CN112258805A - 一种基于图像识别气化电解液判断电池安全预警装置 - Google Patents
一种基于图像识别气化电解液判断电池安全预警装置 Download PDFInfo
- Publication number
- CN112258805A CN112258805A CN202011236581.0A CN202011236581A CN112258805A CN 112258805 A CN112258805 A CN 112258805A CN 202011236581 A CN202011236581 A CN 202011236581A CN 112258805 A CN112258805 A CN 112258805A
- Authority
- CN
- China
- Prior art keywords
- module
- electrolyte
- gasification
- battery
- image recognition
- 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.)
- Pending
Links
- 239000003792 electrolyte Substances 0.000 title claims abstract description 33
- 238000002309 gasification Methods 0.000 title claims abstract description 9
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims abstract description 11
- 229910052744 lithium Inorganic materials 0.000 claims abstract description 11
- 238000004891 communication Methods 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 6
- 239000007788 liquid Substances 0.000 claims description 2
- 238000012549 training Methods 0.000 description 12
- 238000004146 energy storage Methods 0.000 description 8
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 6
- 229910001416 lithium ion Inorganic materials 0.000 description 6
- 238000011161 development Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000004880 explosion Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000000034 method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000002860 competitive effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012983 electrochemical energy storage Methods 0.000 description 2
- 239000005486 organic electrolyte Substances 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/185—Electrical failure alarms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明公开了一种基于图像识别气化电解液判断电池安全预警装置，涉及锂电池安全检测技术领域，本发明包括视频采集装置、微型计算装置，所述微型计算装置实时获取检测区域的图像信息，所述微型计算装置内置微处理器模块、报警模块、断电保护模块、通信模块、电源模块，读取所述视频采集装置获取的图像信息，本发明利用图像深度学习对汽化电解质液进行识别并判断锂电池的状态，进行报警和断电从而达到对锂电池安全问题进行监控并进行防护，从而使得能够保护人员安全和设备的正常运行。
Description
技术领域
本发明涉及锂电池安全检测技术领域，更具体的涉及一种基于图像识别气化电解液判断电池安全预警装置。
背景技术
随着可再生能源技术不断发展，太阳能和风能发电在价格上能与化石燃料竞争，但始终因为发电间歇性而不稳定，需要电池储存多余能量，以弥补供应的变化。
锂离子电池凭借其高能量密度和不断降低的成本，已成为便携式设备、电动汽车和固定式储能中最具竞争力的电化学储能技术之一。然而，由于锂离子电池内部有机电解质的易燃性以及在充放电期间较差的热稳定性，导致锂离子电池在过度充电或快速充电情况下安全事故频发，难以在大规模储能电站中投入运营。电池芯爆炸的类型可分为外部短路、内部短路、及过充三种。当电芯外部发生短路，电子组件又未能切断回路时，电芯内部会产生高热，造成电解液持续汽化，最后将电池外壳撑破，甚至将电池温度提高到使燃料燃烧并发生爆炸。
因此，有必要开发一种装置，在发生火灾或爆炸等安全事故前进行预警，以保护人员安全和设备的正常运行。
发明内容
本发明的目的在于：本发明提供一种在电解液发生汽化时就准确、及时地感知安全问题并且进行预警的基于图像深度学习的锂电池安全预警装置。
本发明为了实现上述目的具体采用以下技术方案：
一种基于图像识别气化电解液判断电池安全预警装置，包括视频采集装置、微型计算装置，所述视频采集装置应包括至少一个摄像头，实时获取检测区域的图像信息，所述微型计算装置内置微处理器模块、报警模块、断电保护模块、通信模块、电源模块，所述电源模块为锂电池安全预警装置提供电源。
进一步的，所述微处理器模块读取所述视频采集装置获取检测区域的图像信息，通过深度学习的神经网络技术对汽化电解质液进行识别，从而判断锂电池的状态。
进一步的，所述报警模块在所述微处理器模块识别到汽化电解液后发出警报。
进一步的，所述断电保护模块在所述微处理器模块识别到汽化电解液后断开电源。
进一步的，所述通信模块利用无线技术进行传输，与物联网连接并传输物联网信息。
工作原理：电池在热失控之前，电池内部温度升高压力增大，安全阀会打开，喷出气化电解液，因此我们首先数据收集，将汽化电解液的照片进行收集，然后存储到微型计算装置中，然后对锂电池进行监控，采用摄像头对其进行监控，当出现汽化电解液时微处理器模块将信号发送给报警模块，然后报警模块进行警报通过发送信号给通信模块，通信模块将信号发送给微处理器模块后，进行断电处理。
本发明的有益效果如下：
1.本发明结构简单，电池在热失控之前，电池内部温度升高压力增大，安全阀会打开，喷出气化电解液，而在这个时期就判断出警报并且采取措施能够进一步有效的保护，因此本发明通过基于图像深度学习对汽化电解液进行识别，在识别到汽化电解液后发出警报并断开电源，有效预防安全事故的发送，保护人员安全和设备的正常运行。
2.本发明结构简单，最小化的降低了设备的本体，有效的降低了现在的监控设备体积大，成本高的问题。
附图说明
图1是锂电池安全预警装置结构示意图；
图2是神经网络搭建和部署流程图；
图3是锂电池安全预警装置工作流程图；
附图标记：
101-微型计算装置、102-微处理器模块、103-报警模块、104-摄像头模块、105-摄像头、106-断电保护模块、107-通信模块、108-电源模块。
具体实施方案
为了本技术领域的人员更好的理解本发明，下面结合以下实例对本发明作进一步详细描述。
这里将结合附图详细地对示例性实施例进行说明。以下示例性实时例中所描述的实时方式并不代表与本发明公开相一致的所有实施方式。相反，它们仅是与所附权利要求书中所详述的、本发明公开的一些方面相一致的装置和方法的例子。
为了便于理解，在对本发明公开实施例进行详细地解释说明之前，先对本公开实施例的应用场景进行介绍。
目前，锂离子电池凭借其高能量密度和不断降低的成本，已成为便携式设备、电动汽车和固定式储能中最具竞争力的电化学储能技术之一。然而，由于锂离子电池内部有机电解质的易燃性以及在充放电期间较差的热稳定性，导致锂离子电池在过度充电或快速充电情况下安全事故频发。因此，可以采用基于图像深度学习的锂电池安全预警装置在发生火灾或爆炸等安全事故前进行预警，以保护人员安全和设备的正常运行。
例如，电动汽车、电动公交车等新能源车辆，在充电站内充电时，由于快充的采用，容易导致一些电池出现期货爆炸事故，造成自身车辆以及附近车辆的损毁，给用户带来很大的财产损失。因此，可以将视频采集装置安装在电动车辆电池簇内部，在检测到汽化电解液时进行安全预警，并及时中断充电过程，挽救用户的财产损失。
例如，储能电站等固定式储能，在储能仓内，放置在电池架上的电池模组堆放密集，由于电池模组内部单体电池的差异性，在充电时容易对某个单体电池造成过充，进而热传播到整个电池模组，再影响到整个储能仓的安全运行。当热失控到一定程度时，储能仓的可燃气体会发生爆炸，巨大的冲击力和之后的剧烈燃烧极大的破坏了储能电池。因此，可在储能仓内装设视频采集装置，当检测到汽化电解液时进行安全预警，并及时中断充电过程，保护人员安全和设备的正常运行。
当然，本发明公开实例不仅可应用于上述两个场景中，实际应用中可能还可以应用于其他的应用场景中，在此本发明公开实例对其他应用场景不再一一举例。
实施例1
如图1-3所述，本发明是一种基于图像识别气化电解液判断电池安全预警装置，包括微型计算装置101、视频采集装置104，所述微型计算装置101内置微处理器模块102、报警模块103、断电保护模块106、通信模块107、电源模块108。
本发明的神经网络搭建和部署流程图，包括以下步骤：
在步骤201中，深度神经网络的训练模型的准确度需要大量的数据支持来保证，用多个摄像头固定在多个高度和角度获取目标区域的图像信息，目标区域指目标电池内部以及目标电池外部能检测到汽化电解液的区域，采集时保持多角度多高度的样本数量平均分布，总共拍摄8000张样本图片，随机打乱处理过后，划分为6000张训练集和2000张评价集；
在步骤202中，因拍摄的图片有限，而神经网络的收敛需要大量图片的支撑，故对已拍摄的图片添加数据增强算子，包括随机调整大小、随机翻转、随机像素变换、随机裁剪、随机翻转，以达到扩展数据集的作用，完成操作后经过筛选训练集60000张，评价集20000张；
在步骤203中，进行深度神经网络的搭建，基于深度神经网络分类算法，由于对网络识别速度有要求，故采用轻量级MobileNet网络作为本项目网络结构；
在步骤204中，对深度神经网络进行训练和评价，加载预训练模型，将预训练模型导入网络中使网络有初始的认知能力，将训练集的图片导入到网络当中，得到网络的输出结果，将输出结果与实际标注结果进行对比，以e^-4的学习率，将结果导入到优化器中，反馈调整网络的权重和偏差，如此往复训练网络，训练完10轮以后，将评价集图片导入网络，计算损失率，以判断训练网络的优劣，最终经过多批次图片的训练和评价，得到最适合本项目的神经网络模型；
在步骤205中，为提高部署在开发板上的预测速度，对训练好的模型进行压缩量化，以减小模型的体积，规定网络的敏感度是按照剪裁率将模型剪裁后模型精度的损失，选择合适的敏感度，对应地也能确定最终模型需要剪裁的参数列表和各剪裁参数对应的剪裁率，按照此敏感度，裁剪网络模型，以获得更快的预测速度；
在步骤206中，部署深度神经网络，将经过训练评价和压缩后的神经网络模型部署在开发板上，开发板获取摄像头拍摄的目标区域的图像信息并导入模型中预测获得结果，判断是否识别到汽化电解液。
锂电池安全预警装置工作流程图，包括以下步骤：
在步骤301中，视频采集装置实时获取目标区域的图像信息，目标区域是指目标电池内部及目标电池外部能检测到汽化电解液的区域；
在步骤302中，微处理器基于深度学习，部署神经网络模型，对汽化电解液进行识别；
在步骤303中，当识别到汽化电解液时，报警模块发出警报，断电保护模块断开电源，保护人员安全和设备的正常运行。
实际使用时：
微处理器模块102驱动视频采集装置104，获取目标区域的图像信息，目标区域是指目标电池内部及目标电池外部能检测到汽化电解液的区域，并将图像信息传送到微处理器模块102进行图像处理。
微处理器模块102获取从视频采集装置104传送的图像信息，基于深度学习的神经网络技术，部署神经网络模型对汽化电解液进行识别，并能基于TCP或UDP协议，通过云服务器或局域网回传到电脑端实现调用查看。
当微处理器模块102识别到汽化电解液时，报警模块103发出警报，断电保护模块106断开电源，保护人员安全和设备的正常运行。
本发明的保护范围不限于以上事实例，熟悉本技术领域的技术人员本发明基础上所做的摄像头等变化均在本保护范围内。
Claims (5)
1.一种基于图像识别气化电解液判断电池安全预警装置，其特征在于：包括视频采集装置(104)、微型计算装置(101)，所述视频采集装置(104)包括摄像头模块(105)，所述微型计算装置包括内置微处理器模块(102)、报警模块(103)、断电保护模块(106)、通信模块(107)、电源模块(108)，所述视频采集装置(104)对汽化电解液进行识别采集。
2.根据权利要求1所述的一种基于图像识别气化电解液判断电池安全预警装置，其特征在于：摄像头模块(105)包括一个或多个摄像头。
3.根据权利要求1所述的一种基于图像识别气化电解液判断电池安全预警装置，其特征在于：所述微处理器模块(102)读取所述视频采集装置(104)获取检测区域的图像信息，通过深度学习的神经网络技术对汽化电解质液进行识别，从而判断锂电池的状态。
4.根据权利要求1所述的一种基于图像识别气化电解液判断电池安全预警装置，其特征在于：所述通信模块(107)与物联网连接并传输物联网信息。
5.根据权利要求3所述的一种基于图像识别气化电解液判断电池安全预警装置，其特征在于：所述报警模块(103)在所述微处理器模块(102)识别到汽化电解液后发出警报。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011236581.0A CN112258805A (zh) | 2020-11-06 | 2020-11-06 | 一种基于图像识别气化电解液判断电池安全预警装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011236581.0A CN112258805A (zh) | 2020-11-06 | 2020-11-06 | 一种基于图像识别气化电解液判断电池安全预警装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112258805A true CN112258805A (zh) | 2021-01-22 |
Family
ID=74266490
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011236581.0A Pending CN112258805A (zh) | 2020-11-06 | 2020-11-06 | 一种基于图像识别气化电解液判断电池安全预警装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112258805A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102124596A (zh) * | 2008-08-21 | 2011-07-13 | 索尼公司 | 燃料电池系统和电子装置 |
| CN106815596A (zh) * | 2016-12-08 | 2017-06-09 | 中国银联股份有限公司 | 一种图像分类器建立方法及装置 |
| CN109064701A (zh) * | 2018-07-27 | 2018-12-21 | 清华大学 | 电池火灾预警系统及方法 |
| CN109540082A (zh) * | 2018-11-26 | 2019-03-29 | 哲弗智能系统（上海）有限公司 | 锂电池热失控变形探测装置 |
| CN210244571U (zh) * | 2019-10-08 | 2020-04-03 | 中商巨建消防装备科技有限公司 | 一种锂电池仓预警防火保护系统 |
| CN111462068A (zh) * | 2020-03-30 | 2020-07-28 | 华南理工大学 | 一种基于迁移学习的螺钉螺母检测方法 |
| CN111597913A (zh) * | 2020-04-23 | 2020-08-28 | 浙江大学 | 一种基于语义分割模型的车道线图片检测分割方法 |
-
2020
- 2020-11-06 CN CN202011236581.0A patent/CN112258805A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102124596A (zh) * | 2008-08-21 | 2011-07-13 | 索尼公司 | 燃料电池系统和电子装置 |
| CN106815596A (zh) * | 2016-12-08 | 2017-06-09 | 中国银联股份有限公司 | 一种图像分类器建立方法及装置 |
| CN109064701A (zh) * | 2018-07-27 | 2018-12-21 | 清华大学 | 电池火灾预警系统及方法 |
| CN109540082A (zh) * | 2018-11-26 | 2019-03-29 | 哲弗智能系统（上海）有限公司 | 锂电池热失控变形探测装置 |
| CN210244571U (zh) * | 2019-10-08 | 2020-04-03 | 中商巨建消防装备科技有限公司 | 一种锂电池仓预警防火保护系统 |
| CN111462068A (zh) * | 2020-03-30 | 2020-07-28 | 华南理工大学 | 一种基于迁移学习的螺钉螺母检测方法 |
| CN111597913A (zh) * | 2020-04-23 | 2020-08-28 | 浙江大学 | 一种基于语义分割模型的车道线图片检测分割方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张少禹等: "动力锂离子电池热失控火灾试验模型研究", 《消防科学与技术》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN214042545U (zh) | 一种锂电池储能电站早期预警系统 | |
| Eom et al. | Life prediction and reliability assessment of lithium secondary batteries | |
| CN110244232B (zh) | 一种动力电池液冷系统冷却液泄漏可靠性测试方法 | |
| CN106706756A (zh) | 一种电动自行车用锂离子电池安全检测装置及方法 | |
| CN109326837B (zh) | 一种监控锂电池储能系统热管理与火灾预警的方法和系统 | |
| CN115954989B (zh) | 一种储能电站运行监测管理系统 | |
| CN112258800A (zh) | 一种基于北斗卫星技术的输电线路外力破坏监测系统及方法 | |
| CN108051750A (zh) | 电动汽车电池安全监控系统 | |
| CN108511829A (zh) | 一种锂电池 | |
| CN205333828U (zh) | 一种风力发电机蓄电池在线监测系统 | |
| CN114913660B (zh) | 预制舱式电化学储能系统火灾监测、预警及定位装置 | |
| CN116093459A (zh) | 一种锂电池储能箱的智能监测方法及系统 | |
| CN114801873A (zh) | 一种电池热失控早期预警方法和系统 | |
| CN109064701A (zh) | 电池火灾预警系统及方法 | |
| US20220307985A1 (en) | Molecular probe-based safety prewarning and fault location system for electrochemical energy storage station | |
| Sun et al. | Relative entropy based lithium-ion battery pack short circuit detection for electric vehicle | |
| CN105044615A (zh) | 一种锂电池安全性的检测方法 | |
| Snyder et al. | Understanding and managing hazards of l ithium‐ion battery systems | |
| CN112258805A (zh) | 一种基于图像识别气化电解液判断电池安全预警装置 | |
| Shi et al. | Hydrogen gas diffusion behavior and detector installation optimization of lithium ion battery energy-storage cabin | |
| CN116859253B (zh) | 一种基于大数据的锂电池析锂分析方法及系统 | |
| CN107065721A (zh) | 一种电力设施监控预警系统及方法 | |
| Simeone et al. | Collision damage assessment in lithium-ion battery cells via sensor monitoring and ensemble learning | |
| CN116565354A (zh) | 一种电化学储能系统故障分级诊断预警方法、系统及设备 | |
| CN113777508B (zh) | 一种用于蓄电池的测试装置及测试方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210122 |