CN107958988B - 锂电池涂布生产的知识决策方法 - Google Patents
锂电池涂布生产的知识决策方法 Download PDFInfo
- Publication number
- CN107958988B CN107958988B CN201710940572.1A CN201710940572A CN107958988B CN 107958988 B CN107958988 B CN 107958988B CN 201710940572 A CN201710940572 A CN 201710940572A CN 107958988 B CN107958988 B CN 107958988B
- Authority
- CN
- China
- Prior art keywords
- coating
- knowledge
- index
- pole piece
- lithium battery
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000576 coating method Methods 0.000 title claims abstract description 298
- 239000011248 coating agent Substances 0.000 title claims abstract description 248
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 83
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 78
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000007689 inspection Methods 0.000 claims abstract description 76
- 239000002002 slurry Substances 0.000 claims abstract description 34
- 238000002156 mixing Methods 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 4
- 239000000463 material Substances 0.000 claims description 19
- 238000012937 correction Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 8
- 239000011268 mixed slurry Substances 0.000 claims description 2
- 238000012986 modification Methods 0.000 claims 2
- 230000004048 modification Effects 0.000 claims 2
- 238000001514 detection method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 239000007787 solid Substances 0.000 description 5
- 238000001035 drying Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 3
- 239000011162 core material Substances 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 229910001416 lithium ion Inorganic materials 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000011247 coating layer Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 239000006255 coating slurry Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000011888 foil Substances 0.000 description 1
- -1 includes viscosity Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000007773 negative electrode material Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000007774 positive electrode material Substances 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M4/00—Electrodes
- H01M4/02—Electrodes composed of, or comprising, active material
- H01M4/04—Processes of manufacture in general
- H01M4/0402—Methods of deposition of the material
- H01M4/0404—Methods of deposition of the material by coating on electrode collectors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/05—Accumulators with non-aqueous electrolyte
- H01M10/058—Construction or manufacture
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M4/00—Electrodes
- H01M4/02—Electrodes composed of, or comprising, active material
- H01M4/13—Electrodes for accumulators with non-aqueous electrolyte, e.g. for lithium-accumulators; Processes of manufacture thereof
- H01M4/139—Processes of manufacture
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
- Y02P70/50—Manufacturing or production processes characterised by the final manufactured product
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- General Chemical & Material Sciences (AREA)
- Electrochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Manufacturing & Machinery (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Physics & Mathematics (AREA)
- Materials Engineering (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Battery Electrode And Active Subsutance (AREA)
- Coating Apparatus (AREA)
Abstract
本发明涉及锂电池涂布生产和知识自动化技术领域，提出一种锂电池涂布生产的知识决策方法，旨在解决锂电池涂布生产过程中因每次极片生产的首检造成的生产效率低下等问题，该方法包括：检测上述混料工序得到的浆料指标；利用预设的涂布首检知识决策模型，设定上述涂布工序中涂布机参数；根据上述涂布机参数进行上述锂电池极片的涂布生产。其中，上述涂布首检知识决策模型的建立包括：利用生产过程数据进行知识语义提取，形成知识元，构建知识库；基于该知识库，利用人工智能算法建立上述涂布首检知识决策模型。实现了利用生产数据在线自动确定涂布机的参数，提高了极片的生产效率。
Description
技术领域
本发明涉及锂电池与知识自动化技术领域，尤其涉及一种面向锂电池涂布生产的知识决策方法。
背景技术
目前，随着石油煤炭等资源的紧缺，以及大气环境的恶化，清洁能源的应用越来越广泛。锂离子电池具有能量密度高、循环性好、无污染等特点，近年来作为新能源受到越来越广泛的应用。锂离子电池作为动力电池由若干电芯进行串并联组合，从而得到电压和容量满足需要的电池组，然而电芯的一致性对电池组的性能至关重要，而正负极片作为锂离子电池的核心材料，直接影响电芯的一致性。因此，生产一致性良好的极片是电芯一致性的基本保证，在锂电池生产过程中，极片的涂布工序对锂电池的一致性有很大的影响。因此，锂电池生产过程中极片的涂布工序非常重要。
在锂电池的涂布工序中，极片的面密度一致性是极片质量的重要影响因素。目前，实际涂布生产时需要根据配好浆料的粘度、固含量等性能指标，依靠人工经验设定涂布机参数。然而，实际生产中，为保证极片的面密度一致性，需要对涂布生产进行首检，而首检随机性很强，首检的频率较高，在操作人员进行开机、更换型号、机器、夹具、修机或工程变更情况下，均必须进行首检，首检指标合格后方可正式生产，首检指标不合格需要对涂布机参数进行调整，因首检不断调整涂布机参数从而使得生产效率降低。
发明内容
为了解决现有技术中的上述问题，即为了解决在锂电池生产的涂布工序中，由于操作人员进行开机、更换型号、机器、夹具、修机或工程变更情况下，均必须进行首检，因首检不断调整涂布机参数造成的生产效率低下等问题。本申请提出一种锂电池涂布生产的知识决策方法以解决上述问题：
第一方面，本发明提供一种锂电池涂布生产的知识决策方法。锂电池极片的生产过程包括混料工序、涂布工序，上述混料工序用于将涂料进行混合，上述涂布工序用于将混料后的浆液涂覆于基材上，该方法包括：检测上述混料工序得到的浆料指标；利用预设的涂布首检知识决策模型，设定上述涂布工序中涂布机参数；根据上述涂布机参数进行上述锂电池极片的涂布生产。
在一些示例中，上述根据上述涂布机参数进行上述锂电池极片的涂布生产，包括：获取上述涂布工序涂布后极片的涂布首检指标；判断上述涂布首检指标是否满足涂布首检预设条件；如果满足，上述涂布首检指标合格，上述涂布机进行涂布生产；如果不满足，根据上述涂布首检指标与上述涂布首检预设条件的关系调整涂布机参数。
在一些示例中，上述根据上述涂布首检指标与上述涂布首检预设条件的关系调整涂布机参数，包括：根据上述涂布首检指标，利用上述涂布首检知识决策模型重设上述涂布机参数。
在一些示例中，上述方法还包括涂布机参数的修正步骤，上述涂布机参数的修正步骤，包括：获取锂电池极片生产过程中的极片指标数据；判断上述极片指标数据是否满上述锂电池极片的极片预设条件；如果不满足，根据上述极片指标数据和极片预设条件，利用涂布过程知识决策模型，获得修正上述涂布机参数的数据。
在一些示例中，上述涂布首检知识决策模型通过以下步骤确定：利用上述浆料指标、涂布机参数、涂布首检指标的数据进行知识语义提取，形成知识元，构建涂布首检知识库；从构建的涂布首检知识库中提取知识元作为训练数据，从而训练上述涂布首检知识决策模型。
在一些示例中，上述涂布过程知识决策模型通过以下步骤确定：利用锂电池正负极片生产指标数据、涂布机参数修正数据进行知识语义提取，形成知识元，构建涂布过程知识库；从构建的涂布过程知识库中提取知识元作为训练数据，从而训练上述涂布过程知识决策模型。
在一些示例中，上述方法还包括：当上述涂布首检指标满足预设条件，获取锂电池正负极片生产中的浆料指标、涂布机参数、涂布首检指标；利用上述浆料指标、涂布机参数、涂布首检指标进行知识语义提取，形成知识元，添加到上述涂布首检知识库中。
在一些示例中，上述方法还包括：当上述锂电池正负极片的指标数据不满足上述锂电池正负极片预设条件时，获取锂电池正负极片指标数据、涂布机参数修正数据；利用上述锂电池正负极片指标数据、涂布机参数修正数据进行知识语义提取，形成知识元，添加到上述涂布过程知识库中。
第二方面，本发明提供一种存储装置，其中存储有多条程序，上述程序适于由处理器加载并执行以第一方面所述的锂电池涂布生产的知识决策方法。
第三方面，本发明提供一种处理装置，该处理装置包括处理器和存储设备，其中，处理器适于执行各条程序，存储设备适于存储多条程序；程序适于由处理器加载并执行以实现上述第一方面所述的锂电池涂布生产的知识决策方法。
本申请实施例提供的锂电池涂布生产的知识决策方法，在锂电池正负极片生产过程中，获取浆料指标，利用预先根据涂布首检知识库训练好的涂布首检知识决策模型，确定出涂布机的参数，涂布机在设定好的参数下进行极片的涂布。在此，利用涂布生产的历史数据、机理知识、经验知识构建知识库，基于知识库建立涂布首检知识决策模型，从而可以进行生产过程决策优化，以缩短涂布首检时间，提高生产效率。
附图说明
图1是锂电池极片生产工序示意图；
图2应用于本申请的锂电池涂布生产的知识决策方法的实施例的示例性系统架构图；
图3是在锂电池涂布生产的知识决策方法的实施例流程示意图；
图4是锂电池涂布生产的知识决策方法的应用示例中涂布首检知识决策流程图；
图5是锂电池涂布生产的知识决策方法的应用示例中涂布过程知识决策流程图。
具体实施方式
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了锂电池极片生产工序示意图。锂电池的极片生产过程包括混料工序、涂布工序、烘箱工序和极片成卷工序。上述混料工序对浆状的正极涂覆物质或负极涂覆物质进行混合搅拌。其中，正极涂覆物质或负极涂覆物质由专门的溶剂和粘贴剂分别与粉末状的正、负极活性物质混合制成的浆状物质。上述涂布工序将混料工序混料后制成的浆料均匀地涂覆在基材的表面，上述基材可以是铜或铝等类金属箔。上述烘箱工序将涂布后的极片进行烘干。上述极片成卷工序将上述涂覆了浆料的极片烘干后进行的卷绕操作。
继续参考图2，图2示出了应用于本申请的锂电池涂布生产的知识决策方法的实施例的示例性系统架构图。
如图2所示，系统架构包括信息采集装置、控制装置和执行装置。其中，信息采集装置用于采集与锂电池极片相关的信息；控制装置用于根据上述与锂电池极片相关的信息进行决策，从而控制执行装置的运行。
上述信息采集装置可以是各类传感器，如，采集浆料含量的传感器、采集极片面密度的传感器、采集锂电池极片生产过程中设备的各类参数的传感器，如压力传感器、速度传感器、测量烘箱温度的传感器等。
上述控制装置是按照预定顺序或逻辑改变控制电路的或设备状态的电子设备，可以是由电子元器件构成的电子线路，或由处理器或微处理器为核心的电子控制装置，如单片机系统、可编程逻辑控制器、微型计算机等。上述控制器具有存储生产过程的历史数据的单元，例如历史生产数据知识库等；上述控制器具有数据运算及处理能力，通过机器学习算法等进行模型训练。
上述执行装置可以是涂布机的输出执行单元，如浆料喷涂机构、步进电机、电磁阀等。上述执行机构根据上述控制装置的发出的控制指令运行。
上述信息采集装置、控制装置和执行装置之间通信连接。上述通信连接可以包括各种连接类型，例如有线连接方式、无线链路连接方式或者光纤电缆等连接方式。
继续参考图3，图3示出了根据本申请的锂电池涂布生产的知识决策方法的一个实施例的流程。该锂电池极片生产中涂布控制方法，包括以下步骤。
步骤301，检测上述混料工序得到的浆料指标。
在本实施例中，应用于上述锂电池极片生产中涂布控制方法的控制装置通过设置于混料装置的传感器获得混料工序中用于涂覆的浆料的指标数据，浆料指标主要包括粘度、固含量等。浆料的不同粘度或固含量影响涂布机参数的设定，从而影响生产的极片的质量。
步骤302，利用预设涂布首检知识决策模型，设定涂布工序中涂布机参数。
在本实施例中，控制装置根据上述步骤301中所获得的浆料指标，利用预先训练好的涂布首检知识决策模型，设定在锂电池生产中涂布工序中涂布机的参数。上述预先设置好的涂布首检知识决策模型可以是基于深度学习算法或机器学习算法建立的模型。这里，可以利用生产过程数据进行知识语义提取，形成知识元，构建知识库；基于构建的知识库，利用人工智能算法建立涂布首检知识决策模型。该模型的输入为浆料指标，输出为涂布机参数。其中，涂布机参数可以包括涂布机的涂布速度、供料泵速、模头压力、牵引张力等参数。
在本实施例的一些可选的实现方式中，上述涂布首检知识决策模型通过以下步骤确定：利用上述浆料指标、涂布机参数、涂布首检指标的数据进行知识语义提取，形成知识元，构建涂布首检知识库；从构建的涂布首检知识库中提取知识元作为训练数据，从而训练上述涂布首检知识决策模型。这里，涂布首检知识库为预先存储利用涂布首检相关的数据进行知识语义提取得到的知识元的存储单元，这里，与涂布首检相关的数据可以是根据生产经验预设的数据，还可以是在涂布生产过程中采集的与涂布首检相关的数据，可以包括浆料的指标数据，如，浆料的粘度、固含量等；还可以包括涂布生产数据，如，极片涂覆层的面密度、厚度等；还可以包括涂布机的参数，如，涂布机的涂布速度、供料泵速、模头压力、牵引张力等。
上述涂布首检知识决策模型，可以是根据深度学习算法或机器学习算法等人工智能算法建立的模型，利用涂布首检知识库训练该模型得到模型参数：Y＝f(x1,x2,…,xn)，以表示涂布首检知识决策模型。其中，x1,x2,…,xn表示浆料的粘度、固含量等指标；Y＝y1,y2,…,yn表示涂布机的涂布速度、供料泵速、模头压力、牵引张力等参数。
在本实施例的一些可选的实现方式中，上述方法还包括更新上述涂布首检知识库，具体为：利用上述浆料指标、涂布机参数、涂布首检指标进行知识语义提取，形成知识元，添加到上述涂布首检知识库中。这里，为不断提升涂布首检指示决策模型的精度，使用更多有效的数据训练上述模型，可以使用涂布首检过程中所采集的数据更新上述涂布首检知识库。在每次涂布首检合格后，采集浆料指标、涂布机参数、涂布首检指标的数据，用以更新涂布首检知识库。上述涂布首检知识库断进行自我学习和演化，从而不断对涂布首检知识决策模型进行训练，使模型更加完善精确。可以理解，涂布首检知识库包括知识获取、知识表示、知识重组等内容。
步骤303，根据上述涂布机参数进行锂电池极片的涂布生产。
在本实施例中，基于上述步骤302中所设定的涂布机的参数，上述涂布机在上述设定好的参数下进行涂布工序的涂覆操作。上述涂布速度、供料泵速、模头压力、牵引张力等参数影响涂覆浆料的厚度、密度以及均匀度等。
在本实施例的一些可选的实现方式中，上述根据涂布机参数进行锂电池极片的涂布生产，包括：获取上述涂布工序后涂布首检指标；判断上述涂布首检指标是否满足预设条件；如果涂布首检指标满足预设条件，则涂布首检合格，上述涂布机可进行正常涂布生产；如果不满足预设条件，根据涂布首检指标调整涂布机参数。这里，上述涂布首检指标是经涂布工序涂布后的极片，在进入烘箱烘干后退出到涂布机头所检测的极片的参数指标数据。极片的检测可以包括检测极片涂覆层的厚度、密度、涂覆表面是否出现各种不规则条纹、涂覆表面是否出现漏涂或涂料翻起或飘出等等。如果上述涂布首检指标不满足预设条件，需要对上述涂布机及涂布机的辅助设备进行调整。可以根据上述首检指标调整上述涂布机参数。
在本实施例的一些可选的实现方式中，上述根据涂布首检指标调整涂布机参数，包括：根据上述涂布首检指标，利用上述涂布首检知识决策模型重设上述涂布机参数。这里，可以利用上述涂布首检知识决策模型对上述涂布机参数重设。还可以通过计算上述涂布首检指标与上述预设条件中设定的涂布指标的差值，根据该差值利用负反馈，调整涂布机参数，以消除或减少上述差值，使得上述涂布首检指标满足预设条件。
作为示例，参考图4，图4示出了该锂电池涂布生产的知识决策系统示意性框图。上述涂布首检知识决策模型分别从混料工序和涂布工序获得浆料指标和涂布首检指标，根据浆料指标和涂布首检指标利用上述涂布首检知识决策模型调整涂布机的参数；同时，上述涂布首检知识库可根据上述浆料指标数据和涂布首检指标数据进行知识更新。
在本实施例的一些可选的实现方式中，上述方法还包括涂布机参数的修正步骤，上述涂布机参数的修正步骤，包括：获取锂电池的极片指标数据；判断上述极片指标数据是否满所述锂电池极片预设条件；如果不满足，根据上述极片指标数据，利用预设的涂布过程知识决策模型，获得修正所述涂布机参数的数据。这里，极片指标数据是通过检测装置所检测的极片成卷前和极片成卷后的极片指标数据。其中，极片指标数据可以包括极片面密度、极片单元长度、两个极片单元之间的间隙等指标数据。如果上述极片指标数据不满足极片预设条件，需要调整或修正涂布机参数。上述预设的涂布过程知识决策模型通过机器学习或其他的智能算法，如，多层神经卷积网络算法学习得到极片指标数据与涂布机的修正参数之间的关系。将上述极片指标数据作为输入，利用上述涂布过程知识决策模型通过机器学习的方法得到涂布机的参数的修正数据。
在本实施例的一些可选的实现方式中，上述涂布过程知识决策模型通过以下步骤确定：
利用锂电池正负极片生产指标数据、涂布机参数修正数据进行知识语义提取，形成知识元，构建涂布过程知识库；从构建的涂布过程知识库中提取知识元作为训练数据，从而训练上述涂布过程知识决策模型。这里，上述涂布过程知识库可以由知识元构成，各个知识元为一条含有语义信息的数据，表示一条规则或知识，此处一条知识元包含在采样时刻极片的指标(面密度、厚度等)及对涂布机做出的参数修正信息。
上述涂布过程知识决策模型，可以是根据深度学习算法或机器学习算法建立的模型，利用涂布过程知识库训练该模型，得到模型参数。这里训练数据为极片的指标数据和涂布机参数的修正数据。
在本实施例一些可选的实现方式中，上述方法还包括更新上述涂布过程知识库，具体为：当上述锂电池极片的指标数据不满足上述锂电池极片预设条件时，获取锂电池极片指标数据、涂布机参数修正数据；利用上述锂电池正负极片指标数据、涂布机参数修正数据进行知识语义提取，形成知识元，添加到上述涂布过程知识库中。这里，可以使用极片生产过程中所采集的数据更新上述涂布过程知识库。在极片成卷检测不合格时采集电池极片指标数据、涂布机参数的修正数据，用以更新涂布过程知识库。上述涂布过程知识库断进行自我学习和演化，从而不断对涂布首检知识决策模型进行训练，使模型更加完善精确。
图5中示出了涂布机参数的修正的流程示意图，由图5所示，当上述锂电池极片的指标数据不满足上述锂电池极片预设条件时，首先获取极片指标数据，然后利用上述涂布过程知识决策模型确定出涂布机的参数的修正数据，上述涂布过程知识决策模型是利用涂布过程知识库中的知识元作为训练数据经过自学习训练得到的模型；同时利用上述极片指标数据和涂布机的参数的修正数据更新上述涂布过程知识库。
本申请的上述实施例提供的方法首先根据所检测到的混料工序得到的浆料指标，利用预设涂布首检知识决策模型，设定上述涂布工序中涂布机参数，根据涂布机参数进行锂电池极片的涂布生产。实现了利用锂电池涂布生产的数据、机理知识、经验知识构建知识库，基于知识库建立知识决策系统，从而可以进行生产过程决策优化，以缩短涂布首检时间，提高生产效率。
第二方面，本申请提供一种存储装置，该存储装置中存储有多条程序，上述程序适于由处理器加载并执行以实现：检测上述混料工序得到的浆料指标；利用预设涂布首检知识决策模型，设定上述涂布工序中涂布机参数；根据上述涂布机参数进行上述锂电池正负极片的涂布生产。
第三方面，本申请提供一种处理器，包括处理器和存储设备。其中，处理器适于执行各条程序，存储单元适于存储多条程序。上述程序适于由处理器加载并执行以实现：检测上述混料工序得到的浆料指标；利用预设涂布首检知识决策模型，设定上述涂布工序中涂布机参数；根据上述涂布机参数进行上述锂电池正负极片的涂布生产。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (9)
1.一种锂电池涂布生产的知识决策方法，其特征在于，所述锂电池极片的生产过程包括混料工序、涂布工序，所述混料工序用于将涂料进行混合，所述涂布工序用于将混料后的浆液涂覆于基材上，所述方法包括：
检测所述混料工序得到的浆料指标；
根据所述浆料指标，利用预设的涂布首检知识决策模型，设定所述涂布工序中涂布机参数；
根据所述涂布机参数进行所述锂电池极片的涂布生产；
所述涂布首检知识决策模型通过以下步骤确定：
利用所述浆料指标、涂布机参数、涂布首检指标的数据进行知识语义提取，形成知识元，构建涂布首检知识库；
利用人工智能算法建立所述涂布首检知识决策模型，从构建的涂布首检知识库中提取知识元作为训练数据，从而训练所述涂布首检知识决策模型。
2.根据权利要求1所述的锂电池涂布生产的知识决策方法，其特征在于，所述根据所述涂布机参数进行所述锂电池极片的涂布生产，包括：
获取所述涂布工序涂布后极片的涂布首检指标；
判断所述涂布首检指标是否满足涂布首检预设条件；
如果所述涂布首检指标满足所述涂布首检预设条件，则确定所述涂布首检指标合格，所述涂布机根据所述涂布机参数进行涂布生产；
如果所述涂布首检指标不满足所述涂布首检预设条件，根据所述涂布首检指标与所述涂布首检预设条件的关系调整涂布机参数。
3.根据权利要求2所述的锂电池涂布生产的知识决策方法，其特征在于，所述如果所述涂布首检指标不满足所述涂布首检预设条件，根据所述涂布首检指标与所述涂布首检预设条件的关系调整涂布机参数，包括：
根据所述涂布首检指标，利用所述涂布首检知识决策模型重设所述涂布机参数。
4.根据权利要求1所述的锂电池涂布生产的知识决策方法，其特征在于，所述方法还包括涂布机参数的修正步骤，所述涂布机参数的修正步骤，包括：
获取锂电池极片的极片指标数据；
判断所述极片指标数据是否满足所述锂电池极片的极片预设条件；
如果所述极片指标数据不满足所述极片预设条件，根据所述极片指标数据和极片预设条件，利用预先训练好的涂布过程知识决策模型，获得修正所述涂布机参数的数据。
5.根据权利要求4所述的锂电池涂布生产的知识决策方法，其特征在于，所述涂布过程控制知识决策模型通过以下步骤确定：
利用锂电池正负极片生产指标数据、涂布机参数修正数据进行知识语义提取，形成知识元，构建涂布过程知识库；
利用人工智能算法建立所述涂布过程知识决策模型，从构建的涂布过程知识库中提取知识元作为训练数据，从而训练所述涂布过程知识决策模型。
6.根据权利要求1-4任一所述的锂电池涂布生产的知识决策方法，其特征在于，所述方法还包括：
当所述涂布首检指标满足预设条件，获取锂电池正负极片生产中的浆料指标、涂布机参数、涂布首检指标；
利用所述浆料指标、涂布机参数、涂布首检指标进行知识语义提取，形成知识元，添加到所述涂布首检知识库中。
7.根据权利要求1-5任一所述的锂电池涂布生产的知识决策方法，其特征在于，所述方法还包括：
当所述锂电池极片的极片指标数据不满足所述极片预设条件时，获取所述极片指标数据、涂布机参数修正数据；
利用所述极片指标数据、涂布机参数修正数据进行知识语义提取，形成知识元，添加到所述涂布过程知识库中。
8.一种存储装置，其中存储有多条程序，其特征在于，所述程序适于由处理器加载并执行以实现权利要求1-7任一项所述的锂电池涂布生产的知识决策方法。
9.一种处理装置，包括
处理器，适于执行各条程序；以及
存储设备，适于存储多条程序；
其特征在于，所述程序适于由处理器加载并执行以实现：
权利要求1-7任一项所述的锂电池涂布生产的知识决策方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710940572.1A CN107958988B (zh) | 2017-10-11 | 2017-10-11 | 锂电池涂布生产的知识决策方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710940572.1A CN107958988B (zh) | 2017-10-11 | 2017-10-11 | 锂电池涂布生产的知识决策方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107958988A CN107958988A (zh) | 2018-04-24 |
| CN107958988B true CN107958988B (zh) | 2020-06-16 |
Family
ID=61954042
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710940572.1A Active CN107958988B (zh) | 2017-10-11 | 2017-10-11 | 锂电池涂布生产的知识决策方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107958988B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110956006A (zh) * | 2019-11-28 | 2020-04-03 | 彭俊元 | 石墨烯动力电池智能制造线设计方案 |
| EP4131482A1 (de) * | 2021-08-05 | 2023-02-08 | Siemens Aktiengesellschaft | Herstellungsverfahren und -anlage für batteriespeicher |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103752458A (zh) * | 2013-12-18 | 2014-04-30 | 奇瑞汽车股份有限公司 | 一种挤出式涂布机 |
| CN104668162A (zh) * | 2015-01-30 | 2015-06-03 | 中天储能科技有限公司 | 一种自动控制涂布方法及控制系统 |
| CN105728285A (zh) * | 2014-12-09 | 2016-07-06 | 重庆市鸿腾无纺机械有限公司 | 一种涂布工艺 |
| JP2017170311A (ja) * | 2016-03-23 | 2017-09-28 | 日産自動車株式会社 | スラリ塗工方法 |
-
2017
- 2017-10-11 CN CN201710940572.1A patent/CN107958988B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103752458A (zh) * | 2013-12-18 | 2014-04-30 | 奇瑞汽车股份有限公司 | 一种挤出式涂布机 |
| CN105728285A (zh) * | 2014-12-09 | 2016-07-06 | 重庆市鸿腾无纺机械有限公司 | 一种涂布工艺 |
| CN104668162A (zh) * | 2015-01-30 | 2015-06-03 | 中天储能科技有限公司 | 一种自动控制涂布方法及控制系统 |
| JP2017170311A (ja) * | 2016-03-23 | 2017-09-28 | 日産自動車株式会社 | スラリ塗工方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107958988A (zh) | 2018-04-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109190670B (zh) | 一种基于可扩展提升树的充电桩故障预测方法 | |
| CN107958988B (zh) | 锂电池涂布生产的知识决策方法 | |
| CN104656021B (zh) | 一种蓄电池剩余容量的预估方法及装置 | |
| CN112881930B (zh) | 一种基于物联网的储能电池健康管理预测方法及系统 | |
| CN110008952A (zh) | 一种目标识别方法及设备 | |
| CN109508891A (zh) | 一种储能电站综合性能评估方法和装置 | |
| CN116796631A (zh) | 一种计及约束条件的锂电池寿命预测方法 | |
| CN112649747A (zh) | 一种分数阶扩展卡尔曼的锂电池soc估算方法 | |
| CN114971433A (zh) | 基于工业互联网的质量管控方法、装置、设备及存储介质 | |
| CN105470590B (zh) | 一种电池参数的管理方法和装置 | |
| TWM631494U (zh) | 智能電源管理邊緣估算系統 | |
| CN114216558A (zh) | 一种无线振动传感器电池剩余寿命预测方法及系统 | |
| CN117805621A (zh) | 一种电池容量估计方法、装置、设备及存储介质 | |
| CN107402356A (zh) | 一种基于动态参数辨识的ekf估算铅酸电池soc方法 | |
| CN112114254A (zh) | 一种动力电池开路电压模型融合方法 | |
| CN116577686A (zh) | 一种基于局部阶段充电数据的多工况soh估计方法和系统 | |
| CN117317140A (zh) | 一种基于5g确定性网络动态调优极片制造工序的方法 | |
| CN108217364B (zh) | 终端分配模型建立、目标电梯调试终端确定方法及装置 | |
| CN111796519B (zh) | 一种基于极限学习机的多输入多输出系统自动控制方法 | |
| CN115685908A (zh) | 一种基于物联网的电焊机焊接监控方法及系统 | |
| CN115499315A (zh) | Ota升级任务的执行方法、装置和电子设备 | |
| CN114636888A (zh) | 脱嵌电极板的状态检测方法及装置 | |
| CN111144420B (zh) | 基于小样本的电塔缺陷监测方法及系统 | |
| CN106452822A (zh) | 一种大规模服务器集群的在线能耗管理方法与装置 | |
| CN110990658A (zh) | 一种输电线路图像处理算法在嵌入式系统上实现的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |