CN117117374A - 一种动力电池包回收方法及系统 - Google Patents
一种动力电池包回收方法及系统 Download PDFInfo
- Publication number
- CN117117374A CN117117374A CN202311105194.7A CN202311105194A CN117117374A CN 117117374 A CN117117374 A CN 117117374A CN 202311105194 A CN202311105194 A CN 202311105194A CN 117117374 A CN117117374 A CN 117117374A
- Authority
- CN
- China
- Prior art keywords
- battery
- attenuation
- preset
- parameters
- detection model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000004064 recycling Methods 0.000 claims abstract description 54
- 238000001514 detection method Methods 0.000 claims abstract description 50
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 63
- 238000013527 convolutional neural network Methods 0.000 claims description 22
- 238000012795 verification Methods 0.000 claims description 15
- 238000011084 recovery Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 description 4
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 230000009286 beneficial effect Effects 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
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052759 nickel Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/54—Reclaiming serviceable parts of waste accumulators
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供了一种动力电池包回收方法及系统，该方法包括：当检测到动力电池包时，将动力电池包输入至预设拆解系统中，并通过预设拆解系统将动力电池包拆分成若干对应的电池部件；在预设电池数据库中获取到与动力电池包对应的出厂电池参数，并基于预设神经网络根据出厂参数构建出对应的电池检测模型；检测出若干电池部件分别对应的实际电池参数，并通过电池检测模型根据实际电池参数计算出每一电池部件的衰减率，以根据衰减率对若干电池部件进行分类回收。本发明能够有效的回收各个电池部件，大幅提升了对动力电池包的回收效率。
Description
技术领域
本发明涉及新能源电动汽车技术领域，特别涉及一种动力电池包回收方法及系统。
背景技术
随着科技的进步以及生产力的快速发展，新能源电动汽车技术也日趋成熟，并且已经在人们的日常生活中得到普及，降低了人们的出行成本，极大的方便了人们的生活。
其中，动力电池包是新能源电动汽车的核心零部件之一，用于给新能源电动汽车内部的驱动电机提供电能，以使车辆能够行驶。
具体的，现有的新能源电动汽车内部的动力电池包均由金属锂制备而成，并且其内部的结构复杂，包括正极、负极、隔膜、电解液以及外壳等多种材料，并且这些材料中含有钴、镍以及锂等稀有金属元素，具有较高的经济价值。
基于此，提供一种能够快速、有效的回收动力电池包内部的各个零部件的方法很有必要。
发明内容
基于此，本发明的目的是提供一种动力电池包回收方法及系统，以提供一种能够快速、有效的回收动力电池包的方法。
本发明实施例第一方面提出了：
一种动力电池包回收方法，其中，所述方法包括：
当检测到动力电池包时，将所述动力电池包输入至预设拆解系统中，并通过所述预设拆解系统将所述动力电池包拆分成若干对应的电池部件；
在预设电池数据库中获取到与所述动力电池包对应的出厂电池参数，并基于预设神经网络根据所述出厂参数构建出对应的电池检测模型；
检测出若干所述电池部件分别对应的实际电池参数，并通过所述电池检测模型根据所述实际电池参数计算出每一所述电池部件的衰减率，以根据所述衰减率对若干所述电池部件进行分类回收。
本发明的有益效果是：通过实时将输入的动力电池包拆分成若干个对应的电池部件，进一步的，再根据获取到的出厂电池参数构建出与当前类型的动力电池包适配的电池检测模型，与此同时，再同步获取与上述若干个电池部件对应的实际电池参数，基于此，能够通过当前电池检测模型计算出每个电池部件的衰减率，从而能够根据衰减率的大小进行专门的回收，即将衰减率相同或者相似的电池部件分类回收在一起，便于后续的再利用，从而大幅提升了动力电池包的回收效率，同时提升了用户的使用体验。
进一步的，所述基于预设神经网络根据所述出厂参数构建出对应的电池检测模型的步骤包括：
当获取到所述出厂电池参数时，对所述出厂电池参数进行预处理，并将预处理后的出厂电池参数构建出对应的目标数据集；
基于预设规则将所述目标数据集拆分成对应的验证集以及训练集，以通过所述验证集、所述训练集以及所述预设神经网络构建出所述电池检测模型。
进一步的，所述通过所述验证集、所述训练集以及所述预设神经网络构建出所述电池检测模型的步骤包括：
将所述训练集输入至预设CNN网络的解析层中，以通过所述解析层将所述训练集解析成对应的训练代码；
将所述训练代码输入至所述CNN网络的编码层中，以通过所述编码层将所述训练代码转换成对应的训练特征值；
将所述训练特征值输入至所述CNN网络的学习层中，以对应构建出所述电池检测模型。
进一步的，所述将所述训练特征值输入至所述CNN网络的学习层中，以对应构建出所述电池检测模型的步骤包括：
通过预设DTW算法对所述训练特征值进行序列化处理，以生成若干对应的特征序列，并提取出若干所述特征序列中包含的特征因子；
将若干所述特征因子对应嵌入至所述学习层的学习网络中，并通过若干所述特征因子将所述学习层中的原始网路参数对应调整为目标网络参数，以基于所述目标网络参数构建出所述电池检测模型。
进一步的，所述通过所述电池检测模型根据所述实际电池参数计算出每一所述电池部件的衰减率的步骤包括：
当获取到若干所述电池部件时，逐一检测出与每一所述电池部件分别对应的自然衰减系数，并计算出每一所述电池部件的实际电池参数与所述出厂电池参数之间的目标差值；
根据所述自然衰减系数以及所述目标差值逐一计算出与每一所述电池部件分别对应的衰减率，所述自然衰减系数具有唯一性。
进一步的，所述方法还包括：
提取出每一所述衰减率中分别包含的目标衰减值，并将每一所述目标衰减值与预设分类表进行比对，所述预设分类表中包含有若干衰减等级，每一所述衰减等级分别对应以衰减阈值；
逐一根据所述目标衰减值以及所述衰减阈值判断出每一所述电池部件分别对应的目标衰减等级，并根据所述目标衰减等级对若干所述电池部件进行对应的分类回收。
进一步的，所述根据所述目标衰减等级对若干所述电池部件进行对应的分类回收的步骤包括：
构建出若干不同的回收策略，并建立每一所述回收策略与每一所述目标衰减等级之间的映射关系，以通过每一所述回收策略对每一所述电池部件进行对应的回收。
本发明实施例第二方面提出了：
一种动力电池包回收系统，其中，所述系统包括：
检测模块，用于当检测到动力电池包时，将所述动力电池包输入至预设拆解系统中，并通过所述预设拆解系统将所述动力电池包拆分成若干对应的电池部件；
获取模块，用于在预设电池数据库中获取到与所述动力电池包对应的出厂电池参数，并基于预设神经网络根据所述出厂参数构建出对应的电池检测模型；
计算模块，用于检测出若干所述电池部件分别对应的实际电池参数，并通过所述电池检测模型根据所述实际电池参数计算出每一所述电池部件的衰减率，以根据所述衰减率对若干所述电池部件进行分类回收。
进一步的，所述获取模块具体用于：
当获取到所述出厂电池参数时，对所述出厂电池参数进行预处理，并将预处理后的出厂电池参数构建出对应的目标数据集；
基于预设规则将所述目标数据集拆分成对应的验证集以及训练集，以通过所述验证集、所述训练集以及所述预设神经网络构建出所述电池检测模型。
进一步的，所述获取模块具体用于：
将所述训练集输入至预设CNN网络的解析层中，以通过所述解析层将所述训练集解析成对应的训练代码；
将所述训练代码输入至所述CNN网络的编码层中，以通过所述编码层将所述训练代码转换成对应的训练特征值；
将所述训练特征值输入至所述CNN网络的学习层中，以对应构建出所述电池检测模型。
进一步的，所述获取模块具体用于：
通过预设DTW算法对所述训练特征值进行序列化处理，以生成若干对应的特征序列，并提取出若干所述特征序列中包含的特征因子；
将若干所述特征因子对应嵌入至所述学习层的学习网络中，并通过若干所述特征因子将所述学习层中的原始网路参数对应调整为目标网络参数，以基于所述目标网络参数构建出所述电池检测模型。
进一步的，所述计算模块具体用于：
当获取到若干所述电池部件时，逐一检测出与每一所述电池部件分别对应的自然衰减系数，并计算出每一所述电池部件的实际电池参数与所述出厂电池参数之间的目标差值；
根据所述自然衰减系数以及所述目标差值逐一计算出与每一所述电池部件分别对应的衰减率，所述自然衰减系数具有唯一性。
进一步的，所述动力电池包回收系统还包括处理模块，所述处理模块具体用于：
提取出每一所述衰减率中分别包含的目标衰减值，并将每一所述目标衰减值与预设分类表进行比对，所述预设分类表中包含有若干衰减等级，每一所述衰减等级分别对应以衰减阈值；
逐一根据所述目标衰减值以及所述衰减阈值判断出每一所述电池部件分别对应的目标衰减等级，并根据所述目标衰减等级对若干所述电池部件进行对应的分类回收。
进一步的，所述处理模块具体用于：
构建出若干不同的回收策略，并建立每一所述回收策略与每一所述目标衰减等级之间的映射关系，以通过每一所述回收策略对每一所述电池部件进行对应的回收。
本发明实施例第三方面提出了：
一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如上面所述的动力电池包回收方法。
本发明实施例第四方面提出了：
一种可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如上面所述的动力电池包回收方法。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1为本发明第一实施例提供的动力电池包回收方法的流程图；
图2为本发明第六实施例提供的动力电池包回收系统的结构框图。
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
需要说明的是，当元件被称为“固设于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
请参阅图1，所示为本发明第一实施例提供的动力电池包回收方法，本实施例提供的动力电池包回收方法能够大幅提升动力电池包的回收效率，同时提升了用户的使用体验。
具体的，本实施例提供的动力电池包回收方法具体包括以下步骤
步骤S10，当检测到动力电池包时，将所述动力电池包输入至预设拆解系统中，并通过所述预设拆解系统将所述动力电池包拆分成若干对应的电池部件；
步骤S20，在预设电池数据库中获取到与所述动力电池包对应的出厂电池参数，并基于预设神经网络根据所述出厂参数构建出对应的电池检测模型；
步骤S30，检测出若干所述电池部件分别对应的实际电池参数，并通过所述电池检测模型根据所述实际电池参数计算出每一所述电池部件的衰减率，以根据所述衰减率对若干所述电池部件进行分类回收。
具体的，在本实施例中，首先需要说明的是，通过预先设置好的拆解系统能够将实时接收到的动力电池包对应拆分成若干个电池部件，具体的，该若干个电池部件包括电池模组、电芯、电控系统以及温控系统等，进一步的，再根据当前动力电池包的出厂电池参数以及预先设置好的CNN网络能够实时构建出需要的电池检测模型。
进一步的，将上述若干电池部件对应的实际电池参数分别输入至当前电池检测模型中，从而能够逐一输出与每个电池部件对应的衰减率，基于此，根据该衰减率就能够完成当前若干个电池部件的分类回收。
第二实施例
具体的，在本实施例中，需要说明的是，上述基于预设神经网络根据所述出厂参数构建出对应的电池检测模型的步骤包括：
当获取到所述出厂电池参数时，对所述出厂电池参数进行预处理，并将预处理后的出厂电池参数构建出对应的目标数据集；
基于预设规则将所述目标数据集拆分成对应的验证集以及训练集，以通过所述验证集、所述训练集以及所述预设神经网络构建出所述电池检测模型。
具体的，在本实施例中，需要说明的是，通过上述方式能够对实时获取到的出厂电池参数进行滤波以及降噪等预处理，与此同时，能够对应生成需要的目标数据集。
进一步的，按照7:3的比例将当前目标数据集拆分成对应的训练集以及验证集，基于此，通过当前训练集以及验证集对上述预设神经网络进行训练。
具体的，在本实施例中，还需要说明的是，上述通过所述验证集、所述训练集以及所述预设神经网络构建出所述电池检测模型的步骤包括：
将所述训练集输入至预设CNN网络的解析层中，以通过所述解析层将所述训练集解析成对应的训练代码；
将所述训练代码输入至所述CNN网络的编码层中，以通过所述编码层将所述训练代码转换成对应的训练特征值；
将所述训练特征值输入至所述CNN网络的学习层中，以对应构建出所述电池检测模型。
具体的，在本实施例中，还需要说明的是，通过上述方式获取到需要的训练集之后，将当前训练集进一步输入至预先设置好的CNN网络中，具体的，输入至当前CNN网络的编码层中，以编码出对应的若干训练特征值。
进一步的，将当前若干训练特征值输入至当前CNN网络的学习层中，以对应学习出上述电池检测模型。
另外，在本实施例中，需要说明的是，上述将所述训练特征值输入至所述CNN网络的学习层中，以对应构建出所述电池检测模型的步骤包括：
通过预设DTW算法对所述训练特征值进行序列化处理，以生成若干对应的特征序列，并提取出若干所述特征序列中包含的特征因子；
将若干所述特征因子对应嵌入至所述学习层的学习网络中，并通过若干所述特征因子将所述学习层中的原始网路参数对应调整为目标网络参数，以基于所述目标网络参数构建出所述电池检测模型。
另外，在本实施例中，需要说明的是，通过上述方式能够将上述若干训练特征值转换成对应的学习因子，基于此，通过该若干学习因子自适应调整学习网络中的网络参数，从而能够自适应的学习出上述电池检测模型。
第三实施例
另外，在本实施例中，还需要说明的是，上述通过所述电池检测模型根据所述实际电池参数计算出每一所述电池部件的衰减率的步骤包括：
当获取到若干所述电池部件时，逐一检测出与每一所述电池部件分别对应的自然衰减系数，并计算出每一所述电池部件的实际电池参数与所述出厂电池参数之间的目标差值；
根据所述自然衰减系数以及所述目标差值逐一计算出与每一所述电池部件分别对应的衰减率，所述自然衰减系数具有唯一性。
另外，在本实施例中，还需要说明的是，通过上述方式能够实时提取出与每个电池部件分别对应的自然衰减系数，进一步的，只需将当前自然衰减系数与实时计算出的目标差值进行相乘处理，就能够简单、快速的计算出上述衰减率，以便于后续的处理。
第四实施例
其中，在本实施例中，需要指出的是，所述方法还包括：
提取出每一所述衰减率中分别包含的目标衰减值，并将每一所述目标衰减值与预设分类表进行比对，所述预设分类表中包含有若干衰减等级，每一所述衰减等级分别对应以衰减阈值；
逐一根据所述目标衰减值以及所述衰减阈值判断出每一所述电池部件分别对应的目标衰减等级，并根据所述目标衰减等级对若干所述电池部件进行对应的分类回收。
其中，在本实施例中，需要指出的是，通过上述方式能够获取到各个电池部件分别对应的衰减值，与此同时，在预设分类表中确定出对应的目标衰减等级。
进一步的，根据各个目标衰减等级的大小对当前若干个电池部件进行回收。
其中，在本实施例中，需要指出的是，所述根据所述目标衰减等级对若干所述电池部件进行对应的分类回收的步骤包括：
构建出若干不同的回收策略，并建立每一所述回收策略与每一所述目标衰减等级之间的映射关系，以通过每一所述回收策略对每一所述电池部件进行对应的回收。
其中，在本实施例中，需要指出的是，预先设置好的若干个回收策略，并建立每一回收策略与每一目标衰减等级之间的一一对应关系。
进一步的，只需根据每个电池部件的目标衰减等级就能够确定出对应的回收策略。
请参阅图2，本发明第六实施例提供了：
一种动力电池包回收系统，其中，所述系统包括：
检测模块，用于当检测到动力电池包时，将所述动力电池包输入至预设拆解系统中，并通过所述预设拆解系统将所述动力电池包拆分成若干对应的电池部件；
获取模块，用于在预设电池数据库中获取到与所述动力电池包对应的出厂电池参数，并基于预设神经网络根据所述出厂参数构建出对应的电池检测模型；
计算模块，用于检测出若干所述电池部件分别对应的实际电池参数，并通过所述电池检测模型根据所述实际电池参数计算出每一所述电池部件的衰减率，以根据所述衰减率对若干所述电池部件进行分类回收。
其中，上述动力电池包回收系统中，所述获取模块具体用于：
当获取到所述出厂电池参数时，对所述出厂电池参数进行预处理，并将预处理后的出厂电池参数构建出对应的目标数据集；
基于预设规则将所述目标数据集拆分成对应的验证集以及训练集，以通过所述验证集、所述训练集以及所述预设神经网络构建出所述电池检测模型。
其中，上述动力电池包回收系统中，所述获取模块具体用于：
将所述训练集输入至预设CNN网络的解析层中，以通过所述解析层将所述训练集解析成对应的训练代码；
将所述训练代码输入至所述CNN网络的编码层中，以通过所述编码层将所述训练代码转换成对应的训练特征值；
将所述训练特征值输入至所述CNN网络的学习层中，以对应构建出所述电池检测模型。
其中，上述动力电池包回收系统中，所述获取模块具体用于：
通过预设DTW算法对所述训练特征值进行序列化处理，以生成若干对应的特征序列，并提取出若干所述特征序列中包含的特征因子；
将若干所述特征因子对应嵌入至所述学习层的学习网络中，并通过若干所述特征因子将所述学习层中的原始网路参数对应调整为目标网络参数，以基于所述目标网络参数构建出所述电池检测模型。
其中，上述动力电池包回收系统中，所述计算模块具体用于：
当获取到若干所述电池部件时，逐一检测出与每一所述电池部件分别对应的自然衰减系数，并计算出每一所述电池部件的实际电池参数与所述出厂电池参数之间的目标差值；
根据所述自然衰减系数以及所述目标差值逐一计算出与每一所述电池部件分别对应的衰减率，所述自然衰减系数具有唯一性。
其中，上述动力电池包回收系统中，所述动力电池包回收系统还包括处理模块，所述处理模块具体用于：
提取出每一所述衰减率中分别包含的目标衰减值，并将每一所述目标衰减值与预设分类表进行比对，所述预设分类表中包含有若干衰减等级，每一所述衰减等级分别对应以衰减阈值；
逐一根据所述目标衰减值以及所述衰减阈值判断出每一所述电池部件分别对应的目标衰减等级，并根据所述目标衰减等级对若干所述电池部件进行对应的分类回收。
其中，上述动力电池包回收系统中，所述处理模块具体用于：
构建出若干不同的回收策略，并建立每一所述回收策略与每一所述目标衰减等级之间的映射关系，以通过每一所述回收策略对每一所述电池部件进行对应的回收。
本发明第七实施例提供了一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如上述实施例提供的动力电池包回收方法。
本发明第八实施例提供了一种可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如上述实施例提供的动力电池包回收方法。
综上所述，本发明上述实施例提供的动力电池包回收方法及系统能够大幅提升动力电池包的回收效率，同时提升了用户的使用体验。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种动力电池包回收方法，其特征在于，所述方法包括：
当检测到动力电池包时，将所述动力电池包输入至预设拆解系统中，并通过所述预设拆解系统将所述动力电池包拆分成若干对应的电池部件；
在预设电池数据库中获取到与所述动力电池包对应的出厂电池参数，并基于预设神经网络根据所述出厂参数构建出对应的电池检测模型；
检测出若干所述电池部件分别对应的实际电池参数，并通过所述电池检测模型根据所述实际电池参数计算出每一所述电池部件的衰减率，以根据所述衰减率对若干所述电池部件进行分类回收。
2.根据权利要求1所述的动力电池包回收方法，其特征在于：所述基于预设神经网络根据所述出厂参数构建出对应的电池检测模型的步骤包括：
当获取到所述出厂电池参数时，对所述出厂电池参数进行预处理，并将预处理后的出厂电池参数构建出对应的目标数据集；
基于预设规则将所述目标数据集拆分成对应的验证集以及训练集，以通过所述验证集、所述训练集以及所述预设神经网络构建出所述电池检测模型。
3.根据权利要求2所述的动力电池包回收方法，其特征在于：所述通过所述验证集、所述训练集以及所述预设神经网络构建出所述电池检测模型的步骤包括：
将所述训练集输入至预设CNN网络的解析层中，以通过所述解析层将所述训练集解析成对应的训练代码；
将所述训练代码输入至所述CNN网络的编码层中，以通过所述编码层将所述训练代码转换成对应的训练特征值；
将所述训练特征值输入至所述CNN网络的学习层中，以对应构建出所述电池检测模型。
4.根据权利要求3所述的动力电池包回收方法，其特征在于：所述将所述训练特征值输入至所述CNN网络的学习层中，以对应构建出所述电池检测模型的步骤包括：
通过预设DTW算法对所述训练特征值进行序列化处理，以生成若干对应的特征序列，并提取出若干所述特征序列中包含的特征因子；
将若干所述特征因子对应嵌入至所述学习层的学习网络中，并通过若干所述特征因子将所述学习层中的原始网路参数对应调整为目标网络参数，以基于所述目标网络参数构建出所述电池检测模型。
5.根据权利要求1所述的动力电池包回收方法，其特征在于：所述通过所述电池检测模型根据所述实际电池参数计算出每一所述电池部件的衰减率的步骤包括：
当获取到若干所述电池部件时，逐一检测出与每一所述电池部件分别对应的自然衰减系数，并计算出每一所述电池部件的实际电池参数与所述出厂电池参数之间的目标差值；
根据所述自然衰减系数以及所述目标差值逐一计算出与每一所述电池部件分别对应的衰减率，所述自然衰减系数具有唯一性。
6.根据权利要求1所述的动力电池包回收方法，其特征在于：所述方法还包括：
提取出每一所述衰减率中分别包含的目标衰减值，并将每一所述目标衰减值与预设分类表进行比对，所述预设分类表中包含有若干衰减等级，每一所述衰减等级分别对应以衰减阈值；
逐一根据所述目标衰减值以及所述衰减阈值判断出每一所述电池部件分别对应的目标衰减等级，并根据所述目标衰减等级对若干所述电池部件进行对应的分类回收。
7.根据权利要求6所述的动力电池包回收方法，其特征在于：所述根据所述目标衰减等级对若干所述电池部件进行对应的分类回收的步骤包括：
构建出若干不同的回收策略，并建立每一所述回收策略与每一所述目标衰减等级之间的映射关系，以通过每一所述回收策略对每一所述电池部件进行对应的回收。
8.一种动力电池包回收系统，其特征在于，所述系统包括：
检测模块，用于当检测到动力电池包时，将所述动力电池包输入至预设拆解系统中，并通过所述预设拆解系统将所述动力电池包拆分成若干对应的电池部件；
获取模块，用于在预设电池数据库中获取到与所述动力电池包对应的出厂电池参数，并基于预设神经网络根据所述出厂参数构建出对应的电池检测模型；
计算模块，用于检测出若干所述电池部件分别对应的实际电池参数，并通过所述电池检测模型根据所述实际电池参数计算出每一所述电池部件的衰减率，以根据所述衰减率对若干所述电池部件进行分类回收。
9.一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述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实现如权利要求1至7中任意一项所述的动力电池包回收方法。
10.一种可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至7中任意一项所述的动力电池包回收方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311105194.7A CN117117374A (zh) | 2023-08-30 | 2023-08-30 | 一种动力电池包回收方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311105194.7A CN117117374A (zh) | 2023-08-30 | 2023-08-30 | 一种动力电池包回收方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117117374A true CN117117374A (zh) | 2023-11-24 |
Family
ID=88812483
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311105194.7A Pending CN117117374A (zh) | 2023-08-30 | 2023-08-30 | 一种动力电池包回收方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117117374A (zh) |
-
2023
- 2023-08-30 CN CN202311105194.7A patent/CN117117374A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113240011A (zh) | 一种深度学习驱动的异常识别与修复方法及智能化系统 | |
| CN110726898B (zh) | 一种配电网故障类型识别方法 | |
| CN115891741B (zh) | 一种适用于电动汽车充电过程的远程故障预警方法及装置 | |
| CN116853073B (zh) | 一种新能源电动汽车能量管理方法及系统 | |
| CN116470190B (zh) | 动力电池包加热方法、系统、计算机及可读存储介质 | |
| CN109145940B (zh) | 图像识别方法和装置 | |
| CN117533137A (zh) | 一种电驱动系统故障预警方法及系统 | |
| CN116597258B (zh) | 一种基于多尺度特征融合的矿石分选模型训练方法及系统 | |
| CN110633689B (zh) | 基于半监督注意力网络的人脸识别模型 | |
| CN116609671A (zh) | 电池容量预测方法、装置、设备及存储介质 | |
| CN117554846B (zh) | 计及约束条件的锂电池寿命预测方法及系统 | |
| CN114545279A (zh) | 一种基于神经网络常微分方程的锂电池健康状态估计方法 | |
| CN117117374A (zh) | 一种动力电池包回收方法及系统 | |
| CN109190649B (zh) | 一种深度学习网络模型服务器的优化方法和装置 | |
| CN114462526B (zh) | 一种分类模型训练方法、装置、计算机设备及存储介质 | |
| CN116923100B (zh) | 一种动力电池包修复方法及系统 | |
| CN115408693A (zh) | 一种基于自适应计算时间策略的恶意软件检测方法及系统 | |
| CN113177599A (zh) | 一种基于gan的强化样本生成方法 | |
| CN114398989A (zh) | 集成式通用电动化底盘多目标协同故障诊断方法及系统 | |
| CN117040351B (zh) | 一种驱动电机控制方法及系统 | |
| CN116431135B (zh) | 汽车代码编写方法、系统、计算机及可读存储介质 | |
| CN117207821A (zh) | 一种新能源汽车充电方法及系统 | |
| CN116945907B (zh) | 一种新能源电动汽车里程计算方法及系统 | |
| CN117388716B (zh) | 基于时序数据的电池组故障诊断方法、系统及存储介质 | |
| CN117930704A (zh) | 一种汽车自动驾驶方法及系统 |
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 |