科思创与汉高强强联手,推动电动交通发展

随着汽车电气化的不断发展,强大的锂离子电池已成为电动汽车领域的中心话题。尽管电池系统的设计因制造商而异,但所有汽车电池技术都拥有共同的性能目标,即寿命更长、操作更安全、总成本更低、可靠性更强。为此,科思创与汉高日前合作开发了一款解决方案,通过结合汉高的紫外线(UV)固化粘合剂与科思创的高紫外线透过聚碳酸酯合金,可将圆柱形锂离子电池高效地固定于塑料电池座内。

科思创拜本兰®材料与汉高乐泰粘合剂,合力打造圆柱形锂离子电池模组

整车厂商正将大规模、高效率和低成本的锂离子电池组件视作竞争的先决条件,以应对严峻的电动汽车降价压力。汉高的乐泰(Loctite)AA 3963电池组件粘合剂与科思创的高紫外线透过聚碳酸酯合金拜本兰®(Bayblend®)符合大批量自动注胶技术的要求,粘合剂能够灵活且快速固化。此外,专业研制的丙烯酸粘合剂适用于由特殊阻燃塑料制成的电池座。这款粘合剂对基材具有很强的附着力,同时针对较长的开放时间与较短的固化周期,具有良好的生产适应性。

高效灵活的生产

汉高欧洲电动汽车业务负责人Frank Kerstan解释说:“能在较短的周期内以灵活的工艺完成大批量生产制造,这一点非常关键。乐泰是一款按需固化的单部件粘合剂,经整车厂商认可,可将圆柱形锂离子电池固定到载体中。经高速注胶后,物料可以忍受较长的开放时间,提高了整个流程的适应性,以应对意外的生产中断。在所有电池被放入电池座,且粘合剂注入完成之后,固化步骤将由紫外线激活,耗时不到5秒。”这是区别于传统制造的主要优势,在传统制造流程中,固化可能需要几分钟至几小时不等,因此需要额外的零件存储空间。

电池座采用科思创拜本兰® FR3040 EV聚碳酸酯 + ABS合金制造。这款塑料在厚度仅1毫米时,即可达到美国UL公司UL94阻燃性V-0等级,且对波长380纳米以上的紫外线具有良好的透过性。

科思创聚碳酸酯业务部电动交通市场开发经理Steven Daelemans表示:“这款材料使我们能够制造出尺寸稳定的零件,这是自动化批量封装所必需的。结合乐泰粘合剂的快速固化能力,这一材料组合为大规模圆柱形锂离子电池模块的生产提供了一种创新方法。”

乐泰是汉高和/或其在德国及其他地区子公司的注册商标。

(美通社,2020年3月13日上海)

消息来源:科思创

相关新闻

『点击文字阅读全文』

编辑:小星

来源:美通社

www.prnasia.com / www.prnewswire.com

联系美通社

+86-10-5953 9500

info@prnasia.com

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值