欢迎浏览中国储能网
您的位置: 首页  > 储能应用协会 > 国内动态  返回

CATL"探路" AI正在重塑动力电池制造

作者:中国储能网新闻中心 来源:高工锂电 发布时间:2021-02-21 浏览:
分享到:

如何借助人工智能与深度学习技术,赋能现有的动力电池制造,这正在成为头部动力电池企业探索的重要方向。

高工锂电获悉,宁德时代联合了百度飞桨开源深度学习开源平台,优化升级其原有的电池缺陷质量检测产线,为动力电池质量保障筑起智能防线。

动力电池的质量极为关键,一旦出现瑕疵,极有可能带来安全问题。宁德时代董事长曾毓群在多个场合提出,其对于动力电池的产品缺陷率正在由PPm级(百万分之一)做到PPb级(十亿分之一),提升了三个量级。

在电池生产环节,金属焊接产生的颗粒是否掉在表面、有没有漏涂、焊接工艺是否一致等,直接影响产品最终质量,因此是每个工序之后必须要检测的细节,检测总监控参数超过3000个。

业界传统检测方式基本是人工用明眼去看,不同产线各个方面要求也不一致,每个标准都需要人工一一确认,整体流程极其复杂、低效。

面对十亿分之一的要求挑战,宁德时代一方面应用了传统机器视觉的策略,同时,也在探索开发基于深度学习的更智能的检测策略。

一个比较现实的问题在于,在新的应用当中大量运用迁移学习、监督学习等AI相关技术,将各条线上的人工经验快速应用以敏捷判定检测是否合格。但实际的业务上线,对人工智能算法的模型精度和速度十分苛刻,这也引发了宁德时代在AI与产业融合道路上更深层次的思考。

宁德时代的产品质量稳定性与其严格的品控技术不无关系:电池在产线上缺陷漏检率小于1DPPB;生产流水线上,对检测速度的要求也是几近极限,单张产品图像缺陷检测的平均时长要低于2毫秒。

为了达到以上标准,宁德时代的算法工程师和百度飞桨的工程师投入了大量的努力,通过仔细分析数据特征并优化模型,针对产线环境进行优化,以及和原有产线流程打通。

同时,宁德时代通过百度飞桨深度优化过的PP-YOLO和ResNet系列算法提升算法精度,调整预测batch,采用多线程数据预处理,优化预处理后数据内存拷贝实践等策略,最终提升检测精度及预测效率达到实际生产需求。

相较于业界传统检测算法,宁德时代动力电池高精度质量检测过杀率优化了1倍,且算法在多产线上进行迁移部署的效率也得到了全面优化提升,不仅为宁德时代的动力电池质量的保障进一步保驾护航,也在一定程度上降低了产线研发的成本。

除了宁德时代,另一家动力电池企业蜂巢能源也在考虑通过AI技术为制造环节进行赋能。

2020年底的蜂巢电池日活动上,其对外介绍了利用AI技术提升动力电池品质的方法。

一是AI+容量预测。传统的动力电池生产工艺的最后一个环节,是分容。其逻辑是,由于生产一致性并不可能绝对地高,因此要通过化成,测量出准确容量,将容量一致的产品挑选出来。在此过程中,电池要反复充放电,既需要大量的化成设备,又要浪费电量。

AI+容量预测的目标是取消分容。这项技术由蜂巢和西门子联合开发。他们通过读取生产过程中的数据,建立预测模型,对电池容量进行测算。

目前,这一容量模型预测的准确度已经达到了98%以上。蜂巢还将继续提升容量预测的准确度,计划明年3月份先上线运行。并预计在2023年直接取消分容。

二是AI智能焊接技术,分为激光焊接技术和超声波焊接技术。这项技术的目的是,实现在线不破坏性100%的全检。

在激光焊接环节,AI技术会监控不同的零部件在各工序的参数,从而达到焊接数据实时采集,自动标定数据,实时预测焊接位置;在线检测+自学习+焊接参数矫正;在超声波焊接环节,可以通过AI技术实时监控,及时反馈及告警;不良率降低50%;

按计划,AI激光焊接技术在2022年导入;智能超声波焊接技术在2021年下半年进行量产验证。

三是AI自放电检出。该技术既能检测电压,同时也检测漏电流,而且使用大数据做AI分析,动态地预测电池状态。这项技术的应用,有望缩短电池静置时间50%;库位数量减少50%;厂建面积降低50%,运营费用降低200万元。预计在2021年进行量产验证。

对于宁德时代、蜂巢能源等企业的技术探索,高工锂电认为,动力电池的进一步发展要注重与AI智能、大数据、云计算等的深度融合。产业的创新,亟待新技术的导入,在制造环节,智能化、大数据的导入也可能更好的赋能电池的生产制造,在提升生产效率的同时,更大程度提升动力电池的品质及安全性能。

同时,动力电池涉及到材料、装备、工艺多个环节,只有基于不同环节的整合创新和开放式融合,打破现有的产业壁垒和创新边界,建立新的产业生态,才有可能更大程度上推动电池的颠覆性创新。

关键字:CATL

中国储能网版权声明:凡注明来源为“中国储能网:xxx(署名)”,除与中国储能网签署内容授权协议的网站外,其他任何网站或者单位如需转载需注明来源(中国储能网)。凡本网注明“来源:xxx(非中国储能网)”的作品,均转载与其他媒体,目的在于传播更多信息,但并不意味着中国储能网赞同其观点或证实其描述,文章以及引用的图片(或配图)内容仅供参考,如有涉及版权问题,可联系我们直接删除处理。其他媒体如需转载,请与稿件来源方联系,如产生任何版权问题与本网无关,想了解更多内容,请登录网站:http://www.escn.com.cn

相关报道