电池研发再现黑科技，锂电巨头正借此突破关键瓶颈！-电子发烧友网

回顾2023，国内电芯厂商、车企相继发布了近20款电池产品：宁德时代的凝聚态电池、比亚迪的刀片电池、蜂巢能源的龙鳞甲电池、亿伟锂能的π电池、欣旺达的闪充电池、广汽埃安的弹匣电池2.0......

锂电企业的竞争早已不仅是规模和数量的较量，更是关于技术、品质和战略眼光的角逐，而其中，数字化和智能化技术能力将起到关键性的支撑作用。 大数据量的处理和分析的质量和效率，更是逐渐成为制约研发迭代效率的重要因素！

在日常工作中，研发人员对于实验数据分析往往有如下的困扰

测试数据庞大、格式杂乱，处理非常繁琐

大部分时间都浪费在了数据收集和处理等琐碎事务上

数据整理时出了错没检查出来，设计方向直接偏了

有些测试既有温度变化、又有倍率变化、又有SOC变化，对比起来非常累

测试有异常总是事后才知道，电芯早已起火爆炸

……

有没有一种方案能够同时解决数据的采、算、用三大问题呢？

笔者在与多个头部电池企业交流的过程中，逐渐发现一个共识，必须要从流程的规范、数据的高效采集、存储、分析、使用全链条上构建数据闭环，建立全流程追溯体系，才能帮助企业提升其数据管理能力，充分挖掘数据背后蕴藏的价值。

01 第一，打破数据孤岛，全流程可追溯

目前很多实验室仍然采用线下统计设备通道状态，手动导出数据来进行分析处理的工作模式，庞大的业务数据零散分布在多个文件/系统中，彼此之间难以关联打通，产生大量的数据孤岛，类型多样的实验数据以数据文档、扫描件形式传递，测试报告高度分散在邮件、文件夹中，难以集中管理，出现差错之后，无法追溯，且共享性和复用性非常低下……不仅浪费资源且无法保证数据的真实性、时效性。

人工传递：真实性时效性差

测试任务难追踪出现问题难追溯

为此，我们扩展了传统lims的功能，完成了全要素考虑（人机料法环），全场景覆盖（下单、审批、领样、检测等），全成员参与（研发人员、检测人员、管理者）的深度闭环。通过线上快速提单，自动流转审核等，实现全流程电子化，数据记录全留存，错误数据及环节可追踪，快速查阅，快速调用。

02 第二，搭建专用算法，自动分析操作

各电池企业的实验室每年都在不断累计测试数据，从测试2w通道到4w多通道，数据也从几十TB到几百TB甚至更多，海量的测试信息，使得锂电工程师们被淹没在数据的海洋中，找不到方向。

从测试设备上获取的数据需要经过人工计算、展示、对比、筛选、拟合等操作，得出差异性，分析结果判断图表是否有意义，再进行报告汇报，不仅耗费人力、出错率高、且数据未做深度挖掘，利用率低。

为帮助企业更好地克服上述挑战，我们团队搭建了一套完整的数据采集➜ 清洗➜ 分析➜展示平台，让测试数据不再雾里看花。

1）数据采集：采集来自各个环节的数据，包括不同厂商、不同测点标识、异构数据介质等，建设HIVE数据仓库加OLAP分析型数据库集群的混合架构方式完成数据存储。

2）数据异常监控及预警：通过规则初筛、变点检测、多工况过滤、集成分类器预测等步骤，对采集的数据进行异常监控与分析，保证入库质量。

3）数据治理：搭建了56个数据脚本（设备数据标准化、数据仓库处理、数据质量探查等）和3个数据处理模型（预处理模型、温度通道模型、工步序号模型），工步序号模型，重启测试可自动关联数据；温度通道模型,差异温度测试可快速解析数据；跨天处理模型，可快速接续不同时间、不同设备测试数据。

4）数据分析：平台内嵌独立的数据分析开发功能，覆盖9大测试项，提供150余种专业分析模板，为5大分析场景服务，工程师可以在平台上进行dQ/dV曲线分析、HPPC分析、放电速率分析、GITT分析、循环寿命分析等。

同时，支持对短期测试测试结果的不同设计方案性能优劣自动分析，辅助设计人员确定迭代方向，避免由于数据分析不到位导致的不必要实验，减少研发成本；支持长循环数据的日更新以及测试截止条件的监控；测试过程异常自动识别，指导异常电芯及时下机、避免资源浪费，同时提供分析工具，支持数据分析。

5）智能报告：提供了超200个模板，只需要简单的拖拽配置即可智能生成报告，单份报告制作时间可从8小时缩短至 2小时，同时杜绝了人为因素造成的偏差，保障了检测数据的准确性。

这样一套平台就完成了数据的采-算-用贯通，帮助工程师更快、更准确地分析电池测试数据，及时发现问题，大大节省工作时间。

03 第三，数据沉淀AI智能预测赋能研发

大量的测试化数据经过标准化分析之后，结合锂电池材料数据资源，可沉淀下来形成企业知识库，如材料数据库、电池表征库、电化学参数库等，将极大地有利于企业知识复用，加快产品的研发迭代。

比如一些工程师由于经验不足，在不同材料之间的选型需要查看大量的数据进行对比，并且有时候查到的内容还是不是准确信息，浪费很多时间。这时候，通过电池材料库功能就可以直接在线查询正极、负极、电解液、PACK、隔膜、粘结等各种材料的详细精准信息，快速筛选成百上千种材料，在线对比找到最优候选材料。

随着应用的进一步深化，我们还将面临一个关键问题，那就是如何将这些数据与AI进行有机结合，从而为我们的下一步研发计划提供有力指导。比如综合多项测试数据进行智能化预测计算，如电芯内阻/DCR预测、电芯体积变化预测等，结合电化学反应机理模型进行AI算法开发，最终实现指数级赋能电池研发工作，帮助管理者更快速、准确地进行科学决策。