“Volume Graphics采用CT检测锂离子电池中的缺陷 提供智能化质量保证”

世界汽车新闻随着能源密度的变化，电动汽车的锂离子电池在采用时受到严格的质量监控。 在电池的生命周期中，工业计算机断层扫描技术被广泛用于检测电池的缺陷和内部变化。 据外国媒体报道，卷图企业正在通过ct数据观察和可视化软件，对储能设备的内部业务状态进行深入检查。

(图片来源:体积图形公司)

该企业材料研究开发部的产品经理pascal pinter说，虽然ct分解不能揭示单元内部的电化学，但可以展示内部机械的原理。 热失控(内部起火)是由一点机械原因引起的。 相反，电化学过程可以改变机械条件。 目前，研究机构和电池制造商正在增加对ct数据的采用。 先进的软件，可以进行几何测量和材料测试。

在研发过程中，利用ct数据进行观察有助于测试样机的优化结构设计。 有关墙壁的间距、密封和公差、电池的化学分布和外壳的新闻都可以捕获，同时对其可靠性和在电力设计中的作用进行质量检测。 另外，由于电池的制造工序非常多且复杂，在制造过程中，利用ct进行分解起到一定的作用，例如可以在早期阶段去除工艺链中有缺陷的零件。

使用高分辨率ct扫描仪后，电极密封层会出现不规则的地方。 分层是典型的现象，也有切断中和电池组装焊接中产生的残留物等局部杂质。 外来粒子有引起短路的风险。

在制造过程中，需要监控重要的内部尺寸。 那是负极的重叠。 为了抵消锂电池，负极总是与正极重叠，以减少对电池的损伤。 在制造过程中，固定的负极突起物要求很高的加工精度。 这是制造商决定的，可以用ct分解软件进行检查。 最后，工程师可以在售后服务阶段使用ct进行检测和验证，查明设备故障的原因。

采用ct检测电池时，质量工程师必须面对一个挑战。 在由ct扫描仪提供的灰度图像中，其结构的对象度较低。 这是由于一点点材料的低密度差异造成的。 另外，单元密封膜和涂层非常薄，同时紧密结合。 在某些情况下，不容易弄清楚哪些不规则的地方是缺陷、散射辐射还是瑕疵。

中心问题:哪个三维像素是缺陷像素，哪个不是？ 经验丰富的质量工程师也有不同的解释。 他们只能相应地调整或更改系统的扫描参数，并根据需要特别观察特定的有趣区域( roi )。 这种从以前流传下来的做法有一定的缺点。 这取决于操作员。 这是因为有个别性，需要越来越多的时间来延长扫描时间。

由于单元内部的丝状结构可能需要高分辨率扫描仪，因此该扫描时间较长，相关过程比较紧张，特别是在指定周期内进行随机抽样检查时。 在这种情况下，特别是在检测电池单元等需要进行同样作业的铸造金属工件时，人工智能及其深度学习的子集特别有效。

在基于ct的缺陷检测中，深度学习/神经互联网( nn )的应用可以得到迅速而准确的结果。 这样的互联网需要内存一样的东西，必须用缺陷数据“训练”。 那么，这些数据来自哪里呢？ 基本上有两种方法。 一种是基于真实缺陷模型的人工缺陷数据模拟。 因此，可以使用专用软件模拟扫描过程中产生的物理效果，从而人为地获得准确的数据池。 其次，缺陷数据也可以从实际部件中提取。 在这种情况下，需要手动检测缺陷，需要越来越多的真正对象。

必须根据情况决定最合适的做法。 顾客可以委托制作个别的nn程序，设计最适合那个问题的算法。 如果需要，开发商可以提供一定数量的电池单元，包括完善的电池单元和严重故障的电池单元，完全可以分解。

应用训练有素的神经互联网时，可以将实际扫描的不规则性与“存储器中”的缺陷数据进行比较。 然后，神经互联网会认识到相似之处，并就它们是缺陷像素还是不是缺陷像素给出可靠的答案。 系列零部件检查有其特点。 由于该方法的扫描时间短，因此即使分辨率很低也非常准确。 从长期来看，还可以进行电池单元的在线检查。

ct分解软件节约时间，具有重要作用，在研发和生产检测等阶段取得了成功。