CN116297020A - 一种锂电池浆料粘度预测方法、***及其电子设备 - Google Patents
一种锂电池浆料粘度预测方法、***及其电子设备 Download PDFInfo
- Publication number
- CN116297020A CN116297020A CN202310383834.4A CN202310383834A CN116297020A CN 116297020 A CN116297020 A CN 116297020A CN 202310383834 A CN202310383834 A CN 202310383834A CN 116297020 A CN116297020 A CN 116297020A
- Authority
- CN
- China
- Prior art keywords
- viscosity
- slurry
- prediction
- target
- parameter data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000002002 slurry Substances 0.000 title claims abstract description 219
- 238000000034 method Methods 0.000 title claims abstract description 43
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 35
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 35
- 238000003756 stirring Methods 0.000 claims abstract description 22
- 238000012937 correction Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 24
- 238000005070 sampling Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000002156 mixing Methods 0.000 description 10
- 238000000576 coating method Methods 0.000 description 9
- 239000011248 coating agent Substances 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 239000011267 electrode slurry Substances 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 4
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 229910001416 lithium ion Inorganic materials 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 239000000853 adhesive Substances 0.000 description 2
- 230000001070 adhesive effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 239000013543 active substance Substances 0.000 description 1
- 238000005054 agglomeration Methods 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 239000006256 anode slurry Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000006257 cathode slurry Substances 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 239000006258 conductive agent Substances 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 229910002804 graphite Inorganic materials 0.000 description 1
- 239000010439 graphite Substances 0.000 description 1
- 239000011344 liquid material Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007774 positive electrode material Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004537 pulping Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000011343 solid material Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N11/00—Investigating flow properties of materials, e.g. viscosity, plasticity; Analysing materials by determining flow properties
- G01N11/10—Investigating flow properties of materials, e.g. viscosity, plasticity; Analysing materials by determining flow properties by moving a body within the material
- G01N11/14—Investigating flow properties of materials, e.g. viscosity, plasticity; Analysing materials by determining flow properties by moving a body within the material by using rotary bodies, e.g. vane
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Battery Electrode And Active Subsutance (AREA)
Abstract
本发明属于领域锂电池浆料浓度测量技术领域，涉及一种锂电池浆料粘度预测方法、***及其电子设备，包括下述步骤：采集预设时间段内目标浆料在搅拌过程中搅拌机的运行参数数据；获取预设时间段内目标浆料的实际粘度，并根据搅拌机的运行参数数据，基于预先建立的浆料粘度预测模型计算目标浆料的粘度，以得到目标浆料的第一预测粘度；根据实际粘度及第一预测粘度，确定浆料粘度预测模型的修正系数；获取实时预测请求中的预测时间段，基于修正系数及浆料粘度预测模型，预测预测时间段的目标浆料的第二预测粘度。其优点在于，能够准确的预测搅拌机内浆料的粘度，避免浆料粘度在搅拌时出现粘度过高或过低的情况发生。
Description
技术领域
本发明属于领域锂电池浆料浓度测量技术领域，涉及一种锂电池浆料粘度预测方法、***及其电子设备。
背景技术
正极浆料及负极浆料是制造锂离子电池正极和负极的重要原料之一，其中，正极浆料通常由粘合剂、导电剂、正极材料等组成，负极浆料则由粘合剂、石墨碳粉等组成。正负极浆料和负极浆料的制备都包括了液体与液体、液体与固体物料之间的相互混合、溶解、分散等一系列工艺过程，而且整个过程都伴随着温度、粘度、环境等的变化。在正、负极浆料中，颗粒状活性物质的分散性和均匀性直接响到锂离子在电池两极间的运动，因此在锂离子电池生产中各极片材料的浆料的混合分散，即浆料的合浆质量至关重要。
浆料粘度是合浆质量的一个重要表征指标，浆料粘度本身不会影响电芯的性能，但粘度对浆料的稳定性和后续的涂布工艺有很大影响。浆料粘度高时，颗粒不易沉降，浆料的稳定性和均匀性都会相对较好，但过高的粘度又会导致浆料的流动性差，影响涂布效果。当然粘度过低也是不行的，粘度过低时易造成浆料稳定性差，颗粒团聚，涂布时不易烘干，还会出现涂层龟裂，面密度不一致等问题。因此浆料粘度大小会直接影响到电池极片涂覆质量的好坏，从而在执行合浆作业时，及时准确地获取浆料粘度数据显得尤为重要。然而，目前对浆料粘度的检验方法为每桶合浆完成后取一次样在旋转粘度计下测试一个粘度值，该方法存在以下缺陷：①只能等合浆完成后才能取样测试，若粘度超标还要返工，过程无法及时监控调节；②每次测试需要两个人配合，一人操作设备开罐，一人取样测试，费时费力，还存在一定的安全风险；③测试后的浆料无法及时返回合浆桶搅拌，容易团聚，且频繁开罐也增加了异物掉入合浆桶的风险。综上，现有锂电池浆料粘度的检测不够方便，检测成本高。
发明内容
本发明的目的在于针对现有技术的不足，提供一种锂电池浆料粘度预测方法、***及其电子设备，能够准确的预测搅拌机内浆料的粘度，避免浆料粘度在搅拌时出现粘度过高或过低的情况发生，从而提升锂电池在涂布时的效果。
为了实现上述目的，本发明采用了以下技术方案：
本发明第一方面在于提供一种锂电池浆料粘度预测方法，包括下述步骤：
采集预设时间段内目标浆料在搅拌过程中搅拌机的运行参数数据，所述搅拌机的运行参数数据包括：转速、转矩、电流、功率及温度；
获取预设时间段内目标浆料的实际粘度，并根据所述搅拌机的运行参数数据，基于预先建立的浆料粘度预测模型计算所述目标浆料的粘度，以得到目标浆料的第一预测粘度；
根据所述实际粘度及所述第一预测粘度，确定浆料粘度预测模型的修正系数；
获取实时预测请求中的预测时间段，基于所述修正系数及浆料粘度预测模型，预测所述预测时间段的目标浆料的第二预测粘度。
进一步的，所述浆料粘度预测模型根据如下步骤进行训练：
将训练数据中搅拌机的运行参数数据输入所述浆料粘度预测模型，通过所述浆料粘度预测模型输出浆料粘度预测数据，其中，所述训练数据包括多组模型训练数据，每一组模型训练数据组包括：搅拌机的运行参数数据及目标浆料对应的实际粘度数据；
根据所述搅拌机的运行参数数据对应的实际粘度数据和所述浆料粘度预测数据，对所述浆料粘度预测模型的模型参数进行调整，并继续执行所述将训练数据中搅拌机的运行参数数据输入所述浆料粘度预测模型的步骤，直至满足预设训练条件，以得到已训练的浆料粘度预测模型。
进一步的，所述浆料粘度预测模型为：
y＝f(R，Xk，Xk-1，Xk-2，t)；
其中，y为目标浆料的第一预测粘度，R为目标浆料的配方，Xk为第k次取样时搅拌机的运行参数数据，Xk-1为第k次取样时的前一次搅拌机的运行参数数据，Xk-2为第k-1次取样时前一次搅拌机的运行参数数据，t为采样的时间间隔。
进一步的，所述采集预设时间段内目标浆料在搅拌过程中搅拌机的运行参数数据包括：采集预设时间段内多个相同时间间隔不同时刻搅拌机的运行参数数据。
进一步的，通过流变仪对所述目标浆料的粘度进行检测，获得在所述预设时间段内的多个不同采集时刻目标浆料的实际粘度。
本发明第二方面在于提供一种锂电池浆料粘度预测***，包括：
采集模块，所述采集模块用于采集预设时间段内目标浆料在搅拌过程中搅拌机的运行参数数据，所述搅拌机的运行参数数据包括：转速、转矩、电流、功率及温度；
计算模块，所述计算模块用于获取预设时间段内目标浆料对应的实际粘度，并根据所述搅拌机的运行参数数据，基于预先建立的浆料粘度预测模型计算所述目标浆料的粘度，以得到目标浆料的第一预测粘度；
确定模块，所述确定模块用于根据所述实际粘度及所述第一预测粘度，确定浆料粘度预测模型的修正系数；
粘度预测模块，所述预测模块用于获取实时预测请求中的预测时间段，基于所述修正系数及浆料粘度预测模型，预测所述预测时间段的目标浆料的第二预测粘度。
本发明第三方面在于提供一种电子设备，包括：所述电子设备包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的锂电池浆料粘度预测程序，所述锂电池浆料粘度预测程序被所述处理器执行时实现所述锂电池浆料粘度预测方法的步骤。
本发明的有益效果：
(1)、通过采集预设时间段内目标浆料在搅拌过程中搅拌机的运行参数数据，所述搅拌机的运行参数数据包括：转速、转矩、电流、功率及温度；获取预设时间段内目标浆料的实际粘度，并根据所述搅拌机的运行参数数据，基于预先建立的浆料粘度预测模型计算所述目标浆料的粘度，以得到目标浆料的第一预测粘度；根据所述实际粘度及所述第一预测粘度，确定浆料粘度预测模型的修正系数；获取实时预测请求中的预测时间段，基于所述修正系数及浆料粘度预测模型，预测所述预测时间段的目标浆料的第二预测粘度；使得搅拌机在搅拌浆料时，搅拌机内浆料的粘度能够准确的被预测，避免浆料粘度在搅拌时出现粘度过高或过低的情况发生，从而提升锂电池在涂布时的效果。
(2)、由于能够对准确的预测搅拌机内浆料的浓度，因此能够避免搅拌时间过长使得锂电池的制浆工序过长而导致的能耗增大及成本增加的情况发生。
附图说明
附图1是本发明中预测方法的流程示意图；
附图2是本发明中预测***的结构示意图；
附图3是本发明中电子设备的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
参考附图1，本发明第一方面在于提供一种锂电池浆料粘度预测方法，包括下述步骤：
S100：采集预设时间段内目标浆料在搅拌过程中搅拌机的运行参数数据，所述搅拌机的运行参数数据包括：转速、转矩、电流、功率及温度。
需要说明的是，由于搅拌机的运动是靠变频器驱动的，变频器内部是有mcu控制的，并且变频器具备通讯能力，因此将变频器通讯接入到PLC控制器中，并时刻同步对应的传感数值到PLC对应的寄存器中。然后通过PLC的通讯协议读取。需要理解的是，搅拌机的运行参数数据中，电流为搅拌机变频器实际输出电流，功率为搅拌机变频器实际输出功率，温度为搅拌机的电机内部测温传感器测量得到的温度，。
S200：获取预设时间段内目标浆料的实际粘度，并根据所述搅拌机的运行参数数据，基于预先建立的浆料粘度预测模型计算所述目标浆料的粘度，以得到目标浆料的第一预测粘度。
S300：根据所述实际粘度及所述第一预测粘度，确定浆料粘度预测模型的修正系数。
S400：获取实时预测请求中的预测时间段，基于所述修正系数及浆料粘度预测模型，预测所述预测时间段的目标浆料的第二预测粘度。
通过采集预设时间段内目标浆料在搅拌过程中搅拌机的运行参数数据，所述搅拌机的运行参数数据包括：转速、转矩、电流、功率及温度；获取预设时间段内目标浆料的实际粘度，并根据所述搅拌机的运行参数数据，基于预先建立的浆料粘度预测模型计算所述目标浆料的粘度，以得到目标浆料的第一预测粘度；根据所述实际粘度及所述第一预测粘度，确定浆料粘度预测模型的修正系数；获取实时预测请求中的预测时间段，基于所述修正系数及浆料粘度预测模型，预测所述预测时间段的目标浆料的第二预测粘度；使得搅拌机在搅拌浆料时，搅拌机内浆料的粘度能够准确的被预测，避免浆料粘度在搅拌时出现粘度过高或过低的情况发生，从而提升锂电池在涂布时的效果。
其中一个实施例中，所述浆料粘度预测模型根据如下步骤进行训练：
将训练数据中搅拌机的运行参数数据输入所述浆料粘度预测模型，通过所述浆料粘度预测模型输出浆料粘度预测数据，其中，所述训练数据包括多组模型训练数据，每一组模型训练数据组包括：搅拌机的运行参数数据及目标浆料对应的实际粘度数据；
根据所述搅拌机的运行参数数据对应的实际粘度数据和所述浆料粘度预测数据，对所述浆料粘度预测模型的模型参数进行调整，并继续执行所述将训练数据中搅拌机的运行参数数据输入所述浆料粘度预测模型的步骤，直至满足预设训练条件，以得到已训练的浆料粘度预测模型。
需要说明的时，上述实施例中的浆料粘度预测模型为三层神经网络模型，通过将浆料粘度预测模型为三层神经网络模型，能够提升料粘度预测模型预测的准确度。
其中一个实施例中，所述浆料粘度预测模型为：
y＝f(R，Xk，Xk-1，Xk-2，t)；
其中，y为目标浆料的第一预测粘度，R为目标浆料的配方，Xk为第k次取样时搅拌机的运行参数数据，Xk-1为第k次取样时的前一次搅拌机的运行参数数据，Xk-2为第k-1次取样时前一次搅拌机的运行参数数据，t为采样的时间间隔。通过将浆料粘度预测模型设置为y＝f(R,Xk,Xk-1,Xk-2,t)，使得在预测目标浆料的浓度时，将预测时间点前两次的取样结果也加入到浆料粘度预测模型中，从而提升浆料粘度预测模型预测的准确性。
其中一个实施例中，所述采集预设时间段内目标浆料在搅拌过程中搅拌机的运行参数数据包括：采集预设时间段内多个相同时间间隔不同时刻搅拌机的运行参数数据。
其中一个实施例中，通过流变仪对所述目标浆料的粘度进行检测，获得在所述预设时间段内的多个不同采集时刻目标浆料的实际粘度。
其中一个实施例中，目标浆料的实际粘度的修正系数的函数表达式为：
其中，y0为目标浆料的实际粘度，
为目标浆料的预测粘度。
参考附图2，本发明第二方面在于提供一种锂电池浆料粘度预测***，包括：
采集模块，所述采集模块用于采集预设时间段内目标浆料在搅拌过程中搅拌机的运行参数数据，所述搅拌机的运行参数数据包括：转速、转矩、电流、功率及温度；
计算模块，所述计算模块用于获取预设时间段内目标浆料对应的实际粘度，并根据所述搅拌机的运行参数数据，基于预先建立的浆料粘度预测模型计算所述目标浆料的粘度，以得到目标浆料的第一预测粘度；
确定模块，所述确定模块用于根据所述实际粘度及所述第一预测粘度，确定浆料粘度预测模型的修正系数；
粘度预测模块，所述预测模块用于获取实时预测请求中的预测时间段，基于所述修正系数及浆料粘度预测模型，预测所述预测时间段的目标浆料的第二预测粘度。
其中一个实施例中，所述浆料粘度预测模型根据如下步骤进行训练：
将训练数据中搅拌机的运行参数数据输入所述浆料粘度预测模型，通过所述浆料粘度预测模型输出浆料粘度预测数据，其中，所述训练数据包括多组模型训练数据，每一组模型训练数据组包括：搅拌机的运行参数数据及目标浆料对应的实际粘度数据；
根据所述搅拌机的运行参数数据对应的实际粘度数据和所述浆料粘度预测数据，对所述浆料粘度预测模型的模型参数进行调整，并继续执行所述将训练数据中搅拌机的运行参数数据输入所述浆料粘度预测模型的步骤，直至满足预设训练条件，以得到已训练的浆料粘度预测模型。
需要说明的是，上述实施例中的浆料粘度预测模型为三层神经网络模型，通过将浆料粘度预测模型为三层神经网络模型，能够提升料粘度预测模型预测的准确度。
其中一个实施例中，所述浆料粘度预测模型为：
y＝f(R,Xk,Xk-1,Xk-2,t)；
其中，y为目标浆料的第一预测粘度，R为目标浆料的配方，X_k为第k次取样时搅拌机的运行参数数据，X_(k-1)为第k次取样时的前一次搅拌机的运行参数数据，X_(k-2)为第k-1次取样时前一次搅拌机的运行参数数据，t为采样的时间间隔。
通过将浆料粘度预测模型设置为y＝f(R,Xk,Xk-1,Xk-2,t)，使得在预测目标浆料的浓度时，将预测时间点前两次的取样结果也加入到浆料粘度预测模型中，从而提升浆料粘度预测模型预测的准确性。
其中一个实施例中，所述采集预设时间段内目标浆料在搅拌过程中搅拌机的运行参数数据包括：采集预设时间段内多个相同时间间隔不同时刻搅拌机的运行参数数据。
其中一个实施例中，通过流变仪对所述目标浆料的粘度进行检测，获得在所述预设时间段内的多个不同采集时刻目标浆料的实际粘度。
通过设置采集模块、计算模块、确定模块及粘度预测模块；所述计算模块用于获取预设时间段内目标浆料对应的实际粘度，并根据所述搅拌机的运行参数数据，基于预先建立的浆料粘度预测模型计算所述目标浆料的粘度，以得到目标浆料的第一预测粘度；所述计算模块用于获取预设时间段内目标浆料对应的实际粘度，并根据所述搅拌机的运行参数数据，基于预先建立的浆料粘度预测模型计算所述目标浆料的粘度，以得到目标浆料的第一预测粘度；所述确定模块用于根据所述实际粘度及所述第一预测粘度，确定浆料粘度预测模型的修正系数；所述预测模块用于获取实时预测请求中的预测时间段，基于所述修正系数及浆料粘度预测模型，预测所述预测时间段的目标浆料的第二预测粘度；使得搅拌机在搅拌浆料时，搅拌机内浆料的粘度能够准确的被预测，避免浆料粘度在搅拌时出现粘度过高或过低的情况发生，从而提升锂电池在涂布时的效果。
参考附图3，本发明第三方面在于提供一种电子设备，包括：所述电子设备包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的锂电池浆料粘度预测程序，所述锂电池浆料粘度预测程序被所述处理器执行时实现所述锂电池浆料粘度预测方法的步骤。
处理器用于完成***的各种控制逻辑，其可以为通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、单片机、ARM(AcornRISCMachine)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。还有，处理器还可以是任何传统处理器、微处理器或状态机。处理器也可以被实现为计算设备的组合，例如，DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP和/或任何其它这种配置。
存储器作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本发明实施例中的锂电池浆料粘度预测方法对应的程序指令。处理器通过运行存储在存储器中的非易失性软件程序、指令以及单元，从而执行***的各种功能应用以及数据处理，即实现上述方法实施例中的锂电池浆料粘度预测方法。
存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需要的应用程序；存储数据区可存储根据***使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件或其他非易失性固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至***。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个单元存储在存储器中，当被一个或者多个处理器执行时，执行上述任意方法实施例中的锂电池浆料粘度预测方法，例如，执行以上描述的图1中的方法步骤S100至步骤S400。
以上所描述的实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施例的描述，本领域的技术人员可以清楚地了解到各实施例可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件实现。基于这样的理解，上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存在于计算机可读存储介质中，如ROM/RAM、碱碟、光盘等，包括若干指今用以使得一台计算机电子设备(可以是个人计算机，服务器，或者网络电子设备等)执行各个实施例或者实施例的某些部分的方法。
除了其他之外，诸如″能够″、″能″、″可能″或″可以″之类的条件语言除非另外具体地陈述或者在如所使用的上下文内以其他方式理解，否则一般地旨在传达特定实施方式能包括(然而其他实施方式不包括)特定特征、元件和/或操作。因此，这样的条件语言一般地还旨在暗示特征、元件和/或操作对于一个或多个实施方式无论如何都是需要的或者一个或多个实施方式必须包括用于在有或没有输入或提示的情况下判定这些特征、元件和/或操作是否被包括或者将在任何特定实施方式中被执行的逻辑。
已经在本文中在本说明书和附图中描述的内容包括能够提供一种锂电池浆料粘度预测方法、***及其电子设备的示例。当然，不能够出于描述本公开的各种特征的目的来描述元件和/或方法的每个可以想象的组合，但是可以认识到，所公开的特征的许多另外的组合和置换是可能的。因此，显而易见的是，在不脱离本公开的范围或精神的情况下能够对本公开做出各种修改。此外，或在替代方案中，本公开的其他实施例从对本说明书和附图的考虑以及如本文中所呈现的本公开的实践中可能是显而易见的。本说明书和附图中所提出的示例在所有方面被认为是说明性的而非限制性的。尽管在本文中采用了特定术语，但是它们在通用和描述性意义上被使用并且不用于限制的目的。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不是相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (7)
1.一种锂电池浆料粘度预测方法，其特征在于，包括下述步骤：
采集预设时间段内目标浆料在搅拌过程中搅拌机的运行参数数据，所述搅拌机的运行参数数据包括：转速、转矩、电流、功率及温度；
获取预设时间段内目标浆料的实际粘度，并根据所述搅拌机的运行参数数据，基于预先建立的浆料粘度预测模型计算所述目标浆料的粘度，以得到目标浆料的第一预测粘度；
根据所述实际粘度及所述第一预测粘度，确定浆料粘度预测模型的修正系数；
获取实时预测请求中的预测时间段，基于所述修正系数及浆料粘度预测模型，预测所述预测时间段的目标浆料的第二预测粘度。
2.根据权利要求1所述的一种锂电池浆料粘度预测方法，其特征在于，所述浆料粘度预测模型根据如下步骤进行训练：
将训练数据中搅拌机的运行参数数据输入所述浆料粘度预测模型，通过所述浆料粘度预测模型输出浆料粘度预测数据，其中，所述训练数据包括多组模型训练数据，每一组模型训练数据组包括：搅拌机的运行参数数据及目标浆料对应的实际粘度数据；
根据所述搅拌机的运行参数数据对应的实际粘度数据和所述浆料粘度预测数据，对所述浆料粘度预测模型的模型参数进行调整，并继续执行所述将训练数据中搅拌机的运行参数数据输入所述浆料粘度预测模型的步骤，直至满足预设训练条件，以得到已训练的浆料粘度预测模型。
3.根据权利要求1所述的一种锂电池浆料粘度预测方法，其特征在于，所述浆料粘度预测模型为：
y＝f(R,Xk,Xk-1,Xk-2,t)；
其中，y为目标浆料的第一预测粘度，R为目标浆料的配方，Xk为第k次取样时搅拌机的运行参数数据，Xk-1为第k次取样时的前一次搅拌机的运行参数数据，Xk-2为第k-1次取样时前一次搅拌机的运行参数数据，t为采样的时间间隔。
4.根据权利要求1所述的一种锂电池浆料粘度预测方法，其特征在于，所述采集预设时间段内目标浆料在搅拌过程中搅拌机的运行参数数据包括：采集预设时间段内多个相同时间间隔不同时刻搅拌机的运行参数数据。
5.根据权利要求4所述的一种锂电池浆料粘度预测方法，其特征在于，通过流变仪对所述目标浆料的粘度进行检测，获得在所述预设时间段内的多个不同采集时刻目标浆料的实际粘度。
6.一种锂电池浆料粘度预测***，其特征在于，包括：
采集模块，所述采集模块用于采集预设时间段内目标浆料在搅拌过程中搅拌机的运行参数数据，所述搅拌机的运行参数数据包括：转速、转矩、电流、功率及温度；
计算模块，所述计算模块用于获取预设时间段内目标浆料对应的实际粘度，并根据所述搅拌机的运行参数数据，基于预先建立的浆料粘度预测模型计算所述目标浆料的粘度，以得到目标浆料的第一预测粘度；
确定模块，所述确定模块用于根据所述实际粘度及所述第一预测粘度，确定浆料粘度预测模型的修正系数；
粘度预测模块，所述预测模块用于获取实时预测请求中的预测时间段，基于所述修正系数及浆料粘度预测模型，预测所述预测时间段的目标浆料的第二预测粘度。
7.一种电子设备，其特征在于，包括：所述电子设备包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的锂电池浆料粘度预测程序，所述锂电池浆料粘度预测程序被所述处理器执行时实现如权利要求1-5任意一项所述锂电池浆料粘度预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310383834.4A CN116297020A (zh) | 2023-04-06 | 2023-04-06 | 一种锂电池浆料粘度预测方法、***及其电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310383834.4A CN116297020A (zh) | 2023-04-06 | 2023-04-06 | 一种锂电池浆料粘度预测方法、***及其电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116297020A true CN116297020A (zh) | 2023-06-23 |
Family
ID=86779943
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310383834.4A Pending CN116297020A (zh) | 2023-04-06 | 2023-04-06 | 一种锂电池浆料粘度预测方法、***及其电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116297020A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117110143A (zh) * | 2023-10-24 | 2023-11-24 | 钛玛科（北京）工业科技有限公司 | 一种锂电池浆料粘度在线检测方法及装置 |
| CN117160336A (zh) * | 2023-11-02 | 2023-12-05 | 南通凯赛生化工程设备有限公司 | 一种物料搅拌机的转速控制方法及*** |
-
2023
- 2023-04-06 CN CN202310383834.4A patent/CN116297020A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117110143A (zh) * | 2023-10-24 | 2023-11-24 | 钛玛科（北京）工业科技有限公司 | 一种锂电池浆料粘度在线检测方法及装置 |
| CN117110143B (zh) * | 2023-10-24 | 2024-02-02 | 钛玛科（北京）工业科技有限公司 | 一种锂电池浆料粘度在线检测方法及装置 |
| CN117160336A (zh) * | 2023-11-02 | 2023-12-05 | 南通凯赛生化工程设备有限公司 | 一种物料搅拌机的转速控制方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116297020A (zh) | 一种锂电池浆料粘度预测方法、***及其电子设备 | |
| Zhao et al. | Elman neural network using ant colony optimization algorithm for estimating of state of charge of lithium-ion battery | |
| Gossage et al. | Probing the reversibility and kinetics of Li+ during SEI formation and (de) intercalation on edge plane graphite using ion-sensitive scanning electrochemical microscopy | |
| DE102011117098A1 (de) | Verfahren und vorrichtung zum beurteilen des batteriefunktionszustands | |
| Tang et al. | Reconstruction of the incremental capacity trajectories from current-varying profiles for lithium-ion batteries | |
| CN105738827A (zh) | 一种锂离子电池导电浆料综合性能评价方法 | |
| CN107655790B (zh) | 电池浆料的均匀度的测量方法 | |
| CN104324626A (zh) | 一种锂电池正极浆料优化分散方法及其制浆装置 | |
| CN113945302B (zh) | 一种电池内部温度的确定方法及其确定装置 | |
| CN115274025B (zh) | 锂离子电池浆料黏度预测方法、装置及相关设备 | |
| CN108872549A (zh) | 一种混凝土塌落度在线监测控制***及方法 | |
| CN116203428A (zh) | 基于恒压充电解算锂电池等效模型参数的自放电检测方法 | |
| CN115510754A (zh) | 一种水泥混凝土性能预测和控制的方法及*** | |
| US20240125856A1 (en) | Method for predicting battery performance based on combination of material parameters of battery pulping process | |
| CN114865117A (zh) | 锂离子电池电极嵌锂量检测方法、装置及电池管理*** | |
| CN216054872U (zh) | 监测及实时调控补锂过程中的电解液成分的***及负极片和电池 | |
| Wang et al. | State of health estimation of lithium-ion battery in wide temperature range via temperature-aging coupling mechanism analysis | |
| CN118131073A (zh) | 一种基于衰减机理模型的锂离子电池循环寿命预测方法 | |
| CN117305940A (zh) | 一种铝材阳极氧化*** | |
| CN108717165A (zh) | 基于数据驱动法的锂离子电池soc在线预测方法 | |
| CN108761347A (zh) | 一种处理方法、装置及电子设备 | |
| CN113029866A (zh) | 一种电解液浸润测试方法及其用途 | |
| CN116643195A (zh) | 电池健康检测方法、装置、设备和*** | |
| CN103969157B (zh) | 一种测定胶体电解液胶凝时间的方法 | |
| CN110888100A (zh) | 一种单相智能电能表在线带载检测***及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |