CN116629658A - 一种锂电池正极材料生产质量评估和工艺优化方法 - Google Patents
一种锂电池正极材料生产质量评估和工艺优化方法 Download PDFInfo
- Publication number
- CN116629658A CN116629658A CN202310376190.6A CN202310376190A CN116629658A CN 116629658 A CN116629658 A CN 116629658A CN 202310376190 A CN202310376190 A CN 202310376190A CN 116629658 A CN116629658 A CN 116629658A
- Authority
- CN
- China
- Prior art keywords
- production
- lithium battery
- parameters
- model
- monitoring parameters
- 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 175
- 238000000034 method Methods 0.000 title claims abstract description 94
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 79
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 79
- 239000010405 anode material Substances 0.000 title claims abstract description 46
- 238000005457 optimization Methods 0.000 title abstract description 8
- 238000013441 quality evaluation Methods 0.000 title abstract description 8
- 238000012544 monitoring process Methods 0.000 claims abstract description 80
- 239000007774 positive electrode material Substances 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 26
- WMFOQBRAJBCJND-UHFFFAOYSA-M Lithium hydroxide Chemical compound [Li+].[OH-] WMFOQBRAJBCJND-UHFFFAOYSA-M 0.000 claims description 36
- 239000002245 particle Substances 0.000 claims description 34
- 239000010406 cathode material Substances 0.000 claims description 28
- 238000012216 screening Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 17
- 238000011282 treatment Methods 0.000 claims description 15
- 238000011221 initial treatment Methods 0.000 claims description 14
- 238000004806 packaging method and process Methods 0.000 claims description 14
- 238000007873 sieving Methods 0.000 claims description 13
- XGZVUEUWXADBQD-UHFFFAOYSA-L lithium carbonate Chemical compound [Li+].[Li+].[O-]C([O-])=O XGZVUEUWXADBQD-UHFFFAOYSA-L 0.000 claims description 11
- 229910052808 lithium carbonate Inorganic materials 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000008439 repair process Effects 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000007596 consolidation process Methods 0.000 claims description 2
- 230000006872 improvement Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 33
- 238000004422 calculation algorithm Methods 0.000 description 25
- 230000002159 abnormal effect Effects 0.000 description 13
- 230000009286 beneficial effect Effects 0.000 description 11
- 238000010801 machine learning Methods 0.000 description 8
- 239000002994 raw material Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000001303 quality assessment method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- UBEWDCMIDFGDOO-UHFFFAOYSA-N cobalt(2+);cobalt(3+);oxygen(2-) Chemical compound [O-2].[O-2].[O-2].[O-2].[Co+2].[Co+3].[Co+3] UBEWDCMIDFGDOO-UHFFFAOYSA-N 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000012858 packaging process Methods 0.000 description 3
- 238000007599 discharging Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000008187 granular material Substances 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- CKFRRHLHAJZIIN-UHFFFAOYSA-N cobalt lithium Chemical compound [Li].[Co] CKFRRHLHAJZIIN-UHFFFAOYSA-N 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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"
-
- 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
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Fuzzy Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Battery Electrode And Active Subsutance (AREA)
Abstract
本发明涉及锂电池生产技术领域，其特别涉及一种锂电池正极材料生产质量评估方法和工艺优化方法，所述一种锂电池正极材料生产质量评估方法包括获取锂电池正极材料各个生产过程的历史监测参数，以及对应生产出的正极材料的历史电池特性参数，根据所述历史监测参数和历史电池特性参数生成初始数据集；使用初始数据集对至少一个预测模型进行训练以获得目标预测模型；获取锂电池正极材料各个生产过程的当前监测参数；将所述当前监测参数输入所述目标预测模型获取对应生产出的正极材料的目标电池特性参数，以对正极材料的生产质量进行预判。解决了现有技术中不便于对锂电池生产过程优化产线和提高产品质量的问题。
Description
【技术领域】
本发明涉及锂电池生产技术领域，其特别涉及一种锂电池正极材料生产质量评估和工艺优化方法。
【背景技术】
锂电池正极材料是影响锂电池性能和价格的主要材料，在锂电池中重量和成本占比均为40％左右。其生产技术门槛较高，质量要求比较严格，因此是锂电池生产研究的重点。
生产过程中在线监测、评估产品质量，是保障正极材料生产质量的重要手段。然而，在材料生产过程中，难以通过充放电测试直接评估其性能。现有的在线监测数据，主要是易于测试的工艺环境温度、颗粒粒径大小、关键元素含量等，难以支撑工程师对正极材料性能的准确评估，作为产品质量管控的依据。此外，锂电池正极材料生产流程长，影响其最终生产质量的工艺环节和因素众多，具有复杂的逻辑关系。现有的在线监测中，有大量数据是冗余信息，为工程师产品分析和异常问题处理带来了极大的困扰，难以找到关键环节和关键因素。
【发明内容】
为了解决现有技术中不便于对锂电池生产过程中优化产线和提高产品质量的问题，本发明提供一种锂电池正极材料生产质量评估方法和工艺优化方法。
本发明为解决上述技术问题，提供如下的技术方案：一种锂电池正极材料生产质量评估方法，包括如下步骤获取锂电池正极材料各个生产过程的历史监测参数，以及对应生产出的正极材料的历史电池特性参数，根据所述历史监测参数和历史电池特性参数生成初始数据集；所述正极材料生产过程至少包括一次处理以及二次处理，所述一次处理包括对小颗粒正极材料依次进行小一混、小一破以及小一筛，以及对大颗粒正极材料依次进行大一混、大一破以及大一筛，所述二次处理包括将一次处理后的大颗粒与小颗粒混合后进行二混、二破、二筛以及包装；使用初始数据集对至少一个预测模型进行训练以获得目标预测模型；获取锂电池正极材料各个生产过程的当前监测参数；将所述当前监测参数输入所述目标预测模型获取对应生产出的正极材料的目标电池特性参数，以对正极材料的生产质量进行预判。
优选地，在使用初始数据值对至少一个预测模型进行训练之前，进一步包括对所述初始数据集进行预处理，所述预处理包括数据筛选、数据修复和数据整理；所述数据筛选包括界定一预设范围，用于清洗初始数据集中超出预设范围的数据；所述数据修复包括对初始数据集中的缺失值进行补充。
优选地，所述数据修复包括固定值修复法以及平均值修复法中任一种。
优选的，所述预测模型至少包括随机森林模型、梯度提升机模型、XgBoost模型和CatBoost模型。
优选地，所述电池特性参数包括充电容量和放电容量，所述使用预处理后的初始数据集对至少一个预测模型进行训练以获得目标预测模型包括：对所述预处理后的初始数据集分别通过四种预测模型进行训练；对生产出的正极材料测试获得实际充电容量和放电容量；对四种训练后的预测模型输入对应的特征参数，将获得的对应的预测结果与实际的充电容量与放电容量进行对比，利用均方根误差RMSE和拟合优度R2评估各个预测模型性能，选择在最低RMSE和最高R2值的预测模型作为目标预测模型。
优选的，一种锂电池正极材料生产质量评估方法还包括针对充电容量与放电容量，分别选择最优的目标预测模型进行组合，获得组合预测模型。
优选的，所述一次处理和二次处理生产环节的监测参数包括Li+含量、Co含量、Mg含量、Al含量、氢氧化锂含量以及碳酸锂含量。
优选的，所述小一破、大一破和包装环节的监测参数还包括颗粒粒径大小。
本发明为解决上述技术问题，提供的又一技术方案为一种锂电池正极材料生产工艺优化方法，包括上述的一种锂电池正极材料生产质量评估方法，并从目标预测模型中获取影响电池质量的监测参数，根据获取的监测参数优化调整对应的生产环节。
优选的，一种锂电池正极材料生产工艺优化方法还包括选取至少两种预测模型分别建立目标预测模型，并从目标预测模型中对所有监测参数影响电池质量的权重由大到小进行排序，选取前N个值作为第一重要参数集，从与目标预测模型数量相对应的第一重要参数集中获取相同的参数作为第二重要参数，根据获取的第二重要参数优化调整对应的生产环节，其中，所述N为整数。
与现有技术相比，本发明所提供的一种锂电池正极材料生产质量评估方法，具有如下的有益效果：
1.本发明实施例提供的一种锂电池正极材料生产质量评估方法包括获取锂电池正极材料各个生产过程的历史监测参数，以及对应生产出的正极材料的历史电池特性参数，根据历史监测参数和历史电池特性参数生成初始数据集；使用初始数据集对至少一个预测模型进行训练以获得目标预测模型；获取锂电池正极材料各个生产过程的当前监测参数；将所述当前监测参数输入所述目标预测模型获取对应生产出的正极材料的目标电池特性参数，便于工程师对正极材料性能做出准确的评估和预判；通过建立目标预测模型，有利于工程从数据角度分析出相对重要的监测参数，还可以在调试环节或生产环节预测电池最终的质量，探索出一条新的锂电池正极材料生产机理研究方向，有利于提高工厂对锂电池正极材料生产问题的理解和处理能力。
2.本发明实施例提供的一种锂电池正极材料生产质量评估方法在使用初始数据值对至少一个预测模型进行训练之前，进一步包括对所述初始数据集进行预处理，所述预处理包括数据筛选、数据修复和数据整理，通过筛选实际有效数据，修补异常缺失数据，用以获取系统性和完备性好的初始数据集，这样的数据集更有利于目标预测模型和对目标预测模型进行测试。
3.本发明实施例提供的一种锂电池正极材料生产质量评估方法的预测模型至少包括随机森林模型、梯度提升机模型、XgBoost模型和CatBoost模型，通过选取多种机器学习算法，便于选取最优的预测模型，可以实现对产品质量的高精准预判。
4.本发明实施例提供的一种锂电池正极材料生产质量评估方法通过对预测模型进行测试，对四种训练后的预测模型输入对应的特征参数，将获得的对应的预测结果与实际的充电容量与放电容量进行对比，利用均方根误差RMSE和拟合优度R2评估各个预测模型性能，选择在最低RMSE和最高R2值的预测模型作为目标预测模型，有利于根据误差值选择最优的最为目标预测模型。
5.本发明实施例提供的一种锂电池正极材料生产质量评估方法针对充电容量与放电容量，分别选择最优的目标预测模型进行组合，获得组合预测模型，通过组合预测模型，有利于针对不同的需求对产线进行调整，有利于更精准的产品质量预判。
6.本发明实施例提供的一种锂电池正极材料生产质量评估方法的一次处理和二次处理生产环节的监测参数包括Li+含量、Co含量、Mg含量、Al含量、氢氧化锂含量以及碳酸锂含量，小一破、大一破和包装环节的监测参数还包括颗粒粒径大小，通过将监测参数细化，有利于通过预测模型从中选择出对锂电池正极生产质量影响最大的因素，便于工程师分析和处理异常问题。
7.本发明实施例提供的一种锂电池正极材料生产工艺，包括根据上述方法，并从目标预测模型中获取影响电池质量的监测参数，省去了大量冗余信息，便于工程师掌握对产线影响较大的数据，并且根据获取的监测参数优化调整对应的生产环节，有利于工程师根据特征参数和预测结果调整分析电池生产质量，优化产线结构。
【附图说明】
图1是本发明第一实施例提供的一种锂电池正极材料生产质量评估方法的流程示意图。
图2是本发明第一实施例提供的一种锂电池正极材料生产质量评估方法的生产环节示意图。
图3是本发明第一实施例提供的一种锂电池正极材料生产质量评估方法的包装环节四种算法的特征参数排序图
图4是本发明第一实施例提供的一种锂电池正极材料生产质量评估方法的组合预测模型流程示意图。
图5是本发明第一实施例提供的一种锂电池正极材料生产质量评估方法的四种机器学习算法的预测结果误差均方根示意图。
图6是本发明第三实施例提供的四种机器学习算法建立的第二目标预测模型的预测结果误差均方根示意图。
【具体实施方式】
为了使本发明的目的，技术方案及优点更加清楚明白，以下结合附图及实施实例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在本发明所提供的实施例中，应理解，“与A对应的B”表示B与A相关联，根据A可以确定B。但还应理解，根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其他信息确定B。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本发明所必需的。
在本发明的各种实施例中，应理解，上述各过程的序号的大小并不意味着执行顺序的必然先后，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。
在本发明的附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段，或代码的一部分，该模块、程序段，或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方案中，方框中所标注的功能也可以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，在此基于涉及的功能而确定。需要特别注意的是，框图和/或流程图中的每个方框，以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
请参阅图1和图2，本发明第一实施例提供一种锂电池正极材料生产质量评估方法，包括以下步骤：
S1：获取锂电池正极材料各个生产过程的历史监测参数，以及对应生产出的正极材料的历史电池特性参数，根据历史监测参数和历史电池特性参数生成初始数据集；正极材料生产过程至少包括一次处理以及二次处理，一次处理包括对小颗粒正极材料依次进行小一混、小一破以及小一筛，以及对大颗粒正极材料依次进行大一混、大一破以及大一筛，二次处理包括将一次处理后的大颗粒与小颗粒混合后进行二混、二破、二筛以及包装；
S2：使用初始数据集对至少一个预测模型进行训练以获得目标预测模型；
S3：获取锂电池正极材料各个生产过程的当前监测参数；
S4：将所述当前监测参数输入所述目标预测模型获取对应生产出的正极材料的目标电池特性参数，以对正极材料的生产质量进行预判。
需要说明的是，小一混生产过程具体为对碳酸锂与小颗粒四氧化三钴进行混合，通过控制混合时间，达到最大的原料均匀混合度；小一破具体为对小一混后的混合原料进行破碎，小一筛为对小一破的原料进行筛选，防止材料中含有尺寸异常的颗粒或异物。大一混生产过程具体为对碳酸锂与大颗粒四氧化三钴进行混合，大一破为对大一混后的混合原料进行破碎，大一筛为对大一破后的原料进行筛选，防止材料中含有尺寸异常的颗粒或异物。二混生产过程为对小一筛以及大一筛过程后的原料进行混合，二破为对二混过程后的原料进行破碎，二筛为二破过程后的原料筛选，剔除不符合生产要求的颗粒或者异物。
需要说明的是，在小颗粒生产过程中，为多个产线同时进行，即每一批次的小颗粒对应一个产线，分别进行小一混、小一破以及小一筛。
需要说明的是，在大颗粒生产过程中的大一混以及大一破为多个产线同时进行，即每一批次的大颗粒对应一个产线，大一筛过程中将多个产线合并为一个产线，即将多个批次的产品合并为一个批次的产品进行筛选。
需要说明的是，二次处理中，二混和二破过程中为多个产线同时进行，即大颗粒与小颗粒在多个产线按照比例混合后进行二破，在二筛过程中，二次处理中多个产线再次合并为一个产线进行二次筛选。
具体的，在对锂电池正极材料生产过程中的小一混、小一破、小一筛、小一破、大一混、大一破、大一筛、二混、二破、二筛以及包装环节均需要检测以获得历史监测参数，如小颗粒生产过程中具有多个产线，需要将具体的每个产线的每个环节获取监测参数。
具体地，可以将不同的产线、不同的生产环节以及不同的生产参数均进行作为历史监测参数进行记录，分别与最后生产出的正极材料测试的历史特性参数组成初始数据集。其中，电池特性参数包括电池的充电容量和放电容量，需要说明的是，初始数据集按照电池的特性参数可以分为第一初始数据集以及第二初始数据集，即生产过程中的监测参数与历史充电容量得到第一初始数据集，生产过程中的监测参数与历史放电容量得到第二初始数据集，通过将第一初始数据集和第二初始数据集放入到预测中进行训练，最终同一种预测模型根据投入的第一初始数据集和第二初始数据集，分别建立针对充电容量和放电容量的目标预测模型，从而得出每条产线、每个具体环节以及每个生产参数对最终正极材料生产质量的影响。
需要说明的是，在一些实施例中，根据初始数据集的用途，将初始数据集划分为训练数据集以及测试数据集，训练数据集用于训练预测模型并得到目标预测模型，测试数据集用于对目标预测模型进行测试，检测目标预测模型的性能。具体的，检测得到100份初始数据集，将初始数据集分为80份训练数据集和20份测试数据集，具体的划分比例本实施例不做具体限定。
需要说明的是，本实施例中，用生产后电池的充电容量和放电容量作为评判电池质量的标准。
需要说明的是，将目标预测模型建立好以后，可以在实际生产过程中，输入生产环节的当前监测参数，可以用于预测最终生产出的目标电池特性参数，即正极材料的充电容量和放电容量，预判电池正极材料的质量，解决了现有技术中不便于根据当前产线的监测参数预测最终电池生产质量的技术问题；同时，建立的目标预测模型也便于工程师进行调试，通过输入预设监测参数，预测电池生产后的质量，从而进一步优化产线的效果。
进一步的，所获取的监测参数包括一次处理和二次处理生产环节的生产参数，如Ti含量、Li+含量、Co含量、氢氧化锂含量、Al含量、氢氧化锂含量、碳酸锂含量等；其中，在小一破、大一破和包装环节的监测参数还包括颗粒粒径大小；在包装完成后还需要测量正极材料的充电容量和放电容量数据。
具体的，在小一混和大一混过程中的监测参数包括Co含量、Al含量、Mg含量、Zr含量、Li+含量、处理时长、Ti含量、温度以及湿度；在小一破、大一破以及二破过程中的监测参数包括颗粒粒径大小、氢氧化锂含量、碳酸锂含量、Li+含量、BET、处理时长、颗粒硬度、温度以及湿度；在小一筛、大一筛以及二筛过程中的监测参数包括颗粒粒径大小、氢氧化锂含量、碳酸锂含量、Li+含量、湿度以及颗粒硬度；在二混过程中的监测参数包括Al含量、Ti含量、Zr含量、Y含量、Li+含量、处理时长、温度以及湿度；包装环节的检测参数包括颗粒粒径大小、宽化系数、比表面积、振实密度、Co含量、Al含量、Mg含量、Zr含量、Ti含量、Y含量、Li+含量、氢氧化锂含量、碳酸锂含量、锂钴比、PH值、湿度以及颗粒硬度。在包装完成后还需要测量正极材料的充电容量和放电容量数据。可以理解的，通过将监测参数细化，有利于通过预测模型从中选择出对锂电池正极生产质量影响最大的因素，便于工程师分析和处理异常问题。
需要说明的是，由于在检测过程中，由于检测机器或者其他客观原因对监测参数容易造成干扰，因此，需要对初始数据集进行预处理，通过自动化数据处理软件设计及实现的方式，对数据进行处理整合，便于使用机器算法建立预测模型。
进一步的，预处理包括数据筛选、数据修复和数据整理。
具体的，数据筛选包括界定一预设范围，用于清洗初始数据集中超出预设范围的数据。
需要说明的是，预设范围为正常生产过程中的工艺要求的范围，其具体为针对某一参数可以允许的公差带，但是在生产过程检测的过程中，由于检测机器、工作人员操作不当或者外部客观原因使检测数据异常，需要将超出预设范围的数据剔除。可选的，在小一混生产过程中，工艺要求Co差值在0±0.15，剔除对应检测过程中Co的差值为0.2的异常数据，这样的数据集更有利于通过机器学习算法建立预测模型。
具体的，数据修复包括对初始数据集中的缺失值进行补充。
需要说明的是，在对异常数据进行剔除后或者在检测过程中存在漏检的情况，需要对数据中缺失值进行补充，降低机器算法对建立预测模型的影响。具体的，数据修复包括固定值修复法以及平均值修复法中任一种，需要说的是，固定值修复法即根据正常生产过程中该生产过程对应数据的设定值，用于对缺失值进行修复；可选的，在小一混生产过程中，工艺要求Co差值在0±0.15，对应检测过程中缺失的Co差值可选中0作为固定值进行修复，以降低机器算法对建议预测模型的影响。具体的，平均值修复法为使用同一环节中相邻的两个数值的平均值修复数据，可选的，在小一混生产过程中，测的Co差值的数据为0.1，X，0.08，X为空缺值，在数据修复的过程中，X选用0.09作为平均值进行修复，通过这个的方式，使同一批数据更加贴合实际生产的情况，也降低了缺失数据对建议预测模型的影响。
具体的，数据整理为根据需要，将分散的表单整合到一起；在整合过程中，可以选择性地整合参数，如可以按照产品编号进行合并，也可以用于找出具有全流程数据的产品。
进一步的，预测模型至少包括随机森林模型(Random Forest,RF)、梯度提升机模型(Gradient Boosting Machine，GBM,)、XgBoost模型和CatBoost模型。
需要说明的是，现有技术中，使用机器学习算法作为预测模型种类包括有线性算法、非线性算法和树型算法等，通过线性回归、支持向量机、人工神经网络、随机森林和梯度提升机等多种算法在钴酸锂正极材料研究中的应用探索，得出以决策树为核心的树型机器学习算法具有普遍较优的预测性能，因此在本实施例中，优选采用随机森林模型、梯度提升机模型、XgBoost模型和CatBoost模型四种算法建立预测模型。在一些实施例中，可以采用更多的机器学习算法如线性回归、支持向量机等建立预测模型，并综合多种算法的研究结果，来进行预测和分析，降低研究的偶然性。
请参阅图3，具体的，在建立目标预测模型后，可以得出在包装环节影响电池质量的生产因素，根据四种不同的目标预测模型，可以发现Ti、Mg、Al、D5和Li这5个监测参数在四种目标预测模型当中，均表现出较高的贡献作用，因此我们认为这5个监测参数具有较大的研究价值，在实际生产环节的包装过程中，可以根据这5个监测参数对电池质量进行把控。
请参阅图4，进一步的，所述使用预处理后的初始数据集对至少一个预测模型进行训练以获得目标预测模型包括以下步骤
S21：对所述预处理后的初始数据集分别通过四种预测模型进行训练；
S22：对生产出的正极材料测试实际充电容量和放电容量；
S23：对四种训练后的预测模型输入对应的特征参数，将获得的对应的预测结果与实际的充电容量与放电容量进行对比，利用均方根误差RMSE和拟合优度R2评估各个预测模型性能，选择在最低RMSE和最高R2值的预测模型作为目标预测模型。
需要说明的是，不同的算法具体算法结构不同，对变量处理存在一定差异，如随机深林在数据集上表现良好，训练速度、预测准确度相对于其他算法有较大的优势，而且在训练完后，给出特征的重要性；梯度提升机可以处理各种类型的数据，包括连续型和离散型数据，还可以处理缺失值，梯度提升机的模型具有较好的泛化性能，能够有效地减少过拟合；XgBoost具有精度高、灵活性强的优势，对于特征的值有缺失的样本，可以采用的稀疏感知算法可以自动学习出它的分裂方向；CatBoost可以根据损失函数的变化情况自适应调整学习率，从而提高模型性能，能够自动处理缺失值和异常值，同时对于噪声数据具有较好的容错能力，且训练速度快的优点。因此需要从四种不同机器算法进行选择，具体的，选择同一批次的产品，将生产环节的监测参数输入四种算法建立的四种预测模型中，得出四种充电容量和放电容量的预测，将预测结果与实际生产后的预测结果进行比较，选择误差最小的一种预测模型。
需要说明的是，在步骤S23中，特征参数指的是对应于步骤S22中生产出的正极材料的生产参数，使特征参数与实际充电容量和放电容量形成一一对应的关系，再通过实际充电容量和放电容量与四种预测模型的预测值进行比较，选取均方根误差最小的一个作为目标预测模型。
进一步地，还包括步骤S24：针对充电容量与放电容量，分别选择最优的目标预测模型进行组合，获得组合预测模型。
需要说明的是，在对比过程中，利用预测值与实际值的均方根误差为模型评价指标。针对充电容量和放电容量，分别选择性能最优的模型，建立组合预测模型。通过这样的组合方式，将误差降到最小，使测试结果更加实用。
需要说明的是，均方根误差RMSE和拟合优度R2均为现有技术。
具体的，均方根误差RMSE表达式为
计算拟合优度R2的公式如下
其中，Xi,Yi,和n分别表示历史电池特性参数(充电容量/放电容量)的第i个值、电池特性测试参数(充电容量/放电容量)的第i个值、电池特性参数(充电容量/放电容量)的预测值，实际电池特性测试参数(充电容量/放电容量)的平均值和对比测试的份数。
请参阅图5，本实施例中提供了针对四种不同的预测模型得出的电池特性测试参数与历史实际测量的电池特性参数值进行比较，误差结果通过均方根误差RMSE表示，可知，针对充电容量，梯度提升机得出的预测值误差最小，针对放电容量，CatBoost得出的预测值误差最小，因此，如果重点在于关注锂电池正极材料的充电容量时，选用梯度提升机模型建立的目标预测模型；如果重点在于关注锂电池正极材料的放电容量时，选用CatBoost模型建立的目标预测模型。
本发明第二实施例还以提供一种锂电池正极材料生产工艺优化方法，包括上述一种锂电池正极材料生产质量评估方法，并从目标预测模型中获取影响电池质量的监测参数，根据获取的监测参数优化调整对应的生产环节。
需要说明的是，由于生产环节复杂且每个具体环节需要检测的参数较多，现有技术中很难找到影响电池正极材料生产质量的关键环节和关键参数，因此，通过上述提供的目标预测模型，可以使工程师了解到每个生产环节以及每个生产环节中的生产参数对最终电池质量的影响大小，从而便于对产线进行调整。
具体的，在包装环节中，通过目标预测模型得出的影响电池正极材料生产质量的监测参数权重从大到小依次包括Ti含量、氢氧化锂含量、Al含量、碳酸锂含量等，工程师可以从这些数据中了解到具体地影响电池最终的生产质量监测参数类型，便于对应优化和调整对应的生产环节。
具体地，可以选取权重占比最大的如Ti含量作为重要的监测参数，用以表明在包装过程中，Ti含量可以直接影响锂电池正极材料的生产质量；在一些实施例中，选择权重占比前三的如Ti含量、氢氧化锂含量、Al含量作为重要的监测参数，用以表明在包装过程中Ti含量、氢氧化锂含量、Al含量直接影响锂电池正极材料的生产质量；在一些实施例中，可以选择权重占比大于60％的参数作为重要的监测参数。通过这样的设计，使工程师可以清楚地了解每个产线、每个生产环节以及每个生产参数对生产质量的影响。
进一步的，一种锂电池正极材料生产工艺优化方法还包括选取至少两种预测模型分别建立目标预测模型，并从目标预测模型中对所有监测参数影响电池质量的权重大小进行排序，选取前N个值作为第一重要参数集，从与目标预测模型数量相对应的第一重要参数集中获取相同的参数作为第二重要参数，根据获取的第二重要参数优化调整对应的生产环节，其中，N为整数。
需要说明的是，在本实施例中，选用随机森林、梯度提升机、XgBoost和CatBoost四种机器算法，对这四种预测模型经过训练分别得出目标预测模型，其中，每个机器算法针对充电容量和放电容量分别建立两个模型，本实施例针对充电容量进行说明。具体的，针对充电容量，从四种目标预测模型中分别得出在二混环节中有20个参数会影响电池的质量，选取前10个参数作为第一重要参数集，四种目标预测模型会得出四种第一重要参数集，最后从四个第一重要参数集选取相同类型的参数(如8个参数)作为第二重要参数集。
需要说明的是，通过计算目标预测模型中各监测参数对目标预测模型输出的影响程度(即shap值)，再结合shap值的统计分析结果，得出在四种目标预测模型中shap值综合排序靠前的共性特征。通过这样的方式，使工程师可以进一步了解到影响电池生产质量的重要因素，从而便于对产线进行优化和调整。
本发明第三实施例包括对历史监测参数进行特征筛选获取第二目标预测模型，具体的，将提取出的第一重要参数或第二重要参数作为二次训练的参数，将历史监测参数中与第一重要参数或者第二重要参数相关的数据以及历史电池特性参数重新组成第二初始数据集，剔除历史监测参数中与第一参数或者第二参数不相关的数据，将第二初始数据集重新投入至少一个预测模型进行训练获得第二目标预测模型。需要说明的是，第二初始数据集为经过一次预测模型进行训练提取出的与第一重要参数和第二重要参数相关的数据，通过将第二初始数据集重新投入预测模型进行训练，可以减少冗余数据对建立目标预测模型的干扰，通过对第二目标预测模型的分析，进一步验证模型分析方法筛选关键特征的有效性，同时也证明了传统产线数据采集存在很大的冗余，进一步确认了对产线具有重要影响的参数，更有利于工程师分析和处理生产中问题，便于对产线进行优化和改进。
请参阅图5和图6，可以得出在对历史监测参数进行特征筛选后，构建出的第二目标预测模型RMSE误差更小，提升了对正极材料的生产质量预判的准确性。
与现有技术相比，本发明所提供的一种锂电池正极材料生产质量评估方法，具有如下的有益效果：
1.本发明实施例提供的一种锂电池正极材料生产质量评估方法包括获取锂电池正极材料各个生产过程的历史监测参数，以及对应生产出的正极材料的历史电池特性参数，根据历史监测参数和历史电池特性参数生成初始数据集；使用初始数据集对至少一个预测模型进行训练以获得目标预测模型；获取锂电池正极材料各个生产过程的当前监测参数；将所述当前监测参数输入所述目标预测模型获取对应生产出的正极材料的目标电池特性参数，便于工程师对正极材料性能做出准确的评估和预判；通过建立目标预测模型，有利于工程从数据角度分析出相对重要的监测参数，还可以在调试环节或生产环节预测电池最终的质量，探索出一条新的锂电池正极材料生产机理研究方向，有利于提高工厂对锂电池正极材料生产问题的理解和处理能力。
2.本发明实施例提供的一种锂电池正极材料生产质量评估方法在使用初始数据值对至少一个预测模型进行训练之前，进一步包括对所述初始数据集进行预处理，所述预处理包括数据筛选、数据修复和数据整理，通过筛选实际有效数据，修补异常缺失数据，用以获取系统性和完备性好的初始数据集，这样的数据集更有利于目标预测模型和对目标预测模型进行测试。
3.本发明实施例提供的一种锂电池正极材料生产质量评估方法的预测模型至少包括随机森林模型、梯度提升机模型、XgBoost模型和CatBoost模型，通过选取多种机器学习算法，便于选取最优的预测模型，可以实现对产品质量的高精准预判。
4.本发明实施例提供的一种锂电池正极材料生产质量评估方法通过对预测模型进行测试，对四种训练后的预测模型输入对应的特征参数，将获得的对应的预测结果与实际的充电容量与放电容量进行对比，利用均方根误差RMSE和拟合优度R2评估各个预测模型性能，选择在最低RMSE和最高R2值的预测模型作为目标预测模型，有利于根据误差值选择最优的最为目标预测模型。
5.本发明实施例提供的一种锂电池正极材料生产质量评估方法针对充电容量与放电容量，分别选择最优的目标预测模型进行组合，获得组合预测模型，通过组合预测模型，有利于针对不同的需求对产线进行调整，有利于更精准的产品质量预判。
6.本发明实施例提供的一种锂电池正极材料生产质量评估方法的一次处理和二次处理生产环节的监测参数包括Li+含量、Co含量、Mg含量、Al含量、氢氧化锂含量以及碳酸锂含量，小一破、大一破和包装环节的监测参数还包括颗粒粒径大小，通过将监测参数细化，有利于通过预测模型从中选择出对锂电池正极生产质量影响最大的因素，便于工程师分析和处理异常问题。
7.本发明实施例提供的一种锂电池正极材料生产工艺，包括根据上述方法，并从目标预测模型中获取影响电池质量的监测参数，省去了大量冗余信息，便于工程师掌握对产线影响较大的数据，并且根据获取的监测参数优化调整对应的生产环节，有利于工程师根据特征参数和预测结果调整分析电池生产质量，优化产线结构。
以上对本发明实施例公开的一种锂电池正极材料生产质量评估方法和工艺进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制，凡在本发明的原则之内所作的任何修改，等同替换和改进等均应包含本发明的保护范围之内。
Claims (10)
1.一种锂电池正极材料生产质量评估方法，其特征在于，包括如下步骤：
获取锂电池正极材料各个生产过程的历史监测参数，以及对应生产出的正极材料的历史电池特性参数，根据所述历史监测参数和历史电池特性参数生成初始数据集；所述正极材料生产过程至少包括一次处理以及二次处理，所述一次处理包括对小颗粒正极材料依次进行小一混、小一破以及小一筛，以及对大颗粒正极材料依次进行大一混、大一破以及大一筛，所述二次处理包括将一次处理后的大颗粒与小颗粒混合后进行二混、二破、二筛以及包装；
使用初始数据集对至少一个预测模型进行训练以获得目标预测模型；
获取锂电池正极材料各个生产过程的当前监测参数；
将所述当前监测参数输入所述目标预测模型获取对应生产出的正极材料的目标电池特性参数，以对正极材料的生产质量进行预判。
2.如权利要求1所述的一种锂电池正极材料生产质量评估方法，其特征在于，在使用初始数据值对至少一个预测模型进行训练之前，进一步包括对所述初始数据集进行预处理，所述预处理包括数据筛选、数据修复和数据整理；
所述数据筛选包括界定一预设范围，用于清洗初始数据集中超出预设范围的数据；
所述数据修复包括对初始数据集中的缺失值进行补充。
3.如权利要求2所述的一种锂电池正极材料生产质量评估方法，其特征在于，所述数据修复包括固定值修复法以及平均值修复法中任一种。
4.如权利要求2所述的一种锂电池正极材料生产质量评估方法，其特征在于，所述预测模型至少包括随机森林模型、梯度提升机模型、XgBoost模型和CatBoost模型。
5.如权利要求4所述的一种锂电池正极材料生产质量评估方法，其特征在于，所述电池特性参数包括充电容量和放电容量，所述使用预处理后的初始数据集对至少一个预测模型进行训练以获得目标预测模型包括：
对所述预处理后的初始数据集分别通过四种预测模型进行训练；
对生产出的正极材料测试获得实际充电容量和放电容量；
对四种训练后的预测模型输入对应的特征参数，将获得的对应的预测结果与实际的充电容量与放电容量进行对比，利用均方根误差RMSE和拟合优度R2评估各个预测模型性能，选择在最低RMSE和最高R2值的预测模型作为目标预测模型。
6.如权利要求5中的一种锂电池正极材料生产质量评估方法，其特征在于，还包括针对充电容量与放电容量，分别选择最优的目标预测模型进行组合，获得组合预测模型。
7.如权利要求1中的一种锂电池正极材料生产质量评估方法，其特征在于，所述一次处理和二次处理生产环节的监测参数包括Li+含量、Co含量、Mg含量、Al含量、氢氧化锂含量以及碳酸锂含量。
8.如权利要求7中的一种锂电池正极材料生产质量评估方法，其特征在于，所述小一破、大一破和包装环节的监测参数还包括颗粒粒径大小。
9.一种锂电池正极材料生产工艺优化方法，其特征在于，包括如权利要求1-8中任一项所述的一种锂电池正极材料生产质量评估方法，并从目标预测模型中获取影响电池质量的监测参数，根据获取的监测参数优化调整对应的生产环节。
10.如权要求9所述的一种锂电池正极材料生产工艺优化方法，其特征在于，还包括选取至少两种预测模型分别建立目标预测模型，并从目标预测模型中对所有监测参数影响电池质量的权重由大到小进行排序，选取前N个值作为第一重要参数集，从与目标预测模型数量相对应的第一重要参数集中获取相同的参数作为第二重要参数，根据获取的第二重要参数优化调整对应的生产环节，其中，所述N为整数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310376190.6A CN116629658A (zh) | 2023-04-10 | 2023-04-10 | 一种锂电池正极材料生产质量评估和工艺优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310376190.6A CN116629658A (zh) | 2023-04-10 | 2023-04-10 | 一种锂电池正极材料生产质量评估和工艺优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116629658A true CN116629658A (zh) | 2023-08-22 |
Family
ID=87596251
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310376190.6A Pending CN116629658A (zh) | 2023-04-10 | 2023-04-10 | 一种锂电池正极材料生产质量评估和工艺优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116629658A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117649905A (zh) * | 2024-01-30 | 2024-03-05 | 国家超级计算天津中心 | 电池有机正极材料的数据预测方法、设备和存储介质 |
| CN117935995A (zh) * | 2024-03-21 | 2024-04-26 | 江苏众钠能源科技有限公司 | 用于离子电池的硬碳材料筛选方法和装置 |
-
2023
- 2023-04-10 CN CN202310376190.6A patent/CN116629658A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117649905A (zh) * | 2024-01-30 | 2024-03-05 | 国家超级计算天津中心 | 电池有机正极材料的数据预测方法、设备和存储介质 |
| CN117649905B (zh) * | 2024-01-30 | 2024-04-05 | 国家超级计算天津中心 | 电池有机正极材料的数据预测方法、设备和存储介质 |
| CN117935995A (zh) * | 2024-03-21 | 2024-04-26 | 江苏众钠能源科技有限公司 | 用于离子电池的硬碳材料筛选方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112731159B (zh) | 一种储能电站电池舱电池故障预判及定位的方法 | |
| CN112382582B (zh) | 一种晶圆测试分类方法及系统 | |
| CN116629658A (zh) | 一种锂电池正极材料生产质量评估和工艺优化方法 | |
| CN111461555B (zh) | 一种生产线质量监测方法、装置及系统 | |
| CN107797067B (zh) | 一种基于深度学习的锂离子电池寿命迁移预测方法 | |
| US20150371134A1 (en) | Predicting circuit reliability and yield using neural networks | |
| CN107329088A (zh) | 电池的健康状态诊断装置和方法 | |
| CN105302848A (zh) | 一种设备智能预警系统的评估值校准方法 | |
| CN111445103A (zh) | 一种基于工业互联网的输电线缆生产质量管理反馈系统 | |
| CN110515781B (zh) | 一种复杂系统状态监测及故障诊断方法 | |
| CN112327192A (zh) | 一种基于曲线形态的电池容量跳水现象识别方法 | |
| CN111178725A (zh) | 一种基于层次分析法的保护设备状态预警方法 | |
| CN112180279A (zh) | 一种退役电池健康状态诊断专家系统 | |
| CN117113166A (zh) | 一种基于改进的集成学习的工业锅炉故障检测方法 | |
| CN112085108A (zh) | 基于自动编码器及k均值聚类的光伏电站故障诊断算法 | |
| CN110927609A (zh) | 梯次利用电池储能系统的衰退评估方法及装置 | |
| CN112597435B (zh) | 基于设备监理的火电设备质量数据处理方法及装置 | |
| CN110232399A (zh) | 基于集对分析和K-means聚类的输电设备缺陷分析方法和系统 | |
| CN113435677A (zh) | 一种电网运行风险主动分析系统及方法 | |
| CN115587331A (zh) | 电网设备运行状态诊断预测方法及系统 | |
| CN114974477B (zh) | 一种用于双流向防雷器的镍铁电极材料优化方法及系统 | |
| CN115128468A (zh) | 一种化学储能电池phm欠压故障预测方法 | |
| CN112580838A (zh) | 环保设备运维的管理方法、系统、计算机存储介质及终端 | |
| CN111291518A (zh) | 一种基于bp神经网络的破碎机刀具磨损程度判断方法 | |
| CN112765034B (zh) | 基于神经网络的软件缺陷预测方法 |
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 |