CN118070848A - 钠离子电池电极片的涂布工艺优化方法、装置及设备 - Google Patents

钠离子电池电极片的涂布工艺优化方法、装置及设备 Download PDF

Info

Publication number
CN118070848A
CN118070848A CN202410033900.XA CN202410033900A CN118070848A CN 118070848 A CN118070848 A CN 118070848A CN 202410033900 A CN202410033900 A CN 202410033900A CN 118070848 A CN118070848 A CN 118070848A
Authority
CN
China
Prior art keywords
coating process
electrode sheet
process optimization
optimization model
sodium ion
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
Application number
CN202410033900.XA
Other languages
English (en)
Inventor
李冰
周邦昱
杨之乐
赵正源
郭媛君
张豪
冯伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Carbon Neutralization Research Institute Shaoguan
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Guangdong Carbon Neutralization Research Institute Shaoguan
Shenzhen Institute of Advanced Technology of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong Carbon Neutralization Research Institute Shaoguan, Shenzhen Institute of Advanced Technology of CAS filed Critical Guangdong Carbon Neutralization Research Institute Shaoguan
Priority to CN202410033900.XA priority Critical patent/CN118070848A/zh
Publication of CN118070848A publication Critical patent/CN118070848A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • H01M10/054—Accumulators with insertion or intercalation of metals other than lithium, e.g. with magnesium or aluminium
    • 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
    • H01M4/04—Processes of manufacture in general
    • H01M4/0402—Methods of deposition of the material
    • H01M4/0404—Methods of deposition of the material by coating on electrode collectors
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Electrochemistry (AREA)
  • Mathematical Physics (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Manufacturing & Machinery (AREA)
  • Materials Engineering (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Battery Electrode And Active Subsutance (AREA)

Abstract

本发明属于电极片涂布工艺优化技术领域，公开了一种钠离子电池电极片的涂布工艺优化方法、装置及设备。该方法包括：获取钠离子电池电极片的多个工艺参数组合；通过电极片涂布工艺优化模型预测在不同工艺参数组合下的电池性能，其中，所述电极片涂布工艺优化模型为在自注意力机制深度学习模型的基础上引入树结构、可学习的向量表示以及多头注意力机制；确定所述电池性能中的目标电池性能；将所述目标电池性能对应的工艺参数组合确定为目标工艺参数组合，以基于所述目标工艺参数组合实现所述钠离子电池电极片的涂布工艺优化。通过上述方式，不仅能够减少优化耗时，还能够提高优化效果。

Description

钠离子电池电极片的涂布工艺优化方法、装置及设备
技术领域
本发明涉及电极片涂布工艺优化技术领域，尤其涉及一种钠离子电池电极片的涂布工艺优化方法、装置及设备。
背景技术
在钠离子电池电极片涂布工艺优化领域，已有一些方法尝试通过传统的实验和经验规则进行工艺参数的人工调整。这种人工调整方式不仅耗时，还因无法全面捕捉到不同工艺参数的复杂关系而导致优化效果有限。
发明内容
本发明的主要目的在于提供一种钠离子电池电极片的涂布工艺优化方法、装置及设备，旨在解决现有技术因人工调整方法无法捕捉到不同工艺参数的复杂关系而导致优化效果有限的技术问题。
为实现上述目的，本发明提供了一种钠离子电池电极片的涂布工艺优化方法，所述方法包括以下步骤：
获取钠离子电池电极片的多个工艺参数组合；
通过电极片涂布工艺优化模型预测在不同工艺参数组合下的电池性能，其中，所述电极片涂布工艺优化模型为在自注意力机制深度学习模型的基础上引入树结构、可学习的向量表示以及多头注意力机制；
确定所述电池性能中的目标电池性能；
将所述目标电池性能对应的工艺参数组合确定为目标工艺参数组合，以基于所述目标工艺参数组合实现所述钠离子电池电极片的涂布工艺优化。
可选地，所述通过电极片涂布工艺优化模型预测在不同工艺参数组合下的电池性能之前，还包括：
收集电极片涂布工艺的相关数据，其中，所述相关数据包括工艺参数、电极材料特性以及电池性能测试数据；
对所述相关数据进行清洗，得到清洗数据；
对所述清洗数据进行转换，得到转换数据；
对所述转换数据进行特征提取，得到特征数据；
基于所述特征数据训练初始电极片涂布工艺优化模型，得到电极片涂布工艺优化模型。
可选地，所述基于所述特征数据训练初始电极片涂布工艺优化模型，得到电极片涂布工艺优化模型，包括：
将所述特征数据划分为训练数据和验证数据；
通过所述训练数据训练所述初始电极片涂布工艺优化模型，得到第一电极片涂布工艺优化模型；
通过所述验证数据对所述第一电极片涂布工艺优化模型进行评估，确定不同评估指标的评估结果，其中，所述评估指标包括均方误差以及判定系数；
根据所述评估结果对所述第一电极片涂布工艺优化模型进行优化，得到电极片涂布工艺优化模型。
可选地，所述通过所述训练数据训练所述初始电极片涂布工艺优化模型，得到第一电极片涂布工艺优化模型，包括：
在训练过程中，通过所述初始电极片涂布工艺优化模型根据所述训练数据学习电极片涂布工艺与电池性能之间的对应关系；
根据所述对应关系调整所述初始电极片涂布工艺优化模型的参数和结构，得到第一电极片涂布工艺优化模型。
可选地，所述根据所述对应关系调整所述初始电极片涂布工艺优化模型的参数和结构，得到第一电极片涂布工艺优化模型，包括：
将根据所述对应关系确定的均方误差作为损失函数；
根据所述损失函数确定预测值与真实值之间的差异；
根据所述差异更新所述初始电极片涂布工艺优化模型的参数和结构，并通过反向传播完成所述初始电极片涂布工艺优化模型的模型训练，得到第一电极片涂布工艺优化模型。
可选地，所述通过电极片涂布工艺优化模型预测在不同工艺参数组合下的电池性能，其中，所述电极片涂布工艺优化模型为在自注意力机制深度学习模型的基础上引入树结构、可学习的向量表示以及多头注意力机制，包括：
根据所述树结构将工艺参数组合按照层级进行结构化表示，捕捉工艺参数之间的相关关系；
通过可学习的向量表达工艺参数之间的关联关系；
利用多头注意力机制分析工艺参数之间的依赖性；
根据所述相关关系、所述关联关系以及所述依赖性，通过电极片涂布工艺优化模型预测在不同工艺参数组合下的电池性能。
可选地，所述多头注意力机制为引入循环存储机制的多头自注意力编码器，所述循环存储机制将历史的编码状态存储；其中，
所述利用多头注意力机制分析工艺参数之间的依赖性，包括：
通过在多头自注意力编码器引入残差连接之后，保留所述工艺参数的原始特征信息；
通过所述多头自注意力编码器的前馈全连接网络对所述原始特征信息进行特征变换，得到变换特征；
通过所述多头自注意力编码器连接的线性回归层根据所述变换特征学习所述工艺参数之间的依赖性。
此外，为实现上述目的，本发明还提出一种钠离子电池电极片的涂布工艺优化装置，所述钠离子电池电极片的涂布工艺优化装置包括：
获取模块，用于获取钠离子电池电极片的多个工艺参数组合；
预测模块，用于通过电极片涂布工艺优化模型预测在不同工艺参数组合下的电池性能，其中，所述电极片涂布工艺优化模型为在自注意力机制深度学习模型的基础上引入树结构、可学习的向量表示以及多头注意力机制；
确定模块，用于确定所述电池性能中的目标电池性能；
优化模块，用于将所述目标电池性能对应的工艺参数组合确定为目标工艺参数组合，以基于所述目标工艺参数组合实现所述钠离子电池电极片的涂布工艺优化。
此外，为实现上述目的，本发明还提出一种钠离子电池电极片的涂布工艺优化设备，所述钠离子电池电极片的涂布工艺优化设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的钠离子电池电极片的涂布工艺优化程序，所述钠离子电池电极片的涂布工艺优化程序配置为实现如上文所述的钠离子电池电极片的涂布工艺优化方法的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有钠离子电池电极片的涂布工艺优化程序，所述钠离子电池电极片的涂布工艺优化程序被处理器执行时实现如上文所述的钠离子电池电极片的涂布工艺优化方法的步骤。
本发明提出的钠离子电池电极片的涂布工艺优化方法、装置及设备，通过获取钠离子电池电极片的多个工艺参数组合；通过电极片涂布工艺优化模型预测在不同工艺参数组合下的电池性能，其中，所述电极片涂布工艺优化模型为在自注意力机制深度学习模型的基础上引入树结构、可学习的向量表示以及多头注意力机制；确定所述电池性能中的目标电池性能；将所述目标电池性能对应的工艺参数组合确定为目标工艺参数组合，以基于所述目标工艺参数组合实现所述钠离子电池电极片的涂布工艺优化。通过上述方式，能够通过电极片涂布工艺优化模型全面捕捉不同工艺参数的复杂关系之后根据各个工艺参数组合下的电池性能确定电极片的涂布工艺优化结果，不仅耗时短，还能够提高优化效果。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的钠离子电池电极片的涂布工艺优化设备的结构示意图；
图2为本发明钠离子电池电极片的涂布工艺优化方法第一实施例的流程示意图；
图3为本发明钠离子电池电极片的涂布工艺优化方法第二实施例的流程示意图；
图4为本发明钠离子电池电极片的涂布工艺优化装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的钠离子电池电极片的涂布工艺优化设备结构示意图。
如图1所示，该钠离子电池电极片的涂布工艺优化设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity，Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-VolatileMemory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对钠离子电池电极片的涂布工艺优化设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及钠离子电池电极片的涂布工艺优化程序。
在图1所示的钠离子电池电极片的涂布工艺优化设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明钠离子电池电极片的涂布工艺优化设备中的处理器1001、存储器1005可以设置在钠离子电池电极片的涂布工艺优化设备中，所述钠离子电池电极片的涂布工艺优化设备通过处理器1001调用存储器1005中存储的钠离子电池电极片的涂布工艺优化程序，并执行本发明实施例提供的钠离子电池电极片的涂布工艺优化方法。
基于上述硬件结构，提出本发明钠离子电池电极片的涂布工艺优化方法实施例。
参照图2，图2为本发明一种钠离子电池电极片的涂布工艺优化方法第一实施例的流程示意图。
本实施例中，所述钠离子电池电极片的涂布工艺优化方法包括以下步骤：
步骤S10：获取钠离子电池电极片的多个工艺参数组合。
需要说明的是，本实施例的执行主体可以是一种具有数据处理、网络通信以及程序运行功能的计算服务设备，例如手机、平板电脑、个人电脑等，或者是一种能够实现上述功能的电子设备或钠离子电池电极片的涂布工艺优化设备。以下以所述钠离子电池电极片的涂布工艺优化设备为例，对本实施例及下述各实施例进行说明。
需要说明的是，工艺参数指的是与电极片涂布工艺相关的数据，工艺参数包括涂布速度、涂布压力以及涂布温度等等；采集到的多个工艺参数组合应涵盖不同工艺条件下的多个样本。
步骤S20：通过电极片涂布工艺优化模型预测在不同工艺参数组合下的电池性能，其中，所述电极片涂布工艺优化模型为在自注意力机制深度学习模型的基础上引入树结构、可学习的向量表示以及多头注意力机制。
需要说明的是，电极片涂布工艺优化模型指的是训练好的优化模型，能够在输入不同的工艺参数组合之后预测对应的电池性能；电极片涂布工艺优化模型指的是使用树结构的Tree-structured Regression Transformer(TRT)技术构建的模型来实现钠离子电池电极片涂布工艺的优化，电极片涂布工艺优化模型的主要改进点包括构建解释变量的树结构、采用可学习的向量表示，以及利用多头自注意力机制等。其中，TRT技术引入树结构，将解释变量按照层级进行结构化表示这解决了传统方法对变量关系的简单处理，从而更准确地捕捉参数之间的复杂关系；TRT技术在传统方法基础上引入可学习的向量表示，这使得模型能够更好地表达不同变量之间的关联，传统方法未能处理多变量之间的复杂交互，TRT通过向量表示解决了这一问题；TRT技术利用多头自注意力机制，可以同时考虑多种变量间的关系，从而更精确地分析不同参数之间的依赖性。
在一实施例中，所述通过电极片涂布工艺优化模型预测在不同工艺参数组合下的电池性能之前，还包括：
收集电极片涂布工艺的相关数据，其中，所述相关数据包括工艺参数、电极材料特性以及电池性能测试数据；
对所述相关数据进行清洗，得到清洗数据；
对所述清洗数据进行转换，得到转换数据；
对所述转换数据进行特征提取，得到特征数据；
基于所述特征数据训练初始电极片涂布工艺优化模型，得到电极片涂布工艺优化模型。
需要说明的是，为了使得采集到的相关数据适用于构建电极片涂布工艺优化模型，需要在对相关数据进行清洗和转换之后从转化数据中提取统计特征、时间序列特征以及频谱特征，比如从工艺参数组合中提取涂布速度或者涂布温度等特征，还比如从电池性能测试数据中提取容量、循环寿命等特征。
可以理解的是，随着新数据的积累和工艺的演化，需要不断优化电极片涂布工艺优化模型，比如可以定期更新模型，然后结合新数据进行再训练，以适应不同生产批次和新的工艺参数。
在本实施例中，通过对采集到的与电极片涂布工艺的相关数据进行清洗、转换和特征提取之后再用于训练模型，能够确保数据的准确性和一致性，进而能够保证电极片涂布工艺优化模型的训练效果更佳。
在一实施例中，所述基于所述特征数据训练初始电极片涂布工艺优化模型，得到电极片涂布工艺优化模型，包括：
将所述特征数据划分为训练数据和验证数据；
通过所述训练数据训练所述初始电极片涂布工艺优化模型，得到第一电极片涂布工艺优化模型；
通过所述验证数据对所述第一电极片涂布工艺优化模型进行评估，确定不同评估指标的评估结果，其中，所述评估指标包括均方误差以及判定系数；
根据所述评估结果对所述第一电极片涂布工艺优化模型进行优化，得到电极片涂布工艺优化模型。
需要说明的是，将特征数据划分为训练数据和验证数据能够便于电极片涂布工艺优化模型的训练和验证；使用验证数据对电极片涂布工艺优化模型进行评估，计算电极片涂布工艺优化模型在未见过的数据上的性能表现，具体地，可以使用不同的评估指标(如均方误差或者R平方等等)来确定评估结果，最后根据评估结果来对电极片涂布工艺优化模型进行优化，进一步提升其性能。
在一实施例中，所述通过所述训练数据训练所述初始电极片涂布工艺优化模型，得到第一电极片涂布工艺优化模型，包括：
在训练过程中，通过所述初始电极片涂布工艺优化模型根据所述训练数据学习电极片涂布工艺与电池性能之间的对应关系；
根据所述对应关系调整所述初始电极片涂布工艺优化模型的参数和结构，得到第一电极片涂布工艺优化模型。
需要说明的是，在训练过程中，电极片涂布工艺优化模型将根据训练数据学习电极片涂布工艺与电池性能之间的关系，并通过反复调整模型的参数和结构，使模型能够更好地捕捉数据中的模式和规律。
在一实施例中，所述根据所述对应关系调整所述初始电极片涂布工艺优化模型的参数和结构，得到第一电极片涂布工艺优化模型，包括：
将根据所述对应关系确定的均方误差作为损失函数；
根据所述损失函数确定预测值与真实值之间的差异；
根据所述差异更新所述初始电极片涂布工艺优化模型的参数和结构，并通过反向传播完成所述初始电极片涂布工艺优化模型的模型训练，得到第一电极片涂布工艺优化模型。
需要说明的是，使用均方误差作为损失函数，通过最小化预测值与真实值之间的差异来更新电极片涂布工艺优化模型的参数和结构，具体可以采用Adam等优化算法，通过反向传播完成模型训练。
步骤S30：确定所述电池性能中的目标电池性能。
需要说明的是，电池性能可通过电池性能数值进行表示，电极片涂布工艺优化模型输出的电池性能数值越大，说明电池性能效果越佳，反之电池性能效果越差。
在具体实现中，可以电池性能中电池性能数值最大的电池性能确定为目标电池性能；还可以设置阈值，将电池性能中电池性能数值大于阈值的电池性能确定为初始电池性能，然后再根据用户选择结果从初始电池性能中确定目标电池性能。
步骤S40：将所述目标电池性能对应的工艺参数组合确定为目标工艺参数组合，以基于所述目标工艺参数组合实现所述钠离子电池电极片的涂布工艺优化。
需要说明的是，利用电极片涂布工艺优化模型，在电极片涂布工艺优化模型中依次输入不同的工艺参数组合，便可预测每个工艺参数组合对应的电池性能，通过电极片涂布工艺优化模型的多个预测结果(即电池性能)，找到电池性能达到最佳的工艺参数组合，从而实现电极片涂布工艺的优化。
本实施例通过获取钠离子电池电极片的多个工艺参数组合；通过电极片涂布工艺优化模型预测在不同工艺参数组合下的电池性能，其中，所述电极片涂布工艺优化模型为在自注意力机制深度学习模型的基础上引入树结构、可学习的向量表示以及多头注意力机制；确定所述电池性能中的目标电池性能；将所述目标电池性能对应的工艺参数组合确定为目标工艺参数组合，以基于所述目标工艺参数组合实现所述钠离子电池电极片的涂布工艺优化。通过上述方式，能够通过电极片涂布工艺优化模型全面捕捉不同工艺参数的复杂关系之后根据各个工艺参数组合下的电池性能确定电极片的涂布工艺优化结果，不仅耗时短，还能够提高优化效果。
参考图3，图3为本发明一种钠离子电池电极片的涂布工艺优化方法第二实施例的流程示意图。
基于上述第一实施例，本实施例钠离子电池电极片的涂布工艺优化方法所述通过电极片涂布工艺优化模型预测在不同工艺参数组合下的电池性能，其中，所述电极片涂布工艺优化模型为在自注意力机制深度学习模型的基础上引入树结构、可学习的向量表示以及多头注意力机制，包括：
步骤S201：根据所述树结构将工艺参数组合按照层级进行结构化表示，捕捉工艺参数之间的相关关系。
需要说明的是，通过电极片涂布工艺优化模型中的树结构将解释变量按照层级进行结构化表示，这解决了传统方法对变量关系的简单处理，从而更准确地捕捉参数之间的复杂关系。
步骤S202：通过可学习的向量表达工艺参数之间的关联关系。
需要说明的是，基于可学习的向量表示，生成解释性信息，通过计算向量之间的关联性来表达工艺参数之间的关联关系，通过关联关系能够为各个参数对电池性能的影响程提供直观的解释。
步骤S203：利用多头注意力机制分析工艺参数之间的依赖性。
在一实施例中，所述多头注意力机制为引入循环存储机制的多头自注意力编码器，所述循环存储机制将历史的编码状态存储；其中，
所述利用多头注意力机制分析工艺参数之间的依赖性，包括：
通过在多头自注意力编码器引入残差连接之后，保留所述工艺参数的原始特征信息；
通过所述多头自注意力编码器的前馈全连接网络对所述原始特征信息进行特征变换，得到变换特征；
通过所述多头自注意力编码器连接的线性回归层根据所述变换特征学习所述工艺参数之间的依赖性。
需要说明的是，引入循环存储机制，能够将历史的编码状态进行存储，新状态会覆盖旧状态，实现循环使用有限存储空间，以保留历史信息；在多头自注意力编码器的每一层引入残差连接，这样能够保留原始特征信息，另外，每个多头自注意力编码器层都包含前馈全连接网络，能够用于进行特征变换，增强模型对复杂模式的学习能力；最后的编码器层输出连接一个线性回归层，线性层的参数可学习工艺参数之间的依赖性，最后可以根据依赖性将多头自注意力编码器的输出结构映射到最终预测的电池性能上。
步骤S204：根据所述相关关系、所述关联关系以及所述依赖性，通过电极片涂布工艺优化模型预测在不同工艺参数组合下的电池性能。
需要说明的是，可以结合相关关系、观澜关系以及依赖性来全面预测在不同工艺参数组合下的电池性能。
本实施例通过根据所述树结构将工艺参数组合按照层级进行结构化表示，捕捉工艺参数之间的相关关系；通过可学习的向量表达工艺参数之间的关联关系；利用多头注意力机制分析工艺参数之间的依赖性；根据所述相关关系、所述关联关系以及所述依赖性，通过电极片涂布工艺优化模型预测在不同工艺参数组合下的电池性能。通过上述方式，能够根据构建解释变量的树结构来捕捉参数之间的相关关系、根据可学习的向量表示来表达不同变量之间的关联关系，以及根据多头自注意力编码器分析不同参数之间的依赖性来进一步提高电池性能的预测精准性。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有钠离子电池电极片的涂布工艺优化程序，所述钠离子电池电极片的涂布工艺优化程序被处理器执行时实现如上文所述的钠离子电池电极片的涂布工艺优化方法的步骤。
参照图4，图4为本发明钠离子电池电极片的涂布工艺优化装置第一实施例的结构框图。
如图4所示，本发明实施例提出的钠离子电池电极片的涂布工艺优化装置包括：
获取模块10，用于获取钠离子电池电极片的多个工艺参数组合。
预测模块20，用于通过电极片涂布工艺优化模型预测在不同工艺参数组合下的电池性能，其中，所述电极片涂布工艺优化模型为在自注意力机制深度学习模型的基础上引入树结构、可学习的向量表示以及多头注意力机制。
确定模块30，用于确定所述电池性能中的目标电池性能。
优化模块40，用于将所述目标电池性能对应的工艺参数组合确定为目标工艺参数组合，以基于所述目标工艺参数组合实现所述钠离子电池电极片的涂布工艺优化。
应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
本实施例通过获取钠离子电池电极片的多个工艺参数组合；通过电极片涂布工艺优化模型预测在不同工艺参数组合下的电池性能，其中，所述电极片涂布工艺优化模型为在自注意力机制深度学习模型的基础上引入树结构、可学习的向量表示以及多头注意力机制；确定所述电池性能中的目标电池性能；将所述目标电池性能对应的工艺参数组合确定为目标工艺参数组合，以基于所述目标工艺参数组合实现所述钠离子电池电极片的涂布工艺优化。通过上述方式，能够通过电极片涂布工艺优化模型全面捕捉不同工艺参数的复杂关系之后根据各个工艺参数组合下的电池性能确定电极片的涂布工艺优化结果，不仅耗时短，还能够提高优化效果。
在一实施例中，所述预测模块20，还用于：
收集电极片涂布工艺的相关数据，其中，所述相关数据包括工艺参数、电极材料特性以及电池性能测试数据；
对所述相关数据进行清洗，得到清洗数据；
对所述清洗数据进行转换，得到转换数据；
对所述转换数据进行特征提取，得到特征数据；
基于所述特征数据训练初始电极片涂布工艺优化模型，得到电极片涂布工艺优化模型。
在一实施例中，所述预测模块20，还用于：
将所述特征数据划分为训练数据和验证数据；
通过所述训练数据训练所述初始电极片涂布工艺优化模型，得到第一电极片涂布工艺优化模型；
通过所述验证数据对所述第一电极片涂布工艺优化模型进行评估，确定不同评估指标的评估结果，其中，所述评估指标包括均方误差以及判定系数；
根据所述评估结果对所述第一电极片涂布工艺优化模型进行优化，得到电极片涂布工艺优化模型。
在一实施例中，所述预测模块20，还用于：
在训练过程中，通过所述初始电极片涂布工艺优化模型根据所述训练数据学习电极片涂布工艺与电池性能之间的对应关系；
根据所述对应关系调整所述初始电极片涂布工艺优化模型的参数和结构，得到第一电极片涂布工艺优化模型。
在一实施例中，所述预测模块20，还用于：
将根据所述对应关系确定的均方误差作为损失函数；
根据所述损失函数确定预测值与真实值之间的差异；
根据所述差异更新所述初始电极片涂布工艺优化模型的参数和结构，并通过反向传播完成所述初始电极片涂布工艺优化模型的模型训练，得到第一电极片涂布工艺优化模型。
在一实施例中，所述预测模块20，还用于：
根据所述树结构将工艺参数组合按照层级进行结构化表示，捕捉工艺参数之间的相关关系；
通过可学习的向量表达工艺参数之间的关联关系；
利用多头注意力机制分析工艺参数之间的依赖性；
根据所述相关关系、所述关联关系以及所述依赖性，通过电极片涂布工艺优化模型预测在不同工艺参数组合下的电池性能。
在一实施例中，所述多头注意力机制为引入循环存储机制的多头自注意力编码器，所述循环存储机制将历史的编码状态存储；其中，
所述预测模块20，还用于：通过在多头自注意力编码器引入残差连接之后，保留所述工艺参数的原始特征信息；
通过所述多头自注意力编码器的前馈全连接网络对所述原始特征信息进行特征变换，得到变换特征；
通过所述多头自注意力编码器连接的线性回归层根据所述变换特征学习所述工艺参数之间的依赖性。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的钠离子电池电极片的涂布工艺优化方法，此处不再赘述。
此外，需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器(Read Only Memory，ROM)/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种钠离子电池电极片的涂布工艺优化方法，其特征在于，所述钠离子电池电极片的涂布工艺优化方法，包括：
获取钠离子电池电极片的多个工艺参数组合；
通过电极片涂布工艺优化模型预测在不同工艺参数组合下的电池性能，其中，所述电极片涂布工艺优化模型为在自注意力机制深度学习模型的基础上引入树结构、可学习的向量表示以及多头注意力机制；
确定所述电池性能中的目标电池性能；
将所述目标电池性能对应的工艺参数组合确定为目标工艺参数组合，以基于所述目标工艺参数组合实现所述钠离子电池电极片的涂布工艺优化。
2.如权利要求1所述的方法，其特征在于，所述通过电极片涂布工艺优化模型预测在不同工艺参数组合下的电池性能之前，还包括：
收集电极片涂布工艺的相关数据，其中，所述相关数据包括工艺参数、电极材料特性以及电池性能测试数据；
对所述相关数据进行清洗，得到清洗数据；
对所述清洗数据进行转换，得到转换数据；
对所述转换数据进行特征提取，得到特征数据；
基于所述特征数据训练初始电极片涂布工艺优化模型，得到电极片涂布工艺优化模型。
3.如权利要求2所述的方法，其特征在于，所述基于所述特征数据训练初始电极片涂布工艺优化模型，得到电极片涂布工艺优化模型，包括：
将所述特征数据划分为训练数据和验证数据；
通过所述训练数据训练所述初始电极片涂布工艺优化模型，得到第一电极片涂布工艺优化模型；
通过所述验证数据对所述第一电极片涂布工艺优化模型进行评估，确定不同评估指标的评估结果，其中，所述评估指标包括均方误差以及判定系数；
根据所述评估结果对所述第一电极片涂布工艺优化模型进行优化，得到电极片涂布工艺优化模型。
4.如权利要求3所述的方法，其特征在于，所述通过所述训练数据训练所述初始电极片涂布工艺优化模型，得到第一电极片涂布工艺优化模型，包括：
在训练过程中，通过所述初始电极片涂布工艺优化模型根据所述训练数据学习电极片涂布工艺与电池性能之间的对应关系；
根据所述对应关系调整所述初始电极片涂布工艺优化模型的参数和结构，得到第一电极片涂布工艺优化模型。
5.如权利要求4所述的方法，其特征在于，所述根据所述对应关系调整所述初始电极片涂布工艺优化模型的参数和结构，得到第一电极片涂布工艺优化模型，包括：
将根据所述对应关系确定的均方误差作为损失函数；
根据所述损失函数确定预测值与真实值之间的差异；
根据所述差异更新所述初始电极片涂布工艺优化模型的参数和结构，并通过反向传播完成所述初始电极片涂布工艺优化模型的模型训练，得到第一电极片涂布工艺优化模型。
6.如权利要求1所述的方法，其特征在于，所述通过电极片涂布工艺优化模型预测在不同工艺参数组合下的电池性能，其中，所述电极片涂布工艺优化模型为在自注意力机制深度学习模型的基础上引入树结构、可学习的向量表示以及多头注意力机制，包括：
根据所述树结构将工艺参数组合按照层级进行结构化表示，捕捉工艺参数之间的相关关系；
通过可学习的向量表达工艺参数之间的关联关系；
利用多头注意力机制分析工艺参数之间的依赖性；
根据所述相关关系、所述关联关系以及所述依赖性，通过电极片涂布工艺优化模型预测在不同工艺参数组合下的电池性能。
7.如权利要求6所述的方法，其特征在于，所述多头注意力机制为引入循环存储机制的多头自注意力编码器，所述循环存储机制将历史的编码状态存储；其中，
所述利用多头注意力机制分析工艺参数之间的依赖性，包括：
通过在多头自注意力编码器引入残差连接之后，保留所述工艺参数的原始特征信息；
通过所述多头自注意力编码器的前馈全连接网络对所述原始特征信息进行特征变换，得到变换特征；
通过所述多头自注意力编码器连接的线性回归层根据所述变换特征学习所述工艺参数之间的依赖性。
8.一种钠离子电池电极片的涂布工艺优化装置，其特征在于，所述钠离子电池电极片的涂布工艺优化装置，包括：
获取模块，用于获取钠离子电池电极片的多个工艺参数组合；
预测模块，用于通过电极片涂布工艺优化模型预测在不同工艺参数组合下的电池性能，其中，所述电极片涂布工艺优化模型为在自注意力机制深度学习模型的基础上引入树结构、可学习的向量表示以及多头注意力机制；
确定模块，用于确定所述电池性能中的目标电池性能；
优化模块，用于将所述目标电池性能对应的工艺参数组合确定为目标工艺参数组合，以基于所述目标工艺参数组合实现所述钠离子电池电极片的涂布工艺优化。
9.一种钠离子电池电极片的涂布工艺优化设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的钠离子电池电极片的涂布工艺优化程序，所述钠离子电池电极片的涂布工艺优化程序配置为实现如权利要求1至7中任一项所述的钠离子电池电极片的涂布工艺优化方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有钠离子电池电极片的涂布工艺优化程序，所述钠离子电池电极片的涂布工艺优化程序被处理器执行时实现如权利要求1至7任一项所述的钠离子电池电极片的涂布工艺优化方法的步骤。
CN202410033900.XA 2024-01-09 2024-01-09 钠离子电池电极片的涂布工艺优化方法、装置及设备 Pending CN118070848A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410033900.XA CN118070848A (zh) 2024-01-09 2024-01-09 钠离子电池电极片的涂布工艺优化方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410033900.XA CN118070848A (zh) 2024-01-09 2024-01-09 钠离子电池电极片的涂布工艺优化方法、装置及设备

Publications (1)

Publication Number Publication Date
CN118070848A true CN118070848A (zh) 2024-05-24

Family

ID=91096220

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410033900.XA Pending CN118070848A (zh) 2024-01-09 2024-01-09 钠离子电池电极片的涂布工艺优化方法、装置及设备

Country Status (1)

Country Link
CN (1) CN118070848A (zh)

Similar Documents

Publication Publication Date Title
CN111026548B (zh) 一种逆向深度强化学习的电力通信设备测试资源调度方法
CN111258767A (zh) 复杂系统仿真应用的云计算资源智能分配方法与装置
CN117132135A (zh) 基于数字孪生的城市信息化管理系统及方法
CN116338502A (zh) 一种基于随机噪声增强和循环神经网络的燃料电池寿命预测方法
CN114943372A (zh) 基于贝叶斯循环神经网络的质子交换膜寿命预测方法及装置
CN114004162A (zh) 一种多工况场景下的冶炼负荷谐波发射水平的建模方法
CN115394383A (zh) 磷光材料的发光波长预测方法及系统
CN118537038A (zh) 一种基于朴素贝叶斯的业务营销分析方法及其设备
CN111563203A (zh) 一种基于快速非负隐特征分析的智能家居用户-服务兴趣度个性化预测装置和预测方法
CN113763031B (zh) 一种商品推荐方法、装置、电子设备及存储介质
CN118378213A (zh) 数据质量评估方法、装置、设备、存储介质及产品
CN118113995A (zh) 基于人工智能和传感技术的旅游舒适性预测方法
CN117149249A (zh) 模型更新方法、系统、设备和存储介质
Qin et al. A hybrid deep learning model for short‐term load forecasting of distribution networks integrating the channel attention mechanism
CN118070848A (zh) 钠离子电池电极片的涂布工艺优化方法、装置及设备
CN116561569A (zh) 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法
CN115022194B (zh) 基于sa-gru的网络安全态势预测方法
CN111461344A (zh) 高阶特征的自动生成方法、系统、设备和介质
CN118410051B (zh) 基于云计算的建筑测绘数据管理系统及方法
CN118549839B (zh) 基于相对位置矩阵和残差网络的电池早期寿命预测方法
CN118395877B (zh) 微带贴片天线的优化设计方法、装置、设备及介质
CN117076113B (zh) 一种基于联邦学习的工业异构设备多作业调度方法
CN118035811B (zh) 基于图卷积神经网络的用电设备状态感知方法、控制服务器及介质
CN118211061B (zh) 多指标融合和业务感知的采集系统运行监测方法及系统
CN118627640A (zh) 电堆吹扫模型样本构建方法、装置、介质和设备

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