CN116520154A - 锂电池极片检测的性能评估方法及其系统 - Google Patents
锂电池极片检测的性能评估方法及其系统 Download PDFInfo
- Publication number
- CN116520154A CN116520154A CN202310497170.4A CN202310497170A CN116520154A CN 116520154 A CN116520154 A CN 116520154A CN 202310497170 A CN202310497170 A CN 202310497170A CN 116520154 A CN116520154 A CN 116520154A
- Authority
- CN
- China
- Prior art keywords
- performance index
- feature vector
- training
- neural network
- lithium battery
- 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
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 170
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 170
- 238000011156 evaluation Methods 0.000 title claims abstract description 54
- 238000001514 detection method Methods 0.000 title claims description 54
- 239000013598 vector Substances 0.000 claims abstract description 318
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 89
- 238000012549 training Methods 0.000 claims description 139
- 238000004364 calculation method Methods 0.000 claims description 33
- 238000003062 neural network model Methods 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 27
- 238000000034 method Methods 0.000 claims description 19
- 230000004927 fusion Effects 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 44
- 238000009826 distribution Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000007774 positive electrode material Substances 0.000 description 3
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 239000011206 ternary composite Substances 0.000 description 2
- PWHULOQIROXLJO-UHFFFAOYSA-N Manganese Chemical compound [Mn] PWHULOQIROXLJO-UHFFFAOYSA-N 0.000 description 1
- HFCVPDYCRZVZDF-UHFFFAOYSA-N [Li+].[Co+2].[Ni+2].[O-][Mn]([O-])(=O)=O Chemical compound [Li+].[Co+2].[Ni+2].[O-][Mn]([O-])(=O)=O HFCVPDYCRZVZDF-UHFFFAOYSA-N 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 150000001868 cobalt Chemical class 0.000 description 1
- 229910017052 cobalt Inorganic materials 0.000 description 1
- 239000010941 cobalt Substances 0.000 description 1
- GUTLYIVDDKVIGB-UHFFFAOYSA-N cobalt atom Chemical compound [Co] GUTLYIVDDKVIGB-UHFFFAOYSA-N 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 150000002696 manganese Chemical class 0.000 description 1
- 229910052748 manganese Inorganic materials 0.000 description 1
- 239000011572 manganese Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 150000002815 nickel Chemical class 0.000 description 1
- 229910052759 nickel Inorganic materials 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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]
-
- 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
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Secondary Cells (AREA)
Abstract
公开了一种锂电池极片检测的性能评估方法及其系统。其首先将待检测锂电池的性能指标排列为性能指标输入向量,接着,将所述性能指标输入向量通过第一一维卷积神经网络模型以得到第一尺度性能指标关联特征向量,然后,将所述性能指标输入向量通过第二一维卷积神经网络模型以得到第二尺度性能指标关联特征向量,接着,融合所述第一尺度性能指标关联特征向量和所述第二尺度性能指标关联特征向量以得到分类特征向量,最后,将所述分类特征向量通过分类器以得到用于表示待检测锂电池的性能是否符合预定标准的分类结果。这样,可以全面而准确地评估锂电池极片的性能,从而更好地保证锂电池的品质和稳定性。
Description
技术领域
本申请涉及智能评估领域,且更为具体地,涉及一种锂电池极片检测的性能评估方法及其系统。
背景技术
动力电池作为新能源汽车的动力来源,是整车中最重要的系统,也是区别于其他传统燃油汽车的标志性部件,传统燃油车的心脏是发动机,新能源汽车的心脏就是动力电池。三元聚合物锂电池,简称三元锂电池,指正极材料使用镍钴锰酸锂(Li(NiCoMn)O2)或者镍钴铝酸锂的三元正极材料的锂电池,三元复合正极材料是以镍盐、钴盐、锰盐为原料,里面镍钴锰的比例可以根据实际需要进行调整,三元材料做正极的电池相对于钴酸锂电池安全性高,三元锂电池是一种集高能量密度和高电压为一体的储能装置,已广泛应用于移动和无线电子设备、电动工具、混合动力和电动交通工具等领域。
作为电池本身,锂电池直接提供的所展示的外观就是电池极片,因此对锂电池的外观检测最常用的也就是极片检测,包括其数量和位置。然而,传统的锂电池极片数量和位置检测方法存在着不足。在众多工厂中,仅粗糙的采用批量电池漏极或误检率等,导致其细节判断不够完善,无法全面的反应当前批次电池的质量以及检测系统的有效性。
因此,期望一种优化的锂电池极片检测的性能评估方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种锂电池极片检测的性能评估方法及其系统。其首先将待检测锂电池的性能指标排列为性能指标输入向量,接着,将所述性能指标输入向量通过第一一维卷积神经网络模型以得到第一尺度性能指标关联特征向量,然后,将所述性能指标输入向量通过第二一维卷积神经网络模型以得到第二尺度性能指标关联特征向量,接着,融合所述第一尺度性能指标关联特征向量和所述第二尺度性能指标关联特征向量以得到分类特征向量,最后,将所述分类特征向量通过分类器以得到用于表示待检测锂电池的性能是否符合预定标准的分类结果。这样,可以全面而准确地评估锂电池极片的性能,从而更好地保证锂电池的品质和稳定性。
根据本申请的一个方面,提供了一种锂电池极片检测的性能评估方法,其包括:
获取待检测锂电池的性能指标,所述性能指标包括负极片-数量误差、正极片-数量误差、负极片-数量准确率、正极片-数量准确率、正负极片对-整体准确率、负极片位置误差、正极片位置误差以及正负极片对-整体位置误差;
将所述待检测锂电池的性能指标按照样本维度排列为性能指标输入向量;
将所述性能指标输入向量通过第一一维卷积神经网络模型以得到第一尺度性能指标关联特征向量;
将所述性能指标输入向量通过第二一维卷积神经网络模型以得到第二尺度性能指标关联特征向量,其中,所述第二一维卷积神经网络模型和所述第一一维卷积神经网络模型分别使用具有不同尺度的一维卷积核;
融合所述第一尺度性能指标关联特征向量和所述第二尺度性能指标关联特征向量以得到分类特征向量;以及
将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待检测锂电池的性能是否符合预定标准。
在上述的锂电池极片检测的性能评估方法中,所述负极片-数量误差的计算公式表示为:
所述正极片-数量误差的计算公式表示为:
所述负极片-数量准确率的计算公式表示为:
所述正极片-数量准确率的计算公式表示为:
所述正负极片对-整体准确率的计算公式表示为:
所述负极片位置误差的计算公式表示为:
所述正极片位置误差的计算公式表示为:
所述正负极片对-整体位置误差的计算公式表示为:
其中,表示所述负极片-数量误差,/>表示所述正极片-数量误差,/>表示所述负极片-数量准确率,/>表示所述正极片-数量准确率,/>表示所述正负极片对-整体准确率,/>表示所述负极片位置误差,/>表示所述正极片位置误差,/>表示所述正负极片对-整体位置误差,/>表示待检测的负极片个数,/>表示相应真值的负极片个数,/>表示待检测的正极片个数,/>表示相应真值的正极片个数,/>表示待检测的正负极片总个数,/>表示相应真值的正负极片总个数,/>表示待检测的第i个样本的第j个负极片的空间坐标,/>表示相应真值的第i个样本的第j个负极片的空间坐标,/>表示待检测的第i个样本的第j个正极片的空间坐标,表示相应真值的第i个样本的第j个负极片的空间坐标,N表示测试集样本总数。
在上述的锂电池极片检测的性能评估方法中,将所述性能指标输入向量通过第一一维卷积神经网络模型以得到第一尺度性能指标关联特征向量,包括:
使用所述第一一维卷积神经网络模型的各层在层的正向传递中对输入数据分别进行一维卷积处理、均值池化处理和非线性激活处理以由所述第一一维卷积神经网络模型的最后一层输出所述第一尺度性能指标关联特征向量,其中,所述第一一维卷积神经网络模型的第一层的输入为所述性能指标输入向量。
在上述的锂电池极片检测的性能评估方法中,将所述性能指标输入向量通过第二一维卷积神经网络模型以得到第二尺度性能指标关联特征向量,包括:
使用所述第二一维卷积神经网络模型的各层在层的正向传递中对输入数据分别进行一维卷积处理、均值池化处理和非线性激活处理以由所述第二一维卷积神经网络模型的最后一层输出所述第二尺度性能指标关联特征向量,其中,所述第二一维卷积神经网络模型的第一层的输入为所述性能指标输入向量。
在上述的锂电池极片检测的性能评估方法中,融合所述第一尺度性能指标关联特征向量和所述第二尺度性能指标关联特征向量以得到分类特征向量,包括:
以如下级联公式来融合所述第一尺度性能指标关联特征向量和所述第二尺度性能指标关联特征向量以得到所述分类特征向量;
其中,所述级联公式为:
Vc=Concat[Va,Vb]
其中,Va表示所述第一尺度性能指标关联特征向量,Vb表示所述第二尺度性能指标关联特征向量,Concat[·]表示级联函数,Vc表示所述分类特征向量。
在上述的锂电池极片检测的性能评估方法中,还包括训练步骤:用于对所述第一一维卷积神经网络模型、所述第二一维卷积神经网络模型和所述分类器进行训练。
在上述的锂电池极片检测的性能评估方法中,所述训练步骤,包括:
获取训练数据,所述训练数据包括待检测锂电池的训练性能指标,以及,所述待检测锂电池的性能是否符合预定标准的真实值;
将所述待检测锂电池的训练性能指标按照样本维度排列为训练性能指标输入向量;
将所述训练性能指标输入向量通过所述第一一维卷积神经网络模型以得到训练第一尺度性能指标关联特征向量;
将所述训练性能指标输入向量通过所述第二一维卷积神经网络模型以得到训练第二尺度性能指标关联特征向量,其中,所述第二一维卷积神经网络模型和所述第一一维卷积神经网络模型分别使用具有不同尺度的一维卷积核;
融合所述训练第一尺度性能指标关联特征向量和所述训练第二尺度性能指标关联特征向量以得到训练分类特征向量;
将所述训练分类特征向量通过所述分类器以得到分类损失函数值;
计算所述训练第一尺度性能指标关联特征向量和所述训练第二尺度性能指标关联特征向量的流式精细化损失函数值;以及
以所述分类损失函数值和所述流式精细化损失函数值的加权和作为损失函数值,并通过梯度下降的反向传播来对所述第一一维卷积神经网络模型、所述第二一维卷积神经网络模型和所述分类器进行训练。
在上述的锂电池极片检测的性能评估方法中,将所述训练分类特征向量通过所述分类器以得到分类损失函数值,包括:
所述分类器以如下分类损失公式对所述训练分类特征向量进行处理以得到训练分类结果,所述分类损失公式为:softmax{(Wn,Bn):…:(W1,B1)|X},其中,W1到Wn为权重矩阵,B1到Bn为偏置向量,X为所述训练分类特征向量;以及
计算所述训练分类结果与所述真实值之间的交叉熵值作为所述分类损失函数值。
在上述的锂电池极片检测的性能评估方法中,计算所述训练第一尺度性能指标关联特征向量和所述训练第二尺度性能指标关联特征向量的流式精细化损失函数值,包括:
以如下优化公式计算所述训练第一尺度性能指标关联特征向量和所述训练第二尺度性能指标关联特征向量的所述流式精细化损失函数值;
其中,所述优化公式为:
其中,V1表示所述训练第一尺度性能指标关联特征向量,V2表示所述训练第二尺度性能指标关联特征向量,表示向量的二范数的平方,且/>和⊙分别表示向量的逐位置减法和乘法,exp(·)表示向量的指数运算,所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值,/>表示所述流式精细化损失函数值。
根据本申请的另一个方面,提供了一种锂电池极片检测的性能评估方法,其包括:
性能指标获取模块,用于获取待检测锂电池的性能指标,所述性能指标包括负极片-数量误差、正极片-数量误差、负极片-数量准确率、正极片-数量准确率、正负极片对-整体准确率、负极片位置误差、正极片位置误差以及正负极片对-整体位置误差;
输入向量排列模块,用于将所述待检测锂电池的性能指标按照样本维度排列为性能指标输入向量;
第一卷积编码模块,用于将所述性能指标输入向量通过第一一维卷积神经网络模型以得到第一尺度性能指标关联特征向量;
第二卷积编码模块,用于将所述性能指标输入向量通过第二一维卷积神经网络模型以得到第二尺度性能指标关联特征向量,其中,所述第二一维卷积神经网络模型和所述第一一维卷积神经网络模型分别使用具有不同尺度的一维卷积核;
向量融合模块,用于融合所述第一尺度性能指标关联特征向量和所述第二尺度性能指标关联特征向量以得到分类特征向量;以及
分类模块,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待检测锂电池的性能是否符合预定标准。
与现有技术相比,本申请提供的锂电池极片检测的性能评估方法及其系统,其首先将待检测锂电池的性能指标排列为性能指标输入向量,接着,将所述性能指标输入向量通过第一一维卷积神经网络模型以得到第一尺度性能指标关联特征向量,然后,将所述性能指标输入向量通过第二一维卷积神经网络模型以得到第二尺度性能指标关联特征向量,接着,融合所述第一尺度性能指标关联特征向量和所述第二尺度性能指标关联特征向量以得到分类特征向量,最后,将所述分类特征向量通过分类器以得到用于表示待检测锂电池的性能是否符合预定标准的分类结果。这样,可以全面而准确地评估锂电池极片的性能,从而更好地保证锂电池的品质和稳定性。
附图说明
为了更清楚地说明本申请实施例的技术方案,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申请的一些实施例,对于本领域普通技术人员而言,在没有做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。以下附图并未刻意按实际尺寸等比例缩放绘制,重点在于示出本申请的主旨。
图1为根据本申请实施例的锂电池极片检测的性能评估方法的应用场景图。
图2为根据本申请实施例的锂电池极片检测的性能评估方法的流程图。
图3为根据本申请实施例的锂电池极片检测的性能评估方法的架构示意图。
图4为根据本申请实施例的锂电池极片检测的性能评估方法中进一步包括的训练步骤的流程图。
图5为根据本申请实施例的锂电池极片检测的性能评估系统的框图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,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,也属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
如上所述,在锂电池的生产过程中,锂电池直接提供的所展示的外观就是电池极片,因此对锂电池的外观检测最常用的也就是极片检测,并且极片的数量和位置等参数对电池的性能影响很大,因此对这些参数进行检测是非常必要的。然而,传统的锂电池极片数量和位置检测方法存在着不足。在众多工厂中,仅粗糙的采用批量电池漏极或误检率等,导致其细节判断不够完善,无法全面的反应当前批次电池的质量以及检测系统的有效性。因此,期望一种优化的锂电池极片检测的性能评估方案。
具体地,在本申请的技术方案中,在锂电池检测指标上,通过对数量、位置、单性极、组级、准确率、误差率进行全面分析,以利用8个综合性的锂电池性能互补指标来进行锂电池的性能评估,其中,锂电池的性能指标包括有负极片-误差数量、正极片-数量误差、负极片-数量准确率、正极片-数量准确率、正负极片对-整体准确率、负极片位置误差、正极片位置误差以及正负极片对-整体位置误差。相应地,考虑到由于这8个指标之间在不同的指标类别跨度下具有着不同程度的关联性,如何挖掘这些指标之间的关联性关系,以通过8个指标之间的相互约束,来全面的评估正级、负级的数量误差、位置误差,以及极片对的整体准确率和极间距是难点。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述各个指标之间的隐含特征关联信息提供了新的解决思路和方案。
更具体地,在本申请的技术方案中,首先,获取待检测锂电池的性能指标,所述性能指标包括负极片-误差数量、正极片-数量误差、负极片-数量准确率、正极片-数量准确率、正负极片对-整体准确率、负极片位置误差、正极片位置误差以及正负极片对-整体位置误差。应可以理解,在锂电池生产过程中,极片的数量和位置等参数对电池的性能影响很大。因此,在进行锂电池极片检测时,需要对这些参数进行全面准确地评估。特别地,这些性能指标包括负极片、正极片数量误差和准确率以及位置误差,以及整体的准确率和位置误差,以通过对于这些指标的全面关联关系的分析,可以全面而准确地评估锂电池极片的性能,从而更好地保证锂电池的品质和稳定性。
接着,考虑到由于所述各个锂电池的性能指标之间具有着相互的关联关系,因此,为了能够进行所述各个锂电池性能指标间关联特征的充分表达,在本申请的技术方案中,进一步将所述待检测锂电池的性能指标按照样本维度排列为性能指标输入向量,以便于后续进行指标关联特征的捕捉提取。
然后,还考虑到所述各个锂电池的性能指标之间在不同的指标类别跨度下呈现出不同的关联特性,为了能够全面准确地进行锂电池极片的性能评估,以保证锂电池的品质和稳定性,在本申请的技术方案中,进一步使用具有不同尺度的一维卷积核的卷积神经网络模型来进行所述性能指标输入向量的特征挖掘,以提取出所述各个锂电池性能指标间在不同指标类别跨度下的多尺度关联特征信息。具体地,将所述性能指标输入向量通过第一一维卷积神经网络模型中进行处理,以此通过使用具有第一尺度的一维卷积核来提取出所述各个锂电池性能指标的第一尺度关联特征,从而得到第一尺度性能指标关联特征向量;并将所述性能指标输入向量通过第二一维卷积神经网络模型中进行处理,以此通过使用具有第二尺度的一维卷积核来提取出所述各个锂电池性能指标的第二尺度关联特征,从而得到第二尺度性能指标关联特征向量。特别地,这里,所述第二一维卷积神经网络模型和所述第一一维卷积神经网络模型分别使用具有不同尺度的一维卷积核,以此来提取出所述各个锂电池性能指标之间的不同感受野下的多尺度关联特征信息。
进一步地,再融合所述第一尺度性能指标关联特征向量和所述第二尺度性能指标关联特征向量,以融合不同性能指标类别跨度下的多尺度锂电池性能指标关联特征信息,并以此作为分类特征向量通过分类器中进行分类处理,以得到用于表示待检测锂电池的性能是否符合预定标准的分类结果。
也就是,在本申请的技术方案中,所述分类器的标签包括待检测锂电池的性能符合预定标准(第一标签),以及,待检测锂电池的性能不符合预定标准(第二标签),其中,所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“待检测锂电池的性能是否符合预定标准”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,待检测锂电池的性能是否符合预定标准的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“待检测锂电池的性能是否符合预定标准”的语言文本意义。应可以理解,在本申请的技术方案中,所述分类器的分类标签为待检测锂电池的性能是否符合预定标准的检测评估标签,因此,在得到所述分类结果后,可基于所述分类结果来全面地评估正级、负级的数量误差、位置误差,以及极片对的整体准确率和极间距,进而,提高锂电池质量检测的精准度。
特别地,在本申请的技术方案中,这里,在融合所述第一尺度性能指标关联特征向量和所述第二尺度性能指标关联特征向量得到所述分类特征向量时,实质上是将所述第一尺度性能指标关联特征向量和所述第二尺度性能指标关联特征向量表达的不同尺度下的性能指标参数性关联特征表示映射到高维融合特征空间内,因此,如果能够提升所述第一一维卷积神经网络模型和所述第二一维卷积神经网络模型得到的所述第一尺度性能指标关联特征向量和所述第二尺度性能指标关联特征向量之间在序列化参数性关联特征表示和高维特征间融合空间维度下的相关性,则能够提升所述分类特征向量的表达效果。
基于此,本申请的申请人在基于所述分类特征向量的分类损失函数之外,进一步引入针对所述第一尺度性能指标关联特征向量和所述第二尺度性能指标关联特征向量的流式精细化损失函数,表示为:
其中V1和V2分别是所述第一尺度性能指标关联特征向量和所述第二尺度性能指标关联特征向量,且表示向量的二范数的平方。
这里,所述流式精细化损失函数基于所述第一尺度性能指标关联特征向量V1和所述第二尺度性能指标关联特征向量V2在参数序列化的关联流式分布到高维融合特征空间内的空间分布的转化,通过同步进行向量的序列分布下的插值来实现高维融合特征空间内的空间分布的超分辨率提升,从而通过平衡序列下的互类概率式关系对高维融合特征空间内的分布差异提供更精细化的对准,以在不同尺度下的性能指标参数性关联特征维度和融合特征空间维度上联合地呈现交叉的维度间(inter-dimensional)上下文关联,从而提升所述分类特征向量的表达效果,进而提升所述分类特征向量通过分类器得到的分类结果的准确性。这样,能够全面地评估正级、负级的数量误差、位置误差,以及极片对的整体准确率和极间距,进而,提高锂电池质量检测的精准度。
图1为根据本申请实施例的锂电池极片检测的性能评估方法的应用场景图。如图1所示,在该应用场景中,首先,获取待检测锂电池的性能指标(例如,图1中所示意的D),所述性能指标包括负极片-数量误差、正极片-数量误差、负极片-数量准确率、正极片-数量准确率、正负极片对-整体准确率、负极片位置误差、正极片位置误差以及正负极片对-整体位置误差,然后,将所述待检测锂电池的性能指标输入至部署有锂电池极片检测的性能评估算法的服务器中(例如,图1中所示意的S),其中,所述服务器能够使用所述锂电池极片检测的性能评估算法对所述待检测锂电池的性能指标进行处理以得到用于表示待检测锂电池的性能是否符合预定标准的分类结果。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
图2为根据本申请实施例的锂电池极片检测的性能评估方法的流程图。如图2所示,根据本申请实施例的锂电池极片检测的性能评估方法,包括步骤:S110,获取待检测锂电池的性能指标,所述性能指标包括负极片-数量误差、正极片-数量误差、负极片-数量准确率、正极片-数量准确率、正负极片对-整体准确率、负极片位置误差、正极片位置误差以及正负极片对-整体位置误差;S120,将所述待检测锂电池的性能指标按照样本维度排列为性能指标输入向量;S130,将所述性能指标输入向量通过第一一维卷积神经网络模型以得到第一尺度性能指标关联特征向量;S140,将所述性能指标输入向量通过第二一维卷积神经网络模型以得到第二尺度性能指标关联特征向量,其中,所述第二一维卷积神经网络模型和所述第一一维卷积神经网络模型分别使用具有不同尺度的一维卷积核;S150,融合所述第一尺度性能指标关联特征向量和所述第二尺度性能指标关联特征向量以得到分类特征向量;以及,S160,将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待检测锂电池的性能是否符合预定标准。
图3为根据本申请实施例的锂电池极片检测的性能评估方法的架构示意图。如图3所示,在该网络架构中,首先,获取待检测锂电池的性能指标,所述性能指标包括负极片-数量误差、正极片-数量误差、负极片-数量准确率、正极片-数量准确率、正负极片对-整体准确率、负极片位置误差、正极片位置误差以及正负极片对-整体位置误差;接着,将所述待检测锂电池的性能指标按照样本维度排列为性能指标输入向量;然后,将所述性能指标输入向量通过第一一维卷积神经网络模型以得到第一尺度性能指标关联特征向量;接着,将所述性能指标输入向量通过第二一维卷积神经网络模型以得到第二尺度性能指标关联特征向量,其中,所述第二一维卷积神经网络模型和所述第一一维卷积神经网络模型分别使用具有不同尺度的一维卷积核;然后,融合所述第一尺度性能指标关联特征向量和所述第二尺度性能指标关联特征向量以得到分类特征向量;最后,将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待检测锂电池的性能是否符合预定标准。
更具体地,在步骤S110中,获取待检测锂电池的性能指标,所述性能指标包括负极片-数量误差、正极片-数量误差、负极片-数量准确率、正极片-数量准确率、正负极片对-整体准确率、负极片位置误差、正极片位置误差以及正负极片对-整体位置误差。应可以理解,在锂电池生产过程中,极片的数量和位置等参数对电池的性能影响很大。因此,在进行锂电池极片检测时,需要对这些参数进行全面准确地评估。特别地,这些性能指标包括负极片、正极片数量误差和准确率以及位置误差,以及整体的准确率和位置误差,以通过对于这些指标的全面关联关系的分析,可以全面而准确地评估锂电池极片的性能,从而更好地保证锂电池的品质和稳定性。
相应地,在一个具体示例中,所述负极片-数量误差(Anode-Num-MAE)的计算公式表示为:
所述正极片-数量误差(Cachode-Num-MAE)的计算公式表示为:
所述负极片-数量准确率(Anode-Num-Acc)的计算公式表示为:
所述正极片-数量准确率(Cachode-Num-Acc)的计算公式表示为:
所述正负极片对-整体准确率(Pair-Num-Acc)的计算公式表示为:
所述负极片位置误差(Anode-Location-MAE)的计算公式表示为:
所述正极片位置误差(Cachode-Location-MAE)的计算公式表示为:
所述正负极片对-整体位置误差的计算公式表示为:
其中,表示所述负极片-数量误差,/>表示所述正极片-数量误差,/>表示所述负极片-数量准确率,/>表示所述正极片-数量准确率,/>表示所述正负极片对-整体准确率,/>表示所述负极片位置误差,/>表示所述正极片位置误差,/>表示所述正负极片对-整体位置误差,/>表示待检测的负极片个数,/>表示相应真值的负极片个数,/>表示待检测的正极片个数,/>表示相应真值的正极片个数,/>表示待检测的正负极片总个数,/>表示相应真值的正负极片总个数,/>表示待检测的第i个样本的第j个负极片的空间坐标,/>表示相应真值的第i个样本的第j个负极片的空间坐标,/>表示待检测的第i个样本的第j个正极片的空间坐标,表示相应真值的第i个样本的第j个负极片的空间坐标,N表示测试集样本总数。其中,所述负极片位置误差、所述正极片位置误差和所述正负极片对-整体位置误差的单位为pixel。
通过上述8个指标之间的相互约束,能够全面的评估正级、负级的数量误差、位置误差,极片对的整体准确率,以及极间距。
更具体地,在步骤S120中,将所述待检测锂电池的性能指标按照样本维度排列为性能指标输入向量。由于所述各个锂电池的性能指标之间具有着相互的关联关系,因此,为了能够进行所述各个锂电池性能指标间关联特征的充分表达,在本申请的技术方案中,进一步将所述待检测锂电池的性能指标按照样本维度排列为性能指标输入向量,以便于后续进行指标关联特征的捕捉提取。
考虑到所述各个锂电池的性能指标之间在不同的指标类别跨度下呈现出不同的关联特性,为了能够全面准确地进行锂电池极片的性能评估,以保证锂电池的品质和稳定性,在本申请的技术方案中,进一步使用具有不同尺度的一维卷积核的卷积神经网络模型来进行所述性能指标输入向量的特征挖掘,以提取出所述各个锂电池性能指标间在不同指标类别跨度下的多尺度关联特征信息。
更具体地,在步骤S130中,将所述性能指标输入向量通过第一一维卷积神经网络模型以得到第一尺度性能指标关联特征向量。以此通过使用具有第一尺度的一维卷积核来提取出所述各个锂电池性能指标的第一尺度关联特征。
应可以理解,卷积神经网络(Convolutional Neural Network,CNN)是一种人工神经网络,在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层,其中,隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等,上一层根据输入的数据进行相应的运算,将运算结果输出给下一层,输入的初始数据经过多层的运算之后得到一个最终的结果。
相应地,在一个具体示例中,将所述性能指标输入向量通过第一一维卷积神经网络模型以得到第一尺度性能指标关联特征向量,包括:使用所述第一一维卷积神经网络模型的各层在层的正向传递中对输入数据分别进行一维卷积处理、均值池化处理和非线性激活处理以由所述第一一维卷积神经网络模型的最后一层输出所述第一尺度性能指标关联特征向量,其中,所述第一一维卷积神经网络模型的第一层的输入为所述性能指标输入向量。
更具体地,在步骤S140中,将所述性能指标输入向量通过第二一维卷积神经网络模型以得到第二尺度性能指标关联特征向量,其中,所述第二一维卷积神经网络模型和所述第一一维卷积神经网络模型分别使用具有不同尺度的一维卷积核。以此通过使用具有第二尺度的一维卷积核来提取出所述各个锂电池性能指标的第二尺度关联特征,从而得到第二尺度性能指标关联特征向量。
相应地,在一个具体示例中,将所述性能指标输入向量通过第二一维卷积神经网络模型以得到第二尺度性能指标关联特征向量,包括:使用所述第二一维卷积神经网络模型的各层在层的正向传递中对输入数据分别进行一维卷积处理、均值池化处理和非线性激活处理以由所述第二一维卷积神经网络模型的最后一层输出所述第二尺度性能指标关联特征向量,其中,所述第二一维卷积神经网络模型的第一层的输入为所述性能指标输入向量。
特别地,这里,所述第二一维卷积神经网络模型和所述第一一维卷积神经网络模型分别使用具有不同尺度的一维卷积核,以此来提取出所述各个锂电池性能指标之间的不同感受野下的多尺度关联特征信息。
更具体地,在步骤S150中,融合所述第一尺度性能指标关联特征向量和所述第二尺度性能指标关联特征向量以得到分类特征向量。以融合不同性能指标类别跨度下的多尺度锂电池性能指标关联特征信息。
相应地,在一个具体示例中,融合所述第一尺度性能指标关联特征向量和所述第二尺度性能指标关联特征向量以得到分类特征向量,包括:以如下级联公式来融合所述第一尺度性能指标关联特征向量和所述第二尺度性能指标关联特征向量以得到所述分类特征向量;其中,所述级联公式为:
Vc=Concat[Va,Vb]
其中,Va表示所述第一尺度性能指标关联特征向量,Vb表示所述第二尺度性能指标关联特征向量,Concat[·]表示级联函数,Vc表示所述分类特征向量。
更具体地,在步骤S160中,将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待检测锂电池的性能是否符合预定标准。也就是,在本申请的技术方案中,所述分类器的标签包括待检测锂电池的性能符合预定标准(第一标签),以及,待检测锂电池的性能不符合预定标准(第二标签),其中,所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
相应地,在一个具体示例中,所述的锂电池极片检测的性能评估方法,还包括训练步骤:用于对所述第一一维卷积神经网络模型、所述第二一维卷积神经网络模型和所述分类器进行训练。如图4所示,所述训练步骤,包括:S210,获取训练数据,所述训练数据包括待检测锂电池的训练性能指标,以及,所述待检测锂电池的性能是否符合预定标准的真实值;S220,将所述待检测锂电池的训练性能指标按照样本维度排列为训练性能指标输入向量;S230,将所述训练性能指标输入向量通过所述第一一维卷积神经网络模型以得到训练第一尺度性能指标关联特征向量;S240,将所述训练性能指标输入向量通过所述第二一维卷积神经网络模型以得到训练第二尺度性能指标关联特征向量,其中,所述第二一维卷积神经网络模型和所述第一一维卷积神经网络模型分别使用具有不同尺度的一维卷积核;S250,融合所述训练第一尺度性能指标关联特征向量和所述训练第二尺度性能指标关联特征向量以得到训练分类特征向量;S260,将所述训练分类特征向量通过所述分类器以得到分类损失函数值;S270,计算所述训练第一尺度性能指标关联特征向量和所述训练第二尺度性能指标关联特征向量的流式精细化损失函数值;以及,S280,以所述分类损失函数值和所述流式精细化损失函数值的加权和作为损失函数值,并通过梯度下降的反向传播来对所述第一一维卷积神经网络模型、所述第二一维卷积神经网络模型和所述分类器进行训练。
相应地,在一个具体示例中,将所述训练分类特征向量通过所述分类器以得到分类损失函数值,包括:所述分类器以如下分类损失公式对所述训练分类特征向量进行处理以得到训练分类结果,所述分类损失公式为:softmax{(Wn,Bn):…:(W1,B1)|X},其中,W1到Wn为权重矩阵,B1到Bn为偏置向量,X为所述训练分类特征向量;以及,计算所述训练分类结果与所述真实值之间的交叉熵值作为所述分类损失函数值。
特别地,在本申请的技术方案中,这里,在融合所述训练第一尺度性能指标关联特征向量和所述训练第二尺度性能指标关联特征向量得到所述训练分类特征向量时,实质上是将所述训练第一尺度性能指标关联特征向量和所述训练第二尺度性能指标关联特征向量表达的不同尺度下的性能指标参数性关联特征表示映射到高维融合特征空间内,因此,如果能够提升所述第一一维卷积神经网络模型和所述第二一维卷积神经网络模型得到的所述训练第一尺度性能指标关联特征向量和所述训练第二尺度性能指标关联特征向量之间在序列化参数性关联特征表示和高维特征间融合空间维度下的相关性,则能够提升所述训练分类特征向量的表达效果。基于此,本申请的申请人在基于所述训练分类特征向量的分类损失函数之外,进一步引入针对所述训练第一尺度性能指标关联特征向量和所述训练第二尺度性能指标关联特征向量的流式精细化损失函数。
相应地,在一个具体示例中,计算所述训练第一尺度性能指标关联特征向量和所述训练第二尺度性能指标关联特征向量的流式精细化损失函数值,包括:以如下优化公式计算所述训练第一尺度性能指标关联特征向量和所述训练第二尺度性能指标关联特征向量的所述流式精细化损失函数值;其中,所述优化公式为:
其中,V1表示所述训练第一尺度性能指标关联特征向量,V2表示所述训练第二尺度性能指标关联特征向量,表示向量的二范数的平方,且/>和⊙分别表示向量的逐位置减法和乘法,exp(·)表示向量的指数运算,所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值,/>表示所述流式精细化损失函数值。
这里,所述流式精细化损失函数基于所述训练第一尺度性能指标关联特征向量和所述训练第二尺度性能指标关联特征向量在参数序列化的关联流式分布到高维融合特征空间内的空间分布的转化,通过同步进行向量的序列分布下的插值来实现高维融合特征空间内的空间分布的超分辨率提升,从而通过平衡序列下的互类概率式关系对高维融合特征空间内的分布差异提供更精细化的对准,以在不同尺度下的性能指标参数性关联特征维度和融合特征空间维度上联合地呈现交叉的维度间上下文关联,从而提升所述训练分类特征向量的表达效果,进而提升所述训练分类特征向量通过分类器得到的训练分类结果的准确性。这样,能够全面地评估正级、负级的数量误差、位置误差,以及极片对的整体准确率和极间距,进而,提高锂电池质量检测的精准度。
综上,基于本申请实施例的锂电池极片检测的性能评估方法,其首先将待检测锂电池的性能指标排列为性能指标输入向量,接着,将所述性能指标输入向量通过第一一维卷积神经网络模型以得到第一尺度性能指标关联特征向量,然后,将所述性能指标输入向量通过第二一维卷积神经网络模型以得到第二尺度性能指标关联特征向量,接着,融合所述第一尺度性能指标关联特征向量和所述第二尺度性能指标关联特征向量以得到分类特征向量,最后,将所述分类特征向量通过分类器以得到用于表示待检测锂电池的性能是否符合预定标准的分类结果。这样,可以全面而准确地评估锂电池极片的性能,从而更好地保证锂电池的品质和稳定性。
图5为根据本申请实施例的锂电池极片检测的性能评估系统100的框图。如图5所示,根据本申请实施例的锂电池极片检测的性能评估系统100,包括:性能指标获取模块110,用于获取待检测锂电池的性能指标,所述性能指标包括负极片-数量误差、正极片-数量误差、负极片-数量准确率、正极片-数量准确率、正负极片对-整体准确率、负极片位置误差、正极片位置误差以及正负极片对-整体位置误差;输入向量排列模块120,用于将所述待检测锂电池的性能指标按照样本维度排列为性能指标输入向量;第一卷积编码模块130,用于将所述性能指标输入向量通过第一一维卷积神经网络模型以得到第一尺度性能指标关联特征向量;第二卷积编码模块140,用于将所述性能指标输入向量通过第二一维卷积神经网络模型以得到第二尺度性能指标关联特征向量,其中,所述第二一维卷积神经网络模型和所述第一一维卷积神经网络模型分别使用具有不同尺度的一维卷积核;向量融合模块150,用于融合所述第一尺度性能指标关联特征向量和所述第二尺度性能指标关联特征向量以得到分类特征向量;以及,分类模块160,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待检测锂电池的性能是否符合预定标准。
在一个示例中,在上述锂电池极片检测的性能评估系统100中,所述负极片-数量误差的计算公式表示为:
所述正极片-数量误差的计算公式表示为:
所述负极片-数量准确率的计算公式表示为:
所述正极片-数量准确率的计算公式表示为:
所述正负极片对-整体准确率的计算公式表示为:
所述负极片位置误差的计算公式表示为:
所述正极片位置误差的计算公式表示为:
所述正负极片对-整体位置误差的计算公式表示为:
其中,表示所述负极片-数量误差,/>表示所述正极片-数量误差,/>表示所述负极片-数量准确率,/>表示所述正极片-数量准确率,/>表示所述正负极片对-整体准确率,/>表示所述负极片位置误差,/>表示所述正极片位置误差,/>表示所述正负极片对-整体位置误差,/>表示待检测的负极片个数,/>表示相应真值的负极片个数,/>表示待检测的正极片个数,/>表示相应真值的正极片个数,/>表示待检测的正负极片总个数,/>表示相应真值的正负极片总个数,/>表示待检测的第i个样本的第j个负极片的空间坐标,/>表示相应真值的第i个样本的第j个负极片的空间坐标,/>表示待检测的第i个样本的第j个正极片的空间坐标,表示相应真值的第i个样本的第j个负极片的空间坐标,N表示测试集样本总数。/>
在一个示例中,在上述锂电池极片检测的性能评估系统100中,所述第一卷积编码模块130,用于:使用所述第一一维卷积神经网络模型的各层在层的正向传递中对输入数据分别进行一维卷积处理、均值池化处理和非线性激活处理以由所述第一一维卷积神经网络模型的最后一层输出所述第一尺度性能指标关联特征向量,其中,所述第一一维卷积神经网络模型的第一层的输入为所述性能指标输入向量。
在一个示例中,在上述锂电池极片检测的性能评估系统100中,所述第二卷积编码模块140,用于:使用所述第二一维卷积神经网络模型的各层在层的正向传递中对输入数据分别进行一维卷积处理、均值池化处理和非线性激活处理以由所述第二一维卷积神经网络模型的最后一层输出所述第二尺度性能指标关联特征向量,其中,所述第二一维卷积神经网络模型的第一层的输入为所述性能指标输入向量。
在一个示例中,在上述锂电池极片检测的性能评估系统100中,所述向量融合模块150,用于:以如下级联公式来融合所述第一尺度性能指标关联特征向量和所述第二尺度性能指标关联特征向量以得到所述分类特征向量;其中,所述级联公式为:
Vc=Concat[Va,Vb]
其中,Va表示所述第一尺度性能指标关联特征向量,Vb表示所述第二尺度性能指标关联特征向量,Concat[·]表示级联函数,Vc表示所述分类特征向量。
在一个示例中,在上述锂电池极片检测的性能评估系统100中,还包括用于对所述第一一维卷积神经网络模型、所述第二一维卷积神经网络模型和所述分类器进行训练的训练模块。所述训练模块,用于:获取训练数据,所述训练数据包括待检测锂电池的训练性能指标,以及,所述待检测锂电池的性能是否符合预定标准的真实值;将所述待检测锂电池的训练性能指标按照样本维度排列为训练性能指标输入向量;将所述训练性能指标输入向量通过所述第一一维卷积神经网络模型以得到训练第一尺度性能指标关联特征向量;将所述训练性能指标输入向量通过所述第二一维卷积神经网络模型以得到训练第二尺度性能指标关联特征向量,其中,所述第二一维卷积神经网络模型和所述第一一维卷积神经网络模型分别使用具有不同尺度的一维卷积核;融合所述训练第一尺度性能指标关联特征向量和所述训练第二尺度性能指标关联特征向量以得到训练分类特征向量;将所述训练分类特征向量通过所述分类器以得到分类损失函数值;计算所述训练第一尺度性能指标关联特征向量和所述训练第二尺度性能指标关联特征向量的流式精细化损失函数值;以及,以所述分类损失函数值和所述流式精细化损失函数值的加权和作为损失函数值,并通过梯度下降的反向传播来对所述第一一维卷积神经网络模型、所述第二一维卷积神经网络模型和所述分类器进行训练。
在一个示例中,在上述锂电池极片检测的性能评估系统100中,将所述训练分类特征向量通过所述分类器以得到分类损失函数值,包括:所述分类器以如下分类损失公式对所述训练分类特征向量进行处理以得到训练分类结果,所述分类损失公式为:softmax{(Wn,Bn):…:(W1,B1)|X},其中,W1到Wn为权重矩阵,B1到Bn为偏置向量,X为所述训练分类特征向量;以及,计算所述训练分类结果与所述真实值之间的交叉熵值作为所述分类损失函数值。
在一个示例中,在上述锂电池极片检测的性能评估系统100中,计算所述训练第一尺度性能指标关联特征向量和所述训练第二尺度性能指标关联特征向量的流式精细化损失函数值,包括:以如下优化公式计算所述训练第一尺度性能指标关联特征向量和所述训练第二尺度性能指标关联特征向量的所述流式精细化损失函数值;其中,所述优化公式为:
其中,V1表示所述训练第一尺度性能指标关联特征向量,V2表示所述训练第二尺度性能指标关联特征向量,表示向量的二范数的平方,且/>和⊙分别表示向量的逐位置减法和乘法,exp(·)表示向量的指数运算,所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值,/>表示所述流式精细化损失函数值。
这里,本领域技术人员可以理解,上述锂电池极片检测的性能评估系统100中的各个模块的具体功能和操作已经在上面参考图1到图4的锂电池极片检测的性能评估方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的锂电池极片检测的性能评估系统100可以实现在各种无线终端中,例如具有锂电池极片检测的性能评估算法的服务器等。在一个示例中,根据本申请实施例的锂电池极片检测的性能评估系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该锂电池极片检测的性能评估系统100可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该锂电池极片检测的性能评估系统100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该锂电池极片检测的性能评估系统100与该无线终端也可以是分立的设备,并且该锂电池极片检测的性能评估系统100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
根据本申请的另一方面,还提供了一种非易失性的计算机可读存储介质,其上存储有计算机可读的指令,当利用计算机执行所述指令时可以执行如前所述的方法。
技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”,通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如,各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。
所有软件或其中的一部分有时可能会通过网络进行通信,如互联网或其他通信网络。此类通信可以将软件从一个计算机设备或处理器加载到另一个。例如:从视频目标检测设备的一个服务器或主机计算机加载至一个计算机环境的硬件平台,或其他实现系统的计算机环境,或与提供目标检测所需要的信息相关的类似功能的系统。因此,另一种能够传递软件元素的介质也可以被用作局部设备之间的物理连接,例如光波、电波、电磁波等,通过电缆、光缆或者空气等实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备,也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质,其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。
本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
除非另有定义,这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解,诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
上面是对本发明的说明,而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例,但本领域技术人员将容易地理解,在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此,所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解,上面是对本发明的说明,而不应被认为是限于所公开的特定实施例,并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (10)
1.一种锂电池极片检测的性能评估方法,其特征在于,包括:
获取待检测锂电池的性能指标,所述性能指标包括负极片-数量误差、正极片-数量误差、负极片-数量准确率、正极片-数量准确率、正负极片对-整体准确率、负极片位置误差、正极片位置误差以及正负极片对-整体位置误差;
将所述待检测锂电池的性能指标按照样本维度排列为性能指标输入向量;
将所述性能指标输入向量通过第一一维卷积神经网络模型以得到第一尺度性能指标关联特征向量;
将所述性能指标输入向量通过第二一维卷积神经网络模型以得到第二尺度性能指标关联特征向量,其中,所述第二一维卷积神经网络模型和所述第一一维卷积神经网络模型分别使用具有不同尺度的一维卷积核;
融合所述第一尺度性能指标关联特征向量和所述第二尺度性能指标关联特征向量以得到分类特征向量;以及
将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待检测锂电池的性能是否符合预定标准。
2.根据权利要求1所述的锂电池极片检测的性能评估方法,其特征在于,所述负极片-数量误差的计算公式表示为:
所述正极片-数量误差的计算公式表示为:
所述负极片-数量准确率的计算公式表示为:
所述正极片-数量准确率的计算公式表示为:
所述正负极片对-整体准确率的计算公式表示为:
所述负极片位置误差的计算公式表示为:
所述正极片位置误差的计算公式表示为:
所述正负极片对-整体位置误差的计算公式表示为:
其中,表示所述负极片-数量误差,/>表示所述正极片-数量误差,表示所述负极片-数量准确率,/>表示所述正极片-数量准确率,/>表示所述正负极片对-整体准确率,/>表示所述负极片位置误差,/>表示所述正极片位置误差,/>表示所述正负极片对-整体位置误差,/>表示待检测的负极片个数,/>表示相应真值的负极片个数,/>表示待检测的正极片个数,/>表示相应真值的正极片个数,/>表示待检测的正负极片总个数,/>表示相应真值的正负极片总个数,/>表示待检测的第i个样本的第j个负极片的空间坐标,/>表示相应真值的第i个样本的第j个负极片的空间坐标,/>表示待检测的第i个样本的第j个正极片的空间坐标,/>表示相应真值的第i个样本的第j个负极片的空间坐标,N表示测试集样本总数。
3.根据权利要求2所述的锂电池极片检测的性能评估方法,其特征在于,将所述性能指标输入向量通过第一一维卷积神经网络模型以得到第一尺度性能指标关联特征向量,包括:
使用所述第一一维卷积神经网络模型的各层在层的正向传递中对输入数据分别进行一维卷积处理、均值池化处理和非线性激活处理以由所述第一一维卷积神经网络模型的最后一层输出所述第一尺度性能指标关联特征向量,其中,所述第一一维卷积神经网络模型的第一层的输入为所述性能指标输入向量。
4.根据权利要求3所述的锂电池极片检测的性能评估方法,其特征在于,将所述性能指标输入向量通过第二一维卷积神经网络模型以得到第二尺度性能指标关联特征向量,包括:
使用所述第二一维卷积神经网络模型的各层在层的正向传递中对输入数据分别进行一维卷积处理、均值池化处理和非线性激活处理以由所述第二一维卷积神经网络模型的最后一层输出所述第二尺度性能指标关联特征向量,其中,所述第二一维卷积神经网络模型的第一层的输入为所述性能指标输入向量。
5.根据权利要求4所述的锂电池极片检测的性能评估方法,其特征在于,融合所述第一尺度性能指标关联特征向量和所述第二尺度性能指标关联特征向量以得到分类特征向量,包括:
以如下级联公式来融合所述第一尺度性能指标关联特征向量和所述第二尺度性能指标关联特征向量以得到所述分类特征向量;
其中,所述级联公式为:
Vc=Concat[Va,Vb]
其中,Va表示所述第一尺度性能指标关联特征向量,Vb表示所述第二尺度性能指标关联特征向量,Concat[·]表示级联函数,Vc表示所述分类特征向量。
6.根据权利要求5所述的锂电池极片检测的性能评估方法,其特征在于,还包括训练步骤:用于对所述第一一维卷积神经网络模型、所述第二一维卷积神经网络模型和所述分类器进行训练。
7.根据权利要求6所述的锂电池极片检测的性能评估方法,其特征在于,所述训练步骤,包括:
获取训练数据,所述训练数据包括待检测锂电池的训练性能指标,以及,所述待检测锂电池的性能是否符合预定标准的真实值;
将所述待检测锂电池的训练性能指标按照样本维度排列为训练性能指标输入向量;
将所述训练性能指标输入向量通过所述第一一维卷积神经网络模型以得到训练第一尺度性能指标关联特征向量;
将所述训练性能指标输入向量通过所述第二一维卷积神经网络模型以得到训练第二尺度性能指标关联特征向量,其中,所述第二一维卷积神经网络模型和所述第一一维卷积神经网络模型分别使用具有不同尺度的一维卷积核;
融合所述训练第一尺度性能指标关联特征向量和所述训练第二尺度性能指标关联特征向量以得到训练分类特征向量;
将所述训练分类特征向量通过所述分类器以得到分类损失函数值;
计算所述训练第一尺度性能指标关联特征向量和所述训练第二尺度性能指标关联特征向量的流式精细化损失函数值;以及
以所述分类损失函数值和所述流式精细化损失函数值的加权和作为损失函数值,并通过梯度下降的反向传播来对所述第一一维卷积神经网络模型、所述第二一维卷积神经网络模型和所述分类器进行训练。
8.根据权利要求7所述的锂电池极片检测的性能评估方法,其特征在于,将所述训练分类特征向量通过所述分类器以得到分类损失函数值,包括:
所述分类器以如下分类损失公式对所述训练分类特征向量进行处理以得到训练分类结果,所述分类损失公式为:softmax{(Wn,Bn):...:(W1,B1)|X},其中,W1到Wn为权重矩阵,B1到Bn为偏置向量,X为所述训练分类特征向量;以及
计算所述训练分类结果与所述真实值之间的交叉熵值作为所述分类损失函数值。
9.根据权利要求8所述的锂电池极片检测的性能评估方法,其特征在于,计算所述训练第一尺度性能指标关联特征向量和所述训练第二尺度性能指标关联特征向量的流式精细化损失函数值,包括:
以如下优化公式计算所述训练第一尺度性能指标关联特征向量和所述训练第二尺度性能指标关联特征向量的所述流式精细化损失函数值;
其中,所述优化公式为:
其中,V1表示所述训练第一尺度性能指标关联特征向量,V2表示所述训练第二尺度性能指标关联特征向量,表示向量的二范数的平方,且θ和⊙分别表示向量的逐位置减法和乘法,exp(·)表示向量的指数运算,所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值,/>表示所述流式精细化损失函数值。
10.一种锂电池极片检测的性能评估方法,其特征在于,包括:
性能指标获取模块,用于获取待检测锂电池的性能指标,所述性能指标包括负极片-数量误差、正极片-数量误差、负极片-数量准确率、正极片-数量准确率、正负极片对-整体准确率、负极片位置误差、正极片位置误差以及正负极片对-整体位置误差;
输入向量排列模块,用于将所述待检测锂电池的性能指标按照样本维度排列为性能指标输入向量;
第一卷积编码模块,用于将所述性能指标输入向量通过第一一维卷积神经网络模型以得到第一尺度性能指标关联特征向量;
第二卷积编码模块,用于将所述性能指标输入向量通过第二一维卷积神经网络模型以得到第二尺度性能指标关联特征向量,其中,所述第二一维卷积神经网络模型和所述第一一维卷积神经网络模型分别使用具有不同尺度的一维卷积核;
向量融合模块,用于融合所述第一尺度性能指标关联特征向量和所述第二尺度性能指标关联特征向量以得到分类特征向量;以及
分类模块,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待检测锂电池的性能是否符合预定标准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310497170.4A CN116520154A (zh) | 2023-05-05 | 2023-05-05 | 锂电池极片检测的性能评估方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310497170.4A CN116520154A (zh) | 2023-05-05 | 2023-05-05 | 锂电池极片检测的性能评估方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116520154A true CN116520154A (zh) | 2023-08-01 |
Family
ID=87398959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310497170.4A Pending CN116520154A (zh) | 2023-05-05 | 2023-05-05 | 锂电池极片检测的性能评估方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116520154A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117148165A (zh) * | 2023-09-15 | 2023-12-01 | 东莞市言科新能源有限公司 | 聚合物锂离子电池的测试分析方法及其系统 |
-
2023
- 2023-05-05 CN CN202310497170.4A patent/CN116520154A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117148165A (zh) * | 2023-09-15 | 2023-12-01 | 东莞市言科新能源有限公司 | 聚合物锂离子电池的测试分析方法及其系统 |
CN117148165B (zh) * | 2023-09-15 | 2024-04-12 | 东莞市言科新能源有限公司 | 聚合物锂离子电池的测试分析方法及其系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104463202B (zh) | 一种多类图像半监督分类方法及系统 | |
CN116010713A (zh) | 基于云计算的创新创业平台服务数据处理方法及系统 | |
CN108090472B (zh) | 基于多通道一致性特征的行人重识别方法及其系统 | |
Kim et al. | Impedance-based capacity estimation for lithium-ion batteries using generative adversarial network | |
CN116639010A (zh) | 充电桩的智能控制系统及其方法 | |
CN116577677B (zh) | 退役动力电池的放电测试系统及其方法 | |
CN112199536A (zh) | 一种基于跨模态的快速多标签图像分类方法和系统 | |
CN116862320B (zh) | 一种农村生态环境评估监管方法、系统及存储介质 | |
CN111476307B (zh) | 一种基于深度领域适应的锂电池表面缺陷检测方法 | |
CN110852881A (zh) | 风险账户识别方法、装置、电子设备及介质 | |
CN110794360A (zh) | 一种基于机器学习预测智能电能表故障的方法及系统 | |
CN113139594B (zh) | 一种机载图像无人机目标自适应检测方法 | |
CN110781970A (zh) | 分类器的生成方法、装置、设备及存储介质 | |
CN116824481B (zh) | 基于图像识别的变电站巡检方法及其系统 | |
CN116451139B (zh) | 一种基于人工智能的直播数据快速分析方法 | |
CN116226785A (zh) | 目标对象识别方法、多模态识别模型的训练方法和装置 | |
CN109919236A (zh) | 一种基于标签相关性的bp神经网络多标签分类方法 | |
CN116520154A (zh) | 锂电池极片检测的性能评估方法及其系统 | |
CN111008575A (zh) | 一种基于多尺度上下文信息融合的鲁棒人脸识别方法 | |
CN117516937A (zh) | 基于多模态特征融合增强的滚动轴承未知故障检测方法 | |
Shen et al. | Transfer learning-based state of charge and state of health estimation for Li-ion batteries: A review | |
Wang et al. | DRCDCT-net: a steel surface defect diagnosis method based on a dual-route cross-domain convolution-transformer network | |
CN117114657A (zh) | 基于电力设备巡检知识图谱的故障信息预警系统及方法 | |
Oruganti et al. | Deep learning model for facial kinship verification using childhood images | |
Liu et al. | Capacity estimation of Li-ion battery based on transformer-adversarial discriminative domain adaptation |
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 |