CN115792637A

CN115792637A - 一种锂电池健康状态估算方法

Info

Publication number: CN115792637A
Application number: CN202211582119.5A
Authority: CN
Inventors: 张周杨; 于天浩; 陈张平; 朱钦南; 张尧; 张帆; 孔亚广; 王春达
Original assignee: Hangzhou Dianzi University
Current assignee: Hangzhou Dianzi University
Priority date: 2022-12-09
Filing date: 2022-12-09
Publication date: 2023-03-14

Abstract

本发明公开了一种锂电池健康状态估算方法，利用锂电池使用过程中产生的外壳形变来预测剩余寿命，该方法以外壳形变角度来估计锂电池健康状态，并将锂电池的充电过程以及放电过程中主、俯、左三视图彩色图像作为输入，通过图像分割神经网络模型分割出图像中属于电池的像素点图像，与该电压状态下正常锂电池的像素点图像比对得出该锂电池是否存在异常，同时将分割出的图像作为深度卷积神经网络回归模型的输入，来预测当前状态下电池的电量，同时结合红外测温仪完成对锂电池温度的监测。使用充放电装置对锂电池进行曲线短时充电和段时放电操作，使用深度学习模型结合红外测温，从而实现锂电池健康状态的评估，对于锂电池健康状态预测具有重要的意义。

Description

一种锂电池健康状态估算方法

技术领域

本发明属于锂电池管理技术领域，设计一种锂电池健康状态估算方法，具体地说是基于外形鼓包的深度学习算法锂电池健康状态估算方法。

背景技术

锂电池具有高能量密度、无记忆效应等特点，在各种领域有着广泛的应用，作为许多系统的核心部件，其健康状况和性能影响整个设备的运作，为了提高这类系统的可靠性，预测锂电池的健康状态显得尤为重要。

随着循环次数的增加，锂电池的容量会不断下降，因此容量长被用来定义剩余使用寿命，到达一定的阈值则判定电池失效。目前锂电池管理主要依靠外观观察和基于数据驱动的预测方法，大多选择自身性能参数，如：电压、电流等作为关键观测数据，但很少有关注外壳形变这一特殊因子。然而软包锂电池使用过程中内部会产生气体，导致电池单体壳体发生形变，是影响电池安全性能的重要因素。

传统的人工辨别锂电池鼓包费时费力，不但造成人力浪费，效率低下，而且无法对锂电池寿命作出较准确的预测。因此，需要一种高效的自动的锂电池健康状态估算方法，对保障锂电池安全可靠运行具有重要的意义。

发明内容

为了解决上述问题，本发明设计了一种基于深度学习预测电池剩余寿命的方法，其目的在于利用锂电池使用过程中产生的外壳形变来预测剩余寿命，该方法以外壳形变角度来估计锂电池健康状态，并将锂电池的充电过程以及放电过程中主、俯、左三视图彩色图像作为输入，通过图像分割神经网络模型分割出图像中属于电池的像素点图像，与该电压状态下正常锂电池的像素点图像比对得出该锂电池是否存在异常，同时将分割出的图像作为深度卷积神经网络回归模型的输入，来预测当前状态下电池的电量，同时结合红外测温仪完成对锂电池温度的监测。使用充放电装置对锂电池进行曲线短时充电和段时放电操作，使用深度学习模型结合红外测温，从而实现锂电池健康状态的评估，对于锂电池健康状态预测具有重要的意义。

本发明提供了一种锂电池健康状态估算方法，包括以下步骤：

步骤S1：获取训练数据并制作数据集，所述训练数据包括锂电池的图像、图像掩膜标签、电压以及电池电量；

步骤S2：构建图像分割神经网络模型，并设置模型参数；

步骤S3：训练得到最优的图像分割神经网络模型；

步骤S4：构建深度卷积神经网络回归模型建模，并设置模型参数；

步骤S5：训练得到最优的深度卷积神经网络回归模型；

通过设定目标函数和使用误差反向传播算法训练，对所述深度卷积神经网络回归模型的权值和偏置进行更新，直至回归模型在测试集上的准确率(Acc)达到95％以上，以此得到电池外壳形变图像与电池电量的映射关系；

步骤S6：将验证集中锂电池的图像输入至完成训练的图像分割神经网络模型中，图像分割神经网络模型输出二维掩膜图像，将二维掩膜图像作为完成训练后的深度卷积神经网络回归模型输入，得到电池外壳形变图像与电池电量的映射关系；

步骤S7：根据深度卷积神经网络回归模型的输出，记录电池在上述单次充放电全过程中的外形变化和SOH变化曲线，结合红外测温仪测定锂电池充放电过程中的温度曲线，与锂电池充放电时的正常温度曲线进行比较，实现对锂电池健康状态的评估以及剩余电量的预测。

作为优选，所述步骤S1中训练数据的获取方式为：对锂离子电池进行满充操作，记录锂电池主、俯、左三视图彩色图像作为训练模型输入的图像，将图像中属于锂电池的像素点标记出来，作为数据集的图像掩膜标签，并且记录下每张图片所对应的电压；相同的，将满充后的锂电池进行放电，直至电压下降至截止电压，利用安时积分法记录该放电过程中的电量，放电过程中同时记录下锂电池三视图图像，制作图像标签，记录图像对应的电压。

作为优选，获取训练数据时，对锂电池进行满充和放电的方式为：依照时间分段变化的短时充放电的电流变化模型对待检测锂电池进行短时充电，使用该方式进行该电压下的短时放电。

作为优选，所述数据集按7：1：2的比例分为训练集、测试集和验证集。

作为优选，所述步骤S2中，采用Segformer作为图像分割神经网络模型。

作为优选，训练时，将训练集中的图像和图像掩膜标签送入图像分割神经网络模型进行训练，同时测试集输入图像分割神经网络模型中，直至模型交并比指标(mIoU)大于0.8、准确率(Acc)大于95％。

作为优选，所述深度卷积神经网络回归模型由1个输入层、4个卷积层+BN层、4个池化层、1个全连接层和1个输出层组成。

作为优选，所述深度卷积神经网络回归模型训练时，使用图像掩膜标签作为输入数据，该图像掩膜标签相对应的电压以及电池电量作为标签，输入时对输入数据采取归一化，使用卷积层提取图像特征、减少参数量，使用池化层去除冗余信息，采用ReLu函数作为激活函数；通过加入BN层，利用优化变一下方差大小和均值位置；最后使用全连接层，过ReLu激活函数后输出，最终得到锂电池的剩余电量值。

作为优选，所述深度卷积神经网络回归模型的设定，以最小化平均绝对误差为目标函数，以最大误差作为性能评价函数。

相对于现有技术，本发明具有以下优势：

1、本发明首次提出使用两种深度学习模型承接的方式来进行锂电池健康状态的评估和剩余电量的预测，将图像分割神经网络模型和深度卷积神经网络回归模型两种模型相结合，图像分割神经网络模型提取电池的形变特征再将其特征送入回归模型预测电量，此乃首例。通过图像分割出的锂电池掩膜图像来判断电池的健康状态，可以体现电池外壳形变的微小变化，避免环境因素对锂电池外形识别的影响，先比于传统的肉眼辨别更加准确、精度更高。

2、本发明首次提出基于锂电池充放电过程中，锂电池外壳形变(图像掩膜变化)变化量到当前锂电池SOC之间非线性映射关系的表征，锂电池的健康状态一般通过容量和内阻来衡量，此发明解决了容量和内阻难以在线获取的问题。

3、本发明首次提出使用深度学习模型对锂电池充放电全过程进行外形形变数据提取和剩余电量预测，并使用SOC曲线进行健康状态预测。采用视觉加红外的方式，在全过程中结合红外测温完成锂电池表面温度的全程监测，实现对锂电池充放电全过程整体监控，利用过程数据进行判断。

4、本发明首次提出设计一种依照时间分段变化的短时充放电的电流变化模型，用于在短时间内检测各种充放电情况下电池的健康状态是否存在问题。使用这种方式能够快速得到各种电流大小以及不同电流变化情况下的锂电池外形变化信息，快速完成对锂电池各种充电情况下的健康状态评估以及剩余电量SOC预测。既达到了节省时间、批量预测的效果，又能完成电池在各种状态下的性能评估。

5、本发明采用基于数据驱动的方法，数据驱动法不需要具体的研究失效机理，而是通过给定的训练样本，挖掘输入与输出之间的隐含信息并预测未来趋势。不需要了解锂电池内部的复杂生化反应，具有很强的灵活性和普适性，可实现精确度更高、稳定性更好的SOC预测。

6、本发明借助于深度学习模型的泛化性能，可以对锂电池充放电全过程当中各个电压阶段的锂电池进行实时的健康状态的标准评估以及剩余电流预测，具有极强的普适性和泛化性。

7、本发明不需要耗费大量人力对锂电池鼓包情况进行人工辨别，降低了成本，提高了方法的准确性、实用性和经济性。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为本发明方法流程图；

图2为本发明工作过程流程图；

图3为图像分割神经网络模型训练结构流程图；

图4为深度卷积神经网络回归模型训练结构流程图；

图5为本发明的锂电池健康状态评估及剩余电量预测装置的结构示意图。

附图中，各数字含义为：1：待测锂电池；2-1、2-2、2-3：三视图摄像头；3：连接锂电池的悬挂式充放电装置；4：充放电区及摄像头拍摄区；5：传送带；6：传动电机；7：红外测温仪。

图6为依照时间分段变化的短时充放电的电流变化模型

具体实施方式

下面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。

本实施例提供了一种锂电池健康状态估算方法，如图1和图2所示，包括如下步骤：

步骤S1：获取两个模型的训练数据并构建数据集，分别是输入图像、图像掩膜标签、电压以及电池电量，将数据集按7：1：2的比例分为训练集、测试集和验证集；

步骤S2：完成图像分割神经网络模型建模，并设置模型参数；

步骤S3：训练得到最优的图像分割神经网络模型；

步骤S4：完成深度卷积神经网络回归模型建模，并设置模型参数；

步骤S5：训练得到最优的深度卷积神经网络回归模型；

步骤S6：将验证集中锂电池的图像输入至完成训练的图像分割神经网络模型中，图像分割神经网络模型输出二维掩膜图像，将二维掩膜图像作为完成训练后的深度卷积神经网络回归模型输入，得到电池外壳形变图像与电池电量的映射关系

步骤S7：深度卷积神经网络回归模型的输出，记录电池在上述单次充放电全过程中的外形变化和SOC变化曲线，结合红外测温仪测定锂电池充放电过程中的温度曲线，与标准值进行比较，实现对锂电池健康状态的评估以及剩余电量的预测；

目前，锂电池主要以铝塑膜或其它软材料为外壳包裹材料，软包动力锂离子电池的使用过程中壳体内部有气体产生，随着气体析出量的增加导致电池包内电池单体壳体发生形变，气胀现象在软包装动力锂离子电池中是影响电池安全性能和电池寿命的重要因素。

步骤S1中对锂离子电池的充放电方式进行满充操作，记录锂电池主、俯、左三视图彩色图像作为训练集的输入图像，人工将图像中属于锂电池的像素点标记出来，作为训练集的图像掩膜标签，并且记录下每张图片所对应的电压；同时，将满充后的锂电池使用步骤S6所述的充放电方式进行放电，直至电压下降至截止电压，利用安时积分法记录该放电过程中的电量，深度卷积神经网络的训练输出则为当前状态下锂离子电池容量，即锂电池SOC；放电过程中同时记录下锂电池三视图图像，制作图像标签，记录图像对应的电压。三视图图像、图像掩膜标签作为图像分割神经网络模型的训练数据；图像掩膜标签，电池电量作为深度卷积神经网络回归模型的训练数据。

具体的，用于估算的数据采集利用预设依照时间分段变化的短时充放电的电流变化模型对锂电池进行短时充电之后再使用该方式进行该电压下的短时放电，得到锂电池在各种电流大小以及电流变化过程中的外壳形变信息。这里设计了一种依照时间分段变化的短时充放电的电流变化模型，用于在短时间内检测各种充放电情况下电池的健康状态是否存在问题。模型满足以下公式：

电流变化模型可以分为低电流恒流(t₀,t₁)、平稳上升电流(t₁,t₂)、高电流恒流(t₂,t₃)、三角波电流(t₃,t₄)、正弦波电流(t₄,t₅)、方波电流(t₅,t₆)六部分。在这里根据示意图选取部分参数，上式中C₁取0.2、C₂取1.6，表示高低两种恒流，正弦波和三角波的幅值A取0.4，b₃取1.2。电流单位为A(安培)。这样的取值保证高低电流跨度大，方便反映锂电池不同情况下的健康状态，同时电流突变处幅值较小，避免了在充放电时对锂电池造成伤害。这样取值符合多数实际测试情况，满足对锂电池的实际测试需求。所有参数均可以根据测试情况需要进行调整。可以检测在不同充放电情况下，如恒定电流、电流均匀变化、电流阶跃突变等，电池的健康状态是否正常以及健康状态是否会发生改变。达到能够在较短的充电时间内，得到各种充放电状况的锂电池外形变化信息的效果。

本实施例的进一步设置，如图3所示，步骤S2中深度学习图像分割神经网络，图像分割神经网络模型，用于提取电池三视图图像当中属于电池的图像掩膜(即锂电池外形信息)。通过完成对图像当中锂电池的语义分割来得到一幅当前图像中电池的掩膜(mask)，以便于在检测电池的健康状态时，通过得到当前电池的掩膜图像并将该图像与该电压状态下标准电池的掩膜图像进行比对，以便对该电压状态下电池是否偏离标准、是否存在健康问题进行判断。对于图像分割神经网络模型，我们可以选择Segformer作为电池的图像分割神经网络模型。电池图像的颜色、形状等特征较为明显，与图像中的背景有较大差别，Segformer作为当前最为主流的一种简单有效且功能强大的语义分割框架，其模型通过深度融合分层Transformer编码算法与轻型多层感知机(MLP)解码算法，并可以通过更改模型深度来调整权衡模型预测时间与精度的关系。选用该模型作为锂电池的识别图像分割神经网络模型，既能满足检测设备的算力情况，达到一个较为快速的检测要求，同时又能满足在输出的掩膜图像中能够体现出锂电池外壳微小形变的精度要求。

步骤S3中通过设置好图像分割神经网络模型的基本超参数，将充放电过程中采集好的锂电池图像和标记出的标签制作数据集送入神经网络进行训练，同时随机选取一部分数据集作为测试集，通过测试，对比标签与预测结果得到交并比(IoU)指标，计算预测图像的平均帧率(FPS)，用于评估模型性能，再通过调整模型超参数对模型性能进行改进。

本实施例的进一步设置，如图4所示，步骤S4中卷积神经网络(Convolutionalneuralnetwork，CNN)构成的深度卷积神经网络回归模型是一种特殊的多层感知机。标准的卷积神经网络一般由输入层、卷积层和池化层、全连接层和输出层构成。此步骤分别搭建卷积神经网络输入层、卷积层、池化层、全连接层、输出层结构；为了快速准确地对输入特征进行提取，在每个卷积层后面添加批标准化层(batch normalization，BN),从而可设置较大的学习率，以加快模型的收敛速度，避免深层网络的梯度消失或爆炸问题，提高模型的泛化能力。改进后的模型由1个输入层、4个卷积层+BN层、4个池化层、1个全连接层和1个输出层组成；选择合适的激活函数、目标函数、优化算法和评价函数；设置卷积神经网络采样间隔、训练迭代次数、学习率等超参数，并初始化网络权值和偏置量。

步骤S5中将锂电池图像掩膜标签以及电池电量作为深度卷积神经网络回归模型的训练数据，通过优化算法实现深度卷积神经网络权值和偏置量等参数的学习，直至目标函数满足要求，得到电池外壳形变图像与电池电量的映射关系。

具体的，如图5所示，步骤S7中，通过传送带、充放电装置以及摄像头装置实现从锂电池在步骤S6中的单次充放电全过程的图像中，通过深度学习模型预测得到锂电池的外形变化信息和SOC变化信息，记录下锂电池充放电全过程当中的外形变化和SOC变化曲线，将得到的外形数据和SOC变化曲线与标准电池的外形数据以及SOC数据进行比对，再结合装置中的红外测温仪测绘出锂电池充放电过程中的温度变化信息，与标准值进行比较，从而快速、批量实现对锂电池健康状态的评估以及对锂电池剩余电量的预测。

本实施例中，

(一)锂电池的形变对于锂电池的健康状态评估具有重要的参考意义，为了让装置从摄像头采集到的图像中，能够自动的提取锂电池的三视图即三种角度的形变信息，于是采用深度学习图像分割的方法，在图像中能够自动提取属于锂电池的像素点，从而得到锂电池的外形信息。

(二)图像分割神经网络模型用于在充电或放电过程中实时提取锂电池的三视图形变信息，并将提取出来的锂电池图像掩膜送入深度卷积神经网络回归模型进行锂电池剩余电量的预测。其中图像分割神经网络模型的主干网络结构如图3所示：本发明的图像分割网络模型选用Segformer模型，该模型的前半部分使用了具有多层Tansformer结构的编码器(MiT)，可以输出图像的多尺度特征，其中每个TansformerBlock中还融合有高效自注意力机制(Efficient Self-Attn),融合前馈神经网络(Mix-FFN)使用深度卷积减少模型参数量提高运算效率，最后进行OverlappedPatchMerging，Tansformer Block后进行尺度变换，分多次进行。这样的多尺度多层编码器在提取并保留图像特征的时候能够适应多种图像分辨率。模型的后半部分使用轻量化的多层感知机解码器(LightweightAll-MLPDecoder)，融合前半部分编码器传来的多种尺度特征，避免了通常使用的其他方法中的计算要求高的模块，同时保证了有效的感受野分析(Field Analysis)。上述结构保证了模型在能够精准分割出锂电池图像的同时，又能够以较快的速度完成锂电池图像分割。模型使用交并比(IoU)作为模型优劣的评价标准，使用lovasz_loss作为损失函数实现参数的自更新。

(三)深度卷积神经网络回归模型——二维回归模型用于通过使用图像分割神经网络模型的预测结果，来推测电池的剩余电量。图像分割神经网络模型的输出结果为一幅当前图像中电池的掩膜，该掩膜为维度为二维，因此可以使用二维输入的深度卷积神经网络来提取二维掩膜图像当中的图像边缘特征，即通过锂电池的外壳形变特征来判断剩余的电池电量。其中深度卷积神经网络回归模型的网络结构简图如图3所示：该网络使用二维掩膜图像作为输入数据，输入时对输入数据采取归一化，使用卷积层提取图像特征、减少参数量，使用池化层去除冗余信息，采用ReLu函数作为激活函数，更好地拟合目标函数。在训练过程中，除了输入层的数据作了归一化处理外，其余每一层的输入数据分布是一直在发生变化的，通过加入BN层，利用优化变一下方差大小和均值位置，使得新的分布更切合数据的真实分布，保证模型的非线性表达能力。最后使用全连接层，过ReLu激活函数后输出，最终得到锂电池的剩余电量(SOC)值。本模型通过设定目标函数和使用误差反向传播算法训练，对卷积神经网络卷积核中的权值和偏置等参数进行更新，以最小化平均绝对误差(MeanAbsolute Error，MAE)为目标函数，以最大误差(MaxError,MAX)作为性能评价函数。

(四)1：待测锂电池；2-1、2-2、2-3：三视图摄像头；3：连接锂电池的悬挂式充放电装置；4：充放电区及摄像头拍摄区；5：传送带；6：传动电机；7：红外测温仪

(五)本发明的整体工作流程如图2所示，发明装置如图5所示。图像分割神经网络模型和深度卷积神经网络回归模型训练完成后部署在设备上之后，待测锂电池1由传送带5在传动电机6的作用下送入充放电区及摄像头拍摄区4之后，通过三个摄像头(2-1、2-2、2-3)从三个角度对待测锂电池1的健康状态以及剩余电量进行计算机视觉上的实时预测，红外测温仪7可以完成待测锂电池充放电全过程的测温，在测温时，通过连接锂电池的悬挂式充放电装置3为待检测锂电池1进行充放电。由充放电装置依照图6所示的依照时间分段变化的短时充放电的电流变化模型对锂电池进行短时充电操作或短时放电操作的同时，图像分割神经网络模型将锂电池的外形特征自动通过图像掩膜的形式提取出来之后，可以与该标准电压下标准锂电池的外形特征进行对比，得出对该电池目前是否处于健康状态的判断。再将锂电池的外形信息传入深度卷积神经网络回归模型进行回归分析，得到当前锂电池的电量信息。通过此装置可以实现对锂电池充放电全过程当中外形变化、电量变化、温度变化，通过分析这些变化与标准锂电池数值进行比较的出锂电池的健康状态、剩余电量等信息。此外，装置既可以对锂电池进行间断检测，也可以进行连续检测，也就是可以针对大批量锂电池，每个锂电池进行当前电压下的健康状态以及剩余电量的检测，也可以针对单个锂电池在整个充放电过程中的视频流连续检测，得出整个充放电过程中的锂电池健康信息。

Claims

1.一种锂电池健康状态估算方法，其特征在于，包括以下步骤：

步骤S2：构建图像分割神经网络模型，并设置模型参数；

步骤S3：训练得到最优的图像分割神经网络模型；

步骤S5：训练得到最优的深度卷积神经网络回归模型；

通过设定目标函数和使用误差反向传播算法训练，对所述深度卷积神经网络回归模型的权值和偏置进行更新，直至准确率达到95％以上，以此得到电池外壳形变图像与电池电量的映射关系；

步骤S7：根据深度卷积神经网络回归模型的输出，记录电池在上述单次充放电全过程中的外形变化和SOH变化曲线，结合红外测温仪测定锂电池充放电过程中的温度曲线，与锂电池充放电时的正常温度曲线行比较，实现对锂电池健康状态的评估以及剩余电量的预测。

2.根据权利要求1所述的锂电池健康状态估算方法，其特征在于，所述步骤S1中训练数据的获取方式为：对锂离子电池进行满充操作，记录锂电池主、俯、左三视图彩色图像作为训练模型输入的图像，将图像中属于锂电池的像素点标记出来，作为数据集的图像掩膜标签，并且记录下每张图片所对应的电压；相同的，将满充后的锂电池进行放电，直至电压下降至截止电压，利用安时积分法记录该放电过程中的电量，放电过程中同时记录下锂电池三视图图像，制作图像标签，记录图像对应的电压。

3.根据权利要求2所述的锂电池健康状态估算方法，其特征在于，获取训练数据时，对锂电池进行满充和放电的方式为：依照时间分段变化的短时充放电的电流变化模型对待检测锂电池进行短时充电，使用该方式进行该电压下的短时放电。

4.根据权利要求1所述的锂电池健康状态估算方法，其特征在于，所述数据集按7：1：2的比例分为训练集、测试集和验证集。

5.根据权利要求4所述的锂电池健康状态估算方法，其特征在于，所述步骤S2中，采用Segformer作为图像分割神经网络模型。

6.根据权利要求5所述的锂电池健康状态估算方法，其特征在于，训练时，将训练集中的图像和图像掩膜标签送入图像分割神经网络模型进行训练，同时测试集输入图像分割神经网络模型中，直至模型交并比指标大于0.8、准确率大于95％。

7.根据权利要求1所述的锂电池健康状态估算方法，其特征在于，所述深度卷积神经网络回归模型由1个输入层、4个卷积层+BN层、4个池化层、1个全连接层和1个输出层组成。

8.根据权利要求7所述的锂电池健康状态估算方法，其特征在于，所述深度卷积神经网络回归模型训练时，使用图像掩膜标签作为输入数据，该图像掩膜标签相对应的电压以及电池电量作为标签，输入时对输入数据采取归一化，使用卷积层提取图像特征、减少参数量，使用池化层去除冗余信息，采用ReLu函数作为激活函数；通过加入BN层，利用优化变一下方差大小和均值位置；最后使用全连接层，过ReLu激活函数后输出，最终得到锂电池的剩余电量值。

9.根据权利要求8所述的锂电池健康状态估算方法，其特征在于，所述深度卷积神经网络回归模型的设定，以最小化平均绝对误差为目标函数，以最大误差作为性能评价函数。