Batterie sicure e a norma

• 
• Tweet
• Pin It
• Condividi per email

Scopriamo con Zebra Technologies come fanno i produttori di auto e batterie a garantire che i loro processi e i loro prodotti siano sicuri e conformi

Sostenibilità, investimenti governativi, la scelta di migrare a un parco auto elettrico… portano a ipotizzare che entro il 2030 il mercato delle batterie per veicoli elettrici possa raddoppiare rispetto a quello attuale. Già per il prossimo anno, 2025, la stima della Commissione Ue vede 13 milioni di veicoli a basse emissioni circolanti sul territorio. Exxon Mobil prevede di iniziare a produrre litio entro il 2027, necessario per le batterie delle auto elettriche e per l’elettronica avanzata. Toyota ha dichiarato di essere prossima alla produzione di massa di batterie allo zolfo con elettrolita allo stato solido, e a un investimento di 8 miliardi di dollari per il suo impianto di batterie EV in North Carolina. Dall’America all’Europa alla Cina, il riciclo delle batterie per veicoli elettrici sta ricevendo un’attenzione sempre maggiore, con una serie di leggi nuove e proposte, partnership aziendali e start-up che cercano di acquisire questo spazio. Ma come fanno i produttori di auto e batterie a garantire che i loro processi e i loro prodotti siano sicuri e conformi, a fronte di una maggiore consapevolezza dei consumatori per la sicurezza? Ne abbiamo parlato con Luca Gallo, business partners and market development manager for machine vision and fixed industrial scanning di Zebra Technologies.

Qual è lo scenario economico per quanto riguarda l’applicazione dell’intelligenza artificiale nel campo delle batterie EV? Qual è il ruolo di Zebra in questo settore?

Luca Gallo: Deep learning e machine vision possono fornire grandi benefici all’industria automobilistica e alla produzione di batterie per veicoli elettrici. Il mercato delle batterie elettriche è sempre al centro dell’attenzione: il settore continua a evolvere coinvolgendo diversi ambiti, tra cui la geopolitica, il commercio globale, il riciclo e gli sviluppi aziendali. Per esempio, Exxon Mobil prevede di iniziare a produrre litio, necessario per le batterie delle auto elettriche e per l’elettronica avanzata, entro il 2027. Toyota, invece, ha dichiarato di essere prossima alla produzione di massa di batterie stato solido per auto elettriche, oltre all’investimento di 8 miliardi di dollari nella sua fabbrica di batterie EV nella Carolina del Nord. Anche il riciclo delle batterie è un tema sempre più rilevante: dall’America all’Europa, passando per la Cina, stanno emergendo una serie di leggi nuove e proposte, partnership aziendali e start-up che vogliono investire in questo ambito. A fronte di un crescente interesse e una maggiore consapevolezza da parte dei consumatori, oltre alle preoccupazioni per la sicurezza, è necessario che il settore, relativamente nuovo, della produzione automobilistica abbia processi, componenti e batterie sicuri e conformi. È qui che Zebra Technologies può svolgere un ruolo chiave. Come partner di soluzioni di deep learning e machine vision, può permettere alle case automobilistiche e ai loro fornitori di offrire nuovi livelli di precisione, qualità e conformità.

Cosa sta determinando l’ascesa del deep learning avanzato e della machine vision basata su reti neurali simili a quelle umane, applicata all’industria automobilistica?

Gallo: La competizione nell’industria automobilistica sta sicuramente giocando un ruolo importante. Ne consegue che le soluzioni tecnologiche che aiutano un fornitore o una casa automobilistica a essere più efficiente, risparmiare tempo e denaro e offrire processi in grado di garantire qualità e conformità sono molto importanti. Il settore si sta muovendo verso veicoli ibridi, elettrici e autonomi, che richiedono nuovi processi di produzione e competenze per soddisfare le aspettative dei consumatori, anche nel campo della sicurezza. Per questo motivo l’industria automobilistica si sta affidando a soluzioni di machine vision moderne, che superano i problemi di quella tradizionale. Alcuni Paesi, inoltre, soffrono di carenza di manodopera che rende difficile trovare un numero sufficiente di talenti con le giuste competenze. Per questo, disporre di strumenti tecnologici potenti permette di automatizzare gran parte del processo di ispezione visiva, in modo che gli ingegneri possano dedicare più tempo ad attività più complesse.

Le case automobilistiche e i loro partner che si occupano di deep learning sono passati dalla machine vision tradizionale alla deep learning machine vision per garantire livelli di precisione, qualità e controllo della conformità prima irraggiungibili. Ha qualche caso di studio specifico che può essere citato?

Gallo: Zebra collabora con molte case automobilistiche, costruttori di macchine e fornitori in tutto il mondo, oltre che con produttori di altri settori come l’elettronica e il settore food and beverage. Naturalmente, l’utilizzo di potenti soluzioni tecnologiche, a volte, è qualcosa che le aziende preferiscono mantenere riservato. Tuttavia, quando i nostri clienti sono pronti a condividere le loro innovazioni, ci assicuriamo sempre di informare i nostri media di settore. Per esempio, lavoriamo a stretto contatto con aziende come Mosaic, una società internazionale attiva nell’automazione industriale con competenza di ingegneria elettrica, software e meccanica con sedi in Germania, Italia, Serbia e Brasile. L’azienda si avvale di Zebra Design Assistant Machine Vision, una soluzione di machine vision pensata per i settori automotive e farmaceutico. Mosaic necessita della massima garanzia di qualità nella produzione dei dischi dei freni, che vengono realizzati attraverso il sand-casting, un processo di fusione del metallo caratterizzato dall’utilizzo della sabbia come materiale dello stampo. In seguito al processo di fusione, i dischi vengono puliti all’interno di un grande tamburo. A volte, però, questo processo non è ottimale e rimangono residui di sabbia: il sistema Mosaic verifica la presenza di tracce del processo di sinterizzazione e di resti di sabbia sulla superficie del disco, che possono danneggiare i macchinari o ridurne il ciclo di vita, eliminando dalla linea di produzione le unità difettose. Con la soluzione di Machine Vision Design Assistant, Mosaic è in grado di effettuare il controllo qualità per oltre 200 diversi modelli di dischi freno per autoveicoli. Le ispezioni sono ripetibili 24 ore su 24 e le macchine operano più velocemente di quanto potrebbe fare un operatore umano. L’azienda sta sviluppando progetti simili anche per il settore farmaceutico.

Come l’AI viene applicata dalle case automobilistiche per superare alcune delle sfide?

Gallo: L’attenzione alla conformità, alla sicurezza, all’efficienza e alla sostenibilità e il passaggio a veicoli ibridi ed elettrici, rendono necessario il miglioramento della qualità, le ispezioni di fine linea, la tracciabilità dei pezzi lungo la supply chain, la misurazione, la metrologia e l’ispezione della porosità. La giusta combinazione di hardware e software che sfrutta l’AI deep learning può migliorare queste applicazioni di machine vision, anche per i casi d’uso più complessi. Secondo un recente studio di Zebra su AI e machine vision nel settore automobilistico, oltre il 40% dei dirigenti aziendali ha dichiarato che la tecnologia OCR tradizionale, il riconoscimento ottico dei caratteri, richiede troppo tempo per l’addestramento e circa il 40% degli intervistati ha affermato che non è abbastanza stabile. Inoltre, più di un quarto ha affermato che non è in grado di gestire casi d’uso complessi e oltre il 30% ritiene che la tecnologia OCR non sia facile da usare. Queste sfide sono state superate con il nuovo OCR deep learning, che si basa su reti neurali di deep learning che emulano il funzionamento del cervello umano. L’OCR deep learning viene pre-addestrato su migliaia di immagini ed è pronto per essere utilizzato fin da subito. È uno strumento potente che rivoluziona l’ispezione OCR. Le soluzioni moderne di machine vision che supportano il deep learning aiutano i fornitori e le case automobilistiche a ridurre i tempi di formazione, facilitare l’interoperabilità e la manutenzione, oltre a migliorare le prestazioni con casi d’uso complessi e in condizioni difficili e mutevoli. Lo stesso studio ha rivelato che circa il 18% di coloro che hanno dichiarato di utilizzare attualmente la machine vision basata su AI potrebbe fare di più con questa tecnologia. Si tratta quindi di una sfida che i partner di machine vision devono affrontare fornendo consulenze, supporto all’implementazione e alla formazione, nonché con una continua innovazione in ambito AI e hardware.

In che modo il deep learning machine vision può essere utilizzato nel processo di produzione delle batterie EV?

Gallo: La machine vision con deep learning può essere utilizzata per rilevare anomalie e individuare particolari caratteristiche dei prodotti, classificare oggetti, oltre alla segmentazione di istanze e alla localizzazione nell’intero processo di produzione di batterie per veicoli elettrici, dal rivestimento di nodi e catodi, alla posizione delle linguette degli elettrodi, all’allineamento dell’impilamento, all’ispezione di serie/codici e alla verifica dell’assemblaggio, per citarne alcuni.

Come fanno i produttori di auto e batterie a garantire che i loro processi, le parti e le batterie finite siano sicure e conformi, a fronte di una maggiore consapevolezza, delle preoccupazioni e dell’interesse dei consumatori?

Gallo: Le case automobilistiche si avvalgono di un team di ingegneri qualificati, professionisti della conformità e del controllo qualità e di molti altri specialisti che operano in tutte le fasi produttive, oltre a collaborare con fornitori specializzati che rispettano gli standard più elevati per la costruzione di macchine e la fornitura di materiali e componenti. Naturalmente, in questo processo sono presenti anche partner e soluzioni di machine vision che possono essere utilizzati per materie prime, componenti e prodotti finiti.

Zebra Technologies – www.zebra.com

Scarica il pdf

• 
• Tweet
• Pin It
• Condividi per email