數控機械設備 抗干擾能力強

數控機械設備 抗干擾能力強

疊片機作為動(dòng)力電池制程中的核心工段之一，其高生產(chǎn)效率和高精度等優(yōu)點(diǎn)，對于提高動(dòng)力電池的性能和降低成本具有重要意義。

在精益高效生產(chǎn)的推動(dòng)下，高速疊片機市場(chǎng)規模持續增長(cháng)。據統計，2021年全球疊片機市場(chǎng)銷(xiāo)售額達到了數億美元，預計2028年將達到近10億美元，年復合增長(cháng)率(CAGR)為8.9%。其中，疊片機用視覺(jué)系統市場(chǎng)規模在2024年預計達到42億，視覺(jué)系統行業(yè)年度增長(cháng)40%。

但是，在熱復合高速疊片機負極隔膜外觀(guān)缺陷視覺(jué)檢測環(huán)節，也存在一些具有挑戰性的問(wèn)題。傳統機器視覺(jué)無(wú)法有效將極片褶皺，隔膜褶皺，隔膜膠印，隔膜劃痕和復合氣泡等目標區分開(kāi)，導致大量合格品被過(guò)殺而造成的非必要浪費。當前國內高速疊片機視覺(jué)檢測系統普遍需要較長(cháng)的部署周期，并且仍然需要大量人工復檢，過(guò)殺率大于2%。

針對當前行業(yè)痛點(diǎn)，章魚(yú)博士自主研發(fā)了高速疊片機AI視覺(jué)檢測系統，該系統基于基礎模型、行業(yè)模型、場(chǎng)景大模型，運用深度學(xué)習算法，整合智能硬件、數據預算、圖像處理于一體，著(zhù)重于解決目前高速疊片機極片缺陷檢測準確率低、算法兼容性差、模型迭代難、軟件SOP不統一等痛點(diǎn)。通過(guò)系統部署，不僅可以對高速疊片機的9個(gè)工位進(jìn)行檢測，也可以用于常規疊片機的視覺(jué)檢測，大大降低了產(chǎn)線(xiàn)過(guò)殺率和漏殺率，提高了尺寸、定位、對齊度的檢測精度，檢測速度也取得了突破性的提升，目前已在頭部鋰電廠(chǎng)商多地域廠(chǎng)區部署。

該系統在硬件和軟件算法上都具備差異化的技術(shù)優(yōu)勢。在硬件方面高質(zhì)量圖片獲取的同時(shí)，也在軟件方面系統建立鋰電數據集，開(kāi)發(fā)鋰電大模型，基于鋰電數據集訓練模型，加之對特定極片進(jìn)行AI模型訓練，從而縮短部署時(shí)間和提升檢測精度，尤其是降低漏檢率。

終憑借小尺寸缺陷檢測算法，及多尺度的訓練策略，在大數據的加持下，實(shí)現高準確率的小尺寸缺陷檢測，在部署時(shí)間上節省約60%，過(guò)殺率降低為0.3%。

其中，企業(yè)自主研發(fā)的熱復合疊片負極隔膜外觀(guān)缺陷檢AI應用技術(shù)，基于PYTORCH主流深度學(xué)習框架訓練深度卷積神經(jīng)網(wǎng)絡(luò )的AI隔膜缺陷分類(lèi)算法，用AI分類(lèi)算法區分“氣泡”和“褶皺”缺陷，通過(guò)現場(chǎng)收集真實(shí)樣品圖片數據，訓練AI模型，終端結合GPU硬件加速推理部署，提高分類(lèi)速度。

相關(guān)案例：

某鋰電動(dòng)力電池生產(chǎn)商，在熱復合切疊一體負極隔膜質(zhì)量檢測工位，出現熱復合氣泡良品和極片褶皺不良品CCD視覺(jué)無(wú)法分檢問(wèn)題，現場(chǎng)導致大量的良品氣泡極片被錯誤排片，造成極大的成本浪費。

針對以上問(wèn)題，章魚(yú)博士技術(shù)人員部署了一套自主研發(fā)基于Resnet殘差基礎網(wǎng)絡(luò )修改的AI算法，高效快速解決傳統機器視覺(jué)算法無(wú)法辨別的氣泡和褶皺問(wèn)題，同時(shí)利用線(xiàn)體控制器結合GPU和加速推理軟件架構,軟件和硬相結合，實(shí)現快速部署加推理方案。經(jīng)過(guò)產(chǎn)線(xiàn)長(cháng)久驗證，AI算法將原有過(guò)殺率降低至少2%，單臺設備每個(gè)班次（12H）可有效減少良品排片500-1000pics,每月降低生產(chǎn)成本損失約1.5W。

數控機械設備 抗干擾能力強