机器学习在锂离子电池产线工艺优化中的应用研究.pdfVIP

硕士学位论文

MASTERTHESIS

摘要

摘要

新能源发展势不可挡，随着电动汽车和储能设备的普及，市场对锂离子电池

提出更高的能量密度和超高的安全性等要求，并希望在增大锂离子电池产量的同

时，提高电池一致性，降低生产成本。由于传统人工分析和验证的研究方法在时

间和成本上的局限性较大，锂离子电池的研发难以提速。本文基于以上问题，设

计了融合大数据技术、计算机科学和电池相关机理等的智能化锂离子电池生产研

究架构，以推动锂离子电池材料、器件和系统的发展，并探究了机器学习在锂离

子电池正极材料生产和电芯制造中的具体应用。

首先，描述了智能化锂离子电池生产研究架构设计，对数据获取、高通量实

验平台和专用算法库等关键模块展开介绍，讲述了机器学习的关键桥梁作用。针

对数据处理问题，开发专用的自动化软件，辅助实现数据筛选、修复和整理，提

高研究效率。

其次，探究了机器学习在锂离子正极材料产线质量管控中的应用有效性。在

产线各环节中展开了机器学习建模实验，实现产品质量精准预判的同时，对103

个产线检测参数进行特征筛选。各环节部分特征筛选之后模型性能普遍提升，证

明本文采用的基于模型分析筛选贡献作用综合较大的产线参数的方法是正确的。

各环节分析和全流程分析结果中发现，产线众多检测参数中Zr含量始终对充电容

Ti

量预判有着重要影响，含量在放电容量预测中起关键作用。

2

最后，结合机器学习研究了器件模块中的锂离子电池分容技术。采用万余

条源自同一锂离子电池制造产线的数据，应用四种非线性机器学习算法，分别探

索了锂离子电池分容前产线监测数据与其分容容量之间的相关性。在全流程和部

分环节的两阶段研究中，CatBoost算法模型表现出最优的容量预测精度，其测试

集最佳预测结果的均方根误差分别占标准容量的0.32%和4%。此外，模型特征参

量贡献度统计分析结果与传统机理认识相符，发现卷芯重量等参数是分容容量预

测的关键影响参数。

研究表明，运用产线数据和机器学习建模直接预测锂电池产品性能，有望优

化锂电池生产工艺，支撑产能提升和挖掘产线机理。另外，模型特征参量分析可

以在一定程度上揭示影响电池容量的关键生产环节，支撑提高产品质量保障能力。

：锂离子电池，机器学习，数据驱动，正极材料，分容

I

ABSTRACT

ABSTRACT

Thetrendofnewenergyisunstoppable,andwiththepopularityofelectricvehicles

andenergystoragedevices,themarketdemandshigherenergydensityandultra-high

safetyforlithium-ionbatteries,andhopestoincreasetheoutputoflithium-ionbatteries

whileimprovingbatteryconsistencyandreducingproductioncosts.Duetothe

limitationsoftraditionalmanualanalysisandverificationmethodsintermsoftimeand

cost,itisdifficulttospeedupthedevelopmentoflithium-ionbatteries.Basedonthe

aboveproblems,anintelligentresearcharchitectureforlithium-ionbatteryproduction

thatintegratesbigdatatechnology,computerscienc