CN115877223A

CN115877223A - 锂电池检测方法、装置、设备及存储介质

Info

Publication number: CN115877223A
Application number: CN202310195089.0A
Authority: CN
Inventors: 甄爱钢; 孔繁振; 刘元龙; 李娜; 王娟; 马佳; 付贤家; 许博聪; 徐静云
Original assignee: Zhejiang Tianneng New Material Co ltd
Current assignee: Zhejiang Tianneng New Material Co ltd
Priority date: 2023-03-03
Filing date: 2023-03-03
Publication date: 2023-03-31
Anticipated expiration: 2043-03-03
Also published as: CN115877223B

Abstract

本发明公开了一种锂电池检测方法、装置、设备及存储介质，该方法包括：采集待测锂电池的电池容量序列，基于变分模态分解算法对电池容量序列进行去噪处理，获得无扰电池容量序列，通过预设卷积网络模型对无扰电池容量序列进行计算，获取类别标签，根据类别标签获取对应的容量退化序列，将容量退化序列和无扰电池容量序列进行组合，获得完整电池容量序列，并对完整电池容量序列进行拟合，获得目标拟合回归曲线，通过对目标拟合回归曲线进行反归一化处理，从而确定待测锂电池的电池容量和剩余使用寿命，由于本发明基于变分模态分解算法提取大量的容量退化序列对预设卷积网络模型进行训练，从而降低了噪声干扰，进而提高了检测的精准度和有效性。

Description

锂电池检测方法、装置、设备及存储介质

技术领域

本发明涉及锂电池领域，尤其涉及一种锂电池检测方法、装置、设备及存储介质。

背景技术

随着社会的蓬勃发展和科技的不断进步，锂离子电池由于具有能量密度高、使用寿命长和自放电率低等优点，被广泛应用于电动汽车、微电网和电子消费等领域，与人们的日常生活联系的越来越紧密。众所周知，锂离子电池经过反复充放电后，由于锂离子电池中活性锂离子数量的减少，以及隔膜电解质的分解和老化等因素，锂离子电池的 SOH（Stateof Health，健康状态）会恶化，其容量和RUL（Remaining Useful Life, 剩余使用寿命）会衰减，准确的锂离子电池容量和RUL预测能帮助用户及时维护或更换电池，提高电气设备或系统的安全性和可靠性。

目前，预测锂离子电池容量和RUL仍然是锂离子电池研究的热点和难点，其中，SOH是在标准条件下，一个完全充电的电池的容量与标称容量的的百分比，它反映了电池的衰减程度，对于一节新电池来说，SOH通常可定义为100 %，失效阈值是当实际容量达到标称容量的70 % ~ 80%，RUL被认为是锂离子电池从当前时间至失效阈值的时间长度，大量的文献开展了相关研究，这些算法或方法主要分为：基于模型的研究方法和基于数据的研究方法。

基于模型的方法估计电池的性能速度快，但由于电池内部性能极为复杂且变化差异大，实际电池运行工况复杂多变，造成基于模型的方法对电池动、静态特性的描述的能力较弱，容量和RUL预测误差大。基于数据的方法不考虑锂离子电池的内部电化学退化机理，它只依赖于历史退化数据，这些数据包含了电池的内部材料特性和运行工况信息，因此，基于数据的方法可以在一定程度上克服了基于模型的方法静动态描述能力差等问题，但是该类方法对于锂离子电池样本较少且存在噪声干扰的情况下，其容量和RUL预测存在精度极低且鲁棒性差等问题。

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相关技术。

发明内容

本发明的主要目的在于提供了一种锂电池检测方法、装置、设备及存储介质，旨在解决现有技术中锂离子电池容量和RUL检测精准度不高的技术问题。

为实现上述目的，本发明提供了一种锂电池检测方法，所述方法包括以下步骤：

采集待测锂电池的电池容量序列，基于变分模态分解算法对所述电池容量序列进行去噪处理，获得无扰电池容量序列；

通过预设卷积网络模型对所述无扰电池容量序列进行计算，获取类别标签，所述预设卷积神经网络模型的训练数据集中包含多个预先标注好类别标签的容量退化序列；

根据所述类别标签获取对应的容量退化序列；

将所述容量退化序列和所述无扰电池容量序列进行组合，获得完整电池容量序列，并对所述完整电池容量序列进行拟合，获得目标拟合回归曲线；

通过对所述目标拟合回归曲线进行反归一化处理，并根据处理结果确定所述待测锂电池的电池容量和剩余使用寿命。

优选地，所述通过预设卷积网络模型对所述无扰电池容量序列进行计算，获取类别标签之前，还包括：

获取训练数据集以及待训练的卷积网络模型，所述训练数据集包括多个预先标注好类别标签的容量退化序列；

将所述容量退化序列作为输入数据，以对应的类别标签作为输出结果，对所述待训练的卷积网络模型进行训练，获得预设卷积网络模型。

优选地，所述获取训练数据集，包括：

采集各个锂电池样本的容量样本序列，获得样本数据集，所述样本数据集包括多个容量样本序列；

基于所述变分模态分解算法对所述样本数据集中的各容量样本序列分别进行去噪处理，获得无扰数据集，所述无扰数据集包括多个去噪后的容量样本序列；

对所述无扰数据集中各去噪后的容量样本序列分别进行拟合，获得拟合数据集，所述拟合数据集包括多个样本拟合回归曲线；

对所述拟合数据集中的各样本拟合回归曲线分别提取出对应的容量退化序列，并对提取出的各容量退化序列分别进行类别标签的标注，获得训练数据集。

优选地，所述基于所述变分模态分解算法对所述样本数据集中的各容量样本序列分别进行去噪处理，获得无扰数据集，包括：

对所述样本数据集中的各容量样本序列分别进行归一化处理，获得归一化数据集，所述归一化数据集包括多个归一化容量序列；

对所述归一化数据集中的各归一化容量序列分别进行变分模态分解，并基于分解结果进行变分模态重构，获得无扰数据集。

优选地，所述对所述无扰数据集中各去噪后的容量样本序列分别进行拟合，获得拟合数据集，包括：

基于所述无扰数据集中各去噪后的容量样本序列分别建立对应的非线性回归方程，获得方程数据集，所述方程数据集包括多个非线性回归方程，所述非线性回归方程为：

其中，方程因变量f(k)为方程名，方程自变量k为充放电循环周期，

为权重参数，T为向量的转置，/>

为特征空间，b为偏置参数；

基于惩罚因子、松弛变量以及拉格朗日乘数对所述方程数据集中的各非线性回归方程分别进行转换，获得目标函数集，所述目标函数集包括多个目标函数；

通过对所述目标函数集中的各目标函数分别进行计算，并基于计算结果和预设回归算法，获得拟合数据集。

优选地，所述基于惩罚因子、松弛变量以及拉格朗日乘数对所述方程数据集中的各非线性回归方程分别进行转换，获得目标函数集，包括：

通过惩罚因子和松弛变量对所述方程数据集中的各非线性回归方程分别进行转化，获得优化函数集，所述优化函数集包括多个优化函数，所述优化函数为：

其中，min为极小值，C为所述惩罚因子，

为所述松弛变量，/>

为所述去噪后的容量样本序列，s.t.为约束条件，/>

为不敏感损失函数；

通过拉格朗日乘数对所述优化函数集中的各优化函数进行转换，获得目标函数集，所述目标函数集中的目标函数为：

其中，max为极大值，R为拉格朗日函数的函数名，

均为拉格朗日乘数，且/>

。

优选地，所述通过对所述目标函数集中的各目标函数分别进行计算，并基于计算结果和预设回归算法，获得拟合数据集，包括：

对所述目标函数集中的各目标函数的参数进行偏导为零的计算，并根据计算结果对所述各目标函数进行转化，获得规划函数集，所述规划函数集包括多个规划函数，所述规划函数为：

其中，

以及所述偏置参数b均为待求解的目标参数；

对所述规划函数集中的各规划函数进行求解计算，获得目标参数集，所述目标参数集包括多组目标参数；

通过预设回归算法对所述目标参数集中的各组目标参数分别进行拟合，获得拟合数据集。

此外，为实现上述目的，本发明还提出一种锂电池检测装置，所述装置包括：

序列去噪模块，用于采集待测锂电池的电池容量序列，基于变分模态分解算法对所述电池容量序列进行去噪处理，获得无扰电池容量序列；

序列计算模块，用于通过预设卷积网络模型对所述无扰电池容量序列进行计算，获取类别标签，所述预设卷积神经网络模型的训练数据集中包含多个预先标注好类别标签的容量退化序列；

序列获取模块，用于根据所述类别标签获取对应的容量退化序列；

序列拟合模块，用于将所述容量退化序列和所述无扰电池容量序列进行组合，获得完整电池容量序列，并对所述完整电池容量序列进行拟合，获得目标拟合回归曲线；

处理分析模块，用于通过对所述目标拟合回归曲线进行反归一化处理，并根据处理结果确定所述待测锂电池的电池容量和剩余使用寿命。

此外，为实现上述目的，本发明还提出一种锂电池检测设备，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锂电池检测程序，所述锂电池检测程序配置为实现如上文所述的锂电池检测方法的步骤。

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锂电池检测程序，所述锂电池检测程序被处理器执行时实现如上文所述的锂电池检测方法的步骤。

本发明公开了一种锂电池检测方法、装置、设备及存储介质，该方法包括：采集待测锂电池的电池容量序列，基于变分模态分解算法对电池容量序列进行去噪处理，获得无扰电池容量序列，通过预设卷积网络模型对无扰电池容量序列进行计算，获取类别标签，预设卷积神经网络模型的训练数据集中包含多个预先标注好类别标签的容量退化序列，根据类别标签获取对应的容量退化序列，将容量退化序列和无扰电池容量序列进行组合，获得完整电池容量序列，并对完整电池容量序列进行拟合，获得目标拟合回归曲线，通过对目标拟合回归曲线进行反归一化处理，并根据处理结果确定待测锂电池的电池容量和剩余使用寿命，由于本发明基于变分模态分解算法提取大量的容量退化序列，并对提取后的容量退化序列标注好类别标签后对预设卷积网络模型进行训练，降低了噪声干扰，从而提高了检测的精准度和有效性。

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锂电池检测设备的结构示意图；

图2为本发明锂电池检测方法第一实施例的流程示意图；

图3为本发明锂电池检测方法第二实施例的流程示意图；

图4为本发明锂电池检测方法第二实施例中预设卷积网络模型所含的一维卷积神经网络的结构示意图；

图5为本发明锂电池检测方法第三实施例的流程示意图；

图6为本发明锂电池检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锂电池检测设备结构示意图。

如图1所示，该锂电池检测设备可以包括：处理器1001，例如中央处理器（CentralProcessing 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锂电池检测设备的限定，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、用户接口模块以及锂电池检测程序。

在图1所示的锂电池检测设备中，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；本发明锂电池检测设备中的处理器1001、存储器1005可以设置在锂电池检测设备中，所述锂电池检测设备通过处理器1001调用存储器1005中存储的锂电池检测程序，并执行本发明实施例提供的锂电池检测方法。

本发明实施例提供了一种锂电池检测方法，参照图2，图2为本发明锂电池检测方法第一实施例的流程示意图。

本实施例中，所述锂电池检测方法包括以下步骤：

步骤S10：采集待测锂电池的电池容量序列，基于变分模态分解算法对所述电池容量序列进行去噪处理，获得无扰电池容量序列。

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，例如平板电脑、个人电脑、手机等，或者是一种能够实现上述功能的其他电子设备。以下以锂电池检测设备（以下简称检测设备）为例，对本实施例及下述各实施例进行举例说明。

可以理解的是，上述电池容量序列可以是待测锂电池在充放电循环次数为1至N次的电池容量的序列，可以用

来进行表示，其中k为充放电循环周期，例如：当N=10时，上述电池容量序列为待测锂电池在充放电1次至10次的电池容量的序列，具体可以是800mAh、799mAh、798mAh、796mAh、796mAh、794mAh、794mAh、793mAh、792mAh、792mAh。上述变分模态分解算法可以是一种将信号非递归分解成数个具有准正交性的带限本征模态函数的算法，其基本原理可以表示为一个约束变分问题的求解。上述无扰电池容量序列可以是去噪后的电池容量序列。

步骤S20：通过预设卷积网络模型对所述无扰电池容量序列进行计算，获取类别标签，所述预设卷积神经网络模型的训练数据集中包含多个预先标注好类别标签的容量退化序列。

可以理解的是，上述预设卷积网络模型可以是包含多个一维卷积神经网络结构的网络模型，其中每个一维卷积神经网络结构包括输入层、卷积层、池化层、全连接层和输出层。上述类别标签可以是人为设定的、根据业务场景需求，对目标对象运用一定的算法得到的高度精炼的特征标识。上述容量退化序列可以是去噪后的电池容量序列再经过拟合后得到的容量序列。

步骤S30：根据所述类别标签获取对应的容量退化序列。

在具体实现中，检测设备可以根据上述类别标签与上述容量退化序列之间的对应关系，直接获取与当前类别标签对应的容量退化序列。

步骤S40：将所述容量退化序列和所述无扰电池容量序列进行组合，获得完整电池容量序列，并对所述完整电池容量序列进行拟合，获得目标拟合回归曲线。

可以理解的是，上述完整电池容量序列可以是由上述容量退化序列和上述无扰电池容量序列直接拼接所得的容量序列，例如：当容量退化序列为800、800、798、797、797，无扰电池容量序列为800、799、798、798、797，上述电池容量的单位均为毫安，则对应的完整电池容量序列可以是800、800、798、797、797、800、799、798、798、797；上述目标拟合回归曲线可以是由上述完整电池容量序列中离散的电池容量数据建模绘制的曲线。

步骤S50：通过对所述目标拟合回归曲线进行反归一化处理，并根据处理结果确定所述待测锂电池的电池容量和剩余使用寿命。

可以理解的是，上述电池容量为电池储存电量的大小，上述剩余使用寿命可以是待测锂离子电池从当前时间至失效阈值的时间长度，其中，失效阈值与SOH（State ofHealth, 健康状态）关联，SOH是在标准条件下，一个完全充电的电池的容量与标称容量的的百分比，它反映了电池的衰减程度，对于一节新电池而言，SOH通常可定义为100 %，失效阈值是当实际容量达到标称容量的70 % ~ 80%。

本实施例通过采集待测锂电池的电池容量序列，基于变分模态分解算法对电池容量序列进行去噪处理，获得无扰电池容量序列，通过预设卷积网络模型对无扰电池容量序列进行计算，获取类别标签，预设卷积神经网络模型的训练数据集中包含多个预先标注好类别标签的容量退化序列，根据类别标签获取对应的容量退化序列，将容量退化序列和无扰电池容量序列进行组合，获得完整电池容量序列，并对完整电池容量序列进行拟合，获得目标拟合回归曲线，通过对目标拟合回归曲线进行反归一化处理，并根据处理结果确定待测锂电池的电池容量和剩余使用寿命，由于本发明基于变分模态分解算法提取大量的容量退化序列，并对提取后的容量退化序列标注好类别标签后对预设卷积网络模型进行训练，降低了噪声干扰，从而提高了检测的精准度和有效性。

参考图3，图3为本发明锂电池检测方法第二实施例的流程示意图。基于上述第一实施例，为了提高预设卷积网络模型计算结果的精准度，在上述步骤S20之前，还包括：

步骤S01：采集各个锂电池样本的容量样本序列，获得样本数据集，所述样本数据集包括多个容量样本序列。

可以理解的是，上述锂电池样本为正常无损耗的锂电池，上述容量样本序列可以是锂电池样本在充放电循环次数为1至N次的电池容量的序列。

步骤S02：基于所述变分模态分解算法对所述样本数据集中的各容量样本序列分别进行去噪处理，获得无扰数据集，所述无扰数据集包括多个去噪后的容量样本序列。

在具体实现中，若已知锂离子电池容量序列

，/>

为充放电循环周期，/>

为第/>

次的释放出的电池容量，检测设备对上述样本数据集中的各容量样本序列分别进行归一化处理，获得归一化数据集，归一化数据集包括多个归一化容量序列，其中归一化容量序列可以表示为/>

，且满足：

然后再对归一化数据集中的各归一化容量序列分别进行变分模态分解，分解成

个有限带宽的本征模态函数/>

，每个本征模态函数的中心频率为/>

，通过式(2)求解出

和/>

：

（2）式中，

为分解得到的/>

个模态分量；

为各分量的频率中心；/>

为脉冲函数；/>

是时间。

接着从

个有限带宽的本征模态函数/>

筛选出能反映锂离子电池容量序列总体趋势的/>

个本征模态函数/>

进行变分模态重构，获得无扰数据集，其中包括多个去噪后的容量样本序列，该序列可表示为/>

，且满足：

上述步骤可以有效去除噪声干扰，有利于提升后继支持向量回归拟合的精准性和稳定性。

步骤S03：对所述无扰数据集中各去噪后的容量样本序列分别进行拟合，获得拟合数据集，所述拟合数据集包括多个样本拟合回归曲线。

在具体实现中，检测设备对上述无扰数据集中各去噪后的容量样本序列分别进行支持向量回归拟合，从而获得拟合数据集，其中拟合数据集中包括多个样本拟合回归曲线。

步骤S04：对所述拟合数据集中的各样本拟合回归曲线分别提取出对应的容量退化序列，并对提取出的各容量退化序列分别进行类别标签的标注，获得训练数据集。

在具体实现中，检测设备对上述拟合数据集中的各个样本拟合回归曲线分别提取前N个电池容量值作为所提取出的容量退化序列，可表示为

，并对提取出的各容量退化序列分别进行类别标签的标注，从而获得训练数据集，用于模型的训练。

步骤S05：获取待训练的卷积网络模型。

可以理解的是，上述待训练的卷积网络模型可以是未经训练前的预设卷积网络模型。

步骤S06：将所述训练数据集中的容量退化序列作为输入数据，以对应的类别标签作为输出结果，对所述待训练的卷积网络模型进行训练，获得预设卷积网络模型。

在具体实现中，检测设备将上述容量退化序列的前

个电池容量作为输入数据，以对应的类别标签作为输出结果，分别对上述待训练的卷积网络模型中的/>

个一维卷积神经网络分别进行训练，从而获得预设卷积网络模型，例如：对任一锂离子电池容量序列/>

，经过归一化处理和基于变分模态分解方法分解并重构信号后得到电池容量序列/>

，然后若/>

，则取电池容量序列/>

的前50m个容量作为输入，以第m个一维卷积神经网络作为模型，计算得到类别标签。

进一步地，可参考图4，图4为本实施例中预设卷积网络模型中一维卷积神经网络的结构示意图。

如图4所示，所构建的一维卷积神经网络包括输入层、卷积层、池化层、全连接层和输出层，如图中箭头所示方向，整个一维卷积神经网络从左至右共有八层，每层详细功能和内容描述如下：第一层：该层为输入层，输入值为电池容量退化序列的前

个，为一维序列，长度为/>

；第二层：该层为卷积层，设计了64个/>

的卷积核用来提取输入值的特征量，步长为/>

，故该层数据序列为/>

；第三层：该层为池化层，对64个卷积层进行/>

的池化，取池化平均值作为池化输出结果，故该层数据序列为/>

；第四层：该层为卷积层，设计了64个/>

的卷积核用来提取输入值的特征量，步长为/>

，第一个序列数丢弃，故该层数据序列为/>

；第五层：该层为池化层，对64个卷积层进行/>

；第六层：该层为全连接层的输入层，将/>

二维序列转换为一维序列，长度为/>

；第七层：该层为全连接层的中间层，包括2层，第一层长度为/>

，第二层长度为

，H为类别数；第八层：该层为输出层，即类别数，长度为/>

。

本实施例通过对采集到的样本数据集中的各容量样本序列分别进行归一化处理后，再进行变分模态分解和变分模态重构可以有效去除噪声干扰，有利于提升后继支持向量回归拟合的精准性和稳定性，再通过从拟合数据集中的各样本拟合回归曲线分别提取出对应的容量退化序列，并对提取出的各容量退化序列分别进行类别标签的标注后，再对待训练的卷积网络模型进行训练，进一步地提高了预设卷积网络模型计算结果的精准度，保证了后续检测结果的精准性和有效性。

参考图5，图5为本发明锂电池检测方法第三实施例的流程示意图。

基于上述第二实施例，为了提高拟合的精准度，提出第三实施例，上述步骤S03具体包括：

步骤S100：基于所述无扰数据集中各去噪后的容量样本序列分别建立对应的非线性回归方程，获得方程数据集，所述方程数据集包括多个非线性回归方程。

在具体实现中，检测设备对上述无扰数据集中各去噪后的容量样本序列分别建立对应的非线性回归方程，例如：对于给定锂离子电池容量序列集：

，其中/>

为充放电循环周期，/>

为第/>

次的释放出的电池容量，/>

为训练样本集数目（要求选择容量达到标称容量的70%，经统计可以选择N为1200），将/>

映射到特征空间/>

，从而建立非线性回归方程。

上述非线性回归方程可表示为：

（4）式中，方程因变量f(k)为方程名，方程自变量k为充放电循环周期，

为权重参数，T为向量的转置，b为偏置参数，/>

为特征空间，且满足：

其中（5）式中核函数方差

。

步骤S200：基于惩罚因子、松弛变量以及拉格朗日乘数对所述方程数据集中的各非线性回归方程分别进行转换，获得目标函数集，所述目标函数集包括多个目标函数。

在具体实现中，检测设备通过惩罚因子和松弛变量对上述方程数据集中的各非线性回归方程分别进行转化，获得优化函数集，所述函数集包括多个优化函数，所述优化函数为：

（6）式中，min为极小值，C为所述惩罚因子，

为所述松弛变量，/>

为所述去噪后的容量样本序列，s.t.为约束条件，/>

为不敏感损失函数；

再通过拉格朗日乘数对上述优化函数集中的各优化函数进行转换，获得目标函数集，上述目标函数集中的目标函数可表示为：

（7）式中，max为极大值，R为拉格朗日函数的函数名，

均为拉格朗日乘数，且/>

。

步骤S300：通过对所述目标函数集中的各目标函数分别进行计算，并基于计算结果和预设回归算法，获得拟合数据集。

在具体实现中，检测设备通过对上述目标函数集中的各目标函数的参数进行偏导为零的计算，如式（8）所示：

并根据计算结果对上述各目标函数进行转化，获得规划函数集，上述规划函数集包括多个规划函数，上述规划函数可表示为：

（9）式中，

以及所述偏置参数b均为待求解的目标参数；

通过求解（9）式，即可计算得到上述目标参数的值，再使用改进的粒子群算法对惩罚因子C和核参数g进行优化，最后可以通过核支持向量回归算法得到最终构建的支持向量回归拟合曲线，可表示为：

本实施例通过在非线性回归方程中引入惩罚因子、松弛变量以及拉格朗日乘数，从而将最优化问题转化为（7）式的目标函数，再通过对上述目标函数进行计算和化简，转化成凸二次规划问题，从而可以得到目标参数的具体数值，并最终构建的支持向量回归拟合曲线，提高了容量序列拟合的精准度。

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锂电池检测程序，所述锂电池检测程序被处理器执行时实现如上文所述的锂电池检测方法的步骤。

参照图6，图6为本发明锂电池检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锂电池检测装置包括：序列去噪模块601、序列计算模块602、序列获取模块603、序列拟合模块604以及处理分析模块605。

所述序列去噪模块，用于采集待测锂电池的电池容量序列，基于变分模态分解算法对所述电池容量序列进行去噪处理，获得无扰电池容量序列；

所述序列计算模块，用于通过预设卷积网络模型对所述无扰电池容量序列进行计算，获取类别标签，所述预设卷积神经网络模型的训练数据集中包含多个预先标注好类别标签的容量退化序列；

所述序列获取模块，用于根据所述类别标签获取对应的容量退化序列；

所述序列拟合模块，用于将所述容量退化序列和所述无扰电池容量序列进行组合，获得完整电池容量序列，并对所述完整电池容量序列进行拟合，获得目标拟合回归曲线；

所述处理分析模块，用于通过对所述目标拟合回归曲线进行反归一化处理，并根据处理结果确定所述待测锂电池的电池容量和剩余使用寿命。

本发明锂电池检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。

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。