電化學知識

需求分析

基于(yú)動力電池的(de)快速發展，動力電池制造已邁向了(le／liǎo)TWh時(shí)代，動力電池的(de)品質也(yě)由ppm向ppb級别提升，因此準确測定産品質量是(shì)锂離子(zǐ)電池生産中的(de)關鍵挑戰之(zhī)一(yī / yì ／yí)。由于(yú)锂離子(zǐ)電池體系非常複雜，傳統的(de)質量控制措施如化成，老化等成本非常高且很耗時(shí)。根據以(yǐ)下報道(dào)計算，锂離子(zǐ)電池化成和(hé / huò)老化的(de)成本占比生産成本高達32.8% 。

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

锂離子(zǐ)電池産業鏈質量控制檢測

那可以(yǐ)考慮在(zài)電芯制造環節早期，在(zài)化成和(hé / huò)老化前對電池進行質量分類和(hé / huò)壽命預測。從而(ér)達到(dào)降低能耗，提高良品率，提升電池一(yī / yì ／yí)緻性的(de)目的(de)。因此可行的(de)方式是(shì)，在(zài)進入老化步驟之(zhī)前，使用預測質量模型來(lái)識别電池質量，以(yǐ)減少處理時(shí)間，直至消除整個(gè)處理步驟，因此需要(yào / yāo)建立基于(yú)生産數據的(de)電池壽命早期預測方法。

電池早期質量分類及預測策略

近年來(lái)，人(rén)們提出(chū)了(le／liǎo)幾種數據驅動的(de)方法，使用各種分析方法來(lái)分析LIB的(de)狀态和(hé / huò)質量，爲(wéi / wèi)了(le／liǎo)預測壽命和(hé / huò)電池餘量，基于(yú)電化學特征的(de)方法被認爲(wéi / wèi)是(shì)最有前途的(de)解決方案，此類方法具體的(de)步驟如下。

通過以(yǐ)上(shàng)分析，基于(yú)交流阻抗數據驅動的(de)模型具有以(yǐ)下重要(yào / yāo)意義。

• 對于(yú)過程偏差的(de)早期檢測

相比傳統耗時(shí)的(de)質量保證過程相比，數據驅動的(de)分析在(zài)檢測潤濕和(hé / huò)化成過程中的(de)工藝缺陷方面有巨大(dà)潛力

• 産能增加

除了(le／liǎo)分析工藝偏差外，數據驅動分析有助于(yú)早期階段檢測缺陷單元，從而(ér)提高産能，結果表明，在(zài)耗時(shí)和(hé / huò)耗能的(de)老化步驟前，神經網絡有助于(yú)确定LIB的(de)循環壽命，潤濕和(hé / huò)化成的(de)信息足以(yǐ)進行第一(yī / yì ／yí)次質量分類。

• 質量測定的(de)擴展數據基礎

采用所提出(chū)的(de)預測和(hé / huò)分類方法，電池制造環節可以(yǐ)利用生産數據并實現早期質量保證，而(ér)無需耗時(shí)的(de)充放電循環。因此，預測早期循環壽命和(hé / huò)确定準确的(de)剩餘使用壽命(RUL)是(shì)不(bù)同的(de)挑戰，RUL通常應用于(yú)動态電池運行，研究結果表明，電池制造商可以(yǐ)使用數據驅動來(lái)分析和(hé / huò)補充老化及壽命終止(EoL)測試的(de)質量測定，以(yǐ)獲得改進的(de)質量測定方法。

• 備選工藝路線

将先前的(de)工藝和(hé / huò)單元數據與神經網絡和(hé / huò)循環數據結合使用，可以(yǐ)實時(shí)預測循環壽命。隻要(yào / yāo)電池在(zài)循環期間被可靠的(de)分組爲(wéi / wèi)相應質量等級，就(jiù)可以(yǐ)根據質量分組來(lái)銷售電池。

結論

在(zài)本文中，基于(yú)數據驅動的(de)機器學習方法被用于(yú)動力電池生産環節早期質量預測和(hé / huò)分類。對29個(gè)軟包電池采用線性回歸和(hé / huò)神經元(ANN)兩種方法預測并進行對比，在(zài)引入29個(gè)特征參數時(shí)ANN的(de)誤差範圍爲(wéi / wèi) 10.1% 。然而(ér)，僅需引入幾個(gè)特征參數，線性回歸的(de)誤差約爲(wéi / wèi)13%。選用更具優勢的(de) ANN依據電池的(de)循環次數對電池進行分類。最佳分類模型對兩個(gè)循環壽命的(de)分類準确度達到(dào)97%。使用潤濕後的(de)EIS測量數據和(hé / huò)化成後的(de)數據(EIS & 化成數據), 分類的(de)準确度分别是(shì)80% 和(hé / huò) 88% 。最後，将數據驅動的(de)ANN用于(yú)電池壽命和(hé / huò)質量分類預測。盡管ANN無法提供電池的(de)化學和(hé / huò)衰減機制，但可以(yǐ)從電學和(hé / huò)電化學分析中提取出(chū)了(le／liǎo)一(yī / yì ／yí)些特征信息。這(zhè)些發現非常有助于(yú)在(zài)锂離子(zǐ)電池生産過程，在(zài)早期去發現有缺陷的(de)電池，增加效率和(hé / huò)整體質量。可以(yǐ)快速檢測工藝誤差，從而(ér)基于(yú)質量預測優化生産工藝。

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