《JOURNAL OF POWER SOURCES》：Non-destructive residual moisture measurement of lithium-ion battery electrodes using near-infrared spectroscopy
编辑推荐：
利用近红外光谱（Near-infrared Spectroscopy, NIRS）技术实现锂离子电池电极残余水分的无损检测。研究人员采用一维卷积神经网络（1D Convolutional Neural Network, 1D CNN）对标记后的近红外光谱进行预
利用近红外光谱（Near-infrared Spectroscopy, NIRS）技术实现锂离子电池电极残余水分的无损检测。研究人员采用一维卷积神经网络（1D Convolutional Neural Network, 1D CNN）对标记后的近红外光谱进行预测，预测对象为阳极（anode）残余水分。通过卡尔费休滴定法（Karl Fischer Titration, KFT）生成的解吸曲线，为近红外光谱提供了时间分辨的训练标签。在扫描级别测试中，84%的水分预测值落在1-σ置信带内。在独立于样本的验证中，决定系数R2从0.66降至0.39，但仍优于偏最小二乘回归（Partial Least Squares Regression, PLS）。此外，质量负载（mass loading）和孔隙率（porosity）对模型精度未表现出显著影响。
研究背景与问题
随着电动汽车市场对电池成本和性能要求的不断提升，提高能量密度和降低单电芯成本成为关键目标。然而，新型富镍正极活性材料对水分更加敏感，而更厚的涂层则需要更温和的干燥工艺以避免开裂。在生产成本方面，湿法涂布后的干燥与溶剂回收，以及电池组装过程中维持干燥气氛，占据了电池生产的最大成本份额。因此，测量电极中的残余水分对于质量控制和生产成本控制至关重要。若在电池组装前未能有效评估残余水分，可能导致富镍正极发生锂离子交换、表面重构和产气等水分诱导降解，从而影响电池寿命和性能。尽管已有多种离线表征方法，但目前尚无在线可用的电极残余水分测定手段。因此，本研究探索了利用近红外光谱（NIR Spectroscopy）在电池组装过程中在线测量残余水分的潜力。
研究内容与结论
研究人员开展了一项结合近红外高光谱成像（Hyperspectral Imaging, HSI）与虚拟电极表征的研究，旨在实现锂离子电池阳极残余水分的非破坏性在线检测。通过将NIR光谱数据与卡尔费休滴定法（Karl Fischer Titration, KFT）生成的解吸曲线标签相结合，训练了一个一维卷积神经网络（1D CNN）模型用于残余水分预测。研究发现，在扫描级别测试中，84%的水分预测值落在1-σ置信带内；在样本独立的交叉验证下，模型的决定系数R2为0.39，优于传统偏最小二乘回归（PLS）。更重要的是，电极的质量负载（mass loading）和孔隙率（porosity）对模型的预测精度未产生显著影响，表明该方法对不同工艺参数具有一定的鲁棒性。该研究的意义在于提出了一种具备工业应用潜力的在线残余水分检测方案，有望降低废品率并提升下一代锂离子电池的经济可行性。
主要关键技术方法
研究人员搭建了一套定制化实验台架，包括两个短波红外LED线光源（波长1040–1650 nm）、一台高光谱成像相机（HSI camera, FX17型）和一个可移动样品台。所有阳极样品均在慕尼黑工业大学机床与工业管理研究所（iwb）的中试线上制备，使用94 wt.%石墨、1 wt.%炭黑（CB）、2 wt.%丁苯橡胶（SBR）和3 wt.%羧甲基纤维素钠（CMC）的浆料配方，涂布在10 μm厚铜箔上，经红外干燥后裁切为30 cm长的电极片。样品包含三种干态质量负载（9、13、19 mg/cm2）和三种孔隙率水平（高约52%、中约39–42%、低约26–28%）。残余水分参考值由库仑法卡尔费休滴定仪（KFT）配合干燥炉测定。通过拟合每个样品的三个KFT数据点得到解吸曲线，进而为每次NIR扫描的时间戳分配水分标签。光谱数据处理中，从高光谱图像提取感兴趣区域（ROI），依据比尔-朗伯定律（Beer-Lambert Law）计算吸光度，最终输入一维CNN模型进行预测。
研究结果
3.1 实验装置与样品制备
研究人员搭建了包含两个漫射SWIR LED光源、一台HSI相机和可移动样品台的测试台架。阳极浆料由94 wt.%石墨、1 wt.% CB、2 wt.% SBR和3 wt.% CMC组成，经混合后涂布于10 μm铜箔上，并在中试线上以0.5 m/min的速度通过三段红外干燥区干燥。通过调节干燥温度（最低质量负载时37/35/37 °C，最高时43/40/43 °C）以适应不同溶剂去除量。共制备了三种质量负载（9、13、19 mg/cm2）和三种孔隙率（高约52%、中约39–42%、低约26–28%）的电极样本，具体样本数量见表2。
3.2 测量流程
由于空气中水分子会干扰信号，该方法不适用于潮湿环境，但在电池组装的干燥房（露点-40 °C至-65 °C）中适用。每个样品在常压下密封一份KFT样品作为初始值，随后在干燥房中进行NIR测量期间再封装两份KFT样品。通过这三份KFT数据拟合每个样品的解吸曲线，从而为每次NIR扫描的时间戳分配水分标签。扫描持续10分钟，HSI相机曝光时间4.5 ms，帧率100 Hz。
3.3 阳极解吸行为
通过在不同时间点封装KFT样品并测量，拟合得到了阳极在干燥房（露点-40 °C）中的解吸曲线，R2达0.9902。结果显示，干燥约300秒后残余水分趋于平衡，平衡时残余水分含量约为1822.8 mg/kg。该多项式形式的解吸曲线被用于所有阳极样本的标签赋值，但其系数针对每个样本的三个KFT实测值单独重新拟合。
3.4 近红外光谱测量与标注
从HSI图像中提取包含300条扫描线、每条70像素的感兴趣区域（ROI），共计21,000个像素对应一个标签。通过金属样品架与电极反射强度的差异自动识别ROI边界。每个扫描的时间戳映射到拟合的解吸曲线上，从而获得对应的残余水分标签。吸光度按公式(2)计算：A(x,y,λ) = -log??[(I_raw(x,y,λ)-I_dark)/(I_white(x,y,λ)-I_dark)]。
讨论与结论
讨论部分总结： 研究表明，近红外光谱结合一维CNN能够有效预测阳极残余水分，且质量负载和孔隙率对模型精度无显著影响，表明该方法对不同工艺条件具有一定通用性。然而，研究仅限于单一阳极配方和一组干燥条件，未来需使用独立生产批次和不同干燥历史进行验证。此外，该方法在干燥房环境中可行，但在高湿度环境下不适用，这与其在电池组装环节的应用场景一致。
研究结论翻译： 本研究探索了利用近红外光谱在线测量电池组装过程中残余水分的潜力。通过将高光谱成像数据与基于卡尔费休滴定的解吸曲线标签相结合，训练了一维CNN模型。在扫描级别测试中，84%的预测值落在1-σ置信带内；在样本独立的交叉验证下，R2为0.39，优于PLS。质量负载和孔隙率对模型精度无显著影响。该方法为非破坏性、在线检测电极残余水分提供了可行的技术路径，有助于降低生产成本并提升电池质量。
