一种挤压涂布机膜厚控制方法
【专利摘要】本发明公开了一种挤压涂布机膜厚控制方法，包括以下步骤：在挤压涂布机更换新的浆料正式生产之前，进行一次预生产过程，测量记录有关参数；根据获得的一系列湿料、干料厚度、及涂布间隙宽度的样本数据，采用降噪自编码的方法训练建立两个神经网络模型；根据获得的神经网络模型，由目标干料厚度预测所需湿料的厚度和涂布间隙的控制宽度；生产过程中实时监控湿料的厚度，采用神经网络模型预测方法，及时调整涂布间隙的控制宽度，以保证湿料厚度的一致性，从而保证最终干料厚度的一致性。本发明在无需增加额外设备的情况下，能快速而准确获得合适的涂布间隙参数，同时通过对湿料厚度的监控，可以及时修正由于扰动引起的干料厚度的不均匀性。
【专利说明】
一种挤压涂布机膜厚控制方法
技术领域
[0001 ]本发明属于锂电池制造装备控制相关领域，更具体地，涉及一种挤压涂布机膜厚 控制方法。
【背景技术】
[0002] 锂电池涂布是将前工序制作好的浆料均匀的涂覆在基材上，再经烘箱干燥，最后 回收成卷的极片制造过程，是锂电池生产过程中必不可少的步骤，也是直接影响电池安全 性、容量、一致性的关键工序。挤压涂布是现今锂电池生产中较先进的涂布技术，利用这种 涂布方法得到的薄膜性能比转移涂布、微凹涂布等方法更加稳定，均匀性得到一定提高。
[0003] 在挤压涂布过程中，随着涂布进行，浆料固含量、浆料涂布压力发生变化，机械结 构误差叠加，在多种因素的综合影响下容易导致膜厚不均匀，造成锂电池安全性降低，容量 减小，生广成本提尚。
[0004] 目前涂布机膜厚的控制主要通过监测湿料及干料厚度，通过计算两者的比值，由 湿料及干料厚度的比值来调节涂布间隙的宽度以控制最终干料的厚度。采用上述方法控制 涂布机的膜厚存在以下的问题：
[0005] (1)控制的实时性较差，由于从湿料到干料之间要经过一个很长的干燥箱，两者之 间存在着一个很大的滞后，当监测到干湿料之间厚度的比值超出范围时再做出调整已经太 晚，此时处于两者之间的干燥箱中的薄膜厚度已经超出误差范围；
[0006] (2)控制精度低，仅用简单干湿料厚度比值作为调节依据无法获得精确控制效果， 最终获得的干料厚度均匀性差、精度低。
【发明内容】
[0007] 针对现有技术的以上缺陷或改进需求，本发明提供了一种挤压涂布机膜厚控制方 法，解决现有涂布机膜厚控制过程中存在的滞后性大，精度低的问题，实现在后续的正式生 产过程中通过监控湿料的厚度以保证干料厚度的均匀性目的。
[0008] 为实现上述目的，本发明提出了一种挤压涂布机膜厚控制方法，该方法包括以下 步骤：
[0009] (1)根据挤压涂布机的参数及所要生产涂布的干料厚度，进行一次预生产过程;每 间隔to时间改变一次涂布间隙5"，使用激光测厚测量并记录涂布间隙5"及其对应湿料厚度 Ln与干料的厚度Mn;
[0010] (2)分别建立间隙宽度与湿料厚度之间的神经网络模型NET 1、湿料厚度与干料厚 度之间的神经网络模型NET2,根据步骤（1)获得的一系列湿料、干料厚度、及涂布间隙宽度 的样本数据，采用降噪自编码的方法训练建立的两个神经网络模型，使其误差在允许范围 内；
[0011] (3)根据训练得到的神经网络模型NET2,和正式生产的目标干料厚度Md，预测所需 湿料的厚度Ld，再根据L d由训练得到的神经网络模型NETl预测所需涂布间隙的控制宽度S0;
[0012] (4)在后续的正式生产过程中，实时监控湿料的厚度L，当L发生变化时，通过步骤 (2)训练得到的两个神经网络模型，预测并实时调整涂布间隙的控制宽度S，以保证湿料厚 度L的一致性，从而保证最终干料厚度M的一致性。
[0013] 进一步的，所述步骤（1)中所述挤压涂布机的参数包括基材走带速度Vd，测量从湿 料厚度的测量位置到涂布间隙的距离Sl，测量干料厚度的测量测量位置到涂布间隙的距离 Sm;所述生产的产品的参数包括正式生产过程中最终需要的干料的厚度Md。
[0014] 进一步的，所述步骤（1)中所述的间隔时间to为一固定值，根据基材走带的速度来 选取;所述间隙S每一次的变化量△ S为一固定值，根据最终生产干料的目标厚度来选取;所 述间隙变化从初始值S1开始按固定变化量△ S增加，8卩Sn = Sdb-I) X △ S;所述对应湿料厚 度匕与干料厚度Mn的测量，根据基材走带速度及湿料和干料厚度测量的位置，计算从涂布间 隙位置到湿料厚度测量位置及干料的厚度测量位置的时间t L、tM，然后在U时间后每隔to测 量一次湿料厚度匕并保存，在tM时间后每隔to测量一次干料厚度1并保存。
[0015] 进一步的，所述步骤(2)中所述降噪自编码神经网络训练中，在两个神经网络输入 层中引入随机噪声，利用带噪声的数据重构出原始的数据，从而使训练的网络有更好的鲁 棒性。
[0016] 进一步的，所述降噪自编码神经网络训练过程中，引入随机噪声的概率为p，引入 的噪声为高斯噪声。
[0017] 进一步的，步骤⑵构建的神经网络包含四层:输入层，隐含层1，隐含层2,输出层； 所述输入层有1个节点；所述两个隐含层各有5个节点；所述输出层有1个节点；节点激活函 数采用sigmoid函数
；所述神经网络的训练，根据步骤(1)取得的数 据量的大小选择合适的迭代次数、学习率、及允许误差。
[0018] 所述两个神经网络模型的建立，根据存储的一系列的涂布间隙宽度S^S2.....Sn 及存储的一系列的湿料厚度Li、L2.....Ln，采用降噪自编码的方法训练涂布间隙与湿料厚 度之间的神经网络模型NET 1;再根据存储的一系列的湿料厚度L1、L2.....Ln及存储的一系 列的干料厚度Mi、M2.....Mn，采用降噪自编码的方法训练湿料厚度与干料厚度之间的神经 网络模型NET2,主要包括：
[0019] 1)构建神经网络模型，构建的神经网络包含四层:输入层，隐含层1，隐含层2,输出 层;所述输入层有1个节点：所述两个隐含层各有5个节点：所述输出层有1个节点；节点激活 函数采用sigmoid函数，
[0020] 2)数据的归一化处理，所述数据的归一化处理包含对存储涂布间隙宽度、湿料厚 度、干料厚度的数据归一化处理;所述降噪自编码神经网络训练方法，通过在构建神经网络 的输入层中引入随机噪声，利用带噪声的数据重构出原始的数据，使用重构出的数据训练 神经网络;所述神经网络的训练，根据数据量的大小选择合适的迭代次数、学习率、及允许 误差；
[0021] 3)降噪自编码的方法训练神经网络，用步骤(1)取得的数据进行训练。
[0022] 优选的，步骤(4)中所述生产过程中实时监控湿料的厚度L，通过激光测厚仪每隔 固定时间T，采集一次湿料的厚度L?，并与期望的湿料厚度Ld对比，当误差大于设定的误差 范围时，即|LTN-Ld| > ALo,根据训练得到的网络模型实时调整涂布间隙的控制宽度S，以保 证最终干料厚度M的一致性;所述误差范围△ Lo根据最终生产所需干料的厚度决定。
[0023] 总体而言，通过本发明所构思的以上技术方案与现有技术相比，主要具备以下的 技术优点：
[0024] 1.本发明在无需增加额外设备的情况下，通过一次预生产过程采集样本数据，然 后建立涂布间隙与湿料厚度及湿料厚度与干料厚度之间的神经网络模型，根据采集的数据 采用降噪自编码的方法训练神经网络模型，根据正式生产所需的最终干料厚度，由训练得 到的神经网络模型预测生产过程中所需的涂布间隙的宽度，可以快速而准确获得合适的涂 布间隙宽度。
[0025] 2.本发明通过对湿料厚度的实时监控，在湿料厚度发生变化的时候，根据训练得 到的神经网络模型，及时调整涂布间隙的厚度来调整湿料的厚度，可以有效消除从湿料到 干料之间的大滞后性的影响，以保证最终干料厚度的均匀性。
【附图说明】
[0026] 图1是本发明的挤压涂布机膜厚控制方法的流程图；
[0027] 图2是本发明实施例中每一采样周期湿料膜厚示意图；
[0028] 图3是本发明实施例中每一采样周期干料膜厚示意图；
[0029] 图4是本发明实施例中涂布机参数测量的示意图。
【具体实施方式】
[0030] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明 进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于 限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之 间未构成冲突就可以相互组合。
[0031] 如图1所示，本发明实施例提供的一种挤压涂布机膜厚控制方法，其主要包括以下 步骤：
[0032] (1)在挤压涂布机更换新的浆料正式生产之前，根据挤压涂布机的参数及所生产 的产品的相关参数，进行一次预生产过程：
[0033] 所述挤压涂布机的参数包括基材走带速度Vd，测量从湿料厚度的测量位置到涂布 间隙的距离SL，测量从干料厚度测量位置到涂布间隙的距离Sm;所述生产的产品的参数包括 正式生产过程中需要的干料的厚度Md;各参数的具体测量方法如图4所示。
[0034] (2)在预生产过程中每间隔to时间改变一次涂布间隙5"，使用激光测厚仪测量并记 录对应湿料厚度匕与干料的厚度Mn;
[0035]所述的间隔时间to为一固定值，根据基材走带的速度来选取;所述间隙S每一次的 变化量A S为一固定值，根据最终生产干料的目标厚度来选取;所述间隙变过程化从初始值 S1开始按固定变化量△ S增加，SPSn = Sd(Ii-I) X △ S;所述对应湿料厚度Ln与干料厚度1的 测量，根据基材走带速度Vd及湿料和干料厚度测量的位置，计算从涂布间隙位置到湿料厚 度测量位置及干料的厚度测量位置的时间 tL、tM，其中tL = SL/Vd，tM= SM/Vd，然后在tL时间后 每隔t〇测量一次湿料厚度Ln并保存，在tM时间后每隔to测量一次干料厚度1并保存。
[0036] (2)根据获得的一系列的湿料与干料的厚度，以及涂布间隙宽度，采用采用降噪自 编码的方法训练神经网络模型，获得涂布间隙宽度与湿料厚度及湿料厚度与干料厚度之间 的神经网络模型；
[0037] 主要包括：
[0038] 1)构建神经网络模型；
[0039] 2)数据的归一化处理；
[0040] 3)降噪自编码的方法训练神经网络。
[0041] 所述构建的网络模型包含四层:输入层，隐含层1，隐含层2,输出层;所述输入层有 1个节点;所述两个隐含层各有5个节点;所述输出层有1个节点;节点激活函数采用sigmoid 函数
；所述数据的归一化处理包含对存储涂布间隙宽度、湿料厚 度、干料厚度的数据归一化处理;所述降噪自编码神经网络训练方法，通过在构建神经网络 的输入层中引入随机噪声，利用带噪声的数据重构出原始的数据，使用重构出的数据训练 网络;所述神经网络的训练，根据数据量的大小选择合适的迭代次数、学习率、及允许误差。 [0042] (3)根据训练得到的神经网络模型，由正式生产过程中需要的干料的厚度Md预测 所需湿料的厚度Ld，再根据所需湿料的厚度Ld由训练得到的神经网络模型预测所需涂布间 隙的控制宽度So;
[0043] (4)在后续的生产过程中实时监控湿料的厚度L，当湿料的厚度L发生变化时，及时 调整涂布间隙的控制宽度S，以保证湿料厚度L的一致性，从而保证最终干料厚度M的一致 性。
[0044] 所述生产过程中实时监控湿料的厚度L，通过激光测厚仪每隔固定时间T，采集一 次湿料的厚度L?，并与期望的湿料厚度Ld对比，当误差大于设定的误差范围时，即△ L = LTN-Ld I > Λ Lo,根据训练得到的模型实时调整涂布间隙的控制宽度S，以保证最终干料厚度 M的一致性;所述误差范围△ Lo根据最终生产所需干料的厚度决定。
[0045] 以下为具体实例，通过具体实例对本发明的上述挤压涂布机膜厚控制方法予以更 具体的解释和说明。
[0046]本实施例的实验用挤压涂布机为:深圳信宇人科技有限公司的XJY3_650P(I)型挤 压涂布机，基材走带速度V d = 15 m / m i η;湿料厚度的测量的位置距离涂布间隙的距离S L = 1.2m，干料厚度测量的位置距离涂布间隙的距离SM=48m;所需加工的目标膜厚Md= 120μπι。
[0047] 在正式生产之前进行一次预生产过程，在预生产过程中每隔to=l秒改变一次涂 布间隙Sn，间隙变化从初始值Si = 100μπι开始增加，变化量Δ S= Ιμπι，在U = Sl/Vc1 = 4 · 8s后开 始采集湿料厚度，tM= Sm/VcI = 192s后开始采集干料厚度，采集并存储间隙从100μπι开始增加 至Ij349ym过程中对应每一点的湿料厚度L1、L 2.....L25q及干料厚度M1、M2.....M 250。
[0048] 采用降噪自编码的方法训练神经网络：
[0049] 1)构建一个神经网络模型，包含四层:输入层，隐含层1，隐含层2,输出层，其中输 入层有1个节点，两个隐含层各有5个节点;输出层有1个节点，节点激活函数采用sigmoid函 数，
[0050] 2)数据的归一化处理，将存储的涂布间隙宽度S1、S2.....S n，湿料厚度L1、L2..... Ln，及干料厚度MhM2.....Mn进行归一化处理；
[0051 ] 3)神经网络的训练，训练迭代次数为200次，学习率为0.1、允许误差为0.00004，将 归一化处理后的涂布间隙宽度作为输入数据，湿料厚度作为输出数据采用降噪自编码的方 法训练神经网络，获得涂布间隙宽度与湿料厚度之间的神经网络模型NETl;将归一化处理 后的湿料厚度作为输入数据，干料厚度作为输出数据训练神经网络，获得湿料厚度与干料 厚度之间的神经网络模型NET2;训练过程中引入随机噪声的概率p = 0.2,引入的高斯噪声 的期望μ = 〇,方差σ = 0.8。引入随机噪声的概率越大，控制效果会有更好的鲁棒性，但控制 精度可能会降低。
[0052]根据训练得到湿料厚度与干料厚度之间的神经网络模型，预测所需的湿料厚度为 Ld = 227.4ym，再由涂布间隙宽度与湿料厚度之间的神经网络模型，预测所需的涂布间隙控 制宽度S〇=214.3ym，调整涂布间隙宽度并开始正式生产。
[0053]生产过程中每隔固定时间T=l.Os采集一次湿料的厚度Ltn并与期望的湿料厚度Ld 对比，当误差A L= I LTN-Ld I > A Lo = 2. Ομπι时，则根据神经网络模型的预测值及时调整涂布 间隙的宽度。
[0054]图2为本发明实施例中每一采样周期湿料膜厚示意图，虚线为神经网络模型预测 所需湿料厚度，实线为实际湿料膜厚；
[0055]图3是本发明实施例中每一采样周期干料膜厚示意图，虚线为设定的目标膜厚，实 线为实际的干料膜厚。根据图2和图3可知，当监测到湿料膜厚发生变化时，可以及时的通过 对涂布间隙的调整以保证湿料膜厚在设定的误差范围内，从而保证最终的干料膜厚的均匀 性。
[0056]本领域的技术人员容易理解，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。
【主权项】
1. 一种挤压涂布机膜厚控制方法，其特征在于，包括以下步骤： (1) 根据挤压涂布机的参数及所要生产涂布的干料厚度Md，进行一次预生产过程;预生 产中每间隔to时间改变一次涂布间隙，测量并记录涂布间隙3"及其对应湿料厚度L n与干料 的厚度Μη; (2) 分别建立间隙宽度与湿料厚度之间的神经网络模型ΝΕΤ1、湿料厚度与干料厚度之 间的神经网络模型ΝΕΤ2,根据步骤（1)获得的一系列湿料、干料厚度、及涂布间隙宽度的样 本数据，采用降噪自编码的方法训练建立的两个神经网络模型，使其误差在允许范围内； (3) 根据训练得到的神经网络模型ΝΕΤ2,和正式生产的目标干料厚度Md，预测所需湿料 的厚度Ld，再根据Ld由训练得到的神经网络模型NET1预测所需涂布间隙的控制宽度So; (4) 在后续的正式生产过程中，实时监控湿料的厚度L，当L发生变化时，通过步骤(2)训 练得到的两个神经网络模型，预测并实时调整涂布间隙的控制宽度S，以保证湿料厚度L的 一致性，从而保证最终干料厚度Μ的一致性。2. 根据权利要求1所述的挤压涂布机膜厚控制方法，其特征在于，步骤（1)中所述挤压 涂布机的参数包括基材走带速度Vd和正式生产过程中最终需要的干料的厚度Md;测量从湿 料厚度的测量位置到涂布间隙的距离Sl，测量从干料厚度测量位置到涂布间隙的距离S M;测 量厚度装置优选激光测厚仪。3. 根据权利要求1或2所述的挤压涂布机膜厚控制方法，其特征在于，步骤（1)中所述的 间隔时间to为一固定值，根据基材走带的速度来选取;所述间隙S每一次的变化量AS为一 固定值，根据最终生产干料的目标厚度来选取;所述间隙变化从初始值3 1开始按固定变化 量Δ S增加，8卩Sn = Sdb-l) X △ S，Si的值根据最终需要的干料厚度选取，一般略低于干料 厚度;所述对应湿料厚度Ln与干料厚度M n的测量，根据基材走带速度及厚度测量位置，计算 从涂布间隙位置到湿料厚度测量位置及干料的厚度测量位置的时间t L、tM，然后在时间后 每隔t〇测量一次湿料厚度Ln并保存，在tM时间后每隔to测量一次干料厚度1并保存。4. 根据权利要求1或2所述的挤压涂布机膜厚控制方法，其特征在于，步骤(2)中所述降 噪自编码神经网络训练中，在两个神经网络输入层中引入随机噪声，利用带噪声的数据重 构出原始的数据，从而使训练的神经网络有更好的鲁棒性。5. 根据权利要求4所述的挤压涂布机膜厚控制方法，其特征在于，所述引入随机噪声的 概率为P，引入的噪声为高斯噪声。6. 根据权利要求1或4所述的挤压涂布机膜厚控制方法，其特征在于，所述构建的神经 网络包含四层:输入层，隐含层1，隐含层2,输出层;所述各层节点的数目根据实际情况选 择;节点激活函数采用sigmoid函数，I所述神经网络的训练，根据步 骤(1)取得的数据量的大小选择合适的迭代次数、学习率、及允许误差。
【文档编号】B05C11/10GK105921370SQ201610456882
【公开日】2016年9月7日
【申请日】2016年6月21日
【发明人】周华民, 李德群, 张云, 王云明, 严波, 谭鹏辉
【申请人】华中科技大学