Группа исследователей, связанных с UNIST, успешно интегрировала технологию искусственного интеллекта (ИИ) в процесс производства прекурсоров катодов литий-ионных аккумуляторов, что снизило уровень дефектов и повысило эффективность производства. Ожидается, что это достижение позволит сэкономить более 2 миллиардов вон в год на производственных расходах.
Исследование опубликовано в журнале InfoMat.
Под руководством профессора Им Ду Чжуна из кафедры машиностроения и Высшей школы искусственного интеллекта, в сотрудничестве с Научно-исследовательским институтом промышленной науки и технологий (RIST), команда разработала условия процесса для снижения уровня дефектов в прекурсорах слоистого оксида с высоким содержанием никеля (LiNi x Co y Mn z O 2 , NCM). Они также разработали систему управления в реальном времени на базе ИИ для динамического мониторинга и корректировки производственного процесса.
Прекурсоры NCM представляют собой порошкообразные материалы, состоящие из никеля (Ni), кобальта (Co) и марганца (Mn), которые объединяются при высоких температурах для получения катодного материала для аккумуляторов электромобилей.
Хотя более высокое содержание никеля в исходных частицах увеличивает емкость аккумулятора, оно также делает процесс склонным к выщелачиванию никеля — явлению, при котором никель не осаждается должным образом или растворяется обратно в растворе. Выщелачивание никеля приводит к нерегулярным формам и составам частиц, что в конечном итоге ухудшает производительность и срок службы аккумулятора.
Для решения этой проблемы исследовательская группа оптимизировала параметры процесса для подавления выщелачивания никеля и разработала систему обнаружения неисправностей оборудования в режиме реального времени на основе искусственного интеллекта.
Контролируя такие факторы, как скорость перемешивания, уровень pH и концентрация аммиака, они разработали процесс таким образом, чтобы никель оставался внутри частицы, что повышает структурную стабильность и снижает выщелачивание.
Кроме того, команда использовала технологию доменной адаптации ИИ, значительно улучшив производительность обнаружения дефектов. В отличие от обычных моделей ИИ, обученных исключительно на лабораторных данных, доменная адаптация ИИ распознает и подстраивается под изменения окружающей среды и оборудования во время крупномасштабного производства, поддерживая высокую точность прогнозирования и гарантируя постоянное качество.
В исследовании приняли участие Джунёнг Со и Тэкёнг Ким из кафедры машиностроения в UNIST, которые выступили в качестве соавторов. Команда объяснила: «По мере старения оборудования или масштабирования производства начальные условия процесса могут меняться. Наш ИИ-адаптация домена адаптируется к этим изменениям, обеспечивая стабильный высококачественный результат».
Система ИИ была проверена на промышленном реакторе весом 11,5 тонн, где она сократила количество дефектных партий до одной пятнадцатой от предыдущих уровней, достигнув точности обнаружения аномалий 97,8%. По оценкам, эта технология ежегодно предотвращает потери сырья и производства на сумму около 2,2 млрд вон.
Профессор Юнг заявил: «В отличие от мелкомасштабных лабораторных экспериментов, крупномасштабное производство требует значительных затрат на контроль качества и выхода продукции. Наш подход, основанный на ИИ, может быть непосредственно применен на месте для обеспечения стабильного, высококачественного производства».
Он также добавил: «Эта методология перспективна не только для аккумуляторных материалов, но и для крупных производственных секторов, таких как химическая промышленность, машиностроение и полупроводники».
