CN114819583A - 锂电池化成阶段产品质量预测方法及系统 - Google Patents
锂电池化成阶段产品质量预测方法及系统 Download PDFInfo
- Publication number
- CN114819583A CN114819583A CN202210408892.3A CN202210408892A CN114819583A CN 114819583 A CN114819583 A CN 114819583A CN 202210408892 A CN202210408892 A CN 202210408892A CN 114819583 A CN114819583 A CN 114819583A
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- database
- model
- product quality
- predicting
- 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.)
- Pending
Links
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
- G06Q10/06—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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"
-
- 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
- H01M10/052—Li-accumulators
- H01M10/0525—Rocking-chair batteries, i.e. batteries with lithium insertion or intercalation in both electrodes; Lithium-ion batteries
-
- 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
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/44—Methods for charging or discharging
- H01M10/446—Initial charging measures
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- General Chemical & Material Sciences (AREA)
- Electrochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Educational Administration (AREA)
- Manufacturing & Machinery (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Materials Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Battery Electrode And Active Subsutance (AREA)
Abstract
本发明提供的锂电池化成阶段产品质量预测方法及系统,建立电池生产数据库,提取并筛选所述电池生产数据库中合适的特征,根据所述特征建立锂电池化成产品质量预测模型,根据所述锂电池化成质量预测模型对锂电池质量进行预测,本发明利用机器学习中随机森林回归模型对锂电池化成阶段产品数据进行分析,得到质量预测模型,由于随机森林模型的优势在于能够揭示中间产品特征对最终产品性能的影响以及重要程度,为技术人员改进锂电池生产、设计、控制和操作提供便利和依据。比于传统的方法,具有操作简单、准确性高、速度快等优点。
Description
技术领域
本发明属于锂离子电池技术领域,特别涉及一种锂电池化成阶段产品质量预测方法及系统。
背景技术
锂离子电池一种重要的储能技术,在未来的电子移动和能源行业转型中发挥着重要作用。然而,由于昂贵的材料、高废品率的高工艺波动和高能源需求,锂电池制造仍然具有高生产成本和高环境影响。由于缺乏对锂电池生产过程及其对锂电池质量和性能的影响的深入了解,难以计划、控制和执行生产。因此,采用系统的方法来深入了解过程与产品质量和性能之间的相互联系对提高企业经济效益具有重要意义。
锂电池石墨负极材料的首次充电曲线和放电曲线并不完全重合,充电容量和放电容量的差值称不可逆容量,不可逆容量的形成主要与形成SEI膜和其他副反应有关。SEI膜是一种离子可导,电子不可导的固体电解质膜,化成的主要目的是使负极表面形成完整的SEI膜,从而使电池具有稳定的循环能力。
随机森林是用于分类,回归和其他任务的集成学习方法,其通过在训练时构建多个决策树并输出作为类的模式(分类)或平均预测(回归)的类来操作。随机森林能处理很高维度的数据,并且不用做特征选择,能够检测到特征对结果的影响因子及特征之间的影响。如果有很大一部分的特征遗失,用随机森林算法仍然可以维持准确度。
锂电池材料成本约占总制造成本的70%,工艺偏差和废料高度影响制造成本。报废率可能在5%左右到15%之间不等,甚至可能存在高达40%的已生产锂电池有缺陷,或需要在后期生产中修复的情况。
发明内容
本发明实施例提供了一种锂电池化成阶段产品质量预测方法及装置,以至少解决为技术人员改进和控制电池生产,提升产品质量提供依据和便利的技术问题。
根据本发明的一实施例,提供了一种锂电池化成阶段产品质量预测方法,包括以下步骤:
步骤S10:建立电池生产数据库;
步骤S20:提取并筛选所述电池生产数据库中合适的特征;
步骤S30:根据所述特征建立锂电池化成产品质量预测模型;
步骤S40:根据所述锂电池化成质量预测模型对锂电池质量进行预测。
在其中一些实施例中,在建立电池生产数据库的步骤后,进行下一步步骤之前,还包括对所述电池生产数据库中的数据进行预处理的步骤。
在其中一些实施例中,所述预处理包括将上述的数据进行缺失值处理、异常值处理、哑编码处理及归一化处理,并将预处理后的数据存入初始数据库中。
在其中一些实施例中,在步骤S10,建立电池生产数据库的步骤中,具体包括下述步骤:
步骤S11:收集化成反应过程的初始原材料和中间产品,并对所述初始原材料和中间产品进行产品分析和检验,提取初始原材料和中间产品的第一特征数据,所述第一特征数据包括不限于电极材料及用量,电解液成分及用量,无机添加剂及用量、黏结剂用量、化成的电流和电压、化成时的温度和时间、电池的水分含量、车间湿度、极片和电池的厚度;
步骤S12:对同一批次完成老化工艺的最终产品提取反映性能特征的第二特征数据,所述第二特征数据包括不限于自放电率,最大容量,若干次循环充放电后的电池健康状态;
步骤S13:将所述第一特征数据与所述第二特征数据合并,建立电池生产数据库。
在其中一些实施例中,在步骤S20,提取并筛选所述电池生产数据库中合适的特征的步骤中,具体包括下述步骤:
步骤S21:建立所述电池生产数据库中的数据库副本,形成特征筛选数据库,将所述特征筛选数据库按照K比例划分原始训练集和原始测试集,并确定随机森林回归模型的参数;
步骤S22:训练所述随机森林回归模型,对反映最终产品性能指标的质量特征进行预测,并计算评估回归模型的指标和特征重要度,且按照特征重要度大小降序排列;
步骤S23:删除所述特征筛选数据库中排名末尾的特征对应的数据,形成用于新的特征筛选数据库;
步骤S24:将所述新的特征筛选数据库按所述K的比例随机地划分为训练集和测试集,并确定随机森林回归模型的参数;
步骤S25:判断所述随机森林回归模型预测电池最终产品质量的结果是否刚好满足精度需求或剩余的特征数量等于预先设定的值且模型的误差也满足要求,停止筛选特征,且此时的特征筛选数据库作为训练和测试随机森林回归模型的数据库。
在其中一些实施例中,所述K比例取8:2,用随机搜索法确定所述随机森林回归模型的参数值域,采用网格搜索法确定所述随机森林回归模型的参数。
在其中一些实施例中,所述评估回归模型的指标包括平均绝对误差、均方误差、均方根误差和平均绝对百分比误差。
在其中一些实施例中,在步骤S30,根据所述特征建立锂电池化成产品质量预测模型的步骤中,具体包括下述步骤:
步骤S31:将所述训练和测试随机森林回归模型的数据库划分为最终训练集和最终测试集;
步骤S32:确定所述训练和测试随机森林回归模型的参数值域及随机森林回归模型参数;
步骤S33:用所述最终训练集数据训练所述训练和测试随机森林回归模型,取得对锂电池化成阶段最终产品质量指标的预测结果并在所述最终测试集上测试其性能,计算误差和特征重要度;
步骤S34:收集化成阶段后续产生的电池生产数据库,并将所述化成阶段后续产生的电池生产数据库进行数据预处理,添加到所述训练和测试随机森林回归模型的数据库中;
步骤S35:根据上述步骤S31~33对所述训练和测试随机森林回归模型进行训练,并比较新旧模型对最终产品质量预测的误差,判断新模型是否优于旧模型,若是,则取新模型作为锂电池质量预测模型,若否,维持旧模型,即得到所述锂电池化成产品质量预测模型。
在其中一些实施例中,在步骤S40,根据所述锂电池化成质量预测模型对锂电池质量进行预测的步骤中,具体包括下述步骤:
将所述第一特征数据作为所述锂电池化成产品质量预测模型的输入数据;
将所述第二特征数据作为所述锂电池化成产品质量预测模型的目标数据,运行模型即可得到预测值。
根据本发明的另一实施例,提供了一种锂电池化成阶段产品质量预测系统,包括:
数据库构建单元,用于建立电池生产数据库;
特征筛选单元,用于提取并筛选所述电池生产数据库中合适的特征;
锂电池生产质量预测模型,用于根据所述特征建立锂电池化成产品质量预测模型;
预测单元,用于根据所述锂电池化成质量预测模型对锂电池质量进行预测。
一种存储介质,所述存储介质存储有能够实现上述任意一项所述锂电池化成阶段产品质量预测方法的程序文件。
一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行任意一项所述的锂电池化成阶段产品质量预测方法。
本发明实施例中的锂电池化成阶段产品质量预测方法及系统,建立电池生产数据库,提取并筛选所述电池生产数据库中合适的特征,根据所述特征建立锂电池化成产品质量预测模型,根据所述锂电池化成质量预测模型对锂电池质量进行预测,本发明利用机器学习中随机森林回归模型对锂电池化成阶段产品数据进行分析,得到质量预测模型,由于随机森林模型的优势在于能够揭示中间产品特征对最终产品性能的影响以及重要程度,为技术人员改进锂电池生产、设计、控制和操作提供便利和依据。比于传统的方法,具有操作简单、准确性高、速度快等优点。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例1提供的锂电池化成阶段产品质量预测方法的步骤流程图;
图2为本发明实施例1提供的建立电池生产数据库的步骤流程图;
图3为本发明实施例1提供的提取并筛选所述电池生产数据库中合适的特征的步骤流程图;
图4为本发明实施例1提供的根据所述特征建立锂电池化成产品质量预测模型的步骤流程图。
图5为本发明实施例2提供的一种基于随机森林的锂电池化成阶段产品质量预测系统结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
请参阅图1,根据本发明一实施例,提供了一种锂电池化成阶段产品质量预测方法,包括以下步骤S10~S40,以下详细说明每个步骤的实现方案。
步骤S10:建立电池生产数据库。
请参阅图2,为本实施例提供的建立电池生产数据库的步骤流程图,包括下述步骤:
步骤S11:收集化成反应过程的初始原材料和中间产品,并对所述初始原材料和中间产品进行产品分析和检验,提取初始原材料和中间产品的第一特征数据,所述第一特征数据包括不限于电极材料及用量,电解液成分及用量,无机添加剂及用量、黏结剂用量、化成的电流和电压、化成时的温度和时间、电池的水分含量、车间湿度、极片和电池的厚度。
步骤S12:对同一批次完成老化工艺的最终产品提取反映性能特征的第二特征数据,所述第二特征数据包括不限于自放电率,最大容量,若干次循环充放电后的电池健康状态。
步骤S13:将所述第一特征数据与所述第二特征数据合并,建立电池生产数据库。
在本实施例中,在建立电池生产数据库的步骤后,进行下一步步骤之前,还包括对所述电池生产数据库中的数据进行预处理的步骤。
在本实施例中,所述预处理包括将上述的数据进行缺失值处理、异常值处理、哑编码处理及归一化处理,并将预处理后的数据存入初始数据库中。
进一步地,上述缺失值处理包括删除含缺失值的数据。
进一步地,异常值处理包括根据正态分布的定义可知,距离平均值3δ之外的概率为P(|x-μ|>3δ)<=0.003,当样本距离平均值大于3δ,则认定该样本为异常值,删除含异常值的数据。
进一步地,哑编码处理包括用One-Hot编码,其又称为一位有效编码,主要是采用N位状态寄存器来对N个状态进行编码,每个状态都由他独立的寄存器位,并且在任意时候只有一位有效。
进一步地,归一化处理是对原始数据的线性变换,使结果落到[0,1]区间,转换函数如下:x*=(x-min)/(max-min);
其中:max是样本数据最大值,min是样本数据最小值。注意每次新数据加入数据库需要重新计算。
步骤S20:提取并筛选所述电池生产数据库中合适的特征。
请参阅图3,为本实施例在提取并筛选所述电池生产数据库中合适的特征的步骤流程图,具体包括下述步骤:
步骤S21:建立所述电池生产数据库中的数据库副本,形成特征筛选数据库,将所述特征筛选数据库按照K比例划分原始训练集和原始测试集,并确定随机森林回归模型的参数。
具体地,所述K比例取8:2,用随机搜索法确定所述随机森林回归模型的参数值域,采用网格搜索法确定所述随机森林回归模型的参数。
可以理解,对于随机森林中的每一颗决策树,使用相应的OOB(袋外数据)数据来计算它的袋外数据误差,记为EO1。随机地对袋外数据OOB所有样本的特征X加入噪声干扰,再次计算它的袋外数据误差,记为EO2。假设随机森林中有N棵树,那么对于特征X的重要度=∑(EO2-EO1)/N。
步骤S22:训练所述随机森林回归模型,对反映最终产品性能指标的质量特征进行预测,并计算评估回归模型的指标和特征重要度,且按照特征重要度大小降序排列。
具体地,所述评估回归模型的指标包括平均绝对误差、均方误差、均方根误差和平均绝对百分比误差。
步骤S23:删除所述特征筛选数据库中排名末尾的特征对应的数据,形成用于新的特征筛选数据库。
步骤S24:将所述新的特征筛选数据库按所述K的比例随机地划分为训练集和测试集,并确定随机森林回归模型的参数。
可以理解,K的比例在整个筛选特征的过程中应保持一致,以提高预测准确性。
步骤S25:判断所述随机森林回归模型预测电池最终产品质量的结果是否刚好满足精度需求或剩余的特征数量等于预先设定的值且模型的误差也满足要求,若是,停止筛选特征,若否,重复步骤S22~24,且此时的特征筛选数据库作为训练和测试随机森林回归模型的数据库。
可以理解,本实施例中所述的结果刚好满足精度需求即表示下一次重复后精度不满足要求。
步骤S30:根据所述特征建立锂电池化成产品质量预测模型。
请参阅图4,为本实施例提供的根据所述特征建立锂电池化成产品质量预测模型的步骤流程图,具体包括下述步骤:
步骤S31:将所述训练和测试随机森林回归模型的数据库划分为最终训练集和最终测试集。
在实际中,将上述得到的训练和测试随机森林回归模型的数据库按8:2比例划分为训练集和测试集。
步骤S32:确定所述训练和测试随机森林回归模型的参数值域及随机森林回归模型参数。
具体地,用随机搜索法确定随机森林回归模型参数值域,然后采用网格搜索法确定适合的随机森林回归模型参数。
步骤S33:用所述最终训练集数据训练所述训练和测试随机森林回归模型,取得对锂电池化成阶段最终产品质量指标的预测结果并在所述最终测试集上测试其性能,计算误差和特征重要度。
本实施例中,锂电池化成阶段最终产品质量指标包括不限于自放电率,最大容量,若干次循环充放电后的电池健康状态。
可以理解,对于不符合性能要求的模型,通过调整随机森林回归模型参数,比如加大模型中树的深度和数量等、增加特征、丰富和完善数据集等手段以得到符合要求的质量预测模型。
步骤S34:收集化成阶段后续产生的电池生产数据库,并将所述化成阶段后续产生的电池生产数据库进行数据预处理,添加到所述训练和测试随机森林回归模型的数据库中。
步骤S35:根据上述步骤S31~33对所述训练和测试随机森林回归模型进行训练,并比较新旧模型对最终产品质量预测的误差,判断新模型是否优于旧模型,若是,则取新模型作为锂电池质量预测模型,若否,维持旧模型,即得到所述锂电池化成产品质量预测模型。
步骤S40:根据所述锂电池化成质量预测模型对锂电池质量进行预测。
在本实施例中,根据所述锂电池化成质量预测模型对锂电池质量进行预测的步骤中,具体包括下述步骤:
将所述第一特征数据作为所述锂电池化成产品质量预测模型的输入数据;将所述第二特征数据作为所述锂电池化成产品质量预测模型的目标数据,运行模型即可得到预测值。
本发明目的是在经典的冯诺依曼结构的基础上,在各通信环节以及硬件资源添加标签,加快进程访问资源的速度,以及将需求与资源进行更有针对性的对应,减小任务的运行时间,提高计算机资源的利用率,减小共享资源的应用程序的相互干扰,以及减少部分原本可能发生的并发锁问题,从而降低长尾延迟。本发明旨在从输入设备开始,将进程添加标签,利用控制中心来控制判断调整底层硬件资源的优先级分配,从而实现自顶向下基于标签的资源分配,按照标签提供的信息给进程分配不同的资源来解决问题,从而提升计算机资源的利用率。
本发明实施例提出一种锂电池化成阶段产品质量预测方法,利用机器学习中随机森林回归模型对锂电池化成阶段产品数据进行分析,得到质量预测模型,由于随机森林模型的优势在于能够揭示中间产品特征对最终产品性能的影响以及重要程度,为技术人员改进锂电池生产、设计、控制和操作提供便利和依据。比于传统的方法,具有操作简单、准确性高、速度快等优点。
实施例2
请参阅图5,根据本发明的另一实施例,提供了一种锂电池化成阶段产品质量预测系统的结构示意图,包括:
数据库构建单元110,用于建立电池生产数据库;
特征筛选单元120,用于提取并筛选所述电池生产数据库中合适的特征;
锂电池生产质量预测模型130,用于根据所述特征建立锂电池化成产品质量预测模型;
预测单元140,用于根据所述锂电池化成质量预测模型对锂电池质量进行预测。
本实施例提供的基于随机森林的锂电池化成阶段产品质量预测系统,其详细的实现方案在实施例1中已有详细说明,这里不再赘述。
本发明实施例提出一种锂电池化成阶段产品质量预测系统,利用机器学习中随机森林回归模型对锂电池化成阶段产品数据进行分析,得到质量预测模型,由于随机森林模型的优势在于能够揭示中间产品特征对最终产品性能的影响以及重要程度,为技术人员改进锂电池生产、设计、控制和操作提供便利和依据。比于传统的方法,具有操作简单、准确性高、速度快等优点。
实施例3
一种存储介质,存储介质存储有能够实现上述任意一项锂电池化成阶段产品质量预测方法的程序文件。
实施例4
一种处理器,处理器用于运行程序,其中,程序运行时执行上述任意一项的锂电池化成阶段产品质量预测方法。
本发明实施例的技术优点至少在于:利用机器学习中随机森林回归模型对锂电池化成阶段产品数据进行分析,得到质量预测模型,由于随机森林模型的优势在于能够揭示中间产品特征对最终产品性能的影响以及重要程度,为技术人员改进锂电池生产、设计、控制和操作提供便利和依据。比于传统的方法,具有操作简单、准确性高、速度快等优点。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的系统实施例仅仅是示意性的,例如单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (12)
1.一种锂电池化成阶段产品质量预测方法,其特征在于,包括以下步骤:
步骤S10:建立电池生产数据库;
步骤S20:提取并筛选所述电池生产数据库中合适的特征;
步骤S30:根据所述特征建立锂电池化成产品质量预测模型;
步骤S40:根据所述锂电池化成质量预测模型对锂电池质量进行预测。
2.根据权利要求1所述的锂电池化成阶段产品质量预测方法,其特征在于,在建立电池生产数据库的步骤后,进行下一步步骤之前,还包括对所述电池生产数据库中的数据进行预处理的步骤。
3.根据权利要求2所述的锂电池化成阶段产品质量预测方法,其特征在于,所述预处理包括将上述的数据进行缺失值处理、异常值处理、哑编码处理及归一化处理,并将预处理后的数据存入初始数据库中。
4.根据权利要求1所述的锂电池化成阶段产品质量预测方法,其特征在于,在步骤S10,建立电池生产数据库的步骤中,具体包括下述步骤:
步骤S11:收集化成反应过程的初始原材料和中间产品,并对所述初始原材料和中间产品进行产品分析和检验,提取初始原材料和中间产品的第一特征数据,所述第一特征数据包括不限于电极材料及用量,电解液成分及用量,无机添加剂及用量、黏结剂用量、化成的电流和电压、化成时的温度和时间、电池的水分含量、车间湿度、极片和电池的厚度;
步骤S12:对同一批次完成老化工艺的最终产品提取反映性能特征的第二特征数据,所述第二特征数据包括不限于自放电率,最大容量,若干次循环充放电后的电池健康状态;
步骤S13:将所述第一特征数据与所述第二特征数据合并,建立电池生产数据库。
5.根据权利要求4所述的锂电池化成阶段产品质量预测方法,其特征在于,在步骤S20,提取并筛选所述电池生产数据库中合适的特征的步骤中,具体包括下述步骤:
步骤S21:建立所述电池生产数据库中的数据库副本,形成特征筛选数据库,将所述特征筛选数据库按照K比例划分原始训练集和原始测试集,并确定随机森林回归模型的参数;
步骤S22:训练所述随机森林回归模型,对反映最终产品性能指标的质量特征进行预测,并计算评估回归模型的指标和特征重要度,且按照特征重要度大小降序排列;
步骤S23:删除所述特征筛选数据库中排名末尾的特征对应的数据,形成用于新的特征筛选数据库;
步骤S24:将所述新的特征筛选数据库按所述K的比例随机地划分为训练集和测试集,并确定随机森林回归模型的参数;
步骤S25:判断所述随机森林回归模型预测电池最终产品质量的结果是否刚好满足精度需求或剩余的特征数量等于预先设定的值且模型的误差也满足要求,若是,停止筛选特征,若否,重复步骤S22~24,且此时的特征筛选数据库作为训练和测试随机森林回归模型的数据库。
6.根据权利要求5所述的锂电池化成阶段产品质量预测方法,其特征在于,所述K比例取8:2,用随机搜索法确定所述随机森林回归模型的参数值域,采用网格搜索法确定所述随机森林回归模型的参数。
7.根据权利要求5所述的锂电池化成阶段产品质量预测方法,其特征在于,所述评估回归模型的指标包括平均绝对误差、均方误差、均方根误差和平均绝对百分比误差。
8.根据权利要求5所述的锂电池化成阶段产品质量预测方法,其特征在于,在步骤S30,根据所述特征建立锂电池化成产品质量预测模型的步骤中,具体包括下述步骤:
步骤S31:将所述训练和测试随机森林回归模型的数据库划分为最终训练集和最终测试集;
步骤S32:确定所述训练和测试随机森林回归模型的参数值域及随机森林回归模型参数;
步骤S33:用所述最终训练集数据训练所述训练和测试随机森林回归模型,取得对锂电池化成阶段最终产品质量指标的预测结果并在所述最终测试集上测试其性能,计算误差和特征重要度;
步骤S34:收集化成阶段后续产生的电池生产数据库,并将所述化成阶段后续产生的电池生产数据库进行数据预处理,添加到所述训练和测试随机森林回归模型的数据库中;
步骤S35:根据上述步骤S31~33对所述训练和测试随机森林回归模型进行训练,并比较新旧模型对最终产品质量预测的误差,判断新模型是否优于旧模型,若是,则取新模型作为锂电池质量预测模型,若否,维持旧模型,即得到所述锂电池化成产品质量预测模型。
9.根据权利要求8所述的锂电池化成阶段产品质量预测方法,其特征在于,在步骤S40,根据所述锂电池化成质量预测模型对锂电池质量进行预测的步骤中,具体包括下述步骤:
将所述第一特征数据作为所述锂电池化成产品质量预测模型的输入数据;
将所述第二特征数据作为所述锂电池化成产品质量预测模型的目标数据,运行模型即可得到预测值。
10.一种锂电池化成阶段产品质量预测系统,其特征在于,包括:
数据库构建单元,用于建立电池生产数据库;
特征筛选单元,用于提取并筛选所述电池生产数据库中合适的特征;
锂电池生产质量预测模型,用于根据所述特征建立锂电池化成产品质量预测模型;
预测单元,用于根据所述锂电池化成质量预测模型对锂电池质量进行预测。
11.一种存储介质,其特征在于,所述存储介质存储有能够实现权利要求1至9中任意一项所述锂电池化成阶段产品质量预测方法的程序文件。
12.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至9中任意一项所述的锂电池化成阶段产品质量预测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210408892.3A CN114819583A (zh) | 2022-04-19 | 2022-04-19 | 锂电池化成阶段产品质量预测方法及系统 |
PCT/CN2022/138144 WO2023202098A1 (zh) | 2022-04-19 | 2022-12-09 | 锂电池化成阶段产品质量预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210408892.3A CN114819583A (zh) | 2022-04-19 | 2022-04-19 | 锂电池化成阶段产品质量预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114819583A true CN114819583A (zh) | 2022-07-29 |
Family
ID=82506574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210408892.3A Pending CN114819583A (zh) | 2022-04-19 | 2022-04-19 | 锂电池化成阶段产品质量预测方法及系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114819583A (zh) |
WO (1) | WO2023202098A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115098704A (zh) * | 2022-08-24 | 2022-09-23 | 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 |
CN116307405A (zh) * | 2023-05-25 | 2023-06-23 | 日照鲁光电子科技有限公司 | 一种基于生产数据的二极管性能预测方法及系统 |
WO2023202098A1 (zh) * | 2022-04-19 | 2023-10-26 | 深圳先进技术研究院 | 锂电池化成阶段产品质量预测方法及系统 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117783887B (zh) * | 2024-02-28 | 2024-05-14 | 深圳市神通天下科技有限公司 | 一种锂离子电池电芯配组筛选方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111044928A (zh) * | 2019-12-31 | 2020-04-21 | 福州大学 | 一种锂电池健康状态估计方法 |
CN113125960A (zh) * | 2019-12-31 | 2021-07-16 | 河北工业大学 | 一种基于随机森林模型的车载锂离子电池荷电状态预测方法 |
CN112560287A (zh) * | 2020-12-28 | 2021-03-26 | 杭州师范大学 | 基于随机森林回归的锂离子电池寿命预测系统 |
CN113687250B (zh) * | 2021-08-18 | 2023-10-24 | 蜂巢能源科技有限公司 | 电芯容量预测方法、装置、电子设备及介质 |
CN114819583A (zh) * | 2022-04-19 | 2022-07-29 | 深圳先进技术研究院 | 锂电池化成阶段产品质量预测方法及系统 |
-
2022
- 2022-04-19 CN CN202210408892.3A patent/CN114819583A/zh active Pending
- 2022-12-09 WO PCT/CN2022/138144 patent/WO2023202098A1/zh unknown
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023202098A1 (zh) * | 2022-04-19 | 2023-10-26 | 深圳先进技术研究院 | 锂电池化成阶段产品质量预测方法及系统 |
CN115098704A (zh) * | 2022-08-24 | 2022-09-23 | 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 |
CN116307405A (zh) * | 2023-05-25 | 2023-06-23 | 日照鲁光电子科技有限公司 | 一种基于生产数据的二极管性能预测方法及系统 |
CN116307405B (zh) * | 2023-05-25 | 2023-08-04 | 日照鲁光电子科技有限公司 | 一种基于生产数据的二极管性能预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2023202098A1 (zh) | 2023-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114819583A (zh) | 锂电池化成阶段产品质量预测方法及系统 | |
Turetskyy et al. | Battery production design using multi-output machine learning models | |
CN110224192B (zh) | 一种梯次利用动力电池寿命预测方法 | |
Thomitzek et al. | Simulating process-product interdependencies in battery production systems | |
CN109409628B (zh) | 基于计量大数据聚类模型的采集终端生产厂商评价方法 | |
CN110703101B (zh) | 一种锂离子电池分区间循环容量衰退预测方法 | |
Liu et al. | Machine learning boosting the development of advanced lithium batteries | |
CN111079937A (zh) | 一种快速建模的方法 | |
CN111983474A (zh) | 一种基于容量衰退模型的锂离子电池寿命预测方法和系统 | |
CN114720899A (zh) | 退役电池梯次利用分选方法及系统、电子设备、存储介质 | |
CN109768340B (zh) | 一种电池放电过程电压不一致性估计方法及装置 | |
CN114757468A (zh) | 一种面向流程挖掘中流程执行异常的根源分析方法 | |
CN115301559A (zh) | 用于退役电池回收利用的高效筛选分拣方法及系统 | |
CN116187838A (zh) | 一种电力设备的质量评估方法、系统、装置及存储介质 | |
CN109800477B (zh) | 锂离子电池三因素不一致性预测方法及装置 | |
CN112597687B (zh) | 一种基于少样本学习的涡轮盘结构混合可靠性分析方法 | |
Tan et al. | Data-driven battery electrode production process modeling enabled by machine learning | |
Zhu et al. | A novel fast estimation and regroup method of retired lithium‐ion battery cells | |
CN105987823A (zh) | 通信装备基于振动应力变换的加速试验方法 | |
CN117289167A (zh) | 基于多重神经网络的电池剩余寿命预测方法、装置及介质 | |
CN115456223B (zh) | 基于全生命周期的锂电池梯次回收管理方法及系统 | |
Hou et al. | Composite generation and transmission system reliability assessment using impact increment-based state enumeration method | |
CN110837952A (zh) | 一种基于博弈论的电网新技术设备选择方法及系统 | |
Zhang et al. | Remaining useful life prediction of lithium-ion batteries based on TCN-DCN fusion model combined with IRRS filtering | |
US20220214399A1 (en) | Energy storage cell qualification and related systems, methods, and devices |
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 |