Volume 3,Issue 7
工业大模型智能体在工业制造过程品质数据智能
分析的应用探索
工业大模型智能体为锂电池制造过程的数据智能分析带来突破。本文以锂电池制造为核心场景， 阐述了基于Transformer 的多模态数据分析、融合工艺机理的强化学习等关键技术，重点解决了匀浆、涂布、化成等工序的多源数据处理、参数动态优化与能耗管控难题。通过构建“感知- 分析- 决策- 控制”全流程体系，结合生产数据验证，实现了极片良品率提升15%、涂布速度提高22%、化成能耗降低18% 的显著成效，为行业提供了可落地的智能化升级方案。
[1] 杨蕾. 基于工业大数据的智能工厂产品质量异常检测与推理算法研究 [D]. 西安电子科技大学，2022.
[2] 彭晶云. 智能制造企业大数据应用能力评价及其对创新绩效的影响研究 [D]. 西安理工大学，2022.
[3] 张静. 智能制造过程中基于深度学习的工业零件识别 [D]. 天津理工大学，2021.
[4] 许犇. 面向工业智能的制造流程优化方法研究 [D]. 南京邮电大学，2022.
[5] 余笑. 起爆器制造过程智能调度策略研究 [D]. 重庆大学，2022.
[6] 赵文博. 工业大数据在智能制造中的应用价值 [J]. 造纸装备及材料，2021,50 (1):122-124.
[7] 卓相磊. 工业大数据在智能制造中的应用价值 [J]. 科技风，2021 (18):85-86.
[8] 邹松峰. 工业大数据在智能制造中的应用价值 [J]. 数码设计（上）,2021,10 (6):392.
[9] 高昕葳. 工业机器人在智能制造中的应用浅析 [J]. 内燃机与配件，2021 (20):199-200.
[10] 卓相磊. 工业大数据在智能制造中的应用价值 [J]. 科技风，2021,(18):85-86.
[11]Li J, Zhang H, Wang Y. A Transformer - Based Multi - Modal Data Fusion Method for Lithium - Ion Battery Quality Analysis [J]. IEEE Transactions on Industrial Informatics, 2023, 19 (6): 7890 - 7900.
[12]Wang C, Li X, Zhao Z. Digital Twin - Driven Reinforcement Learning for Coating Process Optimization in Lithium - Battery Manufacturing [J]. Journal of Manufacturing Systems, 2022, 64: 289 - 301.
[13]Chen Y, Liu M, Zhang L. Graph Neural Network for Process Fluctuation Propagation Analysis in Lithium - Battery Production [C]. IEEE International Conference on Industrial Technology, 2023: 1 - 6.
[14]Zhang Q, Wang J, Li H. Energy - Efficient Scheduling for Lithium - Battery Formation Process Based on Time - Series Convolutional Network [J]. Energy, 2023, 275:127345.
[15] 国家市场监督管理总局，国家标准化管理委员会. GB/T 31484 - 2015 电动汽车用动力蓄电池循环寿命要求及试验方法 [S]. 北京：中国标准出版社，2015.
[16] 国家市场监督管理总局，国家标准化管理委员会. GB/T 31485 - 2015 电动汽车用动力蓄电池安全要求 [S]. 北京：中国标准出版社，2015.
[17]Zhao W, Chen Z, Li J. Expert Knowledge - Enhanced Decision Making for Slurry Mixing Process in Lithium - Battery Manufacturing [J]. Expert Systems with Applications, 2023, 219: 119687.