CN117074437A - 无损检测方法及其在新能源汽车锂电池回收中的应用 - Google Patents
无损检测方法及其在新能源汽车锂电池回收中的应用 Download PDFInfo
- Publication number
- CN117074437A CN117074437A CN202311309917.5A CN202311309917A CN117074437A CN 117074437 A CN117074437 A CN 117074437A CN 202311309917 A CN202311309917 A CN 202311309917A CN 117074437 A CN117074437 A CN 117074437A
- Authority
- CN
- China
- Prior art keywords
- detection
- particles
- neural network
- improved
- iterative
- 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 42
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 23
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 22
- 238000009659 non-destructive testing Methods 0.000 title claims abstract description 13
- 238000011084 recovery Methods 0.000 title claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 78
- 239000002245 particle Substances 0.000 claims abstract description 74
- 238000013528 artificial neural network Methods 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 238000012937 correction Methods 0.000 claims abstract description 11
- 210000002569 neuron Anatomy 0.000 claims description 36
- 238000001914 filtration Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 13
- 210000004027 cell Anatomy 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 8
- 230000010363 phase shift Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000001066 destructive effect Effects 0.000 claims 7
- 238000007689 inspection Methods 0.000 claims 7
- 238000005259 measurement Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 4
- 238000002591 computed tomography Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000003331 infrared imaging Methods 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012983 electrochemical energy storage Methods 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005865 ionizing radiation Effects 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 239000005022 packaging material Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000009736 wetting Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N22/00—Investigating or analysing materials by the use of microwaves or radio waves, i.e. electromagnetic waves with a wavelength of one millimetre or more
- G01N22/02—Investigating the presence of flaws
-
- 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
- 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
- G06N3/0499—Feedforward networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Electromagnetism (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Liquid Crystal (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及锂电池回收技术领域，尤其为无损检测方法及其在新能源汽车锂电池回收中的应用，包括如下步骤：S1：通过无线电波扫描第一检测对象；S2：采集第一检测对象的第一检测结果；S3：基于改进的BP神经网络进行第一检测对象的状态检测；S4：基于检测状态获取第二检测结果进行第一检测对象的残值计算。本发明通过无线电波进行无损检测的方式采集检测数据，并基于BP神经网络进行被检测对象的状态检测，简化了被检测对象的介电常数的数据处理过程，实现多参数同时计算，输出被检测对象的实时状态数据，提高测量准确率；还通过改进粒子群算法和误差修正的方式改进BP神经网络进一步提高检测精准度。
Description
技术领域
本发明涉及锂电池回收技术领域，尤其是一种无损检测方法及其在新能源汽车锂电池回收中的应用。
背景技术
锂电池具有能量密度高、循环寿命长、清洁高效等优点，是一种非常稳定且可靠的新型电化学储能器件，广泛应用于电子产品、电网储能和新能源汽车等领域。目前，锂电池根据包装材料的不同，可分为硬壳电池和软包电池两大类。可以理解的是，对锂电池的缺陷情况检测和安全性能评估具有非常重要的研究意义。现有的锂电池的检测方法主要有以下几种：(1)通过多次充放电或人工拆解的方法进行检测，但成本高、周期长；(2)采用红外成像技术、计算机断层扫描技术、中子成像技术和超声成像技术等进行检测。其中，红外成像检测技术主要是根据温度的分布情况来显示缺陷；当电池内部存在气泡等缺陷时，会出现温度尖峰。但此方法受温度环境影响较大，且不能实现动态在线检测。计算机断层扫描检测技术利用电池内部结构及密度对x射线吸收能力的差异进行检测和分析。但此方法对气泡、析锂等缺陷不能进行动态在线监测，且长时间使用x射线存在电离辐射的危险。中子成像检测技术对轻元素如H和Li敏感，因此可用于检测电解液润湿、气体生成、电池内部锂离子分布等。然而，中子成像技术的成本高且不方便，限制了其应用范围和场景。现有技术仅通过对电池状态进行检测以判断电池损耗情况等，无法实现对于电池剩余容量的精准测量，因此亟需提出一种无损检测方法，解决上述问题。
发明内容
本发明的目的是通过提出无损检测方法及其在新能源汽车锂电池回收中的应用，以解决上述背景技术中提出的缺陷。
本发明采用的技术方案如下：
提供无损检测方法及其在新能源汽车锂电池回收中的应用，包括如下步骤：
S1：通过无线电波扫描第一检测对象；
S2：采集第一检测对象的第一检测结果；
S3：基于改进的BP神经网络进行第一检测对象的状态检测；
S4：基于检测状态获取第二检测结果进行第一检测对象的残值计算。
作为本发明的一种优选技术方案：所述S2中，基于滤波处理算法对采集的第一检测对象的第一检测结果进行滤波处理。
作为本发明的一种优选技术方案：所述滤波处理算法基于如下的步长进行信号滤波处理：
其中，为滤波器的增益，/>为响应调整指数，/>为缩放因子，/>为上一次的误差信号，/>为当前误差信号，/>为滤波器的输出信号，/>为滤波器调整函数。
作为本发明的一种优选技术方案：所述S3中，获取滤波处理算法滤波处理后的信号数据，提取信号数据的相移数据，并输入至改进的BP神经网络进行第一检测对象的状态检测。
作为本发明的一种优选技术方案：所述改进的BP神经网络具体如下：
输入层含有个神经元，隐含层含有/>个神经元，输出层含有/>个神经元，
隐含层每个单元的输入为：
其中，为输入层第/>个神经元与隐含层第/>个神经元之间的连接权值，/>为输入至第/>个神经元的经过滤波处理的第一检测结果，/>为第/>个神经元阈值；
隐含层每个单元的输出为：
其中，为激活函数；
输出层每个单元的输出为：
其中，为隐含层第/>个神经元与输出层第/>个神经元之间的连接权重，/>为输入层第/>个神经元阈值。
作为本发明的一种优选技术方案：所述改进的BP神经网络中，基于改进的粒子群算法对BP神经网络的初始权重进行迭代寻优。
作为本发明的一种优选技术方案：所述改进的粒子群算法具体如下：
以计算误差的倒数为适应度函数， 种群每次更新后，求出粒子群的平均适应度值，将适应度值大于或者等于/>的适应度值求平均得到/>，将适应度值小于/>的适应度值求平均得到/>，将种群/>分成３份，适应度值大于或者等于/>的粒子为子种群/>，适应度值小于/>并且大于或者等于/>的粒子为子种群/>，适应度值小于/>的粒子为子种群/>；
对于种群，基于下式进行更新：
其中，表示第/>次迭代第/>个粒子的位置，/>表示第/>次迭代第/>个粒子的位置，/>表示第/>次迭代第/>个粒子的速度，/>表示第/>次迭代第/>个粒子的速度，/>表示迭代权重，/>、/>为学习系数，/>为/>之间的随机数，/>为全局最优粒子，/>为当前最优粒子；
对于种群，基于下式进行更新：
其中，、/>分别表示第/>次迭代第/>个粒子和第/>个粒子的位置，/>、/>分别表示第/>次迭代第/>个粒子和第/>个粒子的位置，/>、/>分别表示第/>次迭代第个粒子和第/>个粒子的速度，/>、/>分别表示第/>次迭代第/>个粒子和第/>个粒子的速度，、/>为/>之间的随机数；
对于种群，基于变异概率0.6进行变异；
重复上述步骤进行寻优。
作为本发明的一种优选技术方案：所述改进的BP神经网络还将输出值与样本真实值进行比较，通过下式对神经网络输出层各单元的误差/>进行计算：
其中，为样本真实值；
对神经网络隐含层各单元的误差进行计算：
对系统连接权重、/>和阈值/>、/>进行修正：
其中，、/>、/>和/>分别为/>、/>、/>和/>的修正值，/>为修正因子。
作为本发明的一种优选技术方案：所述S4中，基于所述改进的BP神经网络检测获得的第二检测数据进行第一检测对象的残值计算。
另一方面，本发明还提供一种无损检测方法在新能源汽车锂电池回收中的应用。
本发明提供的无损检测方法及其在新能源汽车锂电池回收中的应用，与现有技术相比，其有益效果有：
本发明通过无线电波进行无损检测的方式采集检测数据，并基于BP神经网络进行被检测对象的状态检测，简化了被检测对象的介电常数的数据处理过程，实现多参数同时计算，输出被检测对象的实时状态数据，提高测量准确率；还通过改进粒子群算法和误差修正的方式改进BP神经网络进一步提高检测精准度。
附图说明
图1为本发明优选实施例的方法流程图。
具体实施方式
需要说明的是，在不冲突的情况下，本实施例中的实施例及实施例中的特征可以相互组合，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，都属于本发明保护的范围。
参照图1，本发明优选实施例提供了无损检测方法及其在新能源汽车锂电池回收中的应用，包括如下步骤：
S1：通过无线电波扫描第一检测对象；
S2：采集第一检测对象的第一检测结果；
S3：基于改进的BP神经网络进行第一检测对象的状态检测；
S4：基于检测状态获取第二检测结果进行第一检测对象的残值计算。
所述S2中，基于滤波处理算法对采集的第一检测对象的第一检测结果进行滤波处理。
所述滤波处理算法基于如下的步长进行信号滤波处理：
其中，为滤波器的增益，/>为响应调整指数，/>为缩放因子，/>为上一次的误差信号，/>为当前误差信号，/>为滤波器的输出信号，/>为滤波器调整函数。
所述S3中，获取滤波处理算法滤波处理后的信号数据，提取信号数据的相移数据，并输入至改进的BP神经网络进行第一检测对象的状态检测。
具体为：对进行离散傅里叶变换，将信号从时域转换为频域：
其中，是频域中的复数值，N是信号的总样本数，n是时间索引，k是频率索引，是输入信号；
再提取频率和相位信息，将其计算为，将频率分量的相位信息作为/>的值输入输入层。
所述改进的BP神经网络具体如下：
输入层含有个神经元，隐含层含有/>个神经元，输出层含有/>个神经元，
隐含层每个单元的输入为：
其中，为输入层第/>个神经元与隐含层第/>个神经元之间的连接权值，/>为输入至第/>个神经元的经过滤波处理的第一检测结果，/>为第/>个神经元阈值；
隐含层每个单元的输出为：
其中，为激活函数；
输出层每个单元的输出为：
其中，为隐含层第/>个神经元与输出层第/>个神经元之间的连接权重，/>为输入层第/>个神经元阈值。
所述改进的BP神经网络中，基于改进的粒子群算法对BP神经网络的初始权重进行迭代寻优。
所述改进的粒子群算法具体如下：
以计算误差的倒数为适应度函数， 种群每次更新后，求出粒子群的平均适应度值，将适应度值大于或者等于/>的适应度值求平均得到/>，将适应度值小于/>的适应度值求平均得到/>，将种群/>分成３份，适应度值大于或者等于/>的粒子为子种群/>，适应度值小于/>并且大于或者等于/>的粒子为子种群/>，适应度值小于/>的粒子为子种群/>；
对于种群，基于下式进行更新：
其中，表示第/>次迭代第/>个粒子的位置，/>表示第/>次迭代第/>个粒子的位置，/>表示第/>次迭代第/>个粒子的速度，/>表示第/>次迭代第/>个粒子的速度，/>表示迭代权重，/>、/>为学习系数，/>为/>之间的随机数，/>为全局最优粒子，/>为当前最优粒子；
对于种群，基于下式进行更新：
其中，、/>分别表示第/>次迭代第/>个粒子和第/>个粒子的位置，/>、/>分别表示第/>次迭代第/>个粒子和第/>个粒子的位置，/>、/>分别表示第/>次迭代第个粒子和第/>个粒子的速度，/>、/>分别表示第/>次迭代第/>个粒子和第/>个粒子的速度，、/>为/>之间的随机数；
对于种群，基于变异概率0.6进行变异；
重复上述步骤进行寻优。
所述改进的BP神经网络还将输出值与样本真实值进行比较，通过下式对神经网络输出层各单元的误差/>进行计算：
其中，为样本真实值；
对神经网络隐含层各单元的误差进行计算：
对系统连接权重、/>和阈值/>、/>进行修正：
其中，、/>、/>和/>分别为/>、/>、/>和/>的修正值，/>为修正因子。
所述S4中，基于所述改进的BP神经网络检测获得的第二检测数据进行第一检测对象的残值计算。
本实施例中，将无损检测方法在新能源汽车锂电池回收中进行应用，通过无线电波，如微波扫描锂电池，采集扫描锂电池后的微波信号数据，并对微波信号数据基于滤波处理算法进行滤波处理：
其中，为滤波器的增益，/>为响应调整指数，/>为缩放因子，/>为上一次的误差信号，/>为当前误差信号，/>为滤波器的输出信号，/>为滤波器调整函数。
基于上述滤波处理算法能够自适应控制步长，实现对于微波信号的自适应滤波处理，提升输出的微波信号数据的质量，提升对于锂电池检测精准度。
获取滤波处理算法滤波处理后的信号数据，提取信号数据的相移数据，并输入至改进的BP神经网络进行第一检测对象的介电常数的检测输出：
输入层含有个神经元，隐含层含有/>个神经元，输出层含有个神经元，
隐含层每个单元的输入为：
其中，为输入层第/>个神经元与隐含层第/>个神经元之间的连接权值，/>为输入至第/>个神经元的经过滤波处理的第一检测结果，/>为第/>个神经元阈值；
隐含层每个单元的输出为：
其中，为激活函数；
输出层每个单元的输出为：
其中，为隐含层第/>个神经元与输出层第/>个神经元之间的连接权重，/>为输入层第/>个神经元阈值。
将输出值与样本真实值进行比较，通过下式对神经网络输出层各单元的误差/>进行计算：
其中，为样本真实值；
对神经网络隐含层各单元的误差进行计算：
对系统连接权重、/>和阈值/>、/>进行修正：
其中，、/>、/>和/>分别为/>、/>、/>和/>的修正值，/>为修正因子。
BP神经网络中，基于改进的粒子群算法对初始权重进行迭代寻优：
以计算误差的倒数为适应度函数， 种群每次更新后，求出粒子群的平均适应度值，将适应度值大于或者等于/>的适应度值求平均得到/>，将适应度值小于/>的适应度值求平均得到/>，将种群/>分成３份，适应度值大于或者等于/>的粒子为子种群/>，适应度值小于/>并且大于或者等于/>的粒子为子种群/>，适应度值小于/>的粒子为子种群/>；
对于种群，以第三次迭代为例，基于下式进行更新：
其中，表示第4次迭代第/>个粒子的位置，/>表示第3次迭代第/>个粒子的位置，表示第4次迭代第/>个粒子的速度，/>表示第3次迭代第/>个粒子的速度，/>表示迭代权重，、/>为学习系数，/>为/>之间的随机数，/>为全局最优粒子，/>为当前最优粒子；
对于种群，以第三次迭代为例，基于下式进行更新：
其中，、/>分别表示第4次迭代第/>个粒子和第/>个粒子的位置，/>、/>分别表示第3次迭代第/>个粒子和第/>个粒子的位置，/>、/>分别表示第4次迭代第/>个粒子和第/>个粒子的速度，/>、/>分别表示第3次迭代第/>个粒子和第/>个粒子的速度，/>、/>为/>之间的随机数；
对于种群，基于变异概率0.6进行变异；
重复上述步骤进行寻优。
改进的BP神经网络基于改进粒子群算法进行初始权重的选取，改进粒子群算法通过遗传算法中的交叉操作让后代粒子继承双亲粒子的优点，增强对粒子间的区域搜索能力。而遗传算法的变异操作则可以增加粒子的多样性，可以使粒子避免早熟收敛，能够更好地找到全局最优解，还通过计算误差的方式对连接权重和阈值进行误差修正，提升检测精度。
改进的BP神经网络还基于样本数据进行训练，并计算获得评价误差对BP神经网络的输出值进行阈值修正。
基于改进的BP神经网络检测输出的锂电池的介电常数值进行锂电池的电池容量残值计算。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (10)
1.一种无损检测方法，其特征在于：包括如下步骤：
S1：通过无线电波扫描第一检测对象；
S2：采集第一检测对象的第一检测结果；
S3：基于改进的BP神经网络进行第一检测对象的状态检测；
S4：基于检测状态获取第二检测结果进行第一检测对象的残值计算。
2.根据权利要求1所述的无损检测方法，其特征在于：所述S2中，基于滤波处理算法对采集的第一检测对象的第一检测结果进行滤波处理。
3.根据权利要求2所述的无损检测方法，其特征在于：所述滤波处理算法基于如下的步长进行信号滤波处理：
其中，为滤波器的增益，/>为响应调整指数，/>为缩放因子，/>为上一次的误差信号，/>为当前误差信号，/>为滤波器的输出信号，/>为滤波器调整函数。
4.根据权利要求3所述的无损检测方法，其特征在于：所述S3中，获取滤波处理算法滤波处理后的信号数据，提取信号数据的相移数据，并输入至改进的BP神经网络进行第一检测对象的状态检测。
5.根据权利要求4所述的无损检测方法，其特征在于：所述改进的BP神经网络具体如下：
输入层含有个神经元，隐含层含有/>个神经元，输出层含有个神经元，
隐含层每个单元的输入为：
其中，为输入层第/>个神经元与隐含层第/>个神经元之间的连接权值，/>为输入至第个神经元的经过滤波处理的第一检测结果，/>为第/>个神经元阈值；
隐含层每个单元的输出为：
其中，为激活函数；
输出层每个单元的输出为：
其中，为隐含层第/>个神经元与输出层第/>个神经元之间的连接权重，/>为输入层第个神经元阈值。
6.根据权利要求5所述的无损检测方法，其特征在于：所述改进的BP神经网络中，基于改进的粒子群算法对BP神经网络的初始权重进行迭代寻优。
7.根据权利要求6所述的无损检测方法，其特征在于：所述改进的粒子群算法具体如下：
以计算误差的倒数为适应度函数， 种群每次更新后，求出粒子群的平均适应度值，将适应度值大于或者等于/>的适应度值求平均得到/>，将适应度值小于/>的适应度值求平均得到/>，将种群/>分成３份，适应度值大于或者等于/>的粒子为子种群/>，适应度值小于/>并且大于或者等于/>的粒子为子种群/>，适应度值小于/>的粒子为子种群/>；
对于种群，基于下式进行更新：
其中，表示第/>次迭代第/>个粒子的位置，/>表示第/>次迭代第/>个粒子的位置，表示第/>次迭代第/>个粒子的速度，/>表示第/>次迭代第/>个粒子的速度，/>表示迭代权重，/>、/>为学习系数，/>为/>之间的随机数，/>为全局最优粒子，/>为当前最优粒子；
对于种群，基于下式进行更新：
其中，、/>分别表示第/>次迭代第/>个粒子和第/>个粒子的位置，/>、/>分别表示第/>次迭代第/>个粒子和第/>个粒子的位置，/>、/>分别表示第/>次迭代第/>个粒子和第/>个粒子的速度，/>、/>分别表示第/>次迭代第/>个粒子和第/>个粒子的速度，/>、/>为/>之间的随机数；
对于种群，基于变异概率0.6进行变异；
重复上述步骤进行寻优。
8.根据权利要求7所述的无损检测方法，其特征在于：所述改进的BP神经网络还将输出值与样本真实值进行比较，通过下式对神经网络输出层各单元的误差/>进行计算：
其中，为样本真实值；
对神经网络隐含层各单元的误差进行计算：
对系统连接权重、/>和阈值/>、/>进行修正：
其中，、/>、/>和/>分别为/>、/>、/>和/>的修正值，/>为修正因子。
9.根据权利要求8所述的无损检测方法，其特征在于：所述S4中，基于所述改进的BP神经网络检测获得的第二检测数据进行第一检测对象的残值计算。
10.根据权利要求1-9任意一项所述的无损检测方法在新能源汽车锂电池回收中的应用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311309917.5A CN117074437B (zh) | 2023-10-11 | 2023-10-11 | 无损检测方法及其在新能源汽车锂电池回收中的应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311309917.5A CN117074437B (zh) | 2023-10-11 | 2023-10-11 | 无损检测方法及其在新能源汽车锂电池回收中的应用 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117074437A true CN117074437A (zh) | 2023-11-17 |
| CN117074437B CN117074437B (zh) | 2024-01-12 |
Family
ID=88704506
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311309917.5A Active CN117074437B (zh) | 2023-10-11 | 2023-10-11 | 无损检测方法及其在新能源汽车锂电池回收中的应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117074437B (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4438182A (en) * | 1982-09-30 | 1984-03-20 | The United States Of America As Represented By The Secretary Of The Air Force | Method of determining battery life |
| US6359446B1 (en) * | 1997-09-25 | 2002-03-19 | Jack R. Little, Jr. | Apparatus and method for nondestructive testing of dielectric materials |
| JP2007271412A (ja) * | 2006-03-31 | 2007-10-18 | Yamato Scale Co Ltd | 脂質含有率測定方法及び装置 |
| WO2013035183A1 (ja) * | 2011-09-08 | 2013-03-14 | 日立ビークルエナジー株式会社 | 電池システム監視装置 |
| CN103353553A (zh) * | 2013-06-28 | 2013-10-16 | 四川大学 | 介电系数微波测量装置及其构成的介电系数微波测量系统 |
| CN106920008A (zh) * | 2017-02-28 | 2017-07-04 | 山东大学 | 一种基于改进粒子群优化bp神经网络的风电功率预测方法 |
| US20170261538A1 (en) * | 2016-03-10 | 2017-09-14 | Mitsubishi Electric Research Laboratories, Inc. | System and Method for Determining Structure of Material |
| CN108388702A (zh) * | 2018-01-30 | 2018-08-10 | 河南工程学院 | 基于pso神经网络的工程陶瓷电火花加工效果预测方法 |
| CN110232372A (zh) * | 2019-06-26 | 2019-09-13 | 电子科技大学成都学院 | 基于粒子群优化bp神经网络的步态识别方法 |
| CN111226340A (zh) * | 2017-10-30 | 2020-06-02 | 松下知识产权经营株式会社 | 非水电解质二次电池及其制造方法 |
| CN112966432A (zh) * | 2021-02-09 | 2021-06-15 | 东北电力大学 | 一种锂离子电池剩余有效寿命预测方法及装置 |
| CN113761789A (zh) * | 2021-07-23 | 2021-12-07 | 江苏大学 | 基于萤火虫群算法优化后的bp神经网络估算电池soc的方法 |
| CN115993537A (zh) * | 2022-12-08 | 2023-04-21 | 西安工业大学 | 基于相关性分析和woa-lstm的锂电池容量预测方法 |
| WO2023132026A1 (ja) * | 2022-01-06 | 2023-07-13 | 日本電信電話株式会社 | 誘電率測定方法及び短絡標準体 |
| CN116738750A (zh) * | 2023-07-03 | 2023-09-12 | 太原科技大学 | 一种金属板及金属基复合板矫直力模型的预测方法 |
-
2023
- 2023-10-11 CN CN202311309917.5A patent/CN117074437B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4438182A (en) * | 1982-09-30 | 1984-03-20 | The United States Of America As Represented By The Secretary Of The Air Force | Method of determining battery life |
| US6359446B1 (en) * | 1997-09-25 | 2002-03-19 | Jack R. Little, Jr. | Apparatus and method for nondestructive testing of dielectric materials |
| JP2007271412A (ja) * | 2006-03-31 | 2007-10-18 | Yamato Scale Co Ltd | 脂質含有率測定方法及び装置 |
| WO2013035183A1 (ja) * | 2011-09-08 | 2013-03-14 | 日立ビークルエナジー株式会社 | 電池システム監視装置 |
| CN103353553A (zh) * | 2013-06-28 | 2013-10-16 | 四川大学 | 介电系数微波测量装置及其构成的介电系数微波测量系统 |
| US20170261538A1 (en) * | 2016-03-10 | 2017-09-14 | Mitsubishi Electric Research Laboratories, Inc. | System and Method for Determining Structure of Material |
| CN106920008A (zh) * | 2017-02-28 | 2017-07-04 | 山东大学 | 一种基于改进粒子群优化bp神经网络的风电功率预测方法 |
| CN111226340A (zh) * | 2017-10-30 | 2020-06-02 | 松下知识产权经营株式会社 | 非水电解质二次电池及其制造方法 |
| CN108388702A (zh) * | 2018-01-30 | 2018-08-10 | 河南工程学院 | 基于pso神经网络的工程陶瓷电火花加工效果预测方法 |
| CN110232372A (zh) * | 2019-06-26 | 2019-09-13 | 电子科技大学成都学院 | 基于粒子群优化bp神经网络的步态识别方法 |
| CN112966432A (zh) * | 2021-02-09 | 2021-06-15 | 东北电力大学 | 一种锂离子电池剩余有效寿命预测方法及装置 |
| CN113761789A (zh) * | 2021-07-23 | 2021-12-07 | 江苏大学 | 基于萤火虫群算法优化后的bp神经网络估算电池soc的方法 |
| WO2023132026A1 (ja) * | 2022-01-06 | 2023-07-13 | 日本電信電話株式会社 | 誘電率測定方法及び短絡標準体 |
| CN115993537A (zh) * | 2022-12-08 | 2023-04-21 | 西安工业大学 | 基于相关性分析和woa-lstm的锂电池容量预测方法 |
| CN116738750A (zh) * | 2023-07-03 | 2023-09-12 | 太原科技大学 | 一种金属板及金属基复合板矫直力模型的预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| JIGUO LIU等: "Data Fusion for Multi-Source Sensors Using GA-PSO-BP Neural Network", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》, vol. 22, no. 10, pages 6588 - 6591 * |
| JUN FANG等: "Quantitative Identification Method for Glass Panel Defects Using Microwave Detection Based on the CSAPSO-BP Neural Network", 《SENSORS》, pages 1 - 11 * |
| 孙祺森: "智能电表Li/SOCl2电池剩余容量检测及可靠性评价", 《中国知网》, pages 1 - 10 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117074437B (zh) | 2024-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | A review on online state of charge and state of health estimation for lithium-ion batteries in electric vehicles | |
| CN111426955B (zh) | 一种锂离子电池故障诊断方法 | |
| Takyi-Aninakwa et al. | An optimized long short-term memory-weighted fading extended Kalman filtering model with wide temperature adaptation for the state of charge estimation of lithium-ion batteries | |
| Li et al. | On-line estimation method of lithium-ion battery health status based on PSO-SVM | |
| CN111832221B (zh) | 基于特征筛选的锂电池寿命预测方法 | |
| CN114818831B (zh) | 基于多源感知的双向锂离子电池故障检测方法及系统 | |
| CN116628616B (zh) | 一种大功率充电能源的数据处理方法及系统 | |
| CN113866642A (zh) | 一种基于梯度提升树的锂离子电池故障诊断方法 | |
| CN116973768A (zh) | 基于低频电化学噪声的锂离子电池使用寿命预测方法 | |
| CN111516548A (zh) | 一种基于云平台实现动力电池故障诊断的充电桩系统 | |
| CN117074437B (zh) | 无损检测方法及其在新能源汽车锂电池回收中的应用 | |
| CN104499001B (zh) | 基于特征子空间优化相对矩阵的铝电解槽况诊断方法 | |
| Zhao et al. | A hybrid intelligent model using the distribution of relaxation time analysis of electrochemical impedance spectroscopy for lithium-ion battery state of health estimation | |
| Xu et al. | A hybrid method for lithium-ion batteries state-of-charge estimation based on gated recurrent unit neural network and an adaptive unscented Kalman filter | |
| CN117783051A (zh) | 一种基于多传感器数据融合的甲烷气体泄漏检测方法 | |
| Ju et al. | Degradation diagnosis of lithium-ion batteries considering internal gas evolution | |
| CN116818904A (zh) | 一种锂离子电池析锂超声无损检测方法及系统 | |
| CN110057742B (zh) | 锂离子电池极片孔隙率在线检测方法及其应用 | |
| Li et al. | State of charge estimation of lithium-ion batteries using improved BP neural network and filtering techniques | |
| CN117972536B (zh) | 一种脉冲分类方法及系统 | |
| CN117310412B (zh) | 一种基于声光电联合信号的局部放电定位方法及系统 | |
| Kafadarova et al. | A Review of State of Health Battery Diagnostics Methods: Current Status and Future Challenges | |
| Zhu et al. | Prediction Method of Ohmic Resistance and Charge Transfer Resistance for Lithium-Ion Batteries Based on CSA-SVR | |
| CN116819378B (zh) | 储能电池异常检测方法及装置 | |
| Liu et al. | An Ultrasonic Wave-Based Method for Efficient State-of-Health Estimation of Li-Ion Batteries |
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 |