CN115088125A - 用于检查电化学电池、尤其燃料电池的双极板的方法和检查设施 - Google Patents

用于检查电化学电池、尤其燃料电池的双极板的方法和检查设施 Download PDF

Info

Publication number
CN115088125A
CN115088125A CN202180013804.3A CN202180013804A CN115088125A CN 115088125 A CN115088125 A CN 115088125A CN 202180013804 A CN202180013804 A CN 202180013804A CN 115088125 A CN115088125 A CN 115088125A
Authority
CN
China
Prior art keywords
inspection
evaluation system
plate
bipolar
suspected
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202180013804.3A
Other languages
English (en)
Inventor
C·希尔德布兰特
C·豪特卡
J·阿赫策恩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Schaeffler Technologies AG and Co KG
Original Assignee
Schaeffler Technologies AG and Co KG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Schaeffler Technologies AG and Co KG filed Critical Schaeffler Technologies AG and Co KG
Publication of CN115088125A publication Critical patent/CN115088125A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K31/00—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups
    • B23K31/12—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups relating to investigating the properties, e.g. the weldability, of materials
    • B23K31/125—Weld quality monitoring
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/91—Investigating the presence of flaws or contamination using penetration of dyes, e.g. fluorescent ink
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/06—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption
    • G01N23/18—Investigating the presence of flaws defects or foreign matter
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
    • G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
    • G01N27/83—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws by investigating stray magnetic fields
    • G01N27/84—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws by investigating stray magnetic fields by applying magnetic powder or magnetic ink
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G01N29/043—Analysing solids in the interior, e.g. by shear waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4481—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M8/00—Fuel cells; Manufacture thereof
    • H01M8/02—Details
    • H01M8/0202—Collectors; Separators, e.g. bipolar separators; Interconnectors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/629—Specific applications or type of materials welds, bonds, sealing compounds
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/646—Specific applications or type of materials flaws, defects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/04—Wave modes and trajectories
    • G01N2291/044—Internal reflections (echoes), e.g. on walls or defects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/26—Scanned objects
    • G01N2291/267—Welds
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/26—Scanned objects
    • G01N2291/269—Various geometry objects
    • G01N2291/2697—Wafer or (micro)electronic parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/30—Hydrogen technology
    • Y02E60/50—Fuel cells

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Acoustics & Sound (AREA)
  • Manufacturing & Machinery (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • General Chemical & Material Sciences (AREA)
  • Fuel Cell (AREA)
  • Mechanical Engineering (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Secondary Cells (AREA)
  • Battery Electrode And Active Subsutance (AREA)
  • Image Analysis (AREA)

Abstract

提出一种用于检查电化学电池、尤其燃料电池的双极板的方法，其中创建双极板(14)的表面的图像(12)，由自动化的支持图像处理的评估系统针对可能的缺陷(28)检验图像(12)，并且在评估系统将所检验的双极板(14)识别为可能有缺陷的疑似板的情况下，执行对疑似板的识别为可能有缺陷的区域的详细检查(22)。通过在对图像(12)进行图像处理时在自动化的评估系统中应用的评估法，无需显著的额外耗费就可以提高在检查电化学电池、如燃料电池的双极板时的检查质量，使得可实现低成本且可靠的检查。

Description

用于检查电化学电池、尤其燃料电池的双极板的方法和检查 设施
技术领域
本发明涉及一种用于检查尤其电化学电池、如燃料电池的双极板的方法，以及一种为此设置的检查设施，借助于所述检查设施可以在制造期间针对缺陷检查电化学电池、如燃料电池的双极板。
背景技术
燃料电池堆或堆叠通常包括呈堆叠构型的多个燃料电池。相应的燃料电池包括电解质和经由导电板接触的电极。在低温范围内运行的聚合物电解质燃料电池的情况下，存在聚合物膜-电极单元。为了分离堆中的各个聚合物电解质燃料电池，使用通常由金属构成的导电的双极板。所述导电的双极板不仅用于电接触电极并且将电流传导至相邻的电池，而且还辅助输送和分配燃料和冷却介质，以及将热量和反应产物导出。为此，双极板通常具有气体分配区，所述气体分配区由于其结构导致气态燃料、主要是氢气和氧气关于膜表面的最佳分配。双极板在此可以通过两个或更多个彼此焊接的薄壁的金属板材制造，所述金属板材构成期望的流动路径、冷却通道和/或开口。
从US 2019/0296379A1中已知通过施加和评估不同的电压来检查燃料电池。
US 2019/0340747A1公开了在燃料电池生产线的领域中的质量监控系统和方法。
US 2013/0230072 A1描述了用于对燃料电池组件、尤其双极板进行故障识别的方法和设备
DE 103 93 237 B4公开了用于探测薄膜电极装置中的电缺陷的方法。
DE 38 09 221 A1描述了用于探测冲压件或其他工件处的缺陷部位、尤其裂缝和/或收缩部的方法和设备。
DE10 2015 221 697 B3公开了一种用于确定构件表面、尤其缺陷的表面特性的装置。
DE 10 2016 211 449 A1描述了一种具有便携式检查单元的检查系统和一种用于检查构件的方法。
DE 10 2009 059 765 A1公开了一种用于制造双极板的方法。双极板由第一板和第二板逐步形成，其中在每个步骤之后，通过在代表相应的步骤的中间产品上的投影产生由大量线构成的实际图案并且借助于相机记录。然后，与参考图案进行比较。
存在以下持久需求，即在将电化学电池、如燃料电池的组件在电化学电池、如燃料电池或燃料电池堆叠中与其他构件一起安装之前，低成本地且可靠地执行对电化学电池、如燃料电池的组件的检查。
发明内容
本发明的目的是，示出可实现对电化学电池、尤其燃料电池的组件进行低成本且可靠的检查的措施。
所述目的通过具有权利要求1的特征的方法以及具有权利要求7的特征的检查设施来实现。本发明的优选的设计方案在从属权利要求和以下的说明书中给出，所述设计方案可以分别单独地或组合地示出本发明的方面。
一个实施方式涉及一种用于检查电化学电池、尤其燃料电池的双极板的方法，其中创建双极板的表面的图像，由自动化的支持图像处理的评估系统针对可能的缺陷检验图像，并且在评估系统将被检验的双极板识别为可能有缺陷的疑似板的情况下，执行对疑似板的识别为可能有缺陷的区域的详细检查，其中评估系统具有根据双极板的多个示出无缺陷的和有缺陷的双极板的图像训练的、用于识别疑似板的神经网络，并且将神经网络借助详细检查的结果继续训练，其中神经网络执行强化学习。
对此也参见2019年4月11日的标题为“强化学习这样作用(So funktioniertReinforcement Learning)”的文章，位于：https://www.alexanderthamm.com/de/blog/einfach-erklaert-so-funktioniert-reinforcement-learning/
在本发明的意义上，将双极板理解为电化学电池的如下构件，所述构件提供电极和导流元件的功能。在此，这例如可以是燃料电池或电解装置的双极板或也可以是氧化还原液流电池的电极板。
在双极板检查的背景中，特别是将与制造双极板相关的其它重要的检查结果或工艺数据的结果用作强化学习的标签或酬劳信息。因此，优选将密封性检查的结果、焊接工艺的在线工艺数据、热成像的详细检查、通过确定焊缝的质量的形貌检查或关于对应的焊缝的X射线/CT信息考虑在内。详细检查可以100％在线纳入或在工艺时间较慢的情况下随机纳入。在这种情况下，在机器学习法的训练数据集中仅考虑详细检查的焊缝集，该焊缝集在双极板生产过程中增长，并且随着时间推移增添清晰度。
在制造燃料电池、尤其聚合物电解质燃料电池中的主要制造步骤是生产双极板，所述双极板尤其通过焊接两个或更多个金属板或板材进行。在焊接时产生的焊缝可以通过目视检查良好地检查。然而，所述目视检查自动地执行，其方式为：将双极板的表面、尤其双极板的两个平侧借助于相机在图像中记录并且输送给自动化的评估系统的图像处理装置。评估系统可以处理图像，并且例如根据光学参数来识别特定的形状和/或颜色和/或亮度和/或对比度，并且检查：这些是否处于特定的期望值之内。这种检查活动是可良好自动化的并且可以借助于评估系统的评估软件来实现。在此此外可以检查：焊缝是否在相对于例如在气体分配区中、例如构成引导介质的通道的冲压部或结构的正确的相对位置中伸展。被焊接的双极板的冲压部和结构在此可以在双极板的表面的图像中识别，并且例如用作为用于焊缝的正确定位的参考。
除了与双极板处的焊接连接有关的缺陷外，还可以检查板及其结构的，尤其在气体分配区的区域中的三维结构的、在板端部和气体分配区的区域中构成开口等的尺寸偏差，以便识别、挑出不规则性，并且在可能生成偏差的相应的方法步骤的范围内以修正的方式进行干预。
然而，如果在图像的图像处理评估中不可能的是，例如以需要的可靠性识别气体分配区的区域中的冲压部或结构的正确的构成方案，这可能归因于制造错误，使得借助于评估系统也可以检查双极板的这种缺陷。
对由评估系统认为可能“不正常”的双极板作为疑似板进行详细检查，在所述详细检查中，借助必要时明显更高的耗费进行检查。然而，由于只对疑似板进行详细检查，因此可以降低检查耗费。例如，由此不在每个双极板中执行涡流检查，而是仅在通过评估系统在自动化的目视检查中被发觉为可疑的疑似板执行涡流检查。在此利用如下知识，在视觉上看起来几乎完美的焊缝根据经验是没有问题的，而在看起来不完美的焊缝中虽然可能存在仍足够的、尤其足够紧密的连接，但这不能在所有情况下通过纯目视检查保证。由此，在自动化的图像处理中评估为不可疑的双极板可以继续处理而无需进一步的详细检查，而在详细检查之后，仅将疑似板中的实际上不符合预设标准的疑似板作为废品挑出，并且可以将仍还符合所设立的标准的疑似板再次输送给继续处理。避免由于实际原因不必要地将疑似板作为废品剔除，使得避免了不必要的成本。通过在自动化的评估系统中在对图像进行图像处理时所使用的评估方法，可提高在检查燃料电池时的检查质量，而无需明显的额外耗费，使得可实现燃料电池的低成本且可靠的检查。
尤其地，在详细检查中对疑似板在识别为可能有缺陷的区域中执行至少一个无损检查，尤其渗透检查、磁粉检查、超声检查、射线照相检查和/或涡流检查。由此，可以避免在详细检查时损坏疑似板。在详细检查应表明疑似板仍满足要求概况的情况下，可以将疑似板作为常规的双极板再次输送给后续的制造步骤。由此可以避免在制造燃料电池时的不必要的成本。同时，与纯目视检查相比，可以对在疑似板的内部存在的关系进行测量，由此实现特别可靠的检查。详细检查可以自动化地和/或通过为此培训的检查人员执行。
要求概况在此尤其可以涉及焊缝的密封性和位置、气体分配区中的结构的渗透性和位置、用于燃烧气体输送的开口的设置、密封件的构成和位置等。
根据本发明，评估系统具有根据双极板的多个示出无缺陷的和有缺陷的双极板的图像训练的、用于识别疑似板的神经网络。神经网络可以通过机器学习来训练，使得可以改善在评估系统中对图像的图像评估。由此，尤其可行的是，在评估图像时考虑大量不同的、可能非常不同加权的参数。在此，在训练神经网络期间自动化地调整参数的权重，使得在其中事先已经知道具有这种外观的双极板是否正常的对用于训练的图像的图像评估中，将正确的图像评估为“正常”或“不正常”。这可实现，即使在复杂的几何形状的情况下可自动化地识别复杂的损伤图案。由此，改善检查质量。
根据本发明，借助详细检查的结果继续训练神经网络。在评估双极板时，对疑似板的详细检查引起附加的知识了解，其中附加的训练数据持久地反馈给评估系统。这导致神经网络的强化学习，尤其作为具有神经网络的多个中间层的深度学习结构的一部分。“深度学习”表示使用在输入层和输出层之间具有大量中间层、所谓的“hidden layers(隐藏层)”的人工神经网络的机器学习法。由此产生大规模的内部结构。这是信息处理的方法。机器学习是自适应算法。深度学习是机器学习的一个子集并且利用一系列的分级层亦或构思等级来执行机器学习过程。由此，随着时间进展，始终进一步改善检查质量。强化学习可以连续地或递增地进行。
尤其，为了制造双极板，焊接两个或更多个板材，其中在焊接期间创建和评估在焊接时产生的焊缝的多个图像和/或在焊接之后创建和评估整个焊缝的图像。评估系统中的图像评估可以在焊接过程期间已经进行，使得在评估时也可以考虑在要焊接的区域熔化时产生的熔化区。然而也可行的是，在焊接过程结束时才进行评估，由此可以减少在评估时应考虑的数据量，尤其是图像的数量。此外可行的是，与焊接工艺无关地和/或与在焊接时产生的光效应和/或可逆的热膨胀效应无关地照亮双极板并利用相机创建图像。
优选地，借助通过评估系统的评估的结果进行焊接的工艺控制的调整。尤其在双极板被评估为“不正常”的情况下，评估系统可以根据为此使用的标准对可能的缺陷进行分类。这可实现，将特定的被识别的缺陷与特定的分类和可能特定的原因相关联。
如果疑似板的与特定类别的缺陷相关联的缺陷可以与在焊接时的有错误的工艺控制相关联，那么可行的是，通过将通过评估系统评估的结果反馈，借助焊接的工艺控制将工艺控制调整为，使得在未来避免这种缺陷。评估系统可以是用于焊接的工艺控制的闭环控制回路的一部分，例如为了对控制变量进行磨损相关的调整。在焊接时的制造错误由此可以非常及早地识别并且自动化地修正，使得避免了不必要的废品和不必要的成本。
另一实施方式涉及一种用于借助于根据本发明的方法来检查燃料电池的双极板的检查设施，具有：用于创建双极板的表面的至少一个图像的相机；自动化的支持图像处理的评估系统，用于针对可能的缺陷检验图像；和可由评估系统操作的转接器，用于将由评估系统识别为可能有缺陷的疑似板的双极板导出到详细检查站。检查设施设计用于执行前述方法。检查设施在此如上文根据方法所阐述的那样构成和改进。
对由评估系统认为可能“不正常”的双极板作为疑似板进行详细检查，在所述详细检查中，借助必要时明显更高的耗费进行检查。但是，由于仅对疑似板在详细检查站中进行详细检查，因此可以降低检查耗费。在评估系统中在自动化的图像处理中评估为不可疑的双极板由此可以继续处理而无需进一步的详细检查，而在详细检查之后，仅将疑似板中的实际上不符合预设标准的疑似板作为废品挑出。将仍还符合所设立的标准的疑似板再次输送给继续处理。避免不必要地将疑似板作为废品剔除，使得避免了不必要的成本。通过在自动化的评估系统中在对图像进行图像处理时所使用的评估方法，可提高在检查双极板时的检查质量，而无需明显的额外耗费，使得可实现低成本且可靠的检查。
根据本发明的检查设施的评估系统具有双极板的根据多个示出无缺陷的和有缺陷的双极板的图像训练的、用于识别疑似板的神经网络，其中评估系统具有与神经网络耦合的、与详细检查站通信的、用于馈入详细检查的结果的接口，用于借助详细检查的结果继续训练神经网络的目的。在详细检查站中对疑似板的详细检查造成在评估双极板时的附加的知识了解，所述附加的知识了解经由评估系统的接口作为训练数据反馈给评估系统。这导致神经网络的强化学习，尤其作为具有神经网络的多个中间层的深度学习结构的一部分。由此，随着时间进展，始终进一步改善检查质量。
尤其，评估单元具有可与用于制造双极板的生产单元耦合的输出端口，用于根据通过评估系统评估的结果来调整生产单元的工艺控制。这种生产单元例如是激光焊接设施、冲压设施、成型设施等。尤其在双极板被评估为“不正常”的情况下，评估系统可以根据为此使用的标准对可能的缺陷进行分类。这可实现，将特定的被识别的缺陷与特定的分类和可能特定的原因相关联。如果疑似板的与特定类别的缺陷相关联的缺陷可以与生产单元中的有错误的工艺控制相关联，那么可行的是，通过将评估的结果经由评估系统的输出端口反馈，借助生产单元调整工艺控制，使得在未来避免这种缺陷。评估系统可以是用于生产单元的工艺控制的闭环控制回路的一部分，例如为了对控制变量进行磨损相关的调整。制造错误由此可以非常及早地识别并且自动化地修正，使得避免不必要的废品和不必要的成本。
优选地，细节检查站具有至少一个检查设备，其用于对疑似板进行无损检查，尤其渗透检查和/或磁粉检查和/或超声检查和/或射线照相检查和/或涡流检查。由此，可以避免在详细检查时损坏疑似板。在详细检查应表明疑似板仍满足要求概况的情况下，可以将疑似板作为常规的双极板再次输送给后续的制造步骤。由此可以避免在制造燃料电池的组件时的不必要的成本。同时，与纯目视检查相比，可以对在疑似板的内部存在的关系进行测量，由此实现特别可靠的检查。详细检查自动化地执行，其中由于连续地改善检查质量可以取消检查人员。
根据本发明的方法和根据本发明的检查设施尤其适合于检查在燃料电池、尤其聚合物电解质燃料电池中使用的双极板，其中双极板由两个或更多个金属板材形成。
附图说明
在下文中，根据优选的实施例参照附图示例性地阐述本发明，其中在下文中示出的特征能够分别单独地和组合地示出本发明的方面。附图示出：
图1：用于执行双极板的检查的示意流程，和
图2：用于在双极板中执行检查的检查设施的一部分的示意立体图。
具体实施方式
在图1中示出的流程10中，在第一步骤中提供多个图像12，所述图像尤其示出在焊接过程之后的双极板14的表面。在第二步骤中，将图像12例如划分为两个类别，其中一个类别16设为用于示出“正常”(OK)的双极板14的图像12，并且另一个类别18设为用于示出“不正常”(NOK)的双极板14的图像12。尤其地，设为用于有缺陷的双极板14的类别18可以具有多个子类别，所述子类别与对于不同缺陷模式的不同原因相关联。在第三步骤中，借助于划分为类别16、18的图像12训练神经网络20。神经网络20随后在第四步骤中在燃料电池14的制造工艺期间独立地给予评定“OK”或“NOK”。将认为“正常”的双极板14输送给进一步的生产步骤。在第五步骤中，对评定为可能“不正常”的疑似板进行详细检查22，以便确认或修正由神经网络20给予的作为“NOK”的评定。在详细检查22中自动产生结果，其中神经网络20以非常高的可靠性至少在存疑的情况下仍将图像12作为实际的“NOK”而划分为“NOK”类别或仍归类为“OK”。这对应于在第二步骤之后的状态，其中生成了用于神经网络20的训练数据。所述作为详细检查22的结果而自动产生的数据作为附加的训练数据反馈给神经网络20，以便实现神经网络20的强化学习。
如在图2中所示，检查设施24可以具有相机26，所述相机从尤其被焊接的双极板14的表面产生图像12。相机26也可以产生多个图像12或者甚至产生胶片序列。为此，可以适合地照亮双极板14，借此在图像12中可以看到所有重要特征，并且可以由具有神经网络20的评估系统通过光学评估识别可能的缺陷28。
除了与双极板处的焊接连接有关的缺陷外，还可以检查板及其结构的，尤其在气体分配区的区域中的三维结构的、在板端部和气体分配区的区域中构成开口等的尺寸偏差，以便识别、挑出不规则性，并且在可能生成偏差的相应的方法步骤的范围内以修正的方式进行干预。
附图标记列表
10 流程
12 图像
14 双极板
16 一个类别
18 另一个类别
20 神经网络
22 详细检查
24 检查设施
26 相机
28 可能的缺陷

Claims (10)

1.一种用于检查电化学电池、尤其燃料电池的双极板的方法，其中创建双极板(14)的表面的图像(12)，
由自动化的支持图像处理的评估系统针对可能的缺陷(28)检验所述图像(12)，并且
在所述评估系统将被检验的双极板(14)识别为可能有缺陷的疑似板的情况下，执行对所述疑似板的识别为可能有缺陷的区域的详细检查(22)，
其中所述评估系统具有根据双极板(14)的多个示出无缺陷的和有缺陷的双极板(14)的图像(12)训练的、用于识别疑似板的神经网络(20)，并且借助所述详细检查(22)的结果继续训练所述神经网络(20)，其中所述神经网络(20)执行强化学习。
2.根据权利要求1所述的方法，其中在所述详细检查(22)中对所述疑似板在识别为可能有缺陷的区域中执行至少一个无损检查。
3.根据权利要求2所述的方法，其中作为无损检查，对所述疑似板在识别为可能有缺陷的区域中执行渗透检查和/或磁粉检查和/或超声检查和/或射线照相检查和/或涡流检查。
4.根据权利要求1至3中任一项所述的方法，其中为了制造所述双极板(14)，将两个或更多个板材焊接，其中在焊接期间创建和评估在焊接时产生的焊缝的多个图像(12)。
5.根据权利要求1至4中任一项所述的方法，其中为了制造所述双极板(14)，在焊接之后创建和评估整个焊缝的图像(12)。
6.根据权利要求4或5所述的方法，其中借助通过所述评估系统的评估的结果来调整焊接的工艺控制。
7.一种用于执行根据权利要求1至6中任一项所述的方法的检查设施，所述检查设施具有：
用于创建所述双极板(14)的表面的至少一个图像(12)的相机(26)，
自动化的支持图像处理的评估系统，用于针对可能的缺陷(28)检验所述图像(12)，和
可由所述评估系统操作的转接器，用于将由所述评估系统识别为可能有缺陷的疑似板的双极板导出到详细检查站，
其中所述评估系统具有根据双极板(14)的多个示出无缺陷的和有缺陷的双极板(14)的图像(12)训练的、用于识别疑似板的神经网络(20)，其中所述评估系统具有与所述神经网络(20)耦合的、与所述详细检查站通信的、用于馈入所述详细检查(22)的结果的接口，用于借助所述详细检查(22)的结果继续训练所述神经网络(20)的目的。
8.根据权利要求7所述的检查设施，其特征在于，所述评估单元具有至少一个输出端口，用于根据通过所述评估系统的评估的结果来调整所述生产单元的工艺控制，所述输出端口能够与至少一个生产单元、尤其焊接设施和/或冲压设施和/或成型设施耦合，以制造所述双极板(14)。
9.根据权利要求8所述的检查设施，其特征在于，所述至少一个生产单元是焊接设施和/或冲压设施和/或成型设施。
10.根据权利要求7至9中任一项所述的检查设施，其特征在于，所述详细检查站具有至少一个检查设备，用于对所述疑似板进行无损检查，尤其是渗透检查和/或磁粉检查和/或超声检查和/或射线照相检查和/或涡流检查。
CN202180013804.3A 2020-03-20 2021-02-26 用于检查电化学电池、尤其燃料电池的双极板的方法和检查设施 Pending CN115088125A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
DE102020107779.3 2020-03-20
DE102020107779.3A DE102020107779A1 (de) 2020-03-20 2020-03-20 Verfahren und Prüfanlage zum Prüfen einer Bipolarplatte einer Brennstoffzelle
PCT/DE2021/100195 WO2021185404A1 (de) 2020-03-20 2021-02-26 Verfahren und prüfanlage zum prüfen einer bipolarplatte einer elektrochemischen zelle, insbesondere einer brennstoffzelle

Publications (1)

Publication Number Publication Date
CN115088125A true CN115088125A (zh) 2022-09-20

Family

ID=75438539

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180013804.3A Pending CN115088125A (zh) 2020-03-20 2021-02-26 用于检查电化学电池、尤其燃料电池的双极板的方法和检查设施

Country Status (6)

Country Link
EP (1) EP4122042A1 (zh)
JP (1) JP7438382B2 (zh)
KR (1) KR20220130755A (zh)
CN (1) CN115088125A (zh)
DE (1) DE102020107779A1 (zh)
WO (1) WO2021185404A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114267844B (zh) * 2021-11-09 2024-02-27 深圳市氢瑞燃料电池科技有限公司 一种燃料电池极板生产的系统与方法
WO2023136584A1 (ko) * 2022-01-14 2023-07-20 주식회사 엘지에너지솔루션 모니터링 장치 및 그것의 동작 방법
CN114577816A (zh) * 2022-01-18 2022-06-03 广州超音速自动化科技股份有限公司 一种氢燃料双极板检测方法
DE102022109188B3 (de) 2022-04-14 2023-08-03 Schaeffler Technologies AG & Co. KG Brennstoffzellenstapel und Verfahren zur Montage eines Brennstoffzellenstapels
WO2024049194A1 (ko) * 2022-08-31 2024-03-07 주식회사 엘지에너지솔루션 인공지능 모델 기반의 이상 진단 방법, 이를 이용한 이상 진단 장치 및 공장 모니터링 시스템
CN118130487A (zh) * 2024-05-06 2024-06-04 同创兴业(天津)模架有限公司 一种基于脚手架的焊接检测方法及系统

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0896136A (ja) * 1994-09-26 1996-04-12 Kawasaki Heavy Ind Ltd 溶接欠陥の評価システム
JP2013167596A (ja) * 2012-02-17 2013-08-29 Honda Motor Co Ltd 欠陥検査装置、欠陥検査方法及びプログラム
US20130230072A1 (en) * 2010-11-30 2013-09-05 Bloom Energy Corporation Flaw Detection Method and Apparatus for Fuel Cell Components
CN104833925A (zh) * 2015-05-07 2015-08-12 昆山弗尔赛能源有限公司 一种基于机器视觉的燃料电池双极板检测方法及系统
DE102016211449A1 (de) * 2016-06-27 2017-12-28 Bayerische Motoren Werke Aktiengesellschaft Prüfsystem und Verfahren zum Prüfen von Bauteilen
WO2018132321A1 (en) * 2017-01-10 2018-07-19 Kla-Tencor Corporation Diagnostic methods for the classifiers and the defects captured by optical tools
CN108320278A (zh) * 2018-01-09 2018-07-24 北京百度网讯科技有限公司 产品缺陷检测定位方法、装置、设备及计算机可读介质
CN108631727A (zh) * 2018-03-26 2018-10-09 河北工业大学 一种基于卷积神经网络的太阳能电池板缺陷识别方法
CN109598721A (zh) * 2018-12-10 2019-04-09 广州市易鸿智能装备有限公司 电池极片的缺陷检测方法、装置、检测设备和存储介质
CN109813717A (zh) * 2017-11-20 2019-05-28 台湾积体电路制造股份有限公司 缺陷检查方法
CN110132237A (zh) * 2019-05-05 2019-08-16 四川省地质工程勘察院 一种城市地面变形灾害早期识别的方法
US20190295223A1 (en) * 2018-03-22 2019-09-26 Adobe Inc. Aesthetics-guided image enhancement
CN110459792A (zh) * 2018-05-07 2019-11-15 通用电气公司 用于燃料电池制造线的质量监控系统和质量监控方法
CN110473806A (zh) * 2019-07-13 2019-11-19 河北工业大学 光伏电池分拣的深度学习识别与控制方法及装置
DE102018214307A1 (de) * 2018-08-23 2020-02-27 Friedrich-Alexander-Universität Erlangen-Nürnberg System und Verfahren zur Qualitätsprüfung bei der Herstellung von Einzelteilen

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE3809221A1 (de) 1988-03-18 1989-09-28 Roth Electric Gmbh Verfahren zum detektieren von fehlstellen an pressteilen oder anderen werkstuecken und vorrichtung zur durchfuehrung des verfahrens
JP3936095B2 (ja) 1999-03-31 2007-06-27 株式会社東芝 燃料電池
US7179553B2 (en) 2002-09-06 2007-02-20 General Motors Corporation Method for detecting electrical defects in membrane electrode assemblies
JP2007018176A (ja) 2005-07-06 2007-01-25 Sharp Corp 学習装置、学習方法、学習プログラム、記録媒体、パターン認識装置およびパターン認識方法
JP5005218B2 (ja) 2005-12-28 2012-08-22 愛知機械工業株式会社 検査装置および検査方法
DE102009059765A1 (de) 2009-12-21 2011-06-22 Daimler AG, 70327 Verfahren zur Herstellung einer Bipolarplatte
JP6237263B2 (ja) 2014-01-24 2017-11-29 日産自動車株式会社 燃料電池の製造方法
DE102015221697B3 (de) 2015-11-05 2017-02-23 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Anordnung zur Bestimmung der Oberflächenbeschaffenheit von Bauteiloberflächen
JP7021728B2 (ja) 2017-05-12 2022-02-17 株式会社神戸製鋼所 自動溶接システム、溶接制御方法、及び機械学習モデル
JP6990610B2 (ja) 2018-03-23 2022-02-03 本田技研工業株式会社 燃料電池の電流リーク検査方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0896136A (ja) * 1994-09-26 1996-04-12 Kawasaki Heavy Ind Ltd 溶接欠陥の評価システム
US20130230072A1 (en) * 2010-11-30 2013-09-05 Bloom Energy Corporation Flaw Detection Method and Apparatus for Fuel Cell Components
JP2013167596A (ja) * 2012-02-17 2013-08-29 Honda Motor Co Ltd 欠陥検査装置、欠陥検査方法及びプログラム
CN104833925A (zh) * 2015-05-07 2015-08-12 昆山弗尔赛能源有限公司 一种基于机器视觉的燃料电池双极板检测方法及系统
DE102016211449A1 (de) * 2016-06-27 2017-12-28 Bayerische Motoren Werke Aktiengesellschaft Prüfsystem und Verfahren zum Prüfen von Bauteilen
WO2018132321A1 (en) * 2017-01-10 2018-07-19 Kla-Tencor Corporation Diagnostic methods for the classifiers and the defects captured by optical tools
CN109813717A (zh) * 2017-11-20 2019-05-28 台湾积体电路制造股份有限公司 缺陷检查方法
CN108320278A (zh) * 2018-01-09 2018-07-24 北京百度网讯科技有限公司 产品缺陷检测定位方法、装置、设备及计算机可读介质
US20190295223A1 (en) * 2018-03-22 2019-09-26 Adobe Inc. Aesthetics-guided image enhancement
CN108631727A (zh) * 2018-03-26 2018-10-09 河北工业大学 一种基于卷积神经网络的太阳能电池板缺陷识别方法
CN110459792A (zh) * 2018-05-07 2019-11-15 通用电气公司 用于燃料电池制造线的质量监控系统和质量监控方法
DE102018214307A1 (de) * 2018-08-23 2020-02-27 Friedrich-Alexander-Universität Erlangen-Nürnberg System und Verfahren zur Qualitätsprüfung bei der Herstellung von Einzelteilen
CN109598721A (zh) * 2018-12-10 2019-04-09 广州市易鸿智能装备有限公司 电池极片的缺陷检测方法、装置、检测设备和存储介质
CN110132237A (zh) * 2019-05-05 2019-08-16 四川省地质工程勘察院 一种城市地面变形灾害早期识别的方法
CN110473806A (zh) * 2019-07-13 2019-11-19 河北工业大学 光伏电池分拣的深度学习识别与控制方法及装置

Also Published As

Publication number Publication date
JP2023514753A (ja) 2023-04-07
JP7438382B2 (ja) 2024-02-26
WO2021185404A1 (de) 2021-09-23
DE102020107779A1 (de) 2021-09-23
EP4122042A1 (de) 2023-01-25
KR20220130755A (ko) 2022-09-27

Similar Documents

Publication Publication Date Title
CN115088125A (zh) 用于检查电化学电池、尤其燃料电池的双极板的方法和检查设施
US9683949B2 (en) Non-destructive quantitative weld quality measurement using radiographic imaging
US11757139B2 (en) Battery electrode inspection system
Phillips et al. Impacts of electrode coating irregularities on polymer electrolyte membrane fuel cell lifetime using quasi in-situ infrared thermography and accelerated stress testing
CN112975215A (zh) 用于表征焊缝的方法
CN116703807A (zh) 用于分析焊缝质量的系统和方法
KR20220046824A (ko) 리튬 이차 전지의 용접부 검사 방법
US20050237067A1 (en) Arrangement and method for detection and localization of short circuits in membrane electrode arrangements
CN109540967A (zh) 焊接质量检测系统及方法
US20230393216A1 (en) Apparatus and method for inspecting disconnection of electrode tab of battery cell
Weiß et al. A holistic approach for an intelligent laser beam welding architecture using machine learning for the welding of metallic bipolar plates for polymer electrolyte membrane fuel cells
JPH0850900A (ja) 診断機能付電池製造装置
US7475600B2 (en) Method of and apparatus for evaluating elastic member quality
CN115018302A (zh) 一种cb2铸钢件运行状态监督管理方法
US20230327222A1 (en) Inspection method for lithium secondary battery
US20240110990A1 (en) Disconnection testing apparatus for electrode tab of battery cell
CN117032146B (zh) 一种耐磨弯头管件生产加工方法及系统
WO2023118877A1 (en) Improvements in and relating to welding and quality control
KR20230142009A (ko) 금속분리판의 외관 검사 장치 및 방법
KR20190080465A (ko) 시임 용접의 품질 진단 방법
Maass Demonstration of Closed-Loop Control for Laser Powder Bed Fusion (LPBF)
Rohkohl et al. How To Develop a NDT Method For Weld Inspection in Battery Cell Manufacturing Using Deep Learning
CN117340476A (zh) 一种电阻焊焊点质量检测分析方法
Schrenker Machine Vision for Battery Production 4.0
CN114549472A (zh) 一种基于深度学习的焊缝图像缺陷的检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination