文章来源于维科网锂电，作者维科网锂电
-
行业结构性过剩导致高端产能与低端产能分化加剧
-
新能源汽车和储能市场价格战愈演愈烈
-
电池技术百花齐放，攻坚战已然打响
-
资源与市场的天平进一步向头部企业倾斜，中小型企业夹缝求生
-
......
笔者团队深耕电池、材料研发测试全链数字化运营服务领域多年，在与多个行业头部企业深入合作的过程中，从3个层级深挖出电池测试研发领域6大痛点并“对症下药”，打造出一个集大数据采集与处理、实验室智能管理、自动化报告、计算分析、材料参数库等应用服务于一体的定制化数智平台，为电池材料开发、电池研发企业排忧解难！
▶ 痛点1：实验室管理工作的复杂性和艰巨性与日俱增
目前很多实验室仍然采用线下统计设备通道状态，手动导出数据来进行分析处理的工作模式，庞大的业务数据零散分布在多个文件/系统中，彼此之间难以关联打通，产生大量的数据孤岛，类型多样的实验数据以数据文档、扫描件形式传递，测试报告高度分散在邮件、文件夹中，难以集中管理，出现差错之后，无法追溯，且共享性和复用性非常低下……不仅浪费资源且无法保证数据的真实性、时效性。
▶ 解决方案：强化业务管理、打通数据壁垒
为此，平台扩展了传统lims系统的功能，完成了全要素考虑（人机料法环），全场景覆盖（下单、审批、领样、检测等），全成员参与（研发人员、检测人员、管理者）的深度闭环。通过线上快速提单，自动流转审核等，实现全流程电子化，数据记录全留存，错误数据及环节可追踪，快速查阅，快速调用。
dlims工作流程示意
▶痛点2：检测设备多、杂，需要大量人力操作
多样设备
▶解决方案：构建完善、共享、统一管理的数据环境
▶痛点3：数据处理费时、费力、易出错
从测试设备上获取的数据需要经过人工计算、展示、对比、筛选、拟合等操作，得出差异性，分析结果判断图表是否有意义，进行分发和报告汇报。工程师每日需处理200-500GB不同来源及类型的数据，不仅耗费人力、出错率高、且数据未做深度挖掘，利用率低。
▶解决方案：搭建专用算法，自动分析操作
dCore（数据存储与处理平台）搭建了56个数据脚本（设备数据标准化、数据仓库处理、数据质量探查）和3个数据处理模型（预处理模型、温度通道模型、工步序号模型），以T+1的方式处理每日产生的大量数据，分布式计算解决数据清洗及分析统计，最终的少量数据进入高性能数据库Clickhouse满足业务灵活的展示需求。多维度呈现可视化信息，时刻监控测试数据及时发现异常，避免长期浪费资源！
部分分析模板
▶痛点4：报告格式、形式各异，出具效率低
▶解决方案：报告一键生成
dreport（智能报告）内含200+通用模板，自动生成测试报告，出具单份报告可从原先的8小时缩减至2小时，大大提升工作效率。
平台支持测试数据的多元化输入手段，包括手动输入、设备数据导入、数仓接入，数据输入后再通过模板自动化生成报告，研究人员可以根据自身需求和测试要求、报告格式，灵活地设置模板，以满足特定的应用场景和要求。并且可以用自己习惯的方呈现，如表格、图表、图像等，这样可以大大提高报告的可读性和实用性，帮助研究人员更好地理解和利用测试结果。
智能报告页面
▶痛点5：材料查找困难、准确性无法保证
在锂电池的研究和开发中，材料的选择和优化是提高工作效率的关键因素之一，研究人员或工程师查找材料的详细数据需要查找多个网站，效率很低且准确性难以保障，在不同材料之间的选型则需要查看大量的数据进行对比，非常繁琐。
▶解决方案：知识库沉淀，随时查询及对比分析
dMaterial（电池材料库）提供正极材料库、负极材料库、电解液材料库、导电材料库、PACK材料库、隔膜材料库、粘结材料库、失效材料库等各种材料的详细、精准信息，包括其物理和化学特性、性能参数以及相关的研究和应用数据，深度挖掘材料各项数据，纵向、横向刨析材料之间的差异指标，帮助电池研究人员、工程师和制造商进行材料、测试样品、供应商样品之间的对比，快速化筛选成百上千材料，找到最优候选材料，达到事半功倍的效果，减少研发测试频次，为企业有效降本增效。
▶痛点6： 海量数据沉没，无法深入挖掘
▶解决方案：将数据沉淀、复用和高效应用
该平台可以通过数据沉淀，协助研发团队形成知识库积累，在电池寿命、充放电性能、失效、克容比、能效比等各种分析场景中使用。同时，具有对材料和成品在试制、测试过程中产生的大量原始数据进行高效处理计算的能力。如：
-
电芯体积变化分析：基于设备+数据的一体化解决方案 -
材料测试预测：通过测量分析粉末、极片等电阻，快速预测电池性能 -
通过机理模型、老化衰减数据库、参数辨识算法三大手段降低测试周期 -
测试数据异常智能分析：接入性能试验设备数据→创建异常监控项目范围和指标模型→创建异常监控自动作业程序→调用监控程序→输出异常数据结果 -
寿命预测分析：基于第一性原理老化分析流程，建立电池结构数据库和材料属性数据库，通过机器学习方法进行训练老化模型，再通过计算和实际测试数据不断完善模型，形成现有配方或相似配方的预测分析能力 数字孪生技术：将实验室一比一还原，结合数采和数控技术，让远程操作所见即所得
- END -
往期热点推荐
2023全数会开幕！百余家名企集中亮相，行业大咖共谈数字发展
长按识别二维码
添加产业招商客服
