CN116359738A - 电池的健康状态监测方法、装置、设备及存储介质 - Google Patents
电池的健康状态监测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116359738A CN116359738A CN202211540556.0A CN202211540556A CN116359738A CN 116359738 A CN116359738 A CN 116359738A CN 202211540556 A CN202211540556 A CN 202211540556A CN 116359738 A CN116359738 A CN 116359738A
- Authority
- CN
- China
- Prior art keywords
- image data
- battery
- data
- health
- monitored
- 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
- 230000036541 health Effects 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000012544 monitoring process Methods 0.000 title claims abstract description 55
- 238000011156 evaluation Methods 0.000 claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 claims abstract description 40
- 238000013507 mapping Methods 0.000 claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims description 47
- 230000006870 function Effects 0.000 claims description 36
- 230000000875 corresponding effect Effects 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 17
- 230000003862 health status Effects 0.000 claims description 17
- 238000003325 tomography Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- 238000012806 monitoring device Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000013075 data extraction Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 25
- 229910052744 lithium Inorganic materials 0.000 description 25
- 238000012545 processing Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000006731 degradation reaction Methods 0.000 description 8
- 230000005012 migration Effects 0.000 description 8
- 238000013508 migration Methods 0.000 description 8
- 238000011176 pooling Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000015556 catabolic process Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 101150004636 SYM1 gene Proteins 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 101150065184 sym-2 gene Proteins 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual 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
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种电池的健康状态监测方法、装置、设备及存储介质。电池的健康状态监测方法包括：获取待监测电池的实时图像数据及其处于预设健康状态下的标准图像数据；采用预设神经网络提取实时图像数据的特征数据和标准图像数据的特征数据；基于投影映射框架，将实时图像数据的特征数据和标准图像数据的特征数据分别映射至格拉斯曼流形中的两个线性子空间；根据实时图像数据的特征数据和标准图像数据的特征数据对应的两个线性子空间之间的测地距离，构建待监测电池的健康状态评估指标；基于健康状态评估指标确定待监测电池当前的健康状态。本发明的技术方案，有助于提升电池状态监测的准确度。
Description
技术领域
本发明实施例涉及电池健康状态监测技术领域，尤其涉及一种电池的健康状态监测方法、装置、设备及存储介质。
背景技术
近年来，全球能源短缺、环境污染问题日益加剧，采用新能源来取代传统燃料的能量供给方式对缓解环境问题十分重要。目前，新能源产业正在快速发展，电池作为新能源产业链中重要的储能装置，正逐步应用于高铁，为整车系统提供低压电源。然而，供电过程中，电池一旦发生故障，将严重降低使用可靠性、难以保障使用安全，因此，实现电池的健康状态监测，对设备的安全使用具有重要意义。现有电池的健康状态监测方法一般为数据驱动的方法，主要包括数据采集、特征提取和诊断分析步骤，该方法存在状态监测的准确度较低等问题。
发明内容
本发明实施例提供了一种电池的健康状态监测方法、装置、设备及存储介质，以提升电池状态监测的准确度，实现电池健康状态的实时监测。
根据本发明的一方面，提供了一种电池的健康状态监测方法，包括：
获取待监测电池的实时图像数据及其处于预设健康状态下的标准图像数据，所述实时图像数据和所述标准图像数据均为基于断层扫描的截面图像数据；
采用预设神经网络提取所述实时图像数据的特征数据和所述标准图像数据的特征数据；
基于投影映射框架，将所述实时图像数据的特征数据和所述标准图像数据的特征数据分别映射至格拉斯曼流形中的两个线性子空间；
根据所述实时图像数据的特征数据和所述标准图像数据的特征数据对应的两个所述线性子空间之间的测地距离，构建所述待监测电池的健康状态评估指标；
基于所述健康状态评估指标确定所述待监测电池当前的健康状态。
可选地，在所述采用预设神经网络提取所述实时图像数据的特征数据和所述标准图像数据的特征数据之前，所述电池的健康状态监测方法还包括：
获取目标电池处于预设健康状态下的样本图像数据，所述样本图像数据为基于断层扫描的截面图像数据，所述目标电池和所述待监测电池的型号相同；
基于所述样本图像数据生成辅助图像数据，以对所述样本图像数据进行数据增强，所述辅助图像数据和所述样本图像数据的相似程度满足预设相似程度；
采用关联图像数据、所述样本图像数据和所述辅助图像数据训练预设神经网络，以使所述预设神经网络能够对所述待监测电池的图像数据进行特征提取，所述关联图像数据为与所述样本图像数据相关的图像数据。
可选地，所述基于所述样本图像数据生成辅助图像数据，以对所述样本图像数据进行数据增强，包括：
将所述样本图像数据输入至生成式对抗网络GAN，所述生成式对抗网络GAN包括生成模块和判别模块；
通过所述生成模块根据所述样本图像数据生成图像数据；
通过所述判别模块确定所述生成模块生成的图像数据为所述样本图像数据的概率；
将所述判别模块确定的概率为预设概率的图像数据作为辅助图像数据。
可选地，所述预设神经网络包括卷积自编码器；
所述采用关联图像数据、所述样本图像数据和所述辅助图像数据训练预设神经网络，包括：
采用所述关联图像数据作为源域数据，训练所述预设神经网络对所述关联图像数据进行特征提取，获取所述预设神经网络进行特征提取的优化参数；
将所述优化参数应用于所述卷积自编码器；
采用所述样本图像数据和所述辅助图像数据作为目标域数据，将所述目标域数据输入至所述卷积自编码器，训练所述卷积自编码器对所述目标域数据进行特征提取，并根据所述目标域数据得到重构图像数据，直到所述优化参数、所述目标域数据及其对应的所述重构图像数据之间的数值关系满足预设条件。
可选地，所述基于投影映射框架，将所述实时图像数据的特征数据和所述标准图像数据的特征数据分别映射至格拉斯曼流形中的两个线性子空间，包括：
对所述实时图像数据的特征数据和所述标准图像数据的特征数据进行预处理，得到基于所述标准图像数据的特征数据的第一特征矩阵和基于所述实时图像数据的特征数据的第二特征矩阵，所述第一特征矩阵和所述第二特征矩阵均为对称矩阵；
基于投影映射框架，将所述第一特征矩阵映射至格拉斯曼流形中的第一线性线性子空间，将所述第二特征矩阵映射至所述格拉斯曼流形中的第二线性线性子空间，所述第一线性线性子空间和所述第二线性线性子空间对应所述格拉斯曼流形中的两点。
可选地，所述根据所述实时图像数据的特征数据和所述标准图像数据的特征数据对应的两个所述线性子空间之间的测地距离，构建所述待监测电池的健康状态评估指标，包括：
根据所述第一线性线性子空间和所述第二线性线性子空间的内积，确定所述第一线性线性子空间和所述第二线性线性子空间之间的测地距离；
将所述第一线性线性子空间和所述第二线性线性子空间之间的测地距离，确定为所述待监测电池的健康状态评估指标；
其中，所述健康状态评估指标计算为：
H(M1,M2)＝2-1/2||M1M1T-M2M2T||F；
其中，H(M1,M2)表示所述健康状态评估指标，M1表示所述第一线性线性子空间对应的正交矩阵，M2表示所述第二线性线性子空间对应的正交矩阵，||·||F表示Frobenius范数。
可选地，所述基于所述健康状态评估指标确定所述待监测电池当前的健康状态，包括：
根据所述健康状态评估指标建立所述待监测电池的健康状态估测函数；
基于所述健康状态估测函数，采用高斯过程回归计算所述待监测电池当前的最大容量，以确定所述待监测电池的健康状态；
其中，所述健康状态估测函数表示为：
其中，
表示所述健康状态估测函数，H表示所述健康状态评估指标，Θ表示模型参数，ε表示服从正态分布的噪声，f表示分布函数；
所述待监测电池当前的最大容量计算如下：
其中，
表示高斯过程回归，μ(H)为所述健康状态评估指标的平均值，K(H,H*)为协方差矩阵。
根据本发明的另一方面，提供了一种电池的健康状态监测装置，包括：
第一图像数据获取模块，用于获取待监测电池的实时图像数据及其处于预设健康状态下的标准图像数据，所述实时图像数据和所述标准图像数据均为基于断层扫描的截面图像数据；
特征数据提取模块，用于采用预设神经网络提取所述实时图像数据的特征数据和所述标准图像数据的特征数据；
投影映射模块，用于基于投影映射框架，将所述实时图像数据的特征数据和所述标准图像数据的特征数据分别映射至格拉斯曼流形中的两个线性子空间；
健康状态评估指标构建模块，用于根据所述实时图像数据的特征数据和所述标准图像数据的特征数据对应的两个所述线性子空间之间的测地距离，构建所述待监测电池的健康状态评估指标；
健康状态判定模块，用于基于所述健康状态评估指标确定所述待监测电池当前的健康状态。
根据本发明的另一方面，提供了一种电子设备，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计算机程序，所述计算机程序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本发明任一实施例所述的电池的健康状态监测方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的电池的健康状态监测方法。
本发明实施例提供的电池的健康状态监测方法、装置、设备及存储介质，通过获取待监测电池的实时图像数据及其处于预设健康状态下的标准图像数据，能够根据电池使用过程中的内部断层结构确定待监测电池的状态，有助于提升电池状态监测的准确度，通过将实时图像数据的特征数据和标准图像数据的特征数据分别映射至格拉斯曼流形中的两个线性子空间，并根据实时图像数据的特征数据和标准图像数据的特征数据对应的两个线性子空间之间的测地距离，构建待监测电池的健康状态评估指标，实现了针对电池复杂的非线性退化特性建立健康状态评估指标，从而进一步提升电池状态监测的准确度，根据待监测电池的健康状态评估指标确定待监测电池当前的健康状态，实现了实现电池健康状态的实时监测。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种电池的健康状态监测方法的流程示意图；
图2是本发明实施例提供的一种基于断层扫描的锂电池截面图像；
图3是本发明实施例提供的另一种电池的健康状态监测方法的流程示意图；
图4是本发明实施例提供的一种迁移神经网络模型的结构示意图；
图5是本发明实施例提供的一种电池的健康状态监测装置的结构示意图；
图6是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
正如背景技术所述，现有电池的健康状态监测方法，如锂电池的健康状态监测方法，存在状态监测的准确度较低等问题。经发明人研究发现，出现上述问题的原因具体如下：1)现有技术中，锂电池状态监测采用的数据类型主要包括电压信号、电流信号或温度信号等，需采集整个充放电过程的数据，然而，上述各类信号难以在锂电池的整个使用过程中被采集，影响了状态监测的准确度；2)锂电池的监测数据非常多样，各类数据呈现小样本的特性，同样影响状态监测的准确度；3)现有的锂电池状态监测指标多基于线性距离估计电池退化状态，而锂电池退化多呈现复杂的非线性退化趋势，线性假设大大降低了指标评估的准确度。
针对上述问题，本发明实施例提供了一种电池的健康状态监测方法。本实施例可适用于对电池的状态进行监测情况，该方法可以由电池的健康状态监测装置来执行，该装置可以采用硬件和/或软件的形式实现，该装置可配置于电子设备中。图1是本发明实施例提供的一种电池的健康状态监测方法的流程示意图。参见图1，该方法具体包括如下步骤：
S110、获取待监测电池的实时图像数据及其处于预设健康状态下的标准图像数据。
其中，实时图像数据和标准图像数据均为基于断层扫描的截面图像数据。
本发明各实施例中的电池，可以是应用于高铁的电池，或者也可以是应用于新能源汽车等领域的电池，该电池具体可以是锂电池，也可以是铅酸电池等各类常见电池，本发明各实施例均以锂电池为例进行叙述。图2是本发明实施例提供的一种基于断层扫描的锂电池截面图像，图2示出了18650型号的锂电池的截面图像。如图2所示，通过对锂电池进行断层扫描，可以获取基于断层扫描的锂电池截面图像(或称深度图像)，其能够反映锂电池在退化过程中的内部断层结构变化情况。根据截面图像中每一像素点的图像值，例如灰度值，可以确定截面图像数据。待监测电池的实时图像数据和标准图像数据，均可以是由基于断层扫描的锂电池的截面图像得到的数据。
具体地，待监测电池的实时图像数据，是在待监测电池的使用过程中，通过对其进行断层扫描获取的图像数据。预设健康状态可以是锂电池的正常工作状态，例如锂电池当前的最大容量处于预设容量范围的状态。可以对与待监测电池同型号的锂电池进行全寿命周期的断层扫描，获取同型号的锂电池在退化过程中的截面图像数据，并筛选出同型号的锂电池处于预设健康状态下的截面图像数据，作为待监测电池的标准图像数据。
S120、采用预设神经网络提取实时图像数据的特征数据和标准图像数据的特征数据。
其中，预设神经网络可以是已完成训练的神经网络，通过对预设神经网络进行训练，使得预设神经网络能够对锂电池的图像数据进行特征提取。预设神经网络具体可以包括卷积自编码器。采用预设神经网络分别对实时图像数据和标准图像数据进行提取，以得到实时图像数据的特征数据和标准图像数据的特征数据。
S130、基于投影映射框架，将实时图像数据的特征数据和标准图像数据的特征数据分别映射至格拉斯曼流形中的两个线性子空间。
格拉斯曼流形Gr(d,p)可以看成是一个d(p-d)维紧致黎曼流形，其中0≤d≤p。它由Rp的d维线性子空间的集合组成，格拉斯曼流形上的每个点都可以扩充成大小为p×d的正交矩阵。根据投影映射框架，可以将格拉斯曼流形中的基本元素表示成对应的投影矩阵，从而实现将基于实时图像数据的特征数据的矩阵和基于标准图像数据的特征数据的矩阵分别映射至格拉斯曼流形中的两个线性子空间，每个线性子空间均对应格拉斯曼流形上的一个点。
S140、根据实时图像数据的特征数据和标准图像数据的特征数据对应的两个线性子空间之间的测地距离，构建待监测电池的健康状态评估指标。
实时图像数据的特征数据和标准图像数据的特征数据对应的两个线性子空间之间的测地距离，也即该两个线性子空间在格拉斯曼流形中对应的两点之间的测地距离，可以表征待监测电池的实时图像数据的特征数据和标准图像数据的特征数据的相似程度，进而反映待监测电池的当前状态与预设健康状态的接近程度。
在一种实施例中，当预设健康状态是锂电池的正常工作状态时，根据实时图像数据的特征数据和标准图像数据的特征数据对应的两个线性子空间之间的测地距离，构建待监测电池的健康状态评估指标，可以基于该健康状态评估指标确定待监测电池当前是否处于正常工作状态。
S150、基于健康状态评估指标确定待监测电池当前的健康状态。
根据上述健康状态评估指标，可以构建待监测电池的健康状态估测函数，以根据该函数实时确定待监测电池的健康状态，实现对锂电池健康状态的实时监测。
本发明实施例的技术方案，通过获取待监测电池的实时图像数据及其处于预设健康状态下的标准图像数据，能够根据电池使用过程中的内部断层结构确定待监测电池的状态，有助于提升电池状态监测的准确度，通过将实时图像数据的特征数据和标准图像数据的特征数据分别映射至格拉斯曼流形中的两个线性子空间，并根据实时图像数据的特征数据和标准图像数据的特征数据对应的两个线性子空间之间的测地距离，构建待监测电池的健康状态评估指标，实现了针对电池复杂的非线性退化特性建立健康状态评估指标，从而进一步提升电池状态监测的准确度，根据待监测电池的健康状态评估指标确定待监测电池当前的健康状态，实现了实现电池健康状态的实时监测。
图3是本发明实施例提供的另一种电池的健康状态监测方法的流程示意图。在上述实施例的基础上，本实施例对电池的健康状态监测方法进行了进一步优化。参见图3，该方法具体包括如下步骤：
S201、获取目标电池处于预设健康状态下的样本图像数据，样本图像数据为基于断层扫描的截面图像数据，目标电池和待监测电池的型号相同。
具体地，可以通过对目标电池进行全寿命周期的断层扫描，获取其在退化过程中的截面图像，并通过人工筛选或自动筛选出目标电池处于预设健康状态下的截面图像作为样本图像，从而得到样本图像数据。
S202、基于样本图像数据生成辅助图像数据，以对样本图像数据进行数据增强，辅助图像数据和样本图像数据的相似程度满足预设相似程度。
可选地，在执行步骤S202之前，可以对样本图像数据进行预处理，使得样本图像数据能够转换为计算机可分析的矩阵数据，从而基于预处理后的样本图像数据生成辅助图像数据。在一种实施例中，基于断层扫描的电池截面图像为灰度图像，则样本图像数据为灰度图像数据，在执行步骤S202之前，对样本图像数据进行的预处理具体可以是将样本图像转换为彩色图像，从而得到样本图像数据对应的彩色图像数据，以便于根据样本图像数据生成辅助图像数据。
示例性地，在执行步骤S202之前，将样本图像数据转换为彩色图像数据，为了提升数据的收敛性，还可以对样本图像进行裁剪，并对裁剪后的样本图像数据进行重采样，得到预处理后的样本图像数据。预处理后的样本图像数据可表示为矩阵X的形式，如公式(1)所示：
其中，xi,j表示样本图像中第i行第j列的像素点的图像值，例如灰度值。
可选地，基于样本图像数据生成辅助图像数据，以对样本图像数据进行数据增强，具体包括：
将样本图像数据输入至生成式对抗网络GAN，生成式对抗网络GAN包括生成模块和判别模块；
通过生成模块根据样本图像数据生成图像数据；
通过判别模块确定生成模块生成的图像数据为样本图像数据的概率；
将判别模块确定的概率为预设概率的图像数据作为辅助图像数据。
具体地，生成式对抗网络(Generative Adversarial Networks，GAN)是一种深度学习模型，由生成模块和判别模块组成，生成模块可以包括生成模型(Generative Model)，判别模块可以包括判别模型(Discriminative Model)，生成模块用于根据样本图像数据随机生成图像数据，判别模块用于区分样本图像数据和生成模块生成的图像数据，判别生成模块生成的图像数据为样本图像数据的概率，当生成模块生成的某一图像数据为样本图像数据的概率为预设概率，例如50％时，则表明该图像数据和样本图像数据的相似程度满足预设相似程度，二者具有较高的相似性，使得判别模块难以区分二者，那么该图像数据可以作为辅助图像数据。通过生成式对抗网络GAN基于样本图像数据生成辅助图像数据，实现了对样本图像数据进行数据增强，以获得更加多样化的图像数据。
在一种实施例中，生成模块可通过公式(2)进行优化：
G*＝argminGmaxD V(G,D) (2)
其中，G表示生成模块，D表示判别模块，V为约束函数，公式(2)表示当判别模块D变化时，约束函数V达到最大值，且当生成模块G变化时，参数值达到最小值时对应的参数，即为该生成式对抗网络GAN的最优参数解G*。
该生成式对抗网络GAN的竞争机制可以通过公式(3)实现：
其中，x～UR(x)表示样本图像数据的分布，x～UZ(z)表示生成模块生成的图像数据的分布，E表示期望，D(X)表示X被判别为样本图像数据的概率，G(z)表示生成模块生成的图像数据。
S203、采用关联图像数据、样本图像数据和辅助图像数据训练预设神经网络，以使预设神经网络能够对待监测电池的图像数据进行特征提取，关联图像数据为与样本图像数据相关的图像数据。
其中，关联图像数据可以是与待监测电池同型号的锂电池的图像数据，包括锂电池处于不同工作状态下的图像数据，关联图像数据同样为基于断层扫描的截面图像数据。在对样本图像数据进行数据增强的同时，可以通过迁移学习方法，采用关联图像数据、样本图像数据和辅助图像数据，训练预设神经网络对待监测电池的图像数据进行特征提取。
在一种实施例中，预设神经网络包括卷积自编码器。相应地，采用关联图像数据、样本图像数据和辅助图像数据训练预设神经网络，包括：
采用关联图像数据作为源域数据，训练预设神经网络对关联图像数据进行特征提取，获取预设神经网络进行特征提取的优化参数；
将优化参数应用于卷积自编码器；
采用样本图像数据和辅助图像数据作为目标域数据，将目标域数据输入至卷积自编码器，训练卷积自编码器对目标域数据进行特征提取，并根据目标域数据得到重构图像数据，直到优化参数、目标域数据及其对应的重构图像数据之间的数值关系满足预设条件。
下面以预设神经网络包括卷积神经网络，卷积神经网络包括卷积自编码器，卷积自编码器包括编码模块和解码模块为例进行说明。示例性地，采用迁移学习的方法对卷积神经网络进行训练，迁移学习是一种机器学习方法，指的是一个预训练的模型被重新用在另一个任务中。在对样本图像数据进行数据增强的同时，采用关联图像数据作为源域数据，训练卷积神经网络对关联图像数据进行特征提取，以获取相应的先验知识。卷积神经网络主要包括卷积层和池化层，卷积层的功能是对输入数据进行特征提取，在卷积层进行特征提取后，输出的特征图会被传递至池化层进行特征选择和信息过滤，通过重采样提高计算效率。
卷积层可由如下公式表示：
其中，al表示第l卷积层输出结果，wl是第l层卷积层的权重矩阵，bl是第l层卷积层的偏置，
是第l层卷积层的节点，σ是在卷积中实现非线性变换的激活函数。
池化层可由如下公式表示：
其中，
表示第(l+1)层的池化输出结果，vi,j表示第(i,j)位置的池化节点，pool表示池化函数，/>
表示第l卷积层(m,n)节点值，v(m,n)表示第(m,n)位置的池化节点，Ri,j是(i,j)周围的位置。
在卷积层和池化层之后，可以将完全连接层添加至网络中，将特征转换为一维特征向量以实现分类。
图4是本发明实施例提供的一种迁移神经网络模型的结构示意图。参见图4，采用关联图像数据作为源域数据DS，训练卷积神经网络通过第一卷积单元310、第二卷积单元311和第三卷积单元312对关联图像数据进行特征提取，得到源域数据标签TS，优化结果可通过下式得到：
θS＝argminL(DS,TS) (6)
其中，θS表示优化参数的集合，L表示损失函数。当源域数据DS和源域数据标签TS的损失函数值最小时，得到卷积神经网络优化参数的最优解。
可以将优化参数的集合
中的部分或全部参数迁移至目标域的神经网络，即迁移至卷积自编码器320中的编码模块321，相应的迁移参数可表示为：
完成参数迁移之后，采用卷积自编码器320学习样本图像数据和辅助图像数据的特征样本。图像数据和辅助图像数据可以作为目标域数据Dt，将目标域数据Dt输入至卷积自编码器320，以训练卷积自编码器320通过编码模块321中的第四卷积单元3211、第五卷积单元3212和第六卷积单元3213对目标域数据Dt进行特征提取，从隐空间323中获取目标域数据Dt的特征数据，并通过第一反卷积单元3221、第二反卷积单元3222和第三反卷积单元3223得到对应的重构图像数据，即目标域重构数据
卷积自编码器320中的编码模块321的函数模型可表示为：
Z＝f(Dt；θt_e) (7)
其中，θt_e表示迁移至编码模块321中的迁移参数，也即θt_e由
进行初始化，实现对卷积神经网络进行预设值，f表示Dt和θt_e的函数，Z表示编码模块321提取的特征数据，即特征矩阵。
卷积自编码器320中的解码模块322可表示为：
其中，θt_d表示解码模块322中的参数，g表示Z和θt_d的函数。
卷积自编码器320的参数可以通过构建最小化损失函数并进行计算得到：
其中，
表示卷积自编码器320的全部参数，J1表示目标域数据Dt、目标域重构数据
(即重构图像数据)和迁移参数/>
(即迁移至编码模块32中的优化参数)的最小化损失函数。
在采用样本图像数据和辅助图像数据作为目标域数据，将目标域数据输入至卷积自编码器，训练卷积自编码器对目标域数据进行特征提取，并根据目标域数据得到重构图像数据之后，可以根据预先建立的最小化损失函数J判断卷积自编码器的训练是否已完成。若最小化损失函数J的函数值小于或等于预设阈值，则可以判定卷积自编码器的训练已完成，从而可以应用训练完成后的卷积自编码器。若最小化损失函数J的函数值大于预设阈值，则继续采用样本图像数据和辅助图像数据作为目标域数据，将目标域数据输入至卷积自编码器，训练卷积自编码器对目标域数据进行特征提取，并根据目标域数据得到重构图像数据，直至最小化损失函数J的函数值小于或等于预设阈值。
S204、获取待监测电池的实时图像数据及其处于预设健康状态下的标准图像数据，实时图像数据和标准图像数据均为基于断层扫描的截面图像数据。
S205、采用预设神经网络提取实时图像数据的特征数据和标准图像数据的特征数据。
卷积自编码器训练完成之后，可以将实时图像数据输入至卷积自编码器，从中间层(即隐空间323)获取实时图像数据的特征数据，并将标准图像数据输入至卷积自编码器，从中间层获取标准图像数据的特征数据，实时图像数据的特征数据和标准图像数据的特征数据均可以表示为如下形式：Z＝ZS(1)，ZS(2)，…，ZS(d)。
S206、对实时图像数据的特征数据和标准图像数据的特征数据进行预处理，得到基于标准图像数据的特征数据的第一特征矩阵和基于实时图像数据的特征数据的第二特征矩阵，第一特征矩阵和第二特征矩阵均为对称矩阵。
具体地，对标准图像数据的特征数据进行对称化处理，得到第一特征矩阵，对实时图像数据的特征数据进行对称化处理，得到第二特征矩阵。例如，对Z进行对称化处理，可得到如下矩阵：
zs(i,j)＝(Z'(i,1)+Z(1,j))/2 (11)
其中，zs(i,j)位于矩阵Zsym的第i行第j列，且zs(i,j)＝zs(j,i)，Z′是向量Z的转置。第一特征矩阵和第二特征矩阵，均可以表示为Zsym的形式。
S207、基于投影映射框架，将第一特征矩阵映射至格拉斯曼流形中的第一线性线性子空间，将第二特征矩阵映射至格拉斯曼流形中的第二线性线性子空间，第一线性线性子空间和第二线性线性子空间对应格拉斯曼流形中的两点。
格拉斯曼流形Gr(d,p)可表示为：
Gr(d,p)＝{M∈Rp×d:MTM＝Id}/O(d) (12)
其中，O(d)表示第d阶正交组，格拉斯曼流形上的每个点都可以扩充成大小为p×d的正交矩阵M，使得MTM＝Id，Id表示大小为d×d的单位矩阵。
正交矩阵M对应的线性子空间，也即主导不变子空间(DIS)是在格拉斯曼流形上计算的，其损失函数J2如下：
J2(M)＝max(-tr(MTZsymM)) (13)
其中，tr(·)表示矩阵的迹。在进行优化时，首先计算如下偏导：
然后，迭代中的权重被不断计算和更新：
其中，k表示迭代步数，η表示学习率。当J2低于预设值或k+1达到预设上限时，优化完成并得到最终的矩阵M。
采用投影映射框架Φ(M)＝MTM，将基于标准图像数据的特征数据的第一特征矩阵Zsym1，映射至格拉斯曼流形中的第一线性线性子空间，将Zsym1代入公式(13)至公式(15)进行迭代运算，即可确定第一线性线性子空间对应的正交矩阵M，可将其记为M1。同样地，采用投影映射框架Φ(M)＝MTM，将基于实时图像数据的特征数据的第二特征矩阵Zsym2，映射至格拉斯曼流形中的第二线性线性子空间，将Zsym2代入公式(13)至公式(15)进行迭代运算，即可确定第二线性线性子空间对应的正交矩阵M，可将其记为M2。
S208、根据第一线性线性子空间和第二线性线性子空间的内积，确定第一线性线性子空间和第二线性线性子空间之间的测地距离。
第一线性线性子空间和第二线性线性子空间的内积可表示为：
<M1,M2>Φ＝tr(Φ(M1)TΦ(M2)) (16)
第一线性线性子空间和第二线性线性子空间之间的测地距离可表示为：
H(M1,M2)＝2-1/2||M1M1T-M2M2T||F (17)
其中，H(M1,M2)表示健康状态评估指标，M1表示第一线性线性子空间对应的正交矩阵，M2表示第二线性线性子空间对应的正交矩阵，||·||F表示Frobenius范数。
S209、将第一线性线性子空间和第二线性线性子空间之间的测地距离，确定为待监测电池的健康状态评估指标。
第一线性线性子空间和第二线性线性子空间之间的测地距离H(M1,M2)，也即公式(17)可以作为待监测电池的健康状态评估指标。以根据第一线性线性子空间和第二线性线性子空间在格拉斯曼流形中对应的两点之间的测地距离，表征待监测电池的实时图像数据的特征数据和标准图像数据的特征数据的相似程度，进而反映待监测电池的当前状态与预设健康状态的接近程度。
S210、根据健康状态评估指标建立待监测电池的健康状态估测函数。
具体地，可以建立关于锂电池的健康状态评估指标及其最大容量的函数，作为待监测电池的健康状态估测函数，以根据该函数和待监测电池的健康状态评估指标，确定待监测电池当前的最大容量，从而确定其健康状态。
可选地，健康状态估测函数表示为：
其中，
表示健康状态估测函数，H表示健康状态评估指标，Θ表示模型参数，ε表示服从正态分布的噪声，f表示分布函数。
S211、基于健康状态估测函数，采用高斯过程回归计算待监测电池当前的最大容量，以确定待监测电池的健康状态。
待监测电池当前的最大容量具体可计算如下：
其中，
表示高斯过程回归，μ(H)为健康状态评估指标的平均值，K(H,H*)为协方差矩阵。
本发明实施例的技术方案，采用数据增强技术和迁移学习策略，有助于提升电池状态监测的泛化性能，适用于基于电池小样本的状态监测数据，通过获取待监测电池的实时图像数据及其处于预设健康状态下的标准图像数据，能够根据电池使用过程中的内部断层结构确定待监测电池的状态，有助于提升电池状态监测的准确度，通过将实时图像数据的特征数据和标准图像数据的特征数据分别映射至格拉斯曼流形中的两个线性子空间，并根据实时图像数据的特征数据和标准图像数据的特征数据对应的两个线性子空间之间的测地距离，构建待监测电池的健康状态评估指标，实现了针对电池复杂的非线性退化特性建立健康状态评估指标，从而进一步提升电池状态监测的准确度，根据待监测电池的健康状态评估指标确定待监测电池当前的健康状态，实现了实现电池健康状态的实时监测。
本发明实施例还提供了一种电池的健康状态监测装置。图5是本发明实施例提供的一种电池的健康状态监测装置的结构示意图。如图5所示，该装置具体包括：第一图像数据获取模块410、特征数据提取模块420、投影映射模块430、健康状态评估指标构建模块440和健康状态判定模块450。其中：
第一图像数据获取模块410用于获取待监测电池的实时图像数据及其处于预设健康状态下的标准图像数据，实时图像数据和标准图像数据均为基于断层扫描的截面图像数据；
特征数据提取模块420用于采用预设神经网络提取实时图像数据的特征数据和标准图像数据的特征数据；
投影映射模块430用于基于投影映射框架，将实时图像数据的特征数据和标准图像数据的特征数据分别映射至格拉斯曼流形中的两个线性子空间；
健康状态评估指标构建模块440用于根据实时图像数据的特征数据和标准图像数据的特征数据对应的两个线性子空间之间的测地距离，构建待监测电池的健康状态评估指标；
健康状态判定模块450用于基于健康状态评估指标确定待监测电池当前的健康状态。
本发明实施例所提供的电池的健康状态监测装置，可执行本发明任意实施例所提供的电池的健康状态监测方法，具备执行方法相应的功能模块和有益效果。
可选地，电池的健康状态监测装置模块还包括：
第二图像数据获取模块，用于获取目标电池处于预设健康状态下的样本图像数据，样本图像数据为基于断层扫描的截面图像数据，目标电池和待监测电池的型号相同；
图像数据生成模块，用于基于样本图像数据生成辅助图像数据，以对样本图像数据进行数据增强，辅助图像数据和样本图像数据的相似程度满足预设相似程度；
神经网络训练模块，用于采用关联图像数据、样本图像数据和辅助图像数据训练预设神经网络，以使预设神经网络能够对待监测电池的图像数据进行特征提取，关联图像数据为与样本图像数据相关的图像数据。
图6是本发明实施例提供的一种电子设备的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图6所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如电池的健康状态监测方法。
在一些实施例中，电池的健康状态监测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的电池的健康状态监测方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行电池的健康状态监测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种电池的健康状态监测方法，其特征在于，包括：
获取待监测电池的实时图像数据及其处于预设健康状态下的标准图像数据，其中，所述实时图像数据和所述标准图像数据均为基于断层扫描的截面图像数据；
采用预设神经网络提取所述实时图像数据的特征数据和所述标准图像数据的特征数据；
基于投影映射框架，将所述实时图像数据的特征数据和所述标准图像数据的特征数据分别映射至格拉斯曼流形中的两个线性子空间；
根据所述实时图像数据的特征数据和所述标准图像数据的特征数据对应的两个所述线性子空间之间的测地距离，构建所述待监测电池的健康状态评估指标；
基于所述健康状态评估指标确定所述待监测电池当前的健康状态。
2.根据权利要求1所述的电池的健康状态监测方法，其特征在于，在所述采用预设神经网络提取所述实时图像数据的特征数据和所述标准图像数据的特征数据之前，所述电池的健康状态监测方法还包括：
获取目标电池处于预设健康状态下的样本图像数据，所述样本图像数据为基于断层扫描的截面图像数据，所述目标电池和所述待监测电池的型号相同；
基于所述样本图像数据生成辅助图像数据，以对所述样本图像数据进行数据增强，所述辅助图像数据和所述样本图像数据的相似程度满足预设相似程度；
采用关联图像数据、所述样本图像数据和所述辅助图像数据训练预设神经网络，以使所述预设神经网络能够对所述待监测电池的图像数据进行特征提取，所述关联图像数据为与所述样本图像数据相关的图像数据。
3.根据权利要求2所述的电池的健康状态监测方法，其特征在于，所述基于所述样本图像数据生成辅助图像数据，以对所述样本图像数据进行数据增强，包括：
将所述样本图像数据输入至生成式对抗网络GAN，所述生成式对抗网络GAN包括生成模块和判别模块；
通过所述生成模块根据所述样本图像数据生成图像数据；
通过所述判别模块确定所述生成模块生成的图像数据为所述样本图像数据的概率；
将所述判别模块确定的概率为预设概率的图像数据作为辅助图像数据。
4.根据权利要求2所述的电池的健康状态监测方法，其特征在于，所述预设神经网络包括卷积自编码器；
所述采用关联图像数据、所述样本图像数据和所述辅助图像数据训练预设神经网络，包括：
采用所述关联图像数据作为源域数据，训练所述预设神经网络对所述关联图像数据进行特征提取，获取所述预设神经网络进行特征提取的优化参数；
将所述优化参数应用于所述卷积自编码器；
采用所述样本图像数据和所述辅助图像数据作为目标域数据，将所述目标域数据输入至所述卷积自编码器，训练所述卷积自编码器对所述目标域数据进行特征提取，并根据所述目标域数据得到重构图像数据，直到所述优化参数、所述目标域数据及其对应的所述重构图像数据之间的数值关系满足预设条件。
5.根据权利要求1所述的电池的健康状态监测方法，其特征在于，所述基于投影映射框架，将所述实时图像数据的特征数据和所述标准图像数据的特征数据分别映射至格拉斯曼流形中的两个线性子空间，包括：
对所述实时图像数据的特征数据和所述标准图像数据的特征数据进行预处理，得到基于所述标准图像数据的特征数据的第一特征矩阵和基于所述实时图像数据的特征数据的第二特征矩阵，所述第一特征矩阵和所述第二特征矩阵均为对称矩阵；
基于投影映射框架，将所述第一特征矩阵映射至格拉斯曼流形中的第一线性线性子空间，将所述第二特征矩阵映射至所述格拉斯曼流形中的第二线性线性子空间，所述第一线性线性子空间和所述第二线性线性子空间对应所述格拉斯曼流形中的两点。
6.根据权利要求5所述的电池的健康状态监测方法，其特征在于，所述根据所述实时图像数据的特征数据和所述标准图像数据的特征数据对应的两个所述线性子空间之间的测地距离，构建所述待监测电池的健康状态评估指标，包括：
根据所述第一线性线性子空间和所述第二线性线性子空间的内积，确定所述第一线性线性子空间和所述第二线性线性子空间之间的测地距离；
将所述第一线性线性子空间和所述第二线性线性子空间之间的测地距离，确定为所述待监测电池的健康状态评估指标；
其中，所述健康状态评估指标计算为：
H(M1,M2)＝2-1/2||M1M1T-M2M2T||F；
其中，H(M1,M2)表示所述健康状态评估指标，M1表示所述第一线性线性子空间对应的正交矩阵，M2表示所述第二线性线性子空间对应的正交矩阵，||·||F表示Frobenius范数。
7.根据权利要求1所述的电池的健康状态监测方法，其特征在于，所述基于所述健康状态评估指标确定所述待监测电池当前的健康状态，包括：
根据所述健康状态评估指标建立所述待监测电池的健康状态估测函数；
基于所述健康状态估测函数，采用高斯过程回归计算所述待监测电池当前的最大容量，以确定所述待监测电池的健康状态；
其中，所述健康状态估测函数表示为：
其中，
表示所述健康状态估测函数，H表示所述健康状态评估指标，Θ表示模型参数，ε表示服从正态分布的噪声，f表示分布函数；
所述待监测电池当前的最大容量计算如下：
其中，
表示高斯过程回归，μ(H)为所述健康状态评估指标的平均值，K(H,H*)为协方差矩阵。
8.一种电池的健康状态监测装置，其特征在于，包括：
第一图像数据获取模块，用于获取待监测电池的实时图像数据及其处于预设健康状态下的标准图像数据，所述实时图像数据和所述标准图像数据均为基于断层扫描的截面图像数据；
特征数据提取模块，用于采用预设神经网络提取所述实时图像数据的特征数据和所述标准图像数据的特征数据；
投影映射模块，用于基于投影映射框架，将所述实时图像数据的特征数据和所述标准图像数据的特征数据分别映射至格拉斯曼流形中的两个线性子空间；
健康状态评估指标构建模块，用于根据所述实时图像数据的特征数据和所述标准图像数据的特征数据对应的两个所述线性子空间之间的测地距离，构建所述待监测电池的健康状态评估指标；
健康状态判定模块，用于基于所述健康状态评估指标确定所述待监测电池当前的健康状态。
9.一种电子设备，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计算机程序，所述计算机程序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1-7中任一项所述的电池的健康状态监测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的电池的健康状态监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211540556.0A CN116359738A (zh) | 2022-12-02 | 2022-12-02 | 电池的健康状态监测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211540556.0A CN116359738A (zh) | 2022-12-02 | 2022-12-02 | 电池的健康状态监测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116359738A true CN116359738A (zh) | 2023-06-30 |
Family
ID=86926963
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211540556.0A Pending CN116359738A (zh) | 2022-12-02 | 2022-12-02 | 电池的健康状态监测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116359738A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116977339A (zh) * | 2023-09-25 | 2023-10-31 | 济宁市无界科技有限公司 | 一种锂电池健康状态预测评估方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108780509A (zh) * | 2016-03-15 | 2018-11-09 | 视觉科技(以色列)有限公司 | 图像比较系统和方法 |
| CN110651193A (zh) * | 2017-03-29 | 2020-01-03 | 亚马逊科技公司 | 使用光学估计的电源监控系统 |
| CN110781766A (zh) * | 2019-09-30 | 2020-02-11 | 广州大学 | 基于特征谱正则化的格拉斯曼流形判别分析图像识别方法 |
| CN111308985A (zh) * | 2020-02-18 | 2020-06-19 | 北京航空航天大学 | 一种基于nsct和dm的飞机环控系统控制组件性能退化评估方法 |
| CN111626947A (zh) * | 2020-04-27 | 2020-09-04 | 国家电网有限公司 | 基于生成对抗网络的地图矢量化样本增强方法及系统 |
| CN113435546A (zh) * | 2021-08-26 | 2021-09-24 | 广东众聚人工智能科技有限公司 | 基于区分置信度水平的可迁移图像识别方法及系统 |
| CN114004295A (zh) * | 2021-10-29 | 2022-02-01 | 浙江大学 | 一种基于对抗增强的小样本图像数据拓展方法 |
| CN114025320A (zh) * | 2021-11-08 | 2022-02-08 | 易枭零部件科技(襄阳)有限公司 | 一种基于5g信号的室内定位方法 |
| CN115131583A (zh) * | 2022-06-24 | 2022-09-30 | 佛山市天劲新能源科技有限公司 | 一种锂电池芯包结构X-Ray检测系统及检测方法 |
-
2022
- 2022-12-02 CN CN202211540556.0A patent/CN116359738A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108780509A (zh) * | 2016-03-15 | 2018-11-09 | 视觉科技(以色列)有限公司 | 图像比较系统和方法 |
| CN110651193A (zh) * | 2017-03-29 | 2020-01-03 | 亚马逊科技公司 | 使用光学估计的电源监控系统 |
| CN110781766A (zh) * | 2019-09-30 | 2020-02-11 | 广州大学 | 基于特征谱正则化的格拉斯曼流形判别分析图像识别方法 |
| CN111308985A (zh) * | 2020-02-18 | 2020-06-19 | 北京航空航天大学 | 一种基于nsct和dm的飞机环控系统控制组件性能退化评估方法 |
| CN111626947A (zh) * | 2020-04-27 | 2020-09-04 | 国家电网有限公司 | 基于生成对抗网络的地图矢量化样本增强方法及系统 |
| CN113435546A (zh) * | 2021-08-26 | 2021-09-24 | 广东众聚人工智能科技有限公司 | 基于区分置信度水平的可迁移图像识别方法及系统 |
| CN114004295A (zh) * | 2021-10-29 | 2022-02-01 | 浙江大学 | 一种基于对抗增强的小样本图像数据拓展方法 |
| CN114025320A (zh) * | 2021-11-08 | 2022-02-08 | 易枭零部件科技(襄阳)有限公司 | 一种基于5g信号的室内定位方法 |
| CN115131583A (zh) * | 2022-06-24 | 2022-09-30 | 佛山市天劲新能源科技有限公司 | 一种锂电池芯包结构X-Ray检测系统及检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| ROBERT R. RICHARDSON 等: "Gaussian process regression for forecasting battery state of health", JOURNAL OF POWER SOURCES, 31 December 2017 (2017-12-31), pages 209 - 219 * |
| 申江卫等: "基于优化高斯过程回归算法的锂离子电池可用容量估算", 中国公路学报, vol. 35, no. 8, 31 August 2022 (2022-08-31), pages 31 - 43 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116977339A (zh) * | 2023-09-25 | 2023-10-31 | 济宁市无界科技有限公司 | 一种锂电池健康状态预测评估方法 |
| CN116977339B (zh) * | 2023-09-25 | 2023-12-19 | 济宁市无界科技有限公司 | 一种锂电池健康状态预测评估方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113869449A (zh) | 一种模型训练、图像处理方法、装置、设备及存储介质 | |
| CN114170184A (zh) | 一种基于嵌入特征向量的产品图像异常检测方法及装置 | |
| CN114820871A (zh) | 字体生成方法、模型的训练方法、装置、设备和介质 | |
| CN112560981A (zh) | 生成对抗模型的训练方法、装置、设备、程序和存储介质 | |
| CN114048468A (zh) | 入侵检测的方法、入侵检测模型训练的方法、装置及介质 | |
| CN116359738A (zh) | 电池的健康状态监测方法、装置、设备及存储介质 | |
| CN117235608B (zh) | 风险检测方法、装置、电子设备及存储介质 | |
| CN116910573B (zh) | 异常诊断模型的训练方法及装置、电子设备和存储介质 | |
| CN117079005A (zh) | 一种光缆故障监测方法、系统、装置及可读存储介质 | |
| CN116092101A (zh) | 训练方法、图像识别方法、装置、设备及可读存储介质 | |
| CN116628612A (zh) | 一种无监督异常检测方法、装置、介质及设备 | |
| CN116188445A (zh) | 一种产品表面缺陷的检测定位方法、装置及终端设备 | |
| CN116258167A (zh) | 一种数据检测方法、装置、电子设备及介质 | |
| CN115359322A (zh) | 一种目标检测模型训练方法、装置、设备和存储介质 | |
| CN111815658B (zh) | 一种图像识别方法及装置 | |
| CN118378178B (zh) | 基于残差图卷积神经网络的变压器故障识别方法及系统 | |
| CN115034388B (zh) | 排序模型的量化参数的确定方法、装置及电子设备 | |
| CN117893840B (zh) | 一种痘痘严重程度分级方法、装置、电子设备及存储介质 | |
| CN116070138B (zh) | 一种抽水蓄能机组的状态监测方法、装置、设备及介质 | |
| CN116842837A (zh) | 一种变压器故障诊断方法、装置、电子设备及存储介质 | |
| CN117640231A (zh) | Web请求的异常检测方法、装置、服务器及存储介质 | |
| CN117454161A (zh) | 网络模型训练方法、装置、设备及存储介质 | |
| CN117217777A (zh) | 一种基于对比学习的估值方法、装置、设备及介质 | |
| CN117690181A (zh) | 虹膜图像的处理方法、装置、电子设备及存储介质 | |
| CN117909881A (zh) | 多源数据融合的抽油机的故障诊断方法及装置 |
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 |