CN117795697A - 用于电池储能器的制造方法和系统 - Google Patents
用于电池储能器的制造方法和系统 Download PDFInfo
- Publication number
- CN117795697A CN117795697A CN202280054339.2A CN202280054339A CN117795697A CN 117795697 A CN117795697 A CN 117795697A CN 202280054339 A CN202280054339 A CN 202280054339A CN 117795697 A CN117795697 A CN 117795697A
- Authority
- CN
- China
- Prior art keywords
- electrode layer
- correction
- measured
- measured values
- values
- 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 48
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000004146 energy storage Methods 0.000 title claims description 5
- 238000012937 correction Methods 0.000 claims abstract description 46
- 239000002002 slurry Substances 0.000 claims abstract description 16
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 229910052744 lithium Inorganic materials 0.000 claims description 4
- 238000011065 in-situ storage Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 2
- 229910052799 carbon Inorganic materials 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 claims description 2
- 238000013106 supervised machine learning method Methods 0.000 claims description 2
- 238000013107 unsupervised machine learning method Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims 1
- 238000005259 measurement Methods 0.000 description 10
- 238000000576 coating method Methods 0.000 description 8
- 239000011248 coating agent Substances 0.000 description 7
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 5
- 229910001416 lithium ion Inorganic materials 0.000 description 5
- 239000000758 substrate Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000009533 lab test Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 239000002245 particle Substances 0.000 description 3
- 238000003756 stirring Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 239000011149 active material Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000003490 calendering Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010030 laminating Methods 0.000 description 1
- 150000002642 lithium compounds Chemical class 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M4/00—Electrodes
- H01M4/02—Electrodes composed of, or comprising, active material
- H01M4/13—Electrodes for accumulators with non-aqueous electrolyte, e.g. for lithium-accumulators; Processes of manufacture thereof
- H01M4/139—Processes of 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
- H01M10/04—Construction or manufacture in general
- H01M10/0404—Machines for assembling batteries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Chemical & Material Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Materials Engineering (AREA)
- Battery Electrode And Active Subsutance (AREA)
Abstract
制造电池储能器的电极层的方法以及用于制造电池储能器的电极层的制造系统,其可以快速和直接在制造过程中作用,并以此降低电池生产中的废品率。该方法或制造系统通过下述步骤实现该目的:‑获取至少一个系统的与制造电极层相关的系统参数,‑获取电极层浆料和/或电极层的测量变量的一个或多个测量值,‑由获取到的电极层的测量值与确定的目标值范围的比较计算/确定修正值,并且‑根据计算的修正值设置系统参数。
Description
技术领域
本发明涉及一种根据权利要求1的前序部分的用于制造电池储能器的电极层的方法。
本发明还涉及一种根据权利要求11的前序部分的用于制造电池储能器的电极层的制造系统。
背景技术
锂离子蓄电池、下文也称为锂离子电池因其高功率密度和能量密度而在移动和固定应用中用作储能器。
锂离子电池通常包括多个电池单元。电池单元、尤其锂离子电池单元包括多个层。这些层通常包括阳极、阴极、隔膜和其他元件。这些层可以设计成堆垛或绕组。
电极通常包括金属膜,金属膜尤其包括铜和/或铝,其以活性材料涂层。作为活性材料在此通常施加含有锂化合物或碳的膏,即所谓的浆料。膜和涂层分别具有几十微米的厚度。涂层厚度、孔隙率或材料组成中几微米的偏差就会对电极的质量造成负面影响。因此在涂层不规则时就会不利地制造出质量差的电池。此外不利的是不能保证电池单元的安全运行。
在涂层过程中在线探测不同的缺陷模式(例如污染、气泡形成)仍然是个挑战。有时在电池单元的整个生产过程结束后其才在所谓生产线终端测试的范畴内显露。有时在电池单元运行多年后才确定出有缺陷的涂层。
因此不利的是,在电池生产期间产生大部分有缺陷的电池单元的废品。因此生产过程具有大的材料需求和能源需求,以便生产足够量的高品质的电池单元。
因此本发明要解决的技术问题是提供一种用于制造电池储能器的电极层的方法以及一种用于制造电池储能器的电极层的制造系统,其可以快速和直接在制造过程中作用,并以此降低电池生产中的废品率。
解决方案
根据本发明通过根据权利要求1的用于制造电池储能器的电极层的方法和根据权利要求11的用于制造电池储能器的电极层的制造系统解决该问题。
发明内容
按照本发明的方法涉及在至少一个系统中在使用电极层浆料的情况下制造电池储能器的电极层。所述方法包括多个步骤。首先获取系统的与制造电极层相关的系统参数。此外获取电极层浆料和/或电极层的至少两个测量变量的一个或多个测量值。此外由获取到的电极层的测量值与对于测量变量的确定的目标值范围的比较确定修正值。根据确定出的修正值设置系统参数。
根据本发明用于制造电池储能器的电极层的制造系统设计用于实施根据本发明的方法。
根据本发明,术语系统尤其理解为设备,其中进行一个或多个下述过程步骤:
-制造、加工和/或输送电极层浆料,
-给电极用电极层浆料涂层,
-干燥涂层和/或
-对电极层压光。
术语电极层浆料(英语:Slurry)理解为用于制造电极层的原料,电极层被施加到电极上。
系统参数根据本发明理解为系统中可设置的一个或多个参数。尤其是,可影响的环境因素也理解为系统参数。系统参数例如包括:
-电极层浆料的质量流量,
-压光中辊子的辊速,
-喷嘴的特性,尤其沉积物和/或堵塞物,
-例如电极层浆料的温度、尤其温度波动,
-电极层浆料的粘度,和/或
-尤其电极层浆料的污染,例如来自环境的污染。
根据相应研究的方法步骤,测量变量涉及电极层浆料和/或由电极层浆料产生的电极层。电极层浆料的测量变量例如是温度、粘度、粒度尺寸分布、分散度、环境造成的污染等。电极层的测量变量例如是电极层的表面拓扑和缺陷位置、孔隙率、组成或料幅导电率,其中,测量值例如可以通过涡流测量确定。
根据本发明,术语修正值理解为系统参数中的一个或多个变化,以便在进一步的制造过程中实现电极层浆料或电极层的特性的期望的变化。
修正值的确定尤其通过将测量值与确定的目标值和误差值范围的比较进行,其中,在测量变量在目标值范围之外的情况中,对于误差值范围分别确定专门的修正值。
本发明的优点和设计方案可单独或组合使用并且是从属权利要求的内容。
在本发明的有利设计方案中,电极层浆料包括含锂的材料。锂,尤其锂离子电池中使用的含锂的材料,包括特别高的能量密度。
此外有利的是,测量以下测量变量的测量值:
-一个或多个表面特征,如出现团块、凹陷和/或孔、划痕、边缘磨损和/或粗糙,
-层厚度,尤其层厚度的在时间上的波动和/或层厚度的空间梯度、
-层厚度的孔隙度,尤其孔隙度的在空间和/或时间上的波动,和/或
-导电率的一个或多个在空间上的不均匀性,尤其导电率的不均匀性的在空间和/或时间上的波动。
在根据本发明的方法另外的设计方案中额外执行以下步骤:
-将一个或多个测量值与确定的误差群进行比较,
-选择误差群,并且
-根据针对误差群确定的修正值设置系统参数。
根据本发明,误差群理解为表面现象的汇总,即一个或多个测量变量的位于目标值范围外的测量值的组合。尤其是,具有位于确定的目标值范围外的测量值的多个异常测量变量的组合可以是适合于系统中当前情况的误差群。一个或多个系统参数可以根据修正值调整,其中,修正值是对于该相应误差群确定的。该修正值可以包括涉及不同系统参数的多个单独的修正单值。尤其修正值通过控制信号传输到用于调整系统参数的系统控制装置。
根据本发明的方法的另外的设计方案包括另外的方法步骤,即创建修正模型,该修正模型映射不同测量变量的测量值、尤其在目标值范围外的测量值的情况下测量值与系统参数的关联。例如修正模型可以基于实验室实验创建,其中,测量变量、尤其表面特征或者说误差群与带来后果的物理的误差原因之间的关联被映射。这些模型可用在所谓的软传感器中,以便由在制造系统中可测量的变量确定针对带来后果的系统参数的必要修正值。修正模型中尤其包含这些关联和修正值,以便在制造过程的后续流程中恢复目标值。
在另外的变型中,有监督或无监督的机器学习方法结合基于知识的模型和/或物理模型创建修正模型。由此能以有利的方式分析从实验室实验和系统持续运行中获得的关于修正值和对测量变量的影响之间的关联的知识,并调整修正模型。
在有利的设计方案中机器学习方法使用神经网络、深度学习方法、聚类方法或物理式获知信息的神经网络来调整修正模型。
以这种方式或如上所述通过实验室实验创建的修正模型,也可以像真正的传感器一样在系统运行的生产线上用作所谓的“软传感器”,尽管待确定的效果仅间接从其他测量变量和系统参数导出。
在本发明有利的设计方案中通过反馈回路连续在系统运行期间设置系统参数。
在另外的设计方案中,对修正模型进行在原位和迭代的调整,方式是分析在反馈回路中通过实施修正值进行的改变的效果并在机器学习方法中结合基于知识的模型用于改进修正模型或修正值。
在本发明另外的设计方案中软传感器进行下述步骤,获取测量变量的一个或多个测量值、确定修正值以及设置系统参数。
在另外的设计方案中,在根据修正值设置系统参数后,跟踪不同测量变量的测量值的变化。
本发明还包括一种用于制造电池储能器的电极层的制造系统,其设计为,构造成执行按照上述权利要求的方法。
附图说明
下面根据附图中1示出的实施例进一步说明和阐述本发明。
在实施例和附图中,相同或效果相同的元素可以分别设有相同的附图标记。所示的元素及其尺寸比例基本上不视为符合比例,相反,为了更好显示和/或更好理解,可以按比例放大单个元素。
图1示出制造系统1。制造系统1包括电极层制造设备8。电极层制造设备8包括两个测量设备。激光扫描设备5作为第一测量设备,孔隙率测量设备9作为第二测量设备。两个测量设备通过数据线与计算单元100相连。
电极层制造设备8包括载体基板3,由电极层浆料2(英语:Slurry)构成的电极层4施加到其上。电极层浆料2在容器中通过搅拌装置7均化。搅拌装置7和基板运输装置也通过数据线与计算单元100相连。
通过激光扫描设备5在本示例中作为测量变量记录电极层4的至少一个图像和位置信息E1。此外通过孔隙率测量设备9确定第二测量变量,即电极层4的孔隙率和/或电极层厚度。在本示例中,在基板连同电极层4继续运输后,在电极层4的同一位置进行分析,其现在标有位置信息E1'。孔隙率的分析在电极层4的制造期间进行。孔隙率测量设备尤其设计成超声波测量单元、X射线吸收单元或计算机断层扫描设备。
由孔隙率测量设备9(第一测量变量)和激光扫描设备5(第二测量变量)确定的测量值在本示例中传输到计算单元100。然后在计算单元100中基于激光扫描设备5的至少一个图像根据位置信息E1确定电极层4的测量值,在此为拓扑特性。在计算单元100中,将传输的值与为相应测量变量分别设定的目标值范围比较。
在存储单元110中存储有修正模型,修正模型是基于实验室实验确定的并映射表面特征或特征群与尤其物理缺陷原因的关联。此外,修正模型还包括用于制造系统的系统参数的修正值,其可以消除系统运行中的缺陷原因。示例性修正值可涉及电极层浆料的粘度或温度、电极层浆料的输送速度、颗粒尺寸分布、浆料中颗粒的分散度、电极膜(基板)的辊速度、涂层喷嘴和缝的状态和设置、其间隙尺寸等。
计算机单元100将修正值传输到电极层制造设备8的控制装置,以便在制造系统1持续运行中调整系统参数。
以这种方式创建的修正模型也被称为软传感器,因为其可以像真正的传感器一样用于运行的生产线,尽管待确定的效果仅间接从其他测量和控制变量导出。
修正值的水平可以从测量数据训练得到或者在原位通过反馈回路的作用迭代调整。在此有利地使用人工智能引擎调整、改进和训练修正模型。人工智能单元通过数据线与计算单元100相连。在此人工智能单元与由激光扫描设备5和孔隙率测量设备9传输的数据以及通过控制信号101传输到电极层制造设备8的第一控制信号101和第二控制信号102相连。在其他实施例中,人工智能单元可与结合图像处理方法的光学相机,高光谱相机和/或涡流测量设备连接。
因此人工智能单元持续评估修正模型的效果并在制造系统1持续运行中改进存储在存储单元110中的修正模型。
结语
虽然通过优选实施例进一步详细地示出和说明了本发明,但是本发明并不被公开的示例所限制。本领域技术人员可以由此导出其他的变型设计而不离开由权利要求定义的本发明的保护范围。
附图标记列表:
1 系统
2 电极层浆料(Slurry)
3 载体基板
4 电极层
5 激光扫描设备
7 搅拌装置
8 电极层制造设备
9 孔隙率测量设备
100 计算单元
101 第一控制信号
102 第二控制信号
110 存储单元
Claims (12)
1.一种通过至少一个系统制造电池储能器的电极层的方法,其中,使用电极层浆料,所述方法包括以下步骤:
-获取至少一个系统的与制造电极层相关的系统参数,
-获取电极层浆料和/或电极层的测量变量的一个或多个测量值,
-由获取到的电极层的测量值与确定的目标值范围的比较来计算/确定修正值,并且
-根据计算的修正值设置所述系统参数。
2.按照权利要求1所述的方法,其特征在于,作为电极层浆料使用包括锂和/或碳的浆料。
3.按照上述权利要求之一所述的方法,其特征在于,获取一个或多个测量值时获取:
-一个或多个表面特征,
-层厚度,
-层厚度的梯度,
-层厚度的孔隙度,和/或
-导电率的一个或多个在空间上的不均匀性。
4.按照上述权利要求之一所述的方法,其包括下述步骤:
-将一个或多个测量值与确定的误差群进行比较,
-选择存在的误差群,并且
-根据针对误差群确定的修正值设置所述系统参数。
5.按照上述权利要求之一所述的方法,其包括下述步骤:
-创建修正模型,所述修正模型映射不同测量变量的测量值与系统参数的关联。
6.按照上述权利要求之一所述的方法,其中有监督或无监督的机器学习方法结合基于知识的模型和/或物理模型创建所述修正模型。
7.按照上述权利要求之一所述的方法,其中,
所述机器学习方法使用神经网络、深度学习方法、聚类方法或物理式获知信息的神经网络。
8.按照上述权利要求之一所述的方法,通过反馈回路设置所述系统参数。
9.按照上述权利要求之一所述的方法,在原位通过反馈回路对测量值的影响迭代式进行修正模型的调整。
10.按照上述权利要求之一所述的方法,软传感器进行下述步骤:获取测量变量的一个或多个测量值,确定修正值以及设置系统参数。
11.按照上述权利要求之一所述的方法,其包括下述步骤:
-根据修正值设置系统参数后,获取不同测量变量的测量值的变化。
12.一种用于制造电池储能器的电极层的制造系统,其特征在于,构造成执行按照上述权利要求的方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP21189912.5 | 2021-08-05 | ||
EP21189912.5A EP4131482A1 (de) | 2021-08-05 | 2021-08-05 | Herstellungsverfahren und -anlage für batteriespeicher |
PCT/EP2022/066716 WO2023011793A1 (de) | 2021-08-05 | 2022-06-20 | Herstellungsverfahren und -anlage für batteriespeicher |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117795697A true CN117795697A (zh) | 2024-03-29 |
Family
ID=77226723
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280054339.2A Pending CN117795697A (zh) | 2021-08-05 | 2022-06-20 | 用于电池储能器的制造方法和系统 |
Country Status (3)
Country | Link |
---|---|
EP (2) | EP4131482A1 (zh) |
CN (1) | CN117795697A (zh) |
WO (1) | WO2023011793A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116774665B (zh) * | 2023-08-18 | 2023-11-14 | 湖南隆深氢能科技有限公司 | 一种卷对卷贴合生产线的智能控制方法及其系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102012224264A1 (de) * | 2012-12-21 | 2014-06-26 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Nassbeschichten eines Substrats |
CN107958988B (zh) * | 2017-10-11 | 2020-06-16 | 中国科学院自动化研究所 | 锂电池涂布生产的知识决策方法 |
-
2021
- 2021-08-05 EP EP21189912.5A patent/EP4131482A1/de not_active Withdrawn
-
2022
- 2022-06-20 CN CN202280054339.2A patent/CN117795697A/zh active Pending
- 2022-06-20 WO PCT/EP2022/066716 patent/WO2023011793A1/de active Application Filing
- 2022-06-20 EP EP22737792.6A patent/EP4356455A1/de active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2023011793A1 (de) | 2023-02-09 |
EP4356455A1 (de) | 2024-04-24 |
EP4131482A1 (de) | 2023-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109346745B (zh) | 一种基于阻抗判断燃料电池内部水状态的方法及系统 | |
Niri et al. | Quantifying key factors for optimised manufacturing of Li-ion battery anode and cathode via artificial intelligence | |
CN117795697A (zh) | 用于电池储能器的制造方法和系统 | |
Xu et al. | Surface quality assurance method for lithium-ion battery electrode using concentration compensation and partiality decision rules | |
CN106483942A (zh) | 一种半导体制造设备和工艺的智能控制系统及方法 | |
CN114481232B (zh) | 电解铜箔面密度均匀性在线控制系统与控制方法 | |
JP3680985B2 (ja) | 電池用シート電極の製造方法 | |
Mehnatkesh et al. | Estimation of water coverage ratio in low temperature PEM-fuel cell using deep neural network | |
Mayr et al. | In-line sensor-based process control of the calendering process for lithium-ion batteries | |
CN117351005B (zh) | 一种涂炭箔涂布缺陷检测方法和系统 | |
US20240133819A1 (en) | Methods for Analyzing an Electrode Layer of a Battery Cell Using a KI Engine, Training a KI Engine, Producing a Battery Storage Device, and Production Units | |
US11865613B2 (en) | Structured light part quality monitoring for additive manufacturing and methods of use | |
CN111179267B (zh) | 一种零件表面激光熔覆制造过程的质量监测方法 | |
CN112862826A (zh) | 一种表面缺陷检测任务的正常样本无损生成方法 | |
CN117952971B (zh) | 一种热喷涂超细粉末用等离子重熔监测方法及系统 | |
US20210365009A1 (en) | Battery manufacturing processes based on acoustic and process signal analysis | |
Wang et al. | Thin-film nitrate sensor performance prediction based on image analysis and credibility data to enable a certify as built framework | |
CN116941094A (zh) | 用于分析电池存储器的电极层的方法和电池存储器的制造方法、制造单元 | |
US20230368367A1 (en) | Battery component inspection based on optical and thermal imaging | |
CN117606371B (zh) | 一种基于视觉检测的涂布厚度在线监控系统和方法 | |
CN117818057B (zh) | 一种用于燃料电池的质子交换膜制造方法及系统 | |
US20220155262A1 (en) | Inspection of binders and slurry mixtures for use in battery fabrication based on acoustic signal analysis | |
US20240091971A1 (en) | Apparatus and method for inspecting and punching a diffusion layer for water electrolysis | |
CN117686385A (zh) | 极片的边缘区n/p比的测量方法、预警方法和预警系统 | |
Haghi et al. | Efficient Analysis of Interdependencies in Electrode Manufacturing Through Joint Application of Design of Experiments and Explainable Machine Learning |
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 |