CN115422713A - 基于数字孪生的动力电池制造工艺优化方法 - Google Patents
基于数字孪生的动力电池制造工艺优化方法 Download PDFInfo
- Publication number
- CN115422713A CN115422713A CN202210916380.8A CN202210916380A CN115422713A CN 115422713 A CN115422713 A CN 115422713A CN 202210916380 A CN202210916380 A CN 202210916380A CN 115422713 A CN115422713 A CN 115422713A
- Authority
- CN
- China
- Prior art keywords
- power battery
- parameters
- manufacturing process
- digital twin
- characteristic
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000005457 optimization Methods 0.000 title claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 36
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 31
- 239000000463 material Substances 0.000 claims abstract description 13
- 238000009413 insulation Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 11
- 238000013461 design Methods 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 8
- 238000012423 maintenance Methods 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 8
- 238000003908 quality control method Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 239000003792 electrolyte Substances 0.000 claims description 4
- 239000000178 monomer Substances 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 3
- 230000002688 persistence Effects 0.000 claims description 3
- 238000004026 adhesive bonding Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 abstract description 3
- 239000007791 liquid phase Substances 0.000 description 11
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 10
- 229910001416 lithium ion Inorganic materials 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 7
- 238000009792 diffusion process Methods 0.000 description 5
- 239000007790 solid phase Substances 0.000 description 5
- 239000011149 active material Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 230000000630 rising effect Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 239000011248 coating agent Substances 0.000 description 3
- 238000000576 coating method Methods 0.000 description 3
- 238000012938 design process Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000007599 discharging Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000003292 glue Substances 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 229910052751 metal Inorganic materials 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000007789 sealing Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 230000009189 diving Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000005501 phase interface Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
-
- 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
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Chemical & Material Sciences (AREA)
- Electrochemistry (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Chemical & Material Sciences (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Secondary Cells (AREA)
Abstract
发明提供了一种基于数字孪生的动力电池制造工艺优化方法，该方法将动力电池制造阶段关键材料参数、工艺参数和质检参数等上传存储到动力电池基因信息数据库，并在赛博物理空间建立动力电池数字孪生特征模型，使用过程中，动力电池数字孪生特征模型与动力电池物理实体连接，并对模型进行实时更新和迭代，将动力电池使用过程中的特征参数与动力电池制造过程中的基因信息进行比对，找出故障问题或失效原因，从而对动力电池制造工艺进行反馈优化。
Description
技术领域
本发明属于动力电池设计与建模领域，具体涉及一种基于数字孪生的动力电池制造工艺优化方法。
背景技术
目前新能源汽车技术的发展已进入大规模应用的关键时期，作为“三纵三横”研发布局中的关键节点，设计高强度、轻量化、高安全、低成本、长寿命的动力电池成为关键难题。伴随着电动汽车的使用，恶劣的路面条件、环境温度和负载的动态变化会导致电池系统性能非线性下降，进而导致漏液、绝缘损坏和部分短路等问题。若能明晰电池损耗的内部反应机理，及时监测故障特征和评估健康状态，这对于动力电池制造工艺的指导有着重要意义。
数字孪生技术是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。数字孪生是一种超越现实的概念，可以被视为一个或多个重要的、彼此依赖耦合的系统的数字映射系统。建立动力电池的数字孪生模型可以实现智能制造与高效管理。
发明内容
针对上述现有技术中存在的问题，本发明提出了一种基于数字孪生的动力电池制造工艺优化方法，该方法记录动力电池制造过程中的材料参数、工艺参数和质检参数等，建立动力电池基因信息数据库，并构建动力电池数字孪生特征模型，动力电池数字孪生特征模型与动力电池物理实体通过数据交互系统连接，进行实时更新和迭代，通过全生命周期对比可以明确动力电池老化衰退路径，找出故障问题，从而对动力电池制造工艺进行反馈优化。
本发明的技术方案具体如下：
一种基于数字孪生的动力电池制造工艺优化方法，包括以下步骤：
S1收集动力电池物理实体制造过程中的基因信息，并存入动力电池基因信息数据库中；
S2在赛博物理空间构建动力电池数字孪生特征模型；
S3采用数据交互系统连接动力电池物理实体和动力电池数字孪生特征模型，在动力电池的使用过程中，实时将使用信息传输至数据交互系统，并进行特征参数标定，然后将识别的特征参数传输至动力电池数字孪生特征模型，进行迭代更新，并存入动力电池基因信息数据库中；
S4在动力电池基因信息数据库中，将动力电池使用过程中的特征参数与动力电池制造过程中的基因信息比对，并建立特征参数与动力电池性能的映射关系，找出动力电池故障的原因，从而对动力电池的制造工艺进行反馈指导和设计优化。
进一步的，所述基因信息包括材料参数、工艺参数、品控参数和性能参数。
进一步的，所述材料参数包括电解液浓度、材料密度和体积分数；所述工艺参数包括壳体尺寸、预紧力和涂胶量；所述品控参数包括模组压差、系统漏气量和绝缘阻值；所述性能参数包括出厂时间、储存温度和初始SOC；
进一步的，所述动力电池基因信息数据库由底层异构数据库和上层中间件模块组成，异构数据库包括关系型数据库、时序数据库、图数据库和非结构化数据库，中间件模块包括数据处理模块、网关设置模块、监控系统和数据持久化模块。
进一步的，所述动力电池数字孪生特征模型由特征参数组合构成，包括动力电池在全生命周期使用中产生的业务特征、统计特征、机理特征和时频特征。
进一步的所述业务特征包括充电电流、累积充放电容量、累积使用时长、高温累积充放电容量、高倍率累积充放电容量等；所述机理特征包括内阻变化、内短路内阻变化、自放电率K值变化；所述统计特征包括电压最大/最小值、电压均值、单体电压标准差等物理量通过简单数学统计归纳可得的特征参数；所述时频特征包括经过小波变换、希尔伯特黄变换等频率计算方法得到的多阶模态分量，以及信息熵、奇异谱熵等参数。
进一步的，所述使用信息包括运行参数、维修保养参数和运行原始数据。
进一步的，所述运行参数包括欧姆内阻、开路电势和单体欠压量；所述维修保养参数包括更换电芯参数、报警故障码、螺栓预紧力；所述运行原始数据包括总线电压、总线电流和系统温度。
相比于现有技术，本发明的有益效果在于：
1.本发明建立的动力电池数字孪生特征模型能够存储、计算电池演化过程中的各项参数，并形成一定规律和经验反馈指导电池的设计和制造工艺，真正实现动力电池的全生命周期闭环控制。
2.使用本发明建立的数字孪生特征模型在动力电池出厂使用之前即可实现模拟装配误差分析、实时过程监测和故障提前检测，帮助生产制造企业管理流程知识、提高生产效率和产品质量，更好实现不同制造团队间协同优化。
3.本发明所采用的特征参数不仅可以作为数字孪生特征模型的输入，还降低了参数辨识的工作量和盲目性，且因为具有更强代表性能够作为存储变量记录电池制造和使用过程的规律。
4.本发明的动力电池制造工艺优化方法能够对同一产品的不同批次、不同工艺设置针对性的控制方法，并对故障电池包进行失效追溯和原因反推。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他的附图。其中：
图1为本发明的基于数字孪生的动力电池制造工艺优化方法的原理图；
图2本发明的动力电池基因信息数据库构成图；
图3本发明的动力电池包制造流程图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
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他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
如图1所示，本发明提供了一种基于数字孪生的动力电池制造工艺优化方法，包括以下步骤：
S1收集动力电池物理实体制造过程中的基因信息，并存入动力电池基因信息数据库中；
动力电池在出厂前的制造过程中，材料供应部门提供动力电池的原始材料参数，例如电解液浓度、材料密度和体积分数等，生产制造部门提供加工过程的工艺参数，例如壳体尺寸、预紧力和涂胶量等，以及性能参数，例如出厂时间、储存温度和初始SOC等；质检部门提供产品的品控参数，例如模组压差、系统漏气量和绝缘阻值等。
在动力电池出厂使用过程，上述参数数据可由车载电子网络和通信设备传入动力电池基因信息数据库。
本发明的动力电池基因信息数据库由底层异构数据库和上层中间件模块组成，异构数据库包括关系型数据库、时序数据库、图数据库和非结构化数据库，中间件模块包括数据处理模块、网关设置模块、监控系统和数据持久化模块。S2在赛博物理空间构建动力电池数字孪生特征模型。该动力电池基因信息数据库可同时存储动力电池生产制造和使用阶段的相关参数数据，如图2所示。
S2在赛博物理空间构建动力电池数字孪生特征模型；
所构建的动力电池数字孪生特征模型为一种特征模型，通过若干元素或特征按照一定关系组合构成，能够实现对动力电池物理实体的观测并辅助控制系统设计，主要包括动力电池在全生命周期运行中产生的业务特征、统计特征、机理特征、时频特征四个维度，通过对用户使用程度画像、电池工况信息统计、内在演变规律回溯、多维数学变换分析实现对动力电池使用信息的有效提取。
以业务特征为例，用户在充电时使用大倍率直流快充或低倍率慢充对电池寿命影响很大，因此可以以充电倍率作为一维特征反应用户充电习惯；用户在驾驶时的放电电流功率谱结果能够反映驾驶员风格和经常行驶过路程的路面不平度、交通状况等信息，因此也可以作为一维特征。
又如机理特征中包含的内阻变化、内短路内阻变化、自放电率K值变化等，自放电率K值变化能够反映动力电池内部内短路微电流的大小和演变趋势，与电池SOC、环境温度、环境湿度等信息相关，因此在保存自放电率作为一维特征时，需要同时保存这些信息以确保电池维度的关联性。
动力电池数字孪生特征模型以特征参数为基础，能够直接刻画电池的全生命周期性能演变，反映真实的电池状态。将特征参数保存到动力电池基因信息库，能够与历史信息对比明确演变规律。
所述动力电池数字孪生特征模型可采用降阶模型，具体方程如下：
(1)固相锂离子扩散方程：以菲克第二定律为基础建立锂离子浓度无量纲平衡方程，描述正、负极区域活性材料颗粒内部的锂离子扩散过程；
(2)液相锂离子扩散方程：描述正、负极及隔膜区域内电解液中的锂离子扩散过程；
(3)固相电势方程：描述正、负极区域内固相电势的分布；
(4)液相电势方程：描述正、负极及隔膜区域内液相电势的分布；
式中，cl0为稳态液相锂离子浓度；clk为液相锂离子浓度；cki、Pki和ski分别为液相浓度、液相电势和固相电势降阶解的未知时间系数；角标k＝n,s,p分别为在负极、隔膜和正极的相关物理量；lk为电极厚度；εl为电极孔隙率；Dl为液相扩散系数；ak为单位体积的活性物质表面积；jk为活性物质表面的反应电流密度；κlk为液相导电率；
为液相活性系数；σs为固相导电率；
为活性物质表面的平均归一化锂离子浓度；jk为固液接触面电化学反应物质流量，可由BV方程计算得到；csurf为活性物质表面归一化锂离子浓度；un为求解的中间变量；erfc(x)为余补误差函数；
为锂离子迁移系数；F为法拉第常数；xij为相应的正交配置点；τ为无量纲化后的时间变量；δ(t)为无量纲化后的反应电流密度。
上述降阶模型具有以下优点：一是将具有高保真度的仿真模型尽可能简化，进而满足系统级实时仿真和快速优化的应用需求；二是降低模型仿真时所需要的CPU计算时间以及硬盘存储空间；三是可作为控制器软件的一部分，起到模型预测、状态估算等作用的在线模型。
GB/T 32960《电动汽车远程服务与管理系统技术规范》中要求数据上报最低时间间隔为30s，故障时刻为1s。要求至少包括车辆静态数据(车架号、型号等)、车辆实时数据(整车数据、驱动电机数据、车辆位置数据、极值数据、报警数据等)在内的77个数据字段。在实际生产应用中，数据上传最低时间间隔一般为10s，未来可能达到1s一次，企业自定义的数据字段与国标要求字段数总和可能大于100维，而一家电池企业或整车厂的车辆接入量可能为百万辆级。一辆使用频次不高的普通家用轿车一年将产生至少1.5TB数据。因此仅保存全部字段的全生命周期历史运行数据就将占用大量存储资源，在其基础上还需要进行计算分析等操作，频繁的读写操作对服务器集群将造成较大负载。
本发明提出的动力电池数字孪生特征模型包含了生产制造过程的工艺参数、使用过程的性能参数、维修过程的检测和更新参数，是对原始数据信息的“蒸馏”处理，即仅保存数据中关键信息，这些信息能够被用于电化学机理模型、降阶模型、等效电路模型、用户画像模型等多种模型的建立，占用空间远远小于原始数据的占用量(约为1/10，甚至可能更少)，且一次计算后，进行建模或功能开发中不需重复计算，大大节省服务器的计算空间，也便于工程师在此基础上进行二次开发。
S3采用数据交互系统连接动力电池物理实体和动力电池数字孪生特征模型，在动力电池的使用过程中，实时将使用信息传输至数据交互系统，并进行特征参数标定，然后将识别的特征参数传输至动力电池数字孪生特征模型，进行迭代更新，并存入动力电池基因信息数据库中；
所述数据交互系统包括有参数标定模块，该参数标定模块可将由动力电池物理实体上传的海量使用信息辨识得到动力电池数字孪生特征模型的各项指标及特征参数。
S4在动力电池基因信息数据库中，将动力电池使用过程中的特征参数与动力电池制造过程中的基因信息比对，并建立特征参数与动力电池性能的映射关系，找出动力电池故障的原因，从而对动力电池的制造工艺进行反馈指导和设计优化。
其中，故障检测方法可以是多种方式相结合的技术体系，在对原始数据的阈值算法或更高级的复合阈值故障诊断策略基础上，可以融合知识图谱技术构建动力电池故障信息树。通过国标要求和企业自定义的阈值类算法，可以针对SOC跳变、电池过温、绝缘性能差等故障形式做出判断，知识图谱通过整合制造工艺失效报告、平台实车运行故障数据工单、4S店维修保养报告等结构化和非结构化数据，通过知识抽取、知识融合、知识计算等步骤建立动力电池故障的知识图谱，图谱信息与阈值诊断结果、制造过程失效分析结合建立从特征到故障的映射关系，当某一维度或某几个维度的特征超出或频繁超出报警限时，即可认为需要反馈到售后处理。售后根据数据的演变规律、表征形式可以与制造部门协商在前期进行工艺改进。如在雨天或过水时车辆绝缘阻值频繁报警，则需要在前期对电池包的绝缘密封性能做出改进；如某批次电池都发生了自放电率过大或内短路阻值过小，则需要注意是否在该批次电池制造过程中引入了金属杂质或极片边缘存在毛刺等问题，如此可实现工艺改进避免事故频发。
如图3所示，在动力电池包的自动化制造工艺流程中，箱体等金属零件的材料参数、螺栓预警力等的工艺参数、FT1测试的绝缘阻值等品控参数均会被上传至动力电池基因信息数据库；维修保养时，当检测到动力电池包漏气量大于标准值时，则检查动力电池包螺栓预紧力，如小于预定值，则是由于螺栓初始预紧力过小导致，当增加预紧力后仍继续发生漏气，则是可能涂胶量等工艺参数不满足要求，可以经售后部门反馈，对制造工艺进行改进；当使用过程中车辆过水或发生碰撞，动力电池数字孪生特征模型发出绝缘报警，则检测绝缘阻值在全生命周期的演变，判断绝缘阻值超限是否因产品质量导致。
又以动力电池自放电率为例，电池自放电率又称荷电保持能力，是指电池在开路状态下，电池所储存的电量在一定条件下的保持能力，主要受电池制造工艺、材料、储存条件等因素影响，是衡量电池性能的重要参数。通常自放电率高的电池更容易发生容量跳水或热失控等故障。电池出厂前需要经历化成工艺，使电池内部形成稳定的固液相界面膜(SEI膜)以提升电池的使用性能，工艺期间对自放电率和内阻均会记录数据，将该数据保存至动力电池基因信息数据库中。在动力电池运行期间，当电池静置时间满足要求时可以重新计算电池自放电率，当监测到自放电率超出阈值时，认为电芯有热失控或容量跳水风险，此时结合基因信息数据库进行横向多电池对比和纵向全生命周期对比：
(1)若单节电池出现自放电率超出阈值，全生命周期呈现逐渐升高趋势，出现于电池寿命末期，则原因是单节电池在制造过程中存在的随机不确定性(该误差在品控较好电池厂出现的概率为百万分之一)，属于制造中的正常偏差事件。
(2)若多节电池出现自放电率超出阈值，全生命周期呈现逐渐升高趋势，出现于电池寿命末期，则原因是电池在设计过程中对预期寿命设计较短，难以满足实际预期寿命。
(3)若多节电池出现自放电率超出阈值，全生命周期呈现逐渐升高趋势，出现于电池寿命早期，则原因是电池在设计过程中存在缺陷或制造过程中没有保持洁净环境，导致金属粉末、水汽等杂质混入，需要对出厂前流程重新检查。
(4)若单节电池出现自放电率超出阈值，全生命周期呈现突然升高趋势，出现于电池寿命任何期，则可能是电池在使用过程中存在机械振动或碰撞，需要返厂维修确认安全才能继续使用。
又如电池BMS会对电池包的绝缘阻值进行监控，当车辆过水时，如电池包密封性能较好，则该值变化较小，而如果发现在车辆过水时大量车辆电池包绝缘阻值均发生变化，则应该反馈到电池包密封相关的螺栓预紧力，涂胶量，密封垫设计等工艺。
综上，通过对动力电池数字孪生特征传入电池基因信息数据库的特征参数的监测和对比，可以对电池设计制造过程中存在的问题进行反馈指导。
此外，前述仅说明了一些实施方式，可进行改变、修改、增加和/或变化而不偏离所公开的实施方式的范围和实质，该实施方式是示意性的而不是限制性的。此外，所说明的实施方式涉及当前考虑为最实用和最优选的实施方式，其应理解为实施方式不应限于所公开的实施方式，相反地，旨在覆盖包括在该实施方式的实质和范围内的不同的修改和等同设置。此外，上述说明的多种实施方式可与其它实施方式共同应用，如，一个实施方式的方面可与另一个实施方式的方面结合而实现再另一个实施方式。另外，任何给定组件的各独立特征或构件可构成另外的实施方式。
为了示意和说明的目的提供实施方式的前述说明，其不意图穷举或限制本公开。具体实施方式的各元件或特征通常不限于该具体实施方式，但是在可应用的情况下，即使没有具体地示出或说明，各元件或特征也是可互换且可用于选择的实施方式，还可以多种方式改变。该改变不看作从本公开偏离，且所有该改变都包括在本公开的范围内。
因此，应理解这里通过示例的方式提供了附图和说明书，以有助于对本发明的理解，且不应构成对其范围的限制。
Claims (8)
1.一种基于数字孪生的动力电池制造工艺优化方法，其特征在于，包括以下步骤：
S1收集动力电池物理实体制造过程中的基因信息，并存入动力电池基因信息数据库中；
S2在赛博物理空间构建动力电池数字孪生特征模型；
S3采用数据交互系统连接动力电池物理实体和动力电池数字孪生特征模型，在动力电池的使用过程中，实时将使用信息传输至数据交互系统，并进行特征参数标定，然后将识别的特征参数传输至动力电池数字孪生特征模型，进行迭代更新，并存入动力电池基因信息数据库中；
S4在动力电池基因信息数据库中，将动力电池使用过程中的特征参数与动力电池制造过程中的基因信息比对，并建立特征参数与动力电池性能的映射关系，找出动力电池故障的原因，从而对动力电池的制造工艺进行反馈指导和设计优化。
2.根据权利要求1所述的基于数字孪生的动力电池制造工艺优化方法，其特征在于，所述基因信息包括材料参数、工艺参数、品控参数和性能参数。
3.根据权利要求2所述的基于数字孪生的动力电池制造工艺优化方法，其特征在于，所述材料参数包括电解液浓度、材料密度和体积分数；所述工艺参数包括壳体尺寸、预紧力和涂胶量；所述品控参数包括模组压差、系统漏气量和绝缘阻值；所述性能参数包括出厂时间、储存温度和初始SOC。
4.根据权利要求1所述的基于数字孪生的动力电池制造工艺优化方法，其特征在于，所述动力电池基因信息数据库由底层异构数据库和上层中间件模块组成，异构数据库包括关系型数据库、时序数据库、图数据库和非结构化数据库，中间件模块包括数据处理模块、网关设置模块、监控系统和数据持久化模块。
5.根据权利要求1所述的基于数字孪生的动力电池制造工艺优化方法，其特征在于，所述动力电池数字孪生特征模型由特征参数组合构成，包括动力电池在全生命周期使用中产生的业务特征、统计特征、机理特征和时频特征。
6.根据权利要求5所述的基于数字孪生的动力电池制造工艺优化方法，其特征在于，所述业务特征包括充电电流、累积充放电容量、累积使用时长、高温累积充放电容量、高倍率累积充放电容量；所述机理特征包括内阻变化、内短路内阻变化、自放电率K值变化；所述统计特征包括电压最大值、电压最小值、电压均值、单体电压标准差；所述时频特征包括小波变换得到的多阶模态分量、希尔伯特黄变换得到的多阶模态分量、信息熵、奇异谱熵。
7.根据权利要求1所述的基于数字孪生的动力电池制造工艺优化方法，其特征在于，所述使用信息包括运行参数、维修保养参数和运行原始数据。
8.根据权利要求7所述的基于数字孪生的动力电池制造工艺优化方法，其特征在于，所述运行参数包括欧姆内阻、开路电势和单体欠压量；所述维修保养参数包括更换电芯参数、报警故障码、螺栓预紧力；所述运行原始数据包括总线电压、总线电流和系统温度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210916380.8A CN115422713A (zh) | 2022-08-01 | 2022-08-01 | 基于数字孪生的动力电池制造工艺优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210916380.8A CN115422713A (zh) | 2022-08-01 | 2022-08-01 | 基于数字孪生的动力电池制造工艺优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115422713A true CN115422713A (zh) | 2022-12-02 |
Family
ID=84196319
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210916380.8A Pending CN115422713A (zh) | 2022-08-01 | 2022-08-01 | 基于数字孪生的动力电池制造工艺优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115422713A (zh) |
-
2022
- 2022-08-01 CN CN202210916380.8A patent/CN115422713A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111584952B (zh) | 用于储能电站电化学电池在线评估的方法和系统 | |
| JP7095110B2 (ja) | バッテリ状態推定方法 | |
| Ebrahimi et al. | Stochastic charging optimization of V2G-capable PEVs: A comprehensive model for battery aging and customer service quality | |
| CN109375116B (zh) | 一种基于自编码器的电池系统异常电池识别方法 | |
| CN107870306A (zh) | 一种基于深度神经网络下的锂电池荷电状态预测算法 | |
| CN112213643B (zh) | 电池初始容量、电池健康状态的预测方法、系统及设备 | |
| CN110324383B (zh) | 云服务器、电动汽车及其中动力电池的管理系统、方法 | |
| CN111398832A (zh) | 一种基于anfis模型的公交车电池soc预测方法 | |
| CN108037463A (zh) | 一种锂离子电池寿命预测方法 | |
| CN113064089B (zh) | 动力电池的内阻检测方法、装置、介质以及系统 | |
| CN113030763A (zh) | 一种车用动力电池一致性差异的潜在风险诊断系统 | |
| CN114240260B (zh) | 一种基于数字孪生的新能源群体车辆热失控风险评估方法 | |
| CN114035098A (zh) | 一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法 | |
| CN114325440A (zh) | 借助于机器学习方法运行用于为设备提供电能量存储器的预测老化状态的系统的方法和装置 | |
| Li et al. | A Comprehensive Review of Second Life Batteries Toward Sustainable Mechanisms: Potential, Challenges, and Future Prospects | |
| CN110687460B (zh) | 一种soc预估方法 | |
| Long et al. | Multi-parameter optimization method for remaining useful life prediction of lithium-ion batteries | |
| CN113540589B (zh) | 一种电池温差自适应阈值确定方法及系统 | |
| Khalatbarisoltani et al. | Energy management strategies for fuel cell vehicles: a comprehensive review of the latest progress in modeling, strategies, and future prospects | |
| Xu et al. | Safety warning analysis for power battery packs in electric vehicles with running data | |
| Wen et al. | Lithium battery health state assessment based on vehicle-to-grid (V2G) real-world data and natural gradient boosting model | |
| CN114646888A (zh) | 一种动力电池容量衰减的评估方法及系统 | |
| CN114325442A (zh) | 用于鲁棒地预测机器中的蓄能器的老化特性的方法和设备 | |
| CN115792642B (zh) | 一种动力电池寿命的估算方法及装置 | |
| CN115422713A (zh) | 基于数字孪生的动力电池制造工艺优化方法 |
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 |