CN113671408A - 锂电池的漏电流检测方法及检测装置 - Google Patents
锂电池的漏电流检测方法及检测装置 Download PDFInfo
- Publication number
- CN113671408A CN113671408A CN202110910239.2A CN202110910239A CN113671408A CN 113671408 A CN113671408 A CN 113671408A CN 202110910239 A CN202110910239 A CN 202110910239A CN 113671408 A CN113671408 A CN 113671408A
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- leakage current
- current detection
- magnetic
- magnetic field
- 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
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 203
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 203
- 238000001514 detection method Methods 0.000 title claims abstract description 120
- 238000005259 measurement Methods 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 30
- 230000007547 defect Effects 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 abstract description 24
- 238000005516 engineering process Methods 0.000 abstract description 11
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 9
- 238000006073 displacement reaction Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
Images
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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/52—Testing for short-circuits, leakage current or ground faults
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
- G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
-
- 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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Secondary Cells (AREA)
Abstract
本申请公开了一种锂电池的漏电流检测方法及检测装置,其中,方法包括:采集待测锂电池的磁信号;将磁信号输入至预先训练的当前锂电池漏电流检测模型,得到待测锂电池的磁场测量数据;根据磁场测量数据预测待测锂电池的漏电状态与漏电流检测结果。基于深度学习的锂电池漏电流检测模型对高通量磁缺陷数据进行分析,可以提高漏电流检测的准确性和可靠性,由此,解决了相关技术中对于锂电池漏电流测试的测试数据的分析与处理主要靠人力分析,导致分析的可靠性得不到有效保证,进而用于分析的理论模型时,降低了分析的准确性,无法有效满足使用需求,降低使用体验等问题。
Description
技术领域
本申请涉及锂电池技术领域,特别涉及一种锂电池的漏电流检测方法及检测装置。
背景技术
目前,深度学习技术可以在理论模型不完全明确的情况下,通过已有数据的训练来积累经验,实现对特定任务的处理性能优化。因此,随着深度学习技术在图像处理领域取得重大突破,技术的可行性、可靠性显著提升,使得深度学习技术已逐渐进入实际应用阶段。
相关技术中,在基于磁成像技术的锂电池漏电流测试时,测试数据的分析与处理是核心工作,但是对于测试数据的分析与处理主要靠人力分析,导致分析的可靠性得不到有效保证,进而用于分析的理论模型时,降低了分析的准确性,无法有效满足使用需求,降低使用体验。
申请内容
本申请提供一种锂电池的漏电流检测方法及检测装置,以解决相关技术中对于锂电池漏电流测试的测试数据的分析与处理主要靠人力分析,导致分析的可靠性得不到有效保证,进而用于分析的理论模型时,降低了分析的准确性,无法有效满足使用需求,降低使用体验等技术问题。
本申请第一方面实施例提供一种锂电池的漏电流检测方法,包括以下步骤:采集待测锂电池的磁信号;将所述磁信号输入至预先训练的当前锂电池漏电流检测模型,得到所述待测锂电池的磁场测量数据;根据所述磁场测量数据预测所述待测锂电池的漏电状态与漏电流检测结果。
可选地,在本申请的一个实施例中,还包括:根据所述漏电状态与所述漏电流检测结果分析磁缺陷数据;根据所述磁缺陷数据定位所述待测锂电池的漏电位置,和/或根据所述磁缺陷数据生成所述待测锂电池的漏电电流成因。
可选地,在本申请的一个实施例中,还包括:根据所述待测锂电池的磁场测量数据及漏电状态对锂电池漏电流检测模型进行学习,得到学习后的当前锂电池漏电流检测模型。
可选地,在本申请的一个实施例中,在将所述磁信号输入至所述预先训练的锂电池漏电流检测模型之前,还包括:采集多个锂电池的磁信号;根据每个锂电池的磁信号与对应的磁场测量数据及漏电状态生成训练集;利用所述训练集训练初始锂电池漏电流检测模型,生成所述锂电池漏电流检测模型。
可选地,在本申请的一个实施例中,所述采集待测锂电池的磁信号,包括:扫描所述待测锂电池在当前所处区域的产生的磁场;根据所述当前所处区域的每个待测区域的磁场数据生成所述磁信号。
本申请第二方面实施例提供一种锂电池的漏电流检测装置,包括:采集模块,用于采集待测锂电池的磁信号;处理模块,用于将所述磁信号输入至预先训练的当前锂电池漏电流检测模型,得到所述待测锂电池的磁场测量数据;检测模块,用于根据所述磁场测量数据预测所述待测锂电池的漏电状态与漏电流检测结果。
可选地,在本申请的一个实施例中,还包括:分析模块;所述分析模块用于根据所述漏电状态与所述漏电流检测结果分析磁缺陷数据;根据所述磁缺陷数据定位所述待测锂电池的漏电位置,和/或根据所述磁缺陷数据生成所述待测锂电池的漏电电流成因。
可选地,在本申请的一个实施例中,还包括:学习模块;所述学习模块用于根据所述待测锂电池的磁场测量数据及漏电状态对锂电池漏电流检测模型进行学习,得到学习后的当前锂电池漏电流检测模型。
本申请第三方面实施例提供一种电子设备,包括:处理器和存储器;其中,所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序,以实现如上述实施例所述的锂电池的漏电流检测方法。
本申请第四方面实施例提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行,以用于实现行如上述实施例所述的锂电池的漏电流检测方法。
将采集的待测锂电池的磁信号输入至预先训练的当前锂电池漏电流检测模型,通过模型对磁信号进行数据处理得到待测锂电池的磁场测量数据,提升数据处理的效率和处理结果的可靠性,根据磁场测量数据预测待测锂电池的漏电状态与漏电流检测结果,实现了锂电池漏电流磁场测量数据的高通量分析。由此,解决了相关技术中对于锂电池漏电流测试的测试数据的分析与处理主要靠人力分析,导致分析的可靠性得不到有效保证,进而用于分析的理论模型时,降低了分析的准确性,无法有效满足使用需求,降低使用体验等技术问题。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本申请实施例提供的一种锂电池的漏电流检测方法的流程图;
图2为根据本申请实施例提供的一种磁信号采集过程示意图;
图3为根据本申请实施例的锂电池的漏电流检测方法装置的示例图;
图4为申请实施例提供的电子设备的结构示意图。
附图标记说明:
100-采集模块、200-处理模块、300-检测模块、401-存储器、402-处理器和403-通信接口。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的锂电池的漏电流检测方法及装置。针对上述背景技术中心提到的对于锂电池漏电流测试的测试数据的分析与处理主要靠人力分析,导致分析的可靠性得不到有效保证,进而用于分析的理论模型时,降低了分析的准确性,无法有效满足使用需求,降低使用体验的问题,本申请提供了一种锂电池的漏电流检测方法,在该方法中,将采集的待测锂电池的磁信号输入至预先训练的当前锂电池漏电流检测模型,通过模型对磁信号进行数据处理得到待测锂电池的磁场测量数据,提升数据处理的效率和处理结果的可靠性,根据磁场测量数据预测待测锂电池的漏电状态与漏电流检测结果,实现了锂电池漏电流磁场测量数据的高通量分析。由此,解决了相关技术中对于锂电池漏电流测试的测试数据的分析与处理主要靠人力分析,导致分析的可靠性得不到有效保证,进而用于分析的理论模型时,降低了分析的准确性,无法有效满足使用需求,降低使用体验等问题。
具体而言,图1为根据本申请实施例提供的一种锂电池的漏电流检测方法的流程图。
如图1所示,该锂电池的漏电流检测方法包括以下步骤:
在步骤S101中,采集待测锂电池的磁信号。
可以理解的是,锂电池周围存在磁场,本申请实施例通过采集该磁场的磁信号并对其进行分析,以对锂电池进行漏电流检测。因此,本申请实施例可以通过能够感应磁场的信号采集设备对磁信号进行采集,如磁传感器,对此,采集的方式不进行具体限定,可以由本领域技术人员根据实际情况进行设置。
可选地,在本申请的一个实施例中,采集待测锂电池的磁信号,包括:扫描待测锂电池在当前所处区域的产生的磁场;根据当前所处区域的每个待测区域的磁场数据生成磁信号。
作为一种可能实现的方式,以磁传感器为例进行说明。本申请实施例可以在锂电池的磁场中设置多个磁传感器,其中,每个传感器可以测量多个位置上的磁场,或测量一定时间段(由本领域技术人员进行设置)内的磁场,多个磁传感器可以有分布规律或无分布规律的设置在锂电池的磁场中,如组成至少一个圆环,通过多个磁传感器测量锂电池磁场中每个待测区域的磁场数据。
在本申请的实施例中,还可以通过移动磁传感器的位置实现锂电池磁场中每个待测区域的磁场数据采集。例如,在锂电池磁场中设置至少一个磁传感器,将磁传感器放置在受控多轴位移台上,开始测试后打开磁传感器和受控多轴位移台,移动受控多轴位移台,开始扫描锂电池产生的磁场,循环移动受控多轴位移台并测量磁场强度,直到扫描完所有待测区域,其原理与上述的多个磁传感器的设置原理类似。
举例而言,如图2所示,本申请实施例的采集磁信号包括以下步骤:
S201,开始测试。
S202,移动位移台。
S203,测量锂电池漏电流磁场中的磁场数据。
本申请实施例通过移动位移台的方式,可以采集多个待测区域的磁场数据,以提高检测的准确性。
S204,判断是否完成扫锂电池漏电流磁场中每个区域的扫描,若未完成扫描,则继续移动位移台,直至完成扫描;若完成扫描,则执行S205。
通过移动位移台可以对采集多个待测区域的磁场数据,多次移动后判断每个待测区域的磁场数据是否均被采集到,若全部待测区域均已采集到的磁场数据,则完成扫描,若存在未采集磁场数据的待测区域,则继续移动位移台进行扫描,直至全部待测区域均已采集到磁场数据。
S205,得到锂电池的磁信号,可以将磁信号用于后续分析。
S206,测试结束。
在步骤S102中,将磁信号输入至预先训练的当前锂电池漏电流检测模型,得到待测锂电池的磁场测量数据。
可选地,在本申请的一个实施例中,在将磁信号输入至预先训练的锂电池漏电流检测模型之前,还包括:采集多个锂电池的磁信号;根据每个锂电池的磁信号与对应的磁场测量数据及漏电状态生成训练集;利用训练集训练初始锂电池漏电流检测模型,生成锂电池漏电流检测模型。
在本申请的实施例中,通过对初始锂电池漏电流检测模型进行训练,得到当前锂电池漏电流检测模型,通过当前锂电池漏电流检测模型得到待测锂电池的磁场测量数据。其中,锂电池漏电流检测模型可以通过多种深度学习模型实现,如卷积神经网络、循环神经网络或深度神经网络等,可以通过对现有模型的结构及参数进行调整,得到本申请实施例的锂电池漏电流检测模型,对此,不进行具体限定。在训练时,可以通过最小化损失函数或训练轮次达到预设阈值作为训练终止条件,对此,不进行具体限定。通过训练好的锂电池漏电流检测模型对数据进行处理,处理速度快,可靠性高。
对初始锂电池漏电流检测模型训练时,采集多个锂电池的磁信号,根据每个锂电池的磁信号与对应的磁场测量数据及漏电状态生成训练集,将锂电池的磁信号作为输入,锂电池的磁场测量数据集漏电状态作为输出,通过训练集训练初始锂电池漏电流检测模型的参数,使得锂电池漏电流检测模型可以自动根据锂电池的磁信号,得到锂电池的磁信号对应的磁场测量数据及漏电状态。其中,训练锂电池漏电流检测模型中所需的磁信号可以通过上述记载的采集磁信号的方式进行采集,对此,不进行赘述。
在步骤S103中,根据磁场测量数据预测待测锂电池的漏电状态与漏电流检测结果。
在本申请的实施例中,通过对锂电池的磁场测量数据进行预测,得到锂电池的漏电状态和漏电流检测结果。进行预测的方式有多种,作为一种可能实现的方式,在锂电池存在漏电时,漏电的锂电池产生的磁场测量数据与合格的锂电池产生的磁场测量数据存在差异,如磁场强度不同,根据该差异得到待测锂电池的漏电状态与漏电流检测结果。本申请实施例可以将漏电状态划分为漏电或不漏电,不进行具体限定。
与传统的将锂电池静置多天,通过检查漏电量来确定锂电池漏电水平的方法相比,本申请实施例的方法对锂电池的漏电检测效率高,可以快速实现锂电池漏电流磁场测量数据的高通量分析。
可选地,在本申请的一个实施例中,锂电池的漏电流检测方法还包括:根据漏电状态与漏电流检测结果分析磁缺陷数据;根据磁缺陷数据定位待测锂电池的漏电位置,和/或根据磁缺陷数据生成待测锂电池的漏电电流成因。
在本申请的实施例中,漏电状态与漏电流检测结果可以反映出锂电池的漏电位置与漏电电流成因,通过对漏电状态与漏电流检测结果进行分析得到磁缺陷数据,进而根据磁缺陷数据确定锂电池的漏电位置和漏电电流成因。
作为一种可能实现的方式,若锂电池为漏电状态时,漏电位置产生的磁缺陷数据与未漏电位置产生的磁缺陷数据可能存在差异,如磁场强度不同,可以根据该差异判断出漏电位置;对于锂电池不同漏电原因产生的磁缺陷数据可能存在差异,如磁场强度的最大值或最小值所处的区间不同或磁场强度所处的区间不同,进而根据该差异可以确定锂电池的漏电电流成因。本申请实施例可以根据实际情况对如何定位待测锂电池的漏电位置及分析漏电电流成因进行适应调整,不进行具体限定。
可选地,在本申请的一个实施例中,锂电池的漏电流检测方法还包括:根据待测锂电池的磁场测量数据及漏电状态对锂电池漏电流检测模型进行学习,得到学习后的当前锂电池漏电流检测模型。
在本申请的实施例中,为了使得锂电池漏电流检测模型可以更加准确的得到锂电池的磁场测量数据,可以不断对锂电池漏电流检测模型进行学习和优化。作为一种可能实现的方式,在得到待测锂电池的磁场测量数据及漏电状态后,可以根据磁场测量数据及漏电状态的数据对锂电池漏电流检测模型进行学习,从而提高锂电池漏电流检测模型检测的准确性,使得数据处理更加可靠。
作为另一种可能实现的方式,本申请实施例还可以通过建立测试集,其中,测试集数据可以与训练集数据对应,通过测试集对锂电池漏电流检测模型进行测试,通过锂电池漏电流检测模型输出的磁场测量数据与实际的磁场测量数据进行对比,根据对比结果调整锂电池漏电流检测模型的结构或参数,进而提高锂电池漏电流检测模型检测的准确性,从而改善锂电池漏电流测量技术的实用性与可靠性。
根据本申请实施例提出的锂电池的漏电流检测方法,将采集的待测锂电池的磁信号输入至预先训练的当前锂电池漏电流检测模型,通过模型对磁信号进行数据处理得到待测锂电池的磁场测量数据,提升数据处理的效率和处理结果的可靠性,根据磁场测量数据预测待测锂电池的漏电状态与漏电流检测结果,实现了锂电池漏电流磁场测量数据的高通量分析。由此,解决了相关技术中对于锂电池漏电流测试的测试数据的分析与处理主要靠人力分析,导致分析的可靠性得不到有效保证,进而用于分析的理论模型时,降低了分析的准确性,无法有效满足使用需求,降低使用体验等技术问题。
其次参照附图描述根据本申请实施例提出的锂电池的漏电流检测装置。
图3为根据本申请实施例的锂电池的漏电流检测方法装置的示例图。
如图3所示,该锂电池的漏电流检测装置10包括:采集模块100、处理模块200和检测模块300。
其中,采集模块100,用于采集待测锂电池的磁信号。处理模块200,用于将磁信号输入至预先训练的当前锂电池漏电流检测模型,得到待测锂电池的磁场测量数据。检测模块300,用于根据磁场测量数据预测待测锂电池的漏电状态与漏电流检测结果。
可选地,在本申请的一个实施例中,锂电池的漏电流检测装置10还包括:分析模块;分析模块用于根据漏电状态与漏电流检测结果分析磁缺陷数据;根据磁缺陷数据定位待测锂电池的漏电位置,和/或根据磁缺陷数据生成待测锂电池的漏电电流成因。
可选地,在本申请的一个实施例中,锂电池的漏电流检测装置10还包括:学习模块;学习模块用于根据待测锂电池的磁场测量数据及漏电状态对锂电池漏电流检测模型进行学习,得到学习后的当前锂电池漏电流检测模型。
可选地,在本申请的一个实施例中,在将磁信号输入至预先训练的锂电池漏电流检测模型之前,还包括:采集多个锂电池的磁信号;根据每个锂电池的磁信号与对应的磁场测量数据及漏电状态生成训练集;利用训练集训练初始锂电池漏电流检测模型,生成锂电池漏电流检测模型。
可选地,在本申请的一个实施例中,采集模块100具体用于扫描待测锂电池在当前所处区域的产生的磁场;根据当前所处区域的每个待测区域的磁场数据生成磁信号。
需要说明的是,前述对锂电池的漏电流检测方法实施例的解释说明也适用于该实施例的锂电池的漏电流检测装置,此处不再赘述。
根据本申请实施例提出的锂电池的漏电流检测装置,将采集的待测锂电池的磁信号输入至预先训练的当前锂电池漏电流检测模型,通过模型对磁信号进行数据处理得到待测锂电池的磁场测量数据,提升数据处理的效率和处理结果的可靠性,根据磁场测量数据预测待测锂电池的漏电状态与漏电流检测结果,实现了锂电池漏电流磁场测量数据的高通量分析。由此,解决了相关技术中对于锂电池漏电流测试的测试数据的分析与处理主要靠人力分析,导致分析的可靠性得不到有效保证,进而用于分析的理论模型时,降低了分析的准确性,无法有效满足使用需求,降低使用体验等技术问题。
通过为了实现上述实施例,本申请还提出一种计电子设备,包括:处理器和存储器。其中,处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序,以用于实现如前述实施例的锂电池的漏电流检测方法。
图4为本申请实施例提供的电子设备的结构示意图。该电子设备可以包括该电子设备可以包括:存储器401、处理器402及存储在存储器401上并可在处理器402上运行的计算机程序。
处理器402执行程序时实现上述实施例中提供的锂电池的漏电流检测方法。
进一步地,计算机设备还包括:
通信接口403,用于存储器401和处理器402之间的通信。
存储器401,用于存放可在处理器402上运行的计算机程序。
存储器401可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
如果存储器401、处理器402和通信接口403独立实现,则通信接口403、存储器401和处理器402可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture,简称为ISA)总线、外部设备互连(PeripheralComponent,简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture,简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
可选的,在具体实现上,如果存储器401、处理器402及通信接口403,集成在一块芯片上实现,则存储器401、处理器402及通信接口403可以通过内部接口完成相互间的通信。
处理器402可能是一个中央处理器(Central Processing Unit,简称为CPU),或者是特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者是被配置成实施本申请实施例的一个或多个集成电路。
本实施例还提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如上的锂电池的漏电流检测方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“N个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
Claims (10)
1.一种锂电池的漏电流检测方法,其特征在于,包括以下步骤:
采集待测锂电池的磁信号;
将所述磁信号输入至预先训练的当前锂电池漏电流检测模型,得到所述待测锂电池的磁场测量数据;以及
根据所述磁场测量数据预测所述待测锂电池的漏电状态与漏电流检测结果。
2.根据权利要求1所述的方法,其特征在于,还包括:
根据所述漏电状态与所述漏电流检测结果分析磁缺陷数据;
根据所述磁缺陷数据定位所述待测锂电池的漏电位置,和/或根据所述磁缺陷数据生成所述待测锂电池的漏电电流成因。
3.根据权利要求1所述的方法,其特征在于,还包括:
根据所述待测锂电池的磁场测量数据及漏电状态对锂电池漏电流检测模型进行学习,得到学习后的当前锂电池漏电流检测模型。
4.根据权利要求3所述的方法,其特征在于,在将所述磁信号输入至所述预先训练的锂电池漏电流检测模型之前,还包括:
采集多个锂电池的磁信号;
根据每个锂电池的磁信号与对应的磁场测量数据及漏电状态生成训练集;
利用所述训练集训练初始锂电池漏电流检测模型,生成所述锂电池漏电流检测模型。
5.根据权利要求1所述的方法,其特征在于,所述采集待测锂电池的磁信号,包括:
扫描所述待测锂电池在当前所处区域的产生的磁场;
根据所述当前所处区域的每个待测区域的磁场数据生成所述磁信号。
6.一种锂电池的漏电流检测装置,其特征在于,包括:
采集模块,用于采集待测锂电池的磁信号;
处理模块,用于将所述磁信号输入至预先训练的当前锂电池漏电流检测模型,得到所述待测锂电池的磁场测量数据;以及
检测模块,用于根据所述磁场测量数据预测所述待测锂电池的漏电状态与漏电流检测结果。
7.根据权利要求6所述的装置,其特征在于,还包括:
分析模块,用于根据所述漏电状态与所述漏电流检测结果分析磁缺陷数据;根据所述磁缺陷数据定位所述待测锂电池的漏电位置,和/或根据所述磁缺陷数据生成所述待测锂电池的漏电电流成因。
8.根据权利要求6所述的装置,其特征在于,还包括:
学习模块,用于根据所述待测锂电池的磁场测量数据及漏电状态对锂电池漏电流检测模型进行学习,得到学习后的当前锂电池漏电流检测模型。
9.一种电子设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序,以实现如权利要求1-5任一项所述的锂电池的漏电流检测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行,以用于实现如权利要求1-5任一项所述的锂电池的漏电流检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110910239.2A CN113671408A (zh) | 2021-08-09 | 2021-08-09 | 锂电池的漏电流检测方法及检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110910239.2A CN113671408A (zh) | 2021-08-09 | 2021-08-09 | 锂电池的漏电流检测方法及检测装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113671408A true CN113671408A (zh) | 2021-11-19 |
Family
ID=78542094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110910239.2A Pending CN113671408A (zh) | 2021-08-09 | 2021-08-09 | 锂电池的漏电流检测方法及检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113671408A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114487914A (zh) * | 2022-04-13 | 2022-05-13 | 荣耀终端有限公司 | 一种电子设备及漏电流测试方法 |
CN115951221A (zh) * | 2022-01-04 | 2023-04-11 | 国仪量子(合肥)技术有限公司 | 电池包漏放电性能的检测方法和检测设备 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102004203A (zh) * | 2009-08-31 | 2011-04-06 | 西门子公司 | 一种漏电流检测装置 |
US20130057288A1 (en) * | 2011-09-06 | 2013-03-07 | Hitachi, Ltd. | Magnetic measurement system and method for measuring magnetic field |
CN104569703A (zh) * | 2013-10-11 | 2015-04-29 | 北京嘉岳同乐极电子有限公司 | 漏电检测定位装置 |
CN206832877U (zh) * | 2017-04-25 | 2018-01-02 | 中国石油天然气股份有限公司 | 检测漏电流的装置、变送器、传感器和自动控制系统 |
CN109946558A (zh) * | 2019-04-08 | 2019-06-28 | 国网山东省电力公司夏津县供电公司 | 一种基于磁场信号分析的漏电故障检测仪及其使用方法 |
CN110346627A (zh) * | 2018-04-04 | 2019-10-18 | 胜美达集团株式会社 | 微小电流检测装置 |
CN110837022A (zh) * | 2018-08-17 | 2020-02-25 | 谢碧青 | 一种电力系统中检测漏电程度的装置 |
CN210982684U (zh) * | 2019-11-05 | 2020-07-10 | 国仪量子(合肥)技术有限公司 | 一种电池扫描测试工装 |
CN211402669U (zh) * | 2019-09-17 | 2020-09-01 | 国网福建省电力有限公司漳州供电公司 | 一种低压配电网漏电流监测装置 |
WO2020195983A1 (ja) * | 2019-03-22 | 2020-10-01 | 日本電産リード株式会社 | 検査装置 |
CN112394292A (zh) * | 2020-11-16 | 2021-02-23 | 中国科学院上海硅酸盐研究所 | 电池故障动态检测系统 |
-
2021
- 2021-08-09 CN CN202110910239.2A patent/CN113671408A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102004203A (zh) * | 2009-08-31 | 2011-04-06 | 西门子公司 | 一种漏电流检测装置 |
US20130057288A1 (en) * | 2011-09-06 | 2013-03-07 | Hitachi, Ltd. | Magnetic measurement system and method for measuring magnetic field |
CN104569703A (zh) * | 2013-10-11 | 2015-04-29 | 北京嘉岳同乐极电子有限公司 | 漏电检测定位装置 |
CN206832877U (zh) * | 2017-04-25 | 2018-01-02 | 中国石油天然气股份有限公司 | 检测漏电流的装置、变送器、传感器和自动控制系统 |
CN110346627A (zh) * | 2018-04-04 | 2019-10-18 | 胜美达集团株式会社 | 微小电流检测装置 |
CN110837022A (zh) * | 2018-08-17 | 2020-02-25 | 谢碧青 | 一种电力系统中检测漏电程度的装置 |
WO2020195983A1 (ja) * | 2019-03-22 | 2020-10-01 | 日本電産リード株式会社 | 検査装置 |
CN109946558A (zh) * | 2019-04-08 | 2019-06-28 | 国网山东省电力公司夏津县供电公司 | 一种基于磁场信号分析的漏电故障检测仪及其使用方法 |
CN211402669U (zh) * | 2019-09-17 | 2020-09-01 | 国网福建省电力有限公司漳州供电公司 | 一种低压配电网漏电流监测装置 |
CN210982684U (zh) * | 2019-11-05 | 2020-07-10 | 国仪量子(合肥)技术有限公司 | 一种电池扫描测试工装 |
CN112394292A (zh) * | 2020-11-16 | 2021-02-23 | 中国科学院上海硅酸盐研究所 | 电池故障动态检测系统 |
Non-Patent Citations (2)
Title |
---|
程志鹏: "电流型漏电检测算法的设计与实现", 《万方学术会议数据库》 * |
程志鹏: "电流型漏电检测算法的设计与实现", 《万方学术会议数据库》, 11 November 2016 (2016-11-11), pages 1 - 58 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115951221A (zh) * | 2022-01-04 | 2023-04-11 | 国仪量子(合肥)技术有限公司 | 电池包漏放电性能的检测方法和检测设备 |
CN114487914A (zh) * | 2022-04-13 | 2022-05-13 | 荣耀终端有限公司 | 一种电子设备及漏电流测试方法 |
CN114487914B (zh) * | 2022-04-13 | 2022-08-19 | 荣耀终端有限公司 | 一种电子设备及漏电流测试方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103528617B (zh) | 一种座舱仪表自动识别和检测方法及装置 | |
CN109949290B (zh) | 路面裂缝检测方法、装置、设备及存储介质 | |
CN113671408A (zh) | 锂电池的漏电流检测方法及检测装置 | |
JP5313250B2 (ja) | バッテリーの長期特性予測システム及び方法 | |
JP5005814B2 (ja) | バッテリーの長期特性予測システム及び方法 | |
CN108519400B (zh) | 一种预应力梁灌浆饱满度智能检测方法及系统 | |
CN111339854A (zh) | 一种测温方法、测温装置、机器人以及计算机存储介质 | |
CN112857669B (zh) | 压力传感器的故障检测方法、装置、设备及存储介质 | |
JP2022548293A (ja) | 目標検出モデルの自動モデリング方法及び装置 | |
JP2019159961A (ja) | 検査システム、画像識別システム、識別システム、識別器生成システム、及び学習データ生成装置 | |
CN111695620A (zh) | 一种电力系统时间序列异常数据检测与修正方法及系统 | |
CN113760718A (zh) | 自动化测试方法及装置 | |
CN113077416A (zh) | 一种基于图像处理的焊点焊接缺陷检测方法与系统 | |
CN108428247B (zh) | 焊锡点方向的检测方法和系统 | |
CN113191270A (zh) | 抛洒事件检测方法、装置、电子设备及存储介质 | |
CN112729884A (zh) | 基于大数据的设备故障诊断方法及装置 | |
CN111738878A (zh) | 一种桥梁应力检测系统 | |
CN111950605A (zh) | 表计识别模型的学习方法、装置、设备和表计识别方法 | |
CN112183382A (zh) | 无人驾驶交通灯检测分类方法和装置 | |
CN112329282A (zh) | 孔周网格分类方法、装置及存储介质 | |
CN110318953B (zh) | 风电机组电控系统的温度监控方法和设备 | |
CN114021744A (zh) | 设备的剩余使用寿命的确定方法、装置和电子设备 | |
CN114418941B (zh) | 一种基于电力巡检设备检测数据的缺陷诊断方法及系统 | |
CN111198774A (zh) | 无人车仿真异常追踪方法、装置、设备及计算机可读介质 | |
JPH1075218A (ja) | データ群の特性境界識別方法及び装置 |
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 |