要做到**全要素考虑（人机料法环），全场景覆盖（下单、审批、领样、检测等），全成员参与（研发人员、检测人员、管理者）的深度闭环，**通过线上快速提单，自动流转审核等，实现全流程电子化，数据记录全留存，错误数据及环节可追踪，快速查阅，快速调用。#

02****

第二，搭建专用算法，自动分析操作

各电池企业的实验室每年都在不断累计测试数据，从测试2w通道到4w多通道，数据也从几十TB到几百TB甚至更多，海量的测试信息，使得锂电工程师们被淹没在数据的海洋中，找不到方向。

#

从测试设备上获取的数据需要经过人工计算、展示、对比、筛选、拟合等操作，得出差异性，分析结果判断图表是否有意义，再进行报告汇报，不仅耗费人力、出错率高、且数据未做深度挖掘，利用率低。#

为了克服上述挑战，需要搭建了一套完整的数据采集➜ 清洗➜ 分析➜展示平台，让测试数据不再雾里看花。#

#

**1）****数据采集：**采集来自各个环节的数据，包括不同厂商、不同测点标识、异构数据介质等，建设HIVE数据仓库加OLAP分析型数据库集群的混合架构方式完成数据存储。#

2）数据异常监控及预警：通过历史经验，设定各参数阈值，初步筛选异常数据点。若有误差范围要求的参数（如6σ质量管理），也会在算法的第一步进行初步筛选，同时在采集过程中进行预警。

#

3）数据治理：搭建多个数据脚本（设备数据标准化、数据仓库处理、数据质量探查等）和数据处理模型（预处理模型、温度通道模型、工步序号模型），采用大数据技术以T+1的方式处理每日产生的大量数据，将这些数据进行数仓分层分级建设，最终少量数据进入高性能数据库Clickhouse满足业务灵活的展示需求。#

**4）数据分析：**活用独立的数据分析开发功能，工程师可以灵活进行dQ/dV曲线分析、HPPC分析、放电速率分析、GITT分析、循环寿命分析等。#

5）智能报告：一键化智能****生成报告，单份报告制作时间可从8小时缩短至 0.1小时，同时杜绝了人为因素造成的偏差，保障了检测数据的准确性。

通过数据的采-算-用贯通，使得工程师更快、更准确地分析电池测试数据，及时发现问题，大大节省工作时间。

#

03****

第三，数据沉淀 AI智能预测 赋能研发

大量的测试化数据经过标准化分析之后，结合锂电池材料数据资源，可沉淀下来形成企业知识库，如材料数据库、电池表征库、电化学参数库等，将极大地有利于企业知识复用，加快产品的研发迭代。#

#

#

比如一些工程师由于经验不足，在不同材料之间的选型需要查看大量的数据进行对比，并且有时候查到的内容还是不是准确信息，浪费很多时间。这时候，通过电池材料库功能就可以直接在线查询正极、负极、电解液、PACK、隔膜、粘结等各种材料的详细精准信息，快速筛选成百上千种材料，在线对比找到最优候选材料。#

随着应用的进一步深化，我们还将面临一个关键问题，那就是如何将这些数据与AI进行有机结合，从而为我们的下一步研发计划提供有力指导。比如综合多项测试数据进行智能化预测计算，如电芯内阻/DCR预测、电芯体积变化预测等，结合电化学反应机理模型进行AI算法开发，最终实现指数级赋能电池研发工作，帮助管理者更快速、准确地进行科学决策。

作者：吴叶超，中国科学技术大学博士，电芯研发专家。