<p id="ods0r"><tbody id="ods0r"><var id="ods0r"></var></tbody></p><li id="ods0r"></li>
  • <table id="ods0r"><ruby id="ods0r"></ruby></table>
    1. <track id="ods0r"></track>
    2. <pre id="ods0r"><label id="ods0r"><menu id="ods0r"></menu></label></pre>

      1. <table id="ods0r"></table>
      2. 聯系我們

        江蘇瑞合碩電子科技有限公司【官網】

        電話:0512-65104281  

        傳真:0512-66357386

        熱線:400-600-9161

        郵箱:chem@ebrio.cn

        網址:http://www.bretkuhns.com/

        地址:江蘇省蘇州市吳中區雙祺路8號



        新聞中心

        網站首頁 > 灌膠機行業新聞 > 【技術干貨】光伏組件生產全流程視覺AI+檢測...

        【技術干貨】光伏組件生產全流程視覺AI+檢測及大數據平臺來了!

        發布日期:2021-10-15 內容來源于:http://www.bretkuhns.com/

        更多 0

        灌膠機,雙液灌膠機,單液灌膠機

        01NEWS


         引言



        近年來,我國光伏產業發展迅速,中國光伏行業新增裝機連續8年居全球首位。以人工智能、工業互聯網、大數據等新興技術為依托的智能制造與光伏行業的結合時機已經成熟。




        在品質管控及工藝分析方面,AI+視覺技術在光伏組件生產場景下落地應用經過近五年時間,目前已經進入全面展開階段。在此背景下,晟成光伏聯合優層科技強勢推出組件生產全流程檢測及大數據平臺,旨在全面提升組件生產行業的數據化、智能化,優化生產資源配置、杜絕或減少批量缺陷產生、卡控重要缺陷傳遞、實現生產效率及產品品質雙提升。




        02NEWS


        視覺AI+檢測節點




        2.1 技術平臺簡介




        我們自主研發的閉源圖像算法基于人工智能技術,經自主開發并成功應用于工業場景,能夠實現小樣本、高精度的AI檢出。




        該算法是基于線性數學、非線性矯正、多圖像融合以及深度神經網絡等技術綜合打造的,能夠靈活應用于光伏組件生產流程各個環節。算法平臺可獨立提供對接成像設備、流程線、數據控制中心等軟、硬件,實用性、擴展性極強,已經成功在各環節成功應用。




        2.2 光伏組件生產全流程應用節點




        下圖將主要光伏組件生產流程的各監測點進行了簡單梳理。可以看出,針對各結點,我們都有對應的視覺檢測解決方案。




        圖1 光伏組件流程梳理




        2.2.1 EL及外觀串檢




        串焊機作為整個組件生產環節中層前最重要的工序,對其進行在線實時檢測,及時發現運行參數波動,避免批量缺陷產生,對整線運行有著突出的重要性。




        (1)EL串檢




        串EL的AI模型可以覆蓋全部電池片及串的工藝類型。系統可以可以自主設定15x-210的電池片尺寸、兼容有無倒角電池片;缺陷類型包括隱裂、虛焊、黑片、明暗片、斷柵、黑斑、劃傷等,并可以對各檢出項進行閾值設定以達到不同客戶、不同來料的工藝要求。




        (2)外觀串檢




        針對EL不能檢出的項目,如片間距、焊帶偏移、焊帶過長(搭接短路風險)、助焊劑殘留、異物等,需要增加串檢外觀項目,使用先進的線掃相機,可以得到高清圖片。該項目對比同行類似方案,檢出效果更穩定可靠。



        圖2 串檢功能示意圖




        (3)串長、端部焊帶檢測




        在移栽排版一體機中,灌膠機增加了串長及端部焊帶檢測,串長過長過短、端部焊帶消失、角度偏轉、長度不足、焊帶錯位等缺陷都能被檢出。


         


        2.2.2 擺串后反面外觀檢測




        組件從擺串機出來后,反面朝上,在此處設置圖像采集裝置,配合算法可以檢出電池串間距不良、爬電距離不足、電池片破片(較大)、較大臟污異物等問題。


         


        2.2.3 疊焊后反面外觀檢測




        經過疊焊后,在二鋪之前,可以清晰看到匯流條及引出線的位置信息,在此處可以檢出焊帶偏移、匯流條引出點位置、電池串間距、爬電距離等缺陷。


         


        2.2.4 二鋪后外觀檢測




        二鋪后的主要問題存在于可能引出線未能穿出孔,導致后續工序無法正常運行,在此處針對引出線進行拍攝,灌膠機可以有效卡住不良。


         


        2.2.5 層前、層后EL、外觀檢測




        EL、外觀檢測設備已經在業內成熟應用多年,我們結合AI人工智能的全自動檢出系統也已經成功應用于多個龍頭企業的實際產線中。




        AI模型涵蓋EL及外觀所有檢出項目,如虛焊、隱裂、劃痕、斷柵、破片、并串、焊帶偏移等等,覆蓋所有電池片類別,兼容所有版型;另外,檢出采用先出后判模式,產線節拍優于導入AI系統前。從幾年系統穩定應用到實際產線的運行數據來看,平臺切實節省了人工、大大降低了組件降級率。




        系統解決方案方面,我們提供單機、合機、集中判定等多種運行模式,切換方便快捷。以三條產線合機模式為例,從下圖可以看出,只需要一個人來對AI的檢出進行復判則可以完成所有日常工作,如下圖:




        圖3 EL及外觀檢測系統




        2.2.6 層壓后外觀檢測




        層后外觀檢測項目主要針對層壓后的組件外觀進行拍攝,包括對單玻組件拍攝正面外觀,灌膠機雙玻組件全部拍攝,檢測層壓過程產生的氣泡、電池片碎裂等缺陷。通過對層壓后的組件進行檢測,如果發現有連續缺陷產生,則可提前預知層壓機的問題,并對其提前檢修,減少因層壓機問題給生產帶來的巨大損失。最后通過圖像合成,將圖像及缺陷顯示在GUI中,方便使用。




        2.2.7 裝框打膠檢測




        組框機打膠一旦出現膠斷續問題,后續需要人工補膠。這樣做不但浪費人工、降低產線節拍,而且不能從根本上解決封膠質量風險。我們采用雙相機實時監控打膠過程,同步檢測打膠斷續情況并報警,對杜絕不良產生很有必要。




        2.2.8接線盒焊接圖片存檔及檢測




        接線盒焊接主流工藝為機器自動焊接,經過檢驗返修后,直接進入灌膠環節,后續一旦出現故障和客訴則無法追溯。針對焊接質量監控,采用高像素單點直拍方式,對每個接線盒在灌膠之前采集圖片并存檔,以便后續問題追溯。同時,針對圖像結合失效條碼記錄和分析,通過大量數據和算法結合迭代,得到有效算法,在采集圖像同時進行缺陷檢出。




        2.2.9 灌膠效果檢測




        灌膠機后,可以對灌膠質量以及接線盒安裝(盒外底部密封膠圈)進行質量檢測,避免灌膠過少或漏出以及接線盒底部密封膠圈不良導致的品質問題。利用深度學習算法結合傳統算法,實現有效檢出,把控灌膠質量。以下是典型的在線檢出結果:




        圖4 邊框及灌膠三合一檢測示意圖


         


        2.2.10 固化前后邊框檢測




        利用成像對組件邊框尺寸進行測量,精度可達1mm;另外同時檢測安裝孔、漏水孔、接地孔智能識別并計數測量、并測量安裝孔的位置。




        結合以上灌膠效果檢測,我們全新打造3合1檢測。在同一工位同時檢測灌膠效果、邊框尺寸及邊框孔位。以下是實際檢測軟件界面。




        圖5 邊框及灌膠三合一檢測示意圖


         


        2.2.11 銘牌及條碼檢測




        針對銘牌及條碼自動貼標機可能出現的缺陷,如氣泡、褶皺、打印不清晰、粘貼歪斜、漏貼、標簽貼錯等,我們的平臺均顯示出優秀的檢出能力。




        03NEWS


        品質工藝大數據平臺介紹




        3.1 總體介紹




        我們推出的光伏組件生產智能制造產品質量大數據平臺是一個實時的、以大數據算法為基石的、多點人機交互系統。該系統平臺擁有對產品質量全程進行數據采集、存儲、可視化實時數據報表、工藝分析工具以及數據相關性挖掘等功能。




        該平臺利用先進的大數據挖掘算法定位數據相關性,結合專家系統分析設備關聯性、工藝關聯性、產品品質關聯性,減少繁雜的數據統計工作。通過系統可以得到更合理的長效解決方案,優化工作效率、精簡人力、提升品質。


         


        3.2 系統運行的特點




        通過全流程的檢測信息高度集成化和數據可視化,實現生產過程的信息采集。




        缺陷的典型形態與缺陷成因有著緊密聯系。結合工藝經驗和圖像大數據算法,自動、實時、智能化的平臺可以取代目前工藝繁瑣的分析數據而定位設備故障的全過程。




        利用大數據工具,通過對檢測數據的分析和挖掘,自我學習迭代,關聯設備、工藝,實現可預見性維護,創造另一輪附加價值。


         


        3.3 系統結構及功能介紹




        3.3.1 系統結構




        大數據平臺由數據來源、工藝專家系統、深度學習及數據分析系統、工藝設備策略系統組成。其中數據來源于本文第2章中所述的全流程的檢測系統、流水線運行數據、MES部分數據、設備運行數據等。數據通過融合后進入工藝專家系統,對數據進行條理化、規則化后送入深度學習數據挖掘網絡中進行推斷,得到工藝設備的動作決策。整個流程不斷閉環螺旋提升,達到產線最優化控制的目標。



        圖6 系統機構圖




        3.3.2 部分功能展示




        以層前的檢測為例,系統可以根據時間選擇要生成時間段的缺陷占比情況,并分別在移動端和電腦端進行展示。串檢及組件缺陷部分數據統計功能如下:



        04NEWS


        未來發展趨勢



        毫無疑問,智能化是制造自動化的發展方向。在光伏組件生產制造過程的各個環節廣泛應用人工智能技術、專家系統技術,從而優化工藝過程、提效生產調度、快速故障診斷等,勢在必行。


        相關評論:
        暫無評論
        在線評論:
        評論人:
        聯系方式:
        評論內容:
        驗證碼:  換一張
        在線客服
        18禁成年免费无码国产
        <p id="ods0r"><tbody id="ods0r"><var id="ods0r"></var></tbody></p><li id="ods0r"></li>
      3. <table id="ods0r"><ruby id="ods0r"></ruby></table>
        1. <track id="ods0r"></track>
        2. <pre id="ods0r"><label id="ods0r"><menu id="ods0r"></menu></label></pre>

          1. <table id="ods0r"></table>