關(guān)鍵詞：鋰電池極片；面密度測量;X射線測厚儀；大射線斑；小射線斑擬合;LSTM神經(jīng)網(wǎng)絡(luò)中圖分類號：TM912 文獻標志碼：A 文章編號：1003-5168（2025）08-0028-06DOI：10.19968/j.cnki.hnkj.1003-5168.2025.08.005

Abstract： [Purposes] The areal density of lithium battery pole piece coating is very important to the capacity，performance and safety of the battery.Especially in the high-speed production line，the measurement accuracy of the coating surface density willdirectly affect the consistency and stability of the battery.However，despite their high resolution，small spot raythickness gauges are expensive and slow to acquire data， making it difficult to meet the needs of large-scale production.Therefore，a fine prediction method of lithium batery pole coating areal density based on Long Short-Term Memory （LSTM） neural network was proposed.[Methods] The LSTM model is trained by the large ray spot measurement data， and the time series characteristics and local variation laws of the areal density data are captured to fit the areal density distribution with small spot resolution，so as to reduce the equipment cost and time consumption under the premise of ensuring the measurement accuracy.[Findings] The experimental results show that the model is applicable to a variety of substrates and samples with defects，especially the fitting effct of the thining area is significantly improved.The model successully achieves the fiting accuracy of the average correlation coeficient of O.999 6，and has a high fitting ability.[Conclusions] This method provides a new idea for the on-line measurement of the coating surface density of lithium battery pole pieces，and has the application potential of achieving both high precision and low cost in highspeed intelligent production lines，and provides effective technical support for production line quality control.

Keywords： lithium battery electrode; areal density measurement; X-ray thickness gauge; large ray spot; small spot fitting;LSTM neural network

0 引言

極片涂布是鋰電池制造過程中的重要工序，涂布質(zhì)量會對鋰電池的容量、一致性和安全性產(chǎn)生重要影響。鋰電池極片單位面積的涂層重量，即涂布面密度是評價極片涂布質(zhì)量的關(guān)鍵指標之一。在鋰電池極片的涂布過程中，通常使用X/β射線面密度測量儀（測厚儀）在線測量涂布面密度。其原理是基于射線透射后，強度會衰減，射線發(fā)生器和射線探測器同步動態(tài)掃描極片，掃描方向與涂布方向正交，測量結(jié)果用于反饋涂布機，從而實現(xiàn)涂布質(zhì)量的閉環(huán)控制調(diào)節(jié)。隨著鋰電池頭部制造企業(yè)高生產(chǎn)效率的超級智能產(chǎn)線建立，極片的涂布速度、涂布寬度和涂布面密度等指標均大幅度提高。在高速涂布條件下，為了提高極片涂布的均勻性，提升鋰電池產(chǎn)品的良品率，要求面密度測量儀能夠準確檢測出極片精細區(qū)域的涂布面密度，特別是對涂布兩側(cè)邊緣 5～3 0 m m 寬度的削薄區(qū)域測量，防止因極片“厚邊\"而產(chǎn)生質(zhì)量隱患。X/β射線面密度測量儀掃描的削薄區(qū)域測量示意如圖1所示。測量儀應(yīng)給出以毫米為單位的精細區(qū)域涂布面密度分布輪廓，為工藝過程處理和品質(zhì)控制提供指導(dǎo)和參考[2]。

由于射線在傳輸路徑中存在散射線性，因此對精細區(qū)域的測量需要對射線輸出路徑進行準直約束，才能獲得毫米級的射線測量斑。加裝準直器后，探測器的射線強度信號顯著降低，為了保證測量精度，只能通過使用大功率的X射線裝置或高活度的β射線放射源等措施增加射線的輸出劑量，從而提高人射射線強度。但是，這樣將導(dǎo)致輻射防護難度加大，X射線源因散熱困難而性能不穩(wěn)定以及壽命降低等一系列問題。于是測量儀需要增加額外的屏蔽裝置、制冷散熱裝置及購置高價格β放射源，應(yīng)用成本較高。而且即使輸出射線束經(jīng)準直后，依然存在不可避免的散射效應(yīng)，且靜態(tài)條件下測量斑比準直器約束尺寸大。同時，在高速掃描的動態(tài)測量環(huán)境下，對動態(tài)測量信號的測量存在響應(yīng)滯后現(xiàn)象，探測器和信號采集系統(tǒng)的響應(yīng)時間常數(shù)對測量射線斑有顯著的限制，所以通過構(gòu)造裝置器約束射線束尺寸，采用高探測效率和快時間響應(yīng)的探測器等硬件改善方法以實現(xiàn)削薄區(qū)等精細區(qū)域的測量，但儀器實現(xiàn)的技術(shù)難度較大、成本投人高。

面密度測量儀給出的結(jié)果是區(qū)域射線斑照射區(qū)域內(nèi)的整體測量值。由于測量數(shù)據(jù)是通過滑動濾波器得到的，具有序列特性，因此使用序列模型來捕捉這種特性會取得較好的效果。而長短期記憶（LSTM）網(wǎng)絡(luò)主要用于處理和預(yù)測序列數(shù)據(jù)，于是本研究提出了一種利用大射線斑測量數(shù)據(jù)，通過長短期記憶（LSTM）神經(jīng)網(wǎng)絡(luò)模型擬合出小射線斑高分辨率測量結(jié)果的方法。這種方法在保持大射線斑涂布面密度測量儀高精度和低成本應(yīng)用優(yōu)勢的同時，提升了面密度測量的分辨率，滿足了新型生產(chǎn)線對精細測量的需求。

1長短期記憶網(wǎng)絡(luò)的實現(xiàn)

長短期記憶（LSTM）網(wǎng)絡(luò)[3是一種特殊類型的循環(huán)神經(jīng)網(wǎng)絡(luò)（RecurrentNeural Network，RNN）[4]，由多個LSTM單元組成，每個單元包含三個門結(jié)構(gòu)，即輸入門、遺忘門和輸出門。這些門控制信息在單元內(nèi)的流動和狀態(tài)更新，從而克服傳統(tǒng)的RNN在長期依賴處理中的不足，LSTM單元結(jié)構(gòu)示意如圖2所示。利用LSTM對大射線斑測量序列進行處理，從而預(yù)測出更高分辨率的局部面密度值，以滿足生產(chǎn)線對極片涂布精細測量的需求。

LSTM單元包含遺忘門、輸入門和輸出門，用于對信息進行動態(tài)控制，以實現(xiàn)對時間序列數(shù)據(jù)的有效建模。

遺忘門決定前一時刻的記憶狀態(tài)中需要保留或丟棄的信息。根據(jù)當前輸入 和前一時刻的隱狀態(tài) ，計算出一個數(shù)值范圍在0到1之間的向量，用于控制歷史信息的保留比例，并輸出一個介于0到1之間的門控向量，見式（1）。

式中： 表示遺忘門的輸出，用于控制哪些信息被保留； σ （ ） 表示sigmoid函數(shù)，將輸出映射到0到1之間； 為權(quán)重矩陣； 表示偏置項。

輸入門 用于選擇當前時刻輸入的信息，結(jié)合前一時刻的隱狀態(tài) 和當前輸入 ，計算輸入門的輸出和候選細胞狀態(tài)，并更新細胞狀態(tài)。該過程允許模型在高速生產(chǎn)中的數(shù)據(jù)變化中捕捉關(guān)鍵特征，見式（2）和式（3）。

式中： 為雙曲正切激活函數(shù)，將值映射 到-1到1之間； 和 為權(quán)重矩陣； 和 為偏置

項；輸入門 決定了當前時刻新信息的保存程度；候選細胞狀態(tài) 生成了新的候選信息。

細胞狀態(tài) 的更新由結(jié)合遺忘門和輸入門的輸出決定，更新細胞狀態(tài) 見式（4）。

式中： ? 表示元素逐位相乘。結(jié)合遺忘門和輸入門的作用，細胞狀態(tài) 既保留了重要的歷史信息，又融合了新的輸人信息，實現(xiàn)對長期依賴的記憶和無關(guān)信息的遺忘。

輸出門 決定從細胞狀態(tài)中輸出多少信息到隱藏狀態(tài)，見式（5）。

式中： 表示權(quán)重矩陣； 表示偏置項。

最終，計算新的隱藏狀態(tài)，見式（6）。

上述設(shè)計使得LSTM網(wǎng)絡(luò)能在較長的序列數(shù)據(jù)中保持信息的有效性，解決了傳統(tǒng)RNN在處理長期依賴關(guān)系任務(wù)時出現(xiàn)的梯度消失問題。因此，LSTM特別適合用于具有時序依賴特性的任務(wù)。在鋰電池極片面密度測量中，由于測量儀獲取的是射線束斑覆蓋區(qū)域內(nèi)面密度的平均值，這些測量數(shù)據(jù)具有顯著的序列特性。而LSTM模型能有效捕捉數(shù)據(jù)中的時間依賴性和局部變化特征，通過學(xué)習大射線斑數(shù)據(jù)的時序和局部變化特征，LSTM模型能有效擬合出接近小射線斑分辨率的局部面密度預(yù)測結(jié)果，從而滿足鋰電池極片涂布產(chǎn)線對精度和效率的雙重需求。

2實驗方法

2.1 實驗裝置

使用XCH12000型X射線面密度測量儀掃描測量鋰電池正極極片，X射線發(fā)生器的射線束輸出孔為 6 m m ，X射線發(fā)生器和X射線探測器的同步運動速度為 0 . 2 m / s ，實驗裝置如圖3所示。

實驗用到的極片分別為正常涂布極片、具有涂布瑕疵的極片和多道條紋涂層區(qū)域的極片，涂布面密度為 射線面密度測量儀的測量原理，見式（7）。

式中： 和 I 分別為 X 射線透射極片前后的強度，可由射線探測器給出； μ 為極片材料對X射線的質(zhì)量吸收系數(shù)， ，且 μ 與被測材料的物質(zhì)組成和射線能量有關(guān)，可通過標定得到[5-6]； ρ d 為被測極片的質(zhì)量厚度， 。

面密度測量儀驅(qū)動射線發(fā)生器和射線探測器掃描運動，每運動 0 . 1 m m 輸出一個測量值。向測量模型實時連續(xù)輸出極片面密度原始測量值，LSTM模型依據(jù)該系列數(shù)據(jù)實現(xiàn)小區(qū)域測量值的輸出。

2.2 實驗流程

神經(jīng)網(wǎng)絡(luò)架構(gòu)包括2層LSTM和1層全連接層，每層LSTM包含64個神經(jīng)元的隱層，并將全連接層的輸出作為最后的輸出結(jié)果。模型訓(xùn)練的批次大小為32，訓(xùn)練輪數(shù)為5輪，學(xué)習率為 0 . 0 0 1 。模型訓(xùn)練時使用數(shù)據(jù)集的 8 0 % 用于訓(xùn)練，剩余 20 % 的數(shù)據(jù)集用于測試；損失函數(shù)采用均方誤差MSE；優(yōu)化器選取Adam；性能指標選取小射線斑真實值和預(yù)測值的相關(guān)系數(shù)，實驗流程如圖4所示。實驗通過對正常極片材料、有瑕疵極片材料和多道涂布極片材料等三種不同狀態(tài)的材料進行面密度數(shù)據(jù)的采集，來驗證本研究所提方法的可行性?？紤]到不同基材面密度的范圍有差異，因此在訓(xùn)練模型參數(shù)時，需要對輸入數(shù)據(jù)進行簡單的規(guī)范化處理，將所有范圍限定在[0，1]，在得出預(yù)測結(jié)果后，再進行反歸一化處理，即可將數(shù)據(jù)恢復(fù)到正常范圍。

3實驗結(jié)果

3.1正常極片擬合效果

將面密度測量儀測量出的原始數(shù)據(jù)經(jīng)LSTM算法擬合后，得到正常極片材料的整體擬合效果和削薄區(qū)擬合效果，如圖5和圖6所示。使用本研究所提的模型能夠達到平均相關(guān)系數(shù)0.9996的擬合精度，且從圖6削薄區(qū)的局部圖可以看出，LSTM模型的擬合優(yōu)勢非常明顯。

3.2瑕疵極片擬合效果

對具有刮痕、瑕疵極片材料的測量數(shù)據(jù)，LSTM的擬合效果同樣優(yōu)勢明顯，能直觀地表現(xiàn)出模型擬合效果。對有瑕疵極片的整體擬合效果如圖7所示；對有瑕疵極片的兩側(cè)削薄區(qū)的擬合效果如圖8所示。整體擬合平均相關(guān)系數(shù)為0.9978。

3.3多道涂布極片擬合效果

多道條紋涂布的極片數(shù)據(jù)的整體和極片削薄區(qū)的擬合效果如圖9和圖10所示，整體平均擬合相關(guān)系數(shù)為0.9987。通過實驗驗證，對正常連續(xù)涂布極片、涂布瑕疵極片和多道涂布極片的預(yù)測結(jié)果見表1。

由表1可知，LSTM模型均表示出了良好的擬合性能，基本找到了大小射線斑之間的非線性映射關(guān)系。更重要的一點，由于建立的模型是1-1映射，因此不受數(shù)據(jù)長度的限制，具有極大的靈活性，適用于不同長度和類型的數(shù)據(jù)處理，

實驗結(jié)果表明，本研究所建立的LSTM模型在不同類型的極片材料上均表現(xiàn)出了優(yōu)秀的預(yù)測性能。特別是在涂布邊緣的削薄區(qū)域，該模型的預(yù)測結(jié)果與小射線斑對照數(shù)據(jù)吻合度較高，實現(xiàn)了對邊緣區(qū)域精細測量。此外，LSTM模型對含有瑕疵的材料也表現(xiàn)出了良好的檢測能力，這說明基于LSTM的方法不僅能提高面密度測量的精度，還具有一定的瑕疵檢測功能，為鋰電池極片的質(zhì)量控制提供了新的思路。

4結(jié)語

本研究提出了一種基于長短期記憶（LSTM）神經(jīng)網(wǎng)絡(luò)的鋰電池極片面密度精細測量方法，旨在從大射線斑射線測厚儀的測量結(jié)果中預(yù)測出高分辨率的局部面密度值。針對鋰電池極片涂布過程中對面密度精度和實時性的高要求，利用LSTM模型處理具有序列特性的測量數(shù)據(jù)，實現(xiàn)了對小射線斑測量結(jié)果的準確擬合。該方法能滿足高效智能產(chǎn)線對面密度測量的精度和實時反饋要求，成功實現(xiàn)了從大射線斑測量數(shù)據(jù)到高分辨率局部面密度的預(yù)測，具有較高的精度和可靠性，為鋰電池制造過程中的在線質(zhì)量監(jiān)控提供了一種高效、低成本的解決方案。

參考文獻：

[1]王云輝，孫青山，李松鞠.β射線在鋰離子電池生產(chǎn)中的應(yīng)用[J].電池，2018，48（5）：347-349.

[2]白云飛，謝凡，許樂.微斑面密度測量儀在涂布閉環(huán)控制中的應(yīng)用[J].電源技術(shù)，2022，46（1）：48-50.

[3]ELMANJL.Finding structure in time[J].CognitiveScience，1990，14（2）：179-211.

[4]HOCHREITERS，SCHMIDHUBERJ.Long short-termmemory[J].NeuralComputation，1997，9（8）：1735-1780.

[5]劉以思.β測厚儀[J].核電子學(xué)與探測技術(shù)，1995（3）：161-166.

[6]王其俊.同位素儀表[M].北京：原子能出版社，1984.