超声衰减谱测量电池浆料的粒度分布

doi:10.7503/cjcu20220040

摘要/Abstract

摘要：

电池浆料中颗粒状活性物质的粒度大小和分散均匀性对电池的内阻、电压、局部表面电流和总极化程度等性能有直接影响, 实现对其的在线实时测量对电池的质量控制具有重要意义. 基于电池浆料的高固含量、高黏度和低透光性的特点, 本文利用超声衰减谱的方式测量了其粒度分布(PSD). 应用于电池浆料的粒度分布测量的最大难点是其利用超声衰减谱法预测粒度分布的模型需要难以获得的分散相和连续相的物性参数. 本文采用主成分分析(PCA)结合误差反向传播(BP)神经网络建立预测模型解决了超声衰减谱法的难点, 并引入遗传算法(GA)优化BP神经网络的初始阈值和权值. 通过以LiCoO₂为活性物质的电池浆料进行了验证, 结果表明, PCA-GA-BP神经网络能够有效对不同固含量电池浆料的粒度分布进行预测, 预测值与真实值的峰形重合度高, 峰高偏差小, 两者的均方误差为0.1358, 拟合度(R²)为0.9816, 说明超声衰减谱法可作为测量电池浆料粒度分布的重要方式.

关键词: 超声衰减谱, 粒度分布, 电池浆料, BP神经网络, 主成分分析, 遗传算法

Abstract:

The particle size distribution and dispersion uniformity of the granular active material in the battery slurries have a direct impact on the important properties of the battery such as internal resistance， voltage， local surface current， and total polarization degree. It is of great significance for the quality control of the battery if its present line can be measured in real time. Based on the characteristics of high solid content， high viscosity and low transmittance of battery slurry， this paper investigates the measurement of its particle size distribution by ultrasonic attenuation spectroscopy. The biggest difficulty in applying to the particle size distribution measurement of battery slurries is that its model for predicting the particle size distribution using the ultrasound attenuation spectroscopy requires difficult-to-obtain physical parameters of the dispersed and continuous phases. In this paper， principal component analysis（PCA） combined with error back propagation（BP） neural network is proposed to establish a prediction model to solve the difficulties of ultrasonic attenuation spectroscopy method， and genetic algorithm（GA） is introduced to optimize the initial weights and thresholds of the BP network. Combined with the battery slurry with LiCoO₂ as the active material for validation， the results show that the PCA-GA-BP neural network can effectively predict the particle size distribution of battery slurry with different solid contents， and the predicted values have high peak shape overlap with the real values and small peak height deviation， with the mean square error of 0.1358 and the degree of fit（R²） of 0.9816， indicating that ultrasonic attenuation spectroscopy can be used as an important way to measure the particle size distribution of battery slurry.

Key words: Ultrasonic attenuation spectroscopy, Particle size distribution, Battery slurry, BP neural network, Principal component analysis, Genetic algorithm

中图分类号:

O657

TrendMD:

黄明心, 周蕾, 王学重. 超声衰减谱测量电池浆料的粒度分布. 高等学校化学学报, 2022, 43(6): 20220040.

HUANG Mingxin, ZHOU Lei, WANG Xuezhong. Measurement of Particle Size Distribution of Battery Slurries Using Ultrasonic Attenuation Spectroscopy. Chem. J. Chinese Universities, 2022, 43(6): 20220040.

图/表 7

Fig.1 Multi?step slurry process

Fig.2 PSD of battery slurries with different solid contents

Fig.3 Ultrasonic attenuation of battery slurries with different solid contents

Fig.4 Attenuation of ultrasound passing battery slurry

Fig.5 Flow chart of PCA?GA?BP neural network model

Fig.6 Best fitness varies with iterations

Fig.7 True and predicted values of the PSD of battery slurry with different solid contents in the test set and the network output（A） 27%；（B） 22%；（C） 17%；（D） 13%.

参考文献 30

1	Ou W. C.， Chem. Enterp. Manag.， 2021， 32， 173—175
	欧韦聪. 化工管理， 2021， 32， 173—175
2	Miao M.， Zhu X. H.， Zhang B.， Battery， 2016， 46（3）， 152—154
	苗萌，朱晓辉，张宝. 电池， 2016， 46（3）， 152—154
3	Wu S. J.， Yu B.， Wu Z.， Fang S.， Shi B. M.， Yang J. Y.， RSC Adv.， 2018， 8， 8544—8551
4	Taleghani S. T.， Marcos B.， Zaghib K.， Lantagne G.， J. Electrochem. Soc.， 2017， 164（11）， 3179—3189
5	Allen T.， Nature， 1965， 208， 529—531
6	Lin C. D.， Liang Y. S.， Zhang W. S.， Shao C. J.， Technol. Acoust.， 2013， 32（4）， 294—298
	林春丹，梁永燊，张万松，邵长金. 声学技术， 2013， 32（4）， 294—298
7	Yao W. X.， Wang X. Z.， 2015 IESC， 2015， 294—298
	姚文学，王学重. 2015年中国化工学会年会， 2015， 294—298
8	Su M. X.， Xue M. H.， Shang Z. T.， Cai X. S.， Chin. J. Process Eng.， 2008， 3（1）， 8—12
	苏明旭，薛明华，尚志涛，蔡小舒. 过程工程学报， 2008， 3（1）， 8—12
9	Falola A.， Huang M. X.， Zou X. W.， Wang X. Z.， Powder Technol.， 2021， 392， 392—401
10	Fan Y. Y.， Qiu Z. Y.， Li S. W.， Liu F. M.， Adv. Mater. Res.， 2012， 503， 370—373
11	Boonkhao B.， Wang X. Z.， Srinophakun T.， Powder Technol.， 2021， 378， 602—617
12	Jia N.， Su M. X.， Cai X. S.， Results Phys.， 2019， 13， 825—829
13	Meyer S.， Berrut S.， Goodenough T. I. J.， Rajendram V. S.， Pinfield V. J.， Povey M. J. W.， Meas. Sci. Technol.， 2006， 17， 289—297
14	Wang X. Z.， Liu L. D.， Li R. F.， Tweedie R. J.， Primrose K.， Corbett J. C. W.， Mcneil⁃Watson F. K.， Chem. Eng. Res. Des.， 2009， 87， 874—884
15	Al⁃Lashi R. S.， Challis R. E.， IEEE T. Ultrason. Ferr.， 2014， 61（11）， 1835—1845
16	Yang S. F.， Xue M. Y.， Cao X. L.， Tian Z. Y.， Shao L.， Chin. J. Power Sources， 2020， 44（2）， 291—294
	杨时峰，薛孟尧，曹新龙，田占元，邵乐. 电源技术， 2020， 44（2）， 291—294
17	Tan L. X.， Cai Y. X.， Yu Z. M.， Liang T. R.， Mat. Res. Appl.， 2011， 5（1）， 57—61
	谭立新，蔡一湘，余志明，梁泰然. 材料研究与应用， 2011， 5（1）， 57—61
18	Jackson J. E.， J. Qual. Technol.， 1980， 12， 201—213
19	Du H.， Xia X.， Ju S. G.， Wang N.， J. Sichuan U.（Natural Science Edition）， 2014， 51（5）， 910—914
	杜洪，夏欣，琚生根，王能. 四川大学学报（自然科学版）， 2014， 51（5）， 910—914
20	Ramadhani A. L.， Musa P.， Wibowo E. P.， 2017 Sec. ICIC， 2017， 1—5
21	Li W. H.， Shi T. L.， Liao G. L.， Yang S. Z.， J. Qual. Maint. Eng.， 2003， 9， 132—143
22	Zeng J. H.， Comput. Appl. Softw.， 2018， 35（3）， 140—144
	曾建华. 计算机应用与软件， 2018， 35（3）， 140—144
23	Pan H.， Wang P. H.， J. Eng. Therm. Energ. Pow.， 2018， 33（2）， 33—38
	潘晗，王培红. 热能动力工程， 2018， 33（2）， 33—38
24	Tsuji K.， Nakanishi H.， Norisuye T.， Ultrasonics， 2021， 115， 106—463
25	Hipp A.， Storti G.， Morbidelli M.， Langmuir， 2002， 18， 391—404
26	Challis R. E.， Pinfield V. J.， Ultrasonics， 2014， 54， 1737—1744
27	Cybenko G. V.， Math. Control Signal， 1992， 5， 455—463
28	Gao D. Q.， Chin. J. Comput.， 1998， 1， 80—86
	高大启. 计算机学报， 1998， 1， 80—86
29	Panchal F. S.， Panchal M.， Comput. Sci.， 2014， 3（11）， 455—464
30	Kumar M.， Husain M.， Upreti N.， Gupta D.， Electr. Eng. eJ.， 2010， 2（2）， 451—454

[1]	郑祥权, 廖鑫, 徐溢, 洪明坚. 基于非接触式拉曼光谱分析人血与犬血的PCA-LDA鉴别方法[J]. 高等学校化学学报, 2017, 38(4): 575.
[2]	张汇, 何玉韩, 唐铎, 李彦威. 基于径向基神经网络和遗传算法的槽内式选择性超声电合成甲基苯甲醛[J]. 高等学校化学学报, 2014, 35(6): 1199.
[3]	方菲菲, 杜尚广, 戴喜末, 郭夏丽, 陈焕文, 罗丽萍. 电喷雾萃取电离质谱法分析莲子中的生物碱[J]. 高等学校化学学报, 2014, 35(4): 730.
[4]	李树豪, 方亚梅, 王繁, 李萍, 李象远. 庚酸甲酯高温燃烧化学动力学机理的系统简化和分析[J]. 高等学校化学学报, 2013, 34(7): 1714.
[5]	钟煜, 李威, 孙柏, 余道洋, 李民强, 刘锦淮. 能量色散X射线散射结合主成分分析对液体易制毒化学品的探测与鉴别分类[J]. 高等学校化学学报, 2013, 34(5): 1127.
[6]	成玉, 刘玉敏, 黄凤杰, 陈天璐, 郑晓皎, 赵爱华, 何品刚, 贾伟. 基于超高效液相色谱-四极杆飞行时间高分辨质谱的高通量血清代谢组学方法[J]. 高等学校化学学报, 2013, 34(1): 77.
[7]	刘跃芹, 皮子凤, 宋凤瑞, 刘志强, 刘忠英. 阿卡波糖对Ⅱ型糖尿病大鼠尿液代谢轮廓的影响[J]. 高等学校化学学报, 2012, 33(09): 1932.
[8]	张跃斌, 程瑛琨, 吕明, 张华利, 李正强. Y-S-R基序与卟啉辅基之间的氢键网络在sGC-HNOX结构域中的作用[J]. 高等学校化学学报, 2010, 31(5): 1039.
[9]	危阳洋, 王彩虹, 李伟, 董继扬, 陈忠. 甲亢患者血清和尿液的核磁共振代谢组学研究[J]. 高等学校化学学报, 2010, 31(2): 279.
[10]	赵蕊, 欧阳捷, 杜树山, 耿珠峰, 许美凤, 邓志威. 茶叶化学成分指纹识别中样品制备方法的优化[J]. 高等学校化学学报, 2010, 31(1): 38.
[11]	徐可, 相玉红, 代荫梅, 张卓勇. 近红外光谱技术结合主成分分析法用于子宫内膜癌的诊断[J]. 高等学校化学学报, 2009, 30(8): 1543.
[12]	高文骥, 袁洪福, 邱藤, 李效玉. 原位实时近红外光谱研究核壳乳液聚合过程[J]. 高等学校化学学报, 2009, 30(7): 1293.
[13]	孟凡欣, 郭伟良, 逯家辉, 杜林娜, 李又欣, 滕利荣. 纤维堆囊菌发酵液中埃博霉素含量的HPLC法分析[J]. 高等学校化学学报, 2009, 30(10): 1960.
[14]	郭隆海, 袁洪福, 邱藤, 李效玉. 苯乙烯/丙烯酸正丁酯乳液聚合反应过程中残余单体含量的实时监测[J]. 高等学校化学学报, 2008, 29(6): 1255.
[15]	苏振强,,HONG Hui-Xiao,TONG Wei-Da,PERKINS Roger,邵学广,蔡文生,. 不相交主成分分析(PCA)和遗传算法(GA)用于差异表达基因的识别 [J]. 高等学校化学学报, 2007, 28(9): 1640.