光伏组件智能回收分离方法技术

本发明专利技术涉及光伏发电技术领域，具体涉及一种光伏组件智能回收分离方法，包括以下步骤：S1、将光伏组件放置到电控输送轨道上，进入到加工工位并进行定位；S2、定位完成后，驱动两电控输送轨道之间且位于光伏组件下方的上升平台，将光伏组件抬升到设定高度；S3、驱动上升平台上方的下压平台下移至设定距离，将光伏组件夹持固定；S5、驱动接线盒分离装置对光伏背板后面的接线盒进行分离；S5、利用边框分离装置分离铝合金边框的长边框和窄边框；S7、通过电控输送轨道将光伏组件退出；S8、将铝边框、接线盒进行分类回收。本发明专利技术能够将实现拆除后的光伏组件破坏程度最小、拆除效率高、回收最方便的目标。的目标。的目标。

【技术实现步骤摘要】
光伏组件智能回收分离方法


[0001]本专利技术涉及光伏发电
，具体涉及一种光伏组件智能回收分离方法。

技术介绍

[0002]太阳能电池又叫做“光电池”、“光伏组件”或“太阳能芯片”等，它是将光能转化为电能的一种半导体薄片。但是这样的薄片非常脆弱，如果直接放在野外发电的话是肯定不行的。所以需要由其他材料将其保护起来，封装成太阳能电池板才能正常使用。
[0003]光伏组件一般由铝边框、玻璃盖板、EVA薄膜、太阳能电池片、EVA薄膜、光伏背板、接线盒组成。铝边框与上玻璃盖板和光伏背板之间通过密封胶密封连接，接线盒通过密封胶固定在光伏背板后面。当光伏组件需要返厂维修，或退役后的光伏组件需要回收时，须进行边框和接线盒的拆除，并分别运输到不同的企业进行资源回收、再利用。目前主要采用人工强制机械力对光伏组件的铝边框进行破坏性拆除，其余组件也会遭受一定程度的破坏，导致不能正常回收。

技术实现思路

[0004]本专利技术的目的在于提供一种光伏组件智能回收分离方法，能够将实现拆除后的光伏组件破坏程度最小、拆除效率高、回收最方便的目标。
[0005]为了达到上述目的，提供了一种光伏组件智能回收分离方法，包括以下步骤：
[0006]S1、将光伏组件放置到电控输送轨道上，进入到加工工位并进行定位；
[0007]S2、定位完成后，驱动两电控输送轨道之间且位于光伏组件下方的上升平台，将光伏组件抬升到设定高度；
[0008]S3、驱动上升平台上方的下压平台下移至设定距离，将光伏组件夹持固定；
[0009]S4、驱动接线盒分离装置对光伏背板后面的接线盒进行分离；
[0010]S5、利用边框分离装置分离铝合金边框的长边框和窄边框；
[0011]S6、通过电控输送轨道将光伏组件退出；
[0012]S7、将铝边框、接线盒进行分类回收。
[0013]进一步，所述步骤S1中还包括以下步骤：
[0014]S101、在电控输送轨道的两侧设置纠正区域，使经过纠正区域的光伏组件与电控输送轨道的相对位置达到设定值；所述纠正区域为外壁光滑且宽度逐渐减小至光伏组件宽度的收束挡板；
[0015]S102、经过纠正区域送至拍摄区域，在拍摄区域的两侧设置标度尺作为参照物，并通过摄像头采集光伏组件的正反图像信息；
[0016]S103、将图像信息输入到正反识别模型中进行识别分析，并输入正反面识别结果；
[0017]S104、根据正反面识别结果选择对应光伏组件的反面图像信息，并根据反面图像信息和定位分析模型进行接线盒的定位分析；
[0018]S105、根据正反面识别结果选择对应光伏组件的正面图像信息，并根据正面图像
信息和光伏面板检测模型进行光伏面板的完整性检测分析。
[0019]进一步，所述步骤S103中正反识别模型的构建具体包括以下步骤：
[0020]S1031、提取图像信息的HOG纹理特征和HSV颜色特征合并为特征向量；
[0021]S1032、建立训练集和测试集，通过逻辑回归进行训练；
[0022]S1033、使用二分类混淆矩阵和F1值作为评价指标，通过超参数调优得到最佳模型；
[0023]S1034、将最佳模型用于生产中的正反面识别分析。
[0024]进一步，所述步骤S104中定位分析模型的构建包括以下步骤：
[0025]S1041、收集光伏组件的图像集，并进行刚体变换、随机裁剪、亮度、添加噪声，最后进行归一化；
[0026]S1042、将训练图像与接线盒的标注信息组合成dataloder放入YOLOv8模型进行训练；
[0027]S1043、将训练好的模型进行通道剪枝操作，引入L1正则化对模型进行稀疏训练，利用BN层的γ参数作为网络修剪的缩放因子，其公式如下：
[0028]J＝J0+λ∑|w|
[0029]式中J0表示原本网络正常训练的损失函数，λ是正则项系数，w是所有通道的缩放因子总和；
[0030]S1044、通过知识蒸馏使用未剪枝的模型充当教师模型指导对剪枝后的网络恢复精度；在网络的softmax多分类层引入蒸馏温度T，其公式如下：
[0031][0032]其中z
i
代表输出标签，T为蒸馏温度，当T越高，代表信息获取越多。
[0033]进一步，所述步骤S105中光伏面板检测模型的构建包括以下步骤：
[0034]S1051、采集退役的光伏面板图像，并对光伏面板图像进行数据标注；
[0035]S1052、对光伏面板图像进行预处理和数据增强；所述预处理包括灰度处理，所述数据增强包括mosic数据增强；
[0036]S1053、采用ResNeSt算法构建光伏面板检测模型，并将光伏面板图像放入光伏面板检测模型进行训练、测试和优化，得到最佳的光伏面板检测模型；所述光伏面板检测模型包括输入层、Stem层、ResNeSt块、分支连接、平均池化层、全连接层、Softmax层和输出层。
[0037]进一步，所述步骤S5具体包括以下步骤：
[0038]S501、利用机架上的双活塞式双出杠油缸分离铝合金边框的两长边框；
[0039]S502、通过电控输送轨道将光伏组件退出，旋转90度；
[0040]S503、重复执行步骤S1
‑
S3；
[0041]S504、利用机架上的双活塞式双出杠油缸分离铝合金边框的两窄边框。
[0042]进一步，所述步骤S1中设置第一加工工位和第二加工工位分别加工处理铝合金边框的长边框和窄边框，并在第一加工工位设置第一定位装置，以及在第二加工工位设置第二定位装置，且分别设置两套上升平台和下压平台；所述步骤S5具体包括以下步骤：
[0043]S501、在第一加工工位利用机架上的双活塞式双出杠油缸分离铝合金边框的两长
边框；
[0044]S502、通过电控输送轨道将光伏组件移动至第二加工工位，并通过第二定位装置定位；
[0045]S503、重复执行步骤S2
‑
S3；
[0046]S504、在第二加工工位利用机架上的双活塞式双出杠油缸分离铝合金边框的两窄边框。
[0047]进一步，在机架上设置四支油缸装置，所述油缸装置的前端设有夹持机械手；所述步骤S5具体包括以下步骤：
[0048]S501、利用四支油缸装置的夹持机械手分别垂直拉扯铝合金边框的长边框和窄边框。
[0049]进一步，所述下压平台下方设置有旋转装置，所述步骤S5具体包括以下步骤：
[0050]S501、利用机架上的双活塞式双出杠油缸分离铝合金边框的两长边框；
[0051]S502、控制下压平台上抬，并通过旋转装置将光伏组件旋转90度；
[0052]S503、控制下压平台下移，将光伏组件夹持固定；
[0053]S504、利用机架上的双活塞式双出杠油缸分离铝合金边框的两窄边框。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.光伏组件智能回收分离方法，其特征在于，包括以下步骤：S1、将光伏组件放置到电控输送轨道上，进入到加工工位并进行定位；S2、定位完成后，驱动两电控输送轨道之间且位于光伏组件下方的上升平台，将光伏组件抬升到设定高度；S3、驱动上升平台上方的下压平台下移至设定距离，将光伏组件夹持固定；S4、驱动接线盒分离装置对光伏背板后面的接线盒进行分离；S5、利用边框分离装置分离铝合金边框的长边框和窄边框；S6、通过电控输送轨道将光伏组件退出；S7、将铝边框、接线盒进行分类回收。2.根据权利要求1所述的光伏组件智能回收分离方法，其特征在于：所述步骤S1中还包括以下步骤：S101、在电控输送轨道的两侧设置纠正区域，使经过纠正区域的光伏组件与电控输送轨道的相对位置达到设定值；所述纠正区域为外壁光滑且宽度逐渐减小至光伏组件宽度的收束挡板；S102、经过纠正区域送至拍摄区域，在拍摄区域的两侧设置标度尺作为参照物，并通过摄像头采集光伏组件的正反图像信息；S103、将图像信息输入到正反识别模型中进行识别分析，并输入正反面识别结果；S104、根据正反面识别结果选择对应光伏组件的反面图像信息，并根据反面图像信息和定位分析模型进行接线盒的定位分析；S105、根据正反面识别结果选择对应光伏组件的正面图像信息，并根据正面图像信息和光伏面板检测模型进行光伏面板的完整性检测分析。3.根据权利要求2所述的光伏组件智能回收分离方法，其特征在于：所述步骤S103中正反识别模型的构建具体包括以下步骤：S1031、提取图像信息的HOG纹理特征和HSV颜色特征合并为特征向量；S1032、建立训练集和测试集，通过逻辑回归进行训练；S1033、使用二分类混淆矩阵和F1值作为评价指标，通过超参数调优得到最佳模型；S1034、将最佳模型用于生产中的正反面识别分析。4.根据权利要求3所述的光伏组件智能回收分离方法，其特征在于：所述步骤S104中定位分析模型的构建包括以下步骤：S1041、收集光伏组件的图像集，并进行刚体变换、随机裁剪、亮度、添加噪声，最后进行归一化；S1042、将训练图像与接线盒的标注信息组合成dataloder放入YOLOv8模型进行训练；S1043、将训练好的模型进行通道剪枝操作，引入L1正则化对模型进行稀疏训练，利用BN层的γ参数作为网络修剪的缩放因子，其公式如下：J＝J0+λ∑|w|式中J0表示原本网络正常训练的损失函数，λ是正则项系数，w是所有通道的缩放因子总和；S1044、通过知识蒸馏使用未剪枝的模型充当教师模型指导对剪枝后的网络恢复精度；在网络的softmax多分类层引入蒸馏温度T，其公式如下：
其中z
i
代表...

【专利技术属性】
技术研发人员：胡桂川，胡竞，靡斐，邱虹，
申请(专利权)人：重庆中德未来工厂研究院，
类型：发明
国别省市：