CN115274025B - 锂离子电池浆料黏度预测方法、装置及相关设备 - Google Patents

锂离子电池浆料黏度预测方法、装置及相关设备 Download PDF

Info

Publication number
CN115274025B
CN115274025B CN202211190483.7A CN202211190483A CN115274025B CN 115274025 B CN115274025 B CN 115274025B CN 202211190483 A CN202211190483 A CN 202211190483A CN 115274025 B CN115274025 B CN 115274025B
Authority
CN
China
Prior art keywords
slurry
target
viscosity
data
time period
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
Application number
CN202211190483.7A
Other languages
English (en)
Other versions
CN115274025A (zh
Inventor
杨之乐
周邦昱
郭媛君
刘祥飞
安钊
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.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
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 Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN202211190483.7A priority Critical patent/CN115274025B/zh
Publication of CN115274025A publication Critical patent/CN115274025A/zh
Application granted granted Critical
Publication of CN115274025B publication Critical patent/CN115274025B/zh
Priority to PCT/CN2022/137800 priority patent/WO2024066053A1/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N11/00—Investigating flow properties of materials, e.g. viscosity, plasticity; Analysing materials by determining flow properties
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • H01M10/05—Accumulators with non-aqueous electrolyte
    • H01M10/058—Construction or 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

Abstract

本发明公开了一种锂离子电池浆料黏度预测方法、装置及相关设备，方法包括：获取目标浆料在第一时段内的浆料状态数据，目标浆料是用于制备锂离子电池的浆料，浆料状态数据包括处理温度、处理剪切力、处理剪切速率及上述第一时段内的浆料黏度序列数据，第一时段包括上述锂离子电池的涂布时段；获取目标浆料在第二时段的目标温度、目标剪切力和目标剪切速率，第二时段在第一时段之后，第二时段包括涂膜干燥时段；根据目标温度、目标剪切力、目标剪切速率以及浆料状态数据，通过已训练的浆料黏度预测模型对目标浆料在第二时段内的黏度进行预测，并获得对应的浆料黏度预测数据。本发明有利于实现对锂离子浆料在涂膜干燥时段的黏度的预测。

Description

锂离子电池浆料黏度预测方法、装置及相关设备
技术领域
本发明涉及基于电数字数据处理的浆料性能预测技术领域，尤其涉及的是一种锂离子电池浆料黏度预测方法、装置及相关设备。
背景技术
随着科学技术的发展，锂离子电池的应用越来越广泛。锂离子电池浆料由活性物质（正负极材料）、黏结剂、导电剂等，通过搅拌的方式均匀分散于溶剂中制备而成。黏度是影响锂离子电池浆料的重要因素之一，在锂离子电池制备的过程中可以基于黏度对制备过程进行适当地调控。
现有技术中，锂离子电池的在制作过程中的浆料黏度需要实时使用仪器进行复杂设置和测量后才能获得，获得的黏度是进行数据采集的时刻的实际黏度而无法对未来时刻的黏度进行预测。现有技术的问题在于，不能实现浆料黏度的预测，因此也无法获得锂离子电池浆料在涂膜干燥时段的黏度预测数据。
因此，现有技术还有待改进和发展。
发明内容
本发明的主要目的在于提供一种锂离子电池浆料黏度预测方法、装置及相关设备，旨在解决现有技术中不能实现浆料黏度的预测，无法获得锂离子电池浆料在涂膜干燥时段的黏度预测数据的问题。
为了实现上述目的，本发明第一方面提供一种锂离子电池浆料黏度预测方法，其中，上述锂离子电池浆料黏度预测方法包括：
获取目标浆料在第一时段内的浆料状态数据，其中，上述目标浆料是用于制备锂离子电池的浆料，上述浆料状态数据包括处理温度、处理剪切力、处理剪切速率以及上述第一时段内的浆料黏度序列数据，上述浆料黏度序列数据包括上述第一时段内的多个不同的采集时刻以及上述目标浆料在各上述采集时刻的黏度数据，上述第一时段包括上述锂离子电池的涂布时段；
获取上述目标浆料在第二时段内的目标温度、目标剪切力和目标剪切速率，其中，上述第二时段在上述第一时段之后，且上述第二时段包括上述锂离子电池的涂膜干燥时段；
根据上述目标温度、上述目标剪切力、上述目标剪切速率以及上述浆料状态数据，通过已训练的浆料黏度预测模型对上述目标浆料在上述第二时段内的黏度进行预测，并获得上述浆料状态数据在上述目标温度、上述目标剪切力和上述目标剪切速率下对应的浆料黏度预测数据，其中，上述浆料黏度预测数据包括上述第二时段内的至少一个预测时刻以及上述预测时刻对应的预测黏度。
可选的，上述获取目标浆料在第一时段内的浆料状态数据，包括：
通过温度传感器采集获取上述目标浆料在上述第一时段内的处理温度；
通过流变仪采集获取上述目标浆料在上述第一时段内的处理剪切力和处理剪切效率；
通过上述流变仪对上述目标浆料的黏度进行监测，获得在上述第一时段内的多个不同采集时刻的采集黏度；
根据所有上述采集时刻及其对应的采集黏度生成上述浆料黏度序列数据。
可选的，上述根据所有上述采集时刻及其对应的采集黏度生成上述浆料黏度序列数据，包括：
根据预设的序列点时间间隔和预设的黏度阈值对上述采集时刻及其对应的采集黏度进行特征工程处理后获得上述浆料黏度序列数据，其中，上述特征工程处理包括数据清洗和/或数据补充。
可选的，上述浆料状态数据还包括上述目标浆料对应的物料湿含量、上述目标浆料对应的物料固含量、空气湿度、涂布层数和涂布厚度。
可选的，上述浆料黏度预测模型根据如下步骤进行训练：
将训练数据中的浆料状态训练数据、训练目标温度、训练目标剪切力和训练目标剪切速率输入上述浆料黏度预测模型，通过上述浆料黏度预测模型输出上述浆料状态训练数据在上述训练目标温度、上述训练目标剪切力和上述训练目标剪切速率下的浆料黏度预测数据，其中，上述训练数据包括多组模型训练数据组，每一组模型训练数据组包括上述目标浆料在第一时段内的浆料状态训练数据以及上述目标浆料在第二时段内的训练目标温度、训练目标剪切力、训练目标剪切速率和浆料黏度标注数据；
根据上述浆料状态训练数据对应的浆料黏度标注数据和上述浆料状态训练数据对应的浆料黏度预测数据，对上述浆料黏度预测模型的模型参数进行调整，并继续执行上述将训练数据中的浆料状态训练数据、训练目标温度、训练目标剪切力和训练目标剪切速率输入上述浆料黏度预测模型的步骤，直至满足预设训练条件，以得到已训练的浆料黏度预测模型。
可选的，上述浆料黏度预测模型是XGBOOST模型，上述预设训练条件为模型参数的调整次数不小于1，上述浆料黏度预测模型基于网格搜索法和正则化进行模型参数调整。
可选的，上述方法还包括：
根据上述浆料状态数据在上述目标温度、上述目标剪切力和上述目标剪切速率下对应的浆料黏度预测数据计算获取上述目标浆料在上述涂膜干燥时段对应的流平时间；
其中，上述浆料黏度预测数据是体现预测时刻和预测黏度之间对应关系的曲线数据。
本发明第二方面提供一种锂离子电池浆料黏度预测装置，其中，上述锂离子电池浆料黏度预测装置包括：
浆料状态数据获取模块，用于获取目标浆料在第一时段内的浆料状态数据，其中，上述目标浆料是用于制备锂离子电池的浆料，上述浆料状态数据包括处理温度、处理剪切力、处理剪切速率以及上述第一时段内的浆料黏度序列数据，上述浆料黏度序列数据包括上述第一时段内的多个不同的采集时刻以及上述目标浆料在各上述采集时刻的黏度数据，上述第一时段包括上述锂离子电池的涂布时段；
目标条件数据获取模块，用于获取上述目标浆料在第二时段内的目标温度、目标剪切力和目标剪切速率，其中，上述第二时段在上述第一时段之后，且上述第二时段包括上述锂离子电池的涂膜干燥时段；
黏度预测模块，用于根据上述目标温度、上述目标剪切力、上述目标剪切速率以及上述浆料状态数据，通过已训练的浆料黏度预测模型对上述目标浆料在上述第二时段内的黏度进行预测，并获得上述浆料状态数据在上述目标温度、上述目标剪切力和上述目标剪切速率下对应的浆料黏度预测数据，其中，上述浆料黏度预测数据包括上述第二时段内的至少一个预测时刻以及上述预测时刻对应的预测黏度。
本发明第三方面提供一种智能终端，上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的锂离子电池浆料黏度预测程序，上述锂离子电池浆料黏度预测程序被上述处理器执行时实现上述任意一种锂离子电池浆料黏度预测方法的步骤。
本发明第四方面提供一种计算机可读存储介质，上述计算机可读存储介质上存储有锂离子电池浆料黏度预测程序，上述锂离子电池浆料黏度预测程序被处理器执行时实现上述任意一种锂离子电池浆料黏度预测方法的步骤。
由上可见，本发明方案中，获取目标浆料在第一时段内的浆料状态数据，其中，上述目标浆料是用于制备锂离子电池的浆料，上述浆料状态数据包括处理温度、处理剪切力、处理剪切速率以及上述第一时段内的浆料黏度序列数据，上述浆料黏度序列数据包括上述第一时段内的多个不同的采集时刻以及上述目标浆料在各上述采集时刻的黏度数据，上述第一时段包括上述锂离子电池的涂布时段；获取上述目标浆料在第二时段内的目标温度、目标剪切力和目标剪切速率，其中，上述第二时段在上述第一时段之后，且上述第二时段包括上述锂离子电池的涂膜干燥时段；根据上述目标温度、上述目标剪切力、上述目标剪切速率以及上述浆料状态数据，通过已训练的浆料黏度预测模型对上述目标浆料在上述第二时段内的黏度进行预测，并获得上述浆料状态数据在上述目标温度、上述目标剪切力和上述目标剪切速率下对应的浆料黏度预测数据，其中，上述浆料黏度预测数据包括上述第二时段内的至少一个预测时刻以及上述预测时刻对应的预测黏度。
与现有技术只能实时采集锂离子电池浆料的实际黏度的方案相比，本发明中可以结合多种信息（包括采集获得的浆料状态数据、在下一个时间段内的目标温度、目标剪切力和目标剪切速率），实现根据前一个时段的数据预测获得后一个时段的黏度预测数据，有利于实现对锂离子浆料在涂膜干燥时段的黏度的预测。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例提供的一种锂离子电池浆料黏度预测方法的流程示意图；
图2是本发明实施例图1中步骤S100的具体流程示意图；
图3是本发明实施例提供的一种锂离子电池浆料黏度预测装置的结构示意图；
图4是本发明实施例提供的一种智能终端的内部结构原理框图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况下，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当…时”或“一旦”或“响应于确定”或“响应于分类到”。类似的，短语“如果确定”或“如果分类到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦分类到[所描述的条件或事件]”或“响应于分类到[所描述条件或事件]”。
下面结合本发明实施例的附图，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的一部分实施例，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它实施例，都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其它不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
随着科学技术的发展，锂离子电池的应用越来越广泛。锂离子电池浆料由活性物质（正负极材料）、黏结剂、导电剂等，通过搅拌的方式均匀分散于溶剂中制备而成。黏度是影响锂离子电池浆料的重要因素之一，在锂离子电池制备的过程中可以基于黏度对制备过程进行适当地调控。
例如，黏度可能影响浆料的流动性能、黏度的一致性和高低会影响后续涂布时的均匀性和涂布效率，黏度过高或过低都不利于进行极片涂布。因此如果能进行浆料黏度的预测就能够对制备过程进行适当地预先控制，获得用户想要的黏度的浆料。
现有技术中，锂离子电池的在制作过程中的浆料黏度需要实时使用仪器进行复杂设置和测量后才能获得，获得的黏度是进行数据采集的时刻的实际黏度而无法对未来时刻的黏度进行预测。现有技术的问题在于，不能实现浆料黏度的预测，因此也无法获得锂离子电池浆料在涂膜干燥时段的黏度预测数据。从而也无法帮助用户根据预测的黏度对后续的生产制备过程预先进行调控，不利于提高锂离子电池生产的效果。例如，不利于进行后续生产工艺的控制，也无法预测出后续的流平时间，不利于基于流平时间进行生产控制。
为了解决上述多个问题中的至少一个问题，本发明方案中，获取目标浆料在第一时段内的浆料状态数据，其中，上述目标浆料是用于制备锂离子电池的浆料，上述浆料状态数据包括处理温度、处理剪切力、处理剪切速率以及上述第一时段内的浆料黏度序列数据，上述浆料黏度序列数据包括上述第一时段内的多个不同的采集时刻以及上述目标浆料在各上述采集时刻的黏度数据，上述第一时段包括上述锂离子电池的涂布时段；获取上述目标浆料在第二时段内的目标温度、目标剪切力和目标剪切速率，其中，上述第二时段在上述第一时段之后，且上述第二时段包括上述锂离子电池的涂膜干燥时段；根据上述目标温度、上述目标剪切力、上述目标剪切速率以及上述浆料状态数据，通过已训练的浆料黏度预测模型对上述目标浆料在上述第二时段内的黏度进行预测，并获得上述浆料状态数据在上述目标温度、上述目标剪切力和上述目标剪切速率下对应的浆料黏度预测数据，其中，上述浆料黏度预测数据包括上述第二时段内的至少一个预测时刻以及上述预测时刻对应的预测黏度。
与现有技术只能实时采集锂离子电池浆料的实际黏度的方案相比，本发明中可以结合多种信息（包括采集获得的浆料状态数据、在下一个时间段内的目标温度、目标剪切力和目标剪切速率），实现根据前一个时段的数据预测获得后一个时段的黏度预测数据，有利于实现对锂离子浆料在涂膜干燥时段的黏度的预测。
从而也使得用户可以根据预测获得的下一个时间段的黏度预测数据对后续的生产工艺进行适当地控制和调整以获得用户想要的黏度，即有利于进行后续工艺的控制。进而也有利于提高生产锂离子电池的效率以及生产获得的锂离子电池的性能。
示例性方法
如图1所示，本发明实施例提供一种锂离子电池浆料黏度预测方法，具体的，上述方法包括如下步骤：
步骤S100，获取目标浆料在第一时段内的浆料状态数据，其中，上述目标浆料是用于制备锂离子电池的浆料，上述浆料状态数据包括处理温度、处理剪切力、处理剪切速率以及上述第一时段内的浆料黏度序列数据，上述浆料黏度序列数据包括上述第一时段内的多个不同的采集时刻以及上述目标浆料在各上述采集时刻的黏度数据，上述第一时段包括上述锂离子电池的涂布时段。
具体的，上述目标浆料是需要进行黏度预测的浆料，且具体为用于制备锂离子电池的浆料。本实施例中，采集目标浆料在涂布时段的浆料状态数据，以对目标浆料在涂膜干燥时段的黏度进行预测。
进一步的，上述目标浆料是非牛顿流体，剪切速率、剪切力等数据与黏度之间呈非线性关系，因此本实施例中基于浆料黏度预测模型进行黏度预测。
需要说明的是，上述第一时段可以仅包括锂离子电池的涂布阶段的各个时刻，也可以包括涂布阶段的所有时刻和涂膜干燥阶段的部分时刻。本实施例中以第一时段仅包括涂布阶段的各个时刻为例进行说明，但不作为具体限定。
具体的，如图2所示，上述步骤S100包括如下具体步骤：
步骤S101，通过温度传感器采集获取上述目标浆料在上述第一时段内的处理温度。
步骤S102，通过流变仪采集获取上述目标浆料在上述第一时段内的处理剪切力和处理剪切效率。
步骤S103，通过上述流变仪对上述目标浆料的黏度进行监测，获得在上述第一时段内的多个不同采集时刻的采集黏度。
步骤S104，根据所有上述采集时刻及其对应的采集黏度生成上述浆料黏度序列数据。
具体的，本实施例中，通过预先设置的温度传感器进行处理温度的测量，通过预先设置的流变仪进行处理剪切力和处理剪切效率的测量。同时，在第一时段内通过流变仪对目标浆料的黏度进行持续检测，并采集获得第一时段内的多个不同采集时刻的采集黏度。对于获取的采集黏度，可以先进行特征工程处理，以降低采集数据出现错误的概率。例如，可以删除明显有误的数据，剔除时间过近的时间点等。
具体的，本实施例中，上述根据所有上述采集时刻及其对应的采集黏度生成上述浆料黏度序列数据，包括：根据预设的序列点时间间隔和预设的黏度阈值对上述采集时刻及其对应的采集黏度进行特征工程处理后获得上述浆料黏度序列数据，其中，上述特征工程处理包括数据清洗和/或数据补充。
具体的，上述特征工程处理是预先设置的数据标准化处理过程，可以将采集的数据转换成标准的数据格式。例如，可以预先设置需要的浆料黏度序列数据中的数据个数、每一个采集时刻之间的时间间隔，从而根据时间间隔删除多余的时刻，对于缺失的时刻，则可以根据其前后两个采集时刻对应的黏度模拟计算获得该缺失时刻的黏度并补充进序列数据中，例如根据缺失时刻与前后两个采集时刻之间的时间间隔对前后两个采集时刻的黏度值进行加权平均计算并作为缺失时刻的黏度。在一种应用场景中，还可以删除采集的数据序列中黏度值明显异常的数据（例如黏度出现明显突变时可能是流变仪测量有误，需要剔除有误的数据）。如此，经过特征工程处理之后可以获得更准确并且更便于分析处理的浆料黏度序列数据，有利于提高锂离子电池浆料黏度预测的效率。
可选的，上述浆料状态数据还包括上述目标浆料对应的物料湿含量、上述目标浆料对应的物料固含量、空气湿度、涂布层数和涂布厚度，从而可以进一步结合更多信息，提高锂离子电池浆料黏度预测的准确性。进一步的，上述浆料状态数据还可以包括其它具体数据，在此不作具体限定。
步骤S200，获取上述目标浆料在第二时段内的目标温度、目标剪切力和目标剪切速率，其中，上述第二时段在上述第一时段之后，且上述第二时段包括上述锂离子电池的涂膜干燥时段。
其中，上述第二时段是需要进行黏度预测的时段，目标温度、目标剪切力和目标剪切速率是在第二时段中对目标浆料进行处理时计划使用的温度、剪切力和剪切速率。上述目标温度、目标剪切力和目标剪切速率可以预先设置，也可以由用户实时输入或根据实际需求进行调整，在此不作具体限定。在一种应用场景中，上述目标温度、目标剪切力和目标剪切速率也可以与第一时段中的处理温度、处理剪切力和处理剪切速率相同。在另一种应用场景中，用户想预测在第涂膜干燥时段中采用另一个温度进行处理会对黏度带来什么影响时可以通过调整目标温度并进行黏度预测来实现，从而可以方便用户知晓处理过程中的调整会带来什么影响，从而实现对目标浆料的更好的处理。
步骤S300，根据上述目标温度、上述目标剪切力、上述目标剪切速率以及上述浆料状态数据，通过已训练的浆料黏度预测模型对上述目标浆料在上述第二时段内的黏度进行预测，并获得上述浆料状态数据在上述目标温度、上述目标剪切力和上述目标剪切速率下对应的浆料黏度预测数据，其中，上述浆料黏度预测数据包括上述第二时段内的至少一个预测时刻以及上述预测时刻对应的预测黏度。
本实施例中，将上述目标温度、上述目标剪切力、上述目标剪切速率以及上述浆料状态数据作为浆料黏度预测模型的输入数据，通过浆料黏度预测模型进行浆料黏度预测，根据该模型的输出数据获得黏度预测数据。在一种应用场景中，可以直接将该模型的输出数据作为黏度预测数据。在另一种应用场景中，上述浆料黏度预测模型的输出是时间与黏度对应的曲线数据，可以从曲线数据中选择获取对应的黏度预测数据，例如获取黏度的收敛值作为黏度预测数据。
具体的，上述浆料黏度预测数据包括上述第二时段内的至少一个预测时刻以及上述预测时刻对应的预测黏度。本实施例中，上述浆料黏度预测数据也是一个时间序列数据，其中包括多个预测时刻以及各个预测时刻对应的预测黏度。需要说明的是，浆料黏度预测数据中的第一个预测时刻是第一时段中最后一个采集时刻的下一时刻。
本实施例中，上述浆料黏度预测模型根据如下步骤进行训练：
将训练数据中的浆料状态训练数据、训练目标温度、训练目标剪切力和训练目标剪切速率输入上述浆料黏度预测模型，通过上述浆料黏度预测模型输出上述浆料状态训练数据在上述训练目标温度、上述训练目标剪切力和上述训练目标剪切速率下的浆料黏度预测数据，其中，上述训练数据包括多组模型训练数据组，每一组模型训练数据组包括上述目标浆料在第一时段内的浆料状态训练数据以及上述目标浆料在第二时段内的训练目标温度、训练目标剪切力、训练目标剪切速率和浆料黏度标注数据；
根据上述浆料状态训练数据对应的浆料黏度标注数据和上述浆料状态训练数据对应的浆料黏度预测数据，对上述浆料黏度预测模型的模型参数进行调整，并继续执行上述将训练数据中的浆料状态训练数据、训练目标温度、训练目标剪切力和训练目标剪切速率输入上述浆料黏度预测模型的步骤，直至满足预设训练条件，以得到已训练的浆料黏度预测模型。
需要说明的是，训练数据中的浆料状态训练数据中包含的具体数据的类别与进行黏度预测时采集的浆料状态数据中的具体数据的类别保持一致。上述预设训练条件是预先设置的停止模型训练的条件，可以包括迭代次数达到预设的迭代阈值，或者根据浆料状态训练数据和浆料黏度标注数据，通过预先设置的损失函数计算出的损失值小于预设的损失阈值。
在一种应用场景中，上述浆料黏度预测模型可以是神经网络模型。本实施例中，上述浆料黏度预测模型是XGBOOST模型，上述预设训练条件为模型参数的调整次数不小于1，上述浆料黏度预测模型基于网格搜索法和正则化进行模型参数调整。具体的，本实施例中使用XGBOOST模型，且仅需要进行1次迭代，有利于提高模型训练的效率，从而可以提高黏度预测的效率。
进一步的，上述锂离子电池浆料黏度预测方法还包括：
根据上述浆料状态数据在上述目标温度、上述目标剪切力和上述目标剪切速率下对应的浆料黏度预测数据计算获取上述目标浆料在上述涂膜干燥时段对应的流平时间；其中，上述浆料黏度预测数据是体现预测时刻和预测黏度之间对应关系的曲线数据。
其中，流平时间是流平剂涂料在干燥成膜过程中形成一个流动及干燥成膜过程，然后逐步形成一个平整、光滑、均匀的涂膜的时间。基于上述浆料黏度预测模型以及对应的浆料黏度预测过程可以建立黏度、剪切力、剪切效率和时间之间的关系，从而可以根据黏度的变化预测目标浆料在进行涂膜干燥时的流平时间和性能，基于流平时间可以预测锂离子电池的成产效率，从而判断当前的条件是否能满足生产效率的需求。
在另一种应用场景中，还可以根据预测出的黏度预测数据判断对于第二时段内目标温度、目标剪切力和目标剪切速率的设置是否合适，且可以根据预设的目标黏度和对应的黏度预测数据对上述第二时段内目标温度、目标剪切力和目标剪切速率进行调整，以使得第二时段的黏度尽量贴近目标黏度。
例如在预测出的黏度小于用户想要的黏度时，增大第二时段对应的目标温度，还可以预先设置其它具体控制过程，在此不作具体限定。进一步的，还可以在预测出的黏度与用户想要的黏度的差值大于预设的阈值时发送告警信息，及时提醒用户黏度出现差异，以方便用户及时调整方案，降低损失。
由上可见，本实施例中，可以结合多种信息（包括采集获得的浆料状态数据、在下一个时间段内的目标温度、目标剪切力和目标剪切速率），实现根据前一个时段的数据预测获得后一个时段的黏度预测数据，有利于实现对锂离子浆料在涂膜干燥时段的黏度的预测。
从而也使得用户可以根据预测获得的下一个时间段的黏度预测数据对后续的生产工艺进行适当地控制和调整以获得用户想要的黏度，即有利于进行后续工艺的控制。进而也有利于提高生产锂离子电池的效率以及生产获得的锂离子电池的性能。
示例性设备
如图3中所示，对应于上述锂离子电池浆料黏度预测方法，本发明实施例还提供一种锂离子电池浆料黏度预测装置，上述锂离子电池浆料黏度预测装置包括：
浆料状态数据获取模块410，用于获取目标浆料在第一时段内的浆料状态数据，其中，上述目标浆料是用于制备锂离子电池的浆料，上述浆料状态数据包括处理温度、处理剪切力、处理剪切速率以及上述第一时段内的浆料黏度序列数据，上述浆料黏度序列数据包括上述第一时段内的多个不同的采集时刻以及上述目标浆料在各上述采集时刻的黏度数据，上述第一时段包括上述锂离子电池的涂布时段。
目标条件数据获取模块420，用于获取上述目标浆料在第二时段内的目标温度、目标剪切力和目标剪切速率，其中，上述第二时段在上述第一时段之后，且上述第二时段包括上述锂离子电池的涂膜干燥时段。
黏度预测模块430，用于根据上述目标温度、上述目标剪切力、上述目标剪切速率以及上述浆料状态数据，通过已训练的浆料黏度预测模型对上述目标浆料在上述第二时段内的黏度进行预测，并获得上述浆料状态数据在上述目标温度、上述目标剪切力和上述目标剪切速率下对应的浆料黏度预测数据，其中，上述浆料黏度预测数据包括上述第二时段内的至少一个预测时刻以及上述预测时刻对应的预测黏度。
具体的，本实施例中，上述锂离子电池浆料黏度预测装置及其各模块的具体功能可以参照上述锂离子电池浆料黏度预测方法中的对应描述，在此不再赘述。
需要说明的是，上述锂离子电池浆料黏度预测装置的各个模块的划分方式并不唯一，在此也不作为具体限定。
基于上述实施例，本发明还提供了一种智能终端，其原理框图可以如图4所示。上述智能终端包括处理器及存储器。该智能终端的存储器包括锂离子电池浆料黏度预测程序，存储器为锂离子电池浆料黏度预测程序的运行提供环境。该锂离子电池浆料黏度预测程序被处理器执行时实现上述任意一种锂离子电池浆料黏度预测方法的步骤。需要说明的是，上述智能终端还可以包括其它功能模块或单元，在此不作具体限定。
本领域技术人员可以理解，图4中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的智能终端的限定，具体地智能终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本发明实施例还提供一种计算机可读存储介质，上述计算机可读存储介质上存储有锂离子电池浆料黏度预测程序，上述锂离子电池浆料黏度预测程序被处理器执行时实现本发明实施例提供的任意一种锂离子电池浆料黏度预测方法的步骤。
应理解，上述实施例中各步骤的序号大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将上述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各实例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟是以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/智能终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/智能终端实施例仅仅是示意性的，例如，上述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以由另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。
上述集成的模块/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存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，上述计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，上述计算机程序包括计算机程序代码，上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质可以包括：能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，RandomAccess Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，上述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不是相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种锂离子电池浆料黏度预测方法，其特征在于，所述方法包括：
获取目标浆料在第一时段内的浆料状态数据，其中，所述目标浆料是用于制备锂离子电池的浆料，所述浆料状态数据包括处理温度、处理剪切力、处理剪切速率以及所述第一时段内的浆料黏度序列数据，所述浆料黏度序列数据包括所述第一时段内的多个不同的采集时刻以及所述目标浆料在各所述采集时刻的黏度数据，所述第一时段包括所述锂离子电池的涂布时段；
获取所述目标浆料在第二时段内的目标温度、目标剪切力和目标剪切速率，其中，所述第二时段在所述第一时段之后，且所述第二时段包括所述锂离子电池的涂膜干燥时段；
根据所述目标温度、所述目标剪切力、所述目标剪切速率以及所述浆料状态数据，通过已训练的浆料黏度预测模型对所述目标浆料在所述第二时段内的黏度进行预测，并获得所述浆料状态数据在所述目标温度、所述目标剪切力和所述目标剪切速率下对应的浆料黏度预测数据，其中，所述浆料黏度预测数据包括所述第二时段内的至少一个预测时刻以及所述预测时刻对应的预测黏度。
2.根据权利要求1所述的锂离子电池浆料黏度预测方法，其特征在于，所述获取目标浆料在第一时段内的浆料状态数据，包括：
通过温度传感器采集获取所述目标浆料在所述第一时段内的处理温度；
通过流变仪采集获取所述目标浆料在所述第一时段内的处理剪切力和处理剪切效率；
通过所述流变仪对所述目标浆料的黏度进行监测，获得在所述第一时段内的多个不同采集时刻的采集黏度；
根据所有所述采集时刻及其对应的采集黏度生成所述浆料黏度序列数据。
3.根据权利要求2所述的锂离子电池浆料黏度预测方法，其特征在于，所述根据所有所述采集时刻及其对应的采集黏度生成所述浆料黏度序列数据，包括：
根据预设的序列点时间间隔和预设的黏度阈值对所述采集时刻及其对应的采集黏度进行特征工程处理后获得所述浆料黏度序列数据，其中，所述特征工程处理包括数据清洗和/或数据补充。
4.根据权利要求1所述的锂离子电池浆料黏度预测方法，其特征在于，所述浆料状态数据还包括所述目标浆料对应的物料湿含量、所述目标浆料对应的物料固含量、空气湿度、涂布层数和涂布厚度。
5.根据权利要求1所述的锂离子电池浆料黏度预测方法，其特征在于，所述浆料黏度预测模型根据如下步骤进行训练：
将训练数据中的浆料状态训练数据、训练目标温度、训练目标剪切力和训练目标剪切速率输入所述浆料黏度预测模型，通过所述浆料黏度预测模型输出所述浆料状态训练数据在所述训练目标温度、所述训练目标剪切力和所述训练目标剪切速率下的浆料黏度预测数据，其中，所述训练数据包括多组模型训练数据组，每一组模型训练数据组包括所述目标浆料在第一时段内的浆料状态训练数据以及所述目标浆料在第二时段内的训练目标温度、训练目标剪切力、训练目标剪切速率和浆料黏度标注数据；
根据所述浆料状态训练数据对应的浆料黏度标注数据和所述浆料状态训练数据对应的浆料黏度预测数据，对所述浆料黏度预测模型的模型参数进行调整，并继续执行所述将训练数据中的浆料状态训练数据、训练目标温度、训练目标剪切力和训练目标剪切速率输入所述浆料黏度预测模型的步骤，直至满足预设训练条件，以得到已训练的浆料黏度预测模型。
6.根据权利要求5所述的锂离子电池浆料黏度预测方法，其特征在于，所述浆料黏度预测模型是XGBOOST模型，所述预设训练条件为模型参数的调整次数不小于1，所述浆料黏度预测模型基于网格搜索法和正则化进行模型参数调整。
7.根据权利要求1-6任意一项所述的锂离子电池浆料黏度预测方法，其特征在于，所述方法还包括：
根据所述浆料状态数据在所述目标温度、所述目标剪切力和所述目标剪切速率下对应的浆料黏度预测数据计算获取所述目标浆料在所述涂膜干燥时段对应的流平时间；
其中，所述浆料黏度预测数据是体现预测时刻和预测黏度之间对应关系的曲线数据。
8.一种锂离子电池浆料黏度预测系统，其特征在于，所述系统包括：
浆料状态数据获取模块，用于获取目标浆料在第一时段内的浆料状态数据，其中，所述目标浆料是用于制备锂离子电池的浆料，所述浆料状态数据包括处理温度、处理剪切力、处理剪切速率以及所述第一时段内的浆料黏度序列数据，所述浆料黏度序列数据包括所述第一时段内的多个不同的采集时刻以及所述目标浆料在各所述采集时刻的黏度数据，所述第一时段包括所述锂离子电池的涂布时段；
目标条件数据获取模块，用于获取所述目标浆料在第二时段内的目标温度、目标剪切力和目标剪切速率，其中，所述第二时段在所述第一时段之后，且所述第二时段包括所述锂离子电池的涂膜干燥时段；
黏度预测模块，用于根据所述目标温度、所述目标剪切力、所述目标剪切速率以及所述浆料状态数据，通过已训练的浆料黏度预测模型对所述目标浆料在所述第二时段内的黏度进行预测，并获得所述浆料状态数据在所述目标温度、所述目标剪切力和所述目标剪切速率下对应的浆料黏度预测数据，其中，所述浆料黏度预测数据包括所述第二时段内的至少一个预测时刻以及所述预测时刻对应的预测黏度。
9.一种智能终端，其特征在于，所述智能终端包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的锂离子电池浆料黏度预测程序，所述锂离子电池浆料黏度预测程序被所述处理器执行时实现如权利要求1-7任意一项所述锂离子电池浆料黏度预测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有锂离子电池浆料黏度预测程序，所述锂离子电池浆料黏度预测程序被处理器执行时实现如权利要求1-7任意一项所述锂离子电池浆料黏度预测方法的步骤。
CN202211190483.7A 2022-09-28 2022-09-28 锂离子电池浆料黏度预测方法、装置及相关设备 Active CN115274025B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211190483.7A CN115274025B (zh) 2022-09-28 2022-09-28 锂离子电池浆料黏度预测方法、装置及相关设备
PCT/CN2022/137800 WO2024066053A1 (zh) 2022-09-28 2022-12-09 锂离子电池浆料黏度预测方法、装置及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211190483.7A CN115274025B (zh) 2022-09-28 2022-09-28 锂离子电池浆料黏度预测方法、装置及相关设备

Publications (2)

Publication Number Publication Date
CN115274025A CN115274025A (zh) 2022-11-01
CN115274025B true CN115274025B (zh) 2022-12-06

Family

ID=83756917

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211190483.7A Active CN115274025B (zh) 2022-09-28 2022-09-28 锂离子电池浆料黏度预测方法、装置及相关设备

Country Status (2)

Country Link
CN (1) CN115274025B (zh)
WO (1) WO2024066053A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115274025B (zh) * 2022-09-28 2022-12-06 深圳先进技术研究院 锂离子电池浆料黏度预测方法、装置及相关设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019066480A2 (ko) * 2017-09-28 2019-04-04 주식회사 엘지화학 전극 슬러리의 공정성 예측 및 전극 바인더 선정 방법
CA3040695A1 (en) * 2018-04-20 2019-10-20 Chevron U.S.A. Inc. Partitioning polymer into phases of a microemulsion system
CN113720732A (zh) * 2021-08-20 2021-11-30 中南大学 负极浆料稳定性的预测方法、系统及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111737874B (zh) * 2020-06-28 2024-01-26 水羊化妆品制造有限公司 一种面膜液粘度预测方法、装置、设备及可读存储介质
JP2022136641A (ja) * 2021-03-08 2022-09-21 本田技研工業株式会社 粘度測定システム及び粘度測定方法
CN115274025B (zh) * 2022-09-28 2022-12-06 深圳先进技术研究院 锂离子电池浆料黏度预测方法、装置及相关设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019066480A2 (ko) * 2017-09-28 2019-04-04 주식회사 엘지화학 전극 슬러리의 공정성 예측 및 전극 바인더 선정 방법
CA3040695A1 (en) * 2018-04-20 2019-10-20 Chevron U.S.A. Inc. Partitioning polymer into phases of a microemulsion system
CN113720732A (zh) * 2021-08-20 2021-11-30 中南大学 负极浆料稳定性的预测方法、系统及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
油品二元掺混黏度预测模型评价研究;张俊等;《石油化工高等学校学报》;20131215(第06期);全文 *
锂离子电池胶液与浆料的黏度影响因素;王双双等;《电池工业》;20121225(第06期);全文 *

Also Published As

Publication number Publication date
CN115274025A (zh) 2022-11-01
WO2024066053A1 (zh) 2024-04-04

Similar Documents

Publication Publication Date Title
CN110187290B (zh) 一种基于融合型算法的锂离子电池剩余寿命预测方法
CN114114049B (zh) 一种基于样本迁移的锂离子电池寿命预测方法
CN115291116B (zh) 储能电池健康状态预测方法、装置及智能终端
CN115274025B (zh) 锂离子电池浆料黏度预测方法、装置及相关设备
CN110850298B (zh) 基于数据驱动的锂电池soh估计方法及系统
CN112883531B (zh) 锂离子电池数据处理方法、计算机设备和存储介质
CN114371409B (zh) 电池状态预测模型的训练方法、电池状态预测方法及装置
CN115084693B (zh) 一种锂电池固相浓度修正方法、系统及存储介质
CN114330647A (zh) 模型训练方法、装置及硅棒重量预测方法
CN114705990A (zh) 电池簇荷电状态的估计方法及系统、电子设备及存储介质
CN113408138B (zh) 一种基于二次融合的锂电池soh估计方法和系统
CN114839542A (zh) 一种动力锂电池的样本数据集生成方法、soc估计方法
CN107808209B (zh) 基于加权kNN距离的风电场异常数据辨识方法
CN113349267A (zh) 一种智能调节红茶发酵室环境的方法及系统
CN115149123B (zh) 一种锂电池模组一致性分析方法、系统及存储介质
CN116706992A (zh) 一种分布式光伏集群的自适应功率预测方法、装置和设备
CN114611799B (zh) 基于监督学习的时序神经网络新能源出力多步预测方法
CN110333459B (zh) 一种电池筛选方法及装置、计算机可读存储介质
CN113492724B (zh) 基于赫斯特指数的动力电池sop预测方法、存储介质及设备
CN115514621B (zh) 故障监测方法、电子设备及存储介质
CN116846040B (zh) 一种恒压恒流充放电电源的全数字控制方法
CN116908694B (zh) 一种家用储能系统的soh估算方法
CN113702845B (zh) 退役锂电池核心参数评估方法和设备
CN115880101B (zh) 一种基于大数据的水利数据管理系统
CN117608866B (zh) 一种基于大模型的数据协同处理方法及系统

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