CN116718648A - 一种电池热失控气体的检测与识别方法及其报警装置 - Google Patents
一种电池热失控气体的检测与识别方法及其报警装置 Download PDFInfo
- Publication number
- CN116718648A CN116718648A CN202311011818.9A CN202311011818A CN116718648A CN 116718648 A CN116718648 A CN 116718648A CN 202311011818 A CN202311011818 A CN 202311011818A CN 116718648 A CN116718648 A CN 116718648A
- Authority
- CN
- China
- Prior art keywords
- gas
- thermal runaway
- response
- curve
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000007789 gas Substances 0.000 claims abstract description 449
- 238000001514 detection method Methods 0.000 claims abstract description 84
- 239000013598 vector Substances 0.000 claims abstract description 56
- 238000012360 testing method Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 238000012544 monitoring process Methods 0.000 claims abstract description 26
- 238000013145 classification model Methods 0.000 claims abstract description 24
- 230000004044 response Effects 0.000 claims description 105
- 238000011084 recovery Methods 0.000 claims description 95
- 238000005259 measurement Methods 0.000 claims description 43
- 238000005070 sampling Methods 0.000 claims description 41
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 35
- 229910052744 lithium Inorganic materials 0.000 claims description 35
- 239000000463 material Substances 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 11
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 239000002070 nanowire Substances 0.000 claims description 6
- 229910006404 SnO 2 Inorganic materials 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 239000004065 semiconductor Substances 0.000 claims description 4
- 230000014509 gene expression Effects 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 2
- 239000000523 sample Substances 0.000 description 29
- 238000003860 storage Methods 0.000 description 17
- 230000006872 improvement Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000011105 stabilization Methods 0.000 description 6
- 230000006641 stabilisation Effects 0.000 description 5
- 239000003792 electrolyte Substances 0.000 description 4
- OIFBSDVPJOWBCH-UHFFFAOYSA-N Diethyl carbonate Chemical compound CCOC(=O)OCC OIFBSDVPJOWBCH-UHFFFAOYSA-N 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000005086 pumping Methods 0.000 description 3
- 230000000630 rising effect Effects 0.000 description 3
- 238000009423 ventilation Methods 0.000 description 3
- 239000004215 Carbon black (E152) Substances 0.000 description 2
- 238000005033 Fourier transform infrared spectroscopy Methods 0.000 description 2
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- IEJIGPNLZYLLBP-UHFFFAOYSA-N dimethyl carbonate Chemical compound COC(=O)OC IEJIGPNLZYLLBP-UHFFFAOYSA-N 0.000 description 2
- JBTWLSYIZRCDFO-UHFFFAOYSA-N ethyl methyl carbonate Chemical compound CCOC(=O)OC JBTWLSYIZRCDFO-UHFFFAOYSA-N 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 150000002430 hydrocarbons Chemical class 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 229910000625 lithium cobalt oxide Inorganic materials 0.000 description 2
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 2
- BFZPBUKRYWOWDV-UHFFFAOYSA-N lithium;oxido(oxo)cobalt Chemical compound [Li+].[O-][Co]=O BFZPBUKRYWOWDV-UHFFFAOYSA-N 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 229910010413 TiO 2 Inorganic materials 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000003546 flue gas Substances 0.000 description 1
- 238000004868 gas analysis Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000006479 redox reaction Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
- G01N27/12—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body in dependence upon absorption of a fluid; of a solid body in dependence upon reaction with a fluid, for detecting components in the fluid
- G01N27/125—Composition of the body, e.g. the composition of its sensitive layer
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Electrochemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明属于气体检测领域,具体涉及一种电池热失控气体的检测与识别方法及其报警装置。检测与识别方法包括如下步骤:S1:选择气敏传感器。S2:设计多通道气体探测器。S3:对目标气体进行气敏测试生成对应的气敏特征向量。S4:获取不同类型的目标气体的气敏特征向量,构成样本数据集。S5:将样本数据分为训练集和测试集。S6:构建一个MLP神经网络。S7:利用训练集和测试集对MLP神经网络进行训练和测试得到气体分类模型。S8:利用多通道气体探测器实时监测待测空间内的特征气体的浓度。然后利用气体分类模型对热失控气体进行分类。本发明解决了热失控气体分类困难、效率低,成本高,检测周期长的问题。
Description
技术领域
本发明属于气体检测领域,具体涉及一种电池热失控气体的检测与识别方法及其报警装置。
背景技术
随着新能源发电和电动汽车技术的不断发展和应用,动力电池的技术和需求也在飞速发展。其中,动力锂电池因具有能量密度高、大倍率充放电性能强和循环寿命长等优点,已成为应用最广泛的电池类型。动力锂电池虽然性能优越,但也存在自身的缺陷,例如,电池的安全风险较高。众所周知,锂电池中含有大量易发生剧烈化学反应的材料,这导致锂电池在短路或受到外界冲击时会发生自燃,甚至是爆炸。因此,开发更先进的锂电池的安全监控技术正成为本领域最迫切的需求之一。
锂电池发生因短路、撞击或穿刺等因素导致的热失控时,会存在燃烧和爆炸的风险。但在锂电池发生燃烧爆炸之前,通常还会因化学反应而产生一些挥发性气体,这些特征气体通常可以作为判断锂电池存在安全风险的早期特征,以实现对电池故障进行早期监测。例如,对于采用DEC、DMC、EMC等电解质成分的锂电池而言,早期烟气的成分大致包含为:电解液蒸汽(80%)、H2(5%)、CO(4%)、烃类气体(1%)、CO2(10%)等。因此开发出对上述成分的混合气体高度敏感的气体传感器,就能实现对锂电池的热失控故障进行早期监测。目前,一些具有特异性的传感器产品已经被开发出来并进行推广应用。
然而,在锂电池热失控故障早期监测领域中,现有技术虽然实现了对某些特定成分的电池热失控气体进行高精度测量,但是却无法实现对不同成分的热失控气体进行分类。现有方案中要实现对电池热失控气体进行分类,通常需要采集气体样本,然后利用FTIR等仪器对气体样本中的组合和含量进行定性或定量分析;最终确定热失控气体的类别。这种检测方式效率低,成本高,检测周期长;因而限制了其在电池热失控监测领域的应用。
发明内容
为了解决现有技术难以对电池热失控气体进行精准分类,传统检测方案的效率低,成本高,检测周期长的问题,本发明提供一种电池热失控气体的检测与识别方法及其报警装置。
本发明采用以下技术方案实现:
一种电池热失控气体的检测与识别方法,其包括如下步骤:
S1:选择一种能够同时适用多种类型的待识别目标气体的气敏传感器。
S2:利用n个同类的气敏传感器设计一个通道数为n的多通道气体探测器。
S3:通过多通道气体探测器对目标气体进行气敏测试,并根据测试结果生成对应的气敏特征向量U。
其中,气敏特征向量U的生成方法如下:
S31:将多通道气体探测器置入测量空间,并向测量空间注入目标气体,获取测量结果。
S32:根据测量结果拟合出每个通道在当前测试周期内的完整的响应恢复曲线。
S33:提取每条响应恢复曲线对应的12个气敏特征参数,分别为:响应曲线偏移量、恢复曲线偏移量/>、响应曲线的拟合常数C res 、恢复曲线的拟合常数C rec 、响应曲线的时间常数/>、恢复曲线的时间常数/>、响应时间T res ,最大响应速率V res ,响应曲线面积A res 、恢复时间T rec ,最大恢复速率V rec 、以及恢复曲线面积A rec 。
S34:将n个通道中提取到的气敏特征参数合并为一个长度为12*n的气敏特征向量U。
S4:获取每个类型的目标气体在不同浓度条件下的气敏特征向量U,构成样本数据集。
S5:将样本数据分为训练集和测试集,并为训练集中的每个气敏特征向量U增加一个表征目标气体类型的类别标签。
S6:构建一个包括输入层、隐含层和输出层的MLP神经网络;输入层的节点数为12*n,输出层的节点数为目标气体分类结果的类别数m;隐含层的结构(层数和各层节点数)根据训练效果自适应调整。
S7:利用训练集和测试集对MLP神经网络进行训练和测试,保留满足训练目标的MLP神经网络的模型参数,得到所需的气体分类模型。
S8:利用多通道气体探测器实时监测待测空间内的特征气体的浓度。然后根据监测信号生成对应的气敏特征向量U并输入到气体分类模型中,得到热失控气体的分类结果。
作为本发明进一步的改进,步骤S1中,锂电池的热失控气体对应的气敏传感器的制备方法如下:
先采用TiO2、SnO2和ZnO三种半导体材料按照质量比1:5:4制备纳米线阵列材料;再以Al2O3作为基底,以纳米线阵列材料作为敏感层,制作用于检测电池热失控气体浓度的气敏传感器。
作为本发明进一步的改进,步骤S31中,测量结果的完整获取过程为:
(1)向测量空间中快速注入满足预设浓度的目标气体,并开始测量;
(2)按照预设的采样频率同步获取多通道气体探测器中每个气敏传感器的检测值;
(3)待所有气敏传感器的检测值趋于稳定后,向测量空间注入背景气体以排空目标气体;
(4)持续获取每个气敏传感器的检测值,直到所有气敏传感器的检测值再次趋于稳定;结束测量;
(5)记录整个测量周期中,各个通道对应的一系列离散的检测值,即为所需的测量结果。
作为本发明进一步的改进,步骤S32中,拟合出的完整的响应恢复曲线包括响应曲线段、响应稳定曲线段、恢复曲线段、以及恢复稳定曲线段。其中,响应曲线段和恢复曲线段均采用自然常数exp为底的指数函数进行拟合,响应曲线G res 和恢复曲线G rec 的函数表达式分别为:
。
作为本发明进一步的改进,步骤S33中,最大响应速率V res 、最大恢复速率V rec 、响应时间T res 和恢复时间T rec 的计算公式如下:
;
上式中,表示响应曲线的导数;/>表示恢复曲线的导数;max{}表示求取最大值函数;t 1 表示响应曲线的开始时刻;t 2 表示响应曲线的结束时刻;t 3 表示恢复曲线的开始时刻;t 4 表示恢复曲线的结束时刻。
作为本发明进一步的改进,步骤S33中,响应曲线面积A res 和恢复曲线面积A rec 的计算公式为:
;
作为本发明进一步的改进,步骤S4中,构成样本数据集的每个气敏特征向量U由不同浓度的目标气体样本在测量空间中经多通道气体探测器实际测量后得到。
目标气体样本的来源包括实际采集和人工配置。实际采集指人工触发指定类型的电池热失控,然后采集足量的特征气体;人工配置指根据已知的指定类型电池在热失控时的特征气体的成分及配比,人工配置混合气体。
作为本发明进一步的改进,在步骤S5的训练集中,具有相同类别标签的元数据的数量相同;且具有同一类别标签的各个元数据对应的目标气体样本的测试浓度区间覆盖气敏传感器对当前特征气体的全量程范围。
本发明还包括一种电池热失控气体的检测系统,其采用如前述的电池热失控气体的检测与识别方法,对锂电池热失控产生的特征气体的浓度进行检测,并根据检测结果对特征气体的类别进行快速识别。该检测系统包括:多通道气体探测器、数据采集器、向量生成器、以及一个气体分类模型。
其中,多通道气体探测器由n个同型号的能够同时适用多种类型待识别目标气体的气敏传感器构成;n表示多通道气体探测器的通道数。
数据采集器与多通道气体探测器电连接;数据采集器包括采样控制单元和转换单元;采样控制单元用于按照预设的采样频率,同步获取多通道气体探测器内各通道的响应信号;转换单元用于将采集到各个响应信号对应的模拟量转换为数字量并输出。
向量生成器与数据采集器通过串口或并口通信连接,向量生成器用于先将数据采集器采集到的离散数据拟合为连续的响应恢复曲线。然后根据响应恢复曲线的一个完整的响应恢复周期的波形图中提取出对应的12个气敏特征参数。最后将各个通道中对应的所有气敏特征参数组合为一个长度为12*n的气敏特征向量U。
气体分类模型采用经过前述的电池热失控气体的检测与识别方法中的策略训练过的MLP神经网络;气体分类模型的输入为气敏特征向量U,输出为对应的特征气体的类别。
本发明还包括一种电池热失控的报警装置,其包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序。处理器执行计算机程序时,创建出如前述的电池热失控气体的检测系统中对应向量生成器和气体分类模型的部分,进而根据前端多通道气体探测器及数据采集器获取的探测信号,生成热失控气体的分类结果,并根据分类结果发出预警信息。
本发明提供的技术方案,具有如下有益效果:
本发明利用传统的气敏传感器构成的一个可以同步获取多个探测信号的多通道气体探测器,进而实现对电池热失控气体的浓度进行实时监测和同步测量。在此基础上,本发明还可以利用监测信号生成响应恢复曲线,并提取响应恢复曲线中隐含的每个气敏传感器对同一电池热失控气体样本的气敏特征。最终通过一个预先训练的人工神经网络来学习不同气敏传感器对同一电池热失控样本的响应和恢复特性的差异,并以此分析出待检测气体的类比。
本发明在传统的FTIR仪器之外,提供了一种新的气体分析的策略。本发明提供的策略可以在不增加新的仪器或设备的基础上,利用现有传感器实现对电池热失控气体成分进分类,并且具有极高的分类精度。因此,本发明的方案在锂电池运行状态的安全监控领域具有极大的应用前景,可以产生巨大的经济价值。
附图说明
图1为本发明实施例1中提供的一种电池热失控气体的检测与识别方法的步骤流程图。
图2为本发明实施例1中多通道气体探测器工作过程的信号流图。
图3为本发明实施例1中完整获取一个测量周期的测量结果的流程图。
图4为本发明实施例1中典型的10通道气体探测器的响应恢复曲线。
图5为多通气体探测器中任意一个气敏传感器的响应恢复曲线。
图6为本发明实施例1中创建用于训练气体分类模型的MLP神经网络的网络架构图。
图7为本发明实施例2中提供的一种电池热失控气体的检测系统的系统模块图。
图8为本发明实施例4中提供的电池热失控气体的在线监测与识别设备中的气体采样装置的结构示意图。
图9为本发明实施例4中检测容器内部的结构示意图。
图10为本发明实施例4中电池热失控气体的在线监测与识别设备的工作流程图。
图中标记为:
1、检测容器;2、储气容器;3、循环气泵;10、空腔;11、进风口;12、出风口;13、T型通气接口;31、第一泵体;32、第二泵体。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步地详细说明。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。
实施例1
本实施例提供一种电池热失控气体的检测与识别方法,该检测与识别方法的思路是:利用一个多通道气体探测器来对同一目标气体进行同步探测,然后利用人工神经网络来学习不同通道中的检测信号的差异间存在的统计学规律,最后由人工神经网络来根据各通道的探测信号中优选出的气敏特征参数识别出目标气体的类别。
以下,以锂电池的类别对本实施例的方案进行介绍,具体地,如图1所示,本实施例提供的热失控气体的检测与识别方法包括如下步骤:
S1:选择一种能够同时适用多种类型的待识别目标气体的气敏传感器。
在本实施例需要区分的特征气体中,热失控气体是一种包含多种成分的混合气体,主要成分为电解液蒸汽、CO气体、H2气体、烃类气体(CxHy)等。其中的电解液蒸汽主要成分为碳酸二甲酯(DMC)、碳酸二乙酯(DEC)、碳酸甲乙酯(EMC)等。针对这一场景,本实施例特别设计并采用了一种采用TiO2、SnO2和ZnO的三元复合物作为敏感材料的电阻式半导体气体传感器。该传感器对本实施例需要区分的磷酸铁锂电池、三元锂电池、钴酸锂电池和钛酸锂电池等的热失控特征气体均具有良好的气敏特性。
本实施例采用的三元复合物半导体气敏传感器的制备方法为:先采用TiO2、SnO2和ZnO三种半导体材料按照质量比1:5:4制备纳米线阵列材料。再以Al2O3作为基底,以纳米线阵列材料作为敏感层,制作用于检测电池热失控气体浓度的气敏传感器。
S2:利用n个同类的气敏传感器设计一个通道数为n的多通道气体探测器。多通道气体探测器是一个包含多个气敏传感器单元的传感器阵列,其可以在不同通道内同步探测目标环境内的气体浓度。
如图2所示,将混合气体通入多通道气体探测器,传感器单元中的气敏材料接触气体发生氧化还原反应,气敏材料产生电阻变化并以电压测量的方式进入微处理器的多路ADC采集电路,微处理器采样电压后转换成二进制数据,再以十六进制数据缓存于微处理器内部,采集的信号通过低通滤波及平均值滤波处理后,微处理器将采集到的检测值发送到后端。
S3:通过多通道气体探测器对目标气体进行气敏测试,并根据测试结果生成对应的气敏特征向量U。其中,本实施例中气敏特征向量U的生成方法如下:
S31:将多通道气体探测器置入测量空间,并向测量空间注入目标气体,获取测量结果。如图3所示,测量结果的完整获取过程为:
(1)向测量空间中快速注入满足预设浓度的目标气体,并开始测量。
(2)按照预设的采样频率同步获取多通道气体探测器中每个气敏传感器的检测值。
(3)待所有气敏传感器的检测值趋于稳定后,向测量空间注入背景气体以排空目标气体。
(4)持续获取每个气敏传感器的检测值,直到所有气敏传感器的检测值再次趋于稳定;结束测量。
(5)记录整个测量周期中,各个通道对应的一系列离散的检测值,即为所需的测量结果。
在本实施例中,预设的采样频率为1Hz/s,完整的采样周期大于250s。在一个完整的采样周期中,可以得到多通道气体探测器中的各个气敏传感器从开始响应到趋于稳定,再到恢复初始状态直至再次稳定的全部过程。一个完整的采样周期中,可以获得不少于250个采样数据点。
S32:根据测量结果拟合出每个通道在当前测试周期内的完整的响应恢复曲线。
本实施例中拟合出的完整的响应恢复曲线包括响应曲线段、响应稳定曲线段、恢复曲线段、以及恢复稳定曲线段。其中,响应曲线段和恢复曲线段均采用自然常数exp为底的指数函数进行拟合。响应曲线G res 和恢复曲线G rec 的函数表达式分别为:
。
上式中,表示响应曲线偏移量;/>表示恢复曲线偏移量;C res 表示响应曲线的拟合常数;C rec 表示恢复曲线的拟合常数;/>表示响应曲线的时间常数;/>表示恢复曲线的时间常数。
例如在一个典型的10通道气体探测器中,不同通道的探测信号最终拟合出的气体响应恢复曲线大致如图4所示。抽取图4中的任意一个通道中产生的响应恢复曲线,如图5所示。从图5中可以看到,一个完整的响应恢复曲线包括未导入特征气体的初始段,此时曲线保持平稳,接下来包含开始响应到响应结束并趋于稳定的下降段,即响应曲线部分;然后包含重新保持平稳的响应稳定部分。接着到特征气体排出的恢复曲线部分,恢复曲线为上升段。最后,气敏传感器完全恢复后,信号又重新趋于稳定,达到恢复稳定阶段。
在图5的完整周期内,下降段的周期称为响应时间T res ;上升段的周期称为恢复时间T res ;下降段的导数称为响应速率,最大响应速率V res 可以反映出响应曲线的微分特性;上升段的导数称为恢复速率,最大恢复速率V res 可以反映出恢复曲线的微分特性;下降段的积分称为响应曲线面积A res ,其用于反映响应曲线的积分特性;上升段的积分称为恢复曲线面积A rec ,其用于反映响应曲线的积分特性。
S33:提取每条响应恢复曲线对应的12个气敏特征参数,将其作为专家知识库内的特征值,如表1所示:
表1:专家知识库内的特征参数表
其中,1~6号参数可以通过响应拟合出的响应曲线和恢复曲线的函数关系直接确定,而7~12号参数中,最大响应速率V res 、最大恢复速率V rec 、响应时间T res 和恢复时间T rec 的计算公式如下:
;
上式中,表示响应曲线的导数;/>表示恢复曲线的导数;max{}表示求取最大值函数;t 1 表示响应曲线的开始时刻;t 2 表示响应曲线的结束时刻;t 3 表示恢复曲线的开始时刻;t 4 表示恢复曲线的结束时刻。
响应曲线面积A res 和恢复曲线面积A rec 的计算公式为:
。
S34:将n个通道中提取到的气敏特征参数合并为一个长度为12*n的气敏特征向量U。
本实施例中,每个通道中的12个气敏特征参数可以构成一个长度为12的短向量,将所有通道信号得到的短向量连接起来,就可以得到一个长度为12*n的长向量,即所需的气敏特征向量U。例如,当通道数为10时,气敏特征向量的长度则是120。
S4:获取每个类型的目标气体在不同浓度条件下的气敏特征向量U,构成样本数据集。
在本实施例得到的样本数据集中,每个气敏特征向量U都是由不同浓度的目标气体样本在测量空间中由多通道气体探测器按照如图3所示的方法依次测量得到的。对于同一类型气体的不同浓度的样本,分别采用浓度梯度测试的方式完成测量。例如,在一个体积为1L的密闭实验腔体内,依次注入1ml、2ml……,100ml的样本气体,每次注入后循环执行图3中“注入样本气体-曲线稳定-排出样本气体-曲线再次稳定”的步骤。然后采集到的信号拟合成为连续响应恢复曲线,最终提取出响应恢复曲线中的12个气敏特征参数,最后将所有通道内的气敏特征参数连接起来,构成所需的气敏特征向量U。
本实施例在建立样本数据集时,目标气体样本的来源包括实际采集和人工配置两种方式。“实际采集”指人工触发指定类型的电池热失控,例如对锂电池进行穿刺实验等,然后采集足量的特征气体用于后续测试实验。“人工配置”指根据已知的指定类型电池在热失控时的特征气体的成分及配比,人工配置混合气体。
上述两种方案中,第一种样本气体采集方式的优点是得到样本数据更加精准,因而有助于改善最终训练出的人工神经网络的泛化性。缺陷则是样本数据的采集成本明显更高。而第二样本气体采集方式的明显更具有经济性,但是在样本精确性上略差一点,但是在实际应用中也能满足检测精度的要求,所以在实际应用中通常优选第二种。
S5:将样本数据分为训练集和测试集,并根据数据的采集条件为训练集中的每个气敏特征向量U增加一个表征目标气体类型的类别标签。
在本实施例测试过程,针对选定的磷酸铁锂电池(锂电池一)、三元锂电池(锂电池二)、钴酸锂电池(锂电池三)和钛酸锂电池(锂电池四),实际采集到的样本数据集中的元数据为2000组,每种锂电池类型各500组。其中,在各类型电池的样本数据集中随机选择400组作为训练集,其余100组作为测试集;训练集和测试集的数据量占比分别为805和20%。其中,训练集中的元数据需要额外增加一个类别标签category。
需要特别强调的是:在本实施例的样本数据集中,具有相同类别标签的元数据的数量相同;且具有同一类别标签的各个元数据对应的目标气体样本的测试浓度区间覆盖气敏传感器对当前特征气体的全量程范围。这对于提高训练出的人工神经网络的泛化性和鲁棒性具有明显的正向增益。
S6:构建一个包括输入层、隐含层和输出层的MLP神经网络;输入层的节点数为12*n,输出层的节点数为目标气体分类结果的类别数m;隐含层的结构(层数和各层节点数)根据训练效果自适应调整。
针对四种不同类型锂电池的产生的热失控气体的识别任务,本实施例最终建立的MLP神经网络的结构如图6所示,图中输入层的节点数为120,分别对应10通道气体探测器生成的长度为10*12=120的气敏特征向量中的每个数据值。输出层的节点数则为4,即本实施例构建的是一个4分类的人工神经网络。其中经过反复的测试与改进,为了达到最高的分类准确率,隐含层的数量确定为两层,前一层的节点数为32,后一层的节点数为16。每一层节点通过激活函数获得激活。
S7:利用训练集和测试集对MLP神经网络进行训练和测试,保留满足训练目标的MLP神经网络的模型参数,得到所需的气体分类模型。
S8:利用多通道气体探测器实时监测待测空间内的特征气体的浓度。然后根据监测信号生成对应的气敏特征向量U并输入到气体分类模型中,得到热失控气体的分类结果。
在本实施例的实际测试过程中,经过步骤S7中的训练集训练后,本实施例得到的如图6所示的MLP神经网络在测试集上最终实现的分类准确率如下表所示:
表2:MLP神经网络的分类识别准确率
结合表2数据可知:采用本实施例方案的气敏特征向量设计并训练出的MLP神经网络,在进行锂电池热失控混合气体的分类识别时,综合准确率达到了99.4%。识别精度非常高。且在二号和四号锂电池的特征气体中,甚至可以达到100%的识别准确率。这说明本实施例提供的电池热失控气体的检测与识别方法可以在电池热失控气体的类型识别任务中取得良好的识别效果,达到了可以进行实际应用的水平。
实施例2
本实施例提供一种电池热失控气体的检测系统,该检测系统采用如实施例1中的一种电池热失控气体的检测与识别方法,对锂电池热失控产生的特征气体的浓度进行检测,并根据检测结果对特征气体的类别进行快速识别。
如图7所示,该检测系统包括:多通道气体探测器、数据采集器、向量生成器、以及一个气体分类模型。
其中,多通道气体探测器由n个同型号的能够同时适用多种类型待识别目标气体的气敏传感器构成;n表示多通道气体探测器的通道数。本实施例的多通道气体探测器即为实施例1中的产品。
数据采集器与多通道气体探测器电连接;数据采集器包括采样控制单元和转换单元;采样控制单元用于按照预设的采样频率,同步获取多通道气体探测器内各通道的响应信号;转换单元用于将采集到各个响应信号对应的模拟量转换为数字量并输出。
本实施例中,数据采集器中的采用控制单元可以选择现有的各类采集卡产品,并根据实际的采样需求对采集卡进行编程后得到。转换单元则采用现有的模拟数字转换器(ADC)以及滤波器等产品构成。
向量生成器与数据采集器通过串口或并口通信连接,向量生成器用于先将数据采集器采集到的离散数据拟合为连续的响应恢复曲线。然后根据响应恢复曲线的一个完整的响应恢复周期的波形图中提取出对应的12个气敏特征参数。最后将各个通道中对应的所有气敏特征参数组合为一个长度为12*n的气敏特征向量U。
本实施例中的向量生成器实际上是一种数据处理模块,该模块的数据处理任务主要是两点,一是根据离散数据处拟合出所需的响应恢复曲线,二利用根据预设的程序从拟合出的响应恢复曲线的函数中提取出所需的12个气敏特征参数,并将所有气敏特征参数按照预设的编码规则编码为一个长度为12*n的气敏特征向量U。
气体分类模型采用经过实施例1中的电池热失控气体的检测与识别方法中的策略训练过的MLP神经网络;气体分类模型的输入为气敏特征向量U,输出则为对应的特征气体的类别。
在本实施例提供的电池热失控气体的检测系统中,当技术人员提取到热失控气体后,利用多通道气体探测器对其完成一个完整“响应-恢复”循环,就能建立响应恢复曲线,并实现对目标特征气体的分类。
实施例3
本实施例提供一种电池热失控的报警装置,其包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序。处理器执行计算机程序时,创建出如实施例2中的电池热失控气体的检测系统中对应向量生成器和气体分类模型的部分,进而根据前端多通道气体探测器及数据采集器获取的探测信号,生成热失控气体的分类结果,并根据分类结果发出预警信息。
本实施例提供的电池热失控气体的检测设备本质上是一种计算机设备,计算机设备可以是能执行程序的智能终端、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器,或者多个服务器所组成的服务器集群)等。本实施例的计算机设备至少包括但不限于:可通过系统总线相互通信连接的存储器、处理器。
本实施例中,存储器(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,存储器可以是计算机设备的内部存储单元,例如该计算机设备的硬盘或内存。在另一些实施例中,存储器也可以是计算机设备的外部存储设备,例如该计算机设备上配备的插接式硬盘,智能存储卡(Smart Media Card ,SMC),安全数字(Secure Digital ,SD)卡,闪存卡(Flash Card)等。当然,存储器还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中,存储器通常用于存储安装于计算机设备的操作系统和各类应用软件等。此外,存储器还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、图像处理器GPU(Graphics Processing Unit)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器通常用于控制计算机设备的总体操作。本实施例中,处理器用于运行存储器中存储的程序代码或者处理数据。
实施例4
在实施例2中方案的基础上,本实施例进一步提供一种电池热失控气体的在线监测与识别设备,其包括多通道气体探测器、气体采样装置、数据采集装置,以及气体分类模型。
其中,多通道气体探测器由多个同型号且适用于目标气体检测的气敏传感器构成。气体采样装置采用如前述的气体采样装置;多通道气体探测器安装在气体采样装置中央的空腔10内。
数据采集装置包括数据采集器和向量生成器。数据采集器与多通道气体探测器电连接;数据采集器包括采样控制单元和转换单元;采样控制单元用于按照预设的采样频率,同步获取多通道气体探测器内各通道的响应信号;转换单元用于将采集到各个响应信号对应的模拟量转换为数字量并输出;向量生成器与数据采集器通信连接,向量生成器用于先将数据采集器采集到的离散数据拟合为连续的响应恢复曲线;然后根据一个完整周期内的响应恢复曲线提取出对应的12个气敏特征参数;最后将各个通道中对应的所有气敏特征参数组合为一个长度为12*n的气敏特征向量U;其中, n表示多通道气体探测器的通道数。
气体分类模型采用一个经过训练MLP神经网络;气体分类模型的输入为气敏特征向量U,输出为对应的特征气体的类别。
对比本实施例的电池热失控气体的在线监测与识别设备与实施例2中的电池热失控气体的检测系统可以发现,二者的区别主要在于:本实施例在实施例2方案的基础上增加了一个气体采样装置。该气体采样装置主要用于与多通道气体探测器配合使用,进而在多通道气体探测器检测到目标气体的浓度高于安全阈值时,辅助多通道气体探测器获取目标气体完整的“响应-恢复曲线”。
如图8所示,本实施例提供的气体采样装置包括:检测容器1、第一阀体、储气容器2、循环气泵3、以及采样管理器。
其中,如图9所示,检测容器1为一个两端开放的容器;检测容器1的一端为进风口11,另一端为出风口12。检测容器1的中央含有一个用于容纳多通道气体探测器的空腔10。第一阀体位于检测容器1的进风口11处,用于调节检测容器1的进风口11的通断。其中,检测容器1的出风口12的口径小于进风口11,出风口12处还设置有仅允许气体排出的气体单向阀。
储气容器2用于存储环境中不含有热失控特征气体时的空气,将其作为背景气体。本实施例的储气容器2内部设有气压传感器,气压传感器与采样管理器电连接。
循环气泵3包括第一泵体31和第二泵体32,第一泵体31和第二泵体32分别通过气管以独立的气路连通储气容器2和检测容器1。第一泵体31用于将检测容器1内的气体泵入到储气容器2中,第二泵体32用于将储气容器2中的气体泵入到检测容器1中。结合图8和9可见,本实施例的检测容器1中还设置有一个与内部的空腔10连通的T型通气接口13;T型通气接口13的一端连接第一泵体31,另一端连接第二泵体32。
采样管理器与多通道气体探测器、第一阀体和循环气泵3电连接;采样管理器用于:(ⅰ)获取多通道气体探测器中目标气体浓度的监测结果。(ⅱ)在目标气体的气体浓度低于安全阈值时,驱动循环气泵3中的第一泵体31从检测容器1向储气容器2内充入背景气体。(ⅲ)在目标气体的气体浓度高于安全阈值的时刻的预设延迟周期之后,关闭第一阀体,同时驱动循环气泵3中的第二泵体32将储气容器2内的背景气体持续注入到检测容器1内,“置换”其中含有目标气体的空气。
在本实施例提供的气体采样装置中,采样管理器实时获取气压传感器的检测结果,并根据储气容器2内部的压力值调整气流的泵入或泵出的状态。例如,当储气容器2中的气压过低时,采样管理器会在目标气体的浓度低于安全阈值时,快速向储气容器2被泵送气体;以使得储气容器2内总能预先存储有足量的背景气体。另外,采样管理器还会在从储气容器2中泵出气体的同时,实时获取内部气压的变化速率,以此计算出泵出的背景气体的流速。
由于本实施例提供的采样管理器的检测容器1内的空腔10采用开放式设计,在长期运行状态西容易积蓄灰尘,进而影响内部多通道气体探测器的灵敏度,以及设备的正常运行。因此,在本发明更加优化方案的中,采样管理器还用于在目标气体的气体浓度低于安全阈值的状态下,按照预设的时间间隔定期执行一次气体的泵入和泵出循环,以实现对检测容器1的内腔进行自动清扫。
本实施例提供的热失控气体的在线监测识别设备与实施例2中的电池热失控气体的检测系统相比,增加了一个特殊的气体采样器。实施例2的电池热失控气体的检测系统中,多通道气体探测器的探头是直接暴露在探测环境中,而本实施例提供的热失控气体的在线监测系统中的多通道气体探测器的探头却是安装在如图9所示的气体采样器中的检测容器1内的。二者在运行逻辑的差异在于:在常规工作模式下,本实施例中的检测容器1的两端导通,检测探头也相当于是直接暴露在空气中,此时,本实施例和实施例3中的电池热失控气体的检测系统运行状态完全相同,处于“监测模式”。
但是,当多通道气体探测器检测到的热失控气体的浓度超出阈值,或触发某种条件需要对热失控气体进行分类时,本实施例提供的一种热失控气体的在线监测系统则会自动进入到“分类模式”。在分类模式下,采样管理器等待一个预设的延迟周期,以保证多通道气体探测器可以响应恢复曲线中的“响应曲线”和“响应稳定曲线”部分,然后再将检测容器1的进风口11处的第一阀体关闭,并通过第二泵体32将储气容器2中预先存储的“背景气体”泵出到检测容器1内,背景气体即为当前检测环境中未产生热失控气体前的空气。背景气体会将检测容器1内的热失控气体迅速清空,并逐渐置换为“洁净”的空气,进而使得多通道气体探测器中的气敏传感器重新恢复到初始状态,并生成响应恢复曲线中的“恢复曲线”和“恢复稳定曲线”部分,进而形成完整的响应恢复曲线。利用完成的响应恢复曲线的波形图,可以提取出对应的气敏特征参数并构建所需的气敏特征向量U。
具体来说,如图10所示,本实施例提供的电池热失控气体的在线监测与识别设备的工作过程如下:
首先,通过安装在检测容器1内的多通道气体探测器实时监测环境内电池热失控的特征气体的实时浓度。
然后,在特征气体的实时浓度低于安全阈值时,向所述气体采样装置的储气容器2内充入足量的环境气体作为背景气体。
接下来,当检测到环境中的特征气体的浓度高于安全阈值后,等待一个预设的延迟周期,以便数据采集装置绘制出响应恢复曲线的前半部分。然后将检测容器1的进风口11关闭,并将储气容器2内的背景气体注入检测容器1内,置换其中包含的特征气体的空气。以便数据采集装置绘制出响应恢复曲线的后半部分。
在这之后,数据采集装置根据多通道气体探测器的检测信号生成完整的响应恢复曲线,提取其中的气敏特征参数,并构建气敏特征向量。
最后,气体分类模型根据输入的气敏特征向量识别出特征气体对应的类别。
至此,本实施例在实现热失控气体浓度的实时探测的基础上,还可以自动化地完成对监测到的热失控气体进行快速采样和实时的“成分分析”,并输出识别出的热失控特征气体的类别,以便于后期进行风险防控。
在实际应用中,本实施例提供的一种电池热失控气体的在线监测与识别设备可以部署在使用动力锂电池的电动汽车、充电站、储能电站等场所中,与上述系统中的安监与消防系统联动,检测电池热失控事故的发生,并在事故发生的早期及时识别发生故障的电池类型,保障上述场所或设施的安全性。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种电池热失控气体的检测与识别方法,其特征在于,其包括如下步骤:
S1:选择一种能够同时适用多种类型的待识别目标气体的气敏传感器;
S2:利用n个同类的所述气敏传感器设计一个通道数为n的多通道气体探测器;
S3:通过所述多通道气体探测器对目标气体进行气敏测试,并根据测试结果生成对应的气敏特征向量U,所述气敏特征向量U的生成方法如下:
S31:将多通道气体探测器置入测量空间,并向测量空间注入目标气体,获取测量结果;
S32:根据测量结果拟合出每个通道在当前测试周期内的完整的响应恢复曲线;
S33:提取每条所述响应恢复曲线对应的12个气敏特征参数,分别为:响应曲线偏移量、恢复曲线偏移量/>、响应曲线的拟合常数C res 、恢复曲线的拟合常数C rec 、响应曲线的时间常数/>、恢复曲线的时间常数/>、响应时间T res ,最大响应速率V res ,响应曲线面积A res 、恢复时间T rec ,最大恢复速率V rec 、以及恢复曲线面积A rec ;
S34:将n个通道中提取到的气敏特征参数合并为一个长度为12*n的气敏特征向量U;
S4:获取每个类型的目标气体在不同浓度条件下的气敏特征向量U,构成样本数据集;
S5:将样本数据分为训练集和测试集,并为训练集中的每个气敏特征向量U增加一个表征目标气体类型的类别标签;
S6:构建一个包括输入层、隐含层和输出层的MLP神经网络;输入层的节点数为12*n,输出层的节点数为目标气体分类结果的类别数m;隐含层的结构根据训练效果自适应调整;
S7:利用训练集和测试集对所述MLP神经网络进行训练和测试,保留满足训练目标的MLP神经网络的模型参数,得到所需的气体分类模型;
S8:利用多通道气体探测器实时监测待测空间内的特征气体的浓度;然后根据监测信号生成对应的气敏特征向量U并输入到所述气体分类模型中,得到热失控气体的分类结果。
2.如权利要求1所述的电池热失控气体的检测与识别方法,其特征在于:步骤S1中,锂电池的热失控气体对应的气敏传感器的制备方法如下:
先采用TiO2、SnO2和ZnO三种半导体材料按照质量比1:5:4制备纳米线阵列材料;再以Al2O3作为基底,以所述纳米线阵列材料作为敏感层,制作用于检测电池热失控气体浓度的气敏传感器。
3.如权利要求2所述的电池热失控气体的检测与识别方法,其特征在于:步骤S31中,所述测量结果的完整获取过程为:
(1)向测量空间中快速注入满足预设浓度的目标气体,并开始测量;
(2)按照预设的采样频率同步获取多通道气体探测器中每个气敏传感器的检测值;
(3)待所有气敏传感器的检测值趋于稳定后,向测量空间注入背景气体以排空目标气体;
(4)持续获取每个气敏传感器的检测值,直到所有气敏传感器的检测值再次趋于稳定;结束测量;
(5)记录整个测量周期中,各个通道对应的一系列离散的检测值,即为所需的测量结果。
4.如权利要求3所述的电池热失控气体的检测与识别方法,其特征在于,步骤S32中,拟合出的完整的响应恢复曲线包括响应曲线段、响应稳定曲线段、恢复曲线段、以及恢复稳定曲线段;其中,响应曲线段和恢复曲线段均采用自然常数exp为底的指数函数进行拟合,响应曲线G res 和恢复曲线G rec 的函数表达式分别为:
。
5.如权利要求4所述的电池热失控气体的检测与识别方法,其特征在于:步骤S33中,所述最大响应速率V res 、最大恢复速率V rec 、响应时间T res 和恢复时间T rec 的计算公式如下:
;
上式中,表示响应曲线的导数;/>表示恢复曲线的导数;max{}表示求取最大值函数;t 1 表示响应曲线的开始时刻;t 2 表示响应曲线的结束时刻;t 3 表示恢复曲线的开始时刻;t 4 表示恢复曲线的结束时刻。
6.如权利要求5所述的电池热失控气体的检测与识别方法,其特征在于:步骤S33中,所述响应曲线面积A res 和恢复曲线面积A rec 的计算公式为:
。
7.如权利要求2所述的电池热失控气体的检测与识别方法,其特征在于:步骤S4中,构成样本数据集的每个气敏特征向量U由不同浓度的目标气体样本在测量空间中经所述多通道气体探测器实际测量后得到;
所述目标气体样本的来源包括实际采集和人工配置;实际采集指人工触发指定类型的电池热失控,然后采集足量的特征气体;人工配置指根据已知的指定类型电池在热失控时的特征气体的成分及配比,人工配置混合气体。
8.如权利要求7所述的电池热失控气体的检测与识别方法,其特征在于:在步骤S5的训练集中,具有相同类别标签的元数据的数量相同;且具有同一类别标签的各个元数据对应的目标气体样本的测试浓度区间覆盖气敏传感器对当前特征气体的全量程范围。
9.一种电池热失控气体的检测系统,其特征在于,其采用如权利要求1-8中任意一项所述的电池热失控气体的检测与识别方法,对锂电池热失控产生的特征气体的浓度进行检测,并根据检测结果对特征气体的类别进行快速识别;所述检测系统包括:
多通道气体探测器,其由n个同型号的能够同时适用多种类型待识别目标气体的气敏传感器构成;n表示所述多通道气体探测器的通道数;
数据采集器,其与所述多通道气体探测器电连接;所述数据采集器包括采样控制单元和转换单元;所述采样控制单元用于按照预设的采样频率,同步获取多通道气体探测器内各通道的响应信号;所述转换单元用于将采集到各个响应信号对应的模拟量转换为数字量并输出;
向量生成器,其与所述数据采集器通信连接,所述向量生成器用于先将数据采集器采集到的离散数据拟合为连续的响应恢复曲线;然后根据响应恢复曲线的一个完整的响应恢复周期的波形图中提取出对应的12个气敏特征参数;最后将各个通道中对应的所有气敏特征参数组合为一个长度为12*n的气敏特征向量U;以及
气体分类模型,其采用经过如权利要求1-8中任意一项所述的电池热失控气体的检测与识别方法中的策略训练过的MLP神经网络;所述气体分类模型的输入为所述气敏特征向量U,输出为对应的特征气体的类别。
10.一种电池热失控的报警装置,其包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于:所述处理器执行所述计算机程序时,创建出如权利要求9所述的电池热失控气体的检测系统中对应向量生成器和气体分类模型的部分,进而根据前端多通道气体探测器及数据采集器获取的探测信号,识别出热失控气体的分类结果,并根据分类结果发出预警信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311011818.9A CN116718648B (zh) | 2023-08-11 | 2023-08-11 | 一种电池热失控气体的检测与识别方法及其报警装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311011818.9A CN116718648B (zh) | 2023-08-11 | 2023-08-11 | 一种电池热失控气体的检测与识别方法及其报警装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116718648A true CN116718648A (zh) | 2023-09-08 |
CN116718648B CN116718648B (zh) | 2023-11-10 |
Family
ID=87873877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311011818.9A Active CN116718648B (zh) | 2023-08-11 | 2023-08-11 | 一种电池热失控气体的检测与识别方法及其报警装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116718648B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117741065A (zh) * | 2023-12-20 | 2024-03-22 | 江苏讯汇科技股份有限公司 | 基于LoRa通讯的磷酸铁锂动力电池微量气体检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000292403A (ja) * | 1999-04-05 | 2000-10-20 | Figaro Eng Inc | ガス検出方法 |
CN111103325A (zh) * | 2019-12-19 | 2020-05-05 | 南京益得冠电子科技有限公司 | 一种基于集成神经网络学习的电子鼻信号漂移补偿方法 |
CN113030194A (zh) * | 2021-02-03 | 2021-06-25 | 中国科学院合肥物质科学研究院 | 气体传感器阵列、三种醇种类及其浓度的识别方法 |
CN115563546A (zh) * | 2022-08-17 | 2023-01-03 | 电子科技大学 | 一种气体嗅觉智能识别方法、系统、介质、设备及终端 |
WO2023063586A1 (ko) * | 2021-10-14 | 2023-04-20 | (주)티톱이앤지 | 이차전지 전해액의 누출 검사 시스템 및 이를 이용한 전해액의 누출 검사방법 |
CN116046989A (zh) * | 2023-01-10 | 2023-05-02 | 中国科学技术大学 | 基于阵列传感器的锂电池火灾特征气体探测方法及系统 |
CN116519872A (zh) * | 2022-12-29 | 2023-08-01 | 合肥工业大学 | 一种面向锂离子电池热失控监测的多气体传感器联用监测方法 |
-
2023
- 2023-08-11 CN CN202311011818.9A patent/CN116718648B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000292403A (ja) * | 1999-04-05 | 2000-10-20 | Figaro Eng Inc | ガス検出方法 |
CN111103325A (zh) * | 2019-12-19 | 2020-05-05 | 南京益得冠电子科技有限公司 | 一种基于集成神经网络学习的电子鼻信号漂移补偿方法 |
CN113030194A (zh) * | 2021-02-03 | 2021-06-25 | 中国科学院合肥物质科学研究院 | 气体传感器阵列、三种醇种类及其浓度的识别方法 |
WO2023063586A1 (ko) * | 2021-10-14 | 2023-04-20 | (주)티톱이앤지 | 이차전지 전해액의 누출 검사 시스템 및 이를 이용한 전해액의 누출 검사방법 |
CN115563546A (zh) * | 2022-08-17 | 2023-01-03 | 电子科技大学 | 一种气体嗅觉智能识别方法、系统、介质、设备及终端 |
CN116519872A (zh) * | 2022-12-29 | 2023-08-01 | 合肥工业大学 | 一种面向锂离子电池热失控监测的多气体传感器联用监测方法 |
CN116046989A (zh) * | 2023-01-10 | 2023-05-02 | 中国科学技术大学 | 基于阵列传感器的锂电池火灾特征气体探测方法及系统 |
Non-Patent Citations (3)
Title |
---|
SEBASTIAN A. SCHOBER.ET AL.: "Neural Network Robustness Analysis Using Sensor Simulations for a Graphene-Based Semiconductor Gas Sensor", CHEMOSENSORS, vol. 10, no. 152, pages 1 - 21 * |
XU, GAO.ET AL.: "Adversarial Adaptation From Synthesis to Reality in Fast Detector for Smoke Detection", IEEE ACCESS, vol. 7, pages 29471 - 29483, XP011715683, DOI: 10.1109/ACCESS.2019.2902606 * |
穆申玲等: "电子鼻技术及其应用研究进展", 材料导报, vol. 38, no. 14, pages 1 - 34 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117741065A (zh) * | 2023-12-20 | 2024-03-22 | 江苏讯汇科技股份有限公司 | 基于LoRa通讯的磷酸铁锂动力电池微量气体检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116718648B (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116718648B (zh) | 一种电池热失控气体的检测与识别方法及其报警装置 | |
CN111507376B (zh) | 一种基于多种无监督方法融合的单指标异常检测方法 | |
CN110187225A (zh) | 一种锂电池内短路电压电流异常检测方法及系统 | |
CN110350258A (zh) | 一种锂电池热失控预警保护系统及方法 | |
CN117074114A (zh) | 气体采样装置及电池热失控气体的在线监测与识别设备 | |
CN107577910B (zh) | 一种基于深层次神经网络的车辆尾气浓度反演方法 | |
CN115511013B (zh) | 一种大规模储能电站异常电池识别方法、设备及存储介质 | |
CN116046989B (zh) | 基于阵列传感器的锂电池火灾特征气体探测方法及系统 | |
CN103389323B (zh) | 一种快速无损评定名贵药材年限的方法 | |
CN115324698B (zh) | 基于神经网络的柴油机尾气分析传感方法 | |
CN115326147A (zh) | 一种船舶用脱硫塔实时监测方法及系统 | |
CN116572747A (zh) | 电池故障检测方法、装置、计算机设备和存储介质 | |
CN114267150A (zh) | 一种锂电池热失控早期火灾检测预警方法 | |
CN101871928A (zh) | 一种基于免疫否定选择的水质异常检测方法 | |
CN113269041B (zh) | 一种应用于同期装置的信号异常检测方法 | |
CN114460481A (zh) | 基于Bi-LSTM和注意力机制的储能电池热失控预警方法 | |
CN116660465A (zh) | 六氟化硫分解产物互补传感阵列检测装置及方法 | |
CN116865672A (zh) | 光伏组件异常识别方法及装置、计算机可读储存介质 | |
CN106979998A (zh) | 苹果新鲜度的仿生嗅觉快速无损检测装置及检测方法 | |
CN110322015B (zh) | 车检数据生成方法 | |
CN117706379B (zh) | 一种电池动态安全边界构建方法、装置及可读存储介质 | |
CN117411436B (zh) | 光伏组件状态检测方法、系统及存储介质 | |
CN116660779A (zh) | 一种基于神经元检测的锂电池的异常监测方法及其系统 | |
CN117909877B (zh) | 局放监测参数确定方法、装置、电子设备及存储介质 | |
CN116817282B (zh) | 垃圾焚烧系统分析方法及系统 |
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 |