Lithium Battery

Slurry preparation, electrode coating, battery production line design

Lithium Battery

锂电池化成工艺曲线解读：SEI 膜形成机理和首次效率

/

锂电池制造有一个工序，不涉及任何机械加工，不产生任何物理形变，但直接决定了电芯的循环寿命、存储性能和安全性。这个工序就是化成。 化成是电芯注入电解液后的第一道通电工序。在这个阶段，电解液中的溶剂和锂盐在负极石墨表面发生还原反应，生成一层 10-50 nm 厚的钝化膜——SEI 膜（Solid Electrolyte Interphase，固体电解质界面膜）。这层膜的质量决定了电芯未来 3000-5000 次循环中的容量衰减速度。 换个说法：极片做得好不好决定了电芯的”出厂性能”，化成的质量决定了电芯的”耐久性能”。 这篇文章从曲线解读入手，把化成工艺的核心逻辑讲清楚。 化成到底在做什么？ 新注液的电芯静置 24-48 小时（电解液浸润）后，开始首次充电。此时负极石墨处于完全脱锂状态，电位约 3.0V vs Li/Li⁺。随着充电进行，锂离子从正极脱出，穿过隔膜，嵌入负极石墨层间。 但事情没这么简单。电解液中的碳酸酯溶剂（EC、EMC、DMC

Lithium Battery

AI正在改写锂电池回收行业的游戏规则

/

2025年中国退役动力电池超过80万吨，到2030年这个数字会突破300万吨。眼下行业的基本操作是：拆解、破碎、筛分、湿法冶金——听起来像开矿，做起来更像开矿，粗放、高碳、且回收率只能”差不多”。 问题不在化学。湿法冶金的浸出率能做到95%以上。问题在于每块退役电池都不一样——不同厂家、不同化学体系（LFP还是NMC？NMC 523还是811？）、不同健康状态（SOH从50%到85%不等）、不同使用历史。一刀切的回收工艺等于把好料和废料一起扔进粉碎机。 AI正在从三个环节改变这件事。 第一关：智能分选——退役电池别再”一锅端” 目前大多数回收厂的做法是人工分选：工人看电池包的标签、外观、鼓包程度，决定拆还是不拆、拆到什么程度。一天处理几吨还行，一天处理几十吨就开始出问题——漏判、错判、工伤风险。 AI视觉分选系统现在能做到： 自动识别电芯型号：用2D/3D视觉+CNN分类，识别18650、21700、方壳、软包等不同封装形式，准确率超过98%。不同型号走不同拆解线，效率提升30%以上。 外观缺陷分级：鼓包、漏液、腐蚀、变形——视觉模型分四级（A/B/C/D），D级直接安全处置不进拆解线，C级走特殊拆解流程。一个实际案例是浙江某回收企业上线后工伤率下降76%。 NIR（近红外）+ XRF联合分选：NIR识别有机物（隔膜、粘结剂），XRF识别金属元素（Ni、Co、Mn、Li）。配合决策树或随机森林模型，在破碎前就把铜箔、铝箔、正极粉、负极粉的大类分开，减少后端分选负担。 一家头部回收企业2025年上线了这套系统，年处理能力从2万吨提升到4万吨，人工从120人降到45人。投资回收期不到14个月。 第二关：梯次利用——这块电池还能不能”再就业” 不是所有退役电池都该直接破碎。SOH在70%以上的电池包完全可以梯次利用：通信基站备用电源、低速电动车、家庭储能、光伏配储。这个市场本身就在爆发。 问题是怎么判断一块退役电池的剩余价值？传统方法是抽检几颗电芯做充放电测试，耗时8-12小时，然后推断整包。误差很大——同一个包里不同电芯的衰减程度可以相差15%以上。 AI的做法完全不同： 基于历史运行数据的寿命预测：从BMS里导出电池包的历史电压、电流、温度曲线（部分车辆还记录了每次充电的SOC变化），用LSTM或Transformer时序模型预测每颗电芯的剩余循环寿命。不需要做完整充放电，只需要历史数据+一次短时脉冲测试（

Scroll to Top