CN110057742B - 锂离子电池极片孔隙率在线检测方法及其应用 - Google Patents
锂离子电池极片孔隙率在线检测方法及其应用 Download PDFInfo
- Publication number
- CN110057742B CN110057742B CN201910373339.9A CN201910373339A CN110057742B CN 110057742 B CN110057742 B CN 110057742B CN 201910373339 A CN201910373339 A CN 201910373339A CN 110057742 B CN110057742 B CN 110057742B
- Authority
- CN
- China
- Prior art keywords
- pole piece
- battery pole
- lithium ion
- ion battery
- porosity
- 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
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 58
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 58
- 238000001514 detection method Methods 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 238000005259 measurement Methods 0.000 claims abstract description 9
- 239000011248 coating agent Substances 0.000 claims abstract description 8
- 238000000576 coating method Methods 0.000 claims abstract description 8
- 238000004519 manufacturing process Methods 0.000 claims abstract description 6
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 claims description 12
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 8
- 229910052744 lithium Inorganic materials 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 5
- 239000010439 graphite Substances 0.000 claims description 5
- 229910002804 graphite Inorganic materials 0.000 claims description 5
- 239000013543 active substance Substances 0.000 claims description 4
- 238000010438 heat treatment Methods 0.000 claims description 4
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 claims description 4
- 229910052753 mercury Inorganic materials 0.000 claims description 4
- 238000005303 weighing Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- QHGJSLXSVXVKHZ-UHFFFAOYSA-N dilithium;dioxido(dioxo)manganese Chemical compound [Li+].[Li+].[O-][Mn]([O-])(=O)=O QHGJSLXSVXVKHZ-UHFFFAOYSA-N 0.000 claims description 2
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 claims description 2
- 238000005096 rolling process Methods 0.000 claims 1
- 230000009467 reduction Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 239000003153 chemical reaction reagent Substances 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000002791 soaking Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/08—Investigating permeability, pore-volume, or surface area of porous materials
- G01N15/088—Investigating volume, surface area, size or distribution of pores; Porosimetry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/08—Investigating permeability, pore-volume, or surface area of porous materials
- G01N15/088—Investigating volume, surface area, size or distribution of pores; Porosimetry
- G01N15/0893—Investigating volume, surface area, size or distribution of pores; Porosimetry by measuring weight or volume of sorbed fluid, e.g. B.E.T. method
Landscapes
- Chemical & Material Sciences (AREA)
- Dispersion Chemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Battery Electrode And Active Subsutance (AREA)
Abstract
锂离子电池极片孔隙率在线检测方法及其应用,其中方法包括:预先涂布并收集不同厚度系列的电池极片;将电池极片以不同的速度走带,对电池极片加热,记录电池极片表面温度随时间变化的关系T(t)或表面温度随极片表面位置的变化关系T(x);用所获得的数据,建立电池极片孔隙率ε与走带速度u,电池极片厚度h以及温度随时间变化关系T(t)的神经网络模型,并采用降噪自编码的方法训练该神经网络模型,使其误差在允许范围内;在电池极片生产过程中,根据走带速度u,电池极片厚度h以及极片表面随时间变化关系T(t)或表面温度随极片表面位置的变化关系T(x),采用训练的神经网络模型在线预测电池极片孔隙率。本发明简单易行,能够实时检测锂离子电池极片孔隙率,测量准确性较高。
Description
技术领域
本发明属于锂离子电池极片孔隙率测量领域,具体涉及一种锂离子电池极片孔隙率的在线测量方法及其应用。
背景技术
锂离子电池极片孔隙率是锂离子电池设计与制造的重要参数,其直接影响锂离子电池的容量、循环性能、倍率性能等指标。若极片孔隙率大,会导致极片导电网络恶化,进而增大锂离子电池内阻等;若极片孔隙率小,电解液难以浸润,从而恶化锂离子电池的循环性能以及倍率性能等指标。因此,锂离子电池极片孔隙率的设计对锂离子电池极片的性能至关重要。
极片孔隙率离线测量一般采用压汞法或称重法等方法,如专利CN201110396068.0、CN 201310222179.0以及CN201710014359采用极片浸润溶液后取出称重,从而计算出极片的孔隙率。但该类方法需要化学溶液试剂,可能对操作人员的健康存在危害,且只能离线测量,难以在线测量。而本发明所提供的方法无需化学试剂,测量方法简单易行,准确率高,同时能够在生产线上做到孔隙率在线检测。
发明内容
本发明主要针对现有锂离子电池极片孔隙率难以在线测量的不足,提出一种锂离子电池极片孔隙率在线测量方法,为实现上述发明目的,本发明具体包括以下步骤:
步骤1:在每次涂布新的活性物质之前,用预先涂布并收集不同厚度系列的锂离子电池极片,其中每种厚度系列包含多种不同孔隙率的锂离子电池极片,采用压汞法或称重法对不同厚度系列极片的孔隙率进行标定;
步骤2:将标定后的锂离子电池正/负极片,安装到卷到卷台架上,再分别以u 1, u 2,u 3, u 4……等不同的速度走带,采用热源装置对锂离子电池极片加热,使用红外热像仪记录锂离子电池极片表面温度随时间变化的关系T(t)或表面温度随极片表面位置的变化关系T(x);对于不同厚度系列的锂离子电池极片,提取极片代表点的表面温度变化曲线,并获取代表点表面温度变化曲线的代表时间点的温度T(t 1),T(t 2),T(t 3),T(t 4)……T(t n )。
步骤3:根据步骤2中所获得的数据,建立锂离子电池极片孔隙率ε与走带速度u,锂离子电池极片厚度h以及代表点的代表时间点的温度的T(t 1),T(t 2),T(t 3),T(t 4)……T(t n )或代表位置点T(x 1),T(x 2),T(x 3),T(x 4)……T(x n )神经网络模型。
进一步的,步骤3中的神经网络模型采用卷积稀疏自编码神经网络,在神经网络输入层中引入高斯白噪声,利用带高斯白噪声的数据训并采用降噪自编码的方法训练该神经网络模型,使其误差在允许范围内。
进一步的,所述卷积稀疏自编码神经网络包含四层:输入层,隐含层1,隐含层2,输出层;所述输入层有2~10个节点,其节点数量视所选取代表点的代表时间点或代表位置点的温度数量而定;所述隐含层各有5个节点;所述输出层有1个节点。节点激活函数采用sigmoid函数;所述神经网络的训练,根据步骤2取得的数据量的大小选择合适的迭代误差、学习率以及迭代步数等。
进一步的,步骤2中所获的数据进行归一化处理,所述数据的归一化处理包括走带速度、极片厚度、代表点的代表时间点的温度以及孔隙率。归一化方法为:,所述y,y min,y max以及y norm 表示原始数据、原始数据系列中的最小值、原始数据系列中的最大值以及归一化后的数据。
步骤4:在锂离子电池极片正式生产过程中,根据走带速度u,锂离子电池极片厚度h以及极片表面随时间变化关系T(t)或表面温度随极片表面位置的变化关系T(x),采用步骤3中训练的神经网络模型预测锂离子电池极片孔隙率ε。
进一步的,步骤4中走带速度u可以通过主控程序直接获取,锂离子电池极片厚度可以通过激光测量或X射线测量获得。
进一步的,本方法有对钴酸锂、锰酸锂、磷酸亚铁锂、三元锂以及石墨等正负极体系的锂离子电池极片的孔隙率在线测量方面的应用。
本发明是一种孔隙率在线测量方法,可以对孔隙率进行实时监控,具有对测试对象和测试设备要求较低,检测效率高和准确率高的优点。
附图说明
图1是在线测量方法流程示意图;
图2是测量装置示意图;
图3是三元锂正极极片加热表面温度随表面位置变化的曲线图;
图4是石墨负极极片加热表面温度随表面位置变化的曲线图;
图5是三元锂正极极片表面最高温度随孔隙率的变化曲线图;
图6是石墨负极极片表面最高温度随孔隙率的变化曲线图。
具体实施方式
为了使本发明便于理解,下面结合实例对本发明作进一步的说明。应当指出,此处所描述的具体实施案例仅仅用于解释说明本发明,但并限于本发明。此外,此处所描述的各个实施案例中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,本发明实施案例是提供一种锂离子电池极片孔隙率在线检测方法,主要包括以下步骤:
步骤1:在每次涂布新的活性物质之前,可以用实验室涂布装置涂布并收集不同厚度系列的锂离子电池极片,其中每种厚度系列包含多种不同孔隙率的锂离子电池极片,采用压汞法或称重法对不同厚度系列极片的孔隙率进行标定;
步骤2:在每次涂布新的活性之前,分别将不同厚度系列的锂离子电池极片安装在卷到卷台架上,采用如图2所示的热源装置10对锂离子电池极片20加热,使用红外热像仪30记录1.5m/min走带速度条件下锂离子电池极片表面温度随时间变化的关系T(t),图3是三元锂正极极片加热表面温度随表面位置变化的曲线,图4是石墨负极极片加热表面温度随表面位置变化的曲线,获取极片表面最高温度T max 。
步骤3:根据步骤2中所获得的数据,建立锂离子电池极片孔隙率ε与走带速度u,锂离子电池极片厚度h以及极片表面最高温度T max 的神经网络模型。
采用卷积稀疏自编码神经网络,在神经网络输入层中引入均值为0,方差为0.1的高斯白噪声,其中引入高斯白噪声的方差越大,所训练的神经网络预测鲁棒性越好,但预测精度会变差。利用带高斯白噪声的数据训并采用降噪自编码的方法训练该神经网络模型,神经网络模型训练最大迭代步数为500,学习率为0.1,允许迭代误差0.00002。
所构建的神经网络包含四层:输入层,隐含层1,隐含层2与输出层;输入层包含2个节点,分别表示极片厚度与表面最高温度;隐含层1与隐含层2包含5个节点;输出层包含1个节点,表示极片孔隙率。节点激活函数采用sigmoid函数,即。
在神经网络训练过程中,对极片表面最高温度、极片厚度以及孔隙率进行归一化处理,归一化方法为:,所述y,y min,y max以及y norm 表示原始数据、原始数据系列中的最小值、原始数据系列中的最大值以及归一化后的数据。
步骤4:在锂离子电池极片正式生产过程中,根据走带速度u,锂离子电池极片厚度h以及极片表面最高温度T max ,采用步骤3中训练的神经网络模型在线预测锂离子电池极片孔隙率ε,预测结果与实测结果如图5-6所示。
Claims (5)
1.一种锂离子电池极片孔隙率在线检测方法,其特征在于包括以下步骤:
步骤1:在每次涂布新的活性物质之前,预先涂布并收集不同厚度系列的涂有活性物质的锂离子电池正/负极片,其中每种厚度系列包含多种不同孔隙率的锂离子电池极片,采用压汞法或称重法对不同厚度系列极片的孔隙率进行标定;
步骤2:将标定后的锂离子电池正/负极片,安装到卷台架上,再分别以u 1, u 2, u 3,u 4……不同的速度走带,采用热源装置对锂离子电池极片加热,使用红外热像仪记录锂离子电池极片表面温度随时间变化的关系T(t)或表面温度随极片表面位置的变化关系T(x);对于不同厚度系列的锂离子电池极片,提取极片代表点的表面温度变化曲线,并获取代表点表面温度变化曲线的代表时间点的温度T(t 1),T(t 2),T(t 3),T(t 4)……T(t n );
步骤3:根据步骤2中所获得的数据,建立锂离子电池极片孔隙率ε与走带速度u,锂离子电池极片厚度h以及代表点的代表时间点的温度的T(t 1),T(t 2),T(t 3),T(t 4)……T(t n )或代表位置点T(x 1),T(x 2),T(x 3),T(x 4)……T(x n )之间的神经网络模型;
步骤4:在锂离子电池极片正式生产过程中,根据走带速度u,锂离子电池极片厚度h以及极片表面温度随时间变化关系T(t)或表面温度随极片表面位置的变化关系T(x),采用步骤3中训练的神经网络模型预测锂离子电池极片孔隙率ε。
2.根据权利要求1所述的一种锂离子电池极片孔隙率在线检测方法,其特征在于步骤3所选的神经网络模型为卷积稀疏自编码神经网络,卷积稀疏自编码神经网络包含四层:输入层,隐含层1,隐含层2,输出层;所述输入层有2~10个节点,其节点数量视所选取代表点的代表时间点或代表位置点的温度数量而定;所述隐含层各有5个节点;所述输出层有1个节点;节点激活函数采用sigmoid函数。
3.根据权利要求1或2所述的一种锂离子电池极片孔隙率在线检测方法,其特征在于步骤3所选的神经网络采用归一化的数据进行训练。
4.根据权利要求1或2中所述的一种锂离子电池极片孔隙率在线检测方法,其特征在于步骤4中锂离子电池极片走带速度u通过主控程序直接获取,锂离子电池极片厚度通过激光测量或X射线测量获得。
5.权利要求1-4中任一项所述的一种锂离子电池极片孔隙率在线检测方法,在钴酸锂、锰酸锂、磷酸亚铁锂、三元锂以及石墨正负极体系的锂离子电池极片的孔隙率在线测量方面的应用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910373339.9A CN110057742B (zh) | 2019-05-07 | 2019-05-07 | 锂离子电池极片孔隙率在线检测方法及其应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910373339.9A CN110057742B (zh) | 2019-05-07 | 2019-05-07 | 锂离子电池极片孔隙率在线检测方法及其应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110057742A CN110057742A (zh) | 2019-07-26 |
CN110057742B true CN110057742B (zh) | 2020-08-04 |
Family
ID=67322324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910373339.9A Active CN110057742B (zh) | 2019-05-07 | 2019-05-07 | 锂离子电池极片孔隙率在线检测方法及其应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110057742B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112417725A (zh) * | 2020-11-20 | 2021-02-26 | 苏州凌威新能源科技有限公司 | 负极片孔隙率的设计方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09236641A (ja) * | 1995-12-28 | 1997-09-09 | Yazaki Corp | バッテリー残量容量計測装置 |
CN101893541A (zh) * | 2010-06-09 | 2010-11-24 | 哈尔滨工业大学 | 建立纤维增强树脂基复合材料孔隙问题的表征与评价模型的方法 |
CN103278438A (zh) * | 2013-06-06 | 2013-09-04 | 天津力神电池股份有限公司 | 锂离子电池极片有效孔体积及孔隙率的测试方法 |
CN105758777A (zh) * | 2016-03-02 | 2016-07-13 | 南京国轩电池有限公司 | 一种锂电复合隔膜的陶瓷涂层的孔隙率测试方法 |
CN105921370A (zh) * | 2016-06-21 | 2016-09-07 | 华中科技大学 | 一种挤压涂布机膜厚控制方法 |
CN107238801A (zh) * | 2017-06-16 | 2017-10-10 | 长沙新材料产业研究院有限公司 | 一种用于预测锂电池生命周期的方法 |
CN107643325A (zh) * | 2017-10-20 | 2018-01-30 | 郑州云启工业设备技术有限公司 | 一种锂电池隔膜在线智能检测装置与方法 |
CN108646195A (zh) * | 2018-07-03 | 2018-10-12 | 东莞百瑞自动化有限公司 | 一种电池仿真模拟测试机及其控制方法 |
CN108931467A (zh) * | 2018-08-06 | 2018-12-04 | 福建省致格新能源电池科技有限公司 | 一种锂离子电池隔膜孔隙率的测试方法 |
CN109682735A (zh) * | 2018-12-21 | 2019-04-26 | 山东精工电子科技有限公司 | 锂离子电池极片涂层孔隙率的测试方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102108279B1 (ko) * | 2013-05-22 | 2020-05-07 | 삼성에스디아이 주식회사 | 배터리의 두께 예측 시스템 및 배터리의 두께 예측 방법 |
-
2019
- 2019-05-07 CN CN201910373339.9A patent/CN110057742B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09236641A (ja) * | 1995-12-28 | 1997-09-09 | Yazaki Corp | バッテリー残量容量計測装置 |
CN101893541A (zh) * | 2010-06-09 | 2010-11-24 | 哈尔滨工业大学 | 建立纤维增强树脂基复合材料孔隙问题的表征与评价模型的方法 |
CN103278438A (zh) * | 2013-06-06 | 2013-09-04 | 天津力神电池股份有限公司 | 锂离子电池极片有效孔体积及孔隙率的测试方法 |
CN105758777A (zh) * | 2016-03-02 | 2016-07-13 | 南京国轩电池有限公司 | 一种锂电复合隔膜的陶瓷涂层的孔隙率测试方法 |
CN105921370A (zh) * | 2016-06-21 | 2016-09-07 | 华中科技大学 | 一种挤压涂布机膜厚控制方法 |
CN107238801A (zh) * | 2017-06-16 | 2017-10-10 | 长沙新材料产业研究院有限公司 | 一种用于预测锂电池生命周期的方法 |
CN107643325A (zh) * | 2017-10-20 | 2018-01-30 | 郑州云启工业设备技术有限公司 | 一种锂电池隔膜在线智能检测装置与方法 |
CN108646195A (zh) * | 2018-07-03 | 2018-10-12 | 东莞百瑞自动化有限公司 | 一种电池仿真模拟测试机及其控制方法 |
CN108931467A (zh) * | 2018-08-06 | 2018-12-04 | 福建省致格新能源电池科技有限公司 | 一种锂离子电池隔膜孔隙率的测试方法 |
CN109682735A (zh) * | 2018-12-21 | 2019-04-26 | 山东精工电子科技有限公司 | 锂离子电池极片涂层孔隙率的测试方法 |
Non-Patent Citations (3)
Title |
---|
BP模型在预测多孔NiTi合金孔隙度和屈服强度上的应用;李强 等;《功能材料》;20061231;第37卷(第6期);第952-958页 * |
基于BP神经网络的T10A钢针织器材化学镀镍工艺预测;包雨威 等;《电镀与涂饰》;20141231;第33卷(第4期);第150-154页 * |
铅酸蓄电池极板孔隙率测试方法的探讨;王杜友 等;《蓄电池》;20171231;第54卷(第6期);第281-283页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110057742A (zh) | 2019-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qiao et al. | Online quantitative diagnosis of internal short circuit for lithium-ion batteries using incremental capacity method | |
CN111157897B (zh) | 评估动力电池的方法、装置、存储介质及处理器 | |
CN106684405A (zh) | 用于确定燃料电池组中的临界操作状态的方法 | |
CN110537093A (zh) | 电极性能评价系统和电极性能评价方法 | |
CN111579993B (zh) | 一种基于卷积神经网络的锂电池容量在线估计方法 | |
Peng et al. | A review of lithium-ion battery capacity estimation methods for onboard battery management systems: recent progress and perspectives | |
CN113591215B (zh) | 基于不确定性的异常卫星组件布局检测方法 | |
CN115824993B (zh) | 水体化学需氧量的确定方法、装置、计算机设备及介质 | |
CN110057742B (zh) | 锂离子电池极片孔隙率在线检测方法及其应用 | |
CN113962154A (zh) | 一种基于迁移学习的锂电池核温评估方法及系统 | |
CN110544530A (zh) | 体温数据预测装置及其体温数据预测模型构建方法 | |
CN114729967A (zh) | 用于估计储能器的状态的方法 | |
CN110986407A (zh) | 一种离心式冷水机组故障诊断方法 | |
CN115455801A (zh) | 基于pso-dnn的hy-2b扫描微波辐射计海面风速反演方法和装置 | |
Chang et al. | Lithium-ion battery state of health estimation based on electrochemical impedance spectroscopy and cuckoo search algorithm optimized elman neural network | |
CN115101138A (zh) | 基于参数辨识的锂电池设计优化方法及装置、存储介质 | |
Tan et al. | Intelligent online health estimation for lithium-ion batteries based on a parallel attention network combining multivariate time series | |
CN104008433A (zh) | 基于贝叶斯动态模型的中长期电力负荷预测方法 | |
Liu et al. | Energy storage battery SOC estimate based on improved BP neural network | |
CN110728314A (zh) | 一种大规模免调度系统活跃用户检测方法 | |
CN116559196B (zh) | 一种电弧增材制造缺陷检测系统及方法 | |
Xu et al. | A hybrid method for lithium-ion batteries state-of-charge estimation based on gated recurrent unit neural network and an adaptive unscented Kalman filter | |
CN116739997A (zh) | 一种基于x射线成像的锂电池在线成像分析方法 | |
Wang et al. | A conditional random field based feature learning framework for battery capacity prediction | |
Tarbi et al. | Control and diagnostic of the complex impedance of selected perovskite compounds |
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 |