CN114664392B - 电化学参数预测方法、装置、电子设备及可读存储介质 - Google Patents

Abstract

本申请公开了电化学参数预测方法、装置、电子设备及可读存储介质，所述电化学参数预测方法包括：构建待测部品的等效电路，将待测部品的全频段阻抗数据划分为低频段阻抗数据、中频段阻抗数据和高频段阻抗数据；采集待测部品的中频段阻抗数据和高频段阻抗数据；确定收敛的机器学习模型，将中频段阻抗数据和高频段阻抗数据输入至收敛的机器学习模型，预测得到初始电化学参数；根据初始电化学参数，确定等效电路中各电路元件的目标电化学参数。本申请在提高对电化学参数的预测精度的同时，提升了预测效率。

Description

电化学参数预测方法、装置、电子设备及可读存储介质

技术领域

本申请涉及电化学参数预测技术领域，尤其涉及一种电化学参数预测方法、装置、电子设备及可读存储介质。

背景技术

电化学阻抗谱(Electrochemical Impedance Spectroscopy，简称EIS)是指给电化学系统施加一个频率不同的小振幅的交流信号，测量交流信号电压与电流的比值(此比值即为系统的阻抗)随正弦波角频率ω的变化，或者是阻抗的相位角Φ随ω的变化，分析出电化学系统的反应机理，进而计算出电化学系统的相关电化学参数，基于电化学阻抗法以逐渐成为电池、燃料电池、超级电容器、电解水等电化学能源领域中最重要的测量与分析方法之一。而例如燃料电池或锂离子电池等的待测部品需要根据电化学阻抗法测试得到的阻抗数据，通过非线性最小二乘法进行回归拟合，得到该待测部品对应等效电路的各电路元件的电化学参数，或者将阻抗数据拟合到奈奎斯特图或者波特图，得到待测部品对应等效电路的各电路元件的电化学参数，该电化学参数包括溶液电阻、Warburg扩散系数、极化电阻、溶液电阻和常相位角元件电容等，从而便于根据这些电化学参数对待测部品的性能进行评估，或者根据这些电化学参数来管控待测部品的品质，其被广泛用于腐蚀机理分析、多孔电极表征、锂电池状态监测和燃料电池内阻测量等应用。

然而，目前电化学阻抗法（也称为交流阻抗法）主要应用于实验室中的分析测试，无法以在线的形式对电化学系统进行检测，这与电化学阻抗法需要大量时间进行检测和数据分析有关。在传统的电化学阻抗谱测试中，对待测样品施加单一频率的正弦激励，采用频率响应技术(frequency response analysis，FRA)，检测响应电压信号和激励电流信号的幅值信息和相位信息，通过计算并循环扫频，获取特定频率范围的阻抗谱数据。传统的基于频率响应技术的电化学阻抗谱测试方法具有测试结果稳定性好、精度高等优点。但是，由于一次测试一个频点，测试时间与测试频率范围、测试点数、测试周期数成正相关，导致测试时间冗长，常常无法应用于实时诊断的场景。而现有技术还公开了一种基于电流脉冲注入的快速电化学阻抗谱测量方法。该方案通过控制可控恒流源电路在被测电化学系统的输出电流中注入M序列形式

的脉冲扰动电流，对采集得到的扰动电流与响应电压数据使用阻抗计算方法获得电化学阻抗谱。但是由于M序列形式的脉冲扰动电流的的频谱特性的限制，其有用信号能量不集中、各频率频谱分量不固定，所需激励信号幅度大，再者同样由于采用傅里叶变换进行时域-频域转换，受限于傅里叶变换的分辨率、采样点数和系统采样率，存在频谱泄露的问题，导致其测量精度有限，且所测频率范围有限，仅能实现为0.5Hz至500Hz。

因此，在电化学参数预测领域中，传统电化学阻抗法的测试结果精准但耗时长，而基于电流脉冲注入的快速电化学阻抗法测试时间短但测试精度低，从而使得电化学阻抗法测试的阻抗谱数据存在测试精准度和测试效率无法同时兼顾，进而导致基于该阻抗谱数据对待测部品的各电路元件的电化学参数，进行预测的精度和效率存在无法同时兼顾的问题。

发明内容

本申请的主要目的在于提供一种电化学参数预测方法、装置、电子设备及可读存储介质，旨在提高对电化学参数的预测精度的同时，提升了预测效率。

为实现上述目的，本申请提供一种电化学参数预测方法，所述电化学参数预测方法包括：

构建待测部品的等效电路，将所述待测部品的全频段阻抗数据划分为低频段阻抗数据、中频段阻抗数据和高频段阻抗数据；

采集待测部品的所述中频段阻抗数据和所述高频段阻抗数据；

确定收敛的机器学习模型，将所述中频段阻抗数据和所述高频段阻抗数据输入至收敛的机器学习模型，预测得到初始电化学参数；

根据所述初始电化学参数，确定所述等效电路中各电路元件的目标电化学参数。

可选地，所述确定收敛的机器学习模型的步骤之前包括：

将第一电化学参数输入至预设的阻抗数据生成函数，输出得到所述第一电化学参数对应的第一阻抗谱数据；

将所述第一电化学参数与所述第一阻抗谱数据进行关联，并将第一电化学参数，以及所述第一电化学参数关联的第一阻抗谱数据作为学习样本；

将多个所述学习样本作为训练集，对机器学习模型进行训练，并通过测试样本测试机器学习模型对电化学参数的预测准确率；

若连续预设数量个测试样本测试得到的所述预测准确率达到预设阈值，则确定机器学习模型收敛，得到收敛的机器学习模型。

可选地，所述测试样本为第二电化学参数，以及所述第二电化学参数关联的第二阻抗谱数据，所述通过测试样本测试机器学习模型对电化学参数的预测准确率的步骤包括：

将所述第二阻抗谱数据输入至机器学习模型，输出得到第三电化学参数；

将所述第三电化学参数和所述第二电化学参数的偏差作为参数预测误差值；

计算所述第二电化学参数与所述参数预测误差值的差值，并将所述差值与所述第二电化学参的比值，作为机器学习模型对电化学参数的预测准确率。

可选地，所述第一阻抗谱数据为实阻抗参数和虚阻抗参数。

可选地，所述第一电化学参数包括多个特征参数，不同的特征参数具有不同的数值量级，所述将第一电化学参数输入至预设的阻抗数据生成函数，输出得到所述第一电化学参数对应的第一阻抗谱数据的步骤包括:

依据所述特征参数对应的数值量级，为各所述特征参数分配权重值，其中，数值量级越大，分配的权重值越小；

将分配的不同权重值的各所述特征参数分别输入至预设的阻抗数据生成函数，输出得到所述第一电化学参数对应的第一阻抗谱数据。

可选地，所述等效电路为Randles电路。

可选地，所述根据所述初始电化学参数，确定所述等效电路中各电路元件的目标电化学参数的步骤包括：

基于预设的阻抗数据生成函数，将所述初始电化学参数逆向转换为所述初始电化学参数对应的逆推阻抗谱数据;

通过非线性最小二乘法将所述逆推阻抗谱数据进行拟合计算，得到所述等效电路中各电路元件的目标电化学参数。

本申请还提供一种电化学参数预测装置，所述电化学参数预测装置包括：

构建模块，用于构建待测部品的等效电路，将所述待测部品的全频段阻抗数据划分为低频段阻抗数据、中频段阻抗数据和高频段阻抗数据；

采集模块，用于采集待测部品的所述中频段阻抗数据和所述高频段阻抗数据；

预测模块，用于确定收敛的机器学习模型，将所述中频段阻抗数据和所述高频段阻抗数据输入至收敛的机器学习模型，预测得到初始电化学参数；

输出模块，用于根据所述初始电化学参数，确定所述等效电路中各电路元件的目标电化学参数。

本申请还提供一种电子设备，所述电子设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述电化学参数预测方法的程序，所述电化学参数预测方法的程序被处理器执行时可实现如上述的电化学参数预测方法的步骤。

本申请还提供一种可读存储介质，所述可读存储介质为计算机可读存储介质，所述计算机可读存储介质上存储有实现电化学参数预测方法的程序，所述电化学参数预测方法的程序被处理器执行时实现如上述的电化学参数预测方法的步骤。

本申请还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的电化学参数预测方法的步骤。

由于传统方法测得待测部品交流阻抗谱需要全频段的不同频率依次进行测试，耗费时间较长，这对于工作状态下的待测部品测量带来极大不便。因此本申请通过构建待测部品的等效电路，将待测部品的全频段阻抗数据划分为低频段阻抗数据、中频段阻抗数据和高频段阻抗数据，并仅采集待该中频段阻抗数据和高频段阻抗数据，然后确定收敛的机器学习模型，将中频段阻抗数据和高频段阻抗数据输入至收敛的机器学习模型，预测得到初始电化学参数，再根据初始电化学参数，确定待测部品对应等效电路中各电路元件的目标电化学参数，从而采用收敛的机器学习模型分析阻抗谱数据，在确保电化学参数的预测结果精准的前提下，可快速提取出等效电路中各电路元件的电化学参数，实现毫秒级响应，缩短阻抗谱数据拟合时间，提高了预测效率，本申请还通过减少阻抗谱的某些频段的测量点，仅测量全频段中的高频段和中频段的数据测量点（即高频段和中频段对应测量的电化学阻抗数据），例如全频段中从高到低的前70%的频段，由于高频段和中频段对应数据测量点的测量速度快，而省略的低频段的数据测量点其测量速率慢，这些数据测量点是限制阻抗谱测量速率的关键数据点。而本申请通过大量实验和研究发现，在测量全频段中前70%频段的情况下，电化学参数的预测精度可控制在0.91左右，在测量全频段中前80%频段的情况下，电化学参数的预测精度可控制在0.94左右，在测量全频段中前90%频段的情况下，电化学参数的预测精度可控制在0.97左右，因此本申请可通过将部分谱数据输入至收敛的机器学习模型，实现根据部分谱数据（中频段阻抗数据和高频段阻抗数据）准确预测得到等效电路元件参数，同时大大缩短了阻抗谱测量时间，即通过减少低频区数据点，摒弃全谱数据，采用部分谱数据输入至机器学习模型进行预测，以达到通过少量数据测量点即可精准提取等效电路中各电路元件的电化学参数的效果，缩短阻抗谱数据采集时间，克服了现有电化学参数预测方法的效率和精度无法兼顾的问题，实现在提高电化学参数的预测精度的同时，降低了预测时长，提升了预测效率。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请电化学参数预测方法第一实施例的流程示意图；

图2为本申请电化学参数预测方法第二实施例的流程示意图；

图3为本申请实施例中训练集的阻抗谱数据的示意图；

图4为本申请实施例中训练集的电化学参数的示意图；

图5为本申请实施例中基于机器学习模型预测电化学参数的预测准确度示意图；

图6为现有技术中基于最小二乘法拟合电化学参数的预测准确度示意图；

图7为一实施例中电化学阻抗谱对于不同采样频段的示意图；

图8为图7中采集前35个频率点的预测准确度示意图；

图9为图7中采集前40个频率点的预测准确度示意图；

图10为图7中采集前45个频率点的预测准确度示意图；

图11为图7中采集前50个频率点的预测准确度示意图；

图12为本申请实施例中电化学参数预测方法涉及的硬件运行环境的设备结构示意图。

本申请目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例，均属于本发明保护的范围。

实施例一

在电化学参数预测领域中，传统电化学阻抗法的测试结果精准但耗时长，而基于电流脉冲注入的快速电化学阻抗法测试时间短但测试精度低，从而使得电化学阻抗法测试的阻抗谱数据存在测试精准度和测试效率无法同时兼顾，进而导致基于该阻抗谱数据对待测部品的各电路元件的电化学参数，进行预测的精度和效率存在无法同时兼顾的问题。

基于此，本申请实施例提供一种电化学参数预测方法，在本申请电化学参数预测方法的第一实施例中，请参照图1，所述电化学参数预测方法包括：

步骤S10，构建待测部品的等效电路，将所述待测部品的全频段阻抗数据划分为低频段阻抗数据、中频段阻抗数据和高频段阻抗数据；

在本实施例中，该待测部品可包括燃料电池和锂离子电池等。该全频段阻抗数据是指全频段的电化学阻抗谱(Electrochemical Impedance Spectroscopy，EIS)数据，可用于表征电化学系统的技术，该技术使用电信号注入待测部品，以及对所得响应信号的分析。其中，注入的信号或激励可以具有许多类型的波形，但是典型地使用单正弦信号，并且它可以是电压信号或电流信号。

在本实施例中，本领域技术人员可知的是，该等效电路可为电阻、电感、电容、常相位角元件和韦伯阻抗（等效元件）构成的串并联结构。

在本实施例中，全频段阻抗数据可包括低频段阻抗数据、中频段阻抗数据和高频段阻抗数据。具体地，全频段阻抗数据是指全频段的阻抗谱数据，而低频段阻抗数据是指低频段的阻抗谱数据，中频段阻抗数据是指中频段的阻抗谱数据，高频段阻抗数据是指高频段的阻抗谱数据。在一实施例中，全频段为0.1Hz至10KHz，其中，频率依次从低至高，低频段为取全频段的前30％，中频段取全频段的中间30％至70％，高频段取全频段的后70％至100％。容易理解的是，该阻抗谱数据可包括实部阻抗、虚部阻抗、阻抗模值和相位角等。

步骤S20，采集待测部品的所述中频段阻抗数据和所述高频段阻抗数据；

在本实施例中，仅采集中频段和高频段的测试频段对应的电化学阻抗数据。本领域技术人员可知的是，可通过在待测部品的输入端施加不同频率的电流扰动信号，并通过检测待测部品输出端的电流和电压即可获得该待测部品的电化学交流阻抗谱，需要说明的是，该不同频率的电流扰动信号仅包括中频段和高频段对应的电流扰动信号。也就是说，本实施例通过选定中频段和高频段对应频率范围内的电流扰动信号，并选定该电流扰动信号的幅值（一般为小振幅），然后根据选定频率范围和幅值后的电流扰动信号作为激励信号输入至待测部品，检测待测部品输出端的电流和电压得到响应信号，然后计算该激励信号和该响应信号之间的比率，得到该中频段阻抗数据和高频段阻抗数据并进行采集。

步骤S30，确定收敛的机器学习模型，将所述中频段阻抗数据和所述高频段阻抗数据输入至收敛的机器学习模型，预测得到初始电化学参数；

在本实施例中，该收敛的机器学习模型可对输入的中频段阻抗数据和高频段阻抗数据，进行神经网络的卷积处理，预测得到该等效电路中各电路元件的初始电化学参数。即直接以机器学习模型的模型预测数据作为各电路元件的目标电化学参数，可确保电化学参数预测的高精准度和毫秒级响应速度，使预测的精度和效率同时兼顾。

步骤S40，根据所述初始电化学参数，确定所述等效电路中各电路元件的目标电化学参数。

在一种可能的实施方式中，可直接将收敛的机器学习模型所预测得到的该初始电化学参数，作为待测部品对应等效电路中各电路元件的目标电化学参数。

在另一种可能的实施方式中，步骤S40，所述根据所述初始电化学参数，确定所述等效电路中各电路元件的目标电化学参数的步骤包括：

步骤A10，基于预设的阻抗数据生成函数，将所述初始电化学参数逆向转换为所述初始电化学参数对应的逆推阻抗谱数据;

在本实施例中，本领域技术人员可知的是，可借助相应的软件工具将电化学参数，转换为该电化学参数对应的电化学阻抗谱数据。该软件工具可为预设的阻抗数据生成函数，该阻抗数据生成函数，本领域技术人员已有一定深入的研究，在此不再赘述。

在本实施例中，该逆推阻抗谱数据是指将机器学习模型基于待测部品的阻抗谱数据所预测得到的初始电化学参数，输入至预设的阻抗数据生成函数从而输出获得的阻抗谱数据。

步骤A20，通过非线性最小二乘法将所述逆推阻抗谱数据进行拟合计算，得到所述等效电路中各电路元件的目标电化学参数。

在本实施例中，可利用基于预设的阻抗数据生成函数，将初始电化学参数逆向转换为初始电化学参数对应的逆推阻抗谱数据，并通过非线性最小二乘法将该逆推阻抗谱数据进行拟合计算，得到待测部品对应等效电路中各电路元件的目标电化学参数，从而将机器学习模型的模型预测数据作为初始值，再进行非线性最小二乘法拟合，可实现对电化学参数预测的毫秒级响应速度的前提下，进一步提高预测精准度，使预测的精度和效率同时兼顾。示例性地，该非线性最小二乘法可为Levenberg-Marquardt算法。

由于传统方法测得待测部品交流阻抗谱需要全频段的不同频率依次进行测试，耗费时间较长，这对于工作状态下的待测部品测量带来极大不便。因此本实施例通过构建待测部品的等效电路，将待测部品的全频段阻抗数据划分为低频段阻抗数据、中频段阻抗数据和高频段阻抗数据，并仅采集待该中频段阻抗数据和高频段阻抗数据，然后确定收敛的机器学习模型，将中频段阻抗数据和高频段阻抗数据输入至收敛的机器学习模型，预测得到初始电化学参数，再根据初始电化学参数，确定待测部品对应等效电路中各电路元件的目标电化学参数，从而采用收敛的机器学习模型分析阻抗谱数据，在确保电化学参数的预测结果精准的前提下，可快速提取出等效电路中各电路元件的电化学参数，实现毫秒级响应，缩短阻抗谱数据拟合时间，提高了预测效率，本实施例还通过减少阻抗谱的某些频段的测量点，仅测量全频段中的高频段和中频段的数据测量点（即高频段和中频段对应测量的电化学阻抗数据），例如全频段中从高到低的前70%的频段，由于高频段和中频段对应数据测量点的测量速度快，而省略的低频段的数据测量点其测量速率慢，这些数据测量点是限制阻抗谱测量速率的关键数据点。而本实施例通过大量实验和研究发现，在测量全频段中前70%频段的情况下，电化学参数的预测精度(r2)可控制在0.91左右，在测量全频段中前80%频段的情况下，电化学参数的预测精度可控制在0.94左右，在测量全频段中前90%频段的情况下，电化学参数的预测精度可控制在0.97左右，因此本实施例可通过将部分谱数据输入至收敛的机器学习模型，实现根据部分谱数据（中频段阻抗数据和高频段阻抗数据）准确预测得到等效电路元件参数，同时大大缩短了阻抗谱测量时间，即通过减少低频区数据点，摒弃全谱数据，采用部分谱数据输入至机器学习模型进行预测，以达到通过少量数据测量点即可精准提取等效电路中各电路元件的电化学参数的效果，缩短阻抗谱数据采集时间，克服了现有电化学参数预测方法的效率和精度无法兼顾的问题，实现在提高电化学参数的预测精度的同时，降低了预测时长，提升了预测效率。

为了助于理解本申请的技术构思，以及展示相关实验数据而支持本申请的技术原理，列举一具体实施例：

将收集的阻抗谱数据（100000组）分为两部分：85000组训练集和15000组验证集，其中，训练集包括阻抗谱数据，以及该阻抗谱数据关联的电化学参数，如图3所示，为训练集中的阻抗谱数据，其中，横坐标代表实部阻抗，纵坐标代表虚部阻抗。如图4所示，为训练集中的该阻抗谱数据关联的电化学参数，其中，Rs为溶液电阻、Rct为电荷转移电阻、Q为常相位角元件电容、n为常相位角元件系数、σ为Warburg系数。另外，验证集中的阻抗谱数据以及其关联的电化学参数，类似于训练集的表现内容，在此不另行图示。本实施例利用训练集对机器学习模型进行训练，建立阻抗谱数据与电化学参数的输入输出的关联关系，并用验证集验证机器学习模型的鲁棒性，然后通过将机器学习模型某参数的预测值与验证集中该参数对应的实际值进行对比，得到机器学习模型的预测准确度值。如图5所示，其中，横坐标代表实际值，纵坐标为预测值（Rs_pred为溶液电阻的预测值，Rs_true为溶液电阻的实际值，Rct_pred为电荷转移电阻的预测值，Rct_true为电荷转移电阻的实际值，n_pred为常相位角元件系数的预测值，n_true为常相位角元件系数的实际值，Q_pred为常相位角元件电容的预测值，Q_true为常相位角元件电容的实际值，σ_pred为Warburg系数的预测值，σ_true为Warburg系数的实际值），从中可以发现，预测值与实际值几乎均分布在y=x的斜线上，说明预测值与实际值极为接近。其中，Rct（电荷转移电阻）、Q（常相位角元件电容）、n（常相位角元件系数）和σ（Warburg系数）的预测准确度值均大于0.96，Rs（溶液电阻）的预测准确度值也有0.93，说明通过本实施例的机器学习模型对电化学参数进行预测的精准度极高。

与之对比，本实施例还利用了商用软件Zsimpwin通过最小二乘法对阻抗谱数据进行拟合计算，获得该阻抗谱数据对应的电化学参数，从图6中可以看出，仅有部分结果分布在y=x的斜线上，大部分的预测数据为离散分布，表现出明显的拟合结果不精准的问题，拟合结果精度较本实施例提出的技术方案相差较远。值得一提的是，用Zsimpwin软件基于15000组验证集的数据全部拟合出电化学参数需要33h，而通过本实施例收敛的机器学习模型基于15000组验证集的数据全部预测出电化学参数仅需要3000ms，在速度方面提高了近四万倍。可以看出，相较于传统的最小二乘法拟合方法，本实施例方案中提出的机器学习模型预测电化学参数在速度和精度上均有优势。

紧接着，在该具体实施例中，虽然可以将计算阻抗谱的时间从数秒缩短到毫秒级，但阻抗谱数据采集时间需要数十分钟，严重增加了对电化学参数进行预测的整个流程的耗时，是限制电化学参数的预测效率的主要因素。可知的是，不同频率点的电化学阻抗谱中，采集频率越低，采集时间越长。针对该问题，本实施例设置从10⁶Hz到10^-2Hz依次逐渐降低的50个采样频率点，如图7所示，本实施例选取采样频率点10⁶Hz到10^-2Hz从高到低，依次分别选取前35个频率点的阻抗谱数据、前40个频率点的阻抗谱数据、前45个频率点的阻抗谱数据，以及前50个频率点的阻抗谱数据对模型进行训练，训练完成后（即收敛后）的机器学习模型预测出电化学参数的预测准确度示意图，请参照图8至图11，类似于图5或图6，图8至图11的横坐标代表实际值，纵坐标为预测值。其中，图8为选取前35个频率点的阻抗谱数据输入至机器学习模型，所预测出电化学参数的预测准确度示意图。图9为选取前40个频率点的阻抗谱数据输入至机器学习模型，所预测出电化学参数的预测准确度示意图。图10为选取前45个频率点的阻抗谱数据输入至机器学习模型，所预测出电化学参数的预测准确度示意图。图11为选取前50个频率点的阻抗谱数据输入至机器学习模型，所预测出电化学参数的预测准确度示意图。从中可以看出，对于采样频率点从高到低为10⁶Hz到10^-2Hz，采集数量为50个点的全频段阻抗谱实验而言，取前70%的数据，即前35个采样频率点就可以完成对电化学参数的准确预测，其中，Rct（电荷转移电阻）、Q（常相位角元件电容）和n（常相位角元件系数）的预测准确度值均大于0.96，Rs（溶液电阻）和σ（Warburg系数）的预测准确度值也大于0.92。相比于图6中利用商业软件Zsimpwin拟合出的结果，电化学参数的预测精度要高出很多。而图11中采集全频段（前50个频率点）的阻抗谱数据所需的5分钟，图10中采集前45个频率点的采集时长需要48秒，图9中采集前45个频率点的采集时长需要7.5秒，而图8中采集前35个频率点的采集时长（即高频段和中频段的阻抗谱数据采集时长）仅需要1.2秒，因此通过该实验的研究可发现，本实施例中的机器学习模型可以在不需要低频区阻抗数据（即低频段阻抗数据）的情况下，精准预测出电化学参数。

该具体实施例阐述的诸多细节仅助于理解本申请的技术构思，以及通过相关实验研究支持本申请的技术原理，并不构成对本申请的限定，基于该的技术构思进行更多形式的简单变换，均在本申请的保护范围内。

在一种可能的实施方式中，请参照图2，所述确定收敛的机器学习模型的步骤之前包括：

步骤S50，将第一电化学参数输入至预设的阻抗数据生成函数，输出得到所述第一电化学参数对应的第一阻抗谱数据；

在本实施例中，本领域技术人员可知的是，可借助相应的软件工具将电化学参数，转换为该电化学参数对应的电化学阻抗谱数据。该软件工具可为预设的阻抗数据生成函数，该阻抗数据生成函数，本领域技术人员已有一定深入的研究，在此不再赘述。

步骤S60，将所述第一电化学参数与所述第一阻抗谱数据进行关联，并将第一电化学参数，以及所述第一电化学参数关联的第一阻抗谱数据作为学习样本；

步骤S70，将多个所述学习样本作为训练集，对机器学习模型进行训练，并通过测试样本测试机器学习模型对电化学参数的预测准确率；

步骤S80，若连续预设数量个测试样本测试得到的所述预测准确率达到预设阈值，则确定机器学习模型收敛，得到收敛的机器学习模型。

本实施例通过将第一电化学参数输入至预设的阻抗数据生成函数，输出得到第一电化学参数对应的第一阻抗谱数据，从而利用数据生成函数生成学习样本，用于机器学习模型的训练，从而提高了学习样本生成的便捷性和效率，并通过将多个该学习样本作为训练集，对机器学习模型进行训练，并通过测试样本测试机器学习模型对电化学参数的预测准确率，若连续预设数量个测试样本测试得到的该预测准确率达到预设阈值，则确定机器学习模型收敛，得到收敛的机器学习模型，从而提高了机器学习模型进行训练收敛的效率和鲁棒性。

在一种可能的实施方式中，所述第一阻抗谱数据为实阻抗参数和虚阻抗参数。

本实施例将第一阻抗谱数据设置为实阻抗参数Zre和虚阻抗参数Zimg，而舍弃采样频率点f、阻抗模值|Z|和相位角θ等多种阻抗参数，即仅采用实部阻抗和虚部阻抗作为训练集，这是因为虽然阻抗谱数据众多，但阻抗模值|Z|和相位角θ均可以用实部阻抗Zre和虚部阻抗Zimg推导出，另外，实部阻抗和虚部阻抗在数值量级上相同或相近，对于机器学习进行线性运算时起到了帮助，同时采样频率点f虽然同样是重要且不可替代的参数，但在线检测系统通常用于测量单一电化学系统，其等效电路和采样频率（即测试频段，例如中频段阻抗或高频段阻抗的阻抗谱数据）一经确定不会改变，所以本实施的在机器学习模型在训练阶段并未将采样频率点f、阻抗模值|Z|和相位角θ引入训练集。

在一种可能的实施方式中，所述等效电路为Randles电路。

由于电化学阻抗谱数据本质是等效电路中各元件电化学参数和测试频率的函数，为防止不同等效电路对训练结果的干扰，本实施例统一采用较常用的Randles电路建立训练数据库。

进一步地，在步骤S70中，所述测试样本为第二电化学参数，以及所述第二电化学参数关联的第二阻抗谱数据，所述通过测试样本测试机器学习模型对电化学参数的预测准确率的步骤包括：

步骤B10，将所述第二阻抗谱数据输入至机器学习模型，输出得到第三电化学参数；

步骤B20，将所述第三电化学参数和所述第二电化学参数的偏差作为参数预测误差值；

步骤B30，计算所述第二电化学参数与所述参数预测误差值的差值，并将所述差值与所述第二电化学参的比值，作为机器学习模型对电化学参数的预测准确率。

在本实施例中，该测试样本中的第二电化学参数，以及该第二电化学参数关联的第二阻抗谱数据，可以与学习样本中的第一电化学参数和第一阻抗谱数据相同，也可以与学习样本中的第一电化学参数和第一阻抗谱数据不同，优选为不同，以提高本实施例机器学习模型进行训练收敛的准确性和鲁棒性。

实施例二

进一步地，基于本申请第一实施例，在本申请另一实施例中，与上述实施例一相同或相似的内容，可以参考上文介绍，后续不再赘述。在此基础上，在步骤S50中，所述第一电化学参数包括多个特征参数，不同的特征参数具有不同的数值量级，所述将第一电化学参数输入至预设的阻抗数据生成函数，输出得到所述第一电化学参数对应的第一阻抗谱数据的步骤包括:

步骤C10，依据所述特征参数对应的数值量级，为各所述特征参数分配权重值，其中，数值量级越大，分配的权重值越小；

步骤C20，将分配的不同权重值的各所述特征参数分别输入至预设的阻抗数据生成函数，输出得到所述第一电化学参数对应的第一阻抗谱数据。

在本实施例中，第一电化学参数的特征参数包括Rct（电荷转移电阻）、Q（常相位角元件电容）、n（常相位角元件系数）、σ（Warburg系数）和Rs（溶液电阻）。本实施例考虑到等效电路中不同元器件电化学参数的数值量级相差巨大，为避免在训练过程中数值量级较小的特征参数被机器学习模型忽视，例如Q（常相位角元件电容）和n（常相位角元件系数），而数值量级过大的特征参数不被过于重视，例如Rct（电荷转移电阻），因此本实施例通过依据特征参数对应的数值量级，为各特征参数分配权重值，其中，数值量级越大，分配的权重值越小，并将分配的不同权重值的各特征参数分别输入至预设的阻抗数据生成函数，输出得到第一电化学参数对应的第一阻抗谱数据，从而在阻抗数据生成函数的学习样本生成过程中，根据不同特征参数的数值量级确定不同的权重值，这样可以保证反向传播过程中数值量级过大的特征参数不被机器学习模型过于重视，数值量级过小的特征参数不被机器学习模型忽视，避免不平衡的训练集，进一步提高了本实施例机器学习模型进行训练收敛的准确性和鲁棒性

实施例三

本申请实施例还提供一种电化学参数预测装置，所述电化学参数预测装置包括：

构建模块，用于构建待测部品的等效电路，将所述待测部品的全频段阻抗数据划分为低频段阻抗数据、中频段阻抗数据和高频段阻抗数据；

采集模块，用于采集待测部品的所述中频段阻抗数据和所述高频段阻抗数据；

预测模块，用于确定收敛的机器学习模型，将所述中频段阻抗数据和所述高频段阻抗数据输入至收敛的机器学习模型，预测得到初始电化学参数；

输出模块，用于根据所述初始电化学参数，确定所述等效电路中各电路元件的目标电化学参数。

可选地，所述预测模块还用于：

将第一电化学参数输入至预设的阻抗数据生成函数，输出得到所述第一电化学参数对应的第一阻抗谱数据；

将所述第一电化学参数与所述第一阻抗谱数据进行关联，并将第一电化学参数，以及所述第一电化学参数关联的第一阻抗谱数据作为学习样本；

将多个所述学习样本作为训练集，对机器学习模型进行训练，并通过测试样本测试机器学习模型对电化学参数的预测准确率；

若连续预设数量个测试样本测试得到的所述预测准确率达到预设阈值，则确定机器学习模型收敛，得到收敛的机器学习模型。

可选地，所述测试样本为第二电化学参数，以及所述第二电化学参数关联的第二阻抗谱数据，所述预测模块还用于：

将所述第二阻抗谱数据输入至机器学习模型，输出得到第三电化学参数；

将所述第三电化学参数和所述第二电化学参数的偏差作为参数预测误差值；

计算所述第二电化学参数与所述参数预测误差值的差值，并将所述差值与所述第二电化学参的比值，作为机器学习模型对电化学参数的预测准确率。

可选地，所述第一阻抗谱数据为实阻抗参数和虚阻抗参数。

可选地，所述第一电化学参数包括多个特征参数，不同的特征参数具有不同的数值量级，所述预测模块还用于：

依据所述特征参数对应的数值量级，为各所述特征参数分配权重值，其中，数值量级越大，分配的权重值越小；

将分配的不同权重值的各所述特征参数分别输入至预设的阻抗数据生成函数，输出得到所述第一电化学参数对应的第一阻抗谱数据。

可选地，所述等效电路为Randles电路。

可选地，所述输出模块，还用于：

基于预设的阻抗数据生成函数，将所述初始电化学参数逆向转换为所述初始电化学参数对应的逆推阻抗谱数据;

通过非线性最小二乘法将所述逆推阻抗谱数据进行拟合计算，得到所述等效电路中各电路元件的目标电化学参数。

本发明提供的电化学参数预测装置，采用上述实施例中的电化学参数预测方法，在提高对电化学参数的预测精度的同时，提升了预测效率。与现有技术相比，本发明实施例提供的电化学参数预测装置的有益效果与上述实施例提供的电化学参数预测方法的有益效果相同，且该电化学参数预测装置中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。

实施例四

本发明实施例提供一种电子设备，电子设备包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述实施例一中的电化学参数预测方法。

下面参考图11，其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如笔记本电脑、PDA（个人数字助理）和PAD（平板电脑）等等的移动终端以及诸如台式计算机等等的固定终端。图11示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图11所示，电子设备可以包括处理装置（例如中央处理器、图形处理器等），其可以根据存储在只读存储器（ROM）中的程序或者从存储装置加载到随机访问存储器（RAM）中的程序而执行各种适当的动作和处理。在RAM中，还存储有电子设备操作所需的各种程序和数据。处理装置、ROM以及RAM通过总线彼此训练。输入/输出（I/O）接口也连接至总线。

通常，以下系统可以连接至I/O接口：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置；包括例如磁带、硬盘等的存储装置；以及通信装置。通信装置可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种系统的电子设备，但是应理解的是，并不要求实施或具备所有示出的系统。可以替代地实施或具备更多或更少的系统。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置从网络上被下载和安装，或者从存储装置被安装，或者从ROM被安装。在该计算机程序被处理装置执行时，执行本公开实施例的方法中限定的上述功能。

本发明提供的电子设备，采用上述实施例中的电化学参数预测方法，在提高对电化学参数的预测精度的同时，提升了预测效率。与现有技术相比，本发明实施例提供的电子设备的有益效果与上述实施例提供的电化学参数预测方法的有益效果相同，且该电子设备中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。

应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

实施例五

本实施例提供一种计算机可读存储介质，具有存储在其上的计算机可读程序指令，计算机可读程序指令用于执行上述实施例一中的电化学参数预测方法。

本发明实施例提供的计算机可读存储介质例如可以是U盘，但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。

上述计算机可读存储介质可以是电子设备中所包含的；也可以是单独存在，而未装配入电子设备中。

上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被电子设备执行时，使得电子设备：构建待测部品的等效电路，将所述待测部品的全频段阻抗数据划分为低频段阻抗数据、中频段阻抗数据和高频段阻抗数据；采集待测部品的所述中频段阻抗数据和所述高频段阻抗数据；

确定收敛的机器学习模型，将所述中频段阻抗数据和所述高频段阻抗数据输入至收敛的机器学习模型，预测得到初始电化学参数；根据所述初始电化学参数，确定所述等效电路中各电路元件的目标电化学参数。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该单元本身的限定。

本申请还提供一种可读存储介质，所述可读存储介质为计算机可读存储介质，所述计算机可读存储介质存储有用于执行上述电化学参数预测方法的计算机可读程序指令，在提高对电化学参数的预测精度的同时，提升了预测效率。与现有技术相比，本发明实施例提供的计算机可读存储介质的有益效果与上述实施例提供的电化学参数预测方法的有益效果相同，在此不做赘述。

实施例六

本申请还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的电化学参数预测方法的步骤。

本申请提供的计算机程序产品在提高对电化学参数的预测精度的同时，提升了预测效率。与现有技术相比，本发明实施例提供的计算机程序产品的有益效果与上述实施例提供的电化学参数预测方法的有益效果相同，在此不做赘述。

以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请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他相关的技术领域，均同理包括在本申请的专利处理范围内。

Claims (8)

1.一种电化学参数预测方法，其特征在于，所述电化学参数预测方法包括：

构建待测部品的等效电路，将所述待测部品的全频段阻抗数据划分为低频段阻抗数据、中频段阻抗数据和高频段阻抗数据，其中，频率依次从低至高，中频段阻抗数据取全频段阻抗数据的中间30%至70%，高频段阻抗数据取全频段阻抗数据的后70%至100%；

采集待测部品的所述中频段阻抗数据和所述高频段阻抗数据；

确定收敛的机器学习模型，将所述中频段阻抗数据和所述高频段阻抗数据输入至收敛的机器学习模型，预测得到初始电化学参数；

根据所述初始电化学参数，确定所述等效电路中各电路元件的目标电化学参数；

所述确定收敛的机器学习模型的步骤之前包括：

将第一电化学参数输入至预设的阻抗数据生成函数，输出得到所述第一电化学参数对应的第一阻抗谱数据；

将所述第一电化学参数与所述第一阻抗谱数据进行关联，并将第一电化学参数，以及所述第一电化学参数关联的第一阻抗谱数据作为学习样本；

将多个所述学习样本作为训练集，对机器学习模型进行训练，并通过测试样本测试机器学习模型对电化学参数的预测准确率；

若连续预设数量个测试样本测试得到的所述预测准确率达到预设阈值，则确定机器学习模型收敛，得到收敛的机器学习模型；

其中，所述第一电化学参数包括多个特征参数，不同的特征参数具有不同的数值量级，所述将第一电化学参数输入至预设的阻抗数据生成函数，输出得到所述第一电化学参数对应的第一阻抗谱数据的步骤包括:

依据所述特征参数对应的数值量级，为各所述特征参数分配权重值，其中，数值量级越大，分配的权重值越小；

将分配的不同权重值的各所述特征参数分别输入至预设的阻抗数据生成函数，输出得到所述第一电化学参数对应的第一阻抗谱数据。

2.如权利要求1所述的电化学参数预测方法，其特征在于，所述测试样本为第二电化学参数，以及所述第二电化学参数关联的第二阻抗谱数据，所述通过测试样本测试机器学习模型对电化学参数的预测准确率的步骤包括：

将所述第二阻抗谱数据输入至机器学习模型，输出得到第三电化学参数；

将所述第三电化学参数和所述第二电化学参数的偏差作为参数预测误差值；

计算所述第二电化学参数与所述参数预测误差值的差值，并将所述差值与所述第二电化学参的比值，作为机器学习模型对电化学参数的预测准确率。

3.如权利要求1所述的电化学参数预测方法，其特征在于，所述第一阻抗谱数据为实阻抗参数和虚阻抗参数。

4.如权利要求1所述的电化学参数预测方法，其特征在于，所述等效电路为Randles电路。

5.如权利要求1所述的电化学参数预测方法，其特征在于，所述根据所述初始电化学参数，确定所述等效电路中各电路元件的目标电化学参数的步骤包括：

基于预设的阻抗数据生成函数，将所述初始电化学参数逆向转换为所述初始电化学参数对应的逆推阻抗谱数据；

通过非线性最小二乘法将所述逆推阻抗谱数据进行拟合计算，得到所述等效电路中各电路元件的目标电化学参数。

6.一种电化学参数预测装置，其特征在于，所述电化学参数预测装置包括：

构建模块，用于构建待测部品的等效电路，将所述待测部品的全频段阻抗数据划分为低频段阻抗数据、中频段阻抗数据和高频段阻抗数据，其中，频率依次从低至高，中频段阻抗数据取全频段阻抗数据的中间30%至70%，高频段阻抗数据取全频段阻抗数据的后70%至100%；

采集模块，用于采集待测部品的所述中频段阻抗数据和所述高频段阻抗数据；

预测模块，用于确定收敛的机器学习模型，将所述中频段阻抗数据和所述高频段阻抗数据输入至收敛的机器学习模型，预测得到初始电化学参数；

输出模块，用于根据所述初始电化学参数，确定所述等效电路中各电路元件的目标电化学参数；

所述预测模块，还用于将第一电化学参数输入至预设的阻抗数据生成函数，输出得到所述第一电化学参数对应的第一阻抗谱数据；

将所述第一电化学参数与所述第一阻抗谱数据进行关联，并将第一电化学参数，以及所述第一电化学参数关联的第一阻抗谱数据作为学习样本；

将多个所述学习样本作为训练集，对机器学习模型进行训练，并通过测试样本测试机器学习模型对电化学参数的预测准确率；

若连续预设数量个测试样本测试得到的所述预测准确率达到预设阈值，则确定机器学习模型收敛，得到收敛的机器学习模型；

其中，所述第一电化学参数包括多个特征参数，不同的特征参数具有不同的数值量级，所述预测模块，还用于：

依据所述特征参数对应的数值量级，为各所述特征参数分配权重值，其中，数值量级越大，分配的权重值越小；

将分配的不同权重值的各所述特征参数分别输入至预设的阻抗数据生成函数，输出得到所述第一电化学参数对应的第一阻抗谱数据。

7.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至5中任一项所述的电化学参数预测方法的步骤。

8.一种可读存储介质，其特征在于，所述可读存储介质为计算机可读存储介质，所述计算机可读存储介质上存储有实现电化学参数预测方法的程序，所述实现电化学参数预测方法的程序被处理器执行以实现如权利要求1至5中任一项所述电化学参数预测方法的步骤。

Images