由于锂电池极片受电性浆料颗粒材料的化学成分、原始密度、涂布质量、半固态程度、轧制温度、轧制力、辊缝等因素影响,再加上锂电池极片厚度控制系统中具有非线性、不确定、时变性等特点,采用传统的厚度控制方法不能满足用户对锂电池极片厚度精度的要求。因此,研究一种厚度控制较好的算法非常有必要。针对锂电池极片厚度不能达到用户想要的精度问题,本文提出了一种基于遗传算法优化BP神经网络的极片厚度控制研究,两种算法结合能够发挥各自的优点,提高锂电池极片厚度的预测能力。本文主要工作如下:首先,从锂电池极片的生产工艺流程和系统特点方面,对锂电池极片厚度控制系统进行了研究。简要分析了锂电池极片厚度的控制系统的数学模型。结合引起锂电池极片厚度的波动的原因,分析锂电池极片实测厚度的影响因素。其次,针对锂电池极片厚度实测厚度的精度不高问题,提出了一种基于神经网络的极片厚度控制的预测模型。根据BP神经网络算法的基本原理和学习步骤,将BP神经网络引入到极片厚度控制系统中,根据主要因素确定了BP神经网络的拓扑结构和参数,最后利用MATLAB软件对相关数据模型进行仿真研究并分析了锂电池极片预测厚度的有效性。再次,针对BP神经网络预测锂电池极片厚度预测值的误差较大问题,分析BP神经网络的缺陷,针对这些问题提出了几种改进方法,发现遗传算法能够对BP神经网络的初始连接权值和阈值进行优化,在全局范围里进行搜索寻求最优,弥补BP神经网络的缺陷,接着阐述了遗传算法优化BP神经网络的作用机理过程。最后,根据锂电池极片厚度精度的要求,设计了遗传算法优化的BP神经网络的极片厚度控制的预测模型。在MATLAB仿真平台上,对其锂电池极片厚度进行模型仿真,预测结果与期望厚度非常接近,同时,与未优化的BP神经网络模型仿真结果进行对比,结果验证了该方法的有效性。