一、预处理及检测
A、预处理：报废三元正极材料电池组（包）经上料机提升至工作台，检查蓄电池的密封、破损情况，并进行编码识别，将其主要信息（类型、容量、编码等）录入电脑数据库并贴上信息标签，记录动力电池的拆解状态。将编码识别后的电池包采用绝缘胶带密封缠绕正负极端子以及采取其他必要绝缘措施进行绝缘处理，防止漏电。
B、电池包检测：先识别电池包上的条形码，获取电池有关信息，然后将绝缘处理后的电池包进行外观、绝缘等相关检验，随后放入分容测试柜进行充放电检测，系统自动记录电池容量、充放电时间、电流、电压及充放电安全特性能否满足梯级利用的要求（电容容量≥60%），若不满足，则标识不良品，进入相应拆包拆解工序；若满足，则进入梯级利用工序。
二、电池包拆包
A、拆包：将不可梯极利用的电池包送至拆包工序，先识别电池上的条形码获取有关信息，采用机械臂拆除外壳上的箱盖螺丝，然后拆除电池包金属外壳、金属零部件、外接导线（高、低压线束）、铝片、塑料隔板、电源管理系统和冷却系统等附属物，得到电池模块。金属外壳落入外壳储料箱，其余金属件、外接导线、铝片、塑料隔板和电源管理系统等附属物通过储料箱收集，电池模块落入模块储料箱。其中冷却系统采用微型抽水泵抽出冷却液（主要成分为水和乙二醇），冷却液进专门的冷却液收集容器。
B、模组检测：先识别拆包后的电池模块上的条形码，获取电池模块有关信息，然后对电池模块进行外观、绝缘、电压、内阻等相关检验，对满足梯级利用要求的模块放入分容测试柜进行充放电检测，系统自动记录电池模块容量、充放电时间、电流、电压及充放电安全特性能否满足梯级利用的要求（电容容量≥60%），若不满足，则标识不良品，送至相应模块拆解工序；若满足，则进入梯级利用工序。
拆包等过程应符合《车用动力电池回收利用 拆解规范》（GB/T33598-2017）和《车用动力电池回收利用 梯级利用 第2部分：拆卸要求》（GB/T34015.2-2020）等相关要求。
三、模组拆解及电芯检测
A、模组拆解：将不可梯极利用的电池模块固定螺丝拆解，随后拆掉电池包底座和控制板，再通过机械臂拆卸螺丝、桩头的方法使得模块铜排上的不锈钢卡环，取出硅胶片、散热金属片，再通过机械爪将电池模块内的电芯取出，放置于电芯料箱，其他物料再通过机械臂回收于对应料箱。
B、电芯检测：先识别拆解后的单体电芯上的条形码，获取电芯有关信息，将拆解后得到的单体电芯经检测仪检测电压、内阻等指标。对满足梯级利用要求的电芯放入分容测试柜中充放电检测，系统自动记录各电芯容量、充放电时间、电流、电压、充放电安全特性能否满足梯级利用的要求（电容容量≥60%）。若不满足，则标识不良品，进入综合回收系统；若满足，则进入梯级利用工序。
四、梯级利用
A、对于可梯级利用的电池包、模块和电芯，一部分直接检测打码包装销售；另一部分进入重组工序，组装完成后再进入检测打码包装销售。
B、电芯配组装配：根据电芯电压、内阻检测结果将合格电芯挑选进行配组，电芯间安装绝缘隔板，然后对配组装配好的电芯进行整形。
C、电芯正负极判别和清洁：对配组装配好的电芯极柱进行正负判别检查，装入模块支架中并使用绝缘镊子、碎布等工具清洁极柱。
D、集流体、端侧板焊接：将模块放入激光焊接设备工位，把模块采样控制板、集流体放至模块相应位置并用夹具固定，采用激光焊接设备将外购模块采样控制板、集流体（铝排、镍带）与电芯极柱焊接，焊接完成后取出检查，检查无异常后将模块放入模块端侧板焊接工位固定，将模块端侧板安装至模块端面与侧面并使用夹具固定进行焊接，焊接完成检查无异常后将模块放到倍速链上运至梯级E、PACK装配工序；
E1、PACK装配：将模块放入电池包下箱体使用模块压条、螺栓固定，安装冷却板、冷却管、模块铜排、线束、塑料隔板等，对PACK装配后的电池包进行绝缘检查。
E2、检测打码包装：PACK装配好的电池包放入PACK检测设备进行充放电检测，自动记录电池容量、充放电时间、电流、电压及充放电安全特性并自动判别能否满足使用要求，若不满足，则标识不良品，返回相应拆包、拆解等工序；若满足，上传数据至电池信息数据库中，重新打码后作为储能电池销售。
BT盐溶液蒸发器
如何了解抖音？
当我们面对海量内容时，如何通过机器算法筛选出最优质的内容，是一个值得思考的问题。当内容数量较少时，我们可以通过人工筛选出最好的内容。但随着内容数量的增加，简单的加法已经无法满足我们的需求。因此，我们需要一套高效、合理的机制来解决这个问题。
在介绍这个机制之前，我们先来看看一个大家熟悉的事物——搜索引擎。例如百度，它能在0.0几秒内给出反馈，那么它是如何知道这些内容是大家最需要的呢？这就是机器算法的魔力所在。百度最初只是一个搜索引擎，它的工作原理是收集互联网上的信息并提供给用户。用户输入关键词后，它会展示几千万个搜索结果。但如何判断哪些结果是用户，最需要的呢？这是一个非常困难的问题。百度通过机器算法解决了这个问题。
百度最初的搜索结果只基于人工分类，效率低下，无法满足日益增长的网站需求。于是百度引入了机器学习算法来改善这种情况。机器学习算法的工作原理并不复杂。它首先查看网页的标题和内容来理解这个网页的主题。例如，如果一个网页的标题中出现了“帕萨特”，那么这个网页很可能与帕萨特汽车有关。
当用户搜索帕萨特时，这个网页就会被排在搜索结果的前面。然而，当有多个网页都与帕萨特有关时，如何判断哪个网页更重要呢？百度通过计算帕萨特这个词在网页中出现的次数来决定搜索结果的排序。出现次数越多的网页会被排在前面，因为它可能包含了更多关于帕萨特的信息。
然而，这种方法存在一个很大的漏洞，有些网页可能会故意提高帕萨特这个词的出现频率来提高自己在搜索结果中的排名。为了解决这个问题，百度不断优化算法，比如通过考虑网页的原创性、链接的质量、用户的历史搜索记录，等等来综合评估每个网页的重要性。
现在，我们再来看抖音的推荐算法。抖音也面临着相似的挑战，需要从海量内容中筛选出最优质的内容，推荐给用户。
虽然抖音推荐算法的具体细节可能并不完全公开，但我们可以推断出它必然也采用了类似百度的机器学习算法来提高推荐的质量。无论是百度还是抖音，它们都在利用机器算法来解决一个共同的问题：如何在海量信息中筛选出对用户最有价值的内容。这些算法都在不断学习和优化，以更好地满足用户的需求和提高用户体验。