CN110208702A - 一种基于神经网络的锂电池超声信息特性提取方法 - Google Patents
一种基于神经网络的锂电池超声信息特性提取方法 Download PDFInfo
- Publication number
- CN110208702A CN110208702A CN201910291277.7A CN201910291277A CN110208702A CN 110208702 A CN110208702 A CN 110208702A CN 201910291277 A CN201910291277 A CN 201910291277A CN 110208702 A CN110208702 A CN 110208702A
- Authority
- CN
- China
- Prior art keywords
- ultrasound information
- neural network
- state
- lithium battery
- charge
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000002604 ultrasonography Methods 0.000 title claims abstract description 64
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 57
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 38
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 38
- 238000000605 extraction Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 47
- 230000003862 health status Effects 0.000 claims abstract description 44
- 239000013598 vector Substances 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000003062 neural network model Methods 0.000 claims abstract description 12
- 230000036541 health Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 210000004218 nerve net Anatomy 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 17
- 238000006243 chemical reaction Methods 0.000 description 7
- 238000001228 spectrum Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 5
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 4
- 229910001416 lithium ion Inorganic materials 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 210000005036 nerve Anatomy 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000013144 data compression Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000009975 flexible effect Effects 0.000 description 1
- 230000036449 good health Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000026683 transduction Effects 0.000 description 1
- 238000010361 transduction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Secondary Cells (AREA)
Abstract
本发明属于电池相关技术领域，并具体公开了一种基于神经网络的锂电池超声信息特性提取方法。该方法包括如下步骤：构建两个神经网络，以超声信息作为输入向量，并分别以健康状态和荷电状态作为输出向量；采集超声信息作为训练样本，对两个神经网络进行训练以获得对应的两个神经网络模型；将采集到的锂电池的超声信息输入两个神经网络模型中，获得该锂电池的健康状态和荷电状态。本发明通过构建两个神经网络，并进行训练获得两个神经网络模型，从而能够利用超声信息同时获得锂电池的健康状态和荷电状态，克服了现有技术中无法判断超声信号幅值的变化是由何种状态所引起的瓶颈。
Description
技术领域
本发明属于电池相关技术领域，更具体地，涉及一种基于神经网络的锂 电池超声信息特性提取方法。
背景技术
电池的荷电状态，也叫剩余电量，代表的是电池使用一段时间或长期搁 置不用后的剩余容量与其完全充电状态的容量的比值，简称SOC；电池的 健康状态是电池同其理想状态相比较的一个品质因素，简称SOH。通常电 池的健康状态随着使用时间与次数的增加而降低，因此通常需要给电池健 康状态设定一个阈值，当电池健康状态低于此阈值即代表电池不适合再继 续使用。基于超声技术检测锂离子电池的荷电状态、健康状态是一种有效的 测量方法，通过建立声学参数分别与锂离子电池健康状态和荷电状态的对 应关系，进而利用声学参数监测锂离子电池的健康状态和荷电状态，由此解 决现有技术中基于电学参数监测锂离子电池电量和健康状态结果可靠性不 佳的问题。
对于超声技术检测方法得到的信号，由于传统的超声换能片可以接收 到的频率范围较窄，当不考虑高频噪声时，电信号的频谱宽度也不大。目前 常用的检测方法有：提取频谱峰值作为特征、通过频谱积分进行提取特征、 通过时域包络线提取特征。
其中提取频谱峰值作为特征的方法精度不高，实验结果表明峰值很难 与SOC直接建立起一一对应的线性关系，数据拟合时会造成比较大的误差， 且只能提取到峰值特征，不能反映出超声信号包含的所有信息；通过频谱积 分进行提取特征的方法是将频谱中的峰对频率进行积分，得到的值作为超 声信号提取出的特征值，经由实验验证，这种方法可以与SOC建立线性关 系，且精度较高，但缺陷仍在于只能提取一种特征值，很难反映超声信号包 含的所有信息；通过时域包络线提取特征相当于一种数据压缩的方法，类似 滤波，即将时域波形的包络数据作为特征值，但这种方法提取出的特征值的 准确度不高，经过大量的实验证明，包络信息不能反映超声信号波形的完整 信息，无法判别超声信号幅值的变化是由SOC还是SOH导致的。
发明内容
针对现有技术的上述缺点和/或改进需求，本发明提供了种基于神经网 络的锂电池超声信息特性提取方法，其中通过建立神经网络并进行训练获 得神经网络模型，从而能够在超声信息中同时并且准确地获得锂电池的健 康状态和荷电状态，因而尤其适用于锂电池状态测定之类的应用场合。
为实现上述目的，本发明提出了一种基于神经网络的锂电池超声信息 特性提取方法，包括如下步骤：
S1构建两个神经网络，两个所述神经网络以超声信息作为输入向量， 并分别以健康状态和荷电状态作为输出向量；
S2采集不同健康状态和荷电状态的超声信息作为训练样本，分别对两 个所述神经网络进行训练以获得对应的两个神经网络模型；
S3将采集到的锂电池的超声信息输入两个所述神经网络模型中，获得 该锂电池的健康状态和荷电状态。
作为进一步优选地，在步骤S1中，两个所述神经网络分别包括三层全 连接层。
作为进一步优选地，在步骤S2中，所述训练样本中超声信息的数量大 于10000份，所述荷电状态涵盖充放电过程，所述健康状态包括锂电池处 于健康状态或亚健康状态。
作为进一步优选地，在步骤S2中，训练两个所述神经网络时，对全连 接层的权重和偏置进行二值化处理。
作为进一步优选地，在步骤S2中，对于反映健康状态的神经网络而言， 训练过程包括如下步骤：
S21构建关于输出向量中健康状态的特征值x的损失函数f(x)，若超声 信息为亚健康状态，损失函数f(x)采用下式进行计算：
f(x)＝(x+1)2
若超声信息为健康状态，损失函数f(x)采用下式进行计算：
f(x)＝(x-1)2
S22根据所述损失函数f(x)进行反向传播训练，将每次得到的输出向量 与该超声信息的实际健康状态进行比对，当预设训练次数中错误率低于预 设阈值时，即认为训练完成。
作为进一步优选地，所述预设训练次数的取值为10次～20次。
作为进一步优选地，在步骤S2中，对于反映荷电状态的神经网络而言， 训练过程包括如下步骤：
S23构建关于输出向量中荷电状态的特征值y的损失函数f(y)：
式中，SOCi′为第i个超声信息的归一化荷电状态的特征值，yi为第i个超 声信息获得的输出向量中荷电状态的特征值，k为超声信息的个数；
S24每次从所述训练样本中随机选取k个超声信息，根据所述损失函数 f(y)进行反向传播训练，当该损失函数f(y)的值低于预设阈值时，即认为训 练完成。
作为进一步优选地，k的取值为10～20。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，主要具 备以下的技术优点：
1.本发明构建了两个神经网络，并采集大量超声信息作为训练样本对 两个神经网络进行训练获得神经网络模型，根据该神经网络模型进行超声 信息特性提取，能够将锂电池健康状态和荷电状态的特征信息分离，根据超 声信息可以同时并且准确地获得锂电池的健康状态和荷电状态，从而克服 了现有技术中无法判断超声信号幅值的变化是由何种状态所引起的瓶颈；
2.尤其是，本发明在训练过程中通过对全连接层的权重和偏置进行二 值化处理，能够极大地节约存储空间、加快运算速度，这种数据压缩的算法 在保证神经网络准确率的同时，还能大幅加快运算速度，增加监测系统的实 时性；
3.同时，本发明通过优化训练样本的容量和选取标准，能够保证训练 样本的全面性，有利于提高更新后的神经网络的准确性，从而提高锂电池超 声信息特性提取的精度；
4.此外，本发明利用损失函数进行反向传播训练，能够获得较为准确 的神经网络模型，从而适应不同特性电池的信息提取工作，具有较强的普适 性。
附图说明
图1是本发明提供的基于神经网络的锂电池超声信息特性提取方法的 流程图；
图2是本发明实施例中构建的神经网络的整体架构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及 实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施 例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明 各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互 组合。
如图1所示，本发明实施例提供了一种基于神经网络的锂电池超声信 息特性提取方法，包括如下步骤：
S1使用深度学习架构(Tensor Flow或Pytorch)构建两个分别包括三层 全连接层的神经网络，最后一层全连接层包含sigmoid激活层，两个所述神 经网络以超声信息作为输入向量，并分别以健康状态和荷电状态作为输出 向量；
S2采集不同健康状态和荷电状态的超声信息作为训练样本，分别对两 个所述神经网络进行训练以获得对应的两个神经网络模型，该训练样本中 超声信息的数量大于10000份，训练样本越大则准确率越高；
使用随机梯度下降或学习率衰减等方法优化训练过程，具体训练过程 包括如下子步骤：
S21对于反映健康状态的神经网络，构建关于输出向量中健康状态的特 征值x的损失函数f(x)，若超声信息为亚健康状态，损失函数f(x)采用下式 进行计算：
f(x)＝(x+1)2 (1)
若超声信息为健康状态，损失函数f(x)采用下式进行计算：
f(x)＝(x-1)2 (2)
S22根据损失函数f(x)进行反向传播训练，将每次得到的输出向量与超 声信息的实际健康状态进行比对，当预设训练次数中错误率低于预设阈值 时，即认为训练完成，其中根据测试准确率的要求确定预设阈值，本发明一 个优选实施例中预设阈值为5％，并且预设训练次数越小训练精度越高，但 耗时越长，因此预设训练次数的取值优选为10次～20次；
S23对于反映荷电状态的神经网络，构建关于输出向量中荷电状态的特 征值y的损失函数f(y)：
式中，SOCi′为第i个超声信息的归一化荷电状态的特征值，yi为第i个超 声信息获得的输出向量中荷电状态的特征值，k为超声信息的个数，其中获 得归一化荷电状态的特征值的方法为：通过排序获得训练样本中SOC的最 大值，将每个SOC值除以SOC的最大值，得到归一化荷电状态的特征值SOCi′，排序算法可以使用快速排序这样时间复杂度较低的算法；
S24每次从所述训练样本中随机选取k个超声信息，根据所述损失函数 f(y)进行反向传播训练，当该损失函数f(y)的值低于预设阈值时，即认为训 练完成，其中根据准确率的要求确定预设阈值的取值，本发明的一个优选实 施例中预设阈值为0.001，并且k越小训练精度越高，但耗时越长，因此k的 取值优选为10～20；
S3将采集到的锂电池的超声信息输入两个神经网络模型中，获得该锂 电池的健康状态和荷电状态。
进一步，在步骤S2中，训练样本中荷电状态指当前电池的剩余电量， 并涵盖充放电过程，即让所有样本中SOC的范围达到(0，SOCmax)，其中 SOCmax为电池SOC的最大值；
健康状态包括锂电池处于健康状态或亚健康状态，并且健康状态的数 据与亚健康状态的数据数量大致相同，经过实验验证，两者相差的份数不得 超过总量的40％；健康状态的数据中不包含不健康状态的原因在于：对于 析锂、产气、漏液等严重不健康状态，由于接收到的超声信号变化明显，通 过简单的信号峰值变化便可以得出正确的判断，而由过充过放、高低温环境 引起的亚健康状态，接收到的超声信号很难仅通过峰值进行辨识，故使用神 经网络提取特征值来区分；
需要将训练样本进行“去零压缩”，A/D转换器每次采样10000个点，由 于10000个点中真正接收到超声信号，反映出超声信息的非零值点只占中 间的一部分，故先把两端的零值去除，剩下的数据存到一个长度为4000的 向量中，作为输入向量。
进一步，在步骤S2中，为了节约存储空间，适应嵌入式设备的带宽， 训练两个所述神经网络时，对权重和偏置进行二值化处理，再使用batch normalization(批归一化)运算提高准确率，二值化处理过程中，不需要针 对输入向量和输出向量进行二值化处理，因为最后一层全连接层之后需要 经过激活函数sigmoid，最终输出结果被映射到(0，1)之间的数值，方便 做二分类；
对于反映健康状态的神经网络，构建神经网络时采用随机分布的方式 设定每层全连接层的权重和偏置，其具体数值为1或者-1，每次训练中当权 重或偏置小于零时，将其赋值为-1，大于或等于零时，将其赋值为1；
通过二值化处理可以节约权重、偏置的存储空间、降低运算的复杂度， 由于每个数值只有1和-1两种情况，故可采用逻辑门运算直接进行全连接 层之间的传播，使在嵌入式设备中搭建大规模神经网络成为可能。
当神经网络训练结束之后，使用Xilinx公司的vivado开发套件和HLS 优化套件进行神经网络的搭建，具体方法为将向量相乘的运算单元在FPGA (现场可编程门阵列)上并行化，再用隶属于AMBA(高级微控制器总线 结构)总线协议的AXI4(高级可扩展接口4)协议进行层与层之间的数据 传输，这样不仅可以增加运算速度，而且可以充分利用FPGA的灵活性， 实现对超声信号进行实时处理，将训练得到的权值和偏重等参数写入嵌入 式设备的RAM(随机存取存储器)中，由于已经进行了二值化处理，因此 占用存储空间很小，完全可以适应嵌入式设备的存储器，在计算中需要调用 时再从RAM中调出相应的值进行计算即可。
对于相同类型的电池，其超声信息曲线的差别极小，因此包含的特征值 可以使用全连接神经网络这样具有严格数学推导的算法进行特征值提取， 准确度很高，按照上述方法便可通过采集到的电信号数据获得健康状态和 荷电状态的特征值。
下面根据优选实施例对本发明作进一步说明，具体包括如下步骤：
S1使用TensorFlow(或Keras、Pytorch)架构搭建两个神经网络，如图2 所示，两个所述神经网络分别包括三层全连接层，分别为4000×100、100× 10、10×1，最后一层全连接层包含sigmoid激活层，将输出数值映射到(0， 1)区间内，将超声信息作为两个所述神经网络的输入向量，分别将健康状 态和荷电状态作为两个所述神经网络的输出向量；
S2采集12000份超声信息作为训练样本，其中7500份为健康状态， 4500份为亚健康状态，SOC涵盖了恒流充放电下的对应范围，将12000份 的样本经过“去零压缩”过程，压缩成4000个数据点的一维向量，再将每个 样本的SOC、SOH数据标记成两个元素的向量，第一个值代表归一化SOC′， 其值范围与具体电池有关，第二个值代表SOH，亚健康状态用-1表示，健 康状态用1表示，对所述神经网络进行训练，训练结束后，归一化SOC′的 损失函数值为0.0007，SOH判断错误率为4.2％，符合要求，将权重和偏置 存到二进制文件中获得神经网络模型；
更具体地，使用Xilinx公司的，搭载双ARM Cortex-A9处理器的Zynq- 7020系列FPGA的可编程逻辑部分完成神经网络的部署，在Vivado HLS工 具中，使用C++语言进行算法编写IP核，用对应的优化工具进行并行计算 优化，由于Zynq-7020系列FPGA的可编程逻辑资源足够多，因此可以做 到完全并行化，极大地提高硬件上的计算速度，其中需要完成的硬件部署计 算单元为：三个向量乘法运算(对应三个全连接层)、二值化(使用if语句 即可完成)和batch normalization(使用C++编写)，使用HLS自带的仿真 功能可以进行功能验证；
将写好的IP核用Vivado工具搭载到可编程逻辑(PL)资源上，烧写到 Zynq中，ARM内核使用AXI总线控制数据流，将已经训练过的样本随机 取出一个送往计算的IP核中，验证其输出是否与软件端的结果相同，进而 判断硬件部署的正确性；
选取1000个健康状态和1000个亚健康状态的超声信息进行测试，将 其通过ARM内核送往神经网络计算IP核得到输出结果，通过验证发现 SOH判断准确率可达97％，归一化SOC′可以达到一一对应，没有出现重复 的SOC特征值，说明算法成功实现；
取一组充放电下不同SOC值的测试样本，经过提取反映健康状态的神 经网络得到SOC特征值，与归一化SOC′建立一一对应的关系，存储到表 中，之后进行的实验或应用中即可以通过查表精确确定当前状态的SOC值， 如表1所示；
表1测试样本中SOC特征值与归一化SOC′的对应关系
| SOC特征值 | 归一化SOC′ |
| 0.755 | 0.627 |
| 0.758 | 0.696 |
| 0.764 | 0.711 |
| 0.778 | 0.723 |
| 0.790 | 0.727 |
S3将采集到的锂电池的超声信息输入两个所述更新后的神经网络中， 获得该锂电池的健康状态和荷电状态，对于反映荷电状态的神经网络，根据 其输出向量，结合当前温度通过查表可获得当前的荷电状态，对于反映健康 状态的神经网络，将输出向量的阈值设定为0.5，当输出向量大于或等于0.5 时，表示锂电池处于健康状态，当输出向量小于0.5时，表示该锂电池处于 亚健康状态，可根据实际情况调整该阈值的大小。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已， 并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同 替换和改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于神经网络的锂电池超声信息特性提取方法，包括如下步骤：
S1 构建两个神经网络，两个所述神经网络以超声信息作为输入向量，并分别以健康状态和荷电状态作为输出向量；
S2 采集不同健康状态和荷电状态的超声信息作为训练样本，分别对两个所述神经网络进行训练以获得对应的两个神经网络模型；
S3 将采集到的锂电池的超声信息输入两个所述神经网络模型中，获得该锂电池的健康状态和荷电状态。
2.如权利要求1所述的基于神经网络的锂电池超声信息特性提取方法，其特征在于，在步骤S1中，两个所述神经网络分别包括三层全连接层。
3.如权利要求1或2所述的基于神经网络的锂电池超声信息特性提取方法，其特征在于，在步骤S2中，所述训练样本中超声信息的数量大于10000份，所述荷电状态涵盖充放电过程，所述健康状态包括锂电池处于健康状态或亚健康状态。
4.如权利要求1～3任一项所述的基于神经网络的锂电池超声信息特性提取方法，其特征在于，在步骤S2中，训练两个所述神经网络时，对全连接层的权重和偏置进行二值化处理。
5.如权利要求1所述的基于神经网络的锂电池超声信息特性提取方法，其特征在于，在步骤S2中，对于反映健康状态的神经网络而言，训练过程包括如下步骤：
S21构建关于输出向量中健康状态的特征值x的损失函数f(x)，若超声信息为亚健康状态，损失函数f(x)采用下式进行计算：
f(x)＝(x+1)2
若超声信息为健康状态，损失函数f(x)采用下式进行计算：
f(x)＝(x-1)2
S22根据所述损失函数f(x)进行反向传播训练，将每次得到的输出向量与该超声信息的实际健康状态进行比对，当预设训练次数中错误率低于预设阈值时，即认为训练完成。
6.如权利要求5所述的基于神经网络的锂电池超声信息特性提取方法，其特征在于，所述预设训练次数的取值为10次～20次。
7.如权利要求1所述的基于神经网络的锂电池超声信息特性提取方法，其特征在于，在步骤S2中，对于反映荷电状态的神经网络而言，训练过程包括如下步骤：
S23构建关于输出向量中荷电状态的特征值y的损失函数f(y)：
式中，SOC′i为第i个超声信息的归一化荷电状态的特征值，yi为第i个超声信息获得的输出向量中荷电状态的特征值，k为超声信息的个数；
S24每次从所述训练样本中随机选取k个超声信息，根据所述损失函数f(y)进行反向传播训练，当该损失函数f(y)的值低于预设阈值时，即认为训练完成。
8.如权利要求7所述的基于神经网络的锂电池超声信息特性提取方法，其特征在于，k的取值为10～20。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910291277.7A CN110208702B (zh) | 2019-04-11 | 2019-04-11 | 一种基于神经网络的锂电池超声信息特性提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910291277.7A CN110208702B (zh) | 2019-04-11 | 2019-04-11 | 一种基于神经网络的锂电池超声信息特性提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110208702A true CN110208702A (zh) | 2019-09-06 |
| CN110208702B CN110208702B (zh) | 2020-07-28 |
Family
ID=67785188
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910291277.7A Active CN110208702B (zh) | 2019-04-11 | 2019-04-11 | 一种基于神经网络的锂电池超声信息特性提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110208702B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111175659A (zh) * | 2020-01-21 | 2020-05-19 | 湖南大学 | 基于连续声发射信号的锂离子电池状态检测系统和方法 |
| CN113533989A (zh) * | 2021-06-09 | 2021-10-22 | 深圳先进技术研究院 | 一种电池检测系统和电池检测方法 |
| CN114236403A (zh) * | 2021-12-15 | 2022-03-25 | 河北工业大学 | 基于超声测量的锂离子电池荷电状态估计方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140214348A1 (en) * | 2013-01-29 | 2014-07-31 | Mitsubishi Electric Research Laboratories, Inc. | Method for Estimating a State of Charge of Batteries |
| CN106680730A (zh) * | 2017-03-01 | 2017-05-17 | 侬泰轲（上海）检测科技有限责任公司 | 一种可检测荷电状态的充放电装置及荷电状态的检测方法 |
| CN106772063A (zh) * | 2016-11-21 | 2017-05-31 | 华中科技大学 | 一种监测锂离子电池荷电状态和健康状态的方法及其装置 |
| CN108334940A (zh) * | 2018-03-01 | 2018-07-27 | 大连道道科技有限公司 | 一种基于深度神经网络的锂电池包多个电池单体soc实时联合预测方法 |
| CN108519556A (zh) * | 2018-04-13 | 2018-09-11 | 重庆邮电大学 | 一种基于循环神经网络的锂离子电池soc预测方法 |
-
2019
- 2019-04-11 CN CN201910291277.7A patent/CN110208702B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140214348A1 (en) * | 2013-01-29 | 2014-07-31 | Mitsubishi Electric Research Laboratories, Inc. | Method for Estimating a State of Charge of Batteries |
| CN106772063A (zh) * | 2016-11-21 | 2017-05-31 | 华中科技大学 | 一种监测锂离子电池荷电状态和健康状态的方法及其装置 |
| CN106680730A (zh) * | 2017-03-01 | 2017-05-17 | 侬泰轲（上海）检测科技有限责任公司 | 一种可检测荷电状态的充放电装置及荷电状态的检测方法 |
| CN108334940A (zh) * | 2018-03-01 | 2018-07-27 | 大连道道科技有限公司 | 一种基于深度神经网络的锂电池包多个电池单体soc实时联合预测方法 |
| CN108519556A (zh) * | 2018-04-13 | 2018-09-11 | 重庆邮电大学 | 一种基于循环神经网络的锂离子电池soc预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 韦振汉: "锂离子电池荷电及健康状态预测方法研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111175659A (zh) * | 2020-01-21 | 2020-05-19 | 湖南大学 | 基于连续声发射信号的锂离子电池状态检测系统和方法 |
| CN113533989A (zh) * | 2021-06-09 | 2021-10-22 | 深圳先进技术研究院 | 一种电池检测系统和电池检测方法 |
| CN113533989B (zh) * | 2021-06-09 | 2023-08-18 | 深圳先进技术研究院 | 一种电池检测系统和电池检测方法 |
| CN114236403A (zh) * | 2021-12-15 | 2022-03-25 | 河北工业大学 | 基于超声测量的锂离子电池荷电状态估计方法及装置 |
| CN114236403B (zh) * | 2021-12-15 | 2023-12-29 | 河北工业大学 | 基于超声测量的锂离子电池荷电状态估计方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110208702B (zh) | 2020-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102362532B1 (ko) | 신경망 기반의 배터리 잔존 수명 예측 방법 및 장치 | |
| CN110208702A (zh) | 一种基于神经网络的锂电池超声信息特性提取方法 | |
| US11422194B2 (en) | Battery diagnosis apparatus and battery diagnosis method based on current pulse method | |
| KR102439041B1 (ko) | 신경망 기반의 배터리 셀 불량 및 화재 사전 진단 방법 및 장치 | |
| CN102279358B (zh) | 一种基于mcskpca的神经网络模拟电路故障诊断方法 | |
| CN113884935B (zh) | 基于锂电池在线电化学阻抗谱测量的soh估算系统和方法 | |
| Zheng et al. | State of health estimation for lithium battery random charging process based on CNN-GRU method | |
| CN114325403B (zh) | 基于电化学阻抗谱测试的锂离子电池寿命检测方法和系统 | |
| CN111983459A (zh) | 一种基于车用锂离子电池的健康状态测试评估方法 | |
| Ding et al. | Remaining useful life prediction for lithium-ion batteries based on CS-VMD and GRU | |
| CN112686380A (zh) | 基于神经网络的梯次动力电芯一致性评估方法和系统 | |
| CN115616428A (zh) | 一种“充—检”一体电动汽车电池状态检测与评价方法 | |
| WO2023226355A1 (zh) | 基于多源感知的双向锂离子电池故障检测方法及系统 | |
| CN114578234A (zh) | 一种考虑因果性特征的锂离子电池退化与容量预测模型 | |
| CN114325433A (zh) | 基于电化学阻抗谱测试的锂离子电池故障检测方法和系统 | |
| CN114779103A (zh) | 一种基于时滞卷积神经网络的锂离子电池soc估计方法 | |
| Song et al. | Capacity estimation method of lithium-ion batteries based on deep convolution neural network | |
| CN116736172A (zh) | 一种基于生成式对抗网络的锂电池组健康状态评估方法 | |
| CN115542182A (zh) | 一种移动储能系统串联电池组soh估计方法 | |
| CN115018133A (zh) | 一种基于混沌理论和非线性系统的锂电池容量预测方法 | |
| CN103337674A (zh) | 一种十六串动力磷酸铁锂电池矩阵均衡控制装置及方法 | |
| Cheng et al. | State of charge estimation for batteries using recurrent neural networks | |
| CN113092934A (zh) | 基于聚类和lstm的单相接地故障判定方法及系统 | |
| CN116819330A (zh) | 一种基于cbam改进的3dcnn的锂离子电池soh估计方法 | |
| CN115856642A (zh) | 一种锂电池的实时个性化健康评估方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240124 Address after: 214177, 7th Floor, No. 688 Zhenghe Avenue, Huishan Economic Development Zone, Wuxi City, Jiangsu Province Patentee after: Wuxi Lingsheng Technology Co.,Ltd. Country or region after: China Address before: 430074 Hubei Province, Wuhan city Hongshan District Luoyu Road No. 1037 Patentee before: HUAZHONG University OF SCIENCE AND TECHNOLOGY Country or region before: China |
|
| TR01 | Transfer of patent right |