锂离子电池极片孔隙率在线检测方法及其应用与流程

本发明属于锂离子电池极片孔隙率测量领域，具体涉及一种锂离子电池极片孔隙率的在线测量方法及其应用。

背景技术：

锂离子电池极片孔隙率是锂离子电池设计与制造的重要参数，其直接影响锂离子电池的容量、循环性能、倍率性能等指标。若极片孔隙率大，会导致极片导电网络恶化，进而增大锂离子电池内阻等；若极片孔隙率小，电解液难以浸润，从而恶化锂离子电池的循环性能以及倍率性能等指标。因此，锂离子电池极片孔隙率的设计对锂离子电池极片的性能至关重要。

极片孔隙率离线测量一般采用压汞法或称重法等方法，如专利cn201110396068.0、cn201310222179.0以及cn201710014359采用极片浸润溶液后取出称重，从而计算出极片的孔隙率。但该类方法需要化学溶液试剂，可能对操作人员的健康存在危害，且只能离线测量，难以在线测量。而本发明所提供的方法无需化学试剂，测量方法简单易行，准确率高，同时能够在生产线上做到孔隙率在线检测。

技术实现要素：

本发明主要针对现有锂离子电池极片孔隙率难以在线测量的不足，提出一种锂离子电池极片孔隙率在线测量方法，为实现上述发明目的，本发明具体包括以下步骤：

步骤1：在每次涂布新的活性物质之前，用预先涂布并收集不同厚度系列的锂离子电池极片，其中每种厚度系列包含多种不同孔隙率的锂离子电池极片，采用压汞法或称重法对不同厚度系列极片的孔隙率进行标定；

步骤2：将标定后的锂离子电池正/负极片，安装到卷到卷台架上，再分别以u1,u2,u3,u4……等不同的速度走带，采用热源装置对锂离子电池极片加热，使用红外热像仪记录锂离子电池极片表面温度随时间变化的关系t(t)或表面温度随极片表面位置的变化关系t(x)；对于不同厚度系列的锂离子电池极片，提取极片代表点的表面温度变化曲线，并获取代表点表面温度变化曲线的代表时间点的温度t(t1)，t(t2)，t(t3)，t(t4)……t(tn)。

步骤3：根据步骤2中所获得的数据，建立锂离子电池极片孔隙率ε与走带速度u,锂离子电池极片厚度h以及代表点的代表时间点的温度的t(t1)，t(t2)，t(t3)，t(t4)……t(tn)或代表位置点t(x1)，t(x2)，t(x3)，t(x4)……t(xn)神经网络模型。

进一步的，步骤3中的神经网络模型采用卷积稀疏自编码神经网络，在神经网络输入层中引入高斯白噪声，利用带高斯白噪声的数据训并采用降噪自编码的方法训练该神经网络模型，使其误差在允许范围内。

进一步的，所述卷积稀疏自编码神经网络包含四层：输入层，隐含层1，隐含层2，输出层；所述输入层有2~10个节点，其节点数量视所选取代表点的代表时间点或代表位置点的温度数量而定；所述隐含层各有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2取得的数据量的大小选择合适的迭代误差、学习率以及迭代步数等。

进一步的，步骤2中所获的数据进行归一化处理，所述数据的归一化处理包括走带速度、极片厚度、代表点的代表时间点的温度以及孔隙率。归一化方法为：，所述y,ymin,ymax以及ynorm表示原始数据、原始数据系列中的最小值、原始数据系列中的最大值以及归一化后的数据。

步骤4：在锂离子电池极片正式生产过程中，根据走带速度u，锂离子电池极片厚度h以及极片表面随时间变化关系t(t)或表面温度随极片表面位置的变化关系t(x)，采用步骤3中训练的神经网络模型预测锂离子电池极片孔隙率ε。

进一步的，步骤4中走带速度u可以通过主控程序直接获取，锂离子电池极片厚度可以通过激光测量或x射线测量获得。

进一步的，本方法有对钴酸锂、锰酸锂、磷酸亚铁锂、三元锂以及石墨等正负极体系的锂离子电池极片的孔隙率在线测量方面的应用。

本发明是一种孔隙率在线测量方法，可以对孔隙率进行实时监控，具有对测试对象和测试设备要求较低，检测效率高和准确率高的优点。

附图说明

图1是在线测量方法流程示意图；

图2是测量装置示意图；

图3是三元锂正极极片加热表面温度随表面位置变化的曲线图；

图4是石墨负极极片加热表面温度随表面位置变化的曲线图；

图5是三元锂正极极片表面最高温度随孔隙率的变化曲线图；

图6是石墨负极极片表面最高温度随孔隙率的变化曲线图。

具体实施方式

为了使本发明便于理解，下面结合实例对本发明作进一步的说明。应当指出，此处所描述的具体实施案例仅仅用于解释说明本发明，但并限于本发明。此外，此处所描述的各个实施案例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。

如图1所示，本发明实施案例是提供一种锂离子电池极片孔隙率在线检测方法，主要包括以下步骤：

步骤1：在每次涂布新的活性物质之前，可以用实验室涂布装置涂布并收集不同厚度系列的锂离子电池极片，其中每种厚度系列包含多种不同孔隙率的锂离子电池极片，采用压汞法或称重法对不同厚度系列极片的孔隙率进行标定；

步骤2：在每次涂布新的活性之前，分别将不同厚度系列的锂离子电池极片安装在卷到卷台架上，采用如图2所示的热源装置10对锂离子电池极片20加热，使用红外热像仪30记录1.5m/min走带速度条件下锂离子电池极片表面温度随时间变化的关系t(t)，图3是三元锂正极极片加热表面温度随表面位置变化的曲线，图4是石墨负极极片加热表面温度随表面位置变化的曲线，获取极片表面最高温度tmax。

步骤3：根据步骤2中所获得的数据，建立锂离子电池极片孔隙率ε与走带速度u,锂离子电池极片厚度h以及极片表面最高温度tmax的神经网络模型。

采用卷积稀疏自编码神经网络，在神经网络输入层中引入均值为0，方差为0.1的高斯白噪声，其中引入高斯白噪声的方差越大，所训练的神经网络预测鲁棒性越好，但预测精度会变差。利用带高斯白噪声的数据训并采用降噪自编码的方法训练该神经网络模型，神经网络模型训练最大迭代步数为500，学习率为0.1，允许迭代误差0.00002。

所构建的神经网络包含四层：输入层，隐含层1，隐含层2与输出层；输入层包含2个节点，分别表示极片厚度与表面最高温度；隐含层1与隐含层2包含5个节点；输出层包含1个节点，表示极片孔隙率。节点激活函数采用sigmoid函数，即。

在神经网络训练过程中，对极片表面最高温度、极片厚度以及孔隙率进行归一化处理，归一化方法为：，所述y,ymin,ymax以及ynorm表示原始数据、原始数据系列中的最小值、原始数据系列中的最大值以及归一化后的数据。

步骤4：在锂离子电池极片正式生产过程中，根据走带速度u，锂离子电池极片厚度h以及极片表面最高温度tmax，采用步骤3中训练的神经网络模型在线预测锂离子电池极片孔隙率ε，预测结果与实测结果如图5-6所示。