联想赋能新能源电池企业降本提效，助力“双碳”实现
文章来源：联想官网
案例简介
通过大数据与AI算法对新能源电池定分容工艺进行优化，用数据智能取代人工判断与线下检测，进而实现时间，空间，成本的大幅优化。
客户介绍
某新能源电池制造企业（下简称“某企业”）立足新能源产业，产品覆盖消费类3C电池、动力电池及储能电池等，并构建了完整的电池产业链，拥有从原材料提取、新产品新工艺新材料的研发到电池研发、生产、回收再到梯次利用的全方位零污染的新能源电池的系统管理，已为全球合作伙伴提供近百个工业级储能解决方案，在电池技术、品质、智能制造、生产效率等方面行业领先。
业务痛点
从电池生产工艺上看，传统的电池定分容工艺，需要对所有产品进行逐一定容与分容，涉及多个子工艺段，一般需要对每一块电池进行充电，老化，分容，OCV等多道工序，每一块电池都需要在完全充电后，进行电量与电压等关键产品参数的测量，再进行5到6天的静置老化处理，最后进行电量与电压的测量，以达成与额定标准的匹配。
在以上过程中，某企业既要承担电池充电的电费成本，又要承担电池静置老化的时间周期成本以及仓储空间成本及相关的检测比对成本。这给某企业带来了成本与交期的巨大压力，且严重影响了产能的最大化利用。某企业希望借助联想过往的工艺优化经验与智能质量检测积累帮助他们进一步简化流程，缩短周期以达成产能的最大化利用。
解决方案
联想基于自身实践与历史积累，结合某企业的实际现场工况，制定了咨询+产品+实施的端到端一体化的解决方案。
联想为某企业理清工艺相关流程和影响工艺的关键要素，并通过调研与验证，明确相关要素的数据源，通过咨询阶段的沟通与设计扫清项目实施过程中的不确定因素。
依托自有的成熟技术平台，联想采用物联网+大数据+人工智能的三合一模式，通过物联网采集相关设备与产品的历史与实时数据，通过大数据平台进行海量数据的计算，通过人工智能平台进行AI算法与模型的集成。
在整个方案实施的过程中，联想采用降维模型，预测模型以及网络策略模型，克服了工业场景中数据维度多的无法有效识别关键维度的款男，解决了预测性模型在工业场景应用中的稳定性难题。
用户收益
新的方案部署实施后，某企业有效缩短了定分容周期，减少了定分容所需空间，大幅降低定分容工艺成本，实现数据驱动的智能制造目标。基于数据智能技术的定分容预测模型推动新能源储能电池生产检测工艺的降本增效，基于与传统工艺的对比，该项目将从三个方面对现有工艺带来巨大的提升与改进。
- 节省制成时间：新的方案采用模型预测替代拟合公式分容及自放电，可以节省5天制程时间，产能周转可提升10-20%。
- 节省空间设备：通过数据智能的模式取代原有的手工模式，节省大量分容检测柜及立体仓库面积，可将空余检测设备和场地用于其他工序，库存利用率提升30%。
- 节省相关人力：通过数据智能的模式取代原有的手工模式，实现快速定容预测，可节省大量NG站现场工人，可减少现场执行工人10人以上。
适用领域
新能源电池行业