因果图集成可解释人工智能解码工业级锂电池制造过程的关键变量与影响路径

为解决工业级锂离子电池(LIB)制造过程中变量间复杂因果关联被忽视的问题，研究人员开发了融合因果图与Shapley flow算法的可解释人工智能(XAI)框架。该研究成功识别出传统方法无法分离的关键工艺变量(PP)，揭示了参数影响的累积路径，为提升电池性能与制造一致性提供新见解。

　　

在全球加速向净零排放转型的背景下，锂离子电池(LIB)作为电动汽车和可再生能源存储的核心组件，其制造工艺优化面临巨大挑战。工业级LIB生产涉及数百个非线性关联的工艺参数(PP)和中间产品特征(IPF)，传统机器学习(ML)模型虽能预测电池性能，却因忽视变量间因果链导致解释失真。更棘手的是，原材料波动、环境噪声等因素进一步掩盖了关键变量的真实影响路径，使得工程师难以精准调控生产过程。

针对这一难题，LG Energy Solution支持的研究团队创新性地将因果图融入可解释人工智能(XAI)框架。通过构建反映单元工艺间因果关系的拓扑网络，并应用Shapley flow算法沿因果边传播归因值，该研究实现了三大突破：首次量化了工艺参数通过中间特征的级联效应，在合成数据集中验证了比传统SHAP方法高30%的归因准确率；在实际LIB生产线数据中识别出涂层速度等7个被常规分析遗漏的关键PP；首次绘制出干燥温度等参数通过电极孔隙率等IPF的多条影响路径。这些发现为工艺优化提供了"过程显微镜"，相关成果发表于《Engineering Applications of Artificial Intelligence》。

研究采用三项核心技术：基于领域知识构建制造流程因果图，确保单元工艺间拓扑关系符合实际生产序列；对每个因果边训练随机森林(RF)等ML模型，建立PP-IPF-FPP（最终产品性能）的完整预测链；应用Shapley flow算法计算变量贡献度，其通过图网络传播Shapley值的特性，解决了传统方法对累积效应的低估问题。

【方法与结果】
合成数据验证显示，在模拟3阶段制造流程中，本方法对关键PP的归因准确率达92%，显著高于SHAP的63%。因果图结构有效捕捉了参数影响的"雪球效应"，如电极浆料粘度对后续干燥均匀性的间接控制。

实际数据分析发现，除了已知的涂布厚度，研究首次揭示干燥区风速（PP₂₃）通过影响电极结晶度（IPF₅）对电池循环寿命产生12%的变异贡献。更突破性的是，通过分解辊压压力（PP₁₇）的影响路径，发现其63%效应通过电极密度（IPF₈）传递，37%通过残余应力（IPF₉）传递，这一发现为分场景优化提供了精确指南。

【结论与意义】
该研究开创了工业过程分析的新范式，其价值体现在三方面：工程应用上，明确的因果路径帮助操作人员区分直接调控参数（如PP₂₃）与间接监控指标（如IPF₅）；质量控制上，识别出的关键PP为传感器布设提供了经济学依据；方法论层面，可扩展的框架设计适用于光伏组件等其它多阶段制造系统。正如作者Haechang Kim指出，这种方法"像给制造流程安装CT扫描仪"，使传统黑箱过程变得透明可控。未来研究可进一步融合实时因果推理，推动制造业向解释驱动的智能优化迈进。