用于离子电池薄基涂层质量控制的热成像:缺陷检测,干燥动力学和基于机器学习的质量负载估计

科学领域:

• 材料科学 材料科学 材料科学
• 制造业 工程 制造工程
• 非破坏性测试 不破坏性测试

背景情况:

• 薄涂层对于电池和太阳能电池等先进技术至关重要.
• 当前的质量控制方法可能具有破坏性或缺乏实时反.
• 了解涂层缺陷和干燥动态对于性能和可靠性至关重要.

研究的目的:

• 证明热成像作为薄涂层的非破坏性实时质量控制方法.
• 用热成像分析缺陷检测,质量加载和干燥动态.
• 开发一种用于估计涂层质量的预测模型.

主要方法:

• 使用热成像来捕捉表面温度变化.
• 与特定涂层缺陷相关的热特征 (条纹,针孔,喋喋不休的痕迹).
• 采用随机森林机器学习模型,根据热数据预测质量负载.

主要成果:

• 热成像成功发现了涂层缺陷,条纹导致高达15°C的温度下降.
• 在表面温度,质量负载和涂层厚度之间发现了强烈的相关性.
• 较厚的涂层表现出长时间的干燥和显著的收缩 (高达60%).
• 机器学习模型准确预测了质量负载 (±0.3 mg cm-2).

结论:

• 热成像是一种可行的非破坏性方法,用于薄涂层工艺的实时质量控制.
• 该方法可以适应批量和连续 (卷对卷) 制造.
• 这项技术可以在各种应用中显著提高涂层性能和生产可靠性.