电池生产线中检测热失控事件的深度学习方法

电池制造的关键安全考量之一是热失控，这是一种温度 uncontrolled increase（不可控的温度上升），可能导致火灾、爆炸以及有毒气体的释放。因此，开发能够检测此类事件的自动化系统在学术和工业界都具有重要重要性。在本工作中，我们调查了在 VDL Nedcar（荷兰汽车制造商）的电池生产线上使用深度学习检测热失控的方法。具体而言，我们收集了既有基线（非热失控）又有热失控条件的数据。通过使用外部热源和烟雾源模拟热失控。数据包括光学图像和热成像图像，这些数据随后被预处理和融合，以作为模型的输入。在此方面，我们对三种在计算机视觉中广泛使用的深度学习模型进行评估，包括浅层卷积神经网络、残差神经网络和视觉转换器，并对两种性能指标进行评估。此外，我们使用可解释性方法评估这些模型，以获得其捕获输入相关特征信息能力的见解。获得的结果表明，深度学习是一种可行的方法，可用于电池生产线中的热失控检测。