L’analyse de Martin Delabre, Presales Engineer chez MVTec
La production de cellules de batterie est un processus complexe qui nécessite un soin et une précision extrêmes pour que les batteries répondent aux normes requises en matière de sécurité, de performance et de longévité. Afin de détecter à temps les erreurs de production, les dommages ou les impuretés, la vision artificielle est utilisée tout au long du processus pour assurer la qualité et optimiser le flux de production.
La surface, la précision dimensionnelle et l'orientation des pistes d'électrodes revêtues
sont contrôlées à l'aide de la vision industrielle afin de garantir leur qualité.
Traitement industriel de l'image dans la fabrication d'électrodes
Lors de la fabrication d'électrodes, une feuille de cuivre ou d'aluminium est revêtue sur les deux faces d'un matériau actif. Si des impuretés, des incohérences ou des défauts apparaissent à ce niveau, la qualité et la performance de l'ensemble de la batterie s'en trouvent affectées. La vision artificielle permet de contrôler la surface, la précision dimensionnelle et l'alignement des pistes d'électrodes revêtues afin de garantir leur qualité. Outre le simple contrôle de qualité, les résultats du logiciel de traitement d'images, parfois associés à d'autres points de données, permettent d'optimiser le processus. Il est ainsi possible de détecter très tôt si, par exemple, le revêtement n'est pas appliqué de manière uniforme, si la largeur de l'électrode n'est pas constante ou si des résidus du revêtement adhèrent aux bords. Pour compliquer encore les choses, le processus d'enduction se déroule à des vitesses de bande élevées, jusqu'à 80 mètres par minute et une largeur de bande pouvant atteindre 1,5 mètre. La vision industrielle et le matériel correspondant permettent de détecter et de classifier de manière robuste les plus petits défauts, même dans ces conditions de production.
Prévention des erreurs dans le montage des cellules
La fabrication des électrodes est suivie de l'assemblage des cellules, au cours duquel la feuille d'électrode et un “séparateur” sont d'abord empilés ou enroulés, puis insérés dans le boîtier de la batterie. Le boîtier est ensuite en grande partie soudé et rempli d'électrolyte par une ouverture restante. Dès que le remplissage est terminé, la dernière ouverture est également fermée. Un logiciel de traitement d'images est également utilisé ici pour contrôler les différentes étapes de travail. Les soudures peuvent également être contrôlées de cette manière, bien qu'il puisse y avoir une grande variation de caractéristiques d'erreur possibles en raison du processus, c'est pourquoi les approches IA sont bien adaptées. L'œil humain ne serait ici pas en mesure, contrairement à un réseau de Deep Learning entraîné en conséquence, de reconnaître des modèles, de les quantifier et de prendre des décisions sur cette base. En outre, grâce à la vision artificielle, les codes-barres et les codes Data Matrix peuvent être lus de manière fiable.
Tests de fin de ligne avant la livraison
Avant de quitter l'usine, les cellules de batterie sont soumises à différents tests de fin de ligne, dont des contrôles optiques. À l'issue de ces tests, les cellules sont généralement triées en fonction de leurs performances, emballées et préparées pour l'expédition. Lors de l'inspection optique de la surface et de la mesure, le traitement industriel de l'image permet de détecter rapidement si les cellules doivent être rejetées. Si une cellule est déformée, s'écarte du diamètre prédéfini de la cellule ou présente d'autres dommages de surface, elle est classée en conséquence par le logiciel de traitement d'images. Les codes illisibles, les impuretés ou les corps étrangers peuvent également être détectés de manière robuste. Les cellules classées comme endommagées peuvent ainsi être éliminées avant de quitter l'usine. La vision industrielle permet de détecter facilement et automatiquement les dommages tels que les petites éraflures, les bosses ou les bosses, même sur les surfaces hautement réfléchissantes.
Procédés applicables à la production de cellules
La production de cellules de batteries se décompose en de nombreuses étapes individuelles, dans lesquelles le traitement industriel de l'image permet un contrôle de qualité en ligne à 100 % et contribue de manière déterminante à l'optimisation des processus. Pour ce faire, on utilise aussi bien des méthodes classiques basées sur des règles que des méthodes basées sur le Deep Learning. Les premières sont particulièrement adaptées aux étapes de production très rapides, comme le revêtement et le calandrage ou lorsque la plus grande précision et le respect des dimensions sont exigés, comme par exemple lors de l'empilement par couches de feuilles d'électrodes individuelles dans le cadre de la fabrication de cellules de batteries prismatiques.
En revanche, les technologies de Deep Learning sont de plus en plus utilisées dans les étapes ultérieures de la production cellulaire, où elles servent surtout à la détection des défauts et à l'inspection des surfaces. Elles permettent une détection robuste des plus petits défauts et des impuretés - même sur des surfaces hautement réfléchissantes. La technologie de Deep Learning « Anomaly Detection » permet en outre de détecter des défauts jusqu'alors inconnus. Autre avantage de cette méthode : seules des « bonnes images » sont nécessaires pour entraîner le modèle.
Jusqu'à présent, l'utilisation de la vision industrielle dans la production de batteries reste encore bien en deçà de son potentiel. Par rapport à d'autres secteurs hautement complexes et automatisés, comme l'industrie des semi-conducteurs, l'assurance qualité et le contrôle automatique des processus en sont encore souvent au stade du prototype ou de la mise en route. En Europe du moins, cela se traduit par des taux de rebut de 20, voire 30 pour cent, qui sont plutôt la règle que l'exception.
L'utilisation de la vision industrielle dans la production de batteries présente de nombreux avantages pour les fabricants. Dans la production européenne de batteries en particulier, l'utilisation systématique du traitement industriel de l'image dans le cadre d'une numérisation et d'une optimisation intégrée des processus offre un très grand levier. Elle permet de réduire le taux de rebut et apporte une contribution mesurable à la durabilité grâce à l'utilisation plus efficace de matières premières précieuses qui en découle. En même temps, elle permet d'augmenter le rendement, car en tant qu'« œil de la production », la vision industrielle permet des processus de production automatisés de bout en bout et parfaitement traçables.