CN103364732A - 预测电池寿命的系统及方法 - Google Patents

Abstract

本申请涉及一种预测电池单元的寿命的系统及方法，该系统包括：学习数据输入单元，该学习数据输入单元被配置为接收至少一个学习测量因子和至少一个学习因子；目标数据输入单元，该目标数据输入单元被配置为接收至少一个目标因子；机器学习单元，该机器学习单元耦接到学习数据输入单元，该机器学习单元为输入到学习数据输入单元的学习因子中的各个学习因子分配权重；以及寿命预测单元，该寿命预测单元使用由机器学习单元分配的权重来预测表示目标电池单元的寿命的一个或多个特性。

Description

预测电池寿命的系统及方法

技术领域

实施例涉及预测电池寿命的系统。

背景技术

设备可以被制造为特殊规格，以便提供一组所需的性能特性。对于某些设备，感兴趣的特性可能是设备寿命。寿命常常通过加速试验方法进行测试。一般来说，电池寿命可以基于在许多已制造的电池的代表性样品上实行测试来估计。这种测试在准确性上可能有所不同，并且可能花费大量时间来完成。

发明内容

实施例针对一种预测电池单元（battery cell）的寿命的系统，该系统包括：学习数据输入单元，该学习数据输入单元被配置为接收至少一个学习测量因子和至少一个学习因子，学习测量因子和学习因子对应于先前制造的学习电池单元；目标数据输入单元，该目标数据输入单元被配置为接收至少一个目标因子，目标因子对应于将为其预测寿命的目标电池单元；机器学习单元，该机器学习单元耦接到学习数据输入单元，该机器学习单元为输入到学习数据输入单元的学习因子中的各个学习因子分配权重；以及寿命预测单元，该寿命预测单元耦接到目标数据输入单元和机器学习单元，该寿命预测单元使用由机器学习单元分配的权重来预测表示目标电池单元的寿命的一个或多个特性。

学习测量因子可以是通过实际测量学习电池单元的特性值来获得的。

学习测量因子可以是从依赖于循环数的学习电池单元的容量的变化和依赖于循环数的学习电池单元的厚度的变化的组中选择的。

一个循环可以包括一次充电、一次放电和一个空闲时间，空闲时间是充电与放电之间的时间、或者是充电和/或放电与下一次充电和/或放电之间的时间。

至少一个学习因子可以是从学习设计因子、学习工艺因子和学习形成因子的组中选择的。

学习数据输入单元可以被配置为接收至少一个学习设计因子，该学习设计因子表示学习电池单元的设计参数。

学习设计因子可以是从学习电池单元的容量、学习电池单元的能量密度、学习电池单元的厚度、学习电池单元的长度、学习电池单元的宽度、学习电池单元的电流密度、学习电池单元的浆浓度、学习电池单元的电极厚度、学习电池单元的负载级、学习电池单元的形状因子、学习电池单元的隔离件的宽度、学习电池单元的隔离件的厚度、学习电池单元的隔离件的种类、学习电池单元的隔离件上是否存在隔离件涂覆、学习电池单元的电极板的绕组数、学习电池单元的隔离件的绕组数、学习电池单元的电极板与隔离件之间的附着、使用的电解质的类型、学习电池单元的电解质成分、学习电池单元的电解质量、学习电池单元的添加物的种类、学习电池单元的添加物的量、学习电池单元的放电率(C-rate)、学习电池单元的孔隙度、学习电池单元的集流器的厚度、学习电池单元的集流器的强度、学习电池单元的袋的厚度、学习电池单元的活性材料的物理属性值、和学习电池单元的粘合剂材料的物理属性值的组中选择的。

学习设计因子可以是在制造学习电池单元之前已知的。

学习数据输入单元可以被配置为接收至少一个学习工艺因子，该学习工艺因子表示在制造学习电池单元期间所使用的工艺参数。

学习工艺因子可以是从学习电池单元的组件的绕组张力、学习电池单元的脱气/折叠条件、和学习电池单元的接片焊接方法的组中选择的，该组件是隔离件或电极板。

学习数据输入单元可以被配置为接收至少一个学习形成因子(formationfactor)，该学习形成因子表示在学习电池单元组装之后学习电池单元的形成参数。

学习形成因子可以是从与老化、充电和/或放电、以及脱气和再密封学习电池单元的组中选择的一个或多个相关联的温度、时间、充电和/或放电电流、电压、截止条件和压力的组中选择的。

至少一个目标因子可以是从目标设计因子、目标工艺因子和目标形成因子的组中选择的。

寿命预测单元可以被配置为预测从依赖于循环数的目标电池单元的容量变化和依赖于循环数的目标电池单元的厚度变化的组中选择的特性。

机器学习单元可以包括多个机器学习子单元，以及寿命预测单元可以包括与多个机器学习子单元相对应的多个寿命预测子单元。

每个机器学习子单元可以基于相应的学习因子分配权重，该学习因子可以是从学习设计因子、学习工艺因子和学习形成因子的组中选择的。

每个寿命预测子单元可以使用由相应的机器学习子单元分配的权重来执行预测函数。

系统还可以包括寿命指示单元，该寿命指示单元耦接到寿命预测单元，该寿命指示单元基于一个或多个预测特性来指示目标电池单元的预测寿命。

实施例针对一种预测目标电池单元的寿命的方法，该方法包括：建立预测函数，建立预测函数包括：接收先前制造的学习电池单元的第一因子并接收学习电池单元的第二因子，第一因子是根据学习电池单元的特性的历史测量来确定的，第二因子对应于学习电池单元的制造并且是从学习电池单元的设计因子、学习电池单元的工艺因子和学习电池单元的形成因子的组中选择的，以及使学习电池单元的第一因子与学习电池单元的第二因子相关；接收目标电池单元的第二因子作为输入，目标电池单元的第二因子是从目标电池单元的设计因子、目标电池单元的工艺因子和目标电池单元的形成因子的组中选择的；将预测函数应用于目标电池单元的第二因子；以及基于将预测函数应用于目标电池单元的第二因子，输出目标电池单元的预测特性。

附图说明

通过参照附图详细描述示范性实施例，特征将对本领域技术人员变得显而易见，在附图中：

图1示出根据实施例的电池寿命预测系统的配置的示意性框图；

图2示出图1所示的机器学习单元的配置的细节的框图；

图3示出图1所示的寿命预测单元的配置的细节的框图；

图4、图5和图6示出根据实施例的电池寿命预测结果与实际测量结果之间的比较图表；以及

图7示出根据实施例的电池寿命预测结果、实际测量结果与通用预测结果之间的比较图表。

具体实施方式

下面将参照附图更完整地描述示范性实施例；然而，可以以不同的形式来实施这些示范性实施例，并且这些示范性实施例不应当被理解为局限于这里所阐明的示范性实施例。而是，提供这些示范性实施例以使得本公开全面完整，并向本领域技术人员来说充分传达本发明的范围。

在附图中，为了清楚说明，层和区的尺度可能被夸大。还将理解，当某一层或元素被称为在另一层或衬底“上”时，它可以是直接位于其它层或衬底上，或者可以存在中间层。而且，将理解，当某一层被称为在另一层“下”时，它可以是直接位于下面，或者也可以存在一个或多个中间层。此外，还将理解，当某一层被称作在两层“之间”时，它可以是这两层之间仅有的一层，或者也可以存在一个或多个中间层。贯穿始终，相同附图标记指代相同元素。

图中标记的描述

1000：电池寿命预测系统

100：数据输入单元

110：学习数据输入单元

120：目标数据输入单元

200：操作单元

210：机器学习单元

220：寿命预测单元

300：寿命指示单元

图1示出根据实施例的电池寿命预测系统的配置的示意性框图。

参照图1，根据实施例的电池寿命预测系统1000包括数据输入单元100、操作单元200和寿命指示单元300。

数据输入单元100是接收操作单元200的学习操作和寿命预测操作所需的各种类型数据的接口。数据输入单元100可以包括用于接收学习数据（即，用于接收将被学习的数据）的学习数据输入单元110。学习数据输入单元110可以耦接到操作单元200中的机器学习单元210。

数据输入单元100还可以包括用于接收目标数据（即，用于接收用于预测电池单元（用于寿命预测的电池单元）的数据）的目标数据输入单元120。目标数据输入单元120可以耦接到操作单元200中的寿命预测单元220。

如下详细描述，机器学习单元210可以为各个因子分配权重，而且寿命预测单元220可以使用该权重预测电池的寿命。

学习数据输入单元110可以接收用于学习的电池单元（以下被称为学习目标单元）的将被学习的数据（这里称为学习数据）作为它的输入。更具体地，学习数据输入单元110可以通过指定计算机上的媒体文件、根据预定规则进行记录、或提供包括直接输入学习数据的规范化模板的用户界面来接收学习数据。学习数据可以意指电池单元的寿命的决定性因子，并且可以用于机器学习单元210的学习。

学习数据

如表1中所示，学习数据可以包括学习目标单元的按循环的测量因子(measurement factors by cycle)以及其他因子，诸如设计因子、工艺因子、和形成因子（它们中的每一个都将在下面详细描述）。学习数据可以以数字表示。

如下所述，按循环的测量因子指示学习目标单元的寿命。按循环的测量因子可以被输入并且用于学习（a）其他因子（即，一个或多个设计因子、一个或多个工艺因子、和/或一个或多个形成因子）与（b）电池单元寿命之间的相关性。

表1-学习数据

设计因子

设计因子可以是用于制造电池的数值。在本示范性实施例中，设计因子是在制造电池单元之前已知的预定因子。设计因子是与构成学习目标单元的设计元素相关联的因子，并且可以包括学习目标单元的容量、能量密度、厚度、长度、宽度、电流密度、浆(slurry)密度、电极厚度、负载级(loading level)、和形状因子(form factor)、隔离件的宽度、厚度和种类、是否存在隔离件涂覆、电极板和隔离件的绕组数、电极板与隔离件之间的附着(adhesion)、使用的电解质的类型、电解质成分、电解质量、添加物的种类和含量、放电率(C-rate)、孔隙度(porosity)、底板(base panel)的厚度和强度、袋(pouch)的厚度、活性材料的物理属性值、粘合剂材料的物理属性值等。

单元的电流密度可以意指电池单元的每单位面积电流的流动的密度，其以毫安每平方厘米（mA/cm²）为单位表示。单元的浆密度可以意指每立方厘米（cc）的单位体积中单元的正或负电极材料的质量，其以克每立方厘米（g/cc）为单位表示。电极板可以通过在集流器(current collector)上涂覆活性材料来形成，而且电极板的厚度可以意指集流器和活性材料的总厚度。负载级可以意指在电极板的每单位面积上涂覆的活性材料的量，其以毫克每平方厘米（mg/cm²）为单位表示。形状因子可以意指单元大小，其由单元厚度、宽度和长度的乘积表示。隔离件的涂覆可以包括出于改善隔离件的热、电和机械安全目的而涂覆隔离件表面。涂覆材料可以包括非织物(non-woven fabric)、无机物（例如陶瓷）等。电极板与隔离件之间的附着可以意指涂覆有活性材料的正电极板或负电极板与隔离件之间的附着，特别是活性材料与隔离件之间的附着。放电率(C-rate)可以意指条件1下的放电容量与条件2下的放电容量的容量比。在这里，条件1可以意指标准条件或客户要求的评估条件，而条件2可以意指高于或低于标准条件的条件。孔隙度可以意指单元中空隙或空间与其总体积之间的比率。底板可以意指集流器，而且底板的厚度可以意指集流器的厚度。活性材料和粘合剂材料的物理属性值可以意指材料的电传导率、离子传导率、孔隙度、介电常数、扩散系数、和晶体结构。介电常数可以意指介电材料的电容比。扩散系数可以意指在数量上指示材料在介质中的扩散率的值。

本示范性实施例并非将设计因子限制为上述因子，而且设计因子可以包括可以影响电池的寿命的所有设计因子。设计因子不是通过测量获得的数据，而是制造电池所需的数值，其能够在制造电池单元之前已知。

工艺因子

工艺因子与组装学习目标单元的组件（例如，正电极板、负电极板、隔离件等）的工艺条件相关联，并且可以包括绕组张力(winding tension)、D/F条件、时间、温度、接片焊接(tab welding)方法等。在这里，D/F条件可以意指在脱气（D,degassing）和折叠（F,folding）工艺中的温度、压力和时间的条件。脱气工艺可以是移除袋的内部气体的过程，而折叠工艺可以是折叠袋的过程。

本示范性实施例并非将工艺因子限制为上述因子，而且工艺因子可以包括可以影响电池的寿命的所有工艺因子。

形成因子

形成因子是与在电池单元实际使用之前使组装的学习目标单元可用的工艺条件相关联的因子，并且可以包括用于老化、充电和/或放电、脱气和再密封的温度、时间、充电和/或放电电流、电压、截止条件、压力等。本示范性实施例并非将形成因子限制为上述因子，而且形成因子可以包括可以影响电池的寿命的所有形成因子。

按循环的测量因子

按循环的测量因子可以是代表单元的寿命的、将被预测的值。在本示范性实施例中，按循环的测量因子是通过对实际的、先前制造的电池单元（或电池单元组）执行测量获得的数值。按循环的测量因子的代表性例子可以包括学习目标单元依赖于循环数（这里，一个循环意指一次放电和一次充电，包括一次放电与一次充电之间的空闲时间、或者一次放电和/或充电与下一次放电和/或充电之间的空闲时间）在容量和厚度方面的变化。

同时，与用于获得按循环的测量因子的评估条件相关联的因子可以包括学习目标单元的依赖于循环数的厚度变化、充电和/或放电电流、充电和/或放电电压、空闲时间、温度、充电状态（SOC）、SOC摆动(swing)、容量测量间隔、容量评估方法、学习目标单元厚度测量间隔、厚度测量方法等。

SOC可以意指电池单元已充电的状态。例如，假设电池单元容量是1000mAh，则容量变为对于单元的电压范围在3.2V至4.2V之间而言的容量。对于3.2V而言SOC值为0%，而对于4.2V而言SOC值为100%。例如，当电池充电至SOC为100%时，电池单元容量是1000mAh。当电池充电至SOC为50%时，电池单元容量是500mAh，即1000mAh的一半。SOC摆动可以意指以摆动SOC值对单元充电。

容量测量间隔意指单元容量测量之间的循环数。厚度测量间隔意指单元厚度测量之间的循环数。厚度测量方法是规范容量的评估方法，包括通过在相同的充电和/或放电条件下连续充电和放电进行的单元容量测量，和基于在不同的充电和/或放电条件之一下测量的容量进行的单元寿命确定。

本示范性实施例并非将测量因子限制为上述因子，而且测量因子可以包括可以影响电池的寿命的所有测量因子。

在本示范性实施例中，最优选的是，将用于学习目标单元的所有因子输入到学习数据输入单元110，但这不是必须的。在本示范性实施例中，按循环的测量因子是显示学习目标单元的寿命的因子，并且常常用作学习其他因子与单元寿命之间的相关性的输入因子。在设计因子、工艺因子和形成因子当中，设计因子可以是主要影响电池单元寿命的因子。因此，输入集可以包括至少设计因子和按循环的测量因子作为输入学习数据输入单元110的一份学习数据。即使省略了关于工艺因子或形成因子的学习，学习结果可能也不会受到重要影响。

目标数据输入单元120可以接收寿命预测所针对的电池单元的数据（这里称为目标数据）。更具体地，目标数据输入单元120可以通过指定计算机上的媒体文件、根据预定规则进行记录、或提供包括直接输入目标数据的规范化模板的用户界面来接收目标数据。目标数据可以用于操作单元200以预测电池单元的寿命。

目标数据

目标数据可以包括寿命预测所针对的电池单元（以下将被称为预测目标单元）的设计因子、工艺因子、和形成因子，其可以由数值表示。这里，作为目标数据的按循环的测量因子没有输入到目标数据输入单元120。

设计因子是与构成预测目标单元的设计元素相关联的因子，并且可以包括预测目标单元的容量、能量密度、厚度、长度、宽度、电流密度、浆密度、电极厚度、负载级、和形状因子、隔离件的宽度、厚度和种类、是否存在涂覆的隔离件、电极板和隔离件的绕组数、电极板与隔离件之间的附着(adhesion)、使用的电解质的类型、电解质成分、电解质量、添加物的种类和含量、放电率(C-rate)、孔隙度、底板的厚度和强度、袋的厚度、活性材料的物理属性值、粘合剂材料的物理属性值等。

本示范性实施例并非将设计因子限制为上述因子，而且设计因子可以包括可以影响电池的寿命的所有设计因子。设计因子不是通过测量获得的数据，而是制造电池所需的反映物理和/或化学特性的数值，其能够在测量电池单元的数据之前已知。

因此，与需要测量时间来获得用于预测寿命的输入值的寿命预测不同，在本示范性实施例中，不需要额外的测量时间来获得用于预测寿命的输入值。此外，在本示范性实施例中，使用反映物理和/或化学特性的输入值来执行寿命预测，从而确保预测的寿命的高可靠性。

工艺因子与组装预测目标单元的组件（例如，正电极板、负电极板、隔离件等）的工艺条件相关联，并且可以包括绕组张力、D/F条件、时间、温度、接片焊接方法等。本示范性实施例并非将工艺因子限制为上述因子，而且工艺因子可以包括可以影响电池的寿命的所有工艺因子。

形成因子是与在电池单元实际使用之前使组装的预测目标单元可用的工艺条件相关联的因子，并且可以包括用于老化、充电和/或放电、脱气和再密封的温度、时间、充电和/或放电电流、电压、截止条件、压力等。本示范性实施例并非将形成因子限制为上述因子，而且形成因子可以包括可以影响电池的寿命的所有形成因子。

在本示范性实施例中，最优选的是，将用于预测目标单元的所有因子输入到目标数据输入单元120，但是不必输入所有因子。例如，有可能通过只将设计因子作为目标数据输入到目标数据输入单元120来执行寿命预测。此外，不必将设计因子中所包括的所有因子选择为目标数据。也有可能只选择一些因子并将所选择的因子输入到目标数据输入单元120。

操作单元200可以包括机器学习单元210和寿命预测单元220。

机器学习单元

机器学习单元210可以通过对经由学习数据输入单元110输入的因子执行机器学习来为各个因子分配权重。例如，假设对（a）电极板和隔离件的绕组数以及（b）单元按循环的容量（cell capacity-by-cycle）来执行机器学习，即，使用（a）和（b）作为学习数据，机器学习单元210获得表达绕组数与电池单元按循环的容量之间的相关性的预测函数，并且可以根据绕组数如何影响电池单元按循环的容量来为绕组数的因子分配权重。最终，机器学习单元210分配表示任意电池单元的设计因子、工艺因子和形成因子在多大程度上影响单元的按循环的容量变化（即，任意电池单元的设计因子、工艺因子和形成因子在多大程度上影响电池单元的寿命）的权重，并且对预测函数执行操作以对电池单元的寿命特性进行学习。可以使用作为学习数据输入到学习数据输入单元110的所有学习数据来执行机器学习过程。学习结果可以存储在单独的存储介质中（未示出）。

图2示出图1所示的机器学习单元的配置的细节的框图。

参照图2，机器学习单元210可以包括多个机器学习子单元210_1、210_2、…、210_n-1、和210_n。相同数量的任意数据可以分别输入到多个机器学习子单元210_1、210_2、…、210_n-1、和210_n，与学习数据输入单元110所定义的因子组无关。在本示范性实施例中，按循环的测量因子总是学习数据集的输入因子。例如，假设输入到机器学习子单元210_1、210_2、…、210_n-1、和210_n的学习数据集的数量是25，20个第一学习数据集和5个第二学习数据集可以输入到第一机器学习子单元210_1。这里，第一学习数据集主要包括设计因子和按循环的测量因子，而且第二学习数据集主要包括工艺因子和按循环的测量因子。此外，15个第一学习数据集、5个第二学习数据集和5个第三学习数据集可以输入到第二机器学习子单元210_2。这里，第三学习数据集主要包括形成因子和按循环的测量因子。

多个机器学习子单元210_1、210_2、…、210_n-1、和210_n可以以相同方式配置，并且可以以流水线方式处理学习数据的机器学习。现在，将关于第一机器学习子单元210_1的配置来代表性地描述机器学习单元210。

第一机器学习子单元210_1可以将从学习数据输入单元110接收到的子学习数据分类为学习数据和有效数据。在这里，学习数据是由第一机器学习子单元210_1实际学习的数据，而且有效数据是将基于学习数据进行测试的数据，从而确认学习结果是否是有效的。学习数据的数量与有效数据的数量的比率可以是预设的或是随机设置的。学习数据的数量与有效数据的数量的比率可以是例如8：2或7:3的预设比率，或者可以根据每个数据的数量或质量进行设置。

第一机器学习子单元210_1使用神经网络（NN）单独学习从子学习数据划分的学习数据，并且为各因子分配权重。

如上所述，一份学习数据可以包括设计因子、工艺因子或形成因子之一及按循环的测量因子的集合。为了便于解释，以下描述将假设一份学习数据包括设计因子和按循环的测量因子。

设计因子和按循环的测量因子（即，单元的寿命）之间的相关性可以使用NN来计算，并且可以由预测函数来表示。此外，设计因子对单元的寿命的影响可以由为设计因子分配权重的NN来计算。

第一机器学习子单元210_1可以基于NN获得具有设计因子和权重作为参数的预测函数，并且可以使用有效数据来测试基于NN的学习结果的有效性。

与学习数据相同，有效数据也可以包括设计因子、工艺因子或形成因子之一及按循环的测量因子。例如，有效数据可以包括作为输入的设计因子和作为输入的结果的按循环的测量因子。因此，使用有效数据能够确认基于学习数据的学习结果是否是有效的。

例如，假设存在三个学习数据{X1,Y1}、{X2,Y2}和{X3,Y3}以及一个有效数据{X’,Y’}。这里，X1、X2和X3代表设计因子、工艺因子或形成因子的值，而且Y1、Y2和Y3分别代表对于X1、X2和X3的按循环的测量因子值，即单元容量值。此外，假设学习结果包括{X1,X2,X3}的权重{W1,W2,W3}。

首先，在学习数据{X1,X2,X3}中搜索与有效数据X’最近似的值。可能存在很多方法来搜索近似值。然而，在本示范性实施例中，可以使用表达式（1）中定义的最小均方方法来搜索近似值：

$\min \underset{k=1}{\overset{3}{\mathrm{\Σ}}}{(X_k-X^{\′})}^2---\left(1\right)$

在表达式（1）所示的过程之后，例如，当确认X2是X’的最近似值时，可以使用X2的权重W2来确定X2的学习结果是否是有效的。也就是说，将X2的权重W2和X’输入到相应预测函数中并且将结果值与Y’相比较，从而确认X2的学习结果的可靠性。这里，Y’可以是X’因子的单元容量值，而且X’值是预定值。如上所示，有效性测试是用于确定对于与学习数据相似的新的输入值从预测函数输出的值的准确程度的过程。

同时，Y’值可以与从输入W2和X’的预测函数中获得的结果值相比较。如果比较值之间的差别大于参考值（即，如果误差大于参考值），则重复执行X2的学习过程来搜索权重。如果比较值之间的差别小于参考值（即，如果误差小于参考值），则将有效数据中包括的数据分类为新的学习数据并执行学习过程，从而更新预测函数的参数，即，学习数据和权重。

第一机器学习子单元210_1以外的其他机器学习子单元210_2、…、210_n-1、和210_n以与上述方式相同的方式学习给定学习数据，并可以为各自因子分配权重W2、…、Wn-1和Wn。

如果机器学习单元210的学习已经完成，则预测函数F1(x)、F2(x)、…、Fn-1(x)和Fn(x)被确定，而且学习结果可以存储在单独存储介质（未示出）中。学习结果可以是权重的集合，其可以由预定矩阵来表示。例如，权重的集合由如下通过表达式（2）给出的矩阵M×N表示：

$\left\{\begin{array}{cccc}{W}_{11}& W_{12}& \·\·\·& W_{1n-1}{W}_{1n}\\ W_{21}& W_{22}& \·\·\·& W_{2n-1}{W}_{2n}\\ & & \·& \\ & & \·& \\ & & \·& \\ W_{m1}& W_{m2}& & W_{\mathrm{mn}-1}{W}_{\mathrm{mn}}\end{array}\right\}---\left(2\right)$

此外，与通过表达式（2）给出的权重矩阵相对应的因子矩阵可以通过以下表达式（3）给出：

$\left\{\begin{array}{cccc}{X}_{11}& X_{12}& \·\·\·& X_{1n-1}{X}_{1n}\\ X_{21}& X_{22}& \·\·\·& X_{2n-1}{X}_{2n}\\ & & \·& \\ & & \·& \\ & & \·& \\ X_{m1}& X_{m2}& \·\·\·& X_{\mathrm{mn}-1}{X}_{\mathrm{mn}}\end{array}\right\}---\left(3\right)$

参照表达式（2）和（3），通过机器学习确认可存在与各自因子相对应的权重。例如，与因子X22相对应的权重是W22，而且与因子Xmn-1相对应的权重是Wmn-1。

同时，作为预测函数F(x)的例子，可以使用sigmoid函数，其可以由表达式（4）定义：

$F\left(x\right)=\frac{1}{1+e^{-Y}}---\left(4\right)$

其中，Y表示因子值与权重乘积的总和，其由下面的等式（5）定义：

$Y=\underset{k=1,i=1}{\overset{m,n}{\mathrm{\Σ}}}{X}_{\mathrm{ki}}\·W_{\mathrm{ki}}---\left(5\right)$

因此，机器学习单元210分配表示设计因子、工艺因子和形成因子在多大程度影响单元按循环的容量变化的权重，从而然后对等式（4）中定义的预测函数执行操作。这里，预测函数可以是设计因子、工艺因子、或形成因子与按循环的容量变化之间的相关性，并且根据因子和权重值可以具有各种输出值。

在本示范性实施例中，神经网络（NN）模块被示出为用于执行机器学习的模块（以下被称为学习模块），虽然学习模块可以包括例如遗传编程（GP）、高斯混合（GM）和隐马尔可夫模型（HMM）。在本示范性实施例中，学习模块可以通过彼此并行连接来使用。在另一个实施中，从一个模块输出的预测函数值可以用作其他模块的输入值。本示范性实施例并非将机器学习模块限制为这里所列出的模块，而且也可以使用所有实现寿命测量的其他学习方法的模块。

此外，学习模块可以在学习完成之后单独地或分层地生成预测结果。然而，由于一个学习模块一般很难对所有输入都输出好的预测结果，因此最终的预测结果是通过参考不同学习模块的结果来获得的。例如，可以对从各个学习模块获得的权重取均值。在另一个实施中，最有效的学习模块可以通过在学习完成之后执行的有效性测试来确定，而且可以使用从最有效的模型获得的权重。

寿命预测单元

寿命预测单元220可以使用从机器学习单元210获得的预测函数F1(x)、F2(x)、…、Fn-1(x)和Fn(x)和权重W1、W2、…、Wn-1和Wn，根据从目标数据输入单元120接收到的因子来预测目标单元的按循环的寿命(lifetime bycycle)。

图3示出图1所示的寿命预测单元的配置的细节的框图。

参照图3，寿命预测单元220可以包括多个寿命预测子单元220_1、220_2、…、220_n-1、和220_n。各个因子可以分别输入到多个寿命预测子单元220_1、220_2、…、220_n-1、和220_n，与目标数据输入单元120所定义的因子组无关。例如，假设包括活性材料的物理属性值、电解质的含量和添加物的含量的三个设计因子作为目标数据被输入，则三个因子可以分别被输入到三个寿命预测子单元中。

多个寿命预测子单元220_1、220_2、…、220_n-1、和220_n中的每一个都使用神经网络（NN）从存储在单独存储介质（未示出）中的学习因子值当中搜索最接近目标因子值的学习因子。例如，假设存储在单独存储介质（未示出）中的学习因子是“{X1,X2,X3,…,Xn-1,Xn}”，而且从目标数据输入单元120接收到的目标因子是Xi，则可以使用表达式（6）中定义的最小均方方法来搜索学习因子，该学习因子在学习因子“{X1,X2,X3,…,Xn-1,Xn}”的每一个与目标因子Xi之间具有最小差异：

$\min \underset{k=1}{\overset{n}{\mathrm{\Σ}}}{(X_k-X_i)}^2---\left(6\right)$

这里，如果确认学习因子当中的X2值最接近或者等于Xi值，那么取得与学习因子X2相对应的权重和预测函数，并且将相应的权重和目标因子值Xi代入相应的预测函数，从而获得寿命预测结果。以与上述方式相同的方式，使用各种目标因子作为输入值可以获得寿命预测结果，然后可以获得最终的预测结果。这里，最终的预测结果是依赖于循环数的容量变化的寿命数据，其可以由寿命指示单元300指示。

根据本实施例的与机器学习方法相关的技术可以是通用技术。例如，通过学习输入数据与输出数据之间的相关联获得权重矩阵的方法、以及预测方法已在“Pattern Recognition and Machine Learning（模式识别和机器学习）”(Hyeyoung Park & Kwanyong Lee,Ehan Publishing Company,March 5,2011)或“Introduction to Machine Learning（机器学习导论）”(Alpaydin & Ethem,MITPress,February 1,2010)中公开。

寿命指示单元

寿命指示单元300可以从寿命预测单元220接收寿命数据，并且可以通过图形化表示在显示器上显示接收到的寿命数据。

例子

下文中，将参照附图描述根据实施例的电池寿命预测结果与实际测量结果之间的比较示例。

图4示出对于预测目标单元根据示范性实施例的电池寿命预测结果“A1”与实际测量结果“B1”之间的比较结果的图表。

详细地，图4的图表示出了根据示范性实施例（其中，设计因子（具体地，活性材料的物理属性值、隔离件的物理属性值和添加物的含量）和形成因子作为目标数据被输入）的电池寿命预测结果“A1”与预测目标单元的按循环的容量变化的实际测量结果“B1”之间的比较结果。这里，相同的电池单元被用作电池寿命预测结果“A1”和实际测量结果“B1”的目标。

如图4所示，确认的是，电池寿命预测结果“A1”（它是只使用一些设计因子作为目标数据而获得的）与实际测量结果“B1”基本相同。

图5是示出根据示范性实施例（其中，设计因子（具体地，活性材料的物理属性值和隔离件的物理属性值）和形成因子作为目标数据被输入）的电池寿命预测结果“A2”与预测目标单元的按循环的容量变化的实际测量结果“B2”之间的比较结果的图表。这里，相同的电池单元被用作电池寿命预测结果“A2”和实际测量结果“B2”的目标。

如图5所示，确认的是，在没有使用添加物的含量（与图4所示的电池寿命预测结果“A1”相比）的情况下获得的电池寿命预测结果“A2”与实际测量结果“B2”基本相同。

图6是示出根据示范性实施例（其中，设计因子（具体地，活性材料的物理属性值和添加物的含量）作为目标数据被输入）的电池寿命预测结果“A3”与预测目标单元的按循环的容量变化的实际测量结果“B3”之间的比较结果的图表。这里，相同的电池单元被用作电池寿命预测结果“A3”和实际测量结果“B3”的目标。

如图6所示，确认的是，在没有使用隔离件的物理属性值和形成因子作为目标数据（与图4所示的电池寿命预测结果“A1”相比）的情况下获得的电池寿命预测结果“A3”与实际测量结果“B3”基本相同。

比较的例子

图7示出根据实施例的电池寿命预测结果“A4”、实际测量结果“B4”与通用比较预测结果“C”的曲线图。更具体地，图7中所示的通用比较预测结果“C”示出了通过线性地连接初始寿命预测结果和长期寿命预测结果所获得的寿命预测结果，它们是通过输入在初始循环（例如，1次至10次循环）和长期循环（例如，300次循环）中测量的电池容量值作为目标数据而获得的。

如图7所示，根据通用比较结果“C”，只预测初始和最终循环中的寿命数据；通用比较结果示出，难以预测中间阶段循环中的异常寿命数据。这里，如图7中所示，异常寿命数据指示电池容量在中间阶段循环中急剧下降，然后急剧上升。例如，当电池中的电解质倾向于向电池的一侧偏向时，当活性材料并非均匀地分布在整个电极板上时，或当隔离件与电极板之间的附着较差时，可能产生异常寿命数据。另一方面，如图7中所示，电池寿命预测结果“A4”与实际测量结果“B4”基本相同。具体地，图7中所示的实际测量结果“B4”示出了在预定时间段中出现的异常寿命数据，而且所述异常寿命数据可以被预测为根据实施例的电池寿命预测结果“A4”。

作为总结和回顾，使用人工神经网络预测电池寿命的系统可以使用电池的初始特性数据和长期特性数据作为学习数据。这里，初始特性数据可以包括：在电池单元的激活期间测量的电池单元的充电特性变化数据在初始循环（例如，大约1次至10次循环）期间测量的电池单元的充电和/或放电特性变化数据、厚度变化数据、开路电压变化数据等。此外，长期特性数据可以包括在预置的长期循环（例如，大约300循环）期间测量的电池单元的充电和/或放电特性变化数据、厚度变化数据、开路电压变化数据等。

在使用学习数据作为输入值的通用寿命预测系统中，应该对旨在用于寿命测量的电池单元的输入数据进行测量，这需要额外时间进行单元制造和特性评估，从而造成开发进度延迟。此外，如果在为预测所制造的电池单元之间存在较大偏差，那么初始特性数据的可靠性可能会降低。因此，通用寿命预测系统可能无法确保高可靠性，因为它采用简单的数值分析而没有考虑物理和/或化学特性。

如上所述，实施例可以提供电池寿命预测系统，其改善了可靠性，同时在评估所制造的电池单元的寿命之前在短时间内依赖于电池单元的各种特性因子来预测寿命趋势。根据实施例，在对所制造的电池单元的寿命进行评估之前，可以预测依赖于电池单元的各种特性因子的电池寿命，从而在制造电池单元之前确定设计误差。因此，制造电池单元所需的时间和材料成本可以最小化并且寿命评估所需的时间可以缩短。

此外，根据实施例的电池寿命预测系统可以基于先前积累的设计特性数据和容量数据来执行寿命预测，从而与常规电池寿命预测系统相比，减少寿命预测所需的时间。此外，可以使用包括物理和/或化学特性的设计因子作为输入值进行学习。因此，可以确保寿命预测的可靠性。

如上所述，使用考虑了具有物理和/或化学特性的设计因子的输入值作为目标数据，可以容易地预测总体寿命趋势。总体寿命趋势可以容易地被预测。因此，也可以预测异常寿命数据，从而在制造电池单元之前识别并解决电池单元的问题。

如上所述，根据实施例的寿命预测单元可以预测目标单元的按循环的寿命，即使作为目标数据的按循环的测量因子没有输入到目标数据输入单元。

本领域普通技术人员将理解的是，可以在形式和细节上进行各种改变，而不偏离所附权利要求所阐明的本发明的精神和范围。例如，实施例可以具体实施为包括计算机可读记录介质的制品，该记录介质具有已记录在其上的用于运行方法的程序。例如，程序可以是运行预测目标电池单元的寿命的方法的程序，该方法包括：建立预测函数，建立预测函数包括接收先前制造的学习电池单元的第一因子以及接收学习电池单元的第二因子，第一因子根据学习电池单元的特性的历史测量来确定，第二因子对应于学习电池单元的制造并且是从学习电池单元的设计因子、学习电池单元的工艺因子和学习电池单元的形成因子中选择的，以及使学习电池单元的第一因子与学习电池单元的第二因子关联；接收目标电池单元的第二因子作为输入，目标电池单元的第二因子是从目标电池单元的设计因子、目标电池单元的工艺因子和目标电池单元的形成因子中选择的；将预测函数应用于目标电池单元的第二因子；以及基于将预测函数应用于目标电池单元的第二因子，输出目标电池单元的预测特性。

这里已经公开了示范性实施例，虽然采用了具体术语，但是这些具体术语仅在一般意义上和描述意义上进行使用和解释，而并非用于限制。在一些实例中，如对本申请所涉及领域的技术人员显而易见的，结合特定实施例描述的特征、特性和/或元素可以单独使用或者与结合其他实施例描述的特征、特性和/或元素相结合使用，除非另有明确说明。

本申请要求2012年4月5日提交的、题为“System for Predicting Lifetimeof Battery”的第61/620,562号美国临时申请的优先权，其内容通过引用整体并入本文。

Claims (19)

1.一种预测电池单元的寿命的系统，该系统包括：

学习数据输入单元，该学习数据输入单元被配置为接收至少一个测量因子和至少一个学习因子，所述至少一个测量因子和所述至少一个学习因子对应于先前制造的学习电池单元；

目标数据输入单元，该目标数据输入单元被配置为接收至少一个目标因子，所述至少一个目标因子对应于将为其预测寿命的目标电池单元；

机器学习单元，该机器学习单元耦接到该学习数据输入单元，该机器学习单元为输入到该学习数据输入单元的所述至少一个学习因子中的各个学习因子分配权重；以及

寿命预测单元，该寿命预测单元耦接到该目标数据输入单元和该机器学习单元，该寿命预测单元使用由该机器学习单元分配的权重来预测表示该目标电池单元的寿命的一个或多个特性。

2.如权利要求1所述的系统，其中，所述至少一个测量因子是通过实际测量该学习电池单元的特性值来获得的。

3.如权利要求2所述的系统，其中，所述至少一个测量因子选自该学习电池单元的依赖于循环数的容量的变化和该学习电池单元的依赖于循环数的厚度的变化构成的组。

4.如权利要求3所述的系统，其中，一个循环包括一次充电、一次放电和一个空闲时间，该空闲时间是充电与放电之间的时间、或者是充电和/或放电与下一次充电和/或放电之间的时间。

5.如权利要求1所述的系统，其中，所述至少一个学习因子选自学习设计因子、学习工艺因子和学习形成因子构成的组。

6.如权利要求5所述的系统，其中，该学习数据输入单元被配置为接收至少一个学习设计因子，所述至少一个学习设计因子表示该学习电池单元的设计参数。

7.如权利要求6所述的系统，其中，所述至少一个学习设计因子选自该学习电池单元的容量、该学习电池单元的能量密度、该学习电池单元的厚度、该学习电池单元的长度、该学习电池单元的宽度、该学习电池单元的电流密度、该学习电池单元的浆浓度、该学习电池单元的电极厚度、该学习电池单元的负载级、该学习电池单元的形状因子、该学习电池单元的隔离件的宽度、该学习电池单元的隔离件的厚度、该学习电池单元的隔离件的种类、该学习电池单元的隔离件上是否存在隔离件涂覆、该学习电池单元的电极板的绕组数、该学习电池单元的隔离件的绕组数、该学习电池单元的电极板和隔离件之间的附着、使用的电解质的类型、该学习电池单元的电解质成分、该学习电池单元的电解质量、该学习电池单元的添加物的种类、该学习电池单元的添加物的量、该学习电池单元的放电率、该学习电池单元的孔隙度、该学习电池单元的集流器的厚度、该学习电池单元的集流器的强度、该学习电池单元的袋的厚度、该学习电池单元的活性材料的物理属性值、和该学习电池单元的粘合剂材料的物理属性值构成的组。

8.如权利要求6所述的系统，其中，所述至少一个学习设计因子在制造该学习电池单元之前是已知的。

9.如权利要求5所述的系统，其中，该学习数据输入单元被配置为接收至少一个学习工艺因子，所述至少一个学习工艺因子表示在制造该学习电池单元期间所使用的工艺参数。

10.如权利要求9所述的系统，其中，所述至少一个学习工艺因子是选自该学习电池单元的组件的绕组张力、该学习电池单元的脱气/折叠条件、和该学习电池单元的接片焊接方法构成的组，该组件是隔离件或电极板。

11.如权利要求5所述的系统，其中，该学习数据输入单元被配置为接收至少一个学习形成因子，所述至少一个学习形成因子表示在该学习电池单元的组装之后该学习电池单元的形成参数。

12.如权利要求11所述的系统，其中，所述至少一个学习形成因子选自与选自老化、充电和/或放电、以及脱气和再密封该学习电池单元构成的组的一个或多个相关联的温度、时间、充电和/或放电电流、电压、截止条件和压力构成的组。

13.如权利要求1所述的系统，其中，所述至少一个目标因子选自目标设计因子、目标工艺因子和目标形成因子构成的组。

14.如权利要求1所述的系统，其中，该寿命预测单元被配置为预测选自该目标电池单元的依赖于循环数的容量变化和该目标电池单元的依赖于循环数的厚度变化构成的组的特性。

15.如权利要求1所述的系统，其中，

该机器学习单元包括多个机器学习子单元，以及

该寿命预测单元包括与所述多个机器学习子单元相对应的多个寿命预测子单元。

16.如权利要求15所述的系统，其中，每个机器学习子单元基于相应的学习因子分配权重，该学习因子选自学习设计因子、学习工艺因子和学习形成因子构成的组。

17.如权利要求16所述的系统，其中，每个寿命预测子单元使用由相应的机器学习子单元分配的权重来执行预测函数。

18.如权利要求1所述的系统，还包括寿命指示单元，该寿命指示单元耦接到该寿命预测单元，该寿命指示单元基于一个或多个预测特性来指示该目标电池单元的预测寿命。

19.一种预测目标电池单元的寿命的方法，该方法包括：

建立预测函数，建立该预测函数包括：

接收先前制造的学习电池单元的第一因子并接收该学习电池单元的第二因子，该第一因子是根据该学习电池单元的特性的历史测量来确定的，该第二因子对应于该学习电池单元的制造并且选自该学习电池单元的设计因子、该学习电池单元的工艺因子和该学习电池单元的形成因子构成的组，以及

使该学习电池单元的第一因子与该学习电池单元的第二因子相关；

接收该目标电池单元的第二因子作为输入，该目标电池单元的第二因子选自该目标电池单元的设计因子、该目标电池单元的工艺因子和该目标电池单元的形成因子构成的组；

将该预测函数应用于该目标电池单元的第二因子；以及

基于将预测函数应用于该目标电池单元的第二因子，输出该目标电池单元的预测特性。

Images