一种NCM-Li电池正极极片涂覆面密度均化方法

本发明属于ncm-li电池正极极片制备，具体涉及一种ncm-li电池正极极片涂覆面密度均化方法。

背景技术：

1、ncm-li（镍钴锰酸锂）电池作为目前新能源汽车领域应用最广泛的高能量密度锂离子电池体系之一，其正极活性物质克容量可达180~220mah/g，高于磷酸铁锂等常规正极体系，因此在这种单位面密度的容量贡献更大的情况下，面密度的微小偏差即会引起单体容量的波动。同时，ncm正极通常采用3.0~3.6g/cm³的高压实密度设计，面密度不均匀会进一步放大压实后极片厚度与内阻的差异，最终影响电池组的循环寿命和安全性能。因此，实现涂覆面密度的精准、均匀控制，对保障ncm电池产品的一致性和品质稳定性具有更为突出的重要意义。

2、正极极片的涂覆制备通常采用狭缝挤压涂布工艺：浆料经搅拌配制后由输送泵加压输送至涂布喷头，通过喷头与基材之间的间隙控制浆料挤出量，在集流体基材上形成连续的湿涂层，再经干燥、辊压等工序制成极片。在这一工艺中，泵转速和喷头间隙是决定涂覆面密度的两个核心控制参数：泵转速直接决定单位时间内的浆料输送量，喷头间隙则决定浆料挤出的厚度分布。理想情况下，通过调节这两个参数即可实现对面密度的精确控制。然而，实际生产场景中，由于浆料流变特性波动、设备动态特性差异以及两参数之间的流体力学耦合效应，使得面密度的闭环控制面临诸多技术挑战。

3、β射线面密度检测系统的反馈值与真实干物质面密度之间存在系统性偏差，这一问题在ncm正极体系中尤为突出。ncm活性物质多为二次球形团聚体结构，由纳米级一次颗粒聚集而成，涂覆后经辊压时二次颗粒会发生不同程度的变形和局部破碎，导致涂层孔隙率的分布和变化规律比单晶或规则形貌的正极材料更为复杂。此外，高镍ncm颗粒表面残留的锂化合物（lioh、li2co3等）易与pvdf粘结剂发生反应，导致浆料在存放过程中粘度持续上升甚至出现凝胶化现象；同时ncm浆料属于高固含量非牛顿流体，剪切变稀行为明显，涂覆过程中泵转速变化会改变喷头处的剪切速率，进而引起浆料表观粘度的非线性变化。这种浆料粘度波动对面密度的影响在ncm体系中表现更为显著。

4、针对上述问题，近年来有研究引入深度学习技术，利用神经网络对历史工艺数据建模来预测面密度趋势，但现有方法仍存在以下不足：其一，多数方法直接将β射线测量的等效值作为真值训练模型，未考虑孔隙率波动引起的映射误差，模型本身引入了系统性偏差；其二，对面密度时序信号中混叠的多时间尺度扰动缺乏有效的分离与识别机制，难以区分短期随机波动和长期趋势漂移，导致模型预测精度在复杂工况下稳定性不足；其三，控制策略上多采用单参数优化或简单的参数查表方式，未建立泵转速与喷头间隙之间流体力学耦合关系的定量描述，无法实现多参数耦合条件下的协同调控，在工况切换或浆料批次更换等场景下控制效果不佳。

技术实现思路

1、针对背景技术所存在的问题，本发明的目的在于提供一种ncm-li电池正极极片涂覆面密度均化方法，以解决传统深度学习方法中等效测量值失真、泵转速与喷头间隙存在强流体力学耦合关系，导致的ncm-li电池正极极片涂覆的面密度控制效果欠佳的问题。

2、为实现上述目的，本发明的技术方案如下：

3、一种ncm-li电池正极极片涂覆面密度均化方法，包括以下步骤：

4、步骤1：采集浆料粘度数据；采集电池正极极片的面密度等效值时序数据、涂布机实时工艺参数数据，然后进行预处理，得到预处理后的面密度等效值时序数据、预处理后的工艺参数时序数据；

5、步骤2：根据预处理后的面密度等效值时序数据，提取多尺度融合时序特征；根据浆料粘度数据，通过粘度调制网络提取粘度调制后特征；再通过孔隙率补偿神经网络对面密度等效值进行修正，得到修正后的面密度；

6、步骤3：根据预处理后的工艺参数时序数据，分别提取泵转速时序特征、喷头间隙时序特征，再融合得到工艺参数联合编码特征；通过交叉注意力机制计算双参数交互权重矩阵，进而计算得到参数-面密度耦合特征；

7、步骤4：根据参数-面密度耦合特征，提取双参数联合特征，再结合修正后的面密度，依次计算双参数联合调整特征、泵转速指令值、喷头间隙指令值。

8、进一步的，步骤1的具体过程为：

9、通过β射线测厚仪采集电池正极极片的面密度等效值时序数据，数据类型为一维时间序列数值数据，包含沿极片涂覆方向均匀分布的多个测量点的实时等效面密度值及其对应的时间戳；对面密度等效值时序数据，采用三倍标准差原则剔除异常值，得到去噪后的面密度等效值时序数据；

10、采集涂布机实时工艺参数数据，数据类型为多维时间序列数值数据；

11、通过旋转粘度计测量浆料粘度数据，数据类型为数值数据；

12、对去噪后的面密度等效值时序数据、涂布机实时工艺参数数据，采用z-score标准化方法消除量纲差异，得到预处理后的面密度等效值时序数据、预处理后的工艺参数时序数据。

13、进一步地，涂布机实时工艺参数包括泵转速数据、喷头间隙数据；每个参数对应时间戳。

14、进一步的，步骤2的具体过程为：

15、步骤2.1：根据预处理后的面密度等效值时序数据，提取多尺度融合时序特征，计算方式为：

16、，

17、，

18、，

19、其中，为t时刻的短期波动特征，为膨胀率等于1的时序卷积网络，为t时刻的预处理后的面密度等效值时序数据，为t时刻的长期趋势特征，为膨胀率等于4的时序卷积网络，为t时刻的多尺度融合时序特征，为特征拼接操作；

20、步骤2.2：根据浆料粘度数据，通过粘度调制网络提取浆料流变特性编码特征，并进行粘度调制，得到粘度调制后特征，所述粘度调制网络的计算方式为：

21、，

22、，

23、，

24、其中，为浆料流变特性编码特征，为多层感知机，为步骤1.4获得的浆料粘度数据，为t时刻的粘度调制门控权重向量，为t时刻的粘度调制后特征，为哈达玛积，为函数；

25、步骤2.3：根据粘度调制后特征、浆料流变特性编码特征，通过孔隙率补偿神经网络计算孔隙率补偿权重系数，并对面密度等效值进行修正，得到修正后的面密度，所述孔隙率补偿神经网络的计算方式为：

26、，

27、，

28、，

29、其中，为t时刻的孔隙率补偿中间特征，为层归一化，为全连接层，为softmax函数，为残差连接块，为t时刻的孔隙率补偿权重系数，为门控循环单元，为t时刻的修正后的面密度，为补偿强度系数。

30、进一步的，步骤3的具体过程为：

31、步骤3.1：根据预处理后的工艺参数时序数据，分别提取泵转速时序特征、喷头间隙时序特征，再融合得到工艺参数联合编码特征，计算方式为：

32、，

33、，

34、，

35、其中，为t时刻的泵转速时序特征，为膨胀率等于2的因果卷积网络，为t时刻的预处理后的工艺参数时序数据中的泵转速数据，为t时刻的喷头间隙时序特征，为膨胀率等于4的因果卷积网络，为t时刻的预处理后的工艺参数时序数据中的喷头间隙数据，为t时刻的工艺参数联合编码特征；

36、步骤3.2：根据泵转速时序特征、喷头间隙时序特征，通过交叉注意力机制计算双参数交互权重矩阵，所述交叉注意力机制的计算方式为：

37、，

38、，

39、，

40、其中，为t时刻的双参数交互初始权重矩阵，为注意力机制，为带门控权重的多层感知机，为t时刻的耦合权重矩阵，为一维卷积层，为t时刻的双参数交互权重矩阵，为逐元素相加；

41、步骤3.3：根据修正后的面密度、工艺参数联合编码特征、双参数交互权重矩阵，通过注意力机制生成参数-面密度耦合中间特征，计算方式为：

42、，

43、，

44、，

45、其中，为t时刻的面密度嵌入特征，为t时刻的注意力融合特征，为t时刻的参数-面密度耦合中间特征，为残差全连接层；

46、步骤3.4：根据参数-面密度耦合中间特征、双参数交互权重矩阵，生成参数-面密度耦合特征，计算方式为：

47、，

48、其中，为t时刻的参数-面密度耦合特征。

49、进一步的，步骤4的具体过程为：

50、步骤4.1：根据参数-面密度耦合特征，通过特征拼接和一维卷积神经网络，提取双参数联合特征，计算方式为：

51、，

52、，

53、，

54、其中，为t时刻的喷头间隙调控特征，为gelu函数，为t时刻的泵转速调控特征，为t时刻的双参数联合特征；

55、步骤4.2：根据双参数联合特征、修正后的面密度，通过多层感知机，计算双参数联合调整特征，计算方式为：

56、，

57、，

58、其中，为t时刻的目标面密度偏差，为标准面密度目标值，为t时刻的双参数联合调整特征，为双曲正切函数；

59、步骤4.3：根据双参数联合调整特征，通过特征分离层和截断映射函数，得到泵转速指令值、喷头间隙指令值，计算方式为：

60、，

61、，

62、其中，为t时刻的泵转速调整指令值，为截断函数，为线性层，为泵转速调整增益系数，为泵转速调整下限，为泵转速调整上限，为t时刻的喷头间隙调整指令值，为喷头间隙调整增益系数，为喷头间隙调整下限，为喷头间隙调整上限。

63、综上所述，由于采用了上述技术方案，本发明的有益效果是：

64、（1）本发明针对ncm-li电池正极极片涂覆中因二次颗粒孔隙率波动复杂、浆料粘度非线性变化显著导致的面密度控制难题，通过面密度检测修正以及双参数协同的调控提升了涂覆面密度的控制精度；一方面通过孔隙率补偿机制修正β射线检测的等效值偏差，适配ncm二次颗粒变形引起的孔隙率复杂变化；另一方面通过粘度调制网络和双参数耦合建模，适应ncm浆料强剪切变稀特性下的参数耦合效应，避免单参数独立控制的效果抵消问题，显著提升了动态、多工况生产场景下的面密度控制稳定性，进而提高ncm电池单体容量一致性，改善整包的能量密度发挥和循环寿命表现。

65、（2）针对β射线等效测量值受孔隙率和粘度波动干扰导致反馈失真的问题，本发明通过不同膨胀率的时序卷积网络分别提取短期脉动特征和长期漂移特征，使系统能够准确区分扰动的性质和来源；在此基础上，根据当前浆料粘度状态动态调节各特征维度的响应强度——在粘度影响显著的低速涂覆工况下增强补偿关注度，在粘度影响较小的高速工况下抑制补偿权重以避免过度修正；最终从多尺度时序特征和粘度状态中间接推断孔隙率变化对测量值的影响，以加性残差形式叠加到原始测量值上，当孔隙率接近标定状态时补偿权重自动趋近于零，确保不引入额外干扰，有效消除了检测信号中的虚假分量，得到更贴近真实干物质含量的修正后面密度，为后续精准调控提供可靠反馈基础。

66、（3）针对泵转速和喷头间隙动态特性差异显著且存在流体力学耦合关系导致单参数调节失效的问题，本发明建立了双参数协同调控机制；泵转速采用窄感受野的因果卷积捕捉其毫秒级电气响应和秒级输送延迟的复杂动态，喷头间隙采用宽感受野的因果卷积感知其缓慢机械调整趋势，使两参数的特征提取各自适配其物理响应特性；通过交叉注意力机制和双参数交互权重矩阵，显式量化泵转速变化对管路压力和喷头剪切率的影响、以及喷头间隙调整对实际流量的反向制约，编码了两参数间的相互制约关系；最终结合修正后的面密度偏差信息进行联合决策，输出协同的参数调整指令，克服了单参数独立调节导致的效果相互抵消或非线性放大问题，使控制系统能够在工况切换、浆料批次更换等场景下保持稳定的控制精度。