交流阻抗應用 | 資料驅動機器學習模型對動力電池生產早期質量分類和壽命預測

需求分析

基於動力電池的快速發展，動力電池製造已邁向了TWh時代，動力電池的品質也由ppm向ppb級別提升，因此準確測定產品質量是鋰離子電池生產中的關鍵挑戰之一。由於鋰離子電池體系非常複雜，傳統的質量控制措施如化成，老化等成本非常高且很耗時。根據以下報道計算，鋰離子電池化成和老化的成本佔比生產成本高達32.8% 。

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

鋰離子電池產業鏈質量控制檢測

那可以考慮在電芯製造環節早期，在化成和老化前對電池進行質量分類和壽命預測。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，使用預測質量模型來識別電池質量，以減少處理時間，直至消除整個處理步驟，因此需要建立基於生產資料的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，人們提出了幾種資料驅動的方法，使用各種分析方法來分析LIB的狀態和質量，為了預測壽命和電池餘量，基於電化學特徵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。

​透過以上分析，基於交流阻抗資料驅動的模型具有以下重要意義。

• 對於過程偏差的早期檢測

相比傳統耗時的質量保證過程相比，資料驅動的分析在檢測潤溼和化成過程中的工藝缺陷方面有巨大潛力

• 產能增加

除了分析工藝偏差外，資料驅動分析有助於早期階段檢測缺陷單元，從而提高產能，結果表明，在耗時和耗能的老化步驟前，神經網路有助於確定LIB的迴圈壽命，潤溼和化成的資訊足以進行第一次質量分類。

• 質量測定的擴充套件資料基礎

採用所提出的預測和分類方法，電池製造環節可以利用生產資料並實現早期質量保證，而無需耗時的充放電迴圈。因此，預測早期迴圈壽命和確定準確的剩餘使用壽命(RUL)是不同的挑戰，RUL通常應用於動態電池執行，研究結果表明，電池製造商可以使用資料驅動來分析和補充老化及壽命終止(EoL)測試的質量測定，以獲得改進的質量測定方法。

• 備選工藝路線

將先前的工藝和單元資料與神經網路和迴圈資料結合使用，可以實時預測迴圈壽命。只要電池在迴圈期間被可靠的分組為相應質量等級，就可以根據質量分組來銷售電池。

結論

在本文中，基於資料驅動的機器學習方法被用於動力電池生產環節早期質量預測和分類。對29個軟包電池採用線性迴歸和神經元(ANN)兩種方法預測並進行對比，在引入29個特徵引數時ANN的誤差範圍為 10.1% 。然而，僅需引入幾個特徵引數，線性迴歸的誤差約為13%。選用更具優勢的 ANN依據電池的迴圈次數對電池進行分類。最佳分類模型對兩個迴圈壽命的分類準確度達到97%。使用潤溼後的EIS測量資料和化成後的資料(EIS & 化成資料), 分類的準確度分別是80% 和 88% 。最後，將資料驅動的ANN用於電池壽命和質量分類預測。儘管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徵資訊。這些發現非常有助於在鋰離子電池生產過程，在早期去發現有缺陷的電池，增加效率和整體質量。可以快速檢測工藝誤差，從而基於質量預測最佳化生產工藝。

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