на основе модели реальных дефектов. Для этой цели доступно специальное программное обеспечение, и таким образом можно имитировать физические эффекты, возникающие во время сканирования. В результате получается искусственный, но точный пул данных. Во-вторых, данные о дефектах также могут быть получены из реальных компонентов. В этом случае дефекты необходимо обнаруживать вручную. Такой подход требует большего количества реальных объектов.

Выбор наиболее подходящего метода следует выбирать в каждом конкретном случае. Заказчики могут заказать создание индивидуальных программ NN. Здесь алгоритмы разработаны так, чтобы точно соответствовать их проблеме. При необходимости разработчики могут предоставить определенное количество ячеек батареи, как неповрежденных, так и содержащих критические неисправности, для уточнения анализа.

Когда применяется обученная NN, неровности реальных сканирований сравниваются с данными о дефектах «в памяти». Затем NN выявляет сходства. Он достоверно отвечает на вопрос, что такое дефектный воксель, а что нет. Преимущество для серийного контроля деталей: метод также очень точен при более низких разрешениях, как это происходит в случае более короткого времени сканирования. Это также может позволить в долгосрочной перспективе проводить оперативную проверку аккумуляторных элементов.

Программное обеспечение для анализа КТ - это экономящий время инструмент критического качества с подтвержденной историей успеха от НИОКР до производственного контроля.