0 前言

智能制造正通过人工智能（AI）技术全面重塑新能源动力电池产业的发展格局。其底层逻辑以数据与算法为核心，通过从海量数据中自动挖掘规律与模式，实现对复杂任务的智能识别、预测与优化。

近年来，随着AI技术不断成熟，越来越多的生产制造场景开始广泛应用这一技术，以提升生产效率、保障产品质量。在新能源电池领域，面对TW·h级规模化制造的需求，AI系统能够依托深度学习算法实时解析产线中数万组传感器数据，实现微米级精度的缺陷检测。目前，宁德时代、比亚迪等行业领军企业已陆续部署AI质检系统；特斯拉在4680电池产线中更引入强化学习技术，以优化极耳焊接等关键工艺。

本文将聚焦AI技术在新能源电池包涂胶质量检测中的具体应用展开系统分析与探索。探寻AI技术在新能源动力电池生产过程中的应用，基于电池涂胶过程中的痛点难点，积极尝试AI（视觉识别、数字孪生以及大语言模型）等方案，助力生产线效率和质量提升。

新能源电池包生产工艺过程通常包含模组开路电压检测、涂胶、拧紧、氦气检测以及尾线检测等工艺步骤。其中涂胶种类包含导热胶、固定胶和密封胶。高质量导热胶涂胶过程对于电池包热管理至关重要，呈现五个特点。

（1）高效散热

电池包充放电会产生大量热量，导热胶可将单体电池产生的热量快速传导至散热部件或外壳，避免热量积聚导致温度过高引发的热失控、起火等问题。同时通过填充单体电池间隙，减小单体电池间的温度差异，保障电池整体稳定性及一致性。

（2）结构粘结

牢固粘接单体电池、隔膜和外壳等部件，抵抗车辆行驶中的振动、冲击，防止因机械松动导致的电池失效。尤其在CTP电池包中，该工艺可减少模组配件的使用，依赖导热胶直接连接单体电池与液冷板，实现轻量化与紧凑化设计。

（3）改善密封性

填充电池包内部空隙和裂缝，形成密封层，可阻止水分、灰尘等外界杂质侵入，维持电池内部环境稳定，延缓老化。

（4）提升安全性

导热胶具有阻燃性和绝缘性，防止短路或漏电风险；同时通过降低温度差，避免电极熔融或自燃。

（5）延长电池寿命

通过有效散热将电池控制在最佳工作温度范围，减缓化学反应速率，抑制活性物质降解，从而延长循环寿命。

1 电池包涂胶工艺过程及原理

1.1 电池包涂胶过程

通常电池包涂胶过程分为两类，一类是将导热胶涂到电池下底壳，第二类将导热胶涂到模组底部，再将模组装配到电池下底壳。第二类方式的涂胶过程更加精确。本文探讨基于第二种涂胶方式开展的AI技术应用。

涂胶过程首先需要对模组和电池包下底壳进行精密测量，进行空间建模获得涂胶三维空间结构，动态调节涂胶过程参数，确保涂胶质量。其中导热胶一般是A、B两种胶混合之后进行装配。电池包涂胶工位如图1所示。

图1 某型号电池包涂胶工位

如图2所示，涂胶过程首先进行模组高度测量，然后根据测量数据模拟涂胶3D建模结构，将导热胶涂抹到模组底部，再将模组安装在电池包下底壳表面。

图2 某型号电池包涂胶流程

（1）返修成本高

经过调研发现，各大主机厂对于涂胶质量监控采用抽检过程，将装配完成的电池包拆开，检测涂胶的覆盖率，以此判断质量优劣。但是这种检测手段存在滞后性，质量的追溯成本高，当不合格问题发生时，由于高速的生产节拍，产品追溯及返工成本高。

（2）高空装配过程不易观察

采用抓取模组进行涂胶过程，由于机械手臂高度问题，人眼无法目视检测，因此对质量的检测过程提出了挑战。

（3）涂胶过程参数复杂

对于涂胶过程参数设定不易管理，往往依靠图纸或人工经验，耗时且设定不精确。依托于AI大模型技术可以实现对参数的系统化管理，提升设定限值的准确性。

2 基于AI检测技术的电池包涂胶质量检测

AI关键技术分支包括计算机视觉、数字孪生、机器学习、生成式AI、强化学习与自主智能体和专家系统等。随着新能源汽车对高能量密度、高安全性的需求提升，北京奔驰汽车有限公司动力电池工程针对涂胶过程采用先进的数字化技术实现生产过程的精准把控，涂胶技术正向精准化（如智能视觉检测）、智能化（如数字孪生模拟）和生成式AI大模型方向发展。

2.1 智能视觉检测系统——解决生产监控盲区

相比于常规的监控手段，本方案加入了PLC数据采集对比、趋势分析等技术方案，同时建立数据分析系统，对采集过程的图像进行数据分析判断。常规监控方案和本项目规划监控方案技术路线对比如图3所示。

图3 智能视觉识别方案对比

（1）3D动态视觉识别

如图4所示，通过3D建模及仿形设计出符合现场的相机支架，部署多排结构光和2000万像素彩色相机，实现涂胶体积、平面尺寸的高精度测量（检测距离远、抗光照干扰）。

算法优化方面，首先通过神经网络算法实时计算覆盖率，具体是利用HSV颜色特征分析混合比例，再用神经网络预测胶量与覆盖率的关系。同时，进行视觉识别硬件部署，并现场布置包含软件和硬件的视觉识别监测方案。

图4 视觉识别硬件部署方案

（2）异常实时反馈

AI可自动识别胶形异常（如掉胶、尺寸偏差），随即触发报警并分析不合格原因，从而减少事后追溯的工作量。例如，以往需要人工排查超过50个电池包的质量问题，现在通过系统实时捕获不合格品，有效避免了批量追溯。该系统基于三角测量原理，通过重建三维结构光，并利用光线的偏折来实现立体成像效果，如图5所示。

图5 视觉立体成像效果

此外，借助2D彩色相机进行成像，再经过图像处理，便可直接测量涂胶的平面尺寸，如图6所示。

图6 2D彩色相机成像

通过多排结构光覆盖方法，实现立体成像效果，如图7所示，可对涂胶体积进行有效测量。

图7 视觉检测效果

本系统检测距离远,不受光照影响成像精度。算法方面，采用多分类算法实现对涂胶异物检测，如图8所示，采用HSV颜色特征算法进行混合比例判定，采用神经网络算法进行体积覆盖率判定。

图8 检测算法分类

（3）数据采集系统

本系统基于视觉识别检测过程采集的数据，进行信息整合、处理、分析和判断，采用Python语言开发数据采集系统，如图9所示，能够实现不合格数据统计，历史数据查询，参数管理，实施模块查询，自动标定程序以及多维度的数据趋势分析等功能。

图9 数据采集系统功能

（4）实现效果

视觉识别检测方案可以实现对混合胶型颜色、异物和体积等参数识别和判定。不合格模组可被精准检测识别。数据采集系统能够完善覆盖率预测模型，监控关键参数趋势，确保涂胶过程有稳定的质量表现。工艺参数数字化，可降低材料成本与试错风险。

参数全局对标，利用LLM统一全球生产标准，避免区域差异。AI辅助调整参数，通过数字孪生模拟不同涂胶参数组合，优化混合比例与覆盖率，减少导热胶浪费。参数调整后，导热胶消耗成本降低。

采用视觉识别检测方案拦截涂胶过程中出现的不合格问题数据，此类不合格数据种类多，分布较均匀，其中表面异物问题产生次数最多。下一步需要对厂内的清洁度尤其涂胶过程的清洁度进行严格的控制。

2.2 数字孪生平台——提升质量追溯与设备管理效率

数字孪生是以工业互联网为底座，集成物联网（IoT）、仿真建模、大数据分析及AI等技术，在虚拟空间中完整复现物理世界的资产状态、运行逻辑与业务流，形成可交互、可推演及可优化的动态模型。工业场景的数字孪生是一种通过数字化手段构建物理实体（如设备、产线和工厂）的虚拟镜像，实现虚实联动与智能决策的技术体系。本项目旨在搭建基于某款电池包涂胶过程的数字孪生平台，实现生产信息实时记录。

通过实时采集设备的PLC、各类传感器及机器人等处的信号，在虚拟空间内打造设备的数字孪生，使该数字孪生的动作和状态与现实设备保持一致。

该数字孪生平台具备AI涂胶检测模块、设备状态监测模块、AI智能决策模块和孪生回放模块功能。

（1）AI涂胶检测模块：集成AI视觉功能，对涂胶质量进行持续监控，必要时可随时调取历史监测数据。

（2）设备状态监测模块：包括胶桶透明化功能，向操作者展示胶桶剩余情况、剩余可加工的电池包数量以及下次换胶的预计时间；设备的运行状态面板展示当前的辅料剩余情况、设备状态与报警信息；可视化的生产信息可直观查看每个时间段的设备运行状态，用于优化生产管理。

（3）AI智能决策模块：结合历史数据与孪生模型，定位质量问题根源（如参数偏差、设备异常）。

（4）孪生回放模块：可回放设备在任意时间段内的行为和状态，提供100%真实的问题复现。

生产线操作者和管理人员可通过该系统直观查看设备状态、制定生产计划、查看设备文档等。该数字孪生可完全复现指定时段的设备状态，如设备发生故障后需要进行调查，能提高涂胶质量信息追溯效率、生产信息统计效率，通过协助现场管理提高设备的综合利用率。设备故障时，通过数字孪生快速复现问题场景，缩短排查时间。

涂胶系统数字孪生平台显示，工位不合格报警的类型较多，其中最为频繁的是1号机器人的位置报警。为确保生产过程的稳定性，下一步需要根据报警信息对1号机器人进行位置校准；2号机器人也发生了5次位置报警，同样需要对其基准点进行评估和校准。针对涂胶量过低的报警，可以利用数字孪生平台对涂胶量进行监控，并提前更换胶桶，从而预防此类报警，避免导致停机。

2.3 本地化大语言模型（LLM）——优化参数管理与决策支持

北京奔驰始终致力于探索前沿技术与传统制造工艺的深度融合，已将AI技术赋能生产制造过程，极大提高生产制造效率，并通过对生产数据的深度挖掘降低生产成本。

该项目在涂胶工位中成功将大模型技术部署到本地，确保生产信息数据安全。结合数字孪生技术，针对新能源动力电池生产中的涂胶难点进行优化。该套系统不局限于聊天机器人，而采用多模型的混合架构与设备的PLC及其他IT系统深度结合（如图10所示），以提高系统表现。Llama3模型负责系统的总调度，Deepseek-R1蒸馏版本用于针对数据进行逻辑化整理，Watt模型用于与设备PLC及其他系统进行通信，实现了设备对自身的历史生产信息和生产状态进行分析并汇报，实现了设备具备逻辑分析能力并可反馈信息。该系统后续还将开放“生产回溯”功能，使数字孪生系统可完全重现某一指定时间段的状态，用于问题的分析解决。

图10 大语言模型结构框架

通过引入深度学习、大语言模型等技术，系统实现了对涂胶过程的精准优化，包括涂胶轨迹调整、涂胶系数优化以及胶条形状改进等。该系统成功解决了涂胶过程中的多项技术痛点，这些创新举措不仅提高了涂胶的精度和一致性，还大幅降低生产成本。

该系统主要能实现智能问答与数据分析、预测性维护和自动化报告功能。

（1）智能问答与数据分析：部署本地LLM（如LLaMA3/DeepSeek），支持中英双语交互，员工可查询生产日志、设备状态、辅料消耗等。

（2）预测性维护：基于历史数据训练模型，预测涂胶覆盖率、胶桶更换时间，减少破坏性试验。

（3）自动化报告：生成日报（产能、良率和成本），替代人工统计。通过LLM查询特定电池包历史参数，快速定位生产异常环节。

在本地服务器上开发基于大语言模型支持的智能体。该智能体与设备PLC连接后，使员工可以通过对话来获得生产、设备、辅料消耗、故障维修建议等信息。考虑到外籍员工，该智能体支持中英双语。具体功能包括但不限于：

（1）查询时间段内产量、产能利用率和辅料消耗情况。

（2）追溯特定电池的历史生产信息。

（3）查询工位文件、当前加工参数。

（4）查询设备运行状态、设备报警的处理建议。

（5）查询技术文档，自动分析生产信息并生成日报。

3 AI技术在新能源动力电池生产制造过程的发展趋势

随着新能源汽车产量不断提升，动力电池产品生产质量要求均不断提高。AI正在重塑动力电池产业的各个环节。

3.1 智能化生产过程流程优化

目前行业内正在积极探索AI+机理模型融合，通过整合电化学机理模型与机器学习算法，实时分析涂布厚度、电解液配比及注液量等关键参数对电池性能的影响，实现工艺窗口的自适应优化。例如宁德时代采用AI驱动的闭环控制系统，将极片制造良率提升至接近理论极限值。基于强化学习的AI系统可协调前段浆料混合、中段装配和后段化成分容等工序的节奏，减少等待时间和资源浪费。比亚迪通过“AI工艺大脑”使产线节拍时间缩短一定比例，单位产能能耗下降显著。

3.2 制造过程智能化升级

目前AI正在整合生产过程中的机器人PLC、生产制造系统MES中相关数据，构建质量追溯模型。AI驱动的工业机器人实现电极卷绕、叠片及封装等工序的高精度操作，并通过视觉检测系统识别微小缺陷（如极片褶皱、电解液渗漏）。

3.3 设备的预测性维护水平提升

开展“数智动力锂电PACK解决方案”，通过云端AI算法预测设备故障，优化能耗分配，降低单位产能能耗。同时基于历史设备维修经验，建立设备数据库，提升维护的水平。AI的优势在于能够快速计算分析，给出科学性的诊断结果。下一步，需要打通AI软件和设备的通信接口，能够方便快捷地采集数据并进行分析，充分发挥AI的优势。

3.4 AI赋能锂电池全生命周期管理

AI技术助力溶剂萃取实现高选择性金属提取，直接再生高镍正极材料，帮助实现柔性智能拆解系统兼容不同型号电池包，提升拆解效率与安全性。

4 结语

本文通过研究引入智能视觉检测、数字孪生平台与本地化大语言模型，系统构建了AI赋能的新能源电池包涂胶工艺质量控制体系。实践表明，AI技术可实现涂胶过程的高精度实时监控、质量问题的快速追溯与工艺参数的智能优化，显著提升了一致性与良品率，降低了生产成本。未来，随着AI与机理模型的深度融合，动力电池生产过程的智能化水平将进一步提升，为产业高质量可持续发展注入新动力。

参考文献

[1] 陈琦龙,孙建国,等.纯电动汽车电池管理系统国内外研究现状和发展趋势[J].现代车用动力,2022,V1,No185.

[2] 孙建国,杨涛,等.发动机冷试检测技术在动力总成装配中的应用研究[J].现代车用动力,2021,V2,No181.

[3] 王亚楠,韩雪冰,卢兰光,等.电动汽车动力电池研究展望：智能电池、智能管理与智慧能源[J].汽车工程,2022,44(04):333.

[4] 李秀芬,雷跃峰.电动汽车关键技术发展综述[J].上海汽车,2006(1):8-10.

[5] 窦汝振,李磊,宋剑锋.电动汽车用驱动电机系统的现状及发展趋势[J].变频器世界,2007(2):73-74.

[6] 曹秉刚.中国电动汽车技术新进展[J].西安交通大学学报,2007,41(1):114-118.

[7] 孙逢春,孟祥峰,林程,等.电动汽车动力电池动态测试工况研究[J].北京理工大学学报,2010,30(3):297-301.

[8] 陈清泉.电动汽车产业化的挑战与机遇[J].科学中国人,2012(5):30-33.

---

本文为“AI汽车制造业”首发，未经授权不得转载。版权所有，转载请联系小编授权（VOGEL100）。本文作者：孙建国 来振华 李中智 王琳，单位：北京奔驰汽车有限公司。责任编辑龚淑娟，责任校对何发。本文转载请注明来源：AI汽车制造业