需求分析

基于動力電池的快速發(fā)展，動力電池制造已邁向了TWh時代，動力電池的品質(zhì)也由ppm向ppb級別提升，因此準確測定產(chǎn)品質(zhì)量是鋰離子電池生產(chǎn)中的關(guān)鍵挑戰(zhàn)之一。由于鋰離子電池體系非常復雜，傳統(tǒng)的質(zhì)量控制措施如化成，老化等成本非常高且很耗時。根據(jù)以下報道計算，鋰離子電池化成和老化的成本占比生產(chǎn)成本高達32.8% 。

The Future of Battery Production for Electric Vehicles (bcg.com)

鋰離子電池產(chǎn)業(yè)鏈質(zhì)量控制檢測

那可以考慮在電芯制造環(huán)節(jié)早期，在化成和老化前對電池進行質(zhì)量分類和壽命預測。從而達到降低能耗，提高良品率，提升電池一致性的目的。因此可行的方式是，在進入老化步驟之前，使用預測質(zhì)量模型來識別電池質(zhì)量，以減少處理時間，直至消除整個處理步驟，因此需要建立基于生產(chǎn)數(shù)據(jù)的電池壽命早期預測方法。

電池早期質(zhì)量分類及預測策略

近年來，人們提出了幾種數(shù)據(jù)驅(qū)動的方法，使用各種分析方法來分析LIB的狀態(tài)和質(zhì)量，為了預測壽命和電池余量，基于電化學特征的方法被認為是最有前途的解決方案，此類方法具體的步驟如下。

通過以上分析，基于交流阻抗數(shù)據(jù)驅(qū)動的模型具有以下重要意義。

• 對于過程偏差的早期檢測

相比傳統(tǒng)耗時的質(zhì)量保證過程相比，數(shù)據(jù)驅(qū)動的分析在檢測潤濕和化成過程中的工藝缺陷方面有巨大潛力

• 產(chǎn)能增加

除了分析工藝偏差外，數(shù)據(jù)驅(qū)動分析有助于早期階段檢測缺陷單元，從而提高產(chǎn)能，結(jié)果表明，在耗時和耗能的老化步驟前，神經(jīng)網(wǎng)絡(luò)有助于確定LIB的循環(huán)壽命，潤濕和化成的信息足以進行第一次質(zhì)量分類。

• 質(zhì)量測定的擴展數(shù)據(jù)基礎(chǔ)

采用所提出的預測和分類方法，電池制造環(huán)節(jié)可以利用生產(chǎn)數(shù)據(jù)并實現(xiàn)早期質(zhì)量保證，而無需耗時的充放電循環(huán)。因此，預測早期循環(huán)壽命和確定準確的剩余使用壽命(RUL)是不同的挑戰(zhàn)，RUL通常應用于動態(tài)電池運行，研究結(jié)果表明，電池制造商可以使用數(shù)據(jù)驅(qū)動來分析和補充老化及壽命終止(EoL)測試的質(zhì)量測定，以獲得改進的質(zhì)量測定方法。

• 備選工藝路線

將先前的工藝和單元數(shù)據(jù)與神經(jīng)網(wǎng)絡(luò)和循環(huán)數(shù)據(jù)結(jié)合使用，可以實時預測循環(huán)壽命。只要電池在循環(huán)期間被可靠的分組為相應質(zhì)量等級，就可以根據(jù)質(zhì)量分組來銷售電池。

結(jié)論

在本文中，基于數(shù)據(jù)驅(qū)動的機器學習方法被用于動力電池生產(chǎn)環(huán)節(jié)早期質(zhì)量預測和分類。對29個軟包電池采用線性回歸和神經(jīng)元(ANN)兩種方法預測并進行對比，在引入29個特征參數(shù)時ANN的誤差范圍為 10.1% 。然而，僅需引入幾個特征參數(shù)，線性回歸的誤差約為13%。選用更具優(yōu)勢的 ANN依據(jù)電池的循環(huán)次數(shù)對電池進行分類。最佳分類模型對兩個循環(huán)壽命的分類準確度達到97%。使用潤濕后的EIS測量數(shù)據(jù)和化成后的數(shù)據(jù)(EIS & 化成數(shù)據(jù)), 分類的準確度分別是80% 和 88% 。最后，將數(shù)據(jù)驅(qū)動的ANN用于電池壽命和質(zhì)量分類預測。盡管ANN無法提供電池的化學和衰減機制，但可以從電學和電化學分析中提取出了一些特征信息。這些發(fā)現(xiàn)非常有助于在鋰離子電池生產(chǎn)過程，在早期去發(fā)現(xiàn)有缺陷的電池，增加效率和整體質(zhì)量?？梢钥焖贆z測工藝誤差，從而基于質(zhì)量預測優(yōu)化生產(chǎn)工藝。

參考資料

1. The Future of Battery Production for Electric Vehicles (bcg.com)

2. Early Quality Classification and Prediction of Battery Cycle Life in Production Using Machine Learning, Journal of Energy Storage 50 (2022) 104144