利用人工智能引擎分析电池芯的电极层的计算机辅助方法、训练人工智能引擎的方法、电池存储器的制造方法和制造单元
1.本发明涉及电极层浆料和/或电极层的分析方法、训练人工智能引擎的方法、电池存储器的制造方法、制造单元和计算机程序产品。
2.锂离子蓄电池，以下也称为锂离子电池，由于其高功率密度和能量密度，在移动和固定应用中用作能量存储器。
3.锂离子电池通常包括多个电池芯。电池芯，尤指锂离子电池芯，包括多个层。通常，这些层包括阳极、阴极、隔膜和其他元件。这些层可以设计成堆栈或绕组。
4.电极通常包括涂有活性材料的金属箔，特别是铜和/或铝。作为活性材料，通常敷设含有锂化合物或碳氢化合物的浆料(也称slurry)。薄膜和涂层各有几微米的厚度。涂层厚度或材料成分的几微米偏差已经对电极的质量产生了负面影响。因此，在不规则涂层的情况下，不利地制造出低质量的电池芯。此外不利地，不能保证电池芯的安全运行。
5.目前，在现有技术中，有缺陷的涂层通常只有在电池芯的整个生产过程完成后才能在所谓的终端测试的框架内进行。在某些情况下，有缺陷的涂层只有在电池芯运行几年后才会被检测到。
6.因此，在电池生产过程中产生了很大比例的有缺陷的电池芯的废品。因此，生产过程具有很大的材料需求和能源需求，用于制造足够数量的高质量电池芯。
7.因此，本发明要解决的技术问题是提供一种在制造过程中进行分析的方法，一种电池存储器的制造方法，一种制造单元和一种计算机程序产品，其降低了电池制造的废品率。
8.根据本发明，通过权利要求1的用于分析电极层浆料和/或电极层的方法、权利要求9的人工智能引擎训练方法、权利要求12的电池存储器的制造方法、权利要求13的制造单元和权利要求15的计算机程序产品来解决该问题。
9.本发明的用于分析用于电池芯的电极层浆料和/或电极层的计算机辅助方法包括多个步骤。首先，提供至少一个测量装置，用于在制造过程中测量电极层浆料和/或电极层的特性。利用测量装置测量电极层浆料和/或电极层的特性，并生成测量数据。此外，还提供了人工智能引擎。利用人工智能引擎基于测量数据确定电极层浆料和/或电极层的质量值。
10.在根据本发明的用于训练人工智能引擎的方法中，在测量特性后将电极层引入(或者说装入)电池芯中。电池芯投入运行。确定电池芯的运行数据。所述电池芯的运行数据与所述电极层和/或所述电极层浆料的特性相关联。基于这种关联性，确定质量值。
11.本发明的电池存储器的制造方法包括多个步骤。首先，根据本发明的电极层分析方法分析用于电池储存器的电池芯的电极层浆料和/或电极层。根据至少一个质量值调整用于制造电极层的制造条件。
12.本发明的电池存储器的制造方法包括多个步骤。首先，根据本发明的电极层分析方法分析用于电池存储器的电极层。尤其已经根据本发明的训练人工智能引擎的方法训练了在用于分析的计算机辅助方法中所使用的人工智能引擎。根据至少一个第一质量值调整
用于制造电极层的制造条件。
13.本发明的用于制造电池存储器的制造单元包括具有测量装置的电极层制造装置和具有用于执行本发明的分析方法的人工智能引擎。
14.本发明的计算机程序产品可直接加载到可编程计算单元的存储器中，包括当计算机程序产品在计算单元中执行时执行本发明的分析方法的程序代码器。
15.在专利申请的上下文中，人工智能引擎可以被理解为计算机系统，其包括“应用”，即可执行文件或程序库，该“应用”特别利用人工智能(ai)学习不同输入数据的相关性。
16.人工智能引擎具有执行环境。在专利申请的背景下，执行环境可以被理解为虚拟机，例如java虚拟机、处理器或操作系统环境。执行环境可以在物理计算单元(处理器，微控制器，cpu，cpu核心)上实现。其中，应用程序的执行可以在相同的物理计算单元上以学习模式和执行模式进行。同样地，例如，可以在另一个物理计算单元中以学习模式执行应用程序。例如，学习可以在特殊的学习计算单元中进行。在执行模式下的执行例如在第二计算单元中执行，其中在执行计算单元中执行时使用在学习中确定的有效性信息。例如，由学习计算单元确定的有效性信息优选地以防篡改的方式提供。
17.电极层浆料(英文：slurry)理解为制造电极层的原料。
18.根据本发明的用于分析电池存储器电极层的方法已经在生产过程中借助测量装置采集电极层浆料和/或电极层的至少一个特性。换句话说，电极层浆料和/或电极层的分析是在线进行的，因此不需要直接对电极层进行物理干预。
19.因此，有利地，质量值不仅根据单个生产步骤(特别是电极层在衬底上的施加)的单个限值和/或电极层特性被确定，而且有利地将完全制造完成的电池芯的运行值引入到质量值的评估中。换句话说，作为规定各单独的产品步骤的限值的备选或补充，质量值还包括电极层浆料和/或电极层的分析特性是否与高质量的运行数据相关联。特别是，在人工智能引擎的训练过程中，不仅要遵守给定特性的阈值，而且要分析各个特性的相互作用以及对运行数据的影响。
20.换句话说，质量值包括测量数据和基于测量数据与运行数据的相关性对测量数据的评估。
21.运行数据特别被理解为运行中电池的静止电压或工作电压、电流、内阻和/或容量。换句话说，运行数据可以代表第二质量值。
22.所述关联对于技术人员是出人意料的。可能的是，个别生产步骤的限值被超过，但质量值仍然足够好。同样，也有可能个别生产步骤在规定的限值内，但由于从一个生产步骤到下一个生产步骤的微小偏差相加，质量值仍被评估为不足。通过训练人工智能引擎，当训练的人工智能引擎用于分析电极层浆料和/或电极层的制造过程中时，在制造过程的早期阶段确定质量值是有利的。因此，当电极层的质量恶化时，可以有利地提早识别出来。
23.此外进一步有利的是，关于“电极层是正常的”或“电极层是废品”的断言的信息被确定。因此，可以有利地评估电极层的质量是否足够好，以便安装在电池芯中。此外，通过偏离的质量值，可以确定哪些制造条件可以有利地调整以提高电极层的质量。
24.在本发明的有利设计和改进方案中，使用至少两个测量装置，并且使用第一测量装置确定电极层浆料和/或电极层的第一特性，并且使用第二测量装置确定电极层浆料和/或电极层的第二特性。因此，在质量值的确定中有利地包括了更多不同的测量值。这使得能
够确定更鲁棒且可靠的质量值。
25.在本发明的另一有利设计和改进方案中，在测量时将位置信息分配给第一特性和第二特性。在某一个位置处确定比较值。在训练时将该比较值纳入人工智能引擎的相关性确定。因此，可以合并关于电极层的精确位置的信息。特别是，可以分析关于电极层的孔或裂纹形状的结论。根据孔或裂纹的形状，可以有利地推断可能的错误设置的制造装置，特别是将电极层浆料涂覆到载体衬底上的装置。这些错误设置的制造装置随后可以得到有益的纠正。
26.在本发明的另一有利设计和改进方案中，人工智能引擎通过深度学习方法被训练，以将第一质量值划分为质量等级，并将电极层的位置分配给质量等级。因此，以空间分辨的方式对电极层进行电解是有利的。然后可以有利地丢弃电极层的低质量部分。因此，劣质电极层不会安装在电池芯中是有利的，劣质电极层将不可靠地工作并导致废品。
27.在本发明的另一有利设计和改进方案中，激光扫描装置被用作测量装置用于确定作为电极层特性的拓扑特性。因此，激光扫描装置拍摄电极层的图像。基于图像信息，确定电极层的拓扑特性。有利的是，电极层的拓扑特性与电池芯的运行数据的相关性允许在制造过程中就已经对电极层进行评估。
28.在本发明的另一有利设计和改进方案中，孔隙率测量装置、特别是超声波测量装置或计算机断层扫描仪被用作测量装置用于测量电极层的孔隙率值。
29.通过分析电极层的拓扑特性、利用分析电极层的孔隙率和/或两种测量方法的组合(其中在同一位置以空间分辨的方式确定测量值)，则可以分析电极层中是否存在裂纹，并且如果存在，这些裂纹是否与特别低的涂层厚度和/或高孔隙率相关。因此有利的是，关于“电极层是正常的”或“电极层是废品”的判断的信息被确定。因此，可以有利地评估电极层的质量是否足够好，以便安装在电池芯中。此外，可以有利地根据第一质量值对可能有缺陷的生产工艺步骤做出结论。
30.在本发明的有利设计和改进方案中，基于比较值和电极层浆料和/或电极层的至少一个特性，对于电极层中的至少两个位置确定浮雕值(或者说起伏值)。在此基础上，根据至少一个浮雕值确定至少一个凹陷的至少一个形状和/或凹陷的数量。因此，能够有利地分析电极层中是否存在裂纹、点状孔或涂层厚度的变化。因此，电极层可以有利地在制造过程中以非常不同的方式分析。基于该信息，可以在早期阶段有利地评估电极层是否具有足够高的质量，以便将其集成到电池芯中。换句话说，第一质量值还考虑凹陷的形状是如何构造的，其中不同的形状在对电极层质量的影响方面、特别是通过公差极限被评估。
31.在本发明的另一有利设计和改进方案中，使用超声波测量单元作为孔隙率测量装置或使用基于x射线方法的测量方法、特别是计算机断层扫描。利用这种测量方法，可以有利地在生产过程中非接触地确定孔隙率。此外，利用x射线方法可以确定制造过程后电极层的结构，以便验证之前已经利用光学方法测量过的结构。
32.在本发明的另一有利设计和改进方案中，高光谱照相机和/或介电光谱单元用作测量装置。尤其利用高光谱照相机可以基于图像数据确定电极层的化学组成作为特性。利用介电光谱单元尤其可以确定介电特性作为特性。
33.在本发明的另一有利设计和改进方案中，第一质量值、特别是电极层的混合度、浮雕值和/或裂纹值被确定作为质量值。这些数值有利地反映了电极层的质量。
34.在本发明的进一步完整设计和改进方案中，第二质量值、特别是电池芯和/或具有电池芯的电池存储器的老化行为、容量、静止电压、工作电压和/或内部电阻被用作质量值。换句话说，通过测量确定为运行数据的电池数据被视为第二质量值。
35.在本发明的另一有利设计和改进方案中，孔隙率和/或孔隙密度和/或孔隙分布和/或孔隙体积被确定作为孔隙率值。因此，可以根据不同的方法评估孔隙率，并在需要时将这些结果组合。
36.在本发明的另一种有利设计和改进方案中，溶液的温度和/或环境的温度、用于电极层的电极原溶液中的溶剂含量和/或电极原溶液的混合度作为制造条件被调整。所述调整这样进行，使得第一质量值和/或第二质量值被改善。
37.本发明的进一步特征、特性和优点来自于参考附图的以下描述。其中示意性地示出：
38.图1示出制造单元，包括具有激光扫描装置、孔隙率测量装置和人工智能引擎的电极层制造装置；
39.图2示出一个电极层制造装置和两个电池芯；
40.图3示出用于分析电池芯的电极层的方法示意图。
41.图1显示了制造单元1。制造单元1包括电极层制造装置8。电极层制造装置8包括两个测量装置：作为第一测量装置的激光扫描装置5，作为第二测量装置的孔隙率测量装置9。电极层制造装置还包括人工智能引擎111。人工智能引擎111通过数据线连接到激光扫描装置5和孔隙率测量装置9。电极层制造装置8包括载体衬底3，其上施加由电极层浆料2(英文：slurry)组成的电极层4。电极层浆料2通过搅拌器7在容器中均质。搅拌器7和衬底传送器也通过数据线连接到人工智能引擎111。
42.在本实施例中，使用激光扫描装置5采集电极层4的至少一个图像和位置信息e1作为特性。此外，利用孔隙率测量装置9确定第二特性，即电极层4的孔隙率和/或电极层厚度。在本实施例中，在衬底与电极层4一起进一步传输之后，在电极层4的相同位置进行分析，现在标记为位置信息e1’。孔隙率的分析是在电极层4的制备过程中进行的。然后，孔隙率测量装置特别设计为超声波测量单元、x射线吸收单元或计算机断层扫描仪。
43.在本实施例中，测量数据被传送到人工智能引擎111。然后，在人工智能引擎111中根据位置信息e1基于至少一个图像来确定电极层4的拓扑特性。然后将拓扑特性、换句话说电极层表面的三维映射与该位置的孔隙率值和/或电极层厚度进行比较。在本实施例中，根据比较确定一个比较值。但也可以将这两个特性分开考虑。
44.基于该比较值确定电极层的第一质量值。特别地，电极层4的混合度或电极层4的粗糙度被确定为第一质量值。
45.通过如图2所示的人工智能引擎111来确定质量值。例如，人工智能引擎111是具有计算单元100的计算机系统。使用来自电池芯50(其中插入电极层4的)的运行数据对人工智能引擎111进行训练：基于运行数据确定质量值。在此，人工智能引擎111被训练，用于将运行数据与单独的特性(在本例中是孔隙率和拓扑特性)和/或与比较值相关联，并确定质量值。
46.所述质量值尤其可以提供有关生产过程的信息。特别是，可以分析多种干扰相互间是如何相对分布的，以及它们之间的相互位置。特别是，可以分析裂纹是否特别频繁地出
现在涂层厚度较低的区域。此外尤其是，当大量的孔被限制在电极层的局部位置时，可以特别地分析孔隙率是否高。在后一种情况下，可能应重新设置涂层设备。
47.对于训练人工智能引擎111，可以进一步进行孔隙率的附加测定。特别是，可以进行外部孔隙率测定，特别是通过来自断面图的光学方法或气体孔隙率测定。这种孔隙率测定的结果可以与在线孔隙率测定的结果进行比较。此外，可以确定关于电极层4的附加信息，特别是关于内部结构的结论，例如晶粒尺寸分布或晶界。
48.通过使用经过训练的人工智能引擎，可以基于单个特性或基于根据激光扫描设备的图像数据、孔隙率和/或电极层厚度确定的比较值来确定质量值。来自电池存储器的运行数据可以有利地引入，而不需要将每一层电极构建到电池芯中。
49.此外，离线测量的孔隙率值可以与在线测量的孔隙率值相关联，以便通过人工智能引擎进一步优化电极层4的评估。换句话说，基于比较值，可以做出关于电极层4的内部结构的判断，特别是关于晶粒尺寸分布或晶界的判断，而不必进行空隙率的离线测定。
50.基于该质量值，如在第一实施例中已经示出的，现在可以调整制造单元1的制造条件。在本实施例中，通过第二控制信号102来调整电极原溶液2的搅拌器7和/或通过第一控制信号101来调整电极衬底3的运行速度。
51.图3示意性地示出了在电极层制造装置1中分析电池芯50的电极层浆料2和/或电极层4的方法。
52.在第一步骤s1中，提供用于测量电极层浆料2和/或电极层4的特性的至少一个测量装置。在第二步骤s2中，借助测量装置测量电极层浆料2和/或电极层的特性并生成测量数据。在第三步骤s3中，提供人工智能引擎111。在第四步骤s4中，借助于人工智能引擎确定电极层浆料2和/或电极层4的第一质量值。在第五步骤s5中，训练人工智能引擎。为此，在第六步s6中，在测量特性之后，电极层被引入到电池芯中。将电池芯投入运行，并确定运行数据。在第七步骤s7中，将运行数据与电极层浆料2和/或电极层4的特性相关联。
53.然后，借助训练的人工智能引擎111，可以根据比较值来确定电极层4的第一质量值，而不必将电极层4安装到电池芯50中。
54.在图中未示出的另一示例中，制造单元包括电极层制造装置、作为测量传感器的高光谱照相机和人工智能引擎。电极层制造装置包括载体衬底，其上施加由电极层浆料(英文：slurry)组成的电极层。电极层浆料在容器中通过搅拌器均匀化。
55.高光谱照相机拍摄电极层的具有至少两个像素的图像。两个像素位于彼此相邻的位置。基于像素，可以使用人工智能引擎确定电极层的材料特性。在本实施例中，作为材料特性，基于图像数据评估材料组成。在两个相邻位置确定的材料组成被概括成一个比较值。该比较值特别可以是规定的材料组合物的浓度梯度和/或电极层浆料(也称为电极原溶液)的规定组分的浓度梯度。随后在该比较值的基础上可以确定特征化的特性。本实施例中的一个特征化的特性是材料成分梯度。根据该材料成分梯度，可以特别确定材料均匀性值。
56.在本实施例中，人工智能引擎也使用来自电池芯(其中插入电极层)的运行数据进行训练。基于运行数据可以确定质量值，其中训练人工智能引擎，将质量值与特征化的特性相关联。
57.因此，通过使用经过训练的人工智能引擎，可以根据特征化的特性确定质量值，该特征化的特性通过高光谱相机和采集的图像进行分析。在此质量值的基础上，可以调整制
造单元的生产条件。在本实施例中，利用第二控制信号调节电极层浆料的搅拌器和/或利用第一控制信号调节电极衬底的运行速度。
58.此外，可以通过比较相邻图像来确定材料成分梯度和/或层厚。有利地，利用这种评估，可以确定电极层中存在缺陷的位置，特别是裂纹和/或杂质。
59.在图中未示出的本发明的另一实施例中，在制造单元中设置两个介电光谱单元作为测量装置。制造单元包括电极层制造装置和人工智能引擎。电极层制造装置包括载体衬底，其上施加由电极层浆料(英文：slurry)组成的电极层。用于电极层的电极层浆料通过搅拌器在混合容器中均质。
60.在混合容器中设置有第一介电光谱单元。在本所述例中，第一介电光谱单元位于混合容器的边缘区域。或者，也可以设想将介电光谱单元居中放置在混合容器中或放置在诸如混合容器角落中的死区的位置。
61.电极层浆料通过第一管路施加到载体衬底上。在本实施例中，在第一管路中设置第二介电光谱单元。这确保了在将整个电极层浆料应用于载体基材之前对其进行分析。
62.测量数据通过数据线传输到人工智能引擎。在人工智能引擎中，确定特别描述电极层浆料的导电性或均匀性的第一质量值。
63.人工智能引擎使用来自电池芯(其中插入电极层)的运行数据进行训练。根据运行数据可以确定质量值。为此，将运行数据与电极层浆料的介电特性或电特性的随时间变化组合成比较值。然后，人工智能引擎将质量值分配给比较值。换句话说，在使用电池芯(或包含电池芯的电池存储器)的运行数据进行训练之后，人工智能引擎可以对介电性能的质量做出判断，尤其电极层浆料的电导率或均匀性值。
64.因此能够有利地实现的是，通过使用人工智能引擎非常早期地、即在制造过程中对电极层的质量和/或电池芯的后续质量做出判断。作为分析的结果，可以对生产过程进行干预。作为备选或补充，可以丢弃已经由电极层浆料制成但不符合第一和/或第二质量值要求的电极层，以最小化电池芯的废品。
65.来自电池芯的运行数据可以被有利地引入到第一质量值的确定中，而不需要将每一层电极安装到电池芯中。
66.介电光谱单元的技术参数的选择、尤其是传感器在电绝缘保护元件中的安置、不同的测量频率的使用或电极形状的选择，可以测量所研究的浆料的不同技术特性。特别是，光谱单元的电极的电绝缘允许使用导电介质。此外，介电光谱单元的测量频率的变化允许在某些频率范围内与电阻抗光谱相当的测量。对于这两种传感器，分析了待测系统在不同频率下对电振动激励的响应。然而，在现有技术中，电阻抗谱通常用于确定制造完成的电池芯的完全的阻抗，即包括电流电导率。
67.有利的是，当用电光谱单元测量浆料时，如在本第一实施例中所示，在制造过程中已经确定电极层浆料的介电特性的变化。在这种情况下，生产条件仍然可以有利地改变。
68.通过使用介电光谱装置，还可以确定原始悬浮液的材料是否不仅混合，而且机械损坏。根据光谱单元选择的测量频率，这可以导致激发响应的变化，即原始悬浮液的电特性的变化。
69.所示实施例中提到的测量单元激光扫描单元、孔隙率测量单元、高光谱照相机和介电光谱单元也可用于制造单元，它们都为人工智能引擎提供测量数据。这有利地增加了
电极层的第一质量值评估的鲁棒性。
70.虽然本发明已由优选实施例更详细地说明和描述，但本发明不受所公开的实施例的限制。本领域技术人员可以在不脱离本发明的保护范围的情况下推导出其变体，该保护范围由随后的权利要求书定义。
71.附图标记清单
72.1制造单元
73.2电极层浆料(slurry)
74.3 载体衬底
75.4 电极层
76.5 激光扫描装置
77.7 搅拌器
78.8 电极层制造装置
79.9 孔隙率测量装置
80.50 电池芯
81.100 计算单元
82.101 第一控制信号
83.102 第二控制信号
84.103 运行数据
85.111 人工智能引擎
86.s1提供至少一个测量装置来测量电极层浆料和/或电极层的特性s2测量电极层浆料和/或电极层的特性，并使用测量装置生成测量数据s3提供人工智能引擎
87.s4通过人工智能引擎确定电极层浆料和/或电极层的第一质量值s5训练人工智能引擎
88.s6在测量后将电极层引入电池芯，启动电池芯并确定运行数据s7将运行数据与电极层浆料和/或电极层的特性相关联。