EAGLE – A deep learning approach to photovoltaics reliability

• Forschungsstelle: BFE
• Projektnummer: SI/502555

Kurzbeschreibung (Deutsch)

Ziel dieses Projekts ist es, eine neue Methode zur quantitativen und rechtzeitigen Erkennung von Defekten und Fehlern in PV-Modulen durch Bildanalyse in Kombination mit dem Einsatz von Algorithmen der künstlichen Intelligenz und deren Korrelation mit Leistungsverlusten der Module zu definieren. Grundlage dieser Analyse ist der Einsatz einer einzigartigen ultrahochauflösenden Multispektralkamera mit UV- bis IR-Empfindlichkeit, geeigneten Filtern und Beleuchtungseinrichtungen. Um die Projektziele zu erreichen, wird eine Methodik zur automatischen Identifizierung von Fehlermodi auf Zellebene unter Verwendung von Convolutional Neural Networks (CNNs) implementiert. Die Ergebnisse des Projekts werden sich direkt auf künftige Methoden zur Fehlerverfolgung auswirken, sowohl in Forschungslabors als auch in Produktions- und Betriebsumgebungen, da sie eine quantitative und messbare Erfassung der Entwicklung der Modulleistung ermöglichen.

Kurzbeschreibung (Englisch)

Aim of this project is to define a new methodology for quantitative and timely detection of defects and failures in PV modules through image analysis in combination with the use of artificial intelligence algorithms and their correlation with module performance losses. The basis of this analysis is the use of a unique ultra-high resolution multispectral camera with UV to IR sensitivity, appropriate filters and lights setup. To achieve the project goals, a methodology for automatic identification of failure modes at the cell level will be implemented using Convolutional Neural Networks (CNNs). The results of the project will have a direct impact on future defect tracking methodology, both in research labs, manufacturing and operational environments, allowing a quantitative and measurable way to record the evolution of module performance.

Kurzbeschreibung (Französisch)

L'objectif de ce projet est de définir une nouvelle méthodologie pour la détection quantitative et rapide des défauts et des défaillances des modules PV par l'analyse d'images en combinaison avec l'utilisation d'algorithmes d'intelligence artificielle et leur corrélation avec les pertes de performance des modules. La base de cette analyse est l'utilisation d'une caméra multispectrale unique à ultra-haute résolution avec une sensibilité de l'UV à l'IR, des filtres appropriés et une configuration des lumières. Pour atteindre les objectifs du projet, une méthodologie d'identification automatique des modes de défaillance au niveau de la cellule sera mise en œuvre à l'aide de réseaux neuronaux convolutifs (CNN). Les résultats du projet auront un impact direct sur la future méthodologie de suivi des défauts, tant dans les laboratoires de recherche que dans les environnements de fabrication et d'exploitation, en permettant un moyen quantitatif et mesurable d'enregistrer l'évolution des performances des modules.