KR20220130755A - 전기화학 전지, 특히 연료 전지의 양극판을 검사하기 위한 방법 및 검사 설비 - Google Patents

전기화학 전지, 특히 연료 전지의 양극판을 검사하기 위한 방법 및 검사 설비 Download PDF

Info

Publication number
KR20220130755A
KR20220130755A KR1020227028665A KR20227028665A KR20220130755A KR 20220130755 A KR20220130755 A KR 20220130755A KR 1020227028665 A KR1020227028665 A KR 1020227028665A KR 20227028665 A KR20227028665 A KR 20227028665A KR 20220130755 A KR20220130755 A KR 20220130755A
Authority
KR
South Korea
Prior art keywords
inspection
plate
suspect
evaluation system
evaluation
Prior art date
Application number
KR1020227028665A
Other languages
English (en)
Inventor
크리스토프 힐데브란트
크리스 호우트카
얀 아흐첸
Original Assignee
섀플러 테크놀로지스 아게 운트 코. 카게
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 섀플러 테크놀로지스 아게 운트 코. 카게 filed Critical 섀플러 테크놀로지스 아게 운트 코. 카게
Publication of KR20220130755A publication Critical patent/KR20220130755A/ko

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)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Sustainable Energy (AREA)
  • General Chemical & Material Sciences (AREA)
  • Sustainable Development (AREA)
  • Manufacturing & Machinery (AREA)
  • Acoustics & Sound (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

전기화학 전지, 특히 연료 전지의 양극판을 시험하기 위한 방법으로서 양극판(14) 표면의 이미지(12)가 생성되고, 이 이미지(12)는 자동화된 이미지 처리 지원 평가 시스템에 의해 가능한 결함(28) 여부가 조사되며, 그리고 상기 평가 시스템이 조사된 양극판(14)을 잠재적으로 결함이 있는 의심 판으로 식별하는 경우에는, 잠재적으로 결함이 있는 것으로 식별된, 상기 의심 판의 영역에 대한 상세 검사(22)가 수행되는 방법이 제공된다. 상기 자동화된 평가 시스템의 이미지(12)의 이미지 처리에 적용되는 평가 방법에 의해, 연료 전지와 같은 전기화학 전지의 양극판 검사 시 상당한 추가 비용 없이 검사 품질을 높일 수 있으므로 비용 효율적이면서 신뢰할 수 있는 검사가 가능해진다.

Description

전기화학 전지, 특히 연료 전지의 양극판을 검사하기 위한 방법 및 검사 설비
본 발명은 특히, 연료 전지와 같은 전기화학 전지의 양극판을 검사하기 위한 방법 및 이를 위해 제공된 검사 설비에 관한 것으로서, 상기 검사 설비에 의해서는 제조하는 동안 연료 전지와 같은 전기화학 전지의 양극판에서 결함 여부가 조사될 수 있다.
연료 전지 스택(fuel cell stack)은 일반적으로 적층 구성으로 된 복수의 연료 전지를 포함한다. 각각의 연료 전지는 전도성 판들을 통해 접촉되는 전해질과 전극들을 포함한다. 저온 영역에서 작동되는 고분자 전해질 연료 전지(polymer electrolyte fuel cell)의 경우, 고분자 막 전극 유닛(polymer membrane electrode unit)이 존재한다. 스택으로 된 개별 고분자 전해질 연료 전지들의 분리하기 위해서는 대개 금속으로 이루어진 전기 전도성 양극판들이 사용된다. 상기 전기 전도성 양극판들은 전극들의 전기적 접촉을 위해 사용되고 인접한 전지로 전류를 전달할 뿐만 아니라 연료와 냉각 매체를 공급 및 분배하고 열과 반응 생성물을 배출하는 데에도 도움을 준다. 이를 위해 양극판들은 대체로 가스 분배기 필드들을 구비하며, 이들 가스 분배기 필드는 자신들의 구조로 인해 막 표면과 관련하여 대부분 수소와 산소인 기체상 연료의 최적 분배를 야기한다. 이와 동시에 양극판은, 원하는 유동 경로들, 냉각 채널들 및/또는 개구부들을 형성하는 서로 용접되는 2개 이상의 박막형 금속 시트에 의해 제조될 수 있다.
　US 2019/0296379 A1호에는, 상이한 전압을 인가하고 평가함으로써 연료 전지를 검사하는 것이 공지되어 있다.
US 2019/0340747 A1호는 연료 전지 생산 라인 영역에서의 품질 모니터링 시스템 및 방법을 개시한다.
US 2013/0230072 A1호는 연료 전지 구성 요소들, 특히 양극판들 상에서 결함 검출을 위한 방법 및 장치를 기술한다.
DE 103 93 237 B4호는 막 전극 장치들에서 전기적 결함을 검출하기 위한 방법을 개시한다.
DE 38 09 221 A1호는 프레스 부품들 또는 다른 공작물들 상에서의 결함, 특히 균열 및/또는 수축을 검출하기 위한 방법 및 장치를 기술한다.
DE 10 2015 221 697 B3호는 부품 표면들, 특히 결함들의 표면 품질을 결정하기 위한 장치를 개시한다.
DE 10 2016 211 449 A1호는 휴대용 검사 유닛을 구비한 검사 시스템 및 부품들을 검사하기 위한 방법을 기술한다.
DE 10 2009 059 765 A1호는 양극판을 제조하기 위한 방법을 개시한다. 양극판은 제1 및 제2 판으로부터 단계적으로 형성되며, 이 경우 각 단계 후에 복수의 라인으로 된 실제 패턴이 각 단계를 나타내는 중간 생성물에 투영되어 생성되고 카메라에 의해 기록된다. 이어서 참조 패턴과 비교된다.
연료 전지와 같은 전기화학 전지의 구성 요소들은 추가 부품들과 함께 연료 전지와 같은 전기화학 전지 또는 연료 전지 스택 내에 설치되기 전에, 비용 효율적이고 신뢰할 수 있는 방식으로 검사를 실시할 필요가 항상 있다.
본 발명의 과제는 전기화학 전지, 특히 연료 전지의 구성 요소들에 대한 비용 효율적이고 신뢰할 수 있는 검사를 가능하게 하는 조치를 제시하는 것이다.
상기 과제는 청구항 1의 특징들을 갖는 방법 및 청구항 7의 특징들을 갖는 검사 설비에 의해 해결된다. 본 발명의 바람직한 구현예들은 종속항들과 후속하는 설명에 제시되어 있으며, 이들 각각은 개별적으로 또는 조합으로 본 발명의 양상을 나타낼 수 있다.
일 실시 형태는 전기화학 전지, 특히 연료 전지의 양극판을 검사하기 위한 방법에 관한 것으로서, 이 방법에서는 양극판 표면의 이미지가 생성되고, 이 이미지는 자동화된 이미지 처리 지원 평가 시스템에 의해 가능한 결함 여부가 조사되며, 그리고 상기 평가 시스템이 조사된 양극판을 잠재적으로 결함이 있는 의심 판으로 식별하는 경우에는, 잠재적으로 결함이 있는 것으로 식별된, 상기 의심 판의 영역에 대한 상세 검사가 수행되며, 이 경우 상기 평가 시스템은 의심 판을 식별하기 위해 비결함 및 결함 양극판을 나타내는 다수의 양극판 이미지에 기초하여 훈련된 신경망을 구비하며, 이 신경망은 상기 상세 검사의 결과에 따라 지속적으로 훈련되고, 이 경우 상기 신경망은 강화 학습(reinforcement learning)을 수행한다.
이와 관련하여서는 2019년 4월 11일자 제목: "강화 학습 방법(How Reinforcement Learning Works)"의 기사 참조.
https://www.alexanderthamm.com/de/blog/einfach-erklaert-so-funktioniert-reinforcement-learning/
본 발명의 목적에서, 양극판은 전극 및 유동 안내 요소의 기능을 제공하는 전기화학 전지의 부품을 의미한다. 이 경우에는 예를 들면, 연료 전지들 또는 전해조(electrolyzer)들의 양극판들 혹은 산화환원 흐름 전지들의 전극판들이 다루어질 수 있다.
양극판 검사의 맥락에서, 강화 학습을 위해서는 특히 결과가 양극판 제조 시 관련된 다른 검사 결과 또는 강화 학습용 프로세스 데이터에 레이블 또는 보상 정보로서 포함된다. 이와 같이 바람직하게 누설 검사의 결과, 용접 프로세스의 인라인 프로세스 데이터, 열화상 상세 검사, 용접 이음매의 품질을 결정 하에 수행되는 지형 검사 또는 해당 용접 이음매에 대한 X선/CT 정보들이 포함된다. 상세 검사는 100% 인라인(in-line)으로 또는 프로세스 시간이 상대적으로 더 완만한 경우 임의 추출 방식으로 통합될 수 있다. 이러한 경우 기계 학습 방법의 훈련 데이터 세트에서는 상세하게 검사된 용접 이음매의 양만 고려되며, 이러한 양은 양극판 생산 과정에서 증가하고 시간이 지남에 따라 선명도가 향상된다.
연료 전지, 특히 고분자 전해질 연료 전지의 제조에서 필수적인 제조 단계는 특히 2개 이상의 금속 판 또는 시트를 용접하여 이루어지는 양극판의 제조이다. 용접 중 생성되는 용접 이음매는 육안 검사로 쉽게 확인될 수 있다. 그러나 이러한 육안 검사는 양극판의 표면, 특히 양극판의 평평한 양면이 카메라의 도움으로 이미지로 기록되고 자동화된 평가 시스템의 이미지 처리에 공급됨으로써 자동화 방식으로 실시된다. 상기 평가 시스템은 이미지를 처리할 수 있으며, 예를 들어 광학 매개변수들을 참고로 특정 형상 및/또는 색상 및/또는 밝기 및/또는 대비를 식별하고 이들이 특정 목표 값 내에 있는지 여부를 점검할 수 있다. 이와 같은 점검 작업은 쉽게 자동화될 수 있으며 평가 시스템의 평가 소프트웨어를 사용해서 실현될 수 있다. 또한 본원에서는, 예를 들어 가스 분배기 패널 영역에서 매체 안내 채널들을 형성하는 모양 또는 구조에 대한 올바른 상대 위치에서 용접 이음매가 진행되는지 여부도 점검될 수 있다. 본원에서는 용접된 양극판의 모양과 구조가 양극판 표면의 이미지에서 식별될 수 있고, 예를 들면 용접 이음매의 올바른 위치 설정을 위한 참조로서 사용될 수 있다.
양극판의 용접 접합부와 관련된 결함들 외에도, 계속해서 불규칙성을 식별하고 분류하며, 잠재적으로 편차를 발생시키는 각 방법 단계의 영역에서 수정하는 방식으로 개입하기 위해, 판과 그 구조들, 특히 가스 분배기 패널 영역에서 3차원 구조들, 판 단부들과 가스 분배기 패널 영역에서 개구부들 형성 등과 같은 치수 편차가 점검될 수 있다.
그러나 이미지의 이미지 처리 평가 중에 예를 들어 가스 분배기 패널 영역의 모양이나 구조의 정확한 설계를 필요한 확실성으로 식별하는 것이 불가능한 경우, 이는 제조상의 문제일 수 있으며, 그 결과 이와 같은 결함도 양극판의 평가 시스템에 의해 점검될 수 있다.
평가 시스템에 의해 잠재적으로 "불량"으로 밝혀진 양극판들은 의심 판으로서 상세 검사를 받게 되며, 이러한 검사에서는 경우에 따라 훨씬 더 높은 비용으로 검사가 실시된다. 그러나 의심 판들에 대해서만 상세 검사를 하기 때문에 검사 비용이 감소할 수 있다. 그 결과 예를 들면, 모든 양극판에서 와전류 검사가 실시되는 것이 아니라 자동화된 육안 검사에서 평가 시스템에 의해 의심스러운 것으로 식별된 의심 판들에 대해서만 와전류 검사가 실시된다. 본원에서는, 시각적으로 거의 완벽해 보이는 용접 이음매는 본 발명에 따르면 문제가 없는 반면, 완벽하지 않은 것으로 보이는 용접 이음매의 경우 계속해서 충분한 접합, 특히 충분히 긴밀한 접합이 이루어질 수 있지만 이는 모든 경우에서 순수 육안 검사에 의해 보장될 수 없다는 인식이 이용된다. 자동화된 이미지 처리에서 안전한 것으로 평가된 양극판들은 추가의 상세 검사 없이 부가 처리될 수 있는 반면, 의심 판 중에서 상세 검사 후 실제로 지정된 기준을 충족하지 않는 판들만 불량품으로 분류되고, 주어진 기준을 충족하는 의심 판들은 다시 부가 처리에 공급될 수 있다. 의심 판을 실제적 이유로 불필요하게 불량품으로 분리하는 것이 피해지고, 그 결과 불필요한 비용이 방지된다. 자동화 평가 시스템에서 이미지의 이미지 처리에 적용된 평가 방법에 의해서는, 연료 전지 검사 시 상당한 추가 비용 없이 검사 품질을 높일 수 있으므로 비용 효율적이면서 신뢰할 수 있는 검사가 가능하게 된다.
특히, 상세 검사에서는 잠재적으로 결함이 있는 것으로 식별된 영역에서 의심 판에 대해 하나 이상의 비파괴 검사, 특히 침투 탐상 검사, 자분 탐상 검사, 초음파 탐상 검사, 방사선 탐상 검사 및/또는 와전류 탐상 검사가 수행된다. 따라서 상세 검사 동안 의심 판의 파괴가 방지될 수 있다. 상세 검사에서 의심 판이 요구 사항 프로필을 충족하는 것으로 표시되어야 하는 경우, 의심 판은 일반 양극판으로서 다시 후속 제조 단계에 공급될 수 있다. 그 결과 연료 전지의 제조에서 불필요한 비용이 방지될 수 있다. 동시에 순수 육안 검사와 비교하여 의심 판의 내부에 존재하는 상태를 측정할 수 있으며, 그 결과 특히 신뢰할 수 있는 검사가 달성된다. 상세 검사는 자동화 방식으로 그리고/또는 이 목적을 위해 훈련된 검사자에 의해 실시될 수 있다.
이 경우 상기 요구 사항 프로필은 특히 용접 이음매의 견고함(tightness) 및 위치, 가스 분배기 패널에서 구조의 투과성 및 위치, 연료 가스 공급을 위한 개구부 배치, 밀봉부들의 형성 및 위치 등과 관련될 수 있다.
본 발명에 따르면, 평가 시스템은 의심 판을 식별하기 위해 비결함 및 결함 양극판을 나타내는 다수의 양극판 이미지에 기초하여 훈련된 신경망을 갖는다. 상기 신경망은 기계 학습에 의해 훈련될 수 있으므로 평가 시스템에서 이미지의 이미지 평가가 향상될 수 있다. 그 결과 특히 이미지들을 평가할 때 경우에 따라 다른 가중치를 가질 수 있는 복수의 상이한 매개변수를 고려하는 것이 가능하다. 신경망 훈련 동안 매개변수들의 가중치는 훈련에 사용된 이미지를 이미지 평가할 때 이러한 외양을 갖는 양극판이 정상인지 아닌지 여부를 사전에 공지하는 방식으로 자동 조정되며, 올바른 이미지들이 "정상" 또는 "불량"으로 평가된다. 이를 통해 복잡한 구조에서도 복잡한 손상 패턴을 자동화 방식으로 검출할 수 있다. 그 결과 검사 품질이 향상된다.
본 발명에 따르면, 신경망은 상세 검사의 결과에 따라 지속적으로 훈련된다. 의심 판들에 대한 상세 검사는 양극판들을 평가할 때 추가 지식 이득으로 이어지고, 이 경우 추가 훈련 데이터가 지속적으로 평가 시스템에 피드백된다. 이는 특히, 신경망의 복수의 중간층을 갖는 딥 러닝(deep learning) 구조의 일부로서 신경망의 강화 학습으로 이어진다. "딥 러닝"(다층 학습, 심층 학습)은 입력층과 출력층 사이에 소위 “은닉 층"으로 표현되는 수많은 중간층을 갖는 인공 신경망을 사용하는 기계 학습 방법을 지칭한다. 그 결과 광범위한 내부 구조가 형성된다. 이는 정보처리 방법이다. 기계 학습은 자체 적응 알고리즘이다. 딥 러닝은 기계 학습의 부분 집합으로서, 기계 학습의 프로세스를 수행하기 위해 일련의 계층형 층 또는 개념 계층을 사용한다. 그 결과 검사 품질은 시간이 지남에 따라 지속적으로 향상된다. 강화 학습은 연속적이거나 점진적으로 수행될 수 있다.
특히, 양극판을 제조하기 위해서는 2개
이상의 시트가 용접되고, 이 경우 용접 동안에는 용접 중 생성되는 용접 이음매의 복수의 이미지가 생성 및 평가되고/되거나 용접 후에는 전체 용접 이음매의 하나의 이미지가 생성 평가된다. 평가 시스템의 이미지 평가는 용접 과정 중에 이미 수행될 수 있으므로 용접할 영역들이 용융된 경우에도 평가에서 용융 영역들이 고려될 수 있다. 그러나 용접 과정이 완료된 후에 비로소 평가를 수행하는 것도 가능하며, 그 결과 평가에서 고려되어야 하는 데이터의 양, 특히 이미지의 수가 감소할 수 있다. 또한, 용접 프로세스와 무관하게 그리고/또는 용접 중 발생하는 조명 효과 및/또는 가역적 열팽창 효과와 무관하게 카메라의 도움으로 양극판을 조명하고 이미지를 생성하는 것이 가능하다.
바람직하게는, 평가 시스템에 의한 평가 결과에 따라 용접의 프로세스 제어 조정이 수행된다. 평가 시스템은 특히 양극판이 "불량"으로 평가된 경우, 이에 사용된 기준을 참고로 가능한 결함을 분류할 수 있다. 이를 통해 식별된 특정 결함을 특정 분류 및 경우에 따라 특정 원인에 할당할 수 있다. 특정 등급의 결함으로 할당된 의심 판의 결함이 용접 중 잘못된 프로세스 제어로 할당될 수 있는 경우, 평가 시스템에 의한 평가 결과의 피드백에 의해 장차 그러한 결함이 방지되는 방식으로 프로세스 제어를 조정하는 것이 가능하다. 평가 시스템은 예를 들어, 제어 변수에 대한 마모 관련 조정을 수행하기 위해 용접의 프로세스 제어를 위한 제어 회로의 일부일 수 있다. 그 결과 용접 중 제조 오류들이 매우 조기에 감지되고 자동화 방식으로 수정될 수 있으므로 불필요한 불량품과 불필요한 비용을 피할 수 있다.
추가 실시 형태는 본 발명에 따른 방법을 사용하여 연료 전지의 양극판을 검사하기 위한 검사 설비에 관한 것으로서, 상기 검사 설비는 양극판 표면의 하나 이상의 이미지를 생성하기 위한 카메라, 이미지의 가능한 결함을 조사하기 위한 자동화된 이미지 처리 지원 평가 시스템 및 평가 시스템에 의해 잠재적으로 결함이 있는 의심 판으로서 식별된 양극판을 상세 검사 스테이션으로 유도하기 위해 평가 시스템에 의해 작동될 수 있는 스위치를 갖는다. 검사 설비는 위에서 설명한 방법을 실시하기 위해 준비되어 있다. 이와 동시에 검사 설비는 상기 방법을 참고로 위에서 설명한 바와 같이 형성되고 개선되었다.
평가 시스템에 의해 잠재적으로 "불량"으로 밝혀진 양극판들은 의심 판으로서 상세 검사를 받게 되며, 이러한 검사에서는 경우에 따라 훨씬 더 높은 비용으로 검사가 실시된다. 그러나 상세 검사 스테이션에서는 의심 판들에 대해서만 상세 검사를 하기 때문에 검사 비용이 감소할 수 있다. 따라서 평가 시스템의 자동화된 이미지 처리에서 안전한 것으로 평가된 양극판들은 추가의 상세 검사 없이 부가 처리될 수 있는 반면, 의심 판 중 상세 검사 후 실제로 제공된 기준을 충족하지 않는 의심 판들만 불량품으로 분류된다. 그러나 주어진 기준을 계속 충족하는 의심 판들은 다시 부가 처리에 공급된다. 의심 판을 불필요하게 불량품으로 분리하는 것이 방지되고, 그 결과 불필요한 비용이 방지된다. 자동화 평가 시스템에서 이미지의 이미지 처리에 사용되는 평가 방법은 큰 추가 비용 없이 양극판 검사 시 검사 품질을 높일 수 있어 비용 효율적이고 신뢰할 수 있는 검사가 가능하다.
본 발명에 따른 검사 설비의 평가 시스템은 의심 판을 식별하기 위해 비결함 및 결함 양극판을 나타내는 복수의 양극판 이미지에 기초하여 훈련된 신경망을 가지며, 이 경우 평가 시스템은 상세 검사의 결과에 따라 신경망을 지속적으로 훈련하는 것을 목적으로 상세 검사 결과를 공급하기 위해 상기 신경망과 결합되고, 상세 검사 스테이션과 통신하는 인터페이스를 갖는다. 상세 검사 스테이션에서 의심 판에 대한 상세 검사는 양극판을 평가할 때 추가적인 지식 이득으로 이어지며, 이러한 지식 이득은 훈련 데이터로서 평가 시스템의 인터페이스를 통해 평가 시스템에 피드백된다. 이는 특히, 신경망의 복수의 중간층을 갖는 딥 러닝 구조의 일부로서 신경망의 강화 학습으로 이어진다. 그 결과 검사 품질은 시간이 지남에 따라 지속적으로 향상된다.
특히, 평가 유닛은 평가 시스템에 의한 평가 결과에 따라 생산 유닛의 프로세스 제어를 조정하기 위해 양극판 제조를 위한 생산 유닛에 결합될 수 있는 출력 포트를 갖는다. 상기와 같은 생산 유닛은 예를 들어, 레이저 용접 설비, 다이 커팅 시스템, 성형기 등이다. 평가 시스템은 특히 양극판이 "불량"으로 평가된 경우, 이에 사용된 기준을 참고로 가능한 결함을 분류할 수 있다. 이를 통해 식별된 특정 결함을 특정 분류 및 경우에 따라 특정 원인에 할당할 수 있다. 특정 등급의 결함으로 할당된 의심 판의 결함이 생산 유닛에서 잘못된 프로세스 제어로 할당될 수 있다면, 생산 유닛과 함께 평가 시스템의 출력 포트를 통한 평가 결과의 피드백에 의해 장차 그러한 결함이 방지되는 방식으로 프로세스 제어를 조정하는 것이 가능하다. 평가 시스템은 예를 들어 제어 변수에 대한 마모 관련 조정을 수행하기 위해 생산 유닛의 프로세스 제어를 위한 제어 회로의 일부일 수 있다. 그 결과 제조 오류들이 매우 조기에 감지되고 자동화 방식으로 수정될 수 있으므로 불필요한 불량품과 불필요한 비용을 피할 수 있다.
바람직하게 상세 검사 스테이션은 의심 판의 비파괴 검사, 특히 침투 탐상 검사 및/또는 자분 탐상 검사 및/또는 초음파 탐상 검사 및/또는 방사선 탐상 검사 및/또는 와전류 탐상 검사를 위한 하나 이상의 검사 장치를 구비한다. 따라서 상세 검사 동안 의심 판의 파괴가 방지될 수 있다. 상세 검사에서 의심 판이 요구 사항 프로필을 충족하는 것으로 표시되어야 하는 경우, 의심 판은 일반 양극판으로서 다시 후속 제조 단계에 공급될 수 있다. 결과적으로 연료 전지 구성 요소들의 제조 시 불필요한 비용을 피할 수 있다. 동시에 순수 육안 검사와 비교하여 의심 판의 내부에 존재하는 상태를 측정할 수 있으며, 그 결과 특히 신뢰할 수 있는 검사가 달성된다. 상세 검사는 자동화된 방식으로 실시되며, 이 경우 지속적인 검사 품질 개선을 이유로 한 검사원이 필요하지 않을 수 있다.
본 발명에 따른 방법 및 본 발명에 따른 검사 설비는 연료 전지, 특히 고분자 전해질 연료 전지에 사용하기 위한 양극판을 검사하는 데 특히 적합하며, 이 경우 상기 양극판은 2개 이상의 금속 시트로부터 형성되었다.
이하에서 본 발명은 바람직한 실시예들을 토대로 첨부된 도면들을 참조하여 예시적으로 설명되며, 이 경우 후속해서 제시된 특징들은 각각 개별적으로뿐만 아니라 조합으로도 본 발명의 양상을 나타낼 수 있다.
도면부에서:
도 1은 양극판 검사를 실시하기 위한 개략적인 순서를 도시하며, 그리고
도 2는 양극판에서 검사를 실시하기 위한 검사 설비의 일부를 나타낸 개략적인 사시도를 도시한다.
도 1에 도시된 순서(10)의 제1 단계에서는, 특히 용접 과정 후 양극판(14)의 표면을 나타내는 복수의 이미지(12)가 제공된다. 제2 단계에서 상기 이미지(12)들은 예를 들면, 2개의 범주로 나누어지며, 이 경우 "정상"(OK)인 양극판(14)을 나타내는 이미지(12)들에 대한 하나의 범주(16)가 제공되어 있고, "불량"(NOK)인 양극판(14)을 나타내는 이미지(12)들에 대한 다른 하나의 범주(18)가 제공되어 있다. 특히, 결함 양극판(14)들에 제공된 범주(18)는 복수의 하위 범주를 가질 수 있으며, 이들 하위 범주에는 다양한 결함 패턴에 대한 다양한 원인이 할당되어 있다. 제3 단계에서는 상기 범주(16, 18)들로 나누어진 이미지(12)들의 도움으로 신경망(20)이 훈련된다. 상기 신경망(20)은 그다음 제4 단계에서, 연료 전지(14)의 제조 프로세스 동안 독립적으로 "OK" 또는 "NOK” 평가를 부여하게 된다. "정상"으로 간주된 양극판(14)들은 추가 생산 단계로 공급된다. 잠재적으로 "불량"으로 평가된 의심 판들은 제5 단계에서, 신경망(20)에 의해 "NOK"로 주어진 평가를 확인하거나 수정하기 위해 상세 검사(22)를 받게 된다. 상기 상세 검사(22)에서는, 신경망(20)에 의해 적어도 의심스러운 경우에 여전히 “NOK” 범주에 분류된 이미지(12)들이 매우 높은 신뢰도로 실제로 "NOK" 또는 "OK"로 분류되는 결과가 자동으로 생성된다. 이것은 신경망(20)에 대한 훈련 데이터가 생성된 제2 단계 이후의 상태에 해당한다. 상세 검사(22)의 결과로서 자동으로 생성된 이러한 데이터는 신경망(20)의 강화 학습을 달성하기 위해 추가 훈련 데이터로서 신경망(20)에 피드백된다.
도 2에 도시된 바와 같이, 검사 설비(24)는 카메라(26)를 구비할 수 있으며, 상기 카메라는 특히 용접된 양극판(14)의 표면으로부터 이미지(12)를 생성한다. 상기 카메라(26)는 또한 복수의 이미지(12) 또는 심지어 필름 시퀀스(film sequence)를 생성할 수 있다. 양극판(14)은, 이미지(12)에서 모든 관련 특징이 보일 수 있고 가능한 결함(28)이 신경망(20)을 구비한 평가 시스템에 의한 광학적 평가를 통해 검출될 수 있도록 적절하게 조명될 수 있다.
양극판 상의 용접 접합부와 관련된 결함들 외에도, 계속해서 불규칙성을 식별하고 분류하며 그리고 잠재적으로 편차를 발생시키는 각 방법 단계의 영역에서 수정하는 방식으로 개입하기 위해 판 및 그 구조들, 특히 가스 분배기 패널 영역에서의 3차원 구조들, 판 단부들과 가스 분배기 패널 영역에서의 개구부들 형성 등과 같은 치수 편차가 점검될 수 있다.
10: 순서
12: 이미지
14: 양극판
16: 일 범주
18: 다른 범주
20: 신경망
22: 상세 검사
24: 검사 설비
26: 카메라
28: 가능한 결함

Claims (10)

  1. 전기화학 전지, 특히 연료 전지의 양극판을 검사하기 위한 방법에 있어서, 양극판(14) 표면의 이미지(12)가 생성되고, 이 이미지(12)는 자동화된 이미지 처리 지원 평가 시스템에 의해 가능한 결함(28) 여부가 조사되며, 그리고 상기 평가 시스템이 조사된 양극판(14)을 잠재적으로 결함이 있는 의심 판으로 식별하는 경우에는, 잠재적으로 결함이 있는 것으로 식별된, 상기 의심 판의 영역에 대한 상세 검사(22)가 수행되는 방법으로서, 상기 평가 시스템은 의심 판을 식별하기 위해 비결함 및 결함 양극판(14)을 나타내는, 양극판(14)의 다수의 이미지(12)에 기초하여 훈련된 신경망(20)을 구비하며,
    상기 신경망(20)은 상기 상세 검사(22)의 결과에 따라 지속적으로 훈련되고, 상기 신경망(20)은 강화 학습을 수행하는, 전기화학 전지, 특히 연료 전지의 양극판을 검사하기 위한 검사 방법.
  2. 제1항에 있어서, 상기 상세 검사(22) 시, 상기 의심 판의 잠재적으로 결함이 있는 것으로 식별된 영역에서 한 가지 이상의 비파괴 검사가 수행되는, 검사 방법.
  3. 제2항에 있어서, 비파괴 검사로서 침투 탐상 검사 및/또는 자분 탐상 검사 및/또는 초음파 탐상 검사 및/또는 방사선 탐상 검사 및/또는 와전류 탐상 검사가 상기 의심 판의 잠재적으로 결함이 있는 것으로 식별된 영역에서 수행되는, 검사 방법.
  4. 제1항 내지 제3항 중 어느 한 항에 있어서, 상기 양극판(14)의 제조를 위해 2개 이상의 시트 용접이 수행되며, 이러한 용접 동안에는, 용접 시 생성되는 용접 이음매의 복수의 이미지(12)가 생성되고 평가되는, 검사 방법.
  5. 제1항 내지 제4항 중 어느 한 항에 있어서, 상기 양극판(14)의 제조를 위해 용접 후에는 전체 용접 이음매의 이미지(12)가 생성되고 평가되는, 검사 방법.
  6. 제4항 또는 제5항에 있어서, 상기 평가 시스템에 의한 평가 결과에 따라 용접의 프로세스 제어가 조정되는, 검사 방법.
  7. 제1항 내지 제6항 중 어느 한 항에 따른 방법을 수행하기 위한 검사 설비에 있어서,
    양극판(14) 표면의 하나 이상의 이미지(12)를 생성하기 위한 카메라(26), 가능한 결함(28) 여부에 대해 이미지(12)를 조사하기 위한 자동화된 이미지 처리 지원 평가 시스템 및 이 평가 시스템에 의해 잠재적으로 결함이 있는 의심 판으로서 식별된 양극판을 상세 검사 스테이션으로 유도하기 위한 상기 평가 시스템에 의해 작동 가능한 스위치를 구비하고, 상기 평가 시스템은 의심 판을 식별하기 위해 비결함 및 결함 양극판(14)을 나타내는, 양극판(14)의 복수의 이미지(12)에 기초하여 훈련된 신경망(20)을 구비하며, 상기 평가 시스템은 상기 상세 검사(22) 결과에 따라 상기 신경망(20)을 지속적인 훈련을 목적으로 상기 신경망(20)과 연결되고 상기 상세 검사 스테이션과 통신하는, 상기 상세 검사(22)의 결과를 제공하기 위한 인터페이스를 갖는, 검사 설비.
  8. 제7항에 있어서, 평가 유닛이 상기 양극판(14)의 제조를 위한 적어도 하나 이상의 생산 유닛, 특히 용접 시스템 및/또는 천공 시스템 및/또는 성형 시스템과 결합할 수 있고, 상기 평가 시스템에 의한 평가 결과에 따라 상기 생산 유닛의 공정 제어를 조정하기 위한 적어도 하나 이상의 출력 포트를 구비하는 것을 특징으로 하는, 검사 설비.
  9. 제8항에 있어서, 상기 적어도 하나 이상의 생산 유닛이 용접 설비 및/또는 다이 커팅 시스템 및/또는 성형기인 것을 특징으로 하는, 검사 설비.
  10. 제7항 내지 제9항 중 어느 한 항에 있어서, 상기 상세 검사 스테이션이 상기 의심 판의 비파괴 검사, 특히 침투 탐상 검사 및/또는 자분 탐상 검사 및/또는 초음파 탐상 검사 및/또는 방사선 탐상 검사 및/또는 와전류 탐상 검사를 위한 적어도 하나 이상의 검사 장치를 구비하는 것을 특징으로 하는, 검사 설비.
KR1020227028665A 2020-03-20 2021-02-26 전기화학 전지, 특히 연료 전지의 양극판을 검사하기 위한 방법 및 검사 설비 KR20220130755A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
DE102020107779.3A DE102020107779A1 (de) 2020-03-20 2020-03-20 Verfahren und Prüfanlage zum Prüfen einer Bipolarplatte einer Brennstoffzelle
DE102020107779.3 2020-03-20
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
KR20220130755A true KR20220130755A (ko) 2022-09-27

Family

ID=75438539

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020227028665A KR20220130755A (ko) 2020-03-20 2021-02-26 전기화학 전지, 특히 연료 전지의 양극판을 검사하기 위한 방법 및 검사 설비

Country Status (6)

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

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
KR20230110189A (ko) * 2022-01-14 2023-07-21 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
CN118130487B (zh) * 2024-05-06 2024-07-26 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

Family Cites Families (25)

* 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
JP2968442B2 (ja) * 1994-09-26 1999-10-25 川崎重工業株式会社 溶接欠陥の評価システム
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
US9784625B2 (en) 2010-11-30 2017-10-10 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
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
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
DE102015221697B3 (de) 2015-11-05 2017-02-23 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Anordnung zur Bestimmung der Oberflächenbeschaffenheit von Bauteiloberflächen
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
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
US10809635B2 (en) * 2017-11-20 2020-10-20 Taiwan Semiconductor Manufacturing Company, Ltd. Defect inspection method and defect inspection system
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
US11069030B2 (en) * 2018-03-22 2021-07-20 Adobe, Inc. Aesthetics-guided image enhancement
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
CN108631727B (zh) * 2018-03-26 2019-08-09 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
US10769770B2 (en) * 2018-05-07 2020-09-08 Cummins Enterprise Llc Quality monitoring system and quality monitoring method for fuel cell manufacturing line and quality monitoring system for manufacturing line
DE102018214307A1 (de) * 2018-08-23 2020-02-27 Friedrich-Alexander-Universität Erlangen-Nürnberg System und Verfahren zur Qualitätsprüfung bei der Herstellung von Einzelteilen
CN109598721B (zh) * 2018-12-10 2021-08-31 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
EP4122042A1 (de) 2023-01-25
WO2021185404A1 (de) 2021-09-23
CN115088125A (zh) 2022-09-20
DE102020107779A1 (de) 2021-09-23
JP2023514753A (ja) 2023-04-07
JP7438382B2 (ja) 2024-02-26

Similar Documents

Publication Publication Date Title
KR20220130755A (ko) 전기화학 전지, 특히 연료 전지의 양극판을 검사하기 위한 방법 및 검사 설비
US9683949B2 (en) Non-destructive quantitative weld quality measurement using radiographic imaging
CN112975215A (zh) 用于表征焊缝的方法
CN114119595A (zh) 一种基于集成深度学习的gmaw焊接质量在线监测及评价方法
JP4386705B2 (ja) ピンホール検出方法及びピンホール検出装置
US20230274407A1 (en) Systems and methods for analyzing weld quality
KR20220046824A (ko) 리튬 이차 전지의 용접부 검사 방법
CN110843211A (zh) 用于增材制造三维物体的设备
JP4140218B2 (ja) レーザー溶接部の検査方法及びその装置
CA2973456C (en) Three-dimensional shaping method
WO2017159709A1 (ja) 検査装置
US20230249276A1 (en) Method and apparatus for generating arc image-based welding quality inspection model using deep learning and arc image-based welding quality inspecting apparatus using the same
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
Tantrapiwat Spot welding defect detection using synthetic image dataset on convolutional neural networks
KR20200139885A (ko) 용접불량 판단장치 및 그 방법
KR102680595B1 (ko) 리튬 이차 전지의 검사 방법
KR20010029268A (ko) 자동차용 박판의 맞대기 레이저 용접 모니터링 방법
US20240110892A1 (en) Apparatus for Automatically Inspecting Welding State
WO2024101299A1 (ja) 造形プロセスの監視方法、積層造形装置及び積層造形方法
KR20230142009A (ko) 금속분리판의 외관 검사 장치 및 방법
Maass Demonstration of Closed-Loop Control for Laser Powder Bed Fusion (LPBF)
TW201940274A (zh) 焊錫製程方法
JP6932609B2 (ja) データ生成装置、基板検査装置およびデータ生成方法
KR20090064066A (ko) 아크용접 품질판단장치 및 방법
Weaver Additive Manufacturing and Inspection Difficulties