CN113189208A - 一种锂电池的超声特征检测方法及检测系统 - Google Patents

一种锂电池的超声特征检测方法及检测系统 Download PDF

Info

Publication number
CN113189208A
CN113189208A CN202110287800.6A CN202110287800A CN113189208A CN 113189208 A CN113189208 A CN 113189208A CN 202110287800 A CN202110287800 A CN 202110287800A CN 113189208 A CN113189208 A CN 113189208A
Authority
CN
China
Prior art keywords
lithium battery
ultrasonic
signal
detection
mobile platform
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
Application number
CN202110287800.6A
Other languages
English (en)
Other versions
CN113189208B (zh
Inventor
叶国良
林奕钦
邹大鹏
梁经伦
张兵
杨宇辉
王聪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dongguan University of Technology
Original Assignee
Dongguan University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dongguan University of Technology filed Critical Dongguan University of Technology
Priority to CN202110287800.6A priority Critical patent/CN113189208B/zh
Publication of CN113189208A publication Critical patent/CN113189208A/zh
Application granted granted Critical
Publication of CN113189208B publication Critical patent/CN113189208B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
    • G01N29/4418—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with a model, e.g. best-fit, regression analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G01N29/06—Visualisation of the interior, e.g. acoustic microscopy
    • G01N29/0654—Imaging
    • G01N29/069—Defect imaging, localisation and sizing using, e.g. time of flight diffraction [TOFD], synthetic aperture focusing technique [SAFT], Amplituden-Laufzeit-Ortskurven [ALOK] technique
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/023—Solids
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/028—Material parameters
    • G01N2291/0289—Internal structure, e.g. defects, grain size, texture
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Signal Processing (AREA)
  • Engineering & Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明涉及电池检测的技术领域，更具体地，涉及一种锂电池的超声特征检测方法及检测系统，包括以下步骤：S10.驱动锂电池在X向、Y向和Z向运动，输出脉冲激光激发出激光超声对锂电池进行检测；S20.空耦超声探头获取锂电池内部的时域透射信号并将时域透射信号传送至信号自动识别系统，信号自动识别系统分析提取锂电池内部的缺陷信号特征；S30.基于步骤S10中移动平台的坐标信息及步骤S20得到的缺陷信号特征，可视化图像成像系统构建三维超声检测可视化图像。本发明利用激光高频超声、波长短，对锂电池的穿透性强，可对锂电池全区域地检测，具有较高的分辨率和较高的检测精度；内部缺陷通过三维图可视化出来，可直观地显示检测结果。

Description

一种锂电池的超声特征检测方法及检测系统
技术领域
本发明涉及电池检测的技术领域，更具体地，涉及一种锂电池的超声特征检测方法及检测系统。
背景技术
锂电池的出现很大程度上造福了人们的日常生活，在带来极大便利的同时，埋下了很多安全隐患，有必要对锂电池缺陷进行检测。目前，国内外对锂电池检测主要分为两方面：一方面是人工拆解检测，但该方法会需要大量的成本和时间，不仅精度低且受到主观的因素影响较大，同时也对锂电池后续使用造成较大的影响；一方面是无损检测包括红外成像检测技术和X射线影响检测技术，其中红外热成像技术主要根据温度分布显示缺陷，当锂电池存在缺陷会出现温度峰值，但受外界温度环境影响较大，且不能实现动态在线监测；X射线影响技术利用锂电池内部结构以及密度对X射线的吸收能力不同的特性进行研究，单该技术对空气层、析锂等缺陷达不到实时监测的要求，并且长期使用有辐射伤害。
中国专利CN204575039U公开了一种无损检测锂电池鼓包机构，包括上座和下座；所述上座上设置有一排超声波探测装置；所述超声波探测装置通过主控制器连接到显示屏；所述下座上设置有动力机构；所述动力机构内侧设置有平稳机构；所述上座顶部设置有液压调整机构。上述方案虽然可以通过曲线直观地观察到锂电池表面是否有鼓包现象，同时判断哪一超声波探测装置下方出现鼓包。然而，上述方案检测结果可视性差、对检测人员的要求较高。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种锂电池的超声特征检测方法及检测系统，可构建锂电池内部的三维可视化图像，检测结果可直观地显示，可降低对检测人员的能力要求。
为解决上述技术问题，本发明采用的技术方案是：
本发明还提供了一种锂电池的超声特征检测方法，包括以下步骤：
S10.通过移动平台驱动锂电池在X向、Y向和Z向运动，通过脉冲激光器输出脉冲激光激发出激光超声对锂电池进行检测；
S20.空耦超声探头获取锂电池内部的时域透射信号并将时域透射信号传送至信号自动识别系统，信号自动识别系统分析时域透射信号的频谱特性以及在时域上的动态特性，提取锂电池内部的缺陷信号特征；
S30.基于步骤S10中移动平台的坐标信息及步骤S20得到的缺陷信号特征，可视化图像成像系统构建三维超声检测可视化图像。
本发明的锂电池的超声特征检测方法，利用激光高频超声、波长短，对锂电池的穿透性强，可对锂电池全区域地检测，而不仅仅局限于锂电池近表面区域的检测，具有较高的分辨率和较高的检测精度；利用信号自动识别系统自动识别锂电池的内部缺陷，及将内部缺陷通过三维图可视化出来，可直观地显示检测结果，降低对检测人员的能力要求。
优选地，步骤S20中，采用基于AR模型的参数化频谱估计方法分析时域透射信号的频谱特性以及在时域上的动态特性。
优选地，步骤S20中，利用人工智能与模式识别理论根据时域透射信号自动识别锂电池内部缺陷类型和缺陷尺寸，筛选提取反应锂电池内部缺陷的缺陷信号特征。
优选地，所述人工智能与模式识别理论选用神经网络、支持向量机中的一种或两种的结合，采用遗传算法、粒子群算法中的一种或两种的结合筛选提取缺陷信号特征。
优选地，步骤S20中，所述锂电池内部缺陷包括锂电池的鼓包以及电解液的不均匀。
优选地，步骤S30中，锂电池内部Z方向材料缺陷深度探测信息、移动平台控制系统的X坐标信息和Y坐标信息传送至可视化图像成像系统构建三维超声检测可视化图像。
本发明还提供了一种锂电池的超声特征检测系统，包括移动平台、移动平台控制系统、检测装置、信号自动识别系统以及可视化图像成像系统：所述锂电池安装于移动平台，移动平台连接有移动平台控制系统；所述检测装置与锂电池信号连接，且所述检测装置连接于信号自动识别系统；所述信号自动识别系统分析时域透射信号的频谱特性以及在时域上的动态特性，提取锂电池内部的缺陷信号特征；所述信号自动识别系统、移动平台控制系统均连接于可视化图像成像系统，所述信号自动识别系统以及可视化图像成像系统装载于计算机。
本发明的锂电池的超声特征检测系统，利用信号自动识别系统自动识别锂电池的内部缺陷，及将内部缺陷通过三维图可视化出来，可直观地显示检测结果，降低对检测人员的能力要求。
进一步地，所述可视化图像成像系统为基于Matlab平台的信号处理及可视化系统。
进一步地，所述检测装置包括脉冲激光器、反射镜及空耦超声换能器，脉冲激光器发射的脉冲激光经反射镜反射后作用于锂电池表面，空耦超声换能器获取锂电池内部的时域超声波信号，所述脉冲激光器、空耦超声换能器分别位于锂电池两相对侧。
进一步地，还包括工控机，所述脉冲激光器、空耦超声换能器及计算机均连接于工控机。
与现有技术相比，本发明的有益效果是：
本发明的锂电池的超声特征检测方法，利用激光高频超声、波长短，对锂电池的穿透性强，可对锂电池全区域地检测，而不仅仅局限于锂电池近表面区域的检测，具有较高的分辨率和较高的检测精度；利用信号自动识别系统自动识别锂电池的内部缺陷，及将内部缺陷通过三维图可视化出来，可直观地显示检测结果，降低对检测人员的能力要求；
本发明的锂电池的超声特征检测系统，利用信号自动识别系统自动识别锂电池的内部缺陷，及将内部缺陷通过三维图可视化出来，可直观地显示检测结果，降低对检测人员的能力要求。
附图说明
图1为锂电池的超声特征检测方法的流程示意图；
图2为锂电池的超声特征检测系统的结构示意图；
图3为缺陷信号特征的提取方法示意图；
附图中：1、移动平台；2、移动平台控制系统；3、信号自动识别系统；4、可视化图像成像系统；5、锂电池；6、脉冲激光器；7、反射镜；8、空耦超声换能器；9、工控机。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明。其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
实施例一
如图1所示为本发明的锂电池的超声特征检测方法的实施例，包括以下步骤：
S10.通过移动平台1驱动锂电池5在X向、Y向和Z向运动，通过脉冲激光器6输出脉冲激光激发出激光超声对锂电池5进行检测；
S20.空耦超声探头获取锂电池5内部的时域透射信号并将时域透射信号传送至信号自动识别系统3，信号自动识别系统3分析时域透射信号的频谱特性以及在时域上的动态特性，提取锂电池5内部的缺陷信号特征；
S30.基于步骤S10中移动平台1的坐标信息及步骤S20得到的缺陷信号特征，可视化图像成像系统4构建三维超声检测可视化图像。
其中，锂电池5内部缺陷体现为锂电池5内部不均匀的偶发性间隙，其对锂电池5的使用寿命、安全性能具有重要的影响，在超声波的声学特性上可引起不同的衰减系数与声速，从而可通过激光超声的参数反映锂电池5的内部缺陷。
步骤S10中，利用激光高频超声、波长短，对锂电池5的穿透性强，能够对锂电池全区域地检测，而不仅局限于材料的近表面区域的检测，能够提供较高的分辨率，能够准确检测锂电池5的缺陷，检测精度高。另外，激光高频超声安全无辐射、硬件成本低，经济效益好。
本实施例的移动平台1为XYZ三轴移动平台1，由三个线性模组带动锂电池5在脉冲激光器6下按路径进行移动。三个线性模组均由步进电机为执行元件带动同步轮发生位移，在原点被识别的前提下，锂电池5相对原点的绝对坐标实时记录在移动平台1控制系统。
步骤S20中，采用基于AR模型的参数化估计方法分析时域透射信号的在时域上的动态特性，超声波透射时域信号具有平稳幅值的时间序列(xi)，若xi与之前的P个时刻的值xi-1，xi-2，…，xi-p有关，建立时间序列AR模型(自回归模型)：
Figure BDA0002981203390000051
其中
Figure BDA0002981203390000052
为子回归系数；p为AR模型阶数；εi为均值为零，同方差的白噪声系列。用AR模型系数差作为缺陷程度指标D：
Figure BDA0002981203390000053
其中，
Figure BDA0002981203390000054
无缺陷AR模型系数，
Figure BDA0002981203390000055
为有缺陷AR模型系数。
基于AR模型的参数化估计方法，利用人工智能与模式识别理论根据时域透射信号自动识别锂电池5内部缺陷类型和缺陷尺寸，筛选提取反应锂电池5内部缺陷的缺陷信号特征。其中，所述人工智能与模式识别理论选用神经网络、支持向量机中的一种或两种的结合，采用遗传算法、粒子群算法中的一种或两种的结合筛选提取缺陷信号特征。步骤S20中，所述锂电池5内部缺陷包括锂电池5的鼓包以及电解液的不均匀。即：在对激光高频超声信号与锂电池5介质特性建立关系时，先提出一个假设的数学模型，然后通过对锂电池5实际检测的数据推算出数学模型的参数。在应用神经网络时，先建立一个未知的离散模型，利用大量的实验数据对神经网络进行训练，从而识别出锂电池5的缺陷类型及缺陷尺寸，同时结合优化算法对有用的超声信号特征进行筛选。
本实施例的神经网络采用典型的多层前馈神经网络的BP神经网络，包含输入层、隐含层、输出层组成，信号由输入层经隐含层，最后到达输出层，当输出层没有得到期望的输出，则转入方向传播，根据误差依次调节网络的权值和阈值，通过不断学习使误差越来越小，直到预测输出达到期望输出。另外，本实施例可采用粒子群算法，寻找最优权值和阈值的范围和深度比较广，可避免传统BP神经网络算法单纯利用误差方向传播来调整权值和阈值，易陷入局部最优解的问题；单纯粒子优化BP神经网络算法后期迭代效率低，可通过动态调整学习因子并添加变异算子进行改进，避免局部最优，保证种群多样化。
具体地，本实施例中，基于AR模型提取超声波透射时域信号中的特征向量，特征向量作为BP神经网络输入，初始化BP神经网络的权值和阈值，计算误差绝对值之和；初始化粒子群，BP神经网络训练得到的误差绝对值之和作为适应度值，根据每个粒子的适应度值更新Pbest和gbest，并更新速度种群，根据随机数的概率决定是否变异，并判断是否达到终止条件，若是，则获取最优权值和阈值；若否，则再次根据每个粒子的适应度更新Pbest和gbest；在获得获取最优权值和阈值后更新权值和阈值，判断是否满足结束条件，若是，则得到锂电池内部的缺陷信号特征；若否，则重新计算误差绝对值之和，如图3所示。
步骤S30中，锂电池5内部Z方向材料缺陷深度探测信息、移动平台1控制系统的X坐标信息和Y坐标信息传送至可视化图像成像系统4构建三维超声检测可视化图像。本实施例的三维超声检测可视化图像基于Matlab平台形成。
经过以上步骤，利用信号自动识别系统3自动识别锂电池5的内部缺陷，及将内部缺陷通过三维图可视化出来，可直观地显示检测结果，降低对检测人员的能力要求。
实施例二
如图2所示为本发明的锂电池的超声特征检测系统的实施例，包括移动平台1、移动平台1控制系统、检测装置、信号自动识别系统3以及可视化图像成像系统4：所述锂电池5安装于移动平台1，移动平台1连接有移动平台1控制系统；所述检测装置与锂电池5信号连接，且所述检测装置连接于信号自动识别系统3；所述信号自动识别系统3分析时域透射信号的频谱特性以及在时域上的动态特性，提取锂电池5内部的缺陷信号特征；所述信号自动识别系统3、移动平台1控制系统均连接于可视化图像成像系统4，所述信号自动识别系统3以及可视化图像成像系统4装载于计算机。其中，所述可视化图像成像系统4为基于Matlab平台的信号处理及可视化系统。
所述检测装置包括脉冲激光器6、反射镜7及空耦超声换能器8，脉冲激光器6发射的脉冲激光经反射镜7反射后作用于锂电池5表面，空耦超声换能器8获取锂电池5内部的时域超声波信号，所述脉冲激光器6、空耦超声换能器8分别位于锂电池5两相对侧。本实施例中，利用激光高频超声、波长短，对锂电池5的穿透性强，可对锂电池5全区域地检测，而不仅仅局限于锂电池5近表面区域的检测，具有较高的分辨率和较高的检测精度。
锂电池的超声特征检测系统还包括工控机9，所述脉冲激光器6、空耦超声换能器8及计算机均连接于工控机9。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。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，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种锂电池的超声特征检测方法，其特征在于，包括以下步骤：
S10.通过移动平台(1)驱动锂电池(5)在X向、Y向和Z向运动，通过脉冲激光器(6)输出脉冲激光激发出激光超声对锂电池(5)进行检测；
S20.空耦超声探头获取锂电池(5)内部的时域透射信号并将时域透射信号传送至信号自动识别系统(3)，信号自动识别系统(3)分析时域透射信号的频谱特性以及在时域上的动态特性，提取锂电池(5)内部的缺陷信号特征；
S30.基于步骤S10中移动平台(1)的坐标信息及步骤S20得到的缺陷信号特征，可视化图像成像系统(4)构建三维超声检测可视化图像。
2.根据权利要求1所述的锂电池的超声特征检测方法，其特征在于，步骤S20中，采用基于AR模型的参数化频谱估计方法分析时域透射信号的频谱特性以及在时域上的动态特性。
3.根据权利要求1所述的锂电池的超声特征检测方法，其特征在于，步骤S20中，利用人工智能与模式识别理论根据时域透射信号自动识别锂电池(5)内部缺陷类型和缺陷尺寸，筛选提取反应锂电池(5)内部缺陷的缺陷信号特征。
4.根据权利要求3所述的锂电池的超声特征检测方法，其特征在于，所述人工智能与模式识别理论选用神经网络、支持向量机中的一种或两种的结合，采用遗传算法、粒子群算法中的一种或两种的结合筛选提取缺陷信号特征。
5.根据权利要求3所述的锂电池的超声特征检测方法，其特征在于，步骤S20中，所述锂电池(5)内部缺陷包括锂电池(5)的鼓包以及电解液的不均匀。
6.根据权利要求1至5任一项所述的锂电池的超声特征检测方法，其特征在于，步骤S30中，锂电池(5)内部Z方向材料缺陷深度探测信息、移动平台(1)控制系统的X坐标信息和Y坐标信息传送至可视化图像成像系统(4)构建三维超声检测可视化图像。
7.一种锂电池的超声特征检测系统，其特征在于，包括移动平台(1)、移动平台(1)控制系统、检测装置、信号自动识别系统(3)以及可视化图像成像系统(4)：所述锂电池(5)安装于移动平台(1)，移动平台(1)连接有移动平台(1)控制系统；所述检测装置与锂电池(5)信号连接，且所述检测装置连接于信号自动识别系统(3)；所述信号自动识别系统(3)分析时域透射信号的频谱特性以及在时域上的动态特性，提取锂电池(5)内部的缺陷信号特征；所述信号自动识别系统(3)、移动平台(1)控制系统均连接于可视化图像成像系统(4)，所述信号自动识别系统(3)以及可视化图像成像系统(4)装载于计算机。
8.根据权利要求7所述的锂电池的超声特征检测系统，其特征在于，所述可视化图像成像系统(4)为基于Matlab平台的信号处理及可视化系统。
9.根据权利要求7所述的锂电池的超声特征检测系统，其特征在于，所述检测装置包括脉冲激光器(6)(6)、反射镜(7)及空耦超声换能器(8)，脉冲激光器(6)发射的脉冲激光经反射镜(7)反射后作用于锂电池(5)表面，空耦超声换能器(8)获取锂电池(5)内部的时域超声波信号，所述脉冲激光器(6)、空耦超声换能器(8)分别位于锂电池(5)两相对侧。
10.根据权利要求9所述的锂电池的超声特征检测系统，其特征在于，还包括工控机(9)，所述脉冲激光器(6)、空耦超声换能器(8)及计算机均连接于工控机(9)。
CN202110287800.6A 2021-03-17 2021-03-17 一种锂电池的超声特征检测方法及检测系统 Active CN113189208B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110287800.6A CN113189208B (zh) 2021-03-17 2021-03-17 一种锂电池的超声特征检测方法及检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110287800.6A CN113189208B (zh) 2021-03-17 2021-03-17 一种锂电池的超声特征检测方法及检测系统

Publications (2)

Publication Number Publication Date
CN113189208A true CN113189208A (zh) 2021-07-30
CN113189208B CN113189208B (zh) 2023-03-24

Family

ID=76973353

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110287800.6A Active CN113189208B (zh) 2021-03-17 2021-03-17 一种锂电池的超声特征检测方法及检测系统

Country Status (1)

Country Link
CN (1) CN113189208B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113655391A (zh) * 2021-08-26 2021-11-16 江苏慧智能源工程技术创新研究院有限公司 一种基于LightGBM模型的储能电站电池故障诊断方法
CN114855228A (zh) * 2022-06-10 2022-08-05 江西省科学院能源研究所 一种电解铜箔电沉积过程的在线监测方法及装置
CN116476079A (zh) * 2023-06-20 2023-07-25 北京凌禾科技有限公司 一种电池的表面残余胶层的处理设备及处理方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106645414A (zh) * 2017-03-01 2017-05-10 侬泰轲（上海）检测科技有限责任公司 一种超声检测系统及方法
CN109374627A (zh) * 2018-08-30 2019-02-22 中国工程物理研究院机械制造工艺研究所 一种材料内部缺陷的激光超声透射时延检测方法
CN109856238A (zh) * 2019-03-20 2019-06-07 北京航空航天大学 一种基于超声检测技术的锂离子电池气泡缺陷检测方法
CN111426919A (zh) * 2020-04-08 2020-07-17 国网山西省电力公司电力科学研究院 基于激光诱导超声的盆式绝缘子检测装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106645414A (zh) * 2017-03-01 2017-05-10 侬泰轲（上海）检测科技有限责任公司 一种超声检测系统及方法
CN109374627A (zh) * 2018-08-30 2019-02-22 中国工程物理研究院机械制造工艺研究所 一种材料内部缺陷的激光超声透射时延检测方法
CN109856238A (zh) * 2019-03-20 2019-06-07 北京航空航天大学 一种基于超声检测技术的锂离子电池气泡缺陷检测方法
CN111426919A (zh) * 2020-04-08 2020-07-17 国网山西省电力公司电力科学研究院 基于激光诱导超声的盆式绝缘子检测装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113655391A (zh) * 2021-08-26 2021-11-16 江苏慧智能源工程技术创新研究院有限公司 一种基于LightGBM模型的储能电站电池故障诊断方法
CN114855228A (zh) * 2022-06-10 2022-08-05 江西省科学院能源研究所 一种电解铜箔电沉积过程的在线监测方法及装置
CN116476079A (zh) * 2023-06-20 2023-07-25 北京凌禾科技有限公司 一种电池的表面残余胶层的处理设备及处理方法
CN116476079B (zh) * 2023-06-20 2023-09-22 北京凌禾科技有限公司 一种电池的表面残余胶层的处理设备及处理方法

Also Published As

Publication number Publication date
CN113189208B (zh) 2023-03-24

Similar Documents

Publication Publication Date Title
CN113189208B (zh) 一种锂电池的超声特征检测方法及检测系统
EP1952137B1 (en) System and method for ultrasonically detecting discontinuous fibers in composite laminates
Legendre et al. Neural classification of Lamb wave ultrasonic weld testing signals using wavelet coefficients
Li et al. Laser cladding state recognition and crack defect diagnosis by acoustic emission signal and neural network
CN107860716A (zh) 一种基于激光超声的弹性常数的无损检测方法及设备
CN109298080A (zh) 基于特征导波的焊缝缺陷检测专用阵列式传感器的分时激励系统及方法
CN112525996B (zh) 一种各向同性热解石墨超声成像检测方法
CN112461919A (zh) 应用多频超声技术检测变压器油理化性能的系统及方法
Han et al. Acoustic emission intelligent identification for initial damage of the engine based on single sensor
CN114720560B (zh) 一种基于模态分解成像算法的碳纤维复合材料板分层缺陷空气耦合Lamb波超声检测方法
Li et al. Intelligent damage recognition of composite materials based on deep learning and ultrasonic testing
CN2809640Y (zh) 一种结构缺陷超声在线智能识别系统
CN113504182A (zh) 基于激光声表面波的物体表面裂纹在线检测方法
CN209198393U (zh) 基于特征导波的焊缝缺陷检测专用阵列式传感器的分时激励系统
Xu et al. Recognition method of internal concrete structure defects based on 1D-CNN
CN115791803A (zh) 一种深埋隧道围岩爆破损伤测试系统及测试方法
Tong et al. A flexible deep learning framework for thermographic inspection of composites
Zhao et al. Automated quantification of small defects in ultrasonic phased array imaging using AWGA-gcForest algorithm
JP3061477B2 (ja) 溶接部欠陥検査装置
CN111413402A (zh) 一种低温低气压环境的声衰减系数测量装置及测量方法
Jia et al. Quantitative recognition of electrical parameters of transformer oil based on nondestructive ultrasound and the combined KPCA-WOA-Elman neural network
CN116625974A (zh) 基于自适应遗传算法反射式太赫兹时域光谱层析成像方法
CN115308310B (zh) 一种管路内壁的超声探伤识别方法
CN117783276A (zh) 一种基于数字孪生传感器的施工现场数据收集分析系统
Gang et al. Study on prediction of tensile-shear strength of weld spot based on an improved neural network algorithm

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