锂电制造设备智能监测与故障诊断方法研究

摘要

锂电制造设备长时间处在高精度、高负荷的工作环境里，它的健康状况直接关系到极片的质量以及电池的安全。为了克服锂电制造设备故障样本少、监测数据利用率低的实际困难，文章提出了一种将多源传感信号处理和深度学习相结合的智能监测和故障诊断方法框架。首先对涂布机、辊压机、卷绕机等典型设备的运行特性及关键部件的退化机理进行分析；在利用自适应小波包阈值降噪和多域特征提取的方法对振动、电流等多源信号进行预处理的基础上，建立基于改进一维卷积神经网络和门控循环单元的故障诊断模型，并使用迁移学习来解决小样本条件下诊断的问题；最后设计基于联邦学习的多设备协同诊断架构来保护数据隐私。从实验结果可以看出，本研究所提方法对于锂电辊压机轴承故障数据集的诊断准确率达到了98.7%，比传统的支持向量机方法提高了12.3个百分点，并且在不同的工况下也有较好的泛化性。