CN113466706A - 基于卷积神经网络的锂电池梯次利用剩余寿命预测方法 - Google Patents

Abstract

本发明提供基于卷积神经网络的锂电池梯次利用剩余寿命预测方法，包括以下步骤：根据相关电池型号确定所需样本数量；利用恒电流电压测试方法，得到训练样本的电池容量值以及电池内阻值；使训练样本电池的内阻、容量和充放电循环曲线所作为输入，计算锂电池剩余使用寿命，产生足够数量的锂电池使用寿命标签；对锂电池进行X射线扫描，将生成的图像和使用寿命标签配对形成训练数据集；建立基于卷积神经网络的梯次电池剩余使用寿命模型。本发明提供的基于卷积神经网络的锂电池梯次利用剩余寿命预测方法，利用梯次电池的扫描模块扫描出的图像与剩余使用寿命的非线性关系，建立卷积神经网络模型，能够快速的估算梯次利用锂电池的剩余使用寿命。

Description

基于卷积神经网络的锂电池梯次利用剩余寿命预测方法

技术领域

本发明涉及梯次利用锂电池寿命预测领域，尤其涉及基于卷积神经网络的锂电池梯次利用剩余寿命预测方法。

背景技术

锂电池是一类由锂金属或锂合金为正极和负极材料、使用非水电解质溶液的电池。

目前在锂电池使用结束后需要进行剩余寿命的检测，而现阶段预测锂电池剩余使用寿命的方法，主要是基于数学模型的方法，通过对锂电池进行多次循环充放电，采集相关锂电池的电压和电流充放电曲线，建立锂电池的老化数学模型。

现有的检测装置由于复杂的内部电化学特性，锂电池很容易受诸如温度、湿度等外部因素影响，所以要建立非常通用准确的数学或物理模型是非常困难的，其次由于粒子退化等原因，基于粒子群滤波器的方法会使得剩余使用寿命的预测变得不准确，再次这些模型大多要通过专业的充放电设备，经过多次充放电循环才能较准确的预测锂电池剩余使用寿命，限制在废旧电池采购过程中检测的便利性和实际生产过程中的检测效率。

因此，有必要提供基于卷积神经网络的锂电池梯次利用剩余寿命预测方法解决上述技术问题。

发明内容

本发明提供基于卷积神经网络的锂电池梯次利用剩余寿命预测方法，解决了现有检测设备在检测时会影响剩余使用寿命的预测变得不准确问题。

为解决上述技术问题，本发明提供的基于卷积神经网络的锂电池梯次利用剩余寿命预测方法，包括以下步骤：

S1：利用恒电流电压测试方法，得到训练样本的电池容量值以及电池内阻值；

S2：使训练样本电池的内阻、容量和充放电循环曲线所作为输入，计算锂电池剩余使用寿命，产生足够数量的锂电池使用寿命标签；

S3：收集锂电池X射线扫描图像，将生成的图像和使用寿命标签配对形成训练数据集；

S4：收集电芯图像和标识是否含有电极的训练样本；

S5：建立基于卷积神经网络的电芯电极定位模型

S6：建立基于卷积神经网络的梯次电池剩余使用寿命模型。

S7：使用所建立的卷积神经网络通过X射线扫描图像对锂电池进行快速电极定位和剩余使用寿命预测。

优选的，基于卷积神经网络的锂电池梯次利用剩余寿命预测方法包括，拆卸环节，所述拆卸环节输出端的一侧设置有所述扫描模块，所述扫描模块输出端设置有定位模块。

优选的，所述定位模块的输出端设置有RUL预测模块，所述RUL预测模块的一侧设置有梯次利用环节，所述RUL预测模块的一侧设置有回收利用环节。

优选的，所述扫描模块还包括扫描台，所述扫描台的表面设置有输送装置，所述输送装置的表面从左至右依次设置有多个分隔板，所述扫描台的表面固定安装有安装架，多个所述分隔板内部的两侧均设置有定位组件，所述定位组件包括滑槽，所述滑槽的内部滑动有滑块。

优选的，所述滑块的一侧固定连接有定位块。

优选的，所述滑槽的内部且位于所述滑块的一侧设置有弹簧，所述弹簧的两端分别与所述滑块的一侧和所述滑块内壁的一侧固定连接。

优选的，所述安装架表面一侧的顶部设置有限位组件，所述限位组件包括转动座，所述转动座的一侧设置有限位板。

优选的，所述转动座表面的两侧均设置有卷簧。

优选的，所述安装架的内部设置有扫描装置，所述扫描装置包括伸缩架，所述伸缩架的一侧设置有液压推动杆。

优选的，所述液压推动杆的一端且位于所述伸缩架的下方设置有扫描仪

与相关技术相比较，本发明提供的基于卷积神经网络的锂电池梯次利用剩余寿命预测方法具有如下有益效果：

本发明提供基于卷积神经网络的锂电池梯次利用剩余寿命预测方法，利用梯次电池的扫描模块扫描出的图像与剩余使用寿命的非线性关系，建立卷积神经网络模型，能够快速的估算梯次利用锂电池的剩余使用寿命，淘汰低利用价值的锂电池，在锂电池预检测环节减少传统测试方法所需的时间、能源和设备损耗，与回收再利用产业现有技术相比，该本发明可以提升梯次利用锂电池剩余使用寿命预测计算效率高达87％，降低76％的能源消耗，节约94％的劳动力成本，使得这个过程高度自动化，有效提高经济性和梯次利用电池生产效率。

附图说明

图1为本发明提供的基于卷积神经网络的锂电池梯次利用剩余寿命预测方法的第一实施例的结构示意图；

图2为图1所示的第一操作流程示意图；

图3为图1所示的第一操作流程示意图；

图4为图1所示的电芯电极定位卷积神经网络结构示意图；

图5为图1所示的剩余使用寿命预测卷积神经网络结构示意图；

图6为本发明提供的基于卷积神经网络的锂电池梯次利用剩余寿命预测方法的第二实施例的结构示意图；

图7为图6所示的定位组件的结构示意图；

图8为图6所示的装置整体的俯视示意图；

图9为图6所示的扫描装置的结构示意图。

图中标号：

1、扫描台，2、输送装置，3、分隔板，

4、定位组件，41、滑块，42、滑块，43、定位块，44、弹簧，

5、安装架，

6、限位组件，61、转动座，62、限位板，63、卷簧，

7、扫描装置，71、伸缩架，72、液压推动杆，73、扫描仪。

具体实施方式

下面结合附图和实施方式对本发明作进一步说明。

第一实施例

请结合参阅图1、图2、图3、图4和图5，其中，图1为本发明提供的基于卷积神经网络的锂电池梯次利用剩余寿命预测方法的第一实施例的结构示意图；图2为图1所示的第一操作流程示意图；图3为图1所示的第一操作流程示意图；图4为图1所示的电芯电极定位卷积神经网络结构示意图；图5为图1所示的剩余使用寿命预测卷积神经网络结构示意图；基于卷积神经网络的锂电池梯次利用剩余寿命预测方法，包括以下步骤：

S1：利用恒电流电压测试方法，得到训练样本的电池容量值以及电池内阻值；

S2：使训练样本电池的内阻、容量和充放电循环曲线所作为输入，计算锂电池剩余使用寿命，产生足够数量的锂电池使用寿命标签；

S3：收集锂电池X射线扫描图像，将生成的图像和使用寿命标签配对形成训练数据集；

S4：收集电芯图像和标识是否含有电极的训练样本；

S5：建立基于卷积神经网络的电芯电极定位模型

S6：建立基于卷积神经网络的梯次电池剩余使用寿命模型。

S7：使用所建立的卷积神经网络通过X射线扫描图像对锂电池进行快速电极定位和剩余使用寿命预测。

基于卷积神经网络的锂电池梯次利用剩余寿命预测方法包括拆卸模块，所述拆卸模块输出端的一侧设置有所述扫描模块，所述扫描模块输出端设置有定位模块。

所述定位模块的输出端设置有RUL预测模块，所述RUL预测模块的一侧设置有梯次利用模块，所述RUL预测模块的一侧设置有回收模块。

在线生产过程中，根据电池型号类别的扫码结果，自主选择与其相对应的卷积神经网络模型，并进行计算，快速实时预测梯次利用锂电池的剩余使用寿命。

上述方案提供的基于卷积神经网络的梯次电池剩余使用寿命的方法，利用梯次电池的X射线扫描图像与剩余使用寿命的非线性关系，建立卷积神经网络模型，能够快速的估算梯次利用锂电池的剩余使用寿命，淘汰低利用价值的锂电池，在锂电池预检测环节减少传统测试方法所需的时间、能源和设备损耗，有效提高经济性和梯次利用电池生产效率。

请结合图3参阅，本系统首先将回收来的废旧锂电池进行拆解，将电池包去除上盖、内部铜牌绝缘盖、拆除线束、电池管理系统(BMS)、电子元器件等，将其拆解成电池模组，然后电池模组拆除上盖、按类别分批通过锂电池专用X 射线扫描仪，扫描仪捕获的X射线扫描图像将被送入基于卷积神经网络的电芯定位系统，该系统负责确定X射线扫描图像上电芯的区域。然后将电芯区域的子图像传入梯次利用锂电池剩余使用寿命预测模型，该模型由大量同类型锂电池历史数据所训练，能够高效地甄别当前批次锂电池中哪些适合梯次利用，哪些适合回收利用。上图针对的是梯次利用锂电池生产环节，如果是废旧锂电池货源采购快速筛查，可以省去电池包拆解和电池模组拆解这两个步骤。

电芯电极定位

使用图像识别的方式估计电池电芯剩余使用寿命，首先需要通过机器学习的方法定位电芯电极的位置，然后将电芯电极的区域图像传到下一级深度学习网络进行剩余使用寿命预测。

请结合参阅图4初始输入是256×256RGB彩色X射线影像，第一层隐含层是3×3步长为2含有32个通道的卷积层，第二层隐含层是2×2步长为 1含有32个通道的最大池化层，第三层隐含层是3×3步长为2含有64个通道的卷积层，第四层隐含层是2×2步长为1含有64个通道的最大池化层，第五层隐含层是3×3步长为2含有64个通道的卷积层，第六层隐含层是2×2 步长为1含有64个通道的最大池化层，线性整流单元(ReLU)作为卷积层的激活函数，拥有(3×3)内核尺寸并采用常量填充。模型最后接上3个全连接层，分别拥有256、128和64个神经元，最终输出的激活函数是sigmoid。在训练阶段，从电极显微照片中提取相同大小的图像块，用正确的标签进行注释并用于训练CNN模型。在测试阶段，一个滑动窗口与经过训练的模型一起使用，以扫描电极的显微照片。我们可以通过设置一个记录电极定位时间的阈值来控制模型的灵敏度。由于包含电极的同一区域可能被多次检测到，我们利用非最大抑制(NMS)来忽略冗余、重叠的边界框。

模型的训练使用小批量梯度下降法进行训练，使用Adam优化器以优化二元交叉熵作为损失函数(1)：

对每个样本，y是二进制标签0(不包含电极)或1(包含电极)，p是预测概率，L是该样本集的平均损失，m是该样本集样本数量。

评价指标

使用两个标准指标评估本专利所提出方法针对真实标签的预测性能：1) F1-score，2)接受者操作特征曲线下的面积(AUC)。精度Precision(2)是真阳性 TP的数量除以真阳性和假阳性FP的总和的比率。它基本上描述了模型预测正类的效果。召回率Recall(3)也称为灵敏度，是真阳性数除以真阳性和假阴性总和的比率。F1-score是准确率和召回率的调和平均值(3)。因此，与不均匀类分布的准确性相比，它是一个更有用的指标，因为它同时考虑了误报和漏报。接收器操作特征(ROC)曲线是假阳性率(x轴)和真阳性率(y轴)在0到1之间的各种阈值的图。AUC是一个有用的指标，因为不同模型的曲线可以直接比较不同的阈值，曲线下的面积也可以作为模型预测性能的总结。

我们采用移动边界框Moving bounding box来定位电极，对于每个检测到的框，TP和FP由基准真相和检测到的边界框之间的重叠程度决定。如果重叠值α₀超过定义的阈值，则将检测到的框视为TP。

-∪-_$是指检测到的边界框和基准真相的并集，而-∩-_$表示它们的交集。

电极定位采用平均精度(AP)作为评价标准，定义如下：

其中

是召回率r处的测量精度。平均精度平均值(mAP)用于比较模型对所有类别的稳健性，其定义如(7)所示：

其中N是所有类的数量，AP_i是类别i的平均精度。

整个模型的训练流程是从相对较少的隐含层和神经元开始，然后逐渐增加层数和神经元数量，直到验证损失开始显著下降。理想模型在优化和泛化之间需取得了较好的平衡；换言之，模型既不会欠拟合也不会过拟合训练数据。为了找到正确的平衡，我们首先设计一个相对简单的模型，该模型对训练数据欠拟合，然后通过增加卷积层中的过滤器数量和层数来扩大规模和模型复杂度，然后根据训练损失函数，对模型进行调整和优化，甚至加入一些正则化以消除过拟合问题。我们发现用ReLU作为激活函数的激活效果更好，并且在每个全连接层上使用批量归一化以改进性能，训练批量为64个样本，学习率为0.002。

剩余寿命预测

在深度神经网络准确定位电极之后，就可以通过锂电池电极X射线扫描图像和深度卷积神经网络来预测锂电池剩余寿命。深度卷积神经网络可以从X 射线扫描图像中学习到各种重要的特征，包括但不限于阴极活性材料的晶格数、活性阳极和阴极材料的晶体学行为所揭示的倍率特性等等。在本发明中，我们使用尼康CT扫描仪用于捕获梯次利用锂电池的X射线图像。选择钨作为靶材，通过铜滤光片产生高强度X射线，减少低强度X射线的数量，从而减少低估材料厚度的影响，以提高通过检查强度差异来区分特征的能力。将电芯固定在在中心，X射线源在一侧，探测器在另一侧。在工业分拣线上，可以通过使用X射线线扫描仪和传送带(用于X射线行李检查的类似系统)类似地生成X射线图像。影响此类系统生产成本的主要参数之一是产生最大管电压和电流所需的功率，因为增加电流会导致真空管中加热灯丝释放出大量电子，从而导致产生更多的X射线。增加电压会放大电子的加速度，从而导致光子更多地渗透到样品中。因此，该系统的成本将显着增加，不仅是XRT成像设备，还因为必须实施更严格的安全措施，这可能占XRT机器生产成本的一半。对于外壳大多由塑料或薄金属外壳组成的小型家用电器，相对低强度的X射线束可以穿透它们。因此，已经可以在60kV和40μA生成的图像上直观地检测到电池，这可以通过用于工业检测的常规X射线设备来实现。然而，许多电池类型对比阳极-阴极层和其他密集结构特征需要更大穿透力的X射线才能在视觉上显著区分，导致视觉识别电池类产品需要更高的电压120kV和电流100μA。我们不推荐比这个更高的电压和电流，因为对于材料密度较低的锂电池，如软包锂电池会响应饱和，其X射线图像的区分度将变得不太明显。

产生训练数据

一个高质量的深度神经网络模型20％依赖于模型的设计，80％依赖于训练数据。获得高质量的训练数据，对提升模型的性能是至关重要的。我们首先定义若干个重要概念和公式。

锂电池剩余电量SoC-State of Charge由(8)所定义，其中锂电池可释能容量 C_rlb是指电池完全放电时的释放电量。因此，SoC定义为锂电池可释放电量相对于电池额定容量C₀的百分比。

满充的锂电池具有最大可释放容量C_max，由于电池老化等诸多原因，该容量通常与额定容量不同。一般来说，新电池的C_max与C₀有一定的差异，会随着使用时间的增加而下降。它可以被用于评估电池的健康度SoH-State of Health。

电池放电时，放电深度DoD-Depth of Discharge可以表示为已放电容量C_rsd相对于C₀的百分比。

其中C_rsd是任何电流量放电的容量。对测量所得的充放电电流I_b在工作周期δ内进行积分，可以计算出对应DoD的变化。其中I_b充电时为正，放电时为负。

DoD(t)＝DoD(t_0)+ηADoD (12)

为了提高估计的准确性，用η表示充放电的效率。最终考虑到SoH，SoC 可由(13)来计算。

SoC(t)＝SoH-DoD(t) (13)

假设t是当前的时间，t_c是锂电池寿命结束时(SoH＜70％)的时间。通过预测生命周期终止时间t_c，我们可以得到锂电池剩余使用寿命Remaining Useful Life-RUL如下：

RUL(t)＝t_c-t (14)

我们采用如下步骤，对锂电池进行充放电实验，以获得训练数据。

1)第一步是充电。锂电池将通过电流为额定充电电流(例如，1.5A)的恒定电流充电，直至其电压等于额定电压(例如，4.2V)。然后，锂电池将保持在额定电压的恒定电压水平上持续充电，直到充电电流逐渐降至20mA。

2)第二步是放电，将锂电池以额定放电电流(例如，2A)的恒电流放电，直到S_oC降低到5％以下。

实验需要不断重复上述的步骤1)和2)的充放电循环，以加速锂电池老化过程。实验将在锂电池寿命结束时结束，即其容量下降到初始的70％。根据这些锂电池的数据，我们通过观察它如何变化到某个指定值来获取被测电压或电流。例如，我们在每个完整的充电过程中取最大测量电压的值，同时在达到最大电压时获取X射线扫描图像。以这种方式，可以获得一系列X射线扫描图像和锂电池健康度SoH和剩余使用寿命RUL的带标识的数据。

卷积神经网络模型

本发明设计了一个9层深度神经网络来预测锂电池剩余使用寿命。图5显示了锂电池剩余使用寿命预测的卷积神经网络模型。初始输入是256×256 RGB彩色X射线影像，经过电极定位环节，此图像已经包含电极部分。第一层隐含层是4×4步长为2含有3个通道的最大池化层，第二层隐含层是4×4 步长为2含有3个通道的卷积层，第三层隐含层是4×4步长为2含有16个通道的最大池化层，第四层隐含层是4×4步长为2含有32个通道的卷积层，第五层隐含层是4×4步长为2含有64个通道的最大池化层，第六层隐含层是3 ×3步长为2含有64个通道的卷积层，线性整流单元(ReLU)作为卷积层的激活函数，拥有(4×4)内核尺寸并采用常量填充。模型最后接上2个全连接层，分别拥有256和128个神经元，最终输出的激活函数是线性整流单元(ReLU)。模型的训练使用小批量梯度下降法进行训练，使用Adam优化器以优化均方差作为损失函数(15)：

对每个样本，yi是对应样本i卷积神经网络所预测的剩余使用寿命，

是对应样本i卷积基准真相剩余使用寿命，m是该样本集样本数量。

学习率Learning Rate是卷积神经网络中一个重要的超参数。如何调整学习率是训练一个好的卷积神经网络模型的关键要素之一。当学习率过大时，学习过程变得不稳定，学习率过小导致训练时间过长。通过合理设置学习率，可以在稳定训练的同时，合理提高训练速度，减少训练时间。

当样本数量较多时，对整个样本进行梯度下降处理的计算速度较慢，效率低下。通常采用将样本划分为mini-batch的方法来提高速度。设x为卷积神经网络在小批次处理中的输入，w为网络参数，l为学习率，则模型输出可以通过(16)来表示。

y＝g(x，w) (16)

使用损失函数可以通过将输出y与其标签进行比较来计算模型损失。其中模型梯度可通过反向传播Back propagation求偏导

计算得到。模型权重w可由(16)迭代更新。

其中t是当前迭代次数。

如图6所示，为本申请实施例提供的电子设备的结构示意图。该电子设备 60包括：至少一个处理器61和存储器62；

存储器存储计算机执行指令；至少一个处理器执行存储器存储的计算机执行指令，使得至少一个处理器执行如上任一实施例提供的方法。

本发明提供的基于卷积神经网络的锂电池梯次利用剩余寿命预测方法的工作原理如下：

使用时，当进行锂电池的检测时，操作者首先通过拆卸模块将锂电池的进行拆卸，当锂电池拆卸结束后，通过扫描模块对拆卸后的锂电池进行扫描，当扫描模块对锂电池进行扫描时，将通过扫描模块配合定位模块对锂电池内部的电芯进行查看，当扫描出锂电池内部的电芯后通过RUL预测模块对扫描后的信息输送至计算机的内部，当扫描信息结束后根据计算机内部的对比数据进行对比操作，当锂电池在接触合格通过梯次利用模块进行模型的建立，并进行回收利用。

与相关技术相比较，本发明提供的基于卷积神经网络的锂电池梯次利用剩余寿命预测方法具有如下有益效果：

本发明提供基于卷积神经网络的锂电池梯次利用剩余寿命预测方法，利用梯次电池的扫描模块扫描出的图像与剩余使用寿命的非线性关系，建立卷积神经网络模型，能够快速的估算梯次利用锂电池的剩余使用寿命，淘汰低利用价值的锂电池，在锂电池预检测环节减少传统测试方法所需的时间、能源和设备损耗，与回收再利用产业现有技术相比，该本发明可以提升梯次利用锂电池剩余使用寿命预测计算效率高达87％，降低76％的能源消耗，节约94％的劳动力成本，使得这个过程高度自动化，有效提高经济性和梯次利用电池生产效率。

第二实施例

请结合参阅图6、图7、图8和图9，基于本申请的第一实施例提供的基于卷积神经网络的锂电池梯次利用剩余寿命预测方法，本申请的第二实施例提出另基于卷积神经网络的锂电池梯次利用剩余寿命预测方法。第二实施例仅仅是第一实施例优选的方式，第二实施例的实施对第一实施例的单独实施不会造成影响。

具体的，本申请的第二实施例提供的基于卷积神经网络的锂电池梯次利用剩余寿命预测方法的不同之处在于，基于卷积神经网络的锂电池梯次利用剩余寿命预测方法，所述扫描模块还包括扫描台1，所述扫描台1的表面设置有输送装置2，所述输送装置2的表面从左至右依次设置有多个分隔板3，所述扫描台1的表面固定安装有安装架5，多个所述分隔板3内部的两侧均设置有定位组件4，所述定位组件4包括滑槽41，所述滑槽41的内部滑动有滑块42。

安装架5固定安装在扫描台1中间位置。

所述滑块42的一侧固定连接有定位块43。

所述滑槽41的内部且位于所述滑块42的一侧设置有弹簧44，所述弹簧 44的两端分别与所述滑块42的一侧和所述滑块42内壁的一侧固定连接。

在输送装置2表面设置分隔板3配合两侧的滑槽41、滑块42和定位块43 使用能适应各种大小的锂电池进行固定，能防止锂电池在放置时出现偏移的情况，在滑槽41的内部设置弹簧44配合滑块42进行使用能增加定位块43的挤压力度。

所述安装架5表面一侧的顶部设置有限位组件6，所述限位组件6包括转动座61，所述转动座61的一侧设置有限位板62。

所述转动座61表面的两侧均设置有卷簧63。

使用卷簧63能带动限位板62不工作时恢复原位，转动座61包括凹形座，在凹形座的内部设置有转动杆，在转动杆的两端均通过转动轴与凹形座内壁的顶部和底部转动连接，两个卷簧63套设在转动杆的两端，卷簧63的两端分别与转动杆的一侧和凹形座内壁的一侧固定连接。

所述安装架5的内部设置有扫描装置7，所述扫描装置7包括伸缩架71，所述伸缩架71的一侧设置有液压推动杆72。

所述液压推动杆72的一端且位于所述伸缩架71的下方设置有扫描仪73。

伸缩架71固定安装在安装架5内壁的底部，在伸缩架71的内部开设有滑动槽，在滑动槽的内部设置有滑动块，扫描仪73设置在滑动块的底部，液压推动杆72的一端贯穿伸缩架71的表面且延伸至滑动槽的内部并与滑动块固定连接，使用液压推动杆72能带动扫描仪73进行位置的调节。

本发明提供的基于卷积神经网络的锂电池梯次利用剩余寿命预测方法的工作原理如下：

在进行锂电池进行检测时，操作者首先将锂电池放置在输送装置2表面的两个定位块43之间，当锂电池放置在定位块43之间时推动两个滑块82在两个滑槽81的内部进行移动，当滑块82在滑槽81的内部移动时对滑槽81内部的弹簧84进行挤压，使弹簧84处于压缩状态，当放置好锂电池后启动输送装置2带动锂电池输送至安装架5的下方，当锂电池输送至安装架5的下方后启动液压推动杆72推动扫描仪73移动至锂电池的上方，当扫描仪73移动至锂电池的上方后在通过伸缩架71带动扫描仪73向锂电池的一侧进行移动，当扫描仪73移动至合适位置后边即可进行锂电池内部的电芯进行扫描。

当锂电池扫描结束后继续通过输送装置2带动锂电池进行移动，当输送装置2带动锂电池进行移动时推动限位板62向扫描台1的两侧进行移动，当限位板62向扫描台1的两侧移动时通过转动座61带动卷簧63进行压缩，使卷簧63处于压缩状态，当限位板62移动至两侧后即可继续进行锂电池的检测。

与相关技术相比较，本发明提供的基于卷积神经网络的锂电池梯次利用剩余寿命预测方法具有如下有益效果：

本发明提供基于卷积神经网络的锂电池梯次利用剩余寿命预测方法，在输送装置2表面设置分隔板3配合两侧的滑槽41、滑块42和定位块43使用能适应各种大小的锂电池进行固定，能防止锂电池在放置时出现偏移的情况，在滑槽41的内部设置弹簧44配合滑块42进行使用能增加定位块43的挤压力度，在安装架5的表面设置转动座61配合限位板62进行使用能对锂电池进行阻挡，可以增加扫描仪73扫描的时间，在转动座61的表面设置卷簧63可以带动限位板62在工作结束后能恢复原位，使用伸缩架71配合液压推动杆72和扫描仪73能适应各种位置的扫描操作。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.基于卷积神经网络的锂电池梯次利用剩余寿命预测方法，其特征在于，包括以下步骤：

S1：利用恒电流电压测试方法，得到训练样本的电池容量值以及电池内阻值；

S2：使训练样本电池的内阻、容量和充放电循环曲线所作为输入，计算锂电池剩余使用寿命，产生足够数量的锂电池使用寿命标签；

S3：收集锂电池X射线扫描图像，将生成的图像和使用寿命标签配对形成训练数据集；

S4：收集电芯图像和标识是否含有电极的训练样本；

S5：建立基于卷积神经网络的电芯电极定位模型；

S6：建立基于卷积神经网络的梯次电池剩余使用寿命模型；

S7：使用所建立的卷积神经网络通过X射线扫描图像对锂电池进行快速电极定位和剩余使用寿命预测。

2.根据权利要求1所述的基于卷积神经网络的锂电池梯次利用剩余寿命预测方法，其特征在于，基于卷积神经网络的锂电池梯次利用剩余寿命预测方法包括拆卸模块，所述拆卸模块输出端的一侧设置有所述扫描模块，所述扫描模块输出端设置有定位模块。

3.根据权利要求2所述的基于卷积神经网络的锂电池梯次利用剩余寿命预测方法，其特征在于，所述定位模块的输出端设置有剩余使用寿命(RUL)预测模块，所述RUL预测模块的一侧设置有梯次利用模块，所述RUL预测模块的一侧设置有回收模块。

4.根据权利要求2所述的基于卷积神经网络的锂电池梯次利用剩余寿命预测方法，其特征在于，所述扫描模块还包括扫描台，所述扫描台的表面设置有输送装置，所述输送装置的表面从左至右依次设置有多个分隔板，所述扫描台的表面固定安装有安装架，多个所述分隔板内部的两侧均设置有定位组件，所述定位组件包括滑槽，所述滑槽的内部滑动有滑块。

5.根据权利要求4所述的基于卷积神经网络的锂电池梯次利用剩余寿命预测方法，其特征在于，所述滑块的一侧固定连接有定位块。

6.根据权利要求3所述的基于卷积神经网络的锂电池梯次利用剩余寿命预测方法，其特征在于，所述滑槽的内部且位于所述滑块的一侧设置有弹簧，所述弹簧的两端分别与所述滑块的一侧和所述滑块内壁的一侧固定连接。

7.根据权利要求6所述的基于卷积神经网络的锂电池梯次利用剩余寿命预测方法，其特征在于，所述安装架表面一侧的顶部设置有限位组件，所述限位组件包括转动座，所述转动座的一侧设置有限位板。

8.根据权利要求7所述的基于卷积神经网络的锂电池梯次利用剩余寿命预测方法，其特征在于，所述转动座表面的两侧均设置有卷簧。

9.根据权利要求7所述的基于卷积神经网络的锂电池梯次利用剩余寿命预测方法，其特征在于，所述安装架的内部设置有扫描装置，所述扫描装置包括伸缩架，所述伸缩架的一侧设置有液压推动杆。

10.根据权利要求9所述的基于卷积神经网络的锂电池梯次利用剩余寿命预测方法，其特征在于，所述液压推动杆的一端且位于所述伸缩架的下方设置有扫描仪。

Images