AI 和机器视觉如何降低电动汽车制造成本

电动汽车 (EV) 将会继续存在。更多的制造商致力于减少车辆排放，实现碳中和，并将更多的电动汽车引入他们的阵容。

受政府激励措施推动（如减免税、向国内制造业投资以及设立更多新电动汽车销售目标），消费者对电动汽车的需求也在增长。但大规模采用电动汽车的道路很长；据路透社报道，美国2.5亿辆汽车中只有不到1%是电动车，每年只销售1700万辆新车。

价格过高阻碍增长

消费者遇到的最大障碍之一是价格过高。电动汽车的维护和燃料成本可能低于汽油动力汽车，但尽管退税和其他激励措施，电动汽车的前期成本仍然会驱逐驾驶者。

虽然电动汽车的平均交易价格（ATP）正在下降，但它们仍然比配备内燃机（ICE）的车辆更昂贵。福特汽车公司首席执行官 Jim Farley 表示，这一趋势可能会持续至 2030 年。在2023年5月举行的投资者会议上，Farley表示，预计电动汽车价格不会下跌，直到20年后期发布第二代和第三代车型。
 

打到底线的竞争：电池价格越低，市场份额越高

电动汽车的高成本阻碍了电动汽车的普及，并最终限制了市场中汽车和电池的数量。随着国家鼓励购买电动汽车和制造竞争的加剧，激励电动汽车生产商和供应商降低成本，并将更低的价格传递给消费者。

电动汽车的两个重要成本中心是电池和劳动力。据路透社报道，锂离子电池组占电动汽车价格的 50%，需要价格昂贵的稀有材料，如钴、镍和锂。福布斯报道，这些金属的价格波动，并受到主要电动汽车和金属生产国政策变化的影响，以及其他因素。  

金融服务公司 Morningstar 预计，随着对电动汽车需求的增长，锂价格将持续上涨，直至 2030 年；新的锂生产商像任何大规模企业一样，通常会面临延期。

而劳动力成本则更加印证了这一观点。福特的Farley预计电动汽车将更容易使用更具成本效益的材料制造和配备更小的电池，从而降低2030年至2035年之间的劳动力成本。
 

转向成本节约

电动汽车制造商和电池供应商被迫降低成本。降低成本最可行的方法是将复杂、耗时的电动汽车电池检测和手动流程实现自动化。

机器视觉和 AI 对制造自动化、提高效率、质量控制和降低成本至关重要。机器视觉利用摄像头和传感器来捕获和分析视觉数据，而人工智能则解释这些数据以解决复杂和具有挑战性的检查。

区分可接受缺陷和真实缺陷

这些技术可减少检测次数、降低废品率和识别细微缺陷，确保电池质量和效率，从而降低电动汽车电池的成本。

识别缺陷对于电动汽车电池的安全性和性能至关重要。缺陷检测是一项基本功能，但许多流程耗时、资源密集且不可靠。将外观瑕疵归类为功能缺陷是一个代价高昂的错误；这可能意味着报废昂贵的稀有金属和元素。  

为了最大限度减少浪费和返工，康耐视利用先进的算法和图像分析软件，在电动汽车电池生产过程中将真正的缺陷与表面瑕疵区分开来。使用深度学习技术，用户可以对视觉系统进行编程，以检测缺陷，确定缺陷是否在可接受的变化范围内，并标记不可接受的缺陷，同时考虑反射表面等变化。

评估电池焊接

检测电动汽车电池焊缝对于电动车结构完整性和性能至关重要。将化妆品与传统视觉系统的功能变化分开几乎是不可能的，因为它们的外观几乎相同。  

康耐视软件可定位检测区域，而 3D 传感器能够检测焊接边缘和拐角，确保完全密封且无缺陷。基于深度学习的缺陷探测和分类工具学习了各种焊接变化，并学习准确分类和区分功能性缺陷和外观性缺陷。

检查电池、小袋和气缸表面

彻底的表面检查对于消除可能影响电池性能的缺陷、污染物和异常至关重要。机器视觉系统可以检测划痕、凹痕或异物等缺陷，从而提高电动汽车电池的整体质量。

检查电极涂层

电极涂层的均匀性和质量显著影响了电动汽车电池的性能。精确的机器视觉解决方案可检测电极涂层，识别出不一致或缺陷。这可确保涂层厚度均匀、质量稳定，从而提高电池性能和寿命。

康耐视 工业线扫描相机是“网络”表面检查的理想选择，可确保薄膜基底均匀地涂有铜和铝。
 

机器视觉准备为电动汽车的负担能力做出贡献

利用机器视觉和 AI 解决方案对于电动汽车制造商应对挑战、提高效率和生产质量至关重要。制造商采用这些技术可以降低成本，提高生产率，加快电动汽车的普及。

如需在电动汽车制造中实施机器视觉和 AI 的详细信息，请下载下方电动汽车解决方案指南。