Der wachsende Markt der Elektromobilität stellt immer höhere Anforderungen an die Entwicklung leistungsstarker Batterien für Elektrofahrzeuge. Mit diesen neuen Anforderungen wachsen auch Anforderungen an Sicherheit und Qualität von der Batteriezelle bis zu den fertigen Batteriesystemen. Bei der Batteriezellenprüfung in der Automobilindustrie gibt es zwei primäre Anwendungsgebiete: die Prüfung von Batteriezellen und die Prüfung von Batteriekästen. Die Entwicklung neuer, intelligenter Lösungen für Qualitätsprüfungsverfahren ermöglichen es, die Effizienz der Batterieherstellung zu steigern und somit Kosten zu verringern. AI.SEE™ von elunic bietet die Möglichkeit neue Technik in der Fertigung mit künstlicher Intelligenz zu verbinden und stabile Qualitätsprozesse zu etablieren, den Durchsatz zu optimieren und den hohen Anforderungen an das Produkt Rechnung zu tragen.
Das Herzstück von Elektrofahrzeugen sind Hochvoltbatterien, die in Batteriekästen im Fahrzeugunterboden integriert sind. Diese Hochvoltspeicher bestehen aus mehreren Batteriepacks, deren Batteriemodule an den Kontakten zueinander verschweißt oder mit Steckmodulen verbunden sind.
Ein wichtiges Verfahren bei der Batterieproduktion ist das Schweißen, welches maßgeblich für die Qualität der Hochvoltbatterien verantwortlich ist. Bei der Fertigung der Zellen kommen Schweißverfahren vor allem in zwei Bereichen zum Einsatz. Zum einen werden automatisierte Schweißverfahren verwendet, um Deckel und Topf der Gehäuse der Zellen miteinander zu verbinden. Hierbei muss eine hermetische Versiegelung gewährleistet sein, um die Zellen über ihre gesamte Lebensdauer luft- und wasserdicht zu verschließen. Zum anderen verbinden Kontaktierungsschweißungen den Zellkörper mit den Polen der Batterie. Essenziell ist ein fehlerfreier und präziser Kontakt, um einen leistungsstarken Stromfluss der Batterie zu gewährleisten. Umso wichtiger ist es, bei der Produktion von Batteriezellen eine automatisierte Schweißnahtprüfung durchzuführen.
Mit AI.SEE™ bietet elunic die Möglichkeit, Schweißnähte auf Oberflächenfehler und Durchgängigkeit zu prüfen.
Elektrodenmaterial wird schichtweise auf Kupfer- und/oder Aluminiumfolien aufgebracht. Dabei dürfen auf den komplexen Oberflächen keine Kantenfehler und regelmäßige Form entstehen. Gerade bei organischen Fehlerbildern kann AI.SEE™ unterstützen prozesssicher etwaige Ausprägungsfehler zu entdenken – bevor Zellen gewickelt oder gestapelt werden, um eine Fehlerkostenreduktion herbeizuführen.
Erkennbare Beispiel-Fehlerklassen mit AI.SEE™:
Geringfügige Fehler von Zellbeschichtungen können die Zelle unsicher oder unbrauchbar machen. Diese organischen Fehler können mittels KI-Lösung durch trainieren des neuronalen Netzes prüfbar gemacht werden. Dabei lernt das System durch Fehlerkennzeichnung (supervised learning) zukünftige Fehler automatisiert zu bewerten.
Erkennbare Beispiel-Fehlerklassen mit AI.SEE™:
Eine Pouch-Batteriezelle erhält während des Entgasungsprozesses eine etwas unregelmäßige Form. Nach der Bildung der Vorrichtung wird der Zellenpouch zusammengedrückt, um die Oberfläche auszubügeln und zu glätten. Es ist wichtig, dass Pouches glatt, faltenfrei und gerade gerichtet sind. Hersteller von Zellenbatterien setzen automatisierte Prüfsysteme zwischen diesen Phasen ein, um Oberflächendefekte zu erkennen. Die komplexe Oberflächenstruktur des Pouches schafft einen unruhigen, störenden Hintergrund, der Falten, Blasen und andere Fehler verdecken kann. Das Erscheinungsbild von Zellenpouches kann sehr unterschiedlich ausfallen, so dass es zu kompliziert und zeitaufwändig ist, detailliert nach allen Fehlern zu suchen.
Erkennbare Beispiel-Fehlerklassen mit AI.SEE™:
Stapelbare oder zylindrische Zellen werden nach dem Befüllen mit einem Elektrolyt gefüllt. Der Befüllzugang wird mit Kunststoff (Spritzguss) oder Laserschweißverfahren versiegelt. Gerade bei wechselnden Geometrien, Umgebungsvariablen und Oberflächengüten, hilft AI.SEE™ chaotische oder auftragsbezogene Fertigungen effizient zu unterstützen ohne Qualitätsansprüche zu gefährden.
Erkennbare Beispiel-Fehlerklassen mit AI.SEE™:
Traceability ist ein wichtiger Güte- und Sicherheitsanspruch in der eMobilität, insbesondere in der Batteriefertigung. Für traditionelle Bildverarbeitungssysteme sind oft glänzende Oberflächen oder wechselnde Beschriftungsarten kritische Entscheidungspfade in der Gesamtsystemauslegung. AI.SEE™ kann auf verschiedene Oberflächen trainiert werden um z.B. Rüst- oder Einrichtzeiten zukünftig effizienter zu gestalten oder die Lesesicherheit zu erhöhen.
Erkennbare Beispiel-Fehlerklassen mit AI.SEE™:
Zuverlässigkeit:
Wie die beschriebenen Verfahren der Batterieproduktion zeigen, liegt ein Schwerpunkt der Batteriezellenprüfung bei der Inspektion von Kontaktierungsschweißungen und Schweißnähten. Unterschiedliche Technik beim Schweißen, höchste Präzision beim Kontakt der Pole und die hohe Anzahl an Schweißnähten stellen schwierige Herausforderungen für herkömmliche Verfahren der Qualitätssicherung wie z.B. die Sichtprüfung durch Mitarbeiter*innen dar. Die Entwicklung neuer Qualitätskontrollsysteme ermöglicht es diese Herausforderungen zu adressieren.
Kostensenkung:
AI.SEE™ ist ein Qualitätskontrollen- und Fehlererkennungssystem, das mithilfe von künstlicher Intelligenz und skalierbaren Kamerasystemen effektive Lösungen für viele Disziplinen der optischen Batterieprüfung bringt. Gerade bei Schweißnahtinspektionen und Überprüfung der Kontakte werden mit bedarfsgerechten Kameras und Beleuchtungssystemen durchgeführt, wodurch Geschwindigkeit und Konstanz der Prüfung optimiert werden, während die Fehleranfälligkeit durch Varianzen der Objekte oder Umgebung reduziert wird. Zudem kann AI.SEE™ In-Line – also direkt in Ihre Anlage integriert werden, um eine frühzeitige Fehlererkennung vor weiteren teuren Veredelungsschritten zu ermöglichen und Nachbearbeitungen oder Ausschuss höherwertiger Zwischenprodukte oder Halbzeuge zu verhindern.
Zukunftssicherheit:
Im Vergleich zu menschlichen Verfahren der Sichtprüfungen verspricht eine neue, automatisierte Qualitätskontrolle in der Batteriezellenprüfung hohe Kosteneinsparungen, eine effizientere Batterieproduktion und Wettbewerbsfähigkeit durch den Einsatz neuer Technologien.
Mit dem shopfloor.io-Asset Ping können Sie Bestandsmaschinen im Feld anbinden, erfassen und Maschinendaten visualisieren, digitale Services vertreiben und Ihren After-Sales erhöhen.
Nach dem ersten Screening senden wir dir eine Einladung zu unserem Tool Talentcube. Wir haben 3-5 kurze Fragen vorbereitet, die du in einem persönlichen Video beantworten kannst (auch wir haben ein kurzes Vorstellungsvideo vorbereitet). Solltest du dich damit nicht wohlfühlen, gib uns gerne Bescheid - wir finden eine Alternative!
Wir möchten dadurch einen authentischen Ersteindruck von dir erhalten und haben gleichzeitig die Möglichkeit dein Video mit unserem Team zu sichten und schnell richtige Entscheidungen zu treffen.