CN109978250B - 一种电池极片涂布生产面密度的质量预测方法 - Google Patents
一种电池极片涂布生产面密度的质量预测方法 Download PDFInfo
- Publication number
- CN109978250B CN109978250B CN201910212637.XA CN201910212637A CN109978250B CN 109978250 B CN109978250 B CN 109978250B CN 201910212637 A CN201910212637 A CN 201910212637A CN 109978250 B CN109978250 B CN 109978250B
- Authority
- CN
- China
- Prior art keywords
- matrix
- process parameters
- classification model
- support vector
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000000576 coating method Methods 0.000 title claims abstract description 44
- 239000011248 coating agent Substances 0.000 title claims abstract description 43
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 28
- 238000013145 classification model Methods 0.000 claims abstract description 23
- 238000012706 support-vector machine Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000012847 principal component analysis method Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000010992 reflux Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Battery Electrode And Active Subsutance (AREA)
Abstract
本发明公开了种电池极片涂布生产面密度的质量预测方法,包括支持向量机分类模型训练步骤和预测步骤;本方法建立了过程参数与面密度之间关系的模型,可以通过过程参数的数据来确定涂布生产的面密度是否合格,为电池极片涂布生产的参数设置提供了参考,进而可以较为准确地对涂布机的参数进行设置,提高了生产的效率和质量。
Description
技术领域
本发明涉及预测方法,具体涉及一种电池极片涂布生产面密度的质量预测方法。
背景技术
电池极片涂布生产过程涂布机会涉及多种参数的设置,而这些参数的设置均会对面密度的质量产生影响。然而,目前对于一组数值确定的参数,现有技术无法预测涂布生产的面密度是否合格,从而无法准确地对涂布机的参数进行设置,进而影响生产的效率和质量。
发明内容
本发明的目的在于克服上述现有技术的不足,提供一种电池极片涂布生产面密度的质量预测方法,以在涂布工艺过程参数确定的情况下预测得到的面密度是否处于合格范围内
为实现上述目的,本发明的技术方案是:
一种电池极片涂布生产面密度的质量预测方法,包括支持向量机分类模型训练步骤和预测步骤;
所述支持向量机分类模型训练步骤包括:
确定电池极片涂布生产工艺所涉及到的过程参数;
采集所述过程参数以及所述过程参数相对应的面密度数据,并检测所述面密度数据是否合格,将合格的面密度数据赋予合格标签,将不合格的面密度数据赋予不合格标签;
将所采集到过程参数经过主成分分析法降维处理后作为支持向量机分类模型的输入,将面密度数据合格与否的标签作为支持向量机分类模型的输出,以训练建立支持向量机分类模型;
所述预测步骤包括:
将电池极片涂布生产工艺过程中所涉及到的过程参数经过主成分分析法降维处理后输入至所述分类模型中,以预测出所输入的过程参数设置下涂布得到的面密度是否合格。
所述主成分分析法包括:
1)假设过程参数一共有m个,将采集到的n组过程参数生成一个n×m的矩阵A;n和m为正整数;
2)数据预处理,将矩阵A中的每列数据中心化,得到n×m矩阵B;
3)求出数据预处理后矩阵B的m×m协方差矩阵C;
4)求出矩阵C的所有的特征值及每个特征值所对应的特征向量;
5)选择前k个最大的特征值所对应的特征向量,将这k个特征向量作为列向量生成m×k的转换矩阵D;
6)矩阵B乘以转换矩阵D,最终得到降维后的n×k矩阵D。
所述过程参数包括:回流压力,模头距离,出料张力,放卷张力,收卷张力,正面涂长偏差,正面留白偏差,反面涂长偏差,反面留白偏差,反尾正头偏差,反头正尾偏差,烘箱温度。
本发明与现有技术相比,其有益效果在于:
本实施例提供的电池极片涂布生产面密度的质量预测方法建立了过程参数与面密度之间关系的模型,可以通过过程参数的数据来确定涂布生产的面密度是否合格,为电池极片涂布生产的参数设置提供了参考,进而可以较为准确地对涂布机的参数进行设置,提高了生产的效率和质量。
附图说明
图1为本发明实施例提供的电池极片涂布生产面密度的质量预测方法的流程图;
图2a-2b为支持向量机分类模型数据处理示意图。
具体实施方式
下面结合附图和具体实施方式对本发明的内容做进一步详细说明。
实施例:
参阅图1所示,本实施例提供的电池极片涂布生产面密度的质量预测方法包括如下步骤:
步骤100:确定电池极片涂布生产工艺所涉及到的过程参数
以某电池极片涂布机为例,所确定的过程参数包括有回流压力,模头距离,出料张力,放卷张力,收卷张力,正面涂长偏差,正面留白偏差,反面涂长偏差,反面留白偏差,反尾正头偏差,反头正尾偏差,烘箱温度等共m个;
步骤200:采集所述过程参数以及所述过程参数相对应的面密度数据
选择测量设备采集多组过程参数的数据,并检测每组参数所对应的面密度是否合格。如步骤100所描述的涂布机,设共采集了n组数据,每组数据有m个过程参数,若对应的面密度处于合格范围内赋予标签1,否则赋予标签0;
步骤300:将所采集到过程参数经过主成分分析法降维处理后作为支持向量机分类模型的输入,将面密度数据合格与否的标签作为支持向量机分类模型的输出,以训练建立分类模型;
步骤400:实际涂布生产中,将实际的过程参数经过主成分分析法处理以后再输入支持向量机分类模型中,便可以预测在该过程参数设置下涂布得到的面密度是否处于合格范围内。
由此可知,本实施例提供的电池极片涂布生产面密度的质量预测方法建立了过程参数与面密度之间关系的模型,可以通过过程参数的数据来确定涂布生产的面密度是否合格,为电池极片涂布生产的参数设置提供了参考,进而可以较为准确地对涂布机的参数进行设置,提高了生产的效率和质量。
下面结合一个实例,进一步详细说明入支持向量机分类模型是如何预测在该过程参数设置下涂布得到的面密度是否处于合格范围内:
假设涂布机的参数有n组数据;每组数据对应的面密度在426到436(mg/cm2)的范围内为合格,标签为“1”;在此范围之外为不合格,标签为“0”。
(假设每组数据为2维,便于图像表示)图2a中“0”区域点和“1”区域点的集合为全部n组数据,每组数据都会对应一个标签“0”或“1”;
支持向量机可以按照数据及其对应的标签求出一条最优直线来(图2b),将这些数据划分为两部分,此条直线就是有这些数据定义的支持向量机分类模型将实际的过程参数经过主成分分析法处理以后再输入支持向量机分类模型中判断,如果在直线左边就是属于“0”区域,就是不合格;在右边就属于“1”区域,就是合格,从而可以预测在该过程参数设置下涂布得到的面密度是否处于合格范围内。
由于每组数据的过程参数可组成一个m维的特征向量。当m值较大时,需要对该特征向量进行特征提取以降低维度,本方法采用主成分分析法进行特征提取,将m维的特征向量降低到k维(m>k),步骤如下:
1)将采集到的过程参数数据生成一个n×m的矩阵A;
2)数据预处理,将矩阵A中的每列数据中心化,得到n×m矩阵B;
3)求出数据预处理后矩阵B的m×m协方差矩阵C;
4)求出矩阵C的所有的特征值及每个特征值所对应的特征向量;
5)选择前k个最大的特征值所对应的特征向量,将这k个特征向量作为列向量生成m×k的转换矩阵D;
6)矩阵B乘以转换矩阵D,最终得到降维后的n×k矩阵D
得到的矩阵D每一行为一组数据,作为支持向量机分类模型的输入;该行数据对应的面密度合格与否的标签(即合格为1,不合格为0)作为支持向量机分类模型的输出。将n组数据的一部分作为模型的训练集,另一部分作为模型的测试集(比例一般可定为7:3)。
上述实施例只是为了说明本发明的技术构思及特点,其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰,都应涵盖在本发明的保护范围内。
Claims (2)
1.一种电池极片涂布生产面密度的质量预测方法,其特征在于,包括支持向量机分类模型训练步骤和预测步骤;
所述支持向量机分类模型训练步骤包括:
确定电池极片涂布生产工艺所涉及到的过程参数;
采集所述过程参数以及所述过程参数相对应的面密度数据,并检测所述面密度数据是否合格,将合格的面密度数据赋予合格标签,将不合格的面密度数据赋予不合格标签;
将所采集到过程参数经过主成分分析法降维处理后作为支持向量机分类模型的输入,将面密度数据合格与否的标签作为支持向量机分类模型的输出,以训练建立支持向量机分类模型;
所述预测步骤包括:
将电池极片涂布生产工艺过程中所涉及到的过程参数经过主成分分析法降维处理后输入至所述支持向量机分类模型中,以预测出所输入的过程参数设置下涂布得到的面密度是否合格;
所述主成分分析法包括:
1)假设过程参数一共有m个,将采集到的n组过程参数生成一个n×m的矩阵A;n和m为正整数;
2)数据预处理,将矩阵A中的每列数据中心化,得到n×m矩阵B;
3)求出数据预处理后矩阵B的m×m协方差矩阵C;
4)求出矩阵C的所有的特征值及每个特征值所对应的特征向量;
5)选择前k个最大的特征值所对应的特征向量,将这k个特征向量作为列向量生成m×k的转换矩阵D;
6)矩阵B乘以转换矩阵D,最终得到降维后的n×k矩阵D。
2.如权利要求1所述的电池极片涂布生产面密度的质量预测方法,其特征在于,所述过程参数包括:回流压力,模头距离,出料张力,放卷张力,收卷张力,正面涂长偏差,正面留白偏差,反面涂长偏差,反面留白偏差,反尾正头偏差,反头正尾偏差,烘箱温度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910212637.XA CN109978250B (zh) | 2019-03-20 | 2019-03-20 | 一种电池极片涂布生产面密度的质量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910212637.XA CN109978250B (zh) | 2019-03-20 | 2019-03-20 | 一种电池极片涂布生产面密度的质量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109978250A CN109978250A (zh) | 2019-07-05 |
CN109978250B true CN109978250B (zh) | 2023-04-07 |
Family
ID=67079648
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910212637.XA Active CN109978250B (zh) | 2019-03-20 | 2019-03-20 | 一种电池极片涂布生产面密度的质量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109978250B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112327165B (zh) * | 2020-09-21 | 2021-07-13 | 电子科技大学 | 一种基于无监督迁移学习的电池soh预测方法 |
CN115098704B (zh) * | 2022-08-24 | 2023-01-06 | 深圳市信润富联数字科技有限公司 | 电池极片厚度预测方法、装置、设备及可读存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050037515A1 (en) * | 2001-04-23 | 2005-02-17 | Nicholson Jeremy Kirk | Methods for analysis of spectral data and their applications osteoporosis |
CN102031372B (zh) * | 2010-12-01 | 2012-07-04 | 长春工业大学 | 一种电硅热法冶炼中低碳铬铁终点成分在线预测系统 |
JP5772546B2 (ja) * | 2011-11-28 | 2015-09-02 | 新日鐵住金株式会社 | 操業品質予測装置、操業品質予測方法、コンピュータプログラムおよびコンピュータ読み取り可能な記憶媒体 |
CN108275019B (zh) * | 2018-02-07 | 2020-03-27 | 广州中国科学院工业技术研究院 | 电池组运行状态的监控方法和系统 |
CN109270079B (zh) * | 2018-11-15 | 2020-01-10 | 燕山大学 | 一种基于点云模型的工件表面缺陷精确检测方法 |
-
2019
- 2019-03-20 CN CN201910212637.XA patent/CN109978250B/zh active Active
Non-Patent Citations (1)
Title |
---|
SPC技术在动力电池装配生...的应用——以电芯生产线为例;韩有军;《物流工程与管理》;20151115;第37卷(第11期);第244-246页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109978250A (zh) | 2019-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Thai et al. | Artificial cognition for early leaf disease detection using vision transformers | |
CN109978250B (zh) | 一种电池极片涂布生产面密度的质量预测方法 | |
CN108073158A (zh) | 基于pca和knn密度算法风电机组轴承故障诊断方法 | |
CN111476307B (zh) | 一种基于深度领域适应的锂电池表面缺陷检测方法 | |
CN110826618A (zh) | 一种基于随机森林的个人信用风险评估方法 | |
CN111540006A (zh) | 基于深度迁移学习的植物气孔智能检测与识别方法及系统 | |
CN112330623A (zh) | 电芯极组极片对齐度检测方法和检测装置 | |
CN112287980B (zh) | 基于典型特征向量的动力电池筛选方法 | |
CN111681209A (zh) | 卵裂球分裂状态智能检测方法及系统 | |
CN110852388A (zh) | 基于K-means改进的SMOTE算法 | |
CN114749493A (zh) | 一种冷轧带钢生产参数自适应调整方法及系统 | |
CN106203476A (zh) | 一种基于最近邻分类与模糊算法的猪头尾轮廓识别方法 | |
CN110533083A (zh) | 基于SVM的Adaboost模型的铸件缺陷识别方法 | |
CN111191510B (zh) | 基于关系网络的复杂场景下遥感图像小样本目标识别方法 | |
CN106782499A (zh) | 地名语音信号的特征提取方法 | |
CN117392133A (zh) | 一种基于机器视觉的压铸件毛刺检测系统及方法 | |
CN110910528B (zh) | 纸页抗张强度的预测方法及装置 | |
CN116561692A (zh) | 一种动态更新的实时量测数据检测方法 | |
CN112164144A (zh) | 一种结合d2算子和法向算子的铸件三维模型分类方法 | |
CN116484206A (zh) | 基于seim的未知辐射源个体识别方法及系统 | |
CN116229330A (zh) | 一种视频有效帧的确定方法、系统、电子设备及存储介质 | |
Bishwas et al. | Relative comparison of k-means clustering segmented rice leaves image based nitrogen, phosphorus, and potassium nutrient deficiency classification using convolutional neural network | |
CN102254194A (zh) | 基于监督流形学习的场景分类方法及装置 | |
CN115438749A (zh) | 基于GMM、Elman神经网络和KNN的建筑能耗集体异常检测方法 | |
Kiruthika et al. | Classification of metaphase chromosomes using deep learning neural network |
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 |