摘要
趙少華博士表示，早在2017年，人工智慧概念尚未火爆的時候，恆翼能就已經開始探索深度學習、人工智慧與鋰電池設備的結合。
隨著算力水平的不斷提升以及深度學習算法的突破，深度學習、人工智慧與各個領域行業的結合都在加快。
在動力電池領域，行業領先的裝備企業也在不斷探索深度學習、人工智慧與鋰電裝備的結合。
12月16-18日，「利元亨2019高工鋰電&電動車年會」在深圳機場凱悅酒店盛大舉行。
作為鋰電及電動車行業規模最大、參與度最高的年度盛會，現場吸引了材料、設備、電芯、BMS、PACK、整車、運營租賃整個新能源汽車產業鏈超800位企業高層參與其中。
在18日由科瑞技術冠名的閉幕式專場，恆翼能副總裁趙少華博士發表了《機器學習和人工智慧開啟鋰電後段設備的智能製造時代》的主題演講，闡述恆翼能在機器學習、人工智慧與鋰電後段設備結合的探索實踐。
趙少華博士表示，早在2017年，人工智慧概念尚未火爆的時候，恆翼能就已經開始探索深度學習、人工智慧與鋰電池設備的結合。
基於機器學習、人工智慧與鋰電後段設備的結合，恆翼能率先研發出了容量預測系統，目前，該技術已獲得發明專利、國際專利以及美國專利，並獲得了「第二十一界中國發明專利獎」。
趙少華博士指出，常規的分容工藝通常需要1.5個以上的充電-靜置-放電循環，耗時4小時以上。而恆翼能的容量預測系統擁有完整的充放電曲線重建系統，利用部分放電數據精確重建完整放電曲線。
同時，系統還包含離線數據訓練、在線重建、參考數據學習更新等部分。
「基於此，分容時間可縮短到1/3，分容設備減少到原來的1/3，大大減少了設備投入並提高了生產效率。」 趙少華博士強調。
綜合來看，恆翼能的容量預測系統具備電芯特徵採集、模型管理、實時看板、預測結果與效益等優勢。
電芯特徵採集層面，恆翼能通過硬體級的電芯特徵採集，每個通道獨立以毫秒級的間隔和0.02%電流電壓高精度採集電芯在充放電過程中的特徵，與常規在上位機記錄相比，硬體級的記錄電芯特徵微小和快速的變化，以提高預測精度。
特徵採集數據量龐大，在硬體級上預處理特徵和進行無損壓縮處理，以保留更多有價值的電芯特徵。
模型管理層面，可實時監控電芯容量預測情況，自動調整模型的權重或切換模型，如果因材料或製程變化引起容量的變化，系統能自動調節，保證預測容量的準確性。
實時看板層面，可實時監控電芯生產過程和容量預測系統運行情況，對於生產異常會即時報警並提供自動或手動處理方案，保證生產的質量和時間。
預測結果與效益層面，容量預測平均誤差≤0.1%，工藝和品質大數據分析，指導設備和製程工藝改進；設備數量減少，成本降低；廠房空間減少，成本降低。
趙少華博士表示，經過模型驗證後，只需要第一次放電到50%SOC時所提取的電芯特徵足夠計算容量的準確性，相比原工藝的生產時間約縮短45%。
「採用該專利技術，分容時間保守估計能夠縮短45%，則每年可節約電能 260萬度，按0.725的工業用電價格計算，每年可節約電費200萬元。」 趙少華博士強調。
來源: 高工鋰電網