CN117370911A - 一种电池检测方法、装置、存储介质及设备 - Google Patents
一种电池检测方法、装置、存储介质及设备 Download PDFInfo
- Publication number
- CN117370911A CN117370911A CN202311389074.4A CN202311389074A CN117370911A CN 117370911 A CN117370911 A CN 117370911A CN 202311389074 A CN202311389074 A CN 202311389074A CN 117370911 A CN117370911 A CN 117370911A
- Authority
- CN
- China
- Prior art keywords
- cell
- data
- battery
- side voltage
- wolves
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 68
- 238000003860 storage Methods 0.000 title claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 72
- 238000000034 method Methods 0.000 claims abstract description 54
- 241000282461 Canis lupus Species 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 44
- 230000002159 abnormal effect Effects 0.000 claims abstract description 42
- 230000005856 abnormality Effects 0.000 claims abstract description 38
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 14
- 241000282421 Canidae Species 0.000 claims description 40
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims description 22
- 229910052782 aluminium Inorganic materials 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004138 cluster model Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 14
- 238000004519 manufacturing process Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 229910001416 lithium ion Inorganic materials 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000011229 interlayer Substances 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 239000007773 negative electrode material Substances 0.000 description 2
- 239000007774 positive electrode material Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000025962 Crush injury Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009830 intercalation Methods 0.000 description 1
- 230000002687 intercalation Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011020 pilot scale process Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Secondary Cells (AREA)
Abstract
本申请提供一种电池检测方法、装置、存储介质及设备,该方法中,利用中试线电芯的电芯数据作为训练样本,使用改进的灰狼优化算法和基于密度的聚类算法联合训练一个边电压异常检测模型,使得该边电压异常检测模型可以准确判断出电芯的边电压离群情况,这样,通过该边电压异常检测模型对目标批次中各个电芯的电芯数据进行处理,可以挑选出边电压异常,即出现内短路的电芯。如此,有效提升针对内部发生轻微短路的异常电芯的检测准确性和可靠性。
Description
技术领域
本申请涉及电池检测技术领域,具体而言,涉及一种电池检测方法、装置、存储介质及设备。
背景技术
在动力电池生产过程中,存在异物引入或电芯撞伤的可能,这样的电芯的内部会发生轻微短路,若是将其装配到整车中,电芯随时会因为内部短路而发生失效,从而形成极大的安全隐患。因此,将这种内部发生轻微短路的异常电芯挑选出来,是生产过程中的关键步骤。
目前,检测这种异常电芯的方式主要是基于在电池循环过程中监测的边电压变化情况而实现。然而,这一方式的检测灵敏度较低,存在漏检的可能。
发明内容
本申请的目的在于提供一种电池检测方法、装置、存储介质及设备,旨在解决相关技术中针对内部发生轻微短路的异常电芯的检测方式存在的准确度较低,容易漏检的问题。
第一方面,本申请提供的一种电池检测方法,包括:获取目标批次中各个电芯的电芯数据,所述电芯数据包括正极柱对铝壳的边电压、负极柱对铝壳的边电压以及电芯编号;基于训练好的边电压异常检测模型对所述电芯数据进行处理,得到输出结果;所述边电压异常检测模型是基于中试线电芯的电芯数据作为训练样本训练得到的,所述边电压异常检测模型基于改进的灰狼优化算法获取基于密度的聚类算法的参数组合,再基于密度的聚类算法对所述电芯数据进行聚类,得到表征边电压正常的第一类型簇和表征边电压异常的第二类型簇;根据所述输出结果确定所述目标批次中出现内短路的电芯。
在上述实现过程中,利用中试线电芯的电芯数据作为训练样本,使用改进的灰狼优化算法和基于密度的聚类算法联合训练一个边电压异常检测模型,使得该边电压异常检测模型可以准确判断出电芯的边电压离群情况,这样,通过该边电压异常检测模型对目标批次中各个电芯的电芯数据进行处理,可以挑选出边电压异常,即出现内短路的电芯。如此,有效提升针对内部发生轻微短路的异常电芯的检测准确性和可靠性。
进一步地,在一些例子中,所述电芯数据是在将相应电芯的充电电压设置为目标电压值并维持指定时间的情况下采集得到的;所述目标电压值是基于所述电芯的电压与膨胀力之间的对应关系确定的,当所述电芯处于所述目标电压值时,所述电芯的膨胀力最大。
在上述实现过程中,在收集电芯数据时,将各个电芯的充电电压设置为其膨胀力最大点对应的电压值,然后停留指定时间,以此进行边电压在线检测,从而使得收集到的电芯数据更为准确有效,进而能够提升内短路异常检测的准确性。
进一步地,在一些例子中,所述训练样本基于以下方式获取得到:采集中试线电芯的产品数据,通过大数据平台从所述产品数据中提取出电芯数据;将所述中试线电芯的电芯数据中负荷异常数据的间断点和噪声点去除,得到训练样本。
在上述实现过程中,对采集到的中试线电芯的产品数据进行特征提取,并去除负荷异常数据的间断点和噪声点,从而得到可靠的训练数据。
进一步地,在一些例子中,所述基于改进的灰狼优化算法获取基于密度的聚类算法的参数组合,包括:随机产生灰狼种群,所述灰狼种群中每只灰狼的个体位置向量代表一个潜在的解,所述个体位置向量由基于密度的聚类算法的参数组合组成;通过适应度函数计算每只灰狼在当前个体位置上的适应度,根据计算得到的适应度将所述灰狼种群分级为α狼、β狼、δ狼和ω狼;迭代执行以下步骤,直至迭代次数达到预设的最大迭代次数:将适应度最好的α狼、β狼和δ狼的个体位置保留,并更新其余灰狼的个体位置;重新计算每只灰狼在个体位置上的适应度,将适应度最好的灰狼的个体位置向量确定为当前最优解;根据重新计算得到的适应度,执行差分进化操作。
在上述实现过程中,提供一种基于IGWO算法优化DBSCAN算法的参数组合的具体方式。
进一步地,在一些例子中,所述训练样本还包括所述中试线电芯的类型标签;所述适应度函数表示为以下公式:
其中,Fitness为适应度函数;N为训练样本的样本总个数;yvalid为样本的真实值,所述真实值基于所述样本的类型标签确定;为经过训练的聚类模型的预测值,所述聚类模型是由训练样本以及超参数训练而成,所述超参数基于每只灰狼的个体位置向量确定。
在上述实现过程中,提供一种适应度函数。
进一步地,在一些例子中,所述基于改进的灰狼优化算法获取基于密度的聚类算法的参数组合,还包括:将迭代结束时的当前最优解确定为基于密度的聚类算法的参数组合,得到训练好的聚类模型;使用所述聚类模型对测试集进行聚类,并计算聚类结果对应的轮廓系数;根据所述轮廓系数评估所述聚类模型的聚类性能。
在上述实现过程中,将轮廓系数作为聚类结果评价指标,有效提升聚类效果,从而提升最终确定的边电压异常检测模型的预测准确性。
进一步地,在一些例子中,所述根据所述输出结果确定所述目标批次中出现内短路的电芯,包括:将所述第一类型簇的离群点对应的电芯,以及所述第二类型簇对应的电芯,确定为所述目标批次中出现内短路的电芯。
在上述实现过程中,将第一类型簇的离群点和第二类型簇均认为是目标批次中的边电压异常点,以此确定出发生内短路的异常电芯,如此,提升对异常电池检测的准确性和可靠性。
第二方面,本申请提供的一种电池检测装置,包括:获取模块,用于获取目标批次中各个电芯的电芯数据,所述电芯数据包括正极柱对铝壳的边电压、负极柱对铝壳的边电压以及电芯编号;处理模块,用于基于训练好的边电压异常检测模型对所述电芯数据进行处理,得到输出结果;所述边电压异常检测模型是基于中试线电芯的电芯数据作为训练样本训练得到的,所述边电压异常检测模型基于改进的灰狼优化算法获取基于密度的聚类算法的参数组合,再基于密度的聚类算法对所述电芯数据进行聚类,得到表征边电压正常的第一类型簇和表征边电压异常的第二类型簇;确定模块,用于根据所述输出结果确定所述目标批次中出现内短路的电芯。
第三方面,本申请提供的一种电子设备,包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面任一项所述的方法的步骤。
第四方面,本申请提供的一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,使得所述计算机执行如第一方面任一项所述的方法。
第五方面,本申请提供的一种计算机程序产品,所述计算机程序产品在计算机上运行时,使得计算机执行如第一方面任一项所述的方法。
本申请公开的其他特征和优点将在随后的说明书中阐述,或者,部分特征和优点可以从说明书推知或毫无疑义地确定,或者通过实施本申请公开的上述技术即可得知。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种电池检测方法的流程图;
图2为本申请实施例提供的一种基于DBSCAN聚类的边电压异常检测方案的工作流程的示意图;
图3为本申请实施例提供的电芯的充电电压和膨胀力、dQ/dV的关系的示意图;
图4为本申请实施例提供的DBSCAN聚类算法的迭代优化结果的示意图;
图5为本申请实施例提供的DBSCAN聚类模型的输出结果的示意图;
图6为本申请实施例提供的一种电池检测装置的框图;
图7为本申请实施例提供的一种电子设备的结构框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
如背景技术记载,相关技术中针对内部发生轻微短路的异常电芯的检测方式存在着准确度较低,容易漏检的问题。基于此,本申请实施例提供一种电池检测方案,以解决上述问题。
接下来对本申请实施例进行介绍:
如图1所示,图1是本申请实施例提供的一种电池检测方法的流程图。
所述方法包括:
步骤101、获取目标批次中各个电芯的电芯数据,所述电芯数据包括正极柱对铝壳的边电压、负极柱对铝壳的边电压以及电芯编号;
本步骤中提到的目标批次可以是锂离子电池量产线上的任意批次,其可以由包括多个电芯。这些电芯的电芯数据中,正极柱对铝壳的边电压即是指电芯的正极与铝壳之间的电压,相应地,负极柱对铝壳的边电压即是指电芯的负极与铝壳之间的电压,这两种边电压数据可以是通过边电压检测装置检测得到的。另外,电芯数据还包括电芯编号,这里的电芯编号可以是表示电芯型号、生产日期、序列号等信息的编码,其可以认为是电芯的身份的标识。
导致锂离子电池膨胀的原因主要有两个方面,一是由于正负极材料的结构变化引起的可逆形变,正极材料脱锂后层间距变小,负极材料嵌锂后层间距增大。二是由于锂离子电池内部产生气体及SEI膜的增长引起的不可逆形变。锂离子电池在充放电循环中会伴随着不同程度的产气膨胀,其主要来源于电解液的分解产气。电芯膨胀后,电芯极片、隔膜更容易和异物接触穿刺,从而形成内短路,并且极片膨胀后,如极片间Overhang(阴极极片长度和宽度方向多出阳极极片之外的部分)不足,将会加剧其特征显示。因此,在一些实施例中,本步骤中提到的电芯数据可以是在将相应的充电电压设置为目标电压值并维持指定时间的情况下采集得到的;所述目标电压值是基于所述电芯的电压与膨胀力之间的对应关系确定的,当所述电芯处于所述目标电压值时,所述电芯的膨胀力最大。也就是说,在实现时,可以先利用充电电压和膨胀力的关系,确定电芯膨胀变形量最大时对应的电压值,同时结合电芯膨胀异物刺穿隔膜的失效试验,确定电芯停留在其膨胀变形最大点的时间,这样,在收集电芯数据时,将各个电芯的充电电压设置为其膨胀力最大点对应的电压值,然后停留相应时间,以此进行边电压在线检测,从而使得收集到的电芯数据更为准确有效,进而能够提升内短路异常检测的准确性。
步骤102、基于训练好的边电压异常检测模型对所述电芯数据进行处理,得到输出结果;所述边电压异常检测模型是基于中试线电芯的电芯数据作为训练样本训练得到的,所述边电压异常检测模型基于改进的灰狼优化算法获取基于密度的聚类算法的参数组合,再基于密度的聚类算法对所述电芯数据进行聚类,得到表征边电压正常的第一类型簇和表征边电压异常的第二类型簇;
本实施例方案中,为了实现边电压异常检测,采用改进的灰狼优化算法(ImprovedGrey Wolf Optimization,IGWO)和基于密度的聚类算法(Density-Based SpatialClustering of Applications with Noise,DBSCAN)联合训练一个边电压异常检测模型,以中试线电芯的电芯数据作为训练样本输入,表征边电压正常的第一类型簇和表征边电压异常的第二类型簇作为输出,这样,训练好的边电压异常检测模型可以准确判断出电芯的边电压离群情况。
具体地,本步骤中提到的训练样本可以是基于以下方式获取得到:采集中试线电芯的产品数据,通过大数据平台从所述产品数据中提取出电芯数据;将所述中试线电芯的电芯数据中负荷异常数据的间断点和噪声点去除,得到训练样本。也就是说,在获取训练样本时,可以先从中试线电芯中采集产品数据,包括测试时间、生产线类别、电芯编号、边电压等,再将采集到的产品数据通过物联网技术上传至大数据平台,由大数据平台对其进行预处理,以提取电芯编号、正极柱对铝壳的边电压、负极柱对铝壳的边电压这三种数据特征,之后,针对提取到的数据特征,去除负荷异常数据中的间断点和噪声点,从而得到可靠的数据集作为训练样本。其中,中试线电芯包括正常电芯和内部发生短路的异常电芯,而负荷异常数据就是中试线电芯中的异常电芯的电芯数据。针对负荷异常数据的间断点,可以采用拉格朗日插值法进行去除,而针对负荷异常数据的噪声点,可以采用改进小波阈值去噪算法进行去除,具体的去除过程可以参见相关技术中对相应技术的介绍,本申请在此不作赘述。
DBSCAN算法是一种典型的基于密度的聚类算法,它将簇定义为密度相连的点的最大集合,能够把具有足够高密度的区域划分为簇,并可在噪声的空间数据库中发现任意形状的聚类。DBSCAN算法的参数组合包括扫描半径(Eps)和最小包含点数(MinPts)。本实施例方案中,利用DBSCAN算法,可以从电芯数据中及时发现数据异常点,从而实现对负荷异常数据的聚类。并且,本实施例方案利用IGWO算法来优化DBSCAN算法的参数选择。灰狼优化算法(Grey Wolf Optimization,GWO)是一种模拟狼群狩猎行为的群体智能优化算法,而IGWO算法在传统的GWO算法的基础上,增加了基于维度学习的狩猎(DLH)搜索策略,DLH使用不同的方法为每只狼构建一个邻域,在这个邻域中狼之间可以共享邻域信息,通过该搜索策略,可以增加局部搜索和全局搜索之间的平衡,并保持多样性。因此,基于IGWO算法自动寻参,自动优化DBSCAN算法的参数组合,即扫描半径和最小包含点数,可以提升聚类效果。
在一些实施例中,本步骤中提到的基于改进的灰狼优化算法获取基于密度的聚类算法的参数组合,包括:随机产生灰狼种群,所述灰狼种群中每只灰狼的个体位置向量由基于密度的聚类算法的参数组合组成,代表一个潜在的解;通过适应度函数计算每只灰狼在当前个体位置上的适应度,根据计算得到的适应度将所述灰狼种群分级为α狼、β狼、δ狼和ω狼;迭代执行以下步骤,直至迭代次数达到预设的最大迭代次数:将适应度最好的α狼、β狼和δ狼的个体位置保留,并更新其余灰狼的个体位置;重新计算每只灰狼在个体位置上的适应度,将适应度最好的灰狼的个体位置向量确定为当前最优解;根据重新计算得到的适应度,执行差分进化操作。
也就是说,在利用IGWO算法寻找DBSCAN算法的最优参数时,模型先初始化狼群,随机产生n只灰狼个体,为了减少运算次数,这里的n一般设置为5至10的整数,每只灰狼的个体位置向量由DBSCAN的参数Eps和MinPts的潜在解组成;之后,模型使用适应度函数评估每只灰狼的位置,再根据适应度值大小对狼群进行分级,这里的适应度函数是用于评估DBSCAN算法的聚类性能,即能够度量聚类的紧密度和分离度的函数;然后,模型执行狩猎行为操作,将适应度最好的α狼、β狼和δ狼的个体位置保留,对其余的灰狼位置进行更新,并依据重新计算的适应度执行差分进化操作,即选择种群父代个体进行差分进化操作,经过变异、交叉和选择选取优秀灰狼个体进入下一代种群,这样,灰狼种群通过迭代过程不断更新位置,逐渐逼近猎物,当迭代次数达到预设的最大迭代次数时,迭代结束,完成对猎物,即最优解的捕食,此时的最优解即为DBSCAN算法的最优参数。
进一步地,在一些实施例中,本步骤中提到的训练样本还包括所述中试线电芯的类型标签;则前面提到的适应度函数可以表示为以下公式:
其中,Fitness为适应度函数;N为训练样本的样本总个数;yvalid为样本的真实值,该真实值基于样本的类型标签确定;为经过训练的聚类模型的预测值,该聚类模型是由训练样本以及超参数训练而成,该超参数基于每只灰狼的个体位置向量确定。也就是说,根据每只灰狼的个体位置向量在训练样本上进行训练,得到相应的DBSCAN模型,将DBSCAN模型的预测值与样本的真实值之间的差值的绝对值的平均值,即DBSCAN模型的平均绝对误差来作为适应度函数,此时适应度值越小,表明灰狼个体位置的适应度越好,如此,能够有效提升算法的收敛速度以及寻优效率。
进一步地,本步骤中提到的基于改进的灰狼优化算法获取基于密度的聚类算法的参数组合还可以包括:将迭代结束时的当前最优解确定为基于密度的聚类算法的参数组合,得到训练好的聚类模型;使用所述聚类模型对测试集进行聚类,并计算聚类结果对应的轮廓系数;根据所述轮廓系数评估所述聚类模型的聚类性能。也就是说,在通过IGWO算法优化DBSCAN算法的参数组合后,可以通过测试集进行模型验证,以轮廓系数作为聚类结果评价指标,以确定模型的预测结果的好坏。轮廓系数是聚类效果好坏的一种评价方式,一般来说,轮廓系数取值范围为[-1,1],取值越接近1则说明聚类性能越好,相反,取值越接近-1则说明聚类性能越差。轮廓系数的计算公式可以表示为:
其中,s(i)为第i个样本的轮廓系数;a(i)为第i个样本到同簇其他样本的平均距离;b(i)为第i个样本到其它簇的平均距离。通过将轮廓系数作为适应度函数的衡量指标,可以有效提升聚类效果,从而提升最终确定的边电压异常检测模型的预测准确性。
本实施例方案中,使用训练好的边电压异常检测模型对量产线的电芯边电压进行聚类离群分析,可以得到包括第一类型簇和第二类型簇的输出结果。此时的第一类型簇可以认为是由边电压正常的电芯组成,而第二类型簇可以认为是由边电压异常的电芯组成。
步骤103、根据所述输出结果确定所述目标批次中出现内短路的电芯。
在得到边电压异常检测模型的输出结果后,可以从中确定发生内短路的电芯,并将这些异常电芯进行隔离处理,减少因将异常电芯装配到整车上而引发的安全隐患。
在一些实施例中,本步骤可以包括:将所述第一类型簇的离群点对应的电芯,以及所述第二类型簇对应的电芯,确定为所述目标批次中出现内短路的电芯。也就是说,将第一类型簇的离群点和第二类型簇均认为是目标批次中的边电压异常点,根据这些边电压异常点的电芯编号,确定出发生内短路的异常电芯。如此,提升对异常电池检测的准确性和可靠性。
本申请实施例,利用中试线电芯的电芯数据作为训练样本,使用改进的灰狼优化算法和基于密度的聚类算法联合训练一个边电压异常检测模型,使得该边电压异常检测模型可以准确判断出电芯的边电压离群情况,这样,通过该边电压异常检测模型对目标批次中各个电芯的电芯数据进行处理,可以挑选出边电压异常,即出现内短路的电芯。如此,有效提升针对内部发生轻微短路的异常电芯的检测准确性和可靠性。
为了对本申请的方案做更为详细的说明,接下来介绍一具体实施例:
本实施例提供一种基于DBSCAN聚类的边电压异常检测方案。本实施例方案的工作流程如图2所示,包括数据准备阶段、参数寻优阶段、模型聚类阶段、模型应用阶段,其中:
该数据准备阶段包括:
S201、采集中试线电芯的产品数据,包括测试时间、生产线类别、电芯编码、正极柱对铝壳的边电压、负极柱对铝壳的边电压等,通过物联网技术上传至大数据平台;
其中,在采集电芯的边电压时,先利用充电电压和膨胀力的关系,确定电芯在膨胀变形量最大时对应的电压,及其停留时间,以此来检测电芯的边电压。如图3所示,图3是本申请实施例提供的一种电芯的充电电压和膨胀力、dQ/dV的关系的示意图,其中,曲线31是表征充电电压和dQ/dV之间的对应关系的曲线,曲线32是表征充电电压和膨胀力之间的对应关系的曲线,由图3可知,当电芯的电压处于4.06V时,电芯的膨化力最大,其膨胀变形量也最大,因此,结合电芯膨胀异物刺穿隔膜的失效试验,设置电芯停留在其膨胀变形最大点的时间为1min-30min,从而采集到更为准确反映电芯状况的边电压数据;
S202、通过大数据平台对产品数据进行预处理,提取电芯编码、正极柱对铝壳的边电压、负极柱对铝壳的边电压这三种数据特征,得到中试线电芯的电芯数据;
S203、采用拉格朗日插值法去除电芯数据中负荷异常数据的间断点;
S204、采用改进小波阈值去噪算法去除负荷异常数据中的噪声点;
S205、对经过S203和S204处理后得到的可靠数据集按80%:20%的比例划分为训练集和测试集;
该参数寻优阶段中,利用IGWO算法寻找DBSCAN算法的参数,即扫描半径Eps以及最小包含点数MinPts的最优解,这一过程包括:
S206、参数初始化;
S207、随机产生灰狼种群,每只狼个体位置向量由DBSCAN聚类模型所需的参数种群数和种群的最大迭代次数组成;
S208、根据灰狼的位置信息进行学习,并计算每只灰狼的适应度;
S209、根据适应度值对狼群进行分级,并对狼群个体位置进行更新;
S210、重新计算灰狼个体在新位置上的适应度,并与上次迭代过程中的最优适应度值进行比较;
S211、进行差分进化操作,经过变异、交叉和选择后选取优秀个体作为下一代;
S212、判断是否满足算法结束条件,即迭代次数是否大于预设的最大迭代次数,是则进入模型聚类阶段,否则返回S209。
该模型聚类阶段,根据参数寻优阶段得到的最优参数,构建DBSCAN聚类模型,以训练集为输入,负荷异常的类型簇为输出,并进行大数据库训练,训练好的模型可以判断出某电芯的边电压离群情况;并且,使用训练好的聚类模型对测试集进行聚类,以轮廓系数作为聚类结果评价指标,实现模型更新及验证,从而得到DBSCAN聚类模型的最优模型;
其中,在本实施例方案的一个场景中,种群数设置为5,最大迭代次数设置为10,DBSCAN聚类算法的迭代优化结果如图4所示,其横坐标为迭代次数,纵坐标为轮廓系数,从第1次到第10次,适应度值均为1,聚类轮廓系数最优解为0.98688,由此可知,最终得到的DBSCAN聚类模型的聚类效果较好;
该模型应用阶段中,对量产线的电芯执行S201至S204的相应操作,得到量产线的电芯数据,使用训练好的DBSCAN聚类模型对其进行聚类离群分析,从而确定边电压异常的电芯,即发生内短路的异常电芯;
其中,在本实施例方案的一个场景中,DBSCAN聚类模型的输出结果如图5所示,该输出结果指示将输入的电芯数据分为两种类别,类别1共有2个点数,类别2共有1965个点数,该类别2中离群点为28点,因此,本次批次的边电压异常点有30点,需要隔离处理。
本实施例方案,不仅解决现有仅进行简单充放电循环而导致的局限性较大缺陷,而且还能够利用大数据技术,减少人工标定所带来时间成本增加,时效性差、跟不上新能源技术迭代发展等弊端。基于本实施例方案,可以有效检测出故障电芯,检测准确度较高。
与前述方法的实施例相对应,本申请还提供电池检测装置及其应用的终端的实施例:
如图6所示,图6是本申请实施例提供的一种电池检测装置的框图,所述装置包括:
获取模块61,用于获取目标批次中各个电芯的电芯数据,所述电芯数据包括正极柱对铝壳的边电压、负极柱对铝壳的边电压以及电芯编号;
处理模块62,用于基于训练好的边电压异常检测模型对所述电芯数据进行处理,得到输出结果;所述边电压异常检测模型是基于中试线电芯的电芯数据作为训练样本训练得到的,所述边电压异常检测模型基于改进的灰狼优化算法获取基于密度的聚类算法的参数组合,再基于密度的聚类算法对所述电芯数据进行聚类,得到表征边电压正常的第一类型簇和表征边电压异常的第二类型簇;
确定模块63,用于根据所述输出结果确定所述目标批次中出现内短路的电芯。
上述装置中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
本申请还提供一种电子设备,请参见图7,图7为本申请实施例提供的一种电子设备的结构框图。电子设备可以包括处理器710、通信接口720、存储器730和至少一个通信总线740。其中,通信总线740用于实现这些组件直接的连接通信。其中,本申请实施例中电子设备的通信接口720用于与其他节点设备进行信令或数据的通信。处理器710可以是一种集成电路芯片,具有信号的处理能力。
上述的处理器710可以是通用处理器,包括中央处理器(CPU,Central ProcessingUnit)、网络处理器(NP,Network Processor)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器710也可以是任何常规的处理器等。
存储器730可以是,但不限于,随机存取存储器(RAM,Random Access Memory),只读存储器(ROM,Read Only Memory),可编程只读存储器(PROM,Programmable Read-OnlyMemory),可擦除只读存储器(EPROM,Erasable Programmable Read-Only Memory),电可擦除只读存储器(EEPROM,Electric Erasable Programmable Read-Only Memory)等。存储器730中存储有计算机可读取指令,当所述计算机可读取指令由所述处理器710执行时,电子设备可以执行上述图1方法实施例涉及的各个步骤。
可选地,电子设备还可以包括存储控制器、输入输出单元。
所述存储器730、存储控制器、处理器710、外设接口、输入输出单元各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通信总线740实现电性连接。所述处理器710用于执行存储器730中存储的可执行模块,例如电子设备包括的软件功能模块或计算机程序。
输入输出单元用于提供给用户创建任务以及为该任务创建启动可选时段或预设执行时间以实现用户与服务器的交互。所述输入输出单元可以是,但不限于,鼠标和键盘等。
可以理解,图7所示的结构仅为示意,所述电子设备还可包括比图7中所示更多或者更少的组件,或者具有与图7所示不同的配置。图7中所示的各组件可以采用硬件、软件或其组合实现。
本申请实施例还提供一种存储介质,所述存储介质上存储有指令,当所述指令在计算机上运行时,所述计算机程序被处理器执行时实现方法实施例所述的方法,为避免重复,此处不再赘述。
本申请还提供一种计算机程序产品,所述计算机程序产品在计算机上运行时,使得计算机执行方法实施例所述的方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种电池检测方法,其特征在于,包括:
获取目标批次中各个电芯的电芯数据,所述电芯数据包括正极柱对铝壳的边电压、负极柱对铝壳的边电压以及电芯编号;
基于训练好的边电压异常检测模型对所述电芯数据进行处理,得到输出结果;所述边电压异常检测模型是基于中试线电芯的电芯数据作为训练样本训练得到的,所述边电压异常检测模型基于改进的灰狼优化算法获取基于密度的聚类算法的参数组合,再基于密度的聚类算法对所述电芯数据进行聚类,得到表征边电压正常的第一类型簇和表征边电压异常的第二类型簇;
根据所述输出结果确定所述目标批次中出现内短路的电芯。
2.根据权利要求1所述的方法,其特征在于,所述电芯数据是在将相应电芯的充电电压设置为目标电压值并维持指定时间的情况下采集得到的;所述目标电压值是基于所述电芯的电压与膨胀力之间的对应关系确定的,当所述电芯处于所述目标电压值时,所述电芯的膨胀力最大。
3.根据权利要求1所述的方法,其特征在于,所述训练样本基于以下方式获取得到:
采集中试线电芯的产品数据,通过大数据平台从所述产品数据中提取出电芯数据;
将所述中试线电芯的电芯数据中负荷异常数据的间断点和噪声点去除,得到训练样本。
4.根据权利要求1所述的方法,其特征在于,所述基于改进的灰狼优化算法获取基于密度的聚类算法的参数组合,包括:
随机产生灰狼种群,所述灰狼种群中每只灰狼的个体位置向量代表一个潜在的解,所述个体位置向量由基于密度的聚类算法的参数组合组成;
通过适应度函数计算每只灰狼在当前个体位置上的适应度,根据计算得到的适应度将所述灰狼种群分级为α狼、β狼、δ狼和ω狼;
迭代执行以下步骤,直至迭代次数达到预设的最大迭代次数:
将适应度最好的α狼、β狼和δ狼的个体位置保留,并更新其余灰狼的个体位置;
重新计算每只灰狼在个体位置上的适应度,将适应度最好的灰狼的个体位置向量确定为当前最优解;
根据重新计算得到的适应度,执行差分进化操作。
5.根据权利要求4所述的方法,其特征在于,所述训练样本还包括所述中试线电芯的类型标签;所述适应度函数表示为以下公式:
其中,Fitness为适应度函数;N为训练样本的样本总个数;yvalid为样本的真实值,所述真实值基于所述样本的类型标签确定;为经过训练的聚类模型的预测值,所述聚类模型是由训练样本以及超参数训练而成,所述超参数基于每只灰狼的个体位置向量确定。
6.根据权利要求5所述的方法,其特征在于,所述基于改进的灰狼优化算法获取基于密度的聚类算法的参数组合,还包括:
将迭代结束时的当前最优解确定为基于密度的聚类算法的参数组合,得到训练好的聚类模型;
使用所述聚类模型对测试集进行聚类,并计算聚类结果对应的轮廓系数;
根据所述轮廓系数评估所述聚类模型的聚类性能。
7.根据权利要求1所述的方法,其特征在于,所述根据所述输出结果确定所述目标批次中出现内短路的电芯,包括:
将所述第一类型簇的离群点对应的电芯,以及所述第二类型簇对应的电芯,确定为所述目标批次中出现内短路的电芯。
8.一种电池检测装置,其特征在于,包括:
获取模块,用于获取目标批次中各个电芯的电芯数据,所述电芯数据包括正极柱对铝壳的边电压、负极柱对铝壳的边电压以及电芯编号;
处理模块,用于基于训练好的边电压异常检测模型对所述电芯数据进行处理,得到输出结果;所述边电压异常检测模型是基于中试线电芯的电芯数据作为训练样本训练得到的,所述边电压异常检测模型基于改进的灰狼优化算法获取基于密度的聚类算法的参数组合,再基于密度的聚类算法对所述电芯数据进行聚类,得到表征边电压正常的第一类型簇和表征边电压异常的第二类型簇;
确定模块,用于根据所述输出结果确定所述目标批次中出现内短路的电芯。
9.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
10.一种电子设备,其特征在于,包括处理器、存储器及存储在存储器上并可在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权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311389074.4A CN117370911A (zh) | 2023-10-24 | 2023-10-24 | 一种电池检测方法、装置、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311389074.4A CN117370911A (zh) | 2023-10-24 | 2023-10-24 | 一种电池检测方法、装置、存储介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117370911A true CN117370911A (zh) | 2024-01-09 |
Family
ID=89390673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311389074.4A Pending CN117370911A (zh) | 2023-10-24 | 2023-10-24 | 一种电池检测方法、装置、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117370911A (zh) |
-
2023
- 2023-10-24 CN CN202311389074.4A patent/CN117370911A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Life prediction of lithium-ion batteries based on stacked denoising autoencoders | |
CN112858919A (zh) | 一种基于聚类分析的电池系统在线故障诊断方法和系统 | |
CN111965476B (zh) | 一种基于图卷积神经网络的低电压诊断方法 | |
Kim et al. | Impedance-based capacity estimation for lithium-ion batteries using generative adversarial network | |
CN112816881B (zh) | 电池压差异常检测方法、装置及计算机存储介质 | |
CN112966879A (zh) | 环境试验箱故障预测方法、装置、计算机设备及存储介质 | |
CN111257753B (zh) | 一种电池系统故障诊断方法 | |
CN112098850A (zh) | 基于sdo算法的锂离子电池电压故障诊断方法及系统 | |
CN111983474A (zh) | 一种基于容量衰退模型的锂离子电池寿命预测方法和系统 | |
CN116167010B (zh) | 具有智能迁移学习能力的电力系统异常事件快速识别方法 | |
CN116449218B (zh) | 一种锂电池健康状态的估计方法 | |
Luo et al. | A simple feature extraction method for estimating the whole life cycle state of health of lithium-ion batteries using transformer-based neural network | |
CN111967535A (zh) | 一种储粮管理场景温度传感器故障诊断方法及其诊断装置 | |
CN117261599B (zh) | 电动汽车的故障检测方法、装置、电子设备及电动汽车 | |
CN117067921B (zh) | 电动汽车的故障检测方法及电动汽车 | |
Shuai et al. | Intelligent diagnosis of abnormal charging for electric bicycles based on improved dynamic time warping | |
Yao et al. | An intelligent fault diagnosis method for lithium-ion battery pack based on empirical mode decomposition and convolutional neural network | |
CN117067920B (zh) | 动力电池的故障检测方法、装置、电子设备及电动汽车 | |
CN114460481A (zh) | 基于Bi-LSTM和注意力机制的储能电池热失控预警方法 | |
CN113391214A (zh) | 一种基于电池充电电压排名变化的电池微故障诊断方法 | |
Hatherall et al. | Remaining discharge energy estimation for lithium-ion batteries using pattern recognition and power prediction | |
Li et al. | State-of-health estimation method for fast-charging lithium-ion batteries based on stacking ensemble sparse Gaussian process regression | |
CN117269742A (zh) | 一种高海拔环境下断路器健康状态评估方法、装置及介质 | |
Li et al. | Multi-dimension statistical analysis and selection of safety-representing features for battery pack in real-world electric vehicles | |
CN117370911A (zh) | 一种电池检测方法、装置、存储介质及设备 |
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 |