CN115127992A - 一种锂电池极耳超声波焊接剥离强度的检测方法 - Google Patents

一种锂电池极耳超声波焊接剥离强度的检测方法 Download PDF

Info

Publication number
CN115127992A
CN115127992A CN202210854449.9A CN202210854449A CN115127992A CN 115127992 A CN115127992 A CN 115127992A CN 202210854449 A CN202210854449 A CN 202210854449A CN 115127992 A CN115127992 A CN 115127992A
Authority
CN
China
Prior art keywords
lithium battery
neural network
ultrasonic welding
network model
welding
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.)
Granted
Application number
CN202210854449.9A
Other languages
English (en)
Other versions
CN115127992B (zh
Inventor
曾洪华
曾宪武
蔡锦伟
陈宗发
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Foshan Teamgiant New Energy Technology Co Ltd
Original Assignee
Foshan Teamgiant New Energy Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Foshan Teamgiant New Energy Technology Co Ltd filed Critical Foshan Teamgiant New Energy Technology Co Ltd
Priority to CN202210854449.9A priority Critical patent/CN115127992B/zh
Publication of CN115127992A publication Critical patent/CN115127992A/zh
Application granted granted Critical
Publication of CN115127992B publication Critical patent/CN115127992B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N19/00—Investigating materials by mechanical methods
    • G01N19/04—Measuring adhesive force between materials, e.g. of sealing tape, of coating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Algebra (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Pressure Welding/Diffusion-Bonding (AREA)

Abstract

本发明涉及一种锂电池极耳超声波焊接剥离强度的检测方法，通过实验获得多组超声波焊接过程的焊接工艺参数、极耳特性参数和设备参数，及其对应的锂电池极耳超声波焊接剥离强度；将标准化后的所述焊接工艺参数、极耳特性参数和设备参数进行主成分分析，将通过主成分分析确定的K个主成分载荷数据作为神经网络模型输入层的输入变量，将锂电池极耳超声波焊接剥离强度作为神经网络模型的输出变量，建立BP神经网络模型，并对所建立BP神经网络模型进行训练，获得经过训练后的BP神经网络模型中，将待测锂电池焊接过程中的K个主成分载荷数据，输入到经过训练后的BP神经网络模型中，得到待测锂电池极耳超声波焊接剥离强度。

Description

一种锂电池极耳超声波焊接剥离强度的检测方法
技术领域
本发明涉及一种电池质量检测领域，特别涉及一种电池焊接的剥离强度的检测方法。
背景技术
目前超声波焊接在锂电池行业应用广泛，是锂电池极耳连接的主要工艺方法；但超声波焊在实际生产应用过程中，极易出现焊接不稳定现象，导致焊接质量一致性难以保障，而超声波焊接质量好坏直接关系到锂电池的整体性能、良品率及电池使用寿命。其中剥离强度是评价超声波焊接质量的重要参数指标。通常采用拉力试验机进行剥离强度的检测，在检测过程中，需要待检测的极耳两端安装在拉力试验机上，从而可以测得极耳焊接接头处的剥离强度的数据；该测量焊接接头剥离强度的方法属于破坏性检测，只能在焊接调试过程中进行，而在实际生产中不能对产品进行破坏检测。
对此，公开号为CN107271486A的发明申请，拟合被焊电池极耳表面温度测量值和被焊电池极耳剥离度测量值的函数关系，根据的设定电池极耳的剥离力最小允许值依据拟合函数计算得到被焊电池极耳表面最高温度的最低允许值，通过比较所述被焊电池极耳表面温度和所述最低允许温度，来判断焊接是否合格。然而，上述现有技术仅将用焊电池极耳表面温度测量值来拟合得到被焊电池极耳剥离强度，然而实际过程中被焊电池极耳剥离强度的影响因素复杂，且各个影响因素相互之间存在着交互作用，采用单一的参数指标进行拟合，检测结果的准确性较低。
发明内容
本发明的目的是提供一种锂电池极耳超声波焊接剥离强度的检测方法，可实现锂电池极耳剥离强度的快速无损检查，还可提高检测结果的准确性。
为了实现上述目的，本发明采用以下技术方案：一种锂电池极耳超声波焊接剥离强度的检测方法，包括以下步骤：
步骤一，通过实验获得多组超声波焊接过程的焊接工艺参数、极耳特性参数和设备参数，及其对应的锂电池极耳超声波焊接剥离强度；
步骤二，对步骤一中的测量参数进行标准化处理；
步骤三，将标准化后的各个参数进行主成分分析，将主成分按方差贡献率由大到小排列，根据对累计贡献率的要求，取前K个主成分载荷数据；
步骤四，BP神经网络建模，根据步骤三确定的K个主成分载荷数据作为神经网络模型输入层的输入变量，将锂电池极耳超声波焊接剥离强度作为神经网络模型的输出变量，建立BP神经网络模型；
步骤五，BP神经网络模型的训练，将步骤一获得的所述K个主成分载荷数据作为BP神经网络模型的输入变量，将对应的锂电池极耳超声波焊接剥离强度作为BP神经网络模型的输出变量，对步骤四所建立BP神经网络模型进行训练，直至BP神经网络模型输出结果的均方差符合要求；
步骤六，获得待测锂电池焊接过程中的K个主成分载荷数据，输入到步骤五经过训练后的BP神经网络模型中，得到待测锂电池极耳超声波焊接剥离强度。
所述焊接工艺参数包括超声焊能量、超声功率、焊接时间、焊接压力、焊接温度以及焊接过程中气源压力值的波动性参数，所述极耳特性参数包括极耳连接片的厚度层数、长度和宽度，所述设备参数包括焊头的齿深。
所述BP神经网络模型的数学表达式为:
Figure BDA0003755602690000021
其中，Xk为模型输入变量，Wki为输入层权重，εi为输入层误差项，Vij为输出层权重，δj为输出层误差项，Yj为模型输出值，k为主成分个数，取值1～n，i为隐含层神经元个数，取值1～m，j为输出变量个数，f(x)为传递函。
所述气源压力值的波动性参数为焊接过程中气源压力值的标准偏差值。
所述的主成分分析的方法，包括如下步骤：
(1)所述焊接工艺参数、极耳特性参数和设备参数用X表示为
Figure BDA0003755602690000022
其中，xnp是第n个样品的第p个参数变量；
(2)计算相关系数矩阵
Figure BDA0003755602690000023
第k个样品的第i个参数变量和第j个参数变量之间的相关系数
Figure BDA0003755602690000024
xki为第k个样品的第i个参数变量，xkj为第k个样品的第j个参数变量，
Figure BDA0003755602690000025
为矩阵X的第i列的平均值，
Figure BDA0003755602690000026
为矩阵X的第j列的平均值，n为样本数；
(3)求相关系数矩阵R的特征值(λ1λ2…λp)，并使其按大小顺序排列，求出对应于特征值λi的特征向量；
(4)计算主成分累计贡献率
Figure BDA0003755602690000031
取累积方差贡献率大于85％的特征值所对应的前K个主成分，K<p，计算前K个主成分载荷矩阵为
Figure BDA0003755602690000032
Figure BDA0003755602690000033
为第i个样品的第j个主成分载荷。
本发明采用上述技术方案后得到以下技术效果：
1、本发明除了考虑常规影响超声波焊接工艺参数外，还考虑了在超声波焊接过程中，焊接气源压力波动的影响，以及锂电池极耳特性和焊头的形状，可提高锂电池焊接超声波焊接工艺的剥离强度的检测准确度。
2、本发明检测电池焊接的剥离强度的方法无需对产品进行破坏，且可实现实时快速检测。
附图说明
图1是本发明一实施例中的锂电池极耳超声波焊接剥离强度的检测方法的流程图。
具体实施方式
实施例一
如图1所示，根据本发明一个实施例的一种锂电池极耳超声波焊接剥离强度的检测方法，包括如下步骤：
步骤一，通过常规试验进行20组锂电池极耳超声波焊接，实验过程中测量包括超声焊能量E、超声功率P、焊接时间t、焊接压力F、焊接温度T以及焊接过程中气源压力值的标准偏差δ的焊接工艺参数，包括极耳连接片的厚度a、层数b、长度l和宽度w的极耳特性参数，包括焊头的齿深设备参数h；采用HY-945数显电子拉力机(山东产)
测试锂电池极耳的剥离强度；
步骤二，对步骤一中的超声焊能量E、超声功率P、焊接时间t、焊接压力F、焊接温度T、焊接过程中气源压力值的标准偏差δ、极耳连接片的厚度a、层数b、长度l和宽度w以及焊头的齿深设备参数h进行标准化处理，标准化公式为x＝rctan(X0)×2/π，X0为归一化之前样本的上述参数指标，x为归一化之后样本的上述参数指标；
步骤三，将标准化后的各个参数进行主成分分析，将主成分按方差贡献率由大到小排列，根据对累计贡献率的要求，取前K个主成分载荷数据；具体步骤为：
(1)所述超声焊能量E、超声功率P、焊接时间t、焊接压力F、焊接温度T、焊接过程中气源压力值的标准偏差δ、极耳连接片的厚度a、层数b、长度l和宽度w以及焊头的齿深设备参数h用X表示为
Figure BDA0003755602690000041
其中xnp是第n个样品的第p个参数变量；
(2)计算相关系数矩阵
Figure BDA0003755602690000042
第k个样品的第i个参数变量和第j个参数变量之间的相关系数
Figure BDA0003755602690000043
xki为第k个样品的第i个参数变量，xkj为第k个样品的第j个参数变量，
Figure BDA0003755602690000044
为矩阵X的第i列的平均值，
Figure BDA0003755602690000045
为矩阵X的第j列的平均值，n为样本数；
(3)求相关系数矩阵R的特征值(λ1λ2…λp)，并使其按大小顺序排列，求出对应于特征值λi的特征向量；
(4)计算主成分累计贡献率
Figure BDA0003755602690000046
取累积方差贡献率大于85％的特征值所对应的前K个主成分，K<p，计算前K个主成分载荷矩阵为
Figure BDA0003755602690000047
Figure BDA0003755602690000048
为第i个样品的第j个主成分载荷。
步骤四，BP神经网络建模，根据步骤三确定的K个主成分载荷数据作为神经网络模型输入层的输入变量，将锂电池极耳超声波焊接剥离强度作为神经网络模型的输出变量，建立BP神经网络模型；
所述BP神经网络模型的数学表达式为:
Figure BDA0003755602690000049
其中，Xk为模型输入变量，Wki为输入层权重，εi为输入层误差项，Vij为输出层权重，δj为输出层误差项，Yj为模型输出值，k为主成分个数，取值1～n，i为隐含层神经元个数，取值1～m，j为输出变量个数，f(x)为传递函数；BP神经网络由输入层、隐含层和输出层组成，其中隐含层采用双隐含层结构，因为双隐含层比单隐含层有更好范化性能和更高预测精度；第一、二层的隐含层传递函数均是双曲正切S形传输函数(即tansig)，输出层的传递函数为线性传输函数(即purelin)。
步骤五，BP神经网络模型的训练，将步骤一获得20组数据中，从中随机取出15组数据作为训练集，剩余的数据作为验证集；
步骤六，预测模型的运用：获得待测锂电池焊接过程中的K个主成分载荷数据，分别为超声焊能量E、焊接时间t、焊接压力F、焊接温度T、焊接过程中气源压力值的标准偏差δ、极耳连接片的厚度a；输入到步骤五经过训练后的BP神经网络模型中，得到待测锂电池极耳超声波焊接剥离强度。
表一、检测样品组预测焊接剥离强度与实际焊接剥离强度的相对误差
Figure BDA0003755602690000051
由上表可知，根据表一的检测样品组预测焊接剥离强度与实际焊接剥离强度的相对误差数据可知，相对误差均小于4％,说明本发明提供的一种锂电池极耳超声波焊接剥离强度的检测方法具有较高的准确性。
实施例二
本实施例具体提供一种锂电池极耳超声波焊接剥离强度的检测方法，包括以下步骤：
步骤一，通过实验获得多组超声波焊接过程的焊接工艺参数、极耳特性参数和设备参数，及其对应的锂电池极耳超声波焊接剥离强度；
步骤二，对步骤一中的测量参数进行标准化处理；
步骤三，将标准化后的各个参数进行主成分分析，将主成分按方差贡献率由大到小排列，根据对累计贡献率的要求，取前K个主成分载荷数据；
步骤四，BP神经网络建模，根据步骤三确定的K个主成分载荷数据作为神经网络模型输入层的输入变量，将锂电池极耳超声波焊接剥离强度作为神经网络模型的输出变量，建立BP神经网络模型；
步骤五，BP神经网络模型的训练，将步骤一获得的所述K个主成分载荷数据作为BP神经网络模型的输入变量，将对应的锂电池极耳超声波焊接剥离强度作为BP神经网络模型的输出变量，对步骤四所建立BP神经网络模型进行训练，直至BP神经网络模型输出结果的均方差符合要求；
步骤六，获得待测锂电池焊接过程中的K个主成分载荷数据，输入到步骤五经过训练后的BP神经网络模型中，得到待测锂电池极耳超声波焊接剥离强度。
更进一步地，所述焊接工艺参数包括超声焊能量、超声功率、焊接时间、焊接压力、焊接温度以及焊接过程中气源压力值的波动性参数，所述极耳特性参数包括极耳连接片的厚度层数、长度和宽度，所述设备参数包括焊头的齿深。
更进一步地，所述BP神经网络模型的数学表达式为:
Figure BDA0003755602690000061
其中，Xk为模型输入变量，Wki为输入层权重，εi为输入层误差项，Vij为输出层权重，δj为输出层误差项，Yj为模型输出值，k为主成分个数，取值1～n，i为隐含层神经元个数，取值1～m，j为输出变量个数，f(x)为传递函。
所述气源压力值的波动性参数为焊接过程中气源压力值的标准偏差值。
更进一步地，所述的主成分分析的方法，包括如下步骤：
(1)所述焊接工艺参数、极耳特性参数和设备参数用X表示为
Figure BDA0003755602690000062
其中，xnp是第n个样品的第p个参数变量；
(2)计算相关系数矩阵
Figure BDA0003755602690000063
第k个样品的第i个参数变量和第j个参数变量之间的相关系数
Figure BDA0003755602690000064
xki为第k个样品的第i个参数变量，xkj为第k个样品的第j个参数变量，
Figure BDA0003755602690000065
为矩阵X的第i列的平均值，
Figure BDA0003755602690000066
为矩阵X的第j列的平均值，n为样本数；
(3)求相关系数矩阵R的特征值(λ1λ2…λp)，并使其按大小顺序排列，求出对应于特征值λi的特征向量；
(4)计算主成分累计贡献率
Figure BDA0003755602690000067
取累积方差贡献率大于85％的特征值所对应的前K个主成分，K<p，计算前K个主成分载荷矩阵为
Figure BDA0003755602690000068
Figure BDA0003755602690000069
为第i个样品的第j个主成分载荷。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
虽然上面已经参考各种实施例描述了本发明，但是应当理解，在不脱离本发明的范围的情况下，可以进行许多改变和修改。因此，其旨在上述详细描述被认为是例示性的而非限制性的，并且应当理解，以下权利要求(包括所有等同物)旨在限定本发明的精神和范围。以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (5)

1.一种锂电池极耳超声波焊接剥离强度的检测方法，其特征在于，包括以下步骤：
步骤一，通过实验获得多组超声波焊接过程的焊接工艺参数、极耳特性参数和设备参数，及其对应的锂电池极耳超声波焊接剥离强度；
步骤二，对所述步骤一中的所述焊接工艺参数、极耳特性参数和设备参数进行标准化处理；
步骤三，将标准化后的各个参数进行主成分分析，将主成分按方差贡献率由大到小排列，根据对累计贡献率的要求，取前K个主成分载荷数据；
步骤四，BP神经网络建模，根据步骤三确定的K个主成分载荷数据作为神经网络模型输入层的输入变量，将锂电池极耳超声波焊接剥离强度作为神经网络模型的输出变量，建立BP神经网络模型；
步骤五，BP神经网络模型的训练，将步骤三获得的所述K个主成分载荷数据作为BP神经网络模型的输入变量，将对应的锂电池极耳超声波焊接剥离强度作为BP神经网络模型的输出变量，对步骤四所建立BP神经网络模型进行训练，直至BP神经网络模型输出结果的均方差符合要求；
步骤六，获得待测锂电池焊接过程中的K个主成分载荷数据，输入到步骤五经过训练后的BP神经网络模型中，得到待测锂电池极耳超声波焊接剥离强度。
2.如权利要求1所述的一种锂电池极耳超声波焊接剥离强度的检测方法，其特征在于：所述焊接工艺参数包括超声焊能量、超声功率、焊接时间、焊接压力、焊接温度以及焊接过程中气源压力值的波动性参数，所述极耳特性参数包括极耳连接片的厚度层数、长度和宽度，所述设备参数包括焊头的齿深。
3.如权利要求1所述的一种锂电池极耳超声波焊接剥离强度的检测方法，其特征在于：所述BP神经网络模型的数学表达式为:
Figure FDA0003755602680000011
其中，Xk为模型输入变量，Wki为输入层权重，εi为输入层误差项，Vij为输出层权重，δj为输出层误差项，Yj为模型输出值，k为主成分个数，取值1～n，i为隐含层神经元个数，取值1～m，j为输出变量个数，f(x)为传递函数。
4.如权利要求1所述的一种锂电池极耳超声波焊接剥离强度的检测方法，其特征在于：所述气源压力值的波动性参数为焊接过程中气源压力值的标准偏差值。
5.如权利要求1所述的一种锂电池极耳超声波焊接剥离强度的检测方法，其特征在于：所述步骤三中的所述主成分分析的方法，包括如下步骤：
(1)所述焊接工艺参数、极耳特性参数和设备参数用X表示为
Figure FDA0003755602680000021
其中xnp是第n个样品的第p个参数变量；
(2)计算相关系数矩阵
Figure FDA0003755602680000022
第k个样品的第i个参数变量和第j个参数变量之间的相关系数
Figure FDA0003755602680000023
xki为第k个样品的第i个参数变量，xkj为第k个样品的第j个参数变量，
Figure FDA0003755602680000024
为矩阵X的第i列的平均值，
Figure FDA0003755602680000025
为矩阵X的第j列的平均值，n为样本数；
(3)求相关系数矩阵R的特征值(λ1λ2…λp)，并使其按大小顺序排列，求出对应于特征值λi的特征向量；
(4)计算主成分累计贡献率
Figure FDA0003755602680000026
取累积方差贡献率大于85％的特征值所对应的前K个主成分，K＜p，计算前K个主成分载荷矩阵为
Figure FDA0003755602680000027
Figure FDA0003755602680000028
为第i个样品的第j个主成分载荷。
CN202210854449.9A 2022-07-20 2022-07-20 一种锂电池极耳超声波焊接剥离强度的检测方法 Active CN115127992B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210854449.9A CN115127992B (zh) 2022-07-20 2022-07-20 一种锂电池极耳超声波焊接剥离强度的检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210854449.9A CN115127992B (zh) 2022-07-20 2022-07-20 一种锂电池极耳超声波焊接剥离强度的检测方法

Publications (2)

Publication Number Publication Date
CN115127992A true CN115127992A (zh) 2022-09-30
CN115127992B CN115127992B (zh) 2023-11-14

Family

ID=83383476

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210854449.9A Active CN115127992B (zh) 2022-07-20 2022-07-20 一种锂电池极耳超声波焊接剥离强度的检测方法

Country Status (1)

Country Link
CN (1) CN115127992B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107271486A (zh) * 2017-07-25 2017-10-20 北京华特时代电动汽车技术有限公司 电池焊接的质量检测方法及系统
CN109917115A (zh) * 2019-01-23 2019-06-21 长安大学 一种沥青混合料综合性能预测方法
JP2019102187A (ja) * 2017-11-29 2019-06-24 株式会社カネカ 二次電池製造システム
CN110057671A (zh) * 2019-05-08 2019-07-26 浙江锋锂新能源科技有限公司 一种锂电池极耳超声波焊接剥离强度的检测方法
CN110987790A (zh) * 2019-11-19 2020-04-10 银隆新能源股份有限公司 一种测试电池极片剥离强度和电阻率数据的检测方法
CN113646121A (zh) * 2019-04-09 2021-11-12 利萨·德雷克塞迈尔有限责任公司 用于无损检测超声波焊接质量的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107271486A (zh) * 2017-07-25 2017-10-20 北京华特时代电动汽车技术有限公司 电池焊接的质量检测方法及系统
JP2019102187A (ja) * 2017-11-29 2019-06-24 株式会社カネカ 二次電池製造システム
CN109917115A (zh) * 2019-01-23 2019-06-21 长安大学 一种沥青混合料综合性能预测方法
CN113646121A (zh) * 2019-04-09 2021-11-12 利萨·德雷克塞迈尔有限责任公司 用于无损检测超声波焊接质量的方法
CN110057671A (zh) * 2019-05-08 2019-07-26 浙江锋锂新能源科技有限公司 一种锂电池极耳超声波焊接剥离强度的检测方法
CN110987790A (zh) * 2019-11-19 2020-04-10 银隆新能源股份有限公司 一种测试电池极片剥离强度和电阻率数据的检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YANG LI ET AL.: "An integrated process-performance model of ultrasonic composite welding based on finite element and artificial neural network", 《JOURNAL OF MANUFACTURING PROCESSES》 *
李东: "层叠式锂电池制造中金属极片的超声波焊接工艺优化方法", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Also Published As

Publication number Publication date
CN115127992B (zh) 2023-11-14

Similar Documents

Publication Publication Date Title
CN116245256B (zh) 一种结合多因素的电容器质量预测方法、系统及存储介质
CN110057671B (zh) 一种锂电池极耳超声波焊接剥离强度的检测方法
CN115950609B (zh) 一种结合相关性分析和神经网络的桥梁挠度异常检测方法
CN117249922B (zh) 一种用于温度测试仪的温度校准方法及系统
CN107656181A (zh) 一种定量诊断油纸绝缘老化程度的方法
CN110646119B (zh) 一种超声波测量轧制金属材料表面应力张量的方法
CN111507228B (zh) 一种基于深度学习的合金钢力学性能联合无损检测方法
CN118010953B (zh) 用于金属结构制造的智能测试方法及系统
CN117990865B (zh) 基于三层共挤吹膜的复合膜袋性能测试方法及系统
CN115127992B (zh) 一种锂电池极耳超声波焊接剥离强度的检测方法
CN118297444A (zh) 一种面向人工智能的数据集质量通用评估方法
CN113962318A (zh) 基于内外数据融合和机器学习的变压器状态异常检测方法
CN117852122A (zh) 一种pc桥梁结构内钢绞线现存应力检测的方法
CN111351862A (zh) 一种超声测量较准方法及测厚方法
CN116305725A (zh) 一种绝缘工器具工频耐压试验周期确定方法及装置
CN113919213B (zh) 一种基于sfa-grnn串联模型的脱丁烷塔丁烷浓度软测量方法
CN112816122B (zh) 基于深度学习和压电主动传感的螺栓松紧程度监测方法
CN111967799B (zh) 集总参数表贴环行器物料及工艺问题识别方法
CN105699043B (zh) 一种提高风洞传感器测量稳定性和精准度的方法
CN109766522B (zh) 一种刮板输送机链轮的非概率可靠性灵敏度分析方法
CN113837671A (zh) 一种新产品质量管理方法和系统
CN112149999A (zh) 一种基于多频超声的变压器油品质综合评判方法
CN117309624B (zh) 一种感温电缆性能评价方法及系统
CN114878041B (zh) 一种利用双向超声探头测量在役油气管道应力的方法
Pal et al. Simultaneous optimization of quantitative and ordinal responses using Taguchi method

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