交流阻抗应用 | 数据驱动机器学习模型对动力电池生产早期质量分类和寿命预测

需求分析

基于动力电池的快速发展，动力电池制造已迈向了TWh时代，动力电池的品质也由ppm向ppb级别提升，因此准确测定产品质量是锂离子电池生产中的关键挑战之一。由于锂离子电池体系非常复杂，传统的质量控制措施如化成，老化等成本非常高且很耗时。根据以下报道计算，锂离子电池化成和老化的成本占比生产成本高达32.8% 。

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

锂离子电池产业链质量控制检测

那可以考虑在电芯制造环节早期，在化成和老化前对电池进行质量分类和寿命预测。从而达到降低能耗，提高良品率，提升电池一致性的目的。因此可行的方式是，在进入老化步骤之前，使用预测质量模型来识别电池质量，以减少处理时间，直至消除整个处理步骤，因此需要建立基于生产数据的电池寿命早期预测方法。

电池早期质量分类及预测策略

近年来，人们提出了几种数据驱动的方法，使用各种分析方法来分析LIB的状态和质量，为了预测寿命和电池余量，基于电化学特征的方法被认为是Z 有前途的解决方案，此类方法具体的步骤如下。

通过以上分析，基于交流阻抗数据驱动的模型具有以下重要意义。

•  对于过程偏差的早期检测

相比传统耗时的质量保证过程相比，数据驱动的分析在检测润湿和化成过程中的工艺缺陷方面有巨大潜力

•  产能增加

除了分析工艺偏差外，数据驱动分析有助于早期阶段检测缺陷单元，从而提高产能，结果表明，在耗时和耗能的老化步骤前，神经网络有助于确定LIB的循环寿命，润湿和化成的信息足以进行 第 一次质量分类。

•  质量测定的扩展数据基础

采用所提出的预测和分类方法，电池制造环节可以利用生产数据并实现早期质量保证，而无需耗时的充放电循环。因此，预测早期循环寿命和确定准确的剩余使用寿命(RUL)是不同的挑战，RUL通常应用于动态电池运行，研究结果表明，电池制造商可以使用数据驱动来分析和补充老化及寿命终止(EoL)测试的质量测定，以获得改进的质量测定方法。

• 备选工艺路线

将先前的工艺和单元数据与神经网络和循环数据结合使用，可以实时预测循环寿命。只要电池在循环期间被可靠的分组为相应质量等级，就可以根据质量分组来销售电池。

结论

在本文中，基于数据驱动的机器学习方法被用于动力电池生产环节早期质量预测和分类。对29个软包电池采用线性回归和神经元(ANN)两种方法预测并进行对比，在引入29个特征参数时ANN的误差范围为 10.1% 。然而，仅需引入几个特征参数，线性回归的误差约为13%。选用更具优势的 ANN依据电池的循环次数对电池进行分类。Z 佳分类模型对两个循环寿命的分类准确度达到97%。使用润湿后的EIS测量数据和化成后的数据(EIS & 化成数据), 分类的准确度分别是80% 和 88% 。Z 后，将数据驱动的ANN用于电池寿命和质量分类预测。尽管ANN无法提供电池的化学和衰减机制，但可以从电学和电化学分析中提取出了一些特征信息。这些发现非常有助于在锂离子电池生产过程，在早期去发现有缺陷的电池，增加效率和整体质量。可以快速检测工艺误差，从而基于质量预测优化生产工艺。