3 мин. чтения
9/27/2023 10:56:19 AM

Проверка дефектов в реальном времени на поверхности топливного элемента с помощью искусственного интеллекта

Article Preview Image Dynet ++, недавно разработанная сеть глубокого обучения от Kriss.Кредит: Корейский научно -исследовательский институт стандартов и науки (Крисс)

Топливные элементы, интегральные компоненты электромобилей водородных топливных элементов (FCEV), служат экологически чистыми системами преобразования энергии, которые генерируют электрическую мощность и тепло через химическую реакцию водорода и кислорода.Корейские местные органы власти в восторге от инвестиций в соответствующее оборудование для расширения рынка FCEV, но они часто сталкиваются с оппозицией со стороны местных жителей.Чтобы облегчить опасения граждан, необходимо установить инфраструктуру, которая может обеспечить как производительность, так и безопасность водородных топливных элементов.

Корейский научно-исследовательский институт стандартов и науки разработал технологию для обнаружения микро-дефектов в реальном времени на поверхности топливных элементов во время производственного процесса.

Недавно разработанная технология основана на глубоком обучении и обеспечивает 3D-измерение в реальном времени.Он может обнаружить дефекты на форме поверхности за один выстрел, что позволяет непрерывно контролировать качество продукта без прерывания производственного процесса.

Метод проекции с одним выстрелом используется для трехмерного измерения формы поверхности в реальном времени.Свет с плотной композитной сеткой проецируется на поверхность объекта, а затем деформированная картина при отражении анализируется для получения трехмерной информации о дефектах или ущербе.

Однако одним из ограничений этой методологии является то, что она не может измерить поверхности с низкой отражательной способностью или различными смешанными паттернами.Например, металлический сепаратор, который является основным компонентом топливных элементов, сложна для проверки с использованием трехмерного измерения в реальном времени, поскольку он изготовлен из нержавеющей стали (SUS) с неровной поверхностью.

Чтобы преодолеть это ограничение, команда оптической визуализации и метрологии Kriss представила алгоритм искусственного интеллекта (AI) с методом проекции образца.Они использовали Dynet ++, новую сеть глубокого обучения, разработанную Kriss, которая была обучена данным измерений на тысячах поверхностных форм.Это позволяет Dynet ++ выполнять 3D-морфологические измерения поверхностей с низкой отражательной способностью или сложными формами.

Чтобы применить эту технологию к образцам топливных элементов, исследовательская группа также обучила алгоритм ИИ, используя данные о металлических сепараторах с поверхностными дефектами.Результаты измерения трехмерной морфологии показывают, что вмятины и царапины на поверхностях выборки, которые трудно определить с помощью обычной 2D -проверки, успешно обнаруживаются за один выстрел, поскольку алгоритм ИИ снимал возможности применения даже с небольшим количеством данных.

Тысячи данных изображения с произвольными сложными шаблонами и соответствующими их 3D -формами получены и используются для обучения разработанной сети Dynet ++.Переносное обучение используется для анализа данных, полученных в новых условиях окружающей среды, что требует только одной десятой от объема данных для изменения обученной модели по сравнению с тем, что использовалось для создания начального алгоритма.Основываясь на модифицированной модели, могут быть предсказаны результаты трехмерных измерений для различных сложных паттернов.

Технология, разработанная в рамках этого исследования, может быть легко применена к производственной линии, независимо от формы или размера субъекта, который должен быть измерен.Это обеспечивает автоматическую проверку дефектов даже во время производственного процесса с внешними вибрациями и значительными изменениями температуры.Эта технология может способствовать внедрению умных заводов в различных областях производственной отрасли, включая топливные элементы, повышение производительности, повышение качества продукции и снижение затрат.

Доктор Янг-Сик Гим, лидер команды по оптической визуализации и метрологии, заявил: «Эта технология может использоваться для проверки различных разломов и дефектов в сепараторах топливных элементов. Она может не только максимизировать производительность, но и улучшитьДолговечность и безопасность топливных элементов, которые в настоящее время производятся ».

Документ опубликован в журнале IEEE Transactions по промышленной электронике.

Больше информации: Manh The Nguyen et al., Dynet ++: глубокое обучение на основе одноразового измерения фазовой измерения для трехмерного измерения сложных поверхностей свободной формы, транзакции IEEE на промышленной электронике (2023).Doi: 10.1109/tie.2023.3253940

Получи бесплатную еженедельную рассылку со ссылками на репозитории и лонгриды самых интересных историй о стартапах 🚀, AI технологиях 👩‍💻 и программировании 💻!
Присоединяйся к тысячам читателей для получения одного еженедельного письма

Подписывайся на нас:

Нашли ошибку в тексте? Напишите нам.

Добавляй ЛРНЧ в свою ленту Google Новостей.
Читайте далее 📖

Увеличение долговечности Li-Me аккумулятора за счет минимизированного координационного разбавителя

5/25/2024 · 3 мин. чтения

Увеличение долговечности Li-Me аккумулятора за счет минимизированного координационного разбавителя

Использование магнитно-резонансной спектроскопии для проектирования эффективных литиевых батарей

5/21/2024 · 3 мин. чтения

Использование магнитно-резонансной спектроскопии для проектирования  эффективных литиевых батарей