Bis ein Kraftfahrzeug seine ersten Kilometer auf der Straße absolviert, ist eine enorme Anzahl an Produktionsschritten erforderlich. Vom Blinkerglas mit Kosten im Cent-Bereich bis hin zum Antriebsaggregat, das den Gesamtpreis wesentlich mitbestimmt, muss jede einzelne Komponente fehlerfrei sein und korrekt eingebaut werden. Somit werden Reklamationen vermieden und die Ansprüche der Kunden erfüllt. Dies gilt für alle Fahrzeuge, ganz gleich, ob sie mit Elektroantrieb oder Verbrennungsmotor ausgestattet sind. Elektrofahrzeuge erfordern jedoch vor allem für die Fertigung ihrer Batterie spezielle Prozesse bei der Qualitätsprüfung. Bildverarbeitungssysteme auf Basis künstlicher Intelligenz stellen dafür wirtschaftliche Lösungen bereit, wie die folgenden Beispiele zeigen.

Prüfung der Kappenschweißung

Der wesentliche Kern eines Elektrofahrzeugs ist seine Batteriezelle. Ist ihre Qualität nicht perfekt, so verringert sich zum einen ihre Effizienz, zum anderen führt eine ungleichmäßige Lastverteilung zwischen den Zellen zu einem erschwerten Batteriemanagement. Beides verkürzt die Lebensdauer des Batteriepakets.

Problematisch bei der Herstellung von Batteriezellen ist, dass sich Fehler nach deren Verbindung zu Modulen und Paketen nur noch schwer beheben lassen. Nachdem die Elektroden und Separatoren im Gehäuse einer zylindrischen oder prismatischen Zelle zusammengepackt wurden, wird das Gehäuse mit einer Kappe verschlossen. Um eine Beschädigung der empfindlichen elektrischen Teile im Gehäuse-Inneren zu verhindern, ist eine Schweißmethode mit niedriger Temperatur erforderlich. Solche Schweißungen werden üblicherweise mittels eines Lasers vorgenommen und müssen äußerst präzise durchgeführt werden, um eine sichere Dichtung rund um die Kappe zu garantieren. Die Schweißnähte müssen eine Überprüfung bestehen, 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 Beurteilung der Kappenschweißungen ist daher für die Funktionsfähigkeit und Lebensdauer der gesamten Batterie von großer Bedeutung.

Die Rolle der Bildverarbeitung

Die intelligenten Kameras der ‚In-Sight D900‘-Serie von Cognex verfügen über eingebettete Deep Learning-Prüffunktionen, die eine sichere Unterscheidung von echten Beschichtungsdefekten mit nicht annehmbaren Fehlern und akzeptablen Abweichungen erlauben.

© Cognex

Aus Sicht der Bildverarbeitung stellt diese Aufgabe eine Herausforderung dar: Die Schweißungen können in ihrem Aussehen deutlich variieren und eine Bandbreite an Fehlern aufweisen, andererseits können bestimmte und eventuell sogar große Abweichungen auftreten, die die Leistung nicht beeinträchtigen. Mit einem herkömmlichen Bildverarbeitungssystem ist es fast unmöglich, unterschiedliches Aussehen von funktionell signifikanten Abweichungen zu unterscheiden, da sich deren Erscheinungsbilder überschneiden. Eine Lösung für dieses Problem bieten die Deep-Learning-Defekterkennungs- und Klassifizierungstools von Cognex. Sie werden anhand vielfältiger Schweißvariationen trainiert und lernen auf diese Weise, die verschiedenen Fehlertypen trotz Abweichungen der Objekte und Schweißnähte genau zu klassifizieren und zu unterscheiden.

Inspektion der Dosieröffnung

Nach der Verschweißung und Prüfung der oberen Kappe einer Batteriezelle wird diese mit einem flüssigen Elektrolyt gefüllt, das die Elektronen in der Batterie leitet. Nach Abschluss der Füllung wird das dafür benötigte Dosierloch zugeschweißt. Wegen der Gefahr eines Hitzeschadens an der Anode, der Kathode und am Elektrolyt erfolgt auch dieser Schritt durch eine Laserschweißung bei niedriger Temperatur.

Ein elektrischer Test der gefüllten und versiegelten Zelle könnte eventuelle Probleme sichtbar machen, bevor die Zelle in ein Modul eingebaut wird, jedoch ist diese Methode nicht zu hundert Prozent zuverlässig. Da das Aussehen der Schweißnähte auch in diesem Fall stark variieren kann und Abweichungen zu inakzeptablen Funktionseinbußen führen können, kommen die Tools auf Deep-Learning-Basis von Cognex zum Einsatz, die funktionelle Fehler von rein kosmetischen sicher unterscheiden.

Prüfung der Batterieoberfläche

Im nächsten Prozessschritt werden die Batteriezellen mit einer dauerhaften Beschichtung geschützt. Diese kann jedoch Fehler aufweisen – zum Beispiel Blasen und Einschlüsse unter der Beschichtung, Kratzer in der Beschichtung oder einen unzulänglichen Auftrag der Beschichtung selbst. Sind fehlerhafte Zellen in einem Batteriemodul dicht angeordnet, können mehrere Faktoren zu einem elektrischen Kurzschluss oder zu einer Überhitzung führen, etwa wenn die Zellen zu nahe aneinander liegen, die Ladung der einzelnen Zellen nicht korrekt ist, die von den Zellen erzeugte Wärme zu hoch wird oder der Kontakt mit dem Wärmeleitmaterial nicht ausreicht.

Eine Überprüfung, ob diese Beschichtungen geringfügige Fehler ohne Funktionsbeeinträchtigung aufweisen, oder ob scheinbar kleine Kratzer unsichere oder unbrauchbare Batteriezellen zur Folge haben, ist mit herkömmlichen Bildverarbeitungsalgorithmen kaum sicher zu leisten. Abhilfe können hier ausgefeiltere Bildverarbeitungssysteme schaffen, wie intelligente Kameras der ‚In-Sight D900‘-Serie von Cognex, bei denen Deep Learning-Prüffunktionen in das Bildverarbeitungssystem eingebettet sind. Dieses System wird anhand eines Bildsatzes von sowohl guten als auch fehlerhaften Oberflächen trainiert. Das Deep Learning-Defekterkennungstool lernt anhand dieser Trainingsbilder, Oberflächen zu erkennen und innerhalb der annehmbaren Bandbreite von Abweichungen zu akzeptieren sowie jene mit nicht annehmbaren Fehlern zu markieren. Dabei berücksichtigt es natürliche Abweichungen im Bild wie zum Beispiel Lichtreflexionen.

Sichere Produktionsprozesse

Der Autor: Peter Stiefenhöfer ist Gründer von PS Marcom Services in Olching.

© Cognex

Die genannten Beispiele zeigen einen kleinen Ausschnitt an Anwendungen aus der Herstellung von Elektrofahrzeugen, bei denen Bildverarbeitung in Verbindung mit Deep Learning zu sicheren Produktionsprozessen beitragen kann. Weitere Applikationen aus diesem Industriebereich finden sich beispielsweise beim so genannten Stacking einzelner Elektroden-Blätter, bei denen die korrekte, µ-genaue Ausrichtung zueinander überprüft wird.