一种优化锂电池分容工序的方法

技术领域

本发明属于电池技术领域，尤其涉及一种优化锂电池分容工序的方法。

背景技术

锂离子电池具有寿命长、比容量大和无记忆效应等优点，在新能源汽车、无人机、电动工具和通信储能等领域有着广泛的应用。

在当前全球面临气候变化的挑战下，中国提出了“碳达峰”与“碳中和”的目标。数字化工厂建设有助于企业实现低碳发展。MES(Manufacturing Execution System)系统是一套面向制造企业车间执行层的生产信息化管理系统。MES系统是数字工厂的基础，它具有实时收集生产过程中数据的功能。当前，大部分电池工厂都配备了MES系统，但是，现在缺乏有效利用数据的方式方法，MES数据的价值无法得到有效利用。

目前，主流的锂电池容量筛选流程是：单体电芯化成后做分容，分容后老化；然后根据分容容量及老化后电池状态分档出货。分容是将化成后的电池置于检测柜充放电，分容过程耗时长、耗能大，造成生产周期长、电池积压量大，生产效率较低。

发明内容

本发明实施例提供一种优化锂电池分容工序的方法，旨在解决现有的分容过程耗时长、耗能大，造成生产周期长、电池积压量大，生产效率较低等问题。

为了达到上述目的，本发明实施例提供一种优化锂电池分容工序的方法，包括如下步骤：

S01、将电芯MES数据输入钓鱼城图谱因果分析引擎，建立容量预测模型；

S02、将所述容量预测模型与电芯的MES系统联通；

S03、所述MES系统向所述容量预测模型传输所述前段工序的数据；所述容量预测模型进行容量预测，并将预测容量传输至所述MES系统；

S04、所述MES系统将所述预测容量传输至电芯产线，并判断所述电芯产线的电芯是否具有所述预测容量；在分容前，所述电芯产线根据所述预测容量挑选标有所述预测容量的电芯；

S05、将步骤S04中挑选的标有所述预测容量的电芯进行电芯分档。

作为优选的实施方式，步骤S01中，

所述电芯MES数据包括电芯前段工序数据和电芯分容结果(即电芯分容得出的容量值)；所述前段工序包括叠片、入壳、焊接、氦检、耐压测试、烘烤、注液、化成以及静置工序。

所述容量预测模型的建立通过预置机器学习逻辑实现，具体包括如下步骤：

S011、数据收集：收集所述电芯MES数据；

S012、数据预处理：对所述电芯MES数据进行预处理，得到预处理数据；

S013、特征提取：从所述预处理数据中提取数据特征；

S014、模型选择：根据所述数据特征和预测目标，选择模型；

S015、模型训练：使用训练数据对所述模型进行训练，得到容量预测模型。

作为优选的实施方式，步骤S012中，所述预处理包括清洗、去噪或归一化处理等。

作为优选的实施方式，步骤S013中，所述数据特征包括电芯容量、电压以及电流等。

作为优选的实施方式，步骤S014中，所述模型包括线性回归、决策树或神经网络等。

作为优选的实施方式，步骤S015中，所述容量预测模型为具有最优模型参数的模型。

作为优选的实施方式，所述容量预测模型的建立还包括步骤S016、模型评估：使用测试数据对所述容量预测模型进行评估。模型评估是对训练模型的验证，经过验证的模型最终被应用于实际的容量预测任务中。

步骤S02中，通过将容量预测模型与MES系统联通能够实现数据传输，所述数据传输包括通过所述MES系统向所述钓鱼城图谱因果分析引擎定时传输数据以及所述钓鱼城图谱因果分析引擎定时向所述MES系统回传数据。

作为优选的实施方式，步骤S03中，

所述容量预测根据接收的所述前段工序的数据进行预测，具体包括如下步骤：

S031、生产数据发送：所述MES系统将所述前段工序的数据传输至所述钓鱼城图谱因果分析引擎；

S032、数据预处理：所述钓鱼城图谱因果分析引擎对接收到的所述前段工序的数据进行预处理(去除异常数据)，得到预处理数据；

S033、容量预测：所述钓鱼城图谱因果分析引擎通过所述容量预测模型对所述预处理数据进行容量预测，得到预测容量；

S034、预测容量回传：所述钓鱼城图谱因果分析引擎将所述预测容量回传至所述MES系统。

作为优选的实施方式，步骤S031中，所述前段工序的数据以电芯条码+工序数据的格式进行输送。

作为优选的实施方式，步骤S034中，所述预测容量以电芯条码+预测容量的格式进行回传。

作为优选的实施方式，步骤S04中，

所述挑选通过机械手实现。

步骤S04还包括将未标有预测容量的电芯按正常分容流程进行分容。

作为优选的实施方式，步骤S05中，

所述电芯分档通过如下方法实现：将步骤S04中挑选的标有所述预测容量的电芯进行内阻测量，然后进行12h～36h高温后检测电芯的OCV1数据，最后经48h～72h常温后检测电芯的OCV2数据，通过筛选预测容量、内阻、OCV1与OCV2之间的电压差进行电芯分档。

作为优选的实施方式，所述高温的温度为42±5℃。

本申请能够充分利用工厂现有资源，采用MES数据结合数据驱动的方式建立模型，通过容量预测模型与MES系统相结合，在MES系统内嵌入模型，将电芯制作的前段工序作为输入量进行电芯容量的预测，将预测置性度高的电芯免分容，数据缺失或异常的电芯走正常分容流程，实现部分电芯免分容，大大降低了预测的风险性，有效优化了锂电池分容工序，解决现有的分容过程耗时长、耗能大，造成生产周期长、电池积压量大，生产效率较低等问题。本申请工艺简单，耗时短，耗能小，优化成本低，生产效率高，可以适用于规模化大生产。

附图说明

图1为本申请实施例优化锂电池分容工序的方法的流程示意图；

图2为本申请实施例优化锂电池分容工序的方法的操作界面示意图；

图3为本申请实施例优化锂电池分容工序的方法的使用案例数据示意图。

具体实施方式

下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明，若本发明实施例中有涉及方向性指示(诸如上、下、左、右、前、后、顶、底……)，则该方向性指示仅用于解释在某一特定姿态下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。

在本申请中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。

需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。

另外，若本发明实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

具体的，如图1所示，本发明实施例提供一种优化锂电池分容工序的方法，包括如下步骤：

S01、将电芯MES数据输入钓鱼城图谱因果分析引擎，建立容量预测模型；

S02、将所述容量预测模型与电芯的MES系统联通；

S03、所述MES系统向所述容量预测模型传输所述前段工序的数据；所述容量预测模型进行容量预测，并将预测容量传输至所述MES系统；

S04、所述MES系统将所述预测容量传输至电芯产线，并判断所述电芯产线的电芯是否具有所述预测容量；在分容前，所述电芯产线根据所述预测容量挑选标有所述预测容量的电芯；

S05、将步骤S04中挑选的标有所述预测容量的电芯进行电芯分档。

作为优选的实施方式，步骤S01中，

所述电芯MES数据包括电芯前段工序数据和电芯分容结果(即电芯分容得出的容量值)；所述前段工序包括叠片、入壳、焊接、氦检、耐压测试、烘烤、注液、化成以及静置工序。

所述容量预测模型的建立通过预置机器学习逻辑实现，具体包括如下步骤：S011、数据收集：收集所述电芯MES数据；

S012、数据预处理：对所述电芯MES数据进行预处理，得到预处理数据；

S013、特征提取：从所述预处理数据中提取数据特征；

S014、模型选择：根据所述数据特征和预测目标，选择模型；

S015、模型训练：使用训练数据对所述模型进行训练，得到容量预测模型。

作为优选的实施方式，步骤S012中，所述预处理包括清洗、去噪或归一化处理等。

作为优选的实施方式，步骤S013中，所述数据特征包括电芯容量、电压以及电流等。

作为优选的实施方式，步骤S014中，所述模型包括线性回归、决策树或神经网络等。

作为优选的实施方式，步骤S015中，

所述容量预测模型为具有最优模型参数的模型。

所述训练数据选自所述电芯MES数据。一般的，在本申请实施例中，80％所述电芯MES数据都用来作为训练数据。训练时，由已知的电芯分容结果，通过训练数据找寻前段工序数据与电芯分容结果的关系，从而构建得到容量预测模型。作为优选的实施方式，所述容量预测模型的建立还包括步骤S016、模型评估：使用测试数据对所述容量预测模型进行评估。模型评估是对训练模型的验证，经过验证的模型最终被应用于实际的容量预测任务中。

所述测试数据选自所述电芯MES数据。一般的，在本申请实施例中，20％所述电芯MES数据都用来作为测试数据。进行评估时，将测试数据中的前段工序数据作为输入，输入至容量预测模型中，得到预测容量；将得到的预测容量与电芯分容结果进行比对，可以得到预测容量与真实容量值的误差。一般的，平均容量预测误差＝|预测容量-分容结果|/分容结果x100％；评估标准是依据电池厂家的电芯配组标准制定的，平均容量预测误差在0.3％-0.8％之间即可。

步骤S02中，通过将容量预测模型与MES系统联通能够实现数据传输，所述数据传输包括通过所述MES系统向所述钓鱼城图谱因果分析引擎定时传输数据以及所述钓鱼城图谱因果分析引擎定时向所述MES系统回传数据。

作为优选的实施方式，步骤S03中，

所述容量预测根据接收的所述前段工序的数据进行预测，具体包括如下步骤：

S031、生产数据发送：所述MES系统将所述前段工序的数据传输至所述钓鱼城图谱因果分析引擎；

S032、数据预处理：所述钓鱼城图谱因果分析引擎对接收到的所述前段工序的数据进行预处理(去除异常数据)，得到预处理数据；

S033、容量预测：所述钓鱼城图谱因果分析引擎通过所述容量预测模型对所述预处理数据进行容量预测，得到预测容量；

S034、预测容量回传：所述钓鱼城图谱因果分析引擎将所述预测容量回传至所述MES系统。

作为优选的实施方式，步骤S031中，所述前段工序的数据以电芯条码+工序数据的格式进行输送。

作为优选的实施方式，步骤S034中，所述预测容量以电芯条码+预测容量的格式进行回传。

作为优选的实施方式，步骤S04中，

所述挑选通过机械手实现。

步骤S04还包括将未标有预测容量的电芯按正常分容流程进行分容。

作为优选的实施方式，步骤S05中，

所述电芯分档通过如下方法实现：将步骤S04中挑选的标有所述预测容量的电芯进行内阻测量，然后进行12h～36h高温后检测电芯的OCV1数据，最后经48h～72h常温后检测电芯的OCV2数据，通过筛选预测容量、内阻、OCV1与OCV2之间的电压差进行电芯分档。

电芯分档可以根据实际需要进行设置。具体的，在本申请实施了中，免分容电芯容量在进行1天高温后检测OCV1数据，3天常温后检测OCV2数据，通过筛选OCV1与OCV2之间的电压差，将OCV1与OCV2之间的电压差控制在0.002V；预测选取的容量在[65，65.5)Ah，同组内容量差按照0.5Ah；电芯内阻分布在0.2mΩ～0.3mΩ之间，符合电芯内阻0.2mΩ～0.5mΩ的要求。没有特别说明的话，上述检测或测量均采用常规方法即可实现。

作为优选的实施方式，所述高温的温度为42±5℃。根据实际需要，高温温度可以为37℃，或者为42℃，或者为45℃，或者为47℃等等。

图2为本申请实施例优化锂电池分容工序的方法的操作界面示意图；图3为本申请实施例优化锂电池分容工序的方法的使用案例数据示意图。从图2和图3可以看到，本申请能实现部分电芯免分容，大大降低了预测的风险性，有效优化了锂电池分容工序，解决现有的分容过程耗时长、耗能大，造成生产周期长、电池积压量大，生产效率较低等问题。

本申请能够充分利用工厂现有资源，采用MES数据结合数据驱动的方式建立模型，通过容量预测模型与MES系统相结合，在MES系统内嵌入模型，将电芯制作的前段工序作为输入量进行电芯容量的预测，将预测置性度高的电芯免分容，数据缺失或异常的电芯走正常分容流程，实现部分电芯免分容，大大降低了预测的风险性，有效优化了锂电池分容工序，解决现有的分容过程耗时长、耗能大，造成生产周期长、电池积压量大，生产效率较低等问题。本申请工艺简单，耗时短，耗能小，优化成本低，生产效率高，可以适用于规模化大生产。

在本说明书的描述中，参考术语“一实施例”、“示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以适当组合，形成本领域技术人员可以理解的其他实施方式。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。