Kontraststeigerung in Transmissions-SAM-Scans mittels Unsupervised-Clustering und automatischer Defektklassifizierung

Werden Lithium-Ionen-Batterien mittels SAM geprüft, ergeben sich aufgrund von Struktur und Materialmix verschiedenste Herausforderungen. Aufgrund geringer Lagendicke (in der Regel kleiner als 1/3 der Wellenlänge) sind Grenzflächen bei üblichen Verwendeten Frequenzen im niedrigen MHz Bereich im A-Scan nicht auszumachen. Obwohl Defekte vorhanden sind, erzeugen sie im Vergleich zum Rest der Batterie bei Verwendung von typischen Gates niedrigen oder keinen Kontrast da vor allem die Amplitude gering oder nicht von Defektfreien Regionen abweicht. Dies stellt in der Bewertung der Qualität des Scanergebnisses ein Problem dar und steht einer Nutzung von SAM in der Qualitätssicherung im Weg.In dieser Arbeit werden Z-Scans von Batteriezellen mithilfe von unsupervised und supervised feature Extraction analysiert. Dies ermöglicht es, den Transmissionsscan der Batteriezelle in verschiedene Cluster einzuteilen, die Defekte oder bestimmte Detailregionen enthalten. Die Cluster erzeugen dabei bereits ein klares Bild und ermöglichen es Domänenexperten entsprechende Defekte zu annotieren. Ist eine Annotation vorhanden, kann mit den existierenden Features zudem eine automatisierte Klassifizierung von Defekten erzielt werden, indem anstatt eines Clustering Algorithmus ein Modell zur binären Klassifizierung verwendet wird. Nachgewiesen wird die Funktion des Ansatzes an industriellen Batteriezellen, die mit Defekten im Bereich von 0,1 bis 3 mm versehen sind.