CN117433586A - 一种动力电池绝缘组件的质量监测系统和方法 - Google Patents
一种动力电池绝缘组件的质量监测系统和方法 Download PDFInfo
- Publication number
- CN117433586A CN117433586A CN202311628340.4A CN202311628340A CN117433586A CN 117433586 A CN117433586 A CN 117433586A CN 202311628340 A CN202311628340 A CN 202311628340A CN 117433586 A CN117433586 A CN 117433586A
- Authority
- CN
- China
- Prior art keywords
- deformation
- cooling
- monitoring
- semi
- drying
- 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
- 238000009413 insulation Methods 0.000 title claims abstract description 95
- 238000012544 monitoring process Methods 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000001816 cooling Methods 0.000 claims abstract description 154
- 238000001035 drying Methods 0.000 claims abstract description 73
- 238000004519 manufacturing process Methods 0.000 claims abstract description 50
- 239000000853 adhesive Substances 0.000 claims abstract description 49
- 230000001070 adhesive effect Effects 0.000 claims abstract description 49
- 230000007613 environmental effect Effects 0.000 claims abstract description 48
- 238000000576 coating method Methods 0.000 claims abstract description 34
- 239000011248 coating agent Substances 0.000 claims abstract description 33
- 230000008569 process Effects 0.000 claims abstract description 24
- 230000004044 response Effects 0.000 claims abstract description 11
- 239000011265 semifinished product Substances 0.000 claims description 65
- 230000008859 change Effects 0.000 claims description 41
- 239000000428 dust Substances 0.000 claims description 38
- 239000003292 glue Substances 0.000 claims description 18
- 238000012806 monitoring device Methods 0.000 claims description 7
- 238000013480 data collection Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 description 52
- 230000000694 effects Effects 0.000 description 35
- 230000000875 corresponding effect Effects 0.000 description 26
- 238000009826 distribution Methods 0.000 description 22
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 20
- 229910052744 lithium Inorganic materials 0.000 description 20
- 238000012549 training Methods 0.000 description 18
- 239000000047 product Substances 0.000 description 15
- 238000007689 inspection Methods 0.000 description 10
- 239000012212 insulator Substances 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000012986 modification Methods 0.000 description 8
- 230000004048 modification Effects 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000002390 adhesive tape Substances 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- General Factory Administration (AREA)
Abstract
本说明书实施例提供一种动力电池绝缘组件的质量监测系统和方法,该方法由动力电池绝缘组件的质量监测系统实现,该方法包括:通过胶黏剂检验单元监测胶黏剂涂覆单元的胶黏剂涂覆情况;通过干燥监测单元监测绝缘件半成品的干燥情况;通过冷却监测单元监测绝缘件半成品的冷却情况;通过环境数据采集单元获取生产环境中的环境数据;通过变形监测单元在干燥过程及冷却过程中,监测绝缘件半成品不同时间点的变形特征;通过处理器:获取环境数据、干燥情况、变形特征;响应于变形特征满足预设条件,确定预警信息;响应于干燥过程完成及冷却过程尚未开始,基于环境数据、干燥情况,调整绝缘件半成品的冷却时间。
Description
技术领域
本说明书涉及锂电池生产质量监测领域,特别涉及一种动力电池绝缘组件的质量监测系统和方法。
背景技术
锂电池的绝缘胶带不仅能够确保锂电池生产过程的稳定性和安全性,还会影响锂电池的工作性能和使用寿命。由此可见,锂电池的绝缘胶带的质量十分重要。优质绝缘胶带应具有稳定的粘性,这一特性需要绝缘胶带的材料不被粉尘污染,以保证绝缘胶带的表面上没有杂质。因此,需要严格把关锂电池的生产过程中锂电池的绝缘胶带的质量问题。
针对上述问题,CN116152236B提出一种锂电池胶带视觉检测方法及系统,该系统对绝缘胶带图像进行视觉图像分析,通过分析所得的异常值来确定需要进行质量检测的批次。但是,该系统只考虑了胶带的表面图像数据,并未分析锂电池生产过程中生产环境中粉尘含量、温度湿度等其他数据,也并未涉及主动监测电池胶带生产过程的内容。
因此,需要一种动力电池绝缘组件的质量监测系统和方法,以便于主动识别锂电池生产过程中可能发生的风险,并及时防控,以此确保锂电池的质量。
发明内容
本说明书一个或多个实施例提供一种动力电池绝缘组件的质量监测系统,该系统包括:包括胶黏剂检验单元、干燥监测单元、冷却监测单元、环境数据采集单元、变形监测单元以及处理器;所述胶黏剂检验单元被配置为监测胶黏剂涂覆单元的胶黏剂涂覆情况;所述干燥监测单元被配置为监测绝缘件半成品的干燥情况;所述冷却监测单元被配置为监测所述绝缘件半成品的冷却情况;所述环境数据采集单元被配置为获取生产环境中的环境数据;所述变形监测单元被配置为在干燥过程及冷却过程中,监测所述绝缘件半成品不同时间点的变形特征;所述处理器被配置为:获取所述环境数据、所述干燥情况、所述变形特征;响应于所述变形特征满足预设条件,确定预警信息;响应于所述干燥过程完成及所述冷却过程尚未开始,基于所述环境数据、所述干燥情况,调整所述绝缘件半成品的冷却时间。
本说明书一个或多个实施例提供一种动力电池绝缘组件的质量监测方法,该方法由动力电池绝缘组件的质量监测系统实现,包括:通过胶黏剂检验单元监测胶黏剂涂覆单元的胶黏剂涂覆情况;通过干燥监测单元监测绝缘件半成品的干燥情况;通过冷却监测单元监测绝缘件半成品的冷却情况;通过环境数据采集单元获取生产环境中的环境数据;通过变形监测单元在干燥过程及冷却过程中,监测绝缘件半成品不同时间点的变形特征;通过处理器:获取环境数据、干燥情况、变形特征;响应于变形特征满足预设条件,确定预警信息;响应于干燥过程完成及冷却过程尚未开始,基于环境数据、干燥情况,调整绝缘件半成品的冷却时间。
本说明书一个或多个实施例提供一种动力电池绝缘组件的质量监测装置,包括处理器,所述处理器用于执行上述实施例中任一项所述的动力电池绝缘组件的质量监测方法。
本说明书一个或多个实施例提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行上述实施例中任一项所述的动力电池绝缘组件的质量监测方法。
附图说明
本说明书将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的动力电池绝缘组件的质量监测系统的结构示意图;
图2是根据本说明书一些实施例所示的确定预警信息的示例性流程图;
图3是根据本说明书一些实施例所示的调整冷却时间的示例性流程图;
图4是根据本说明书一些实施例所示的温湿度变化预测模型的示意图;
图5是根据本说明书一些实施例所示的冷却效果预测模型的示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
因为尘埃和污染物的存在可能会影响锂电池的性能和安全性,所以在锂电池的生产过程中,对绝缘片和绝缘胶带防尘控制是极为重要的。CN116152236B基于图像识别技术,检测锂电池胶带的质量,但是并未分析锂电池生产过程中生产环境中粉尘含量、温度湿度等其他数据,也并未主动监测电池胶带的生产过程。
鉴于此,本说明书一些实施例中,提供一种动力电池绝缘组件的质量监测系统和方法,在锂电池生产过程中,通过干燥监测单元监测绝缘件半成品的干燥情况,通过环境数据采集单元采集生产环境中的环境数据,通过变形监测单元监测绝缘件半成品不同时间点的变形特征。在锂电池生产过程中,基于处理器获取上述环境数据、干燥情况以及变形特征。其中,绝缘件半成品是指已涂覆胶粘剂的基材。例如,绝缘件半成品可以是把所有的包括绝缘胶带和绝缘片等已经组合在一起,并涂上了粘合剂,等待干燥、冷却、裁剪和收卷的半成品。
此外,若处理器检测到变形特征满足预设条件,则自动发出预警信息,提示工作人员调整生产环境,以此确保生产的锂电池的稳定性和安全性。在干燥过程完成及冷却过程尚未开始时,处理器基于获取的环境数据、干燥情况来调整绝缘件半成品的冷却时间,以此确保绝缘件的质量。
图1是根据本说明书一些实施例所示的动力电池绝缘组件的质量监测系统的结构示意图。
在一些实施例中,所述动力电池绝缘组件的质量监测系统100可以包括胶黏剂检验单元110、干燥监测单元120、冷却监测单元130、环境数据采集单元140、变形监测单元150、处理器160、干燥装置170、冷却装置180、传送装置190。
胶黏剂检验单元110是指用于监测胶黏剂涂覆单元的胶黏剂涂覆情况的装置。
在一些实施例中,胶黏剂涂覆情况可以包括胶黏剂的涂覆均匀度。例如,若胶黏剂在涂抹过程中被均匀地分布,那么颜色应该是均匀的,不会出现颜色的深浅不一或斑驳现象;此外,若胶黏剂在涂抹过程中被均匀地分布,胶黏剂涂覆涂抹区域也应该是光滑平整的。
在一些实施例中,胶黏剂检验单元110可以包括图像采集装置。其中,图像采集装置包括多个摄像头,图像采集装置能够通过摄像头拍摄胶黏剂涂覆的图像。
在一些实施例中,图像采集装置可以包括多个传感器。例如,图像采集装置可以配置多个红外传感器,并通过红外传感器采集胶黏剂涂覆区域的纹理和颜色等特征。
在一些实施例中,胶黏剂检验单元110可以基于胶黏剂涂覆的图像来检测胶黏剂涂覆情况。例如,胶黏剂检验单元110通过图像采集装置的摄像头获取胶黏剂涂覆的图像,然后基于图像识别技术检测该图像中的胶黏剂涂覆区域是否出现涂覆不均匀、表面不光滑以及颜色的深浅不一等情况。
干燥监测单元120是指用于监测绝缘件半成品的干燥情况的装置。
干燥情况是指绝缘件半成品的干燥状况。在一些实施例中,干燥情况可以包括干燥持续时间、干燥温度、干燥效率、干燥程度等。
在一些实施例中,干燥监测单元120可以包括挥发物浓度监测装置。其中,挥发物浓度监测装置能够检测胶黏剂干燥过程产生的挥发物浓度。
在一些实施例中,干燥监测单元120可以基于挥发物浓度监测装置获取胶黏剂干燥过程产生的挥发物浓度,处理器160可以基于该挥发物浓度评估干燥程度。
在一些实施例中,干燥监测单元120可以包括计时装置。其中,计时装置包括多个计时器干燥监测单元120,每个计时器可以记录不同胶黏剂涂覆区域达到目标干燥程度的时间。
在一些实施例中,干燥监测单元120可以包括温度监测装置。其中,温度监测装置包括多个温度传感器,每个温度传感器可以采集不同胶黏剂涂覆区域的温度变化数据。
冷却监测单元是指用于监测绝缘件半成品的冷却情况的装置。
冷却情况是指绝缘件半成品的冷却状况。在一些实施例中,冷却情况可以包括绝缘半成品本身的温度变化。例如,冷却监测单元130可以记录冷却过程已经进行的时间,可以记录绝缘件半成品冷却至冷却目标值消耗的时间。
在一些实施例中,冷却监测单元130可以包括计时装置。其中,计时装置包括多个计时器,冷却监测单元130可以预设两个计时器,分别用于记录冷却过程已经进行的时间,以及记录绝缘件半成品冷却至冷却目标值消耗的时间。
在一些实施例中,可以配置温度传感器获取绝缘件半成品在冷却过程中的不同时刻的温度。例如,温度传感器固定频次采集绝缘件半成品的表面温度值,处理器160将所有温度传感器采集的温度值上传至远程服务器,远程服务器基于温度值绘制绝缘半成品的温度变化曲线图。其中,远程服务器与处理器通过网络进行数据传输。
环境数据采集单元是指用于获取生产环境中的环境数据的装置。
环境数据是指相关于生成环境的各种指标和参数的数据。在一些实施例中,环境数据可以包括粉尘变化数据和第一温湿度变化数据等。
在一些实施例中,第一温湿度变化数据可以包括生产环境的过去一段时间内的温湿度变化数据。例如,过去24小时内,生产环境的温度、湿度的数值变化数据。
变形监测单元150是指用于在干燥过程及冷却过程中,监测绝缘件半成品不同时间点的变形特征的装置。
绝缘件半成品由多个子部分组成,绝缘件半成品的变形特征包括每个时刻的第一变形分布和每个子部分的第二变形序列。
第一变形分布是指每个子部分的当前的变形幅度分布。
第二变形序列是指每个子部分的历史时间段内的变形幅度序列。
变形特征是指用于衡量变形位置的变形幅度的数值。
在一些实施例中,变形特征可以基于第一变形分布和第二变形序列确定。
在本说明书的一些实施例中,处理器160可以通过环境数据采集单元140采集环境数据,可以通过干燥监测单元120获取绝缘件半成品的干燥情况,可以通过变形监测单元150获取绝缘件半成品不同时间点的变形特征。例如,环境数据采集单元140以预设频率采集并保存环境数据,同时将环境数据发送至处理器160。此外,处理器160也可以直接读取环境数据采集单元140中存储的数据。
当处理器160监测到变形特征满足预设条件时,处理器160确定预警信息。
预警信息是指用于提醒用户的警告提示信息。在一些实施例中,当处理器160检测到变形特征满足预设条件时,预警信息由处理器160发出。
预设条件是指变形特征超出正常变形范围。
在一些实施例中,处理器160可以以预设频次从变形监测单元150中获取变形特征,当处理器160检测到变形特征满足预设条件时,处理器160可以基于检测到的变形特征查询预设表,进而确定预警信息,并发送预警信息至服务器和/或用户终端。其中,预设表中存储了变形特征和预警信息的映射关系。
关于确定预警信息的更多细节可以参考图2及其内容。
在干燥过程完成及冷却过程尚未开始时,处理器160基于获取的环境数据和干燥情况,调整绝缘件半成品的冷却时间。
调整是指修改绝缘件半成品未来的冷却时间。在一些实施例中,为了确保绝缘件半成品冷却至冷却目标值,处理器160可以对当前的预设冷却时间进行调整。
在一些实施例中,处理器160可以基于获取的环境数据和干燥情况,延长或缩短绝缘件半成品的冷却时间。例如,如果粉尘数量较多,处理器160可以适当增加后续的冷却时间,进而延缓绝缘件半成品进入生产线的时间,以降低粉尘对后续成品造成的负面影响;例如,如果生产环境温度上升过快,处理器160可以适当延长绝缘件半成品的冷却时间;同理,如果生产环境温度上升缓慢,且生产环境温度不高,处理器160可以适当缩短绝缘件半成品的冷却时间。
在一些实施例中,处理器160可以基于参考向量进行向量匹配,并根据向量匹配的结果确定冷却时间。
参考向量是指预先构建好的特征向量。在一些实施例中,参考向量可以基于历史的环境数据、历史的干燥情况以及历史的绝缘件半成品的冷却时间得到,并存储于向量数据库之中。例如,服务器基于大量历史的环境数据、历史的干燥情况以及历史的绝缘件半成品的冷却时间,通过聚类算法得到多个聚类中心,聚类中心对应的环境数据、干燥情况作为参考向量。
在一些实施例中,处理器160可以将当前时间点的环境数据、干燥情况与向量数据库中的参考向量计算向量相似度,选择相似度超过预设阈值的参考向量作为候选匹配向量。例如,处理器160可以计算当前时间点的环境数据、干燥情况与向量数据库中的参考向量之间的向量距离,选择向量距离大于预设距离阈值的参考向量作为候选匹配向量。
在一些实施例中,处理器160可以基于相似度,将候选匹配向量进行排序,选择相似度最高的候选匹配向量作为目标向量,并选择目标向量对应的绝缘件半成品的冷却时间作为冷却时间。此外,若存在多个相似度最高的候选匹配向量,为了确保绝缘件半成品冷却充分,处理器160可以从中筛选出冷却时间最长的候选匹配向量作为目标向量。
关于如何确定第一变形分布和第二变形序列可以参考图2的内容。
关于确定以及调整冷却时间的更多细节可以参考图3~5及其内容。
在本说明书的一些实施例中,通过胶黏剂检验单元监测胶黏剂涂覆单元的胶黏剂涂覆情况,防止胶黏剂涂覆不均匀影响生产质量;通过干燥监测单元监测绝缘件半成品的干燥情况,减少绝缘件半成品冷却不充分影响成品质量的风险;通过冷却监测单元监测所述绝缘件半成品的冷却情况,获得温度变化情况;通过环境数据采集单元获取生产环境中的环境数据,为调整冷却时间提供数据基础;通过变形监测单元监测绝缘件半成品不同时间点的变形特征,防止绝缘件半成品过度变形。此外,在特定场景下,通过处理器及时确定并发出预警信息,并且自动调整绝缘件半成品的冷却时间,能够确保锂电池及其生产过程的安全性和稳定性。
应当理解,图1所示的系统及其模块可以利用各种方式来实现。需要注意的是,以上对于动力电池绝缘组件的质量监测系统及其模块的描述,仅为描述方便,并不能把本说明书限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该系统的原理后,可能在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子系统与其他模块连接。在一些实施例中,图1中披露的胶黏剂检验单元、干燥监测单元、冷却监测单元、环境数据采集单元、变形监测单元、处理器、干燥装置、冷却装置、传送装置。可以是一个系统中的不同模块,也可以是一个模块实现上述的两个或两个以上模块的功能。例如,各个模块可以共用一个存储模块,各个模块也可以分别具有各自的存储模块。诸如此类的变形,均在本说明书的保护范围之内。
图2是根据本说明书一些实施例所示的确定预警信息的示例性流程图。在一些实施例中,流程200可以由处理器执行。
在一些实施例中,处理器基于第一变形分布210、第二变形序列220,确定质量风险230;基于质量风险230,确定预警信息240。
第一变形分布210是指在当前检测时刻下,绝缘件半成品各子部分的变形幅度分布。例如,第一变形分布210可以包括各子部分的变形量。第二变形序列220是指在当前检测时刻前的一段预设时间段内,绝缘半成品的某一子部分的变形幅度序列。
质量风险230是用于衡量当前情况下绝缘半成品存在质量问题的数值。在一些实施例中,处理器可以基于第一变形分布210和第二变形序列220,通过查询预设表确定质量风险230。该预设表包括不同第一变形分布、第二变形序列和质量风险的对照关系。
在一些实施例中,处理器可以进一步地基于以下步骤ⅰ至步骤ⅴ来确定质量风险230。
步骤ⅰ,基于第一变形分布210确定每个时刻的整体应力强度。
整体应力强度是指绝缘件半成品各子部分抗变形能力的分布。
在一些实施例中,处理器可以对当前时刻的第一变形分布210中的各个变形量取绝对值进行加权求和,得到整体应力强度。例如,绝缘件半成品包括4个子部分,该绝缘件半成品在时刻t1的第一变形分布210为(d1,d2,d3,d4),每个元素表示一个子部分在时刻t1的变形量,则该绝缘件半成品在时刻t1的整体应力强度a为:a=k1*d1+k2*d2+k3*d3+k4*d4。其中,kn(n=1,2,3,4)负相关于对应子部分n在多个历史时刻的变形量的平均值。
步骤ⅱ,基于整体应力强度以及第一变形分布210,确定每个时刻的第一系数分布。
第一系数分布用于指示绝缘件半成品的抗应力能力的分布情况。抗应力能力是绝缘件半成品受力后维持自身形态不发生形变的能力。例如,抗应力能力可以通过绝缘件半成品的材料模量来衡量。
在一些实施例中,处理器可以以每个子部分的变形量与整体应力强度的比值作为每个子部分的第一系数,进而确定第一系数分布。继续前例,该绝缘件半成品在时刻t1的第一变形分布210为(d1,d2,d3,d4),该绝缘件半成品在时刻t1的整体应力强度为a,则其在时刻t1的第一系数分布为(d1/a,d2/a,d3/a,d4/a),每个元素表示一个子部分在时刻t1的第一系数。
步骤ⅲ,基于预设时间段内的每个时刻与当前时刻的距离,确定每个时刻的第二系数分布。
第二系数分布是绝缘件半成品各子部分的抗变形能力强度随着时间而衰减的程度的分布。可以理解的是,随着时间的变化,绝缘件半成品各子部分的抗变形能力可能会发生衰减,可以通过第二系数分布反映该衰减程度的分布。
在一些实施例中,第二系数与标准时间衰减系数及时间间隔正相关,与预设时间段的总时间长度负相关。例如,处理器可以根据以下公式(1)计算得到第二系数,进而确定第二系数分布:
子部分n在时刻i的第二系数=子部分n对应的标准时间衰减系数*(时刻i与当前时刻之间的时间间隔+α)/预设时间段的总时间长度(1)
其中,α是为防止分母为零而设置的参数,且α不为零。
在一些实施例中,标准时间衰减系数可以基于历史数据库统计求平均而得到。例如,子部分n的历史数据中,共有100项强度由10衰减到5的数据,其中50项经历了10个时间间隔的衰减,30项经历了5个时间间隔的衰减,20项经历了3个时间间隔的衰减,则该子部分n对应的标准时间衰减系数=(50*10+30*5+20*3)/100=7.1。其中,历史数据库存储有绝缘组件生产过程中的相关数据。
示例性的,假设预设时间段为30s,该预设时间段内的时间间隔为10s,α为1,子部分n对应的标准时间衰减系数为7.1,则该子部分n的第二系数分布为(7.1*(30+1)/30,7.1*(20+1)/30,7.1*(10+1)/30,7.1*(0+1)/30),各元素分别表示子部分n在第一时刻(30s)、第二时刻(20s)、第三时刻(10s)和第二时刻(0s)的第二系数。
步骤ⅳ,基于第一系数分布、第二系数分布以及第二变形序列220,确定每个子部分的形变特征值。
形变特征值是指在考虑应力强度和时间远近影响下,绝缘件半成品的子部分的总加权变形量。可以理解的是,形变特征值的确定考虑了多个连续时刻的变形带来的累加影响,而非只是考虑了最终稳定下来的变形情况。
例如,子部分n在冷却过程中发生变形(例如,凸起),随后经过一段时间的冷却恢复原状,其内部可能已经存在损伤(例如,材料撕裂)。只考虑最终稳定下来的变形情况的话,该子部分是正常的。这种情况下,形变特征值能够反映类似的可能存在的损伤。
在一些实施例中,形变特征值与第一系数分布、第二系数分布以及第二变形序列相关。例如,对于包含n个子部分的绝缘件半成品,处理器可以根据以下公式(2)计算得到该绝缘半成品的子部分i在m个时刻的形变特征值:
形变特征值=sum{子部分i在时刻j的第一系数*子部分i在时刻j的第二系数*
子部分i在时刻j的变形幅度}(2)
其中,j=1,2,……,m。第一系数获自第一系数分布,第二系数获自第二系数分布,变形幅度获自第二变形序列。其中m为自然数。
例如,绝缘件半成品包括4个子部分,以子部分1为例。该绝缘件半成品的第一系数分布中,对应子部分1在时刻1至时刻4的标准时间衰减系数均为0.1,子部分1在时刻1至时刻4的第二系数分布为(0.1,0.2,0.3,0.4),子部分1在时刻1至时刻4的第二变形序列为(10,5,8,6),则该子部分1的形变特征值=0.1*0.1*10+0.1*0.2*5+0.1*0.3*8+0.1*0.4*6=6.8。
步骤ⅴ,基于形变特征值,确定质量风险230。
在一些实施例中,质量风险与变形变化特征值、平均风险及平均形变特征值相关。例如,对于包含n个子部分的绝缘件半成品,处理器可以基于根据以下公式(3)计算其质量风险230:
质量风险=sum{子部分i的变形变化特征值*平均风险/平均形变特征值}(3)
其中,i=1,2,……,n;平均风险是历史数据库中子部分i对应的历史质量风险的平均值;平均形变特征值为历史数据库中子部分i对应的历史形变特征值的平均值。
在一些实施例中,处理器进一步被配置为基于第一变形分布210、第二变形序列220和胶水涂覆均匀度,确定质量风险230。
胶水涂覆均匀度是用于衡量绝缘件半成品在涂覆胶黏剂过程中的涂覆均匀程度的数值。在一些实施例中,胶黏剂检验单元可以通过传感器获取胶水涂覆均匀度,或者可以通过图像采集和图像识别来确定胶水涂覆均匀度。
在一些实施例中,处理器可以基于第一变形分布210、第二变形序列220和胶水涂覆均匀度的加权算法来确定质量风险230。示例性的,处理器可以根据以下公式(4)确定绝缘件半成品的质量风险230:
质量风险=k1*cos(第一变形分布,标准第一变形分布)+k2*cos(第二变形序列,
标准第二形变序列)+k3*胶水覆盖均匀度/标准覆盖均匀度(4)
其中,k1、k2和k3是处理器根据质量要求预设的系数;标准第一变形分布是根据历史数据库中绝缘件半成品合格品的第一变形分布统计(例如,平均或众数)得到的;标准第二形变序列是根据历史数据库中绝缘件半成品合格品的第二形变序列统计(例如,平均值或众数)得到的;标准覆盖均匀度可以通过系统预设获得。
在一些实施例中,处理器进一步被配置为基于形变特征值以及胶水涂覆均匀度,确定质量风险230。
在一些实施例中,处理器可以基于绝缘件半成品的每个子部分的形变特征值和胶水涂覆均匀度,从变形频繁项数据库中通过Apriori算法匹配得到至少一个关联频繁项;基于至少一个关联频繁项的支持度,确定质量风险230。支持度可以指子部分的形变特征值和胶水涂覆均匀度在所有数据中出现的频率。支持度与质量风险呈正相关关系。在一些实施例中,处理器可以基于支持度通过查询预设表获得质量风险。其中,该预设表包括支持度和质量风险。在一些实施例中,处理器可以基于支持度,通过数学方法计算获得质量风险。例如,处理器可以基于支持度通过加权计算获得质量风险,示例性的,质量风险=k*sum{支持度},其中,k为系统预设值。
示例性的,变形频繁项数据库是基于发生异常问题(例如,变形)的绝缘件半成品的历史生产/使用数据构建的,处理器可以从变形频繁项数据库中为当前绝缘件半成品匹配一个或多个关联频繁项。该一个或多个关联频繁项对应的支持度可以反映当前绝缘件半成品与发生异常问题的绝缘件半成品的关联性高低,进而可以基于支持度确定质量风险230。
在一些实施例中,处理器可以通过以下步骤a)至c)构建变形频繁项数据库。
步骤a),获取历史生产/使用数据。示例性的,历史生产/使用数据可以包括多个绝缘件半成品的历史生产数据和历史使用数据,其中历史生产数据包括多个绝缘件半成品各子部分在生产过程中的形变特征值、胶水涂覆均匀度等数据,历史使用数据包括多个绝缘件半成品的在生产过程中的异常使用记录。
步骤b),基于历史生产/使用数据生成多个项集。示例性的,处理器可以由历史生产/使用数据中获取多个异常使用记录,进而构建异常使用记录对应的项集。每个项集可以由异常使用记录对应的绝缘件半成品的每个子部分在生产过程中的形变特征值以及胶水涂覆均匀度构建而成。
步骤c),基于多个项集,通过频繁项算法得到变形频繁项数据库。示例性的,处理器可以通过Apriori算法或者FP Tree算法得到变形频繁项数据库。其中,频繁项数据库中的每一频繁项的项值包括每个子部分的变形变化特征值、胶水涂覆均匀度以及支持度。
在一些实施例中,处理器进一步的被配置为基于质量风险230确定预警等级标记,以及基于预警等级标记确定预警信息240。示例性的,处理器可以根据预设等级,按照质量风险230的大小确定预警等级标记。例如,绝缘件半成品的质量风险230与预警等级标记的对应关系为:质量风险230为0~25对应第一预警等级,质量风险230为26~45对应第二预警等级,质量风险230为46~60对应第三预警等级,质量风险230为60~80对应第四预警等级,质量风险230为80~100对应第五预警等级。
在一些实施例中,处理器进一步的被配置为基于预警等级标记和预警信息的预设表确定预警信息240。示例性的,处理器可以根据不同预警等级预设不同预警信息240,进而生成预设表。处理器可以通过查询该预设表确定绝缘件半成品当前的预警等级对应的预警信息240,并发送预警信息240至服务器和/或用户终端。
本说明书一些实施例的动力电池绝缘组件的质量监测系统动态监测变形特征,并且响应于变形特征不符合要求而发出预警信息。该质量监测系统可以主动对可能导致质量问题的风险进行提示,避免在产生质量问题后再艰难地排查原因。并且该质量监测系统发出的预警信息可以帮助及时调整绝缘件半成品的生产计划或方案,提高生产效率。
图3是根据本说明书一些实施例所示的调整冷却时间的示例性流程图。在一些实施例中,流程300可以由处理器执行。
在一些实施例中,处理器被配置为基于第一温湿度变化数据310、干燥情况320,预测生产环境在目标时段的第二温湿度变化数据330;以及,基于第二温湿度变化数据330,调整冷却时间340。
温湿度变化数据是指生产车间的温度湿度数据。例如,温湿度变化数据可以是设置在生产设备上或距生产设备预定距离内传感器采集的温度湿度数据。第一温湿度变化数据310是指当前绝缘件半成品在过去的历史时段的温湿度变化数据,第二温湿度变化数据330是指当前绝缘件半成品在未来的目标时段的预测温湿度变化数据。
在一些实施例中,处理器可以基于第一温湿度变化数据310、干燥情况320,通过温湿度变化预测模型预测第二温湿度变化数据330。
关于温湿度变化预测模型的更多内容可以在本说明书的其他部分找到,例如图4及其相关描述。
在一些实施例中,处理器进一步地被配置为基于预设表来调整冷却时间340。示例性的,处理器可以根据绝缘件半成品的历史温湿度变化数据、历史冷却情况和历史冷却时间生成预设表。处理器可以根据当前绝缘件半成品的第二温湿度变化数据330,通过查询该预设表进行温湿度变化数据的匹配。在预设表的多个参考绝缘件半成品中,处理器可以选定预设表中的历史温湿度变化数据与当前绝缘件半成品的第二温湿度变化数据330匹配度最高的参考绝缘件半成品作为目标绝缘件半成品。处理器可以参照目标绝缘件半成品的冷却时间调整当前绝缘件半成品的冷却时间340。例如,当前绝缘件半成品的冷却时间340少于目标绝缘件半成品的冷却时间时,将前绝缘件半成品的冷却时间340设置为目标绝缘件半成品的冷却时间。
在一些实施例中,处理器进一步被配置为基于粉尘变化数据、第二温湿度变化数据330,调整冷却时间340。
粉尘变化数据是用于衡量粉尘含量变化趋势的数值。例如,以标准生产环境中的粉尘要求为基准,粉尘变化数据可以为相对该基准的百分比变化值,如+5%或+10%。
在一些实施例中,处理器可以基于粉尘变化数据、第二温湿度变化数据330,通过向量匹配来调整冷却时间340。
在一些实施例中,参考向量是可以基于历史粉尘变化数据和历史第二温湿度变化数据获取。例如,服务器可以基于历史粉尘变化数据和历史第二温湿度变化数据,通过聚类算法得到多个聚类中心,以聚类中心对应的粉尘变化数据、历史第二温湿度变化数据作为参考向量。
在一些实施例中,处理器可以基于历史粉尘变化数据和历史第二温湿度变化数据构建包括多个参考向量的向量数据库,基于当前时间点的粉尘变化数据、第二温湿度变化数据330构建待匹配向量,通过计算待匹配向量与向量数据库中参考向量的相似度,将其中相似度较高的参考向量确定为目标向量,进而以目标向量对应的绝缘件半成品的冷却时间作为当前绝缘件半成品的冷却时间340。
在一些实施例中,处理器进一步被配置为基于粉尘变化数据、第二温湿度变化数据330和变形特征,调整冷却时间340。
在一些实施例中,变形特征可以基于第一变形分布210和第二变形序列220,通过特征提取模型来确定。例如,特征提取模型可以为CNN模型或DNN模型等。
在一些实施例中,特征提取模型可以通过多个带第三标签的第三训练样本训练得到。其中,第三训练样本可以包括样本绝缘件半成品的样本第一变形分布和样本第二变形序列。第三训练标签可以是样本绝缘件半成品的的实际变形特征。例如,处理器可以将在绝缘件半成品上人工标注出的能够指示实际变形情况的数值作为第三训练标签。
在一些实施例中,处理器可以基于粉尘变化数据、第二温湿度变化数据330和变形特征,通过向量匹配来调整冷却时间340。
在一些实施例中,用于进行向量匹配的参考向量是服务器基于历史粉尘变化数据、历史第二温湿度变化数据和历史变形特征得到。在一些实施例中,处理器可以基于历史粉尘变化数据、历史第二温湿度变化数据和历史变形特征构建包括多个参考向量的向量数据库,并基于当前时间点的粉尘变化数据、第二温湿度变化数据330和变形特征构建待匹配向量通过计算待匹配向量与向量数据库中参考向量的相似度,将相似度较高的参考向量确定为目标向量,进而以目标向量对应的绝缘件半成品的冷却时间作为当前绝缘件半成品的冷却时间340。
关于通过向量匹配来调整冷却时间的更多内容可以在本说明书的其他部分找到,例如图1及其相关描述。
在一些实施例中,处理器进一步被配置为基于候选冷却时间、粉尘变化数据、第二温湿度变化数据330和变形特征,确定冷却效果;以及基于冷却效果、所述候选冷却时间,调整冷却时间340。
冷却效果是用于衡量冷却后绝缘件半成品是否达到冷却标准的指标。例如,冷却效果可以是0-1的数值,达标的冷却效果为1,未达标的冷却效果为0。
在一些实施例中,候选冷却时间可以是处理器自动生成的。例如,处理器可以基于当前绝缘件半成品已进行的冷却时间,按照预先设置的时间梯度生成候选冷却时间。
在一些实施例中,处理器可以通过冷却效果预测模型确定冷却效果。
关于冷却效果预测模型的更多内容可以在本说明书的其他部分找到,例如图5及其相关描述。
在一些实施例中,处理器可以选择冷却效果达标的候选冷却时间作为当前绝缘件半成品的目标冷却时间。
示例性的,在梯度的候选冷却时间中,在区间[a,b]内的多个候选冷却时间对应的冷却效果达标,则处理器选择其中最小的候选冷却时间作为目标冷却时间。若当前绝缘件半成品的冷却时间340小于目标冷却时间,则处理器将当前绝缘件半成品的冷却时间340延长至与目标冷却时间相等。
本说明书一些实施例的动力电池绝缘组件的质量监测系统动态监测温湿度变化数据、干燥情况和/或粉尘变化数据,并据此动态调整绝缘件半成品的冷却时间。一方面,该质量监测系统可以主动识别由温湿度、粉尘等生产条件变化引起的风险。另一方面,该质量监测系统可以及时采取调整冷却时间的防控手段,以避免上述生产条件的变化引起的质量问题。例如,预估后续粉尘量可能对绝缘件半成品冷却效果产生影响,适当延长冷却时间,以使绝缘件半成品充分固化,从而降低高粉尘环境的影响,以及使可能导致高粉尘环境的工序(例如,裁切收卷工序)的发生时间延后,待将粉尘浓度降低后再进行后续工序。
应当注意的是,上述有关流程200、流程300的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对流程200、流程300进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。
图4是根据本说明书一些实施例所示的温湿度变化预测模型的示意图。
温湿度变化预测模型410可以用于预测当前绝缘件半成品的第二温湿度变化数据330。在一些实施例中,温湿度变化预测模型410为机器学习模型。例如,温湿度变化预测模型可以为支持向量机模型、神经网络模型、感知器模型、决策树模型、K近邻模型、等或其任意组合。
如图4所示,在一些实施例中,温湿度变化预测模型410的输入可以包括当前绝缘件半成品的第一温湿度变化数据310和干燥情况320。在一些实施例中,温湿度变化预测模型410的输入为当前绝缘件半成品的第二温湿度变化数据330。
在一些实施例中,温湿度变化预测模型410可以通过多个带第一标签的第一训练样本训练得到。例如,可以将多个带有第一标签的第一训练样本输入初始温湿度变化预测模型,通过第一标签和初始温湿度变化预测模型的预测结果构建损失函数,基于损失函数的迭代更新初始温湿度变化预测模型,当初始温湿度变化预测模型的损失函数满足预设条件时训练完成,其中,预设条件可以是损失函数收敛、迭代的次数达到阈值等。
在一些实施例中,第一训练样本可以包括绝缘件半成品在第一历史时间的第一温湿度变化数据和干燥情况。在一些实施例中,第一标签可以是第一训练样本对应绝缘件半成品在第二历史时间实际温湿度变化数据。其中,第一历史时间早于第二历史时间。
本说明书一些实施例,通过温湿度变化预测模型410预测第二温湿度变化数据,可以利用机器学习模型来识别复杂因素之间的模式和关联,更准确的进行预测。另一方面,还可以利用机器学习模型的自适应性,基于数据进行不断更新调整,进一步提高预测的可靠性。
图5是根据本说明书一些实施例所示的冷却效果预测模型的示意图。
冷却效果预测模型550可以用于预测冷却效果560。在一些实施例中,冷却效果预测模型550为机器学习模型。例如,冷却效果预测模型可以为支持向量机模型、神经网络模型、感知器模型、决策树模型等或其任意组合。
如图5所示,在一些实施例中,冷却效果预测模型550的输入可以包括候选冷却时间510、粉尘变化数据520、第二温湿度变化数据570和变形特征530。在一些实施例中,冷却效果预测模型550的输入为冷却效果560。
在一些实施例中,冷却效果预测模型550的输入还可以包括胶水涂覆均匀度540和质量风险230。胶水涂覆均匀度可以使绝缘件半成品在冷却过程中获得更均匀的散热效果。因此,绝缘件半成品的冷却效果在一定程度上受胶水涂覆均匀度影响。质量风险的高低可以指示当前绝缘件半成品与达标的绝缘件半成品之间存在的差距,能够间接指示当前绝缘件半成品因当前的冷却效果而可能在未来出现变形的风险大小。因此,绝缘件半成品的冷却效果在一定程度上与质量风险具备关联。
在一些实施例中,冷却效果预测模型550可以通过多个带第二标签的第二训练样本训练得到。例如,可以将多个带有第二标签的第二训练样本输入初始冷却效果预测模型,通过第二标签和初始冷却效果预测模型的预测结果构建损失函数,基于损失函数的迭代更新初始冷却效果预测模型,当初始冷却效果预测模型的损失函数满足预设条件时训练完成,其中,预设条件可以是损失函数收敛、迭代的次数达到阈值等。
在一些实施例中,第二训练样本可以包括绝缘件半成品在第一历史时间的冷却时间、粉尘变化数据、第二温湿度变化数据和变形特征。在一些实施例中,第二训练样本还可以包括绝缘件半成品在第一历史时间的胶水涂覆均匀度和质量风险。在一些实施例中,第二标签可以是第二训练样本对应绝缘件半成品在第二历史时间的实际冷却效果。第二历史时间晚于第一历史时间。
示例性的,处理器可以从历史数据库中筛选多个绝缘件半成品良品(或称合格品)和次品(或称不合格品)的历史冷却时间、历史粉尘变化数据、历史第二温湿度变化数据和历史变形特征作为第二训练样本,对应良品的第二训练样本的第二标签为1,对应次品的第二训练样本的第二标签为0。
本说明书一些实施例,通过冷却效果预测模型550预测冷却效果,可以利用机器学习模型来识别复杂因素之间的模式和关联,以及利用机器学习模型的自适应性,基于数据进行不断更新调整,从而有效提高预测结果的准确性和可靠性。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种动力电池绝缘组件的质量监测系统,其特征在于,所述系统包括胶黏剂检验单元、干燥监测单元、冷却监测单元、环境数据采集单元、变形监测单元以及处理器;
所述胶黏剂检验单元被配置为监测胶黏剂涂覆单元的胶黏剂涂覆情况;
所述干燥监测单元被配置为监测绝缘件半成品的干燥情况;
所述冷却监测单元被配置为监测所述绝缘件半成品的冷却情况;
所述环境数据采集单元被配置为获取生产环境中的环境数据;
所述变形监测单元被配置为在干燥过程及冷却过程中,监测所述绝缘件半成品不同时间点的变形特征;
所述处理器被配置为:
获取所述环境数据、所述干燥情况、所述变形特征;
响应于所述变形特征满足预设条件,确定预警信息;
响应于所述干燥过程完成及所述冷却过程尚未开始,基于所述环境数据、所述干燥情况,调整所述绝缘件半成品的冷却时间。
2.根据权利要求1所述的系统,其特征在于,所述绝缘件半成品包括多个子部分,所述变形特征包括每个时刻的第一变形分布和每个子部分的第二变形序列,所述处理器进一步被配置为:
基于所述第一变形分布、所述第二变形序列,确定质量风险;
基于所述质量风险,确定所述预警信息。
3.根据权利要求2所述的系统,其特征在于,所述质量风险还相关于胶水涂覆均匀度,所述处理器进一步被配置为:
基于所述第一变形分布、所述第二变形序列和所述胶水涂覆均匀度,确定所述质量风险。
4.根据权利要求1所述的系统,其特征在于,所述环境数据包括第一温湿度变化数据,所述处理器进一步被配置为:
基于所述第一温湿度变化数据、所述干燥情况,预测所述生产环境在目标时段的第二温湿度变化数据;
基于所述第二温湿度变化数据,调整所述冷却时间。
5.根据权利要求4所述的系统,其特征在于,所述环境数据还包括粉尘变化数据,所述粉尘变化数据基于所述环境数据采集单元采集,所述处理器进一步被配置为:
基于所述粉尘变化数据、所述第二温湿度变化数据,调整所述冷却时间。
6.根据权利要求5所述的系统,其特征在于,所述冷却时间还相关于所述变形特征,所述变形特征基于所述第一变形分布和所述第二变形序列确定,所述处理器进一步被配置为:
基于所述粉尘变化数据、所述第二温湿度变化数据、所述变形特征,调整所述冷却时间。
7.一种动力电池绝缘组件的质量监测方法,其特征在于,基于权利要求1所述的动力电池绝缘组件的质量监测系统实现,所述系统包括胶黏剂检验单元、干燥监测单元、冷却监测单元、环境数据采集单元、变形监测单元以及处理器;所述方法包括:
通过所述胶黏剂检验单元监测胶黏剂涂覆单元的胶黏剂涂覆情况;
通过所述干燥监测单元监测绝缘件半成品的干燥情况;
通过所述冷却监测单元监测所述绝缘件半成品的冷却情况;
通过所述环境数据采集单元获取生产环境中的环境数据;
通过所述变形监测单元在干燥过程及冷却过程中,监测所述绝缘件半成品不同时间点的变形特征;
通过所述处理器:
获取所述环境数据、所述干燥情况、所述变形特征;
响应于所述变形特征满足预设条件,确定预警信息;
响应于所述干燥过程完成及冷却过程尚未开始,基于所述环境数据、所述干燥情况,调整所述绝缘件半成品的冷却时间。
8.根据权利要求7所述的方法,其特征在于,所述绝缘件半成品包括多个子部分,所述变形特征包括每个时刻的第一变形分布和每个子部分的第二变形序列,所述方法还包括:
基于所述第一变形分布、所述第二变形序列,确定质量风险;
基于所述质量风险,确定所述预警信息。
9.一种动力电池绝缘组件的质量监测装置,包括处理器,所述处理器用于执行如权利要求7~8任一项所述的动力电池绝缘组件的质量监测方法。
10.一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如权利要求7~8任一项所述的动力电池绝缘组件的质量监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311628340.4A CN117433586A (zh) | 2023-11-30 | 2023-11-30 | 一种动力电池绝缘组件的质量监测系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311628340.4A CN117433586A (zh) | 2023-11-30 | 2023-11-30 | 一种动力电池绝缘组件的质量监测系统和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117433586A true CN117433586A (zh) | 2024-01-23 |
Family
ID=89556760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311628340.4A Pending CN117433586A (zh) | 2023-11-30 | 2023-11-30 | 一种动力电池绝缘组件的质量监测系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117433586A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105280957A (zh) * | 2015-09-23 | 2016-01-27 | 山东大王金泰集团有限公司 | 一种动力型锂电池全自动生产线及其生产工艺 |
CN211989517U (zh) * | 2020-01-11 | 2020-11-24 | 浙江兜兰智能设备股份有限公司 | 一种铅酸电池红蓝胶干燥加工设备 |
CN113313712A (zh) * | 2021-07-30 | 2021-08-27 | 季华实验室 | 一种电池涂胶缺陷检测方法、装置、电子设备及存储介质 |
CN113516652A (zh) * | 2021-07-30 | 2021-10-19 | 深圳康微视觉技术有限公司 | 电池表面缺陷和粘合剂检测方法、装置、介质和电子设备 |
CN116152236A (zh) * | 2023-04-18 | 2023-05-23 | 钛玛科(北京)工业科技有限公司 | 一种锂电池胶带视觉检测方法及系统 |
KR102573300B1 (ko) * | 2023-05-04 | 2023-08-31 | 조풍연 | 전기차에 구비된 배터리 모듈을 보호하는 방법 및 장치 |
CN116934303A (zh) * | 2023-07-24 | 2023-10-24 | 上海惊叹化学有限公司 | 新能源汽车电池封装用耐温湿聚氨酯粘合剂性能检测系统 |
-
2023
- 2023-11-30 CN CN202311628340.4A patent/CN117433586A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105280957A (zh) * | 2015-09-23 | 2016-01-27 | 山东大王金泰集团有限公司 | 一种动力型锂电池全自动生产线及其生产工艺 |
CN211989517U (zh) * | 2020-01-11 | 2020-11-24 | 浙江兜兰智能设备股份有限公司 | 一种铅酸电池红蓝胶干燥加工设备 |
CN113313712A (zh) * | 2021-07-30 | 2021-08-27 | 季华实验室 | 一种电池涂胶缺陷检测方法、装置、电子设备及存储介质 |
CN113516652A (zh) * | 2021-07-30 | 2021-10-19 | 深圳康微视觉技术有限公司 | 电池表面缺陷和粘合剂检测方法、装置、介质和电子设备 |
CN116152236A (zh) * | 2023-04-18 | 2023-05-23 | 钛玛科(北京)工业科技有限公司 | 一种锂电池胶带视觉检测方法及系统 |
KR102573300B1 (ko) * | 2023-05-04 | 2023-08-31 | 조풍연 | 전기차에 구비된 배터리 모듈을 보호하는 방법 및 장치 |
CN116934303A (zh) * | 2023-07-24 | 2023-10-24 | 上海惊叹化学有限公司 | 新能源汽车电池封装用耐温湿聚氨酯粘合剂性能检测系统 |
Non-Patent Citations (2)
Title |
---|
周秀丽: "影响VRLA 蓄电池用胶粘剂固化效果的若干因素", 交流与探讨, no. 1, 31 January 2004 (2004-01-31), pages 39 - 43 * |
董穆 等: "太阳能电池封装胶膜技术研究进展", 石油化工, vol. 52, no. 7, 31 July 2023 (2023-07-31), pages 992 - 999 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115512520B (zh) | 基于智慧燃气的用气安全预警方法及物联网系统 | |
CN114266944B (zh) | 快速模型训练结果检验系统 | |
CN113362009A (zh) | 一种物资库存管理方法、系统及计算机存储介质 | |
CN116468332A (zh) | 一种晶体谐振器生产质量评判系统 | |
CN117010601B (zh) | 数据处理方法、装置、计算机设备及计算机可读存储介质 | |
CN117196322B (zh) | 智能风控方法、装置、计算机设备及存储介质 | |
CN117433586A (zh) | 一种动力电池绝缘组件的质量监测系统和方法 | |
CN116563841B (zh) | 配电网设备标识牌的检测方法、检测装置和电子设备 | |
CN112581005A (zh) | 一种食品监测装置及方法 | |
CN115965625B (zh) | 一种基于视觉识别的仪表检测装置及其检测方法 | |
CN116931486A (zh) | 一种基于HarmonyOS的智慧图书馆环境数据分析装置、方法 | |
CN116559713A (zh) | 通信基站电源智能监控方法及装置 | |
CN116740063A (zh) | 基于机器视觉的玻璃纤维丝生产质量检测方法 | |
CN115829335A (zh) | 一种面向铝型材加工的生产线执行风险评估系统 | |
CN115904955A (zh) | 性能指标的诊断方法、装置、终端设备及存储介质 | |
CN114814419A (zh) | 一种基于大数据的电力柜散热性能检测方法 | |
CN115169745A (zh) | 生产质量预测方法、系统及计算机可读介质 | |
CN115424106A (zh) | 台车检测方法、装置、电子设备及存储介质 | |
CN114970675A (zh) | 基于特征选择的人工鼻冰箱食物新鲜度检测系统和方法 | |
CN116990685B (zh) | 一种预退役电机质量评测方法及系统 | |
CN110322443A (zh) | 一种智能家电的质量检测方法及装置 | |
CN116069565B (zh) | 一种更换板卡的方法和装置 | |
CN117664246B (zh) | 一种高分子薄膜类产品性能分析评估方法 | |
CN113191017B (zh) | 虚拟量测模型构建方法、虚拟量测方法、系统、电子设备及计算机可读存储介质 | |
TWI754446B (zh) | 維持模型推論品質之系統及其方法 |
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 |