基于GA-BP神经网络的锂电池极片厚度控制系统研究
发布时间：2021-06-30 07:41
由于锂电池极片受电性浆料颗粒材料的化学成分、原始密度、涂布质量、半固态程度、轧制温度、轧制力、辊缝等因素影响,再加上锂电池极片厚度控制系统中具有非线性、不确定、时变性等特点,采用传统的厚度控制方法不能满足用户对锂电池极片厚度精度的要求。因此,研究一种厚度控制较好的算法非常有必要。针对锂电池极片厚度不能达到用户想要的精度问题,本文提出了一种基于遗传算法优化BP神经网络的极片厚度控制研究,两种算法结合能够发挥各自的优点,提高锂电池极片厚度的预测能力。本文主要工作如下:首先,从锂电池极片的生产工艺流程和系统特点方面,对锂电池极片厚度控制系统进行了研究。简要分析了锂电池极片厚度的控制系统的数学模型。结合引起锂电池极片厚度的波动的原因,分析锂电池极片实测厚度的影响因素。其次,针对锂电池极片厚度实测厚度的精度不高问题,提出了一种基于神经网络的极片厚度控制的预测模型。根据BP神经网络算法的基本原理和学习步骤,将BP神经网络引入到极片厚度控制系统中,根据主要因素确定了BP神经网络的拓扑结构和参数,最后利用MATLAB软件对相关数据模型进行仿真研究并分析了锂电池极片预测厚度的有效性。再次,针对BP神经网...
【文章来源】：河北工业大学天津市 211工程院校
【文章页数】：85 页
【学位级别】：硕士
【部分图文】：
全球锂离子电池市场规模及需求走势图
河北工业大学硕士学位论文11第二章锂电池极片厚度控制系统的基本原理锂电池极片生产中，极片厚度是检验产品合格的重要评价标准，因此，锂电池极片厚度控制系统在轧制过程中非常重要。由于锂电池极片厚度受极片自身的化学成分，以及系统中张力、轧制力、辊缝间隙等因素的影响，是一个很复杂的非线性的控制系统。为了对其进行深入研究，本章在第一章介绍的有关厚度控制系统研究现状的基础上，详细介绍锂电池极片厚度控制系统的基本原理，并分析了影响锂电池极片厚度的主要因素，为下一章BP神经网络算法奠定基矗2.1锂电池极片轧制过程简述2.1.1锂电池极片生产流程本文所讨论的锂电池极片轧机设备为课题组与河北某公司联合研制的高精度电池极片轧机，结构上对现有电池极片轧机进行优化，主要包括消隙滚动轴承装置、短应力牌坊、交错辊装置、手柄滚轮移动装置、涡轮蜗杆间隙调整装置，提高了电池极片轧机的整体刚度、消除轴承间隙、控制板型质量、方便轧机整体移动以及能够精确在线调整间隙等功能；智能控制上，通过详细分析轧制工艺流程，提出高精度电池极片轧机智能控制模型，将控制系统实现智能化、模块化管理。图2.1为锂电池极片轧机设备的部分三维图；图2.2为锂电池极片轧机设备的现场调试图。图2.1锂电池极片轧机设备的三维图
基于GA-BP神经网络的锂电池极片厚度控制系统研究12图2.2锂电池极片轧机设备的现场调试图锂电池极片的生产过程如图2.3所示，包括正常过程初始化、预生产、连续生产、成品四个阶段，每个阶段都能通过人机交互系统进行实时监控并及时做出调整。而在轧制极片之前需要做好调机生产初始化，即向控制系统提供一些参数，这些参数用户不能随意更改，完成调试之后将不用在进行这项工作。一般系统参数包括电机参数，比如间隙调整伺服电机的加速度比率、启动频率、目标频率、减速带比率等；液压设置参数，比如两侧的使用压力；电机转速参数，比如收卷电机、轧辊电机等。调机生产初始化正常生产初始化预生产预生产极片是否合格连续生产成品验收YN图2.3锂电池极片的生产过程（1）正常生产初始化阶段。包括三个主要阶段：放卷机构（放卷机构复位和设置）、轧制机构（轧制机构复位和设置）、收卷机构（收卷机构复位和设置）。收、放卷机构的工艺初始化为将手动气涨轴、纠偏、磁粉制动器和前夹紧气缸复位，然后手动穿带，放卷机构人工上料，使放卷气涨轴上压紧固极片，按照穿带示意图完成之后
【参考文献】：
期刊论文
[1]基于BP神经网络的PTC工质出口温度研究[J]. 严倩雯,蒋川,杨嵩,余雷,王启扬. 太阳能学报. 2017(11)
[2]神经网络七十年:回顾与展望[J]. 焦李成,杨淑媛,刘芳,王士刚,冯志玺. 计算机学报. 2016(08)
[3]基于遗传算法—模糊径向基神经网络的光伏发电功率预测模型[J]. 叶林,陈政,赵永宁,朱倩雯. 电力系统自动化. 2015(16)
[4]基于神经网络和遗传算法的火炮结构动力学优化[J]. 梁传建,杨国来,王晓锋. 兵工学报. 2015(05)
[5]基于神经网络与遗传算法的刀具磨损检测与控制[J]. 秦国华,谢文斌,王华敏. 光学精密工程. 2015(05)
[6]基于Sigmoid二次型隶属度函数的改进LMS算法[J]. 徐洋,徐松涛,马健,杨永建,肖冰松,向建军. 中南大学学报(自然科学版). 2014(10)
[7]基于神经网络预测与小波变换的结构非线性振动参数识别[J]. 李芦钰,牛芸. 振动与冲击. 2014(18)
[8]基于Hopfield神经网络的污水处理过程优化控制[J]. 韩广,乔俊飞,韩红桂,柴伟. 控制与决策. 2014(11)
[9]基于遗传算法的BP神经网络服装销售预测方法[J]. 罗戎蕾,刘绍华,苏晨. 北京邮电大学学报. 2014(04)
[10]基于BP神经网络的微量药品动态称重系统非线性补偿[J]. 庄育锋,胡晓瑾,翟宇. 仪器仪表学报. 2014(08)
博士论文
[1]BP神经网络的理论及其在农业机械化中的应用研究[D]. 王吉权.沈阳农业大学 2011
[2]动力锂离子电池正极材料锰酸锂的开发及应用研究[D]. 张娜.天津大学 2005
硕士论文
[1]基于遗传算法的卫星波束成形及凝视算法研究[D]. 林妍星.哈尔滨工业大学 2017
[2]锂电池叠片机张力与纠偏控制技术研究[D]. 韩磊.哈尔滨工业大学 2017
[3]基于BP神经网络的热轧板形设定模型研究[D]. 刘星.大连理工大学 2016
[4]基于遗传算法优化BP神经网络的电机生产线故障诊断[D]. 张旋.合肥工业大学 2016
[5]厚板轧机液压厚度自动控制系统的研制[D]. 张秀超.哈尔滨工业大学 2015
[6]冷轧机厚度控制系统设计与实现[D]. 由明扬.哈尔滨工业大学 2016
[7]通钢热轧带钢自动厚度控制系统设计[D]. 王玥.东北大学 2015
[8]850电池极片轧机液压控制系统的研究[D]. 韩超.燕山大学 2014
[9]电池极片轧机轧辊有限元分析[D]. 王永洲.天津大学 2013
[10]Φ800电池极片轧机液压控制系统建模、仿真及实验研究[D]. 袁丛林.燕山大学 2013
本文编号：3257338
【文章来源】：河北工业大学天津市 211工程院校
【文章页数】：85 页
【学位级别】：硕士
【部分图文】：
全球锂离子电池市场规模及需求走势图
河北工业大学硕士学位论文11第二章锂电池极片厚度控制系统的基本原理锂电池极片生产中，极片厚度是检验产品合格的重要评价标准，因此，锂电池极片厚度控制系统在轧制过程中非常重要。由于锂电池极片厚度受极片自身的化学成分，以及系统中张力、轧制力、辊缝间隙等因素的影响，是一个很复杂的非线性的控制系统。为了对其进行深入研究，本章在第一章介绍的有关厚度控制系统研究现状的基础上，详细介绍锂电池极片厚度控制系统的基本原理，并分析了影响锂电池极片厚度的主要因素，为下一章BP神经网络算法奠定基矗2.1锂电池极片轧制过程简述2.1.1锂电池极片生产流程本文所讨论的锂电池极片轧机设备为课题组与河北某公司联合研制的高精度电池极片轧机，结构上对现有电池极片轧机进行优化，主要包括消隙滚动轴承装置、短应力牌坊、交错辊装置、手柄滚轮移动装置、涡轮蜗杆间隙调整装置，提高了电池极片轧机的整体刚度、消除轴承间隙、控制板型质量、方便轧机整体移动以及能够精确在线调整间隙等功能；智能控制上，通过详细分析轧制工艺流程，提出高精度电池极片轧机智能控制模型，将控制系统实现智能化、模块化管理。图2.1为锂电池极片轧机设备的部分三维图；图2.2为锂电池极片轧机设备的现场调试图。图2.1锂电池极片轧机设备的三维图
基于GA-BP神经网络的锂电池极片厚度控制系统研究12图2.2锂电池极片轧机设备的现场调试图锂电池极片的生产过程如图2.3所示，包括正常过程初始化、预生产、连续生产、成品四个阶段，每个阶段都能通过人机交互系统进行实时监控并及时做出调整。而在轧制极片之前需要做好调机生产初始化，即向控制系统提供一些参数，这些参数用户不能随意更改，完成调试之后将不用在进行这项工作。一般系统参数包括电机参数，比如间隙调整伺服电机的加速度比率、启动频率、目标频率、减速带比率等；液压设置参数，比如两侧的使用压力；电机转速参数，比如收卷电机、轧辊电机等。调机生产初始化正常生产初始化预生产预生产极片是否合格连续生产成品验收YN图2.3锂电池极片的生产过程（1）正常生产初始化阶段。包括三个主要阶段：放卷机构（放卷机构复位和设置）、轧制机构（轧制机构复位和设置）、收卷机构（收卷机构复位和设置）。收、放卷机构的工艺初始化为将手动气涨轴、纠偏、磁粉制动器和前夹紧气缸复位，然后手动穿带，放卷机构人工上料，使放卷气涨轴上压紧固极片，按照穿带示意图完成之后
【参考文献】：
期刊论文
[1]基于BP神经网络的PTC工质出口温度研究[J]. 严倩雯,蒋川,杨嵩,余雷,王启扬. 太阳能学报. 2017(11)
[2]神经网络七十年:回顾与展望[J]. 焦李成,杨淑媛,刘芳,王士刚,冯志玺. 计算机学报. 2016(08)
[3]基于遗传算法—模糊径向基神经网络的光伏发电功率预测模型[J]. 叶林,陈政,赵永宁,朱倩雯. 电力系统自动化. 2015(16)
[4]基于神经网络和遗传算法的火炮结构动力学优化[J]. 梁传建,杨国来,王晓锋. 兵工学报. 2015(05)
[5]基于神经网络与遗传算法的刀具磨损检测与控制[J]. 秦国华,谢文斌,王华敏. 光学精密工程. 2015(05)
[6]基于Sigmoid二次型隶属度函数的改进LMS算法[J]. 徐洋,徐松涛,马健,杨永建,肖冰松,向建军. 中南大学学报(自然科学版). 2014(10)
[7]基于神经网络预测与小波变换的结构非线性振动参数识别[J]. 李芦钰,牛芸. 振动与冲击. 2014(18)
[8]基于Hopfield神经网络的污水处理过程优化控制[J]. 韩广,乔俊飞,韩红桂,柴伟. 控制与决策. 2014(11)
[9]基于遗传算法的BP神经网络服装销售预测方法[J]. 罗戎蕾,刘绍华,苏晨. 北京邮电大学学报. 2014(04)
[10]基于BP神经网络的微量药品动态称重系统非线性补偿[J]. 庄育锋,胡晓瑾,翟宇. 仪器仪表学报. 2014(08)
博士论文
[1]BP神经网络的理论及其在农业机械化中的应用研究[D]. 王吉权.沈阳农业大学 2011
[2]动力锂离子电池正极材料锰酸锂的开发及应用研究[D]. 张娜.天津大学 2005
硕士论文
[1]基于遗传算法的卫星波束成形及凝视算法研究[D]. 林妍星.哈尔滨工业大学 2017
[2]锂电池叠片机张力与纠偏控制技术研究[D]. 韩磊.哈尔滨工业大学 2017
[3]基于BP神经网络的热轧板形设定模型研究[D]. 刘星.大连理工大学 2016
[4]基于遗传算法优化BP神经网络的电机生产线故障诊断[D]. 张旋.合肥工业大学 2016
[5]厚板轧机液压厚度自动控制系统的研制[D]. 张秀超.哈尔滨工业大学 2015
[6]冷轧机厚度控制系统设计与实现[D]. 由明扬.哈尔滨工业大学 2016
[7]通钢热轧带钢自动厚度控制系统设计[D]. 王玥.东北大学 2015
[8]850电池极片轧机液压控制系统的研究[D]. 韩超.燕山大学 2014
[9]电池极片轧机轧辊有限元分析[D]. 王永洲.天津大学 2013
[10]Φ800电池极片轧机液压控制系统建模、仿真及实验研究[D]. 袁丛林.燕山大学 2013
本文编号：3257338
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3257338.html
