CN115169756B - 电芯水份预测方法、装置、设备及存储介质 - Google Patents
电芯水份预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115169756B CN115169756B CN202211087655.8A CN202211087655A CN115169756B CN 115169756 B CN115169756 B CN 115169756B CN 202211087655 A CN202211087655 A CN 202211087655A CN 115169756 B CN115169756 B CN 115169756B
- Authority
- CN
- China
- Prior art keywords
- state set
- moisture
- sample
- prediction
- training
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000004519 manufacturing process Methods 0.000 claims abstract description 122
- 239000000463 material Substances 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims description 73
- 230000005611 electricity Effects 0.000 claims 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 16
- 238000004364 calculation method Methods 0.000 abstract description 11
- 239000003960 organic solvent Substances 0.000 abstract description 7
- 238000000605 extraction Methods 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 3
- 238000000576 coating method Methods 0.000 description 3
- 239000003792 electrolyte Substances 0.000 description 3
- 229910052744 lithium Inorganic materials 0.000 description 3
- 239000011248 coating agent Substances 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003756 stirring Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- QHGJSLXSVXVKHZ-UHFFFAOYSA-N dilithium;dioxido(dioxo)manganese Chemical compound [Li+].[Li+].[O-][Mn]([O-])(=O)=O QHGJSLXSVXVKHZ-UHFFFAOYSA-N 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000007773 negative electrode material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007774 positive electrode material Substances 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Secondary Cells (AREA)
- Battery Electrode And Active Subsutance (AREA)
Abstract
本发明属于电池电芯领域,公开了一种电芯水份预测方法、装置、设备及存储介质。该方法包括:获取电芯制作过程中的材料信息和制作工艺信息;根据所述材料信息和所述制作工艺信息确定制作状态集合;将所述制作状态集合输入至预设电芯水份预测模型,获得电芯水份预测结果。由于本发明是根据电芯制作过程中的材料信息和制作工艺信息确定制作状态集合;将所述制作状态集合输入至预设电芯水份预测模型,获得电芯水份预测结果。相对于现有的通过在电池内部注入有机溶剂进行萃取,进而计算电芯水份含量的方式,本发明上述方式能够缩短电芯水份计算时间,提高电芯水份计算效率。
Description
技术领域
本发明涉及电池电芯技术领域,尤其涉及一种电芯水份预测方法、装置、设备及存储介质。
背景技术
目前在锂电池行业,电芯水份含量对锂电池性能有直接影响。如果水份过高,电解液和水反应,会生产有害气体,对电池寿命有影响,也影响电解液的质量,降低电池的性能。当水份过多的时候,产生的气体会使电池变形,鼓包,甚至爆炸的危险。电芯的水份也是电池品质管控的最为重要的一个技术指标。准确快速的测试电芯水份含量显得尤为重要。
目前广泛用于测试电池电芯水份含量的有两个方法:一种是采用卡尔—费休水份仪分别测试电芯内部正极极片水份含量、负极极片水份含量和隔膜水份含量,并通过公式计算电芯的水份含量。
另一种方法是先在电池内部注入一定量的有机溶剂,通过使用有机溶剂萃取出电芯的水份含量,萃取3天后,测试萃取液的水含量,并通过公式换算成电池电芯的水份含量。
这两种测试电池电芯水份含量的作业方式,第一种先分别测试正、负极和隔膜的水份含量,再进行理论计算,测试结果合理,但是测试过程较为繁琐。第二种必须先用有机溶剂萃取电芯3天以上,测试所需时间周期较长,测试结果普遍低于理论计算值,且两种测试方法都需要对锂电池电芯在烘烤前、烘烤后随机抽取同批次的电芯进行破坏,取出极片进行对应的水份含量测试。属于破坏性测试,造成材料的浪费;且需要在生产工艺中单独设置含水量检测工序,测试等待时间长,生产周期长。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供了一种电芯水份预测方法、装置、设备及存储介质,旨在解决现有技术电芯水份测试时测试时间长,测试效率不高的技术问题。
为实现上述目的,本发明提供了一种电芯水份预测方法,所述方法包括以下步骤:
获取电芯制作过程中的材料信息和制作工艺信息;
根据所述材料信息和所述制作工艺信息确定制作状态集合;
将所述制作状态集合输入至预设电芯水份预测模型,获得电芯水份预测结果。
可选地,所述根据所述材料信息和所述制作工艺信息确定制作状态集合的步骤,包括:
确定所述材料信息和所述制作工艺信息中各参数的参数信息;
根据所述参数信息确定制作状态集合。
可选地,所述将所述制作状态集合输入至预设电芯水份预测模型,获得电芯水份预测结果的步骤之前,还包括:
获取样本数据;
根据所述样本数据对预设隐马尔科夫模型进行训练,得到预设电芯水份预测模型。
可选地,所述根据所述样本数据对预设隐马尔科夫模型进行训练,得到预测电芯水份预测模型的步骤,包括:
根据所述样本数据确定样本隐藏状态集合和样本观测状态集合;
根据所述样本隐藏状态集合和所述样本观测状态集合对预设隐马尔科夫模型进行初始训练,得到初始电芯水份预测模型;
根据所述样本隐藏状态集合和所述样本观测状态集合对所述初始电芯水份预测模型进行精确训练,得到预设电芯水份预测模型。
可选地,所述根据所述样本隐藏状态集合和所述样本观测状态集合对所述初始电芯水份预测模型进行精确训练,得到预设电芯水份预测模型的步骤,包括:
获取目标序列长度;
根据所述目标序列长度从所述样本观测状态集合中提取目标观测状态集合;
根据所述目标序列长度和所述目标观测状态集合从所述样本隐藏状态集合中提取目标隐藏状态集合;
根据所述目标隐藏状态集合和所述目标观测状态集合对所述初始电芯水份预测模型进行精确训练,得到预设电芯水份预测模型。
可选地,所述获取目标序列长度的步骤之前,还包括:
随机生成预测序列长度;
根据所述预测序列长度从所述样本观测状态集合中提取训练观测状态集合;
根据所述预测序列长度和所述训练观测状态集合从所述样本隐藏状态集合中提取训练隐藏状态集合;
将所述训练隐藏状态集合输入至所述初始电芯水份预测模型,获得样本水份预测结果;
根据所述样本水份预测结果和所述训练观测状态集合确定预测正确率;
根据所述预测正确率确定目标序列长度。
可选地,所述将所述制作状态集合输入至预设电芯水份预测模型,获得电芯水份预测结果的步骤,包括:
获取目标序列长度;
根据所述目标序列长度从所述制作状态集合中提取待预测隐藏状态集合;
将所述待预测隐藏状态集合输入至预设电芯水份预测模型,获得电芯水份预测结果。
此外,为实现上述目的,本发明还提供一种电芯水份预测装置,所述装置包括:
获取模块,用于获取电芯制作过程中的材料信息和制作工艺信息;
制作状态集合确定模块,用于根据所述材料信息和所述制作工艺信息确定制作状态集合;
预测模块,用于将所述制作状态集合输入至预设电芯水份预测模型,获得电芯水份预测结果。
此外,为实现上述目的,本发明还提出一种电芯水份预测设备,所述设备包括: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电芯水份预测程序,所述电芯水份预测程序配置为实现如上文所述的电芯水份预测方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有电芯水份预测程序,所述电芯水份预测程序被处理器执行时实现如上文所述的电芯水份预测方法的步骤。
本发明获取电芯制作过程中的材料信息和制作工艺信息;根据所述材料信息和所述制作工艺信息确定制作状态集合;将所述制作状态集合输入至预设电芯水份预测模型,获得电芯水份预测结果。由于本发明是根据电芯制作过程中的材料信息和制作工艺信息确定制作状态集合;将所述制作状态集合输入至预设电芯水份预测模型,获得电芯水份预测结果。相对于现有的通过在电池内部注入有机溶剂进行萃取,进而计算电芯水份含量的方式,本发明上述方式能够缩短电芯水份计算时间,提高电芯水份计算效率。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的电芯水份预测设备的结构示意图;
图2为本发明电芯水份预测方法第一实施例的流程示意图;
图3为本发明电芯水份预测方法一实施例的作业流程及参数信息示意图;
图4为本发明电芯水份预测方法第二实施例的流程示意图;
图5为本发明电芯水份预测方法第三实施例的流程示意图;
图6为本发明电芯水份预测装置第一实施例的结构框图。
本发明目的的实现、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
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的电芯水份预测设备结构示意图。
如图1所示,该电芯水份预测设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM),也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对电芯水份预测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及电芯水份预测程序。
在图1所示的电芯水份预测设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明电芯水份预测设备中的处理器1001、存储器1005可以设置在电芯水份预测设备中,所述电芯水份预测设备通过处理器1001调用存储器1005中存储的电芯水份预测程序,并执行本发明实施例提供的电芯水份预测方法。
基于上述电芯水份预测设备,本发明实施例提供了一种电芯水份预测方法,参照图2,图2为本发明电芯水份预测方法第一实施例的流程示意图。
本实施例中,所述电芯水份预测方法包括以下步骤:
步骤S10:获取电芯制作过程中的材料信息和制作工艺信息。
需要说明的是,本实施例的执行主体可以是一种具有数据处理、网络通信以及程序运行功能的计算服务设备,例如手机、平板电脑、个人电脑等,或者是一种能够实现上述功能的电子设备或电芯水份预测设备。以下以所述电芯水份预测设备为例,对本实施例及下述各实施例进行说明。
需要说明的是,所述材料信息可以包括正负极材料、隔离材料以及电解液等,正极粉料、负极粉料如磷酸铁锂、锰酸锂和三元材料等。所述制作工艺信息可以包括搅拌过程中的转速、温湿度、时间、搅拌方粘度、颗粒度、稳定性、过滤法、配方、固含量性、流变特性等,涂布工艺中的张力、温湿度、涂布速度、放卷和收卷直径、纠偏精度尺寸、涂层厚度与精度等。具体可参照图3,图3为本发明电芯水份预测方法一实施例的作业流程及参数信息示意图;图3中的KPIV用于表征关键过程输入变量,KPOV用于表征关键过程输出变量。
步骤S20:根据所述材料信息和所述制作工艺信息确定制作状态集合。
需要说明的是,所述根据所述材料信息和所述制作工艺信息确定制作状态集合可以是根据所述材料信息和所述制作工艺信息中各参数的参数信息确定各参数的制作状态集合。例如,根据制作工艺信息中的温度参数确定按照时间顺序的温度状态集合,可以是集合A={22,23...19,20},其中,22为时间为8:00时采集到的温度,23为时间为8:15采集到的温度。
步骤S30:将所述制作状态集合输入至预设电芯水份预测模型,获得电芯水份预测结果。
需要说明的是,所述将所述制作状态集合输入至预设电芯水份预测模型可以是将各个参数对应的制作状态集合输入至预设电芯水份预测模型,获得电芯水份预测结果。
进一步的,为了使电芯水份的预测结果更加准确,所述步骤S30,可包括:获取目标序列长度;根据所述目标序列长度从所述制作状态集合中提取待预测隐藏状态集合;将所述待预测隐藏状态集合输入至预设电芯水份预测模型,获得电芯水份预测结果。
需要说明的是,所述目标序列长度可以是预先经过测试得到的能够使电芯水份预测结果更准确的序列长度。所述制作状态集合中的序列长度为根据实际制作工程中采集到的参数的信息确定的,由于不同的参数采集时间间隔或采集时间不同,不同的参数对应的制作状态集合中的元素个数即序列长度和采集的时间不同,因此,为了使电芯水份的预测结果更加准确,在进行预测时,需要从各个参数的制作状态集合中提取目标序列长度个元素组成待预测隐藏状态集合,且从各个参数的制作状态集合中提取到的待预测隐藏状态集合中,其集合中同一位置对应的元素的采集时间应该最为接近,例如,温度对应的待预测隐藏状态集合为{22,23...19,20},湿度对应的待预测隐藏状态集合为{30%,35%...36%,32%},其中,温度对应的待预测隐藏状态集合中的22为时间为8:00时采集到的温度,23为时间为8:15采集到的温度。则湿度对应的待预测隐藏状态集合中的30%应该为湿度对应的制作状态集合中采集时间最接近8:00时采集到的湿度,即从所述制作状态集合中提取到的各个参数的待预测隐藏状态集合应该为同一时间周期或相近时间内采集到的数据。这是因为不同的参数的采集时间可能存在差别,但是为了电芯水份预测结果的准确性,用于进行预测的各个待预测隐藏状态集合应该为同一时间周期内或相近时间内采集到的数据。
进一步的,为了提高电芯水份计算效率,所述步骤S30之前,还包括:获取样本数据;根据所述样本数据对预设隐马尔科夫模型进行训练,得到预设电芯水份预测模型。
需要说明的是,所述预设隐马尔科夫模型可以是隐马尔可夫模型,隐马尔可夫模型(Hidden Markov Model,HMM)可以是统计模型,它用来描述一个含有隐含未知参数的马尔可夫过程。其难点是从可观察的参数中确定该过程的隐含参数。然后利用这些参数来作进一步的分析。所述样本数据可以是用于训练所述预设隐马尔科夫模型的样本数据,包括历史电芯制作过程中的材料信息和制作工艺信息以及对应的电芯水份。
本实施例获取电芯制作过程中的材料信息和制作工艺信息;根据所述材料信息和所述制作工艺信息确定制作状态集合;将所述制作状态集合输入至预设电芯水份预测模型,获得电芯水份预测结果。由于本实施例是根据电芯制作过程中的材料信息和制作工艺信息确定制作状态集合;将所述制作状态集合输入至预设电芯水份预测模型,获得电芯水份预测结果。相对于现有的通过在电池内部注入有机溶剂进行萃取,进而计算电芯水份含量的方式,本实施例上述方式能够缩短电芯水份计算时间,提高电芯水份计算效率。
参考图4,图4为本发明电芯水份预测方法第二实施例的流程示意图。
基于上述第一实施例,在本实施例中,所述步骤根据所述样本数据对预设隐马尔科夫模型进行训练,得到预测电芯水份预测模型包括:
步骤S210:根据所述样本数据确定样本隐藏状态集合和样本观测状态集合。
需要说明的是,所述样本隐藏状态集合可以是由样本数据中的材料信息和制作工艺信息中的各个参数信息确定的状态集合,可以包括各个参数对应的在不同时刻采集到的参数值。所述样本观测状态集合可以是所述样本数据中各个时刻获取到的电芯的水份含量。可以是通过现有技术获取到的水份含量,本实施例在此不加以限制。
步骤S220:根据所述样本隐藏状态集合和所述样本观测状态集合对预设隐马尔科夫模型进行初始训练,得到初始电芯水份预测模型。
需要说明的是,所述根据所述样本隐藏状态集合和所述样本观测状态集合对预设隐马尔科夫模型进行初始训练可以是将所述样本隐藏状态集合作为所述预设隐马尔科夫模型的输入,将所述样本观测状态集合作为输出,进而对所述预设隐马尔科夫模型进行初始训练,得到初始电芯水份预测模型。
步骤S230:根据所述样本隐藏状态集合和所述样本观测状态集合对所述初始电芯水份预测模型进行精确训练,得到预设电芯水份预测模型。
需要说明的是,所述根据所述样本隐藏状态集合和所述样本观测状态集合对所述初始电芯水份预测模型进行精确训练可以是获取目标元素数量,根据所述目标元素数量确定用于模型训练的样本隐藏状态集合和所述样本观测状态集合的集合元素数量,进而根据集合元素数量等于所述目标元素数量的样本隐藏状态集合和样本观测状态集合进行模型训练,其中,所述目标元素数量可以根据样本数据中材料信息和制作工艺信息中各个参数对应的制作状态集合中元素数量的最小值确定,例如,材料信息和制作工艺信息中参数对应的制作状态集合中,温度制作状态集合的元素数量为20,湿度制作状态集合的元素数量为20,压力制作状态集合的元素数量为23,转速制作状态集合的元素数量为25,则为了预测结果的准确性,用于训练的各个制作状态集合的元素数量应相等,因此,将元素数量最少的温度制作状态集合的元素数量20作为所述目标元素数量,进而根据温度制作状态集合中各个元素的采集时间,从其他的制作状态集合中选取与其采集时间对应的参数值组成用于训练的其他参数制作状态集合。
本实施例根据所述样本数据确定样本隐藏状态集合和样本观测状态集合;根据所述样本隐藏状态集合和所述样本观测状态集合对预设隐马尔科夫模型进行初始训练,得到初始电芯水份预测模型;获取目标序列长度;根据所述目标序列长度从所述样本观测状态集合中提取目标观测状态集合;根据所述目标序列长度和所述目标观测状态集合从所述样本隐藏状态集合中提取目标隐藏状态集合;根据所述目标隐藏状态集合和所述目标观测状态集合对所述初始电芯水份预测模型进行精确训练,得到预设电芯水份预测模型。本实施例先对预设隐马尔科夫模型进行初始训练,得到初始电芯水份预测模型;在通过优化后的样本数据中的目标隐藏状态集合和目标观测状态集合对所述初始电芯水份预测模型进行精确训练,得到预设电芯水份预测模型。能够提高通过预设电芯水份预测模型进行电芯水份预测的准确性,进而提高电芯水份计算效率。
参考图5,图5为本发明电芯水份预测方法第三实施例的流程示意图。
基于上述各实施例,在本实施例中,所述步骤S230,包括:
步骤S2301:获取目标序列长度。
需要说明的是,所述目标序列长度可以是预先通过试验得到的能够使预设电芯水份预测模型的预测结果更加准确的各参数的制作状态集合的集合元素数量或长度。
进一步的,为了使预设电芯水份预测模型的预测结果更加准确,所述步骤S2301之前,还包括:随机生成预测序列长度;根据所述预测序列长度从所述样本观测状态集合中提取训练观测状态集合;根据所述预测序列长度和所述训练观测状态集合从所述样本隐藏状态集合中提取训练隐藏状态集合;将所述训练隐藏状态集合输入至所述初始电芯水份预测模型,获得样本水份预测结果;根据所述样本水份预测结果和所述训练观测状态集合确定预测正确率;根据所述预测正确率确定目标序列长度。
需要说明的是,所述随机生成预测序列长度目的是为了确定用于预测的各个参数的制作状态集合的集合元素数量为多少时,能够使预设电芯水份预测模型的预测结果更加准确。所述样本观测状态集合可以是电芯水份含量的集合,根据所述预测序列长度从所述样本观测状态集合中提取训练观测状态集合可以是根据所述预测序列长度从所述样本观测状态集合中提取训练观测状态集合,提取出来的训练观测状态集合的元素个数等于所述预测序列长度对应的元素数量,即当预测序列长度为10时,从所述样本观测状态集合中提取的训练观测状态集合中的元素数量为10。所述根据所述预测序列长度和所述训练观测状态集合从所述样本隐藏状态集合中提取训练隐藏状态集合可以是在根据所述预测序列长度和所述训练观测状态集合中各个元素的采集时间,从样本隐藏状态集合中选取与所述训练观测状态集合中各个元素的采集时间相同或相近的元素,且使训练隐藏状态集合的元素数量等于所述训练观测状态集合中的元素数量,即为训练观测状态集合中的各个元素从样本隐藏状态集合中提取一个与其采集时间差最小的元素,组成所述训练隐藏状态集合。将所述训练隐藏状态集合输入至所述初始电芯水份预测模型,获得样本水份预测结果可以是通过所述初始电芯水份预测模型预测所述训练隐藏状态集合对应的水份预测结果,即样本水份预测结果。将所述样本水份预测结果与所述训练观测状态集合进行对比,确定在该预测序列长度下,初始电芯水份预测模型的预测准确率,进而根据预测准确率将预测准确率最高的预测序列长度作为目标序列长度。
步骤S2302:根据所述目标序列长度从所述样本观测状态集合中提取目标观测状态集合。
需要说明的是,所述根据所述目标序列长度从所述样本观测状态集合中提取目标观测状态集合可以参照根据所述预测序列长度从所述样本观测状态集合中提取训练观测状态集合的步骤,本实施例在此不在赘述。
步骤S2303:根据所述目标序列长度和所述目标观测状态集合从所述样本隐藏状态集合中提取目标隐藏状态集合。
需要说明的是,所述根据所述目标序列长度和所述目标观测状态集合从所述样本隐藏状态集合中提取目标隐藏状态集合的步骤可以参照根据所述预测序列长度和所述训练观测状态集合从所述样本隐藏状态集合中提取训练隐藏状态集合的步骤,本实施例在此不在赘述。
步骤S2304:根据所述目标隐藏状态集合和所述目标观测状态集合对所述初始电芯水份预测模型进行精确训练,得到预设电芯水份预测模型。
需要说明的是,所述根据所述目标隐藏状态集合和所述目标观测状态集合对所述初始电芯水份预测模型进行精确训练,得到预设电芯水份预测模型可以是根据所述目标隐藏状态集合和所述目标观测状态集合对所述初始电芯水份预测模型进行精确训练,得到训练后的电芯水份预测模型,根据训练后的电芯水份预测模型预测样本数据中的电芯水份,获得预测结果,将所述预测结果与样本数据中的实际电芯水份含量进行拟合,以点到拟合曲线的距离作为评价分值,在所述评价分值大于或等于预设准确率分值后,将训练的电芯水份预测模型作为预设电芯水份预测模型。其中,所述预设准确率分值可以是预先设置的分值,用于评价训练的电芯水份预测模型的预测准确性。
本实施例包括获取目标序列长度;根据所述目标序列长度从所述样本观测状态集合中提取目标观测状态集合;根据所述目标序列长度和所述目标观测状态集合从所述样本隐藏状态集合中提取目标隐藏状态集合;根据所述目标隐藏状态集合和所述目标观测状态集合对所述初始电芯水份预测模型进行精确训练,得到预设电芯水份预测模型。本实施例通过实验得到能够使电芯水份的预测准确率较高的目标序列长度,再根据目标序列长度、样本观测状态集合和样本隐藏状态集合对初始电芯水份预测模型进行精确训练,得到预设电芯水份预测模型。进而使用于电芯水份预测的预设电芯水份预测模型的预测结果更加准确。
参照图6,图6为本发明电芯水份预测装置第一实施例的结构框图。
如图6所示,本发明实施例提出的电芯水份预测装置包括:
获取模块10,用于获取电芯制作过程中的材料信息和制作工艺信息;
制作状态集合确定模块20,用于根据所述材料信息和所述制作工艺信息确定制作状态集合;
预测模块30,用于将所述制作状态集合输入至预设电芯水份预测模型,获得电芯水份预测结果。
本实施例获取电芯制作过程中的材料信息和制作工艺信息;根据所述材料信息和所述制作工艺信息确定制作状态集合;将所述制作状态集合输入至预设电芯水份预测模型,获得电芯水份预测结果。由于本实施例是根据电芯制作过程中的材料信息和制作工艺信息确定制作状态集合;将所述制作状态集合输入至预设电芯水份预测模型,获得电芯水份预测结果。相对于现有的通过在电池内部注入有机溶剂进行萃取,进而计算电芯水份含量的方式,本实施例上述方式能够缩短电芯水份计算时间,提高电芯水份计算效率。
需要说明的是,以上所描述的工作流程仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的,此处不做限制。
另外,未在本实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的电芯水份预测方法,此处不再赘述。
基于本发明上述电芯水份预测装置第一实施例,提出本发明电芯水份预测装置的第二实施例。
在本实施例中,所述制作状态集合确定模块20,还用于确定所述材料信息和所述制作工艺信息中各参数的参数信息;
根据所述参数信息确定制作状态集合。
进一步的,所述预测模块30,还用于获取样本数据;
根据所述样本数据对预设隐马尔科夫模型进行训练,得到预设电芯水份预测模型。
进一步的,所述预测模块30,还用于根据所述样本数据确定样本隐藏状态集合和样本观测状态集合;
根据所述样本隐藏状态集合和所述样本观测状态集合对预设隐马尔科夫模型进行初始训练,得到初始电芯水份预测模型;
根据所述样本隐藏状态集合和所述样本观测状态集合对所述初始电芯水份预测模型进行精确训练,得到预设电芯水份预测模型。
进一步的,所述预测模块30,还用于获取目标序列长度;
根据所述目标序列长度从所述样本观测状态集合中提取目标观测状态集合;
根据所述目标序列长度和所述目标观测状态集合从所述样本隐藏状态集合中提取目标隐藏状态集合;
根据所述目标隐藏状态集合和所述目标观测状态集合对所述初始电芯水份预测模型进行精确训练,得到预设电芯水份预测模型。
进一步的,所述预测模块30,还用于随机生成预测序列长度;
根据所述预测序列长度从所述样本观测状态集合中提取训练观测状态集合;
将所述训练隐藏状态集合输入至所述初始电芯水份预测模型,获得样本水份预测结果;
根据所述样本水份预测结果和所述训练观测状态集合确定预测正确率;
根据所述预测正确率确定目标序列长度。
进一步的,所述预测模块30,还用于获取目标序列长度;
根据所述目标序列长度从所述制作状态集合中提取待预测隐藏状态集合;
将所述待预测隐藏状态集合输入至预设电芯水份预测模型,获得电芯水份预测结果。
本发明电芯水份预测装置的其他实施例或具体实现方式可参照上述各方法实施例,此处不再赘述。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有电芯水份预测程序,所述电芯水份预测程序被处理器执行时实现如上文所述的电芯水份预测方法的步骤。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,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他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种电芯水份预测方法,其特征在于,所述电芯水份预测方法包括以下步骤:
获取电芯制作过程中的材料信息和制作工艺信息;
根据所述材料信息和所述制作工艺信息确定制作状态集合;
将所述制作状态集合输入至预设电芯水份预测模型,获得电芯水份预测结果;
所述将所述制作状态集合输入至预设电芯水份预测模型,获得电芯水份预测结果的步骤之前,还包括:
获取样本数据;
根据所述样本数据确定样本隐藏状态集合和样本观测状态集合;
根据所述样本隐藏状态集合和所述样本观测状态集合对预设隐马尔科夫模型进行初始训练,得到初始电芯水份预测模型;
获取目标序列长度;
根据所述目标序列长度从所述样本观测状态集合中提取目标观测状态集合;
根据所述目标序列长度和所述目标观测状态集合从所述样本隐藏状态集合中提取目标隐藏状态集合;
根据所述目标隐藏状态集合和所述目标观测状态集合对所述初始电芯水份预测模型进行精确训练,得到预设电芯水份预测模型;
所述获取目标序列长度的步骤之前,还包括:
随机生成预测序列长度;
根据所述预测序列长度从所述样本观测状态集合中提取训练观测状态集合;
根据所述预测序列长度和所述训练观测状态集合从所述样本隐藏状态集合中提取训练隐藏状态集合;
将所述训练隐藏状态集合输入至所述初始电芯水份预测模型,获得样本水份预测结果;
根据所述样本水份预测结果和所述训练观测状态集合确定预测正确率;
根据所述预测正确率确定目标序列长度。
2.如权利要求1所述的电芯水份预测方法,其特征在于,所述根据所述材料信息和所述制作工艺信息确定制作状态集合的步骤,包括:
确定所述材料信息和所述制作工艺信息中各参数的参数信息;
根据所述参数信息确定制作状态集合。
3.如权利要求1-2任一项所述的电芯水份预测方法,其特征在于,所述将所述制作状态集合输入至预设电芯水份预测模型,获得电芯水份预测结果的步骤,包括:
获取目标序列长度;
根据所述目标序列长度从所述制作状态集合中提取待预测隐藏状态集合;
将所述待预测隐藏状态集合输入至预设电芯水份预测模型,获得电芯水份预测结果。
4.一种电芯水份预测装置,其特征在于,所述电芯水份预测装置包括:
获取模块,用于获取电芯制作过程中的材料信息和制作工艺信息;
制作状态集合确定模块,用于根据所述材料信息和所述制作工艺信息确定制作状态集合;
预测模块,用于将所述制作状态集合输入至预设电芯水份预测模型,获得电芯水份预测结果;
所述将所述制作状态集合输入至预设电芯水份预测模型,获得电芯水份预测结果之前,包括:
获取样本数据;
根据所述样本数据确定样本隐藏状态集合和样本观测状态集合;
根据所述样本隐藏状态集合和所述样本观测状态集合对预设隐马尔科夫模型进行初始训练,得到初始电芯水份预测模型;
获取目标序列长度;
根据所述目标序列长度从所述样本观测状态集合中提取目标观测状态集合;
根据所述目标序列长度和所述目标观测状态集合从所述样本隐藏状态集合中提取目标隐藏状态集合;
根据所述目标隐藏状态集合和所述目标观测状态集合对所述初始电芯水份预测模型进行精确训练,得到预设电芯水份预测模型;
所述获取目标序列长度之前,包括:
随机生成预测序列长度;
根据所述预测序列长度从所述样本观测状态集合中提取训练观测状态集合;
根据所述预测序列长度和所述训练观测状态集合从所述样本隐藏状态集合中提取训练隐藏状态集合;
将所述训练隐藏状态集合输入至所述初始电芯水份预测模型,获得样本水份预测结果;
根据所述样本水份预测结果和所述训练观测状态集合确定预测正确率;
根据所述预测正确率确定目标序列长度。
5.一种电芯水份预测设备,其特征在于,所述设备包括: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电芯水份预测程序,所述电芯水份预测程序配置为实现如权利要求1至3中任一项所述的电芯水份预测方法的步骤。
6.一种存储介质,其特征在于,所述存储介质上存储有电芯水份预测程序,所述电芯水份预测程序被处理器执行时实现如权利要求1至3任一项所述的电芯水份预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211087655.8A CN115169756B (zh) | 2022-09-07 | 2022-09-07 | 电芯水份预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211087655.8A CN115169756B (zh) | 2022-09-07 | 2022-09-07 | 电芯水份预测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115169756A CN115169756A (zh) | 2022-10-11 |
CN115169756B true CN115169756B (zh) | 2022-12-09 |
Family
ID=83481240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211087655.8A Active CN115169756B (zh) | 2022-09-07 | 2022-09-07 | 电芯水份预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115169756B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108241872A (zh) * | 2017-12-30 | 2018-07-03 | 北京工业大学 | 基于多特征因子的隐马尔科夫模型的自适应股票预测方法 |
CN108303493A (zh) * | 2017-12-29 | 2018-07-20 | 东莞市德瑞精密设备有限公司 | 电池水含量的预测方法 |
CN109830713A (zh) * | 2019-01-16 | 2019-05-31 | 清华大学 | 燃料电池水含量检测方法、装置及计算机可读存储介质 |
WO2021051945A1 (zh) * | 2019-09-18 | 2021-03-25 | 平安科技(深圳)有限公司 | 服务器性能监控方法、装置、计算机设备及存储介质 |
CN113505926A (zh) * | 2021-07-14 | 2021-10-15 | 同济大学 | 一种基于阻抗预测模型自更新的燃料电池故障预测方法 |
CN113608137A (zh) * | 2021-07-30 | 2021-11-05 | 骆驼集团武汉光谷研发中心有限公司 | 一种质子交换膜燃料电池电堆寿命预测方法 |
CN114372613A (zh) * | 2021-12-17 | 2022-04-19 | 无锡先导智能装备股份有限公司 | 液体含量分析方法、装置、介质、上位机及干燥线系统 |
CN114551944A (zh) * | 2022-01-07 | 2022-05-27 | 国网浙江省电力有限公司电力科学研究院 | 质子交换膜燃料电池内部含水量的快速控制方法及系统 |
CN115017826A (zh) * | 2022-06-30 | 2022-09-06 | 安徽大学 | 一种装备剩余使用寿命预测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105095613B (zh) * | 2014-04-16 | 2018-05-18 | 华为技术有限公司 | 一种基于序列数据进行预测的方法及装置 |
US9979724B2 (en) * | 2015-02-06 | 2018-05-22 | NXT-ID, Inc. | Distributed method and system to improve collaborative services across multiple devices |
US10599987B2 (en) * | 2016-07-14 | 2020-03-24 | King Fahd University Of Petroleum And Minerals | Apparatuses, systems, and methodologies for permeability prediction |
CN114970841A (zh) * | 2021-02-22 | 2022-08-30 | 华为技术有限公司 | 电池状态预测模型的训练方法及相关装置 |
-
2022
- 2022-09-07 CN CN202211087655.8A patent/CN115169756B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108303493A (zh) * | 2017-12-29 | 2018-07-20 | 东莞市德瑞精密设备有限公司 | 电池水含量的预测方法 |
CN108241872A (zh) * | 2017-12-30 | 2018-07-03 | 北京工业大学 | 基于多特征因子的隐马尔科夫模型的自适应股票预测方法 |
CN109830713A (zh) * | 2019-01-16 | 2019-05-31 | 清华大学 | 燃料电池水含量检测方法、装置及计算机可读存储介质 |
WO2021051945A1 (zh) * | 2019-09-18 | 2021-03-25 | 平安科技(深圳)有限公司 | 服务器性能监控方法、装置、计算机设备及存储介质 |
CN113505926A (zh) * | 2021-07-14 | 2021-10-15 | 同济大学 | 一种基于阻抗预测模型自更新的燃料电池故障预测方法 |
CN113608137A (zh) * | 2021-07-30 | 2021-11-05 | 骆驼集团武汉光谷研发中心有限公司 | 一种质子交换膜燃料电池电堆寿命预测方法 |
CN114372613A (zh) * | 2021-12-17 | 2022-04-19 | 无锡先导智能装备股份有限公司 | 液体含量分析方法、装置、介质、上位机及干燥线系统 |
CN114551944A (zh) * | 2022-01-07 | 2022-05-27 | 国网浙江省电力有限公司电力科学研究院 | 质子交换膜燃料电池内部含水量的快速控制方法及系统 |
CN115017826A (zh) * | 2022-06-30 | 2022-09-06 | 安徽大学 | 一种装备剩余使用寿命预测方法 |
Non-Patent Citations (2)
Title |
---|
不同烘烤工艺电芯的水分和循环性能;郑留群;《电池》;20140625;第44卷(第03期);第161-163页 * |
反应工程方法在锂电池真空干燥模拟上的应用;杨兴富;《化工学报》;20220417;第73卷(第7期);第3262-3272页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115169756A (zh) | 2022-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2367018B1 (en) | AC impedance measuring device | |
CN114114049B (zh) | 一种基于样本迁移的锂离子电池寿命预测方法 | |
Li et al. | On-line estimation method of lithium-ion battery health status based on PSO-SVM | |
CN110598300A (zh) | 一种电池soh预测方法及装置 | |
CN117148168B (zh) | 训练模型的方法、预测电池容量的方法、装置及介质 | |
CN114280479A (zh) | 一种基于电化学阻抗谱的退役电池快速分选方法 | |
Luo et al. | A simple feature extraction method for estimating the whole life cycle state of health of lithium-ion batteries using transformer-based neural network | |
CN115308608A (zh) | 一种全钒液流电池电压预测方法、装置及介质 | |
CN115169756B (zh) | 电芯水份预测方法、装置、设备及存储介质 | |
Wu et al. | Prediction of remaining useful life of the lithium-ion battery based on improved particle filtering | |
CN115452697A (zh) | 一种燃料电池金属双极板耐蚀性能评价方法 | |
CN108594117B (zh) | 确定电池容量的方法、装置、终端设备及计算机存储介质 | |
CN113945676A (zh) | 分析电芯内部电解液分布状态的方法及其应用 | |
CN116466237B (zh) | 一种锂电池的充电安全监测预警方法及系统 | |
CN116908727A (zh) | 一种基于多特征组合的储能电站锂电池容量估计方法 | |
CN116338502A (zh) | 一种基于随机噪声增强和循环神经网络的燃料电池寿命预测方法 | |
CN115754772A (zh) | 一种电池容量衰减处理方法、装置、设备和存储介质 | |
Xia et al. | Short-Term Capacity Estimation and Long-Term Remaining Useful Life Prediction of Lithium-Ion Batteries Based on a Data-Driven Method | |
CN109633475A (zh) | 一种磷酸铁锂能量型电池寿命预估方法 | |
Chang et al. | Electrochemical aging model of lithium-ion battery with impedance output and its parameter sensitivity analysis and identification | |
CN114076899B (zh) | 电池寿命的分档预估方法、装置、设备、系统及介质 | |
CN110108239B (zh) | 极片质量信息获取方法、系统及设备 | |
CN117637081B (zh) | 一种用于废旧电池材料的智能修复评估方法 | |
CN115544903B (zh) | 基于大数据的电池数据处理方法、装置、设备及存储介质 | |
CN115980587A (zh) | 一种锂电池容量补偿方法、系统、电子设备及其介质 |
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 |