一种基于机器学习算法的电池电极一致性判定方法及装置与流程

本技术属于电池处理，特别的涉及一种基于机器学习算法的电池电极一致性判定方法及装置。

背景技术：

1、一致性作为锂电池电极材料的重要性质之一，它对电池的充放电性能、容量以及寿命等都有着重要影响，通过对电极的一致性进行判定可了解电极材料的物理、化学性质以及电化学性能，以进一步评估其对电池性能的影响。同时，通过对电极一致性的分析，还可发现电池制造过程中存在的问题以及瓶颈，有助于提高电池的质量和生产效率。其中，锂电池电极的一致性具体可分为同质性以及异质性，当锂电池电极内部出现材料以及结构等方面的差异，可认定该锂电池发生异质现象，也即具有异质性；当锂电池电极内部区域性质一致，则可认定该锂电池发生同质现象，也即具有同质性。

2、传统用于锂电池的一致性的判定方式多以借助于各种仪器和基于物理表征、电化学测试以及材料分析为主，例如根据x射线衍射(xrd)、扫描电子显微镜(sem)、透射电子显微镜(tem)、拉曼光谱(raman)或是充放电性能测试得出判定结果，不仅需要花费过多的设备成本以及投入过多的人力物力，还易因先验知识和专业经验受到过多主观因素的评判，进而影响到判定结果的准确性。

技术实现思路

1、本技术为解决上述提到的传统判定方式不仅需要花费过多的设备成本以及投入过多的人力物力，还易因先验知识和专业经验受到过多主观因素的评判，进而影响到判定结果的准确性，提出一种基于机器学习算法的电池电极一致性判定方法及装置，其技术方案如下：

2、第一方面，本技术实施例提供了一种基于机器学习算法的电池电极一致性判定方法，包括：

3、按照至少两种工艺参数进行制备处理，得到与每种工艺参数对应的电极片；

4、按照预设的方向从每个电极片上裁剪出至少两组子样品，并基于每个电极片所对应的所有子样品以及相应的工艺参数，确定出每个电极片的初始数据；

5、基于所有电极片的初始数据将所有电极片划分为至少两个簇群，并分别确定出每个簇群所对应的第一判定结果；其中，每个簇群包括至少一个电极片；

6、根据所有簇群所对应的第一判定结果、每个簇群中所有电极片的初始数据以及预设的分类模型，得到每个电极片的第二判定结果。

7、在第一方面的一种可选方案中，每种工艺参数包括活性物质占比、固含量占比以及涂层间隙；

8、按照至少两种工艺参数进行制备处理，得到与每种工艺参数对应的电极片，包括：

9、对溶解有粘结剂的活性物质溶剂以及导电材料进行混合处理，得到第一浆液；

10、基于每种工艺参数中的活性物质占比确定出相应的活性物质含量以及第一浆液含量，并按照每种工艺参数中的固含量占比对活性物质含量以及第一浆液含量进行混合处理，得到第二浆液；

11、按照预设的尺寸参数以及每种工艺参数中的涂层间隙，对第二浆液进行涂布烘干处理，得到与每种工艺参数对应的电极片。

12、在第一方面的又一种可选方案中，每组子样品中包含有至少两个子电极片；

13、基于每个电极片所对应的所有子样品以及相应的工艺参数，确定出每个电极片的初始数据，包括：

14、在每个电极片所对应的所有子样品中，分别测取出每组子样品内每个子电极片的第一重量负载以及第一涂层厚度；

15、根据每组子样品所对应的所有第一重量负载计算出第一重量标准差以及第一重量均值，并对第一重量标准差以及第一重量均值进行比值计算，得到第二重量负载；

16、根据所有子样品所对应的所有第一重量负载计算出第二重量标准差以及第二重量均值，并对第二重量标准差以及第二重量均值进行比值计算，得到第三重量负载；

17、根据每组子样品所对应的所有第一涂层厚度计算出第一厚度标准差以及第一厚度均值，并对第一厚度标准差以及第一厚度均值进行比值计算，得到第二涂层厚度；

18、根据所有子样品所对应的所有第一涂层厚度计算出第二厚度标准差以及第二厚度均值，并对第二厚度标准差以及第二厚度均值进行比值计算，得到第三涂层厚度；

19、将每个电极片所对应的活性物质占比、固含量占比、涂层间隙、第三重量负载、第三涂层厚度以及所有子样品所分别对应的第二重量负载、第二涂层厚度作为每个电极片的初始数据。

20、在第一方面的又一种可选方案中，在基于所有电极片的初始数据将所有电极片划分为至少两个簇群之前，还包括：

21、对每个电极片的初始数据进行归一化处理，得到相应的第一数据；

22、基于每个第一数据中与所有第二重量负载对应的特征值生成箱型图，并根据箱型图确定出与所有第二重量负载对应的特征值中的异常值；

23、对与所有第二重量负载对应的特征值中除去异常值的所有特征值进行均值计算，并将相应第一数据中的异常值替换为均值计算结果，得到第二数据；

24、基于所有电极片的初始数据将所有电极片划分为至少两个簇群，包括：

25、基于所有电极片的第二数据将所有电极片划分为至少两个簇群。

26、在第一方面的又一种可选方案中，基于所有电极片的第二数据将所有电极片划分为至少两个簇群，包括：

27、对每个电极片的第二数据中与所有第二重量负载对应的特征值，以及与所有第二涂层厚度对应的特征值进行降维处理，得到相应的第三数据；

28、根据所有电极片的第三数据对所有电极片进行聚类处理，得到至少两个簇群。

29、在第一方面的又一种可选方案中，分别确定出每个簇群所对应的第一判定结果，包括：

30、根据每个簇群中所有电极片所分别对应的第三重量负载、第三涂层厚度以及预设的概率密度函数，得到相应的统计量；

31、基于每个簇群的统计量与预设阈值之间的差值，得到相应的第一判定结果。

32、在第一方面的又一种可选方案中，根据所有簇群所对应的第一判定结果、每个簇群中所有电极片的初始数据以及预设的分类模型，得到每个电极片的第二判定结果，包括：

33、按照预设的比例从所有电极片中划分出训练集以及验证集，并对训练集中所有电极片所分别对应的活性物质占比、固含量占比以及涂层间隙进行标准化处理；

34、基于训练集中所有电极片所分别对应的第一判定结果、经过处理后的活性物质占比、固含量占比以及涂层间隙，对预设的分类模型进行训练；

35、将验证集中每个电极片所对应的活性物质占比、固含量占比以及涂层间隙输入至训练后的预设的分类模型，得到相应的预测结果；

36、基于验证集中所有电极片所分别对应的第一判定结果以及预测结果得到评估指标，并当检测到评估指标超过预设的指标阈值时，将每个电极片所对应的活性物质占比、固含量占比以及涂层间隙输入至训练后的预设的分类模型，得到相应的第二判定结果。

37、第二方面，本技术实施例提供了一种基于机器学习算法的电池电极一致性判定装置，包括：

38、第一处理模块，用于按照至少两种工艺参数进行制备处理，得到与每种工艺参数对应的电极片；

39、第二处理模块，用于按照预设的方向从每个电极片上裁剪出至少两组子样品，并基于每个电极片所对应的所有子样品以及相应的工艺参数，确定出每个电极片的初始数据；

40、第三处理模块，用于基于所有电极片的初始数据将所有电极片划分为至少两个簇群，并分别确定出每个簇群所对应的第一判定结果；其中，每个簇群包括至少一个电极片；

41、第四处理模块，用于根据所有簇群所对应的第一判定结果、每个簇群中所有电极片的初始数据以及预设的分类模型，得到每个电极片的第二判定结果。

42、第三方面，本技术实施例还提供了一种基于机器学习算法的电池电极一致性判定装置，包括处理器以及存储器；

43、处理器与存储器连接；

44、存储器，用于存储可执行程序代码；

45、处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，以用于实现本技术实施例第一方面或第一方面的任意一种实现方式提供的基于机器学习算法的电池电极一致性判定方法。

46、第四方面，本技术实施例提供了一种计算机存储介质，计算机存储介质存储有计算机程序，计算机程序包括程序指令，程序指令当被处理器执行时，可实现本技术实施例第一方面或第一方面的任意一种实现方式提供的基于机器学习算法的电池电极一致性判定方法。

47、在本技术实施例中，可在对锂电池的电极进行一致性判定时，按照至少两种工艺参数进行制备处理，得到与每种工艺参数对应的电极片；按照预设的方向从每个电极片上裁剪出至少两组子样品，并基于每个电极片所对应的所有子样品以及相应的工艺参数，确定出每个电极片的初始数据；基于所有电极片的初始数据将所有电极片划分为至少两个簇群，并分别确定出每个簇群所对应的第一判定结果；根据所有簇群所对应的第一判定结果、每个簇群中所有电极片的初始数据以及预设的分类模型，得到每个电极片的第二判定结果。通过在不同工艺参数所制备出的电极片上裁剪出多组子样品，以根据所有子样品的重量负载、涂层厚度以及相应工艺参数确定出每个电极片的初始数据；接着可基于多种类型的机器学习算法联合对所有电极片的初始数据进行处理，以得到所有电极片所划分的每个簇群所对应的准确性以及可靠性更高的判定结果，并利用该判定结果以及工艺参数对分类模型进行训练，可使训练后的分类模型根据电池电极的工艺参数能快速准确的预测出一致性，不仅不会受到主观因素的评判以及过多投入所带来的影响，还可极大提高电极判定效率。