由于能量密度变化，电动汽车中的锂离子电池在使用时受到严格的质量监控。在电池生命周期内，工业计算机断层扫描技术越来越多地被用于检测电池的缺陷和内部变化。据外媒报道，Volume Graphics公司通过CT数据分析和可视化软件，深入检测储能设备的内部工作状态。

 （图片来源：Volume Graphics公司）

该公司材料研发部的产品经理Pascal Pinter表示，尽管CT分析不能揭示电芯内部的电化学，但能展现其内部机械工作原理。热失控（内部起火）便是由一些机械原因引起的。相反，电化学过程可以改变机械条件。现在，研究机构和电池生产商逐渐增加使用CT数据。通过高级软件，可以进行几何测量和材料测试。

在研发过程中，使用CT数据分析，有助于测试原型的最佳结构设计。关于壁距、密封件和公差、电芯化学分布和外壳的信息均可捕获，并且能够对其在可靠性和设计电气输出方面的作用进行质量检测。另外，由于电池制造工艺非常复杂，在生产过程中，基于CT的分析能发挥一定作用，例如，在早期阶段去除工艺链中的有瑕疵组件。

采用高分辨率CT扫描仪，可以看到电极封装层中的不规则之处。分层是一种典型现象，还有局部杂质，如在切割过程中和电池组装焊接过程中产生的残留物。外来颗粒有引发短路的风险。

在制造过程中，有一个重要的内部尺寸需要监控，那就是负极重叠。为了抵消锂电镀，负极总是与正极重叠，以减少对电芯的损害。在制造过程中，固定的负极凸出物要求具有较高的加工精度。这是由制造商决定的，可以使用CT分析软件进行检查。最后，工程师可以在售后阶段使用CT进行检查和验证，以确定设备故障的原因。

在使用CT检测电池时，质量工程师要面临一个挑战：在由CT扫描仪提供的灰度图像中，其结构对比度很低。这是由于一些材料的低密度差异引起的。另外，电芯封装薄膜和涂层非常薄，并且紧密地结合在一起。有时，很难确定那些不规则处到底是缺陷、散射辐射还是伪影。

核心问题：哪个三维像素是缺陷像素，哪个不是？即使是经验丰富的质量工程师，也会有不同的解读。他们唯一能做的就是，相应地调整或改变系统的扫描参数，如果需要的话，还要特别注意某些兴趣区（ROI）。这种传统方法存在一定缺点。这取决于操作人员，因此具有个别性，而且需要更多的时间，从而延长扫描时间。

由于电芯内部的丝状结构有时需要高分辨率扫描仪，因此扫描时间较长，相关过程比较紧张，特别是在指定周期内进行随机样本检测时。在这种情况下，已经证明人工智能及其深度学习子集特别有效，特别是在检测必须执行类似任务的铸造金属工件时，例如电池的电芯。

在基于CT的缺陷检测中，深度学习/神经网络（NN）的应用，可以给出快速准确的结果。这种网络需要类似于内存的东西才能实现，必须用缺陷数据进行“训练”。那么，这些数据从何而来呢？基本上有两种方式：一是基于真实缺陷模型的人工缺陷数据模拟。为此可以使用专门的软件，通过这种方式，模拟扫描过程中发生的物理效应，从而人为得出准确的数据池。其次，缺陷数据也可以从实际元器件中提取。在这种情况下，必须手动检测缺陷，需要更多的真实对象。

必须根据具体情况决定最合适的方法。客户可以委托创建单独的 NN 程序，以设计最适合其问题的算法。有必要的话，开发人员可以提供一定数量的电池电芯，包括完整的电芯和含严重故障的电芯，以完善分析。

在应用经过训练的神经网络时，可将实际扫描的不规则性，与“内存中”的缺陷数据进行比较。然后，神经网络会识别相似之处，就哪些是缺陷像素及哪些不是，给出可靠的答案。系列零件检测具有一个优势：这种方法在较低分辨率下也非常准确，因为扫描时间较短。从长远来看，还可以对电池电芯进行在线检查。

CT分析软件能够节省时间，具有重要意义，已经在研发和生产检验等阶段得到成功应用。