CN117413195A - 异常电芯的识别方法、装置、电子设备及存储介质 - Google Patents
异常电芯的识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117413195A CN117413195A CN202280038800.5A CN202280038800A CN117413195A CN 117413195 A CN117413195 A CN 117413195A CN 202280038800 A CN202280038800 A CN 202280038800A CN 117413195 A CN117413195 A CN 117413195A
- Authority
- CN
- China
- Prior art keywords
- battery cell
- abnormal
- cell
- value
- target
- 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 290
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 276
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 247
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 238
- 230000008859 change Effects 0.000 claims description 66
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 60
- 239000003792 electrolyte Substances 0.000 claims description 58
- 230000015556 catabolic process Effects 0.000 abstract description 4
- 238000006731 degradation reaction Methods 0.000 abstract description 4
- 238000009776 industrial production Methods 0.000 abstract description 4
- 206010014418 Electrolyte imbalance Diseases 0.000 description 38
- 230000005856 abnormality Effects 0.000 description 22
- 230000000694 effects Effects 0.000 description 14
- 238000004519 manufacturing process Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 239000000243 solution Substances 0.000 description 11
- 238000002347 injection Methods 0.000 description 9
- 239000007924 injection Substances 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 7
- 229910001416 lithium ion Inorganic materials 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 239000012528 membrane Substances 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 6
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 5
- 238000013145 classification model Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000013102 re-test Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 229910052744 lithium Inorganic materials 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000011149 active material Substances 0.000 description 2
- 238000001311 chemical methods and process Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000000178 monomer Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 239000012159 carrier gas Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000009658 destructive testing Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 229910001873 dinitrogen Inorganic materials 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000007773 negative electrode material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 239000007774 positive electrode material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Classifications
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/3865—Arrangements for measuring battery or accumulator variables related to manufacture, e.g. testing after manufacture
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R27/00—Arrangements for measuring resistance, reactance, impedance, or electric characteristics derived therefrom
- G01R27/02—Measuring real or complex resistance, reactance, impedance, or other two-pole characteristics derived therefrom, e.g. time constant
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Fuel Cell (AREA)
Abstract
本申请提供了一种异常电芯的识别方法、装置、电子设备及存储介质,方法包括:基于电芯的目标特征数据,确定电芯是否为异常电芯;其中:目标特征数据包括:化成过程中所产生的,可以区分异常电芯与正常电芯的特征数据。这样,一方面由于异常电芯和正常电芯,在电芯的化成过程中,在目标特征数据上会具有明显的区别,从而可以据此实现对于电芯是否为异常电芯的准确判断;另一方面,由于在工业生产流程中,电芯化成过程必然是发生在将电芯装载成电池组的过程之前的,因此也可以实现在电芯装载前识别出异常电芯,降低了因异常电芯的装载造成的电池系统性能下降以及电池组报废的风险。
Description
本申请涉及电池领域,具体涉及一种异常电芯的识别方法、装置、电子设备及存储介质。
锂离子电池的化成是电池生产的关键步骤,化成的结果直接影响电池的循环寿命,倍率性能、高低温性能等。在电池生产过程中如果发生了异常(包括但不限于电解液注液错误、电解液混用、含水量超标等情况),这些问题将会导致电池出现诸如析锂、低容、SEI膜的质量低下等问题,影响电池的循环性能、安全性能。且这些异常电池的装载将会影响电池系统的性能,且随着电池系统的集成度越来越高,异常电芯的拆除难度极大,异常电芯的装载将会导致电池整包的报废。因此,需要在电芯装载前,识别出异常电芯。
发明内容
本申请实施例的目的在于提供一种异常电芯的识别方法、装置、电子设备及存储介质,用以实现在电芯装载前,识别出异常电芯。
第一方面,本申请实施例提供了一种异常电芯的识别方法,包括:基于电芯的目标特征数据,确定电芯是否为异常电芯;其中:目标特征数据包括:化成过程中所产生的,可以区分异常电芯与正常电芯的特征数据。
本申请实施例的技术方案中,基于电芯在化成过程中所产生的,可以区分异常电芯与正常电芯的目标特征数据来进行分析,确定出电芯是否为异常电芯。这样,一方面由于异常电芯与未发生异常的正常电芯相比,在电芯的化成过程中,在目标特征数据上会具有明显的区别,从而可以据此实现对于电芯是否为异常电芯的准确判断,实现对于异常电芯的可靠识别。另一方面,由于在工业生产流程中,电芯化成过程必然是发生在将电芯装载成电池组的过程之前,因此通过本申请实施例的技术方案,也可以有效达到在电芯装载前识别出异常电芯的目的,降低了因异常电芯的装载造成的电池系统性能下降的风险,以及降低了因异常电芯的装载导致的电池组报废的风险。
在一些实施例中,目标特征数据包括:化成过程中所产生的受电芯中电解液影响的特征数据。
本申请实施例的技术方案中,通过电芯化成过程中所产生的受电芯中电解液影响的目标特征数据,可以基于目标特征数据实现对于电芯内是否发生了电解液异常的准确判断,从而达到对于发生了电解液异常的异常电芯的可靠识别。且目前对于发生了电解液异常的异常电芯的识别方式主要有以下两种:
方式一:通过检测电芯内电解液的电阻率,并将检测到的电阻率与该电解液的标准电阻率进行匹配。若匹配失败,则确定电芯内电解液存在异常。但是,对于成分类似的电解液,其所对应的标准电阻率也很相似,该方式对于成分类似的电解液检测效果很差,甚至无法进行检测。
方式二:对电芯进行拆解,取电解液样本进行成分分析,识别出电芯内电解液是否存在异常。但是,该方式需要的分析时间长,分析速度慢无法满足生产需求,且需要对电芯进行拆解取样,无法对每个电芯内的电解液都进行分析。
可见,本申请实施例的技术方案相对于方式一而言,不受电解液本身的成分的影响,即使对于成分类似的电解液,也可以通过化成过程中所产生的目标特征数据,实现可靠识别。而相对于方式二而言,本申请实施例的检测方式不需要对电芯进行拆解,分析效率高,分析速度可以满足生产需求,可以对每个电芯都进行识别,可靠性更高。
在一些实施例中,目标特征数据包括:化成过程中所产生的受电芯中含水量影响的特征数据。
本申请实施例的技术方案中,通过电芯化成过程中所产生的受电芯中含水量影响的目标特征数据,可以基于目标特征数据实现对于电芯内是否发生了含水量异常的准确判断,从而达到对于发生了含水量异常的异常电芯的可靠识别。
而目前对于发生了含水量异常的异常电芯的识别方式主要是:在电池实际生产中会使用较长的时间对电芯进行高温静置,之后选取部分电芯作为样本电芯,截取样本电芯的极卷内部的极片,使用阶梯式升温方法进行烘烤,并利用高纯氮气作为载气将挥发物质载入水分测试系统进行测试,确定出样本电芯的含水量。该方式属于破坏性测试,测试后样本电芯被破坏而无法使用,因此无法对所有电芯进行测试。而样本电芯的测试结果并不能代表每一个电芯的实际含水量,比如样本电芯的测试结果为合格,但是受每个电芯的实际生产情况的影响,仍旧可能存在个别电芯的实际含水量超标的情况。因此,现有方式存在识别可靠性不高的问题,不满足目前对电芯进行监控和管理的要求。而采用本申请实施例的技术方案,则可以基于每一个电芯在化成过程中所产生的受电芯中含水量影响的目标特征数据进行识别,不会对电芯进行破坏,因此可以对所有电芯进行测试,得到每一个电芯分别对应的识别结果,识别可靠性更高,可以满足目前对电芯进行监控和管理的要求。
在一些实施例中,在化成过程的第一阶段采集参数的过程中,参数变化首次达到第一过程变化值时的第一目标参数值,以及参数变化首次达到第二过程变化值时的第二目标参数值;其中,第一过程变化值和第二过程变化值不同。
在实际应用中,发明人经过大量实验后发现,发生电解液异常的异常电芯或者发生含水量异常的异常电芯,和未发生异常的正常电芯相比,在化成过程的第一阶段中,参数的变化过程会具有较大的差异,从而会表现出:异常电芯和正常电芯在首次达到某一过程变化值时所对应的参数值不同。基于此,在上述技术方案中,通过将在第一阶段采集参数的过程中,参数变化首次达到第一过程变化值阈值时的第一目标参数值,以及首次达到第二过程变化值时的第二目标参数值作为用于进行判断电芯是否发生电解液异常或者含水量异常的依据,从而可以综合两种目标参数值实现对于发生电解液异常或者含水量异常的异常电芯的准确识别,可以提高识别可靠性。
在一些实施例中,根据目标特征数据,确定电芯是否为异常电芯,包括:将目标特征数据输入至预设的识别模型中,得到电芯是否为异常电芯的识别结果。
在上述技术方案中,通过预设的识别模型来进行目标特征数据的处理,从而可以利用模型所具有的强大识别能力,达到对于异常电芯的快速识别。
在一些实施例中,识别模型为二维高斯模型。
二维高斯模型是一种可以很好的反映出不同类型的数据的分布情况的模型。而在上述技术方案中,利用二维高斯模型来进行识别,可以实现对于异常电芯与正常电芯的快速区分。
在一些实施例中,将目标特征数据输入至预设的识别模型中,得到电芯是否为异常电芯的识别结果,包括:将目标特征数据输入至二维高斯模型中,得到二维高斯模型计算得到的电芯的概率密度;若电芯的概率密度小于预设概率密度阈值,则确定电芯为异常电芯。
在上述技术方案中,通过二维高斯模型计算出的电芯的概率密度,可以快速确定出电芯是否异常,从而可以提高异常电芯的识别效率。
在一些实施例中,将目标特征数据输入至预设的识别模型中,得到电芯是否为异常电芯的识别结果,包括:将目标特征数据输入至二维高斯模型中,得到二维高斯模型计算得到的电芯的概率密度;若电芯的概率密度小于预设概率密度阈值,且目标特征数据位于预设的特征区间内,则确定电芯为异常电芯。
在上述技术方案中,通过结合电芯的概率密度以及电芯的目标特征数据是否位于预设的特征区间内,从而可以从两个方面对电芯异常与否进行确定,从而可以提高异常电芯的识别可靠性。
在一些实施例中,基于电芯的目标特征数据,确定电芯是否为异常电芯,包括:在电芯的化成过程中,基于电芯的目标特征数据,确定电芯是否为异常电芯。
在上述技术方案中,通过在电芯的化成过程中就基于电芯的目标特征数据,识别电芯是否为异常电芯,从而可以在电芯的化成阶段就可以实现对于异常电芯的识别与筛除,达到对于异常电芯的及早识别的效果,可以避免异常电芯进行后续生产流程,减少资源浪费。
第二方面,本申请实施例还提供了一种异常电芯的识别装置,包括:识别模块,用于基于电芯的目标特征数据,确定电芯是否为异常电芯;其中:目标特征数据包括:化成过程中所产生的,可以区分异常电芯与正常电芯的特征数据。
在一些实施例中,目标特征数据包括:化成过程中所产生的受电芯中电解液影响的特征数据。
在一些实施例中,目标特征数据包括:化成过程中所产生的受电芯中含水量影响的特征数据。
在一些实施例中,目标特征数据包括:在化成过程的第一阶段采集参数的过程中,参数变化首次达到第一过程变化值时的第一目标参数值,以及参数变化首次达到第二过程变化值时的第二目标参数值;其中,第一过程变化值和第二过程变化值不同。
在一些实施例中,识别模块具体用于,将目标特征数据输入至预设的识别模型中,得到电芯是否为异常电芯的识别结果。
在一些实施例中,识别模型为二维高斯模型。
在一些实施例中,识别模块具体用于,将目标特征数据输入至二维高斯模型中,得到二维高斯模型计算得到的电芯的概率密度;若电芯的概率密度小于预设概率密度阈值,则确定电芯为异常电芯。
在一些实施例中,识别模块具体用于,将目标特征数据输入至二维高斯模型中,得到二维高斯模型计算得到的电芯的概率密度;若电芯的概率密度小于预设概率密度阈值,且目标特征数据位于预设的特征区间内,则确定电芯为异常电芯。
在一些实施例中,识别模块具体用于,在电芯的化成过程中,基于电芯的目标特征数据,确定电芯是否为异常电芯。
第三方面,本申请实施例还提供了一种电子设备,包括:处理器和存储器;处理器用于执行存储器中存储的一个或者多个指令,以实现处理器用于执行存储器中存储的程序,以实现上述任一种的异常电芯的识别方法。
第四方面,本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质存储有一个或者多个指令,一个或者多个指令可被处理器执行,以实现如上述任一种的异常电芯的识别方法。
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单体的结构示意图;
图2为本申请实施例提供的一种异常电芯的识别方法的流程示意图;
图3为本申请实施例提供的一种模型构建方法的流程示意图;
图4为本申请实施例提供的一种实现电解液异常电芯的识别的具体流程示意图;
图5为本申请实施例提供的一种实现电解液异常电芯的识别的二维高斯模型效果示意图;
图6为本申请实施例提供的一种实现含水量异常电芯的识别的具体流程示意图;
图7为本申请实施例提供的一种实现含水量异常电芯的识别的二维高斯模型效果示意图;
图8为本申请实施例提供的一种异常电芯的识别装置的结构示意图;
图9为本申请实施例提供的一种模型构建装置的结构示意图;
图10为本申请实施例提供的一种电子设备的结构示意图。
下面将结合附图对本申请技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本申请的技术方案,因此只作为示例,而不能以此来限制本申请的保护范围。
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申请的技术领域的技术人员通常理解的含义相同;本文中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。
在本申请实施例的描述中,技术术语“第一”“第二”等仅用于区别不同对象,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量、特定顺序或主次关系。在本申请实施例的描述中,“多个”的含义是两个以上(包括两个),除非另有明确具体的限定。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
在本申请实施例的描述中,术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
在本申请实施例的描述中,除非另有明确的规定和限定,技术术语“安装”“相连”“连接”“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;也可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请实施例中的具体含义。
目前,从市场形势的发展来看,动力电池的应用越加广泛。动力电池不仅被应用于水力、火力、风力和太阳能电站等储能电源系统,而且还被广泛应用于电动自行车、电动摩托车、电动汽车等电动交通工具领域。
而在这些领域中,最常使用的动力电池是锂离子电池(即由锂离子电芯构成的电池)。本发明人注意到,在锂离子电池生产过程中如果电芯发生了异常(包括但不限于电解液异常(例如电解液注液错误、电解液混用等情况)、含水量异常(例如含水量超标等情况)),会导致电池出现诸如析锂、低容、SEI膜的质量低下等,而电芯出现析锂则可能引发热失控等严重的安全问题,而电芯低容则会严重影响电芯的使用效果和体验,而SEI膜的质量低下会影响电池的循环性能、安全性能。因此,异常电芯的装载将会影响电池系统的性能。进一步的,随着电池系统的集成度越来越高,电芯的拆除难度极大,因此一旦将异常电芯装载至电池组,即使后期通过技术手段发现了异常电芯,也难以进行异常电芯的拆除,异常电芯的装载将会导致装载有该异常电芯的整个电池组的报废。因此,需要在电芯装载前,识别产线中具有的异常电芯。
本发明人进一步注意到,锂离子电池的化成是电池生产的关键步骤,电芯在进行化成之后,才会进入后续的各步骤(包括电芯装载的步骤)。而电池化成过程中的过程数据(包括但不限于电池化成的步骤、时间、电流、电压、温度、气压等数据),会以秒级和毫秒级进行保存。而 对于发生电解液异常的电芯与未发生电解液异常的电芯而言,其在化成过程中,某些参数的值会表现出差异。
基于以上考虑,为了满足在电芯装载前,识别出异常电芯的需求,发明人经过深入研究,设计了一种异常电芯的识别方法,通过获取电芯在化成过程中所产生的,可以区分异常电芯与正常电芯的目标特征数据,进而根据该目标特征数据,确定出电芯是否为异常电芯。这样,一方面由于异常电芯和正常电芯,在电芯的化成过程中,在目标特征数据上会具有明显的区别,从而可以据此实现对于电芯是否为异常电芯的准确判断,实现对于异常电芯的可靠识别;另一方面,由于在工业生产流程中,电芯化成过程必然是发生在将电芯装载成电池组的过程之前,因此也可以有效达到在电芯装载前识别出异常电芯的目的,降低了因异常电芯的装载造成的电池系统性能下降的风险,以及降低了因异常电芯的装载导致的电池组报废风险。
为便于理解本申请实施例的方案,下面先对本申请实施例涉及到的一些基本信息进行介绍:
电池组是由多个电池单体组成。电池单体是组成电池组的最小单元。在一个电池组中,电池单体可以是多个。多个电池单体之间可串联或并联或混联。混联是指多个电池单体中既有串联又有并联。多个电池单体之间可直接串联或并联或混联在一起,再将多个电池单体构成的整体容纳于箱体或者其他包装内,组成一个可以对外充放电的整体。
在实际应用中,可以将一个电池组作为一个电池来提供服务。但是,也可以是通过将多个电池组相互串联或并联或混联形成一个整体,并容纳于箱体或者其他包装内,从而作为一个电池来提供服务。也即,在一个电池中,可以具有一个或多个电池组。
而参见图1所示,电池单体100可以由电芯11、端盖12、壳体13、以及其他的功能性部件一起构成。其中:
端盖12是指盖合于壳体13的开口处以将电池单体100的内部环境隔绝于外部环境的部件。不限地,端盖12的形状可以与壳体13的形状相适应以配合壳体13。端盖12上可以设置有如电极端子12a等的功能性部件。电极端子12a可以用于与电芯11电连接,以用于输出或输入电池单体100的电能。
壳体13是用于配合端盖12以形成电池单体100的内部环境的组件,其中,形成的内部环境可以用于容纳电芯11、电解液以及其他部件。
电芯11是电池单体100中发生电化学反应的部件。壳体13内可以包含一个或更多个电芯11。电芯11主要由正极片和负极片卷绕或层叠放置形成,并且通常在正极片与负极片之间设有隔膜。电芯11的正极片和负极片具有活性物质的部分构成电芯组件的主体部,正极片和负极片不具有活性物质的部分各自构成极耳11a。正极极耳和负极极耳可以共同位于主体部的一端或是分别位于主体部的两端。在电池的充放电过程中,正极活性物质和负极活性物质与电解液发生反应,极耳11a连接电极端子以形成电流回路。
其中,每个电池单体100可以为二次电池或一次电池。电池单体100可呈圆柱体、扁平体、长方体或其它形状等。
锂离子电池的化成是指电池制造完成后,通过多次充电的方式,将电芯内部的正负极物质激活,改善电池的自放电、充放电性能和储存性能的过程。在本申请实施例中,将化成过程中第一次进行充电的阶段称之为第一阶段。
在本申请实施例中,化成时,可以是针对未组装成电池单体100的各个电芯进行化成,也可以是针对组装得到的电池单体100中的电芯进行化成。
应理解,本申请实施例中所描述的异常情况,包括但不限于电芯内存在电解液异常、含水量异常等情况。其中:电解液异常是指注入电芯中的电解液不能实现预期的效果。发生电解液异常的原因有电解液注入错误,电解液注入过程中被污染等。含水量异常是指电芯中的含水量不符合预设规范的要求(例如含水量超标或者含水量不达标)。
基于以上介绍,根据本申请的一些实施例,请参照图2所示,图2示出了本申请实施例提供的异常电芯的识别方法的基本流程示意图,包括:
S201:基于电芯的目标特征数据,确定该电芯是否为异常电芯。
需要理解的是,在本申请实施例中,目标特征数据是指,化成过程中所产生的,可以区分异常电芯与正常电芯的特征数据。
例如,目标特征数据可以包括:化成过程中所产生的受电芯中电解液影响的特征数据,从而可以基于目标特征数据实现发生电解液异常的异常电芯与正常电芯之间的区分识别。又例如,目标特征数据可以包括:化成过程中所产生的受电芯中含水量影响的特征数据,从而可以基于目标特征数据实现发生含水量异常的异常电芯与正常电芯之间的区分识别。
在本申请实施例中,目标特征数据可以是化成过程中所产生的在特定位置处所对应的成膜峰(dQ/dV,其中dQ是指电芯内单位时间流过的电流量,dV是电芯内单位时间的电压变化)、动态内阻率(V/I,其中V是指电压,I是指电流)、dV/dQ等参数的值。
在本申请实施例中,可以在化成进行过程中,或者化成过程执行完毕之后,将电芯化成过程中所产生的化成过程数据(包括但不限于电池化成的步骤、时间、电流、电压、温度、气压等数据)导入至可执行本申请实施例提供的极化异常电芯的识别方法的电子设备中,从而由电子设备从化成过程数据中获取到电芯的目标特征数据。
在本申请实施例中,若在化成进行过程中获取电芯的目标特征数据,则可以在电芯的化成阶段就基于电芯的目标特征数据,确定该电芯是否为异常电芯,从而在电芯的化成阶段就实现对于异常电芯的识别与筛除,可以及早识别出异常电芯,避免异常电芯进入后续生产流程,减少资源浪费。
应理解,在化成过程中,参数的值是不断变化的。在化成过程中,发生异常的异常电芯与未发生异常的正常电芯之间,可能在某些位置或区间内参数值是相近的,从而在这些位置或区间内基于这些参数的参数值进行区分,效果并不好;但是,异常电芯与正常电芯之间,在另一些位置或区间内参数值会具有明显差异,从而可以有效进行异常电芯与正常电芯的区分。而这些特定位置或区间内的参数值,即可作为本申请实施例中的目标特征数据,用于实现电芯是否为异常电芯的识别。
示例性的,发明人经过大量实验后发现,对于发生电解液异常的异常电芯而言,发生电解液异常的异常电芯和未发生电解液异常的正常电芯相比,在化成过程的第一阶段中,参数的变化过程会具有较大的差异,从而会表现出:发生电解液异常的异常电芯和未发生电解液异常的正常电芯,在首次达到某一过程变化值时所对应的参数值不同。类似的,发明人经过大量实验后还发现,对于发生含水量异常的异常电芯而言,发生含水量异常的异常电芯和未发生含水量异常的正常电芯相比,同样也会在化成过程的第一阶段中,参数的变化过程出现较大的差异,从而同样会表现出:发生电解液异常的异常电芯和未发生电解液异常的正常电芯,在首次达到某一过程变化值时所对应的参数值不同。两者的区别仅在于,可以反映出异常电芯与正常电芯的差异的过程变化值不同。
而基于上述发现,在本申请实施例的一种可选实施方式中,目标特征数据可以包括:在化成过程的第一阶段采集参数的过程中,参数变化首次达到预设的第一过程变化值时的第一目标参数值,从而通过将该参数变化首次达到预设的第一过程变化值时的第一目标参数值作为用于进行判断电芯是否发生电解液异常的依据,可以实现对于发生电解液异常的异常电芯的识别。
而在本申请实施例的一种可选实施方式中,目标特征数据可以包括:在化成过程的第一阶段采集参数的过程中,参数变化首次达到第一过程变化值时的第一目标参数值,以及参数变化首次达到第二过程变化值时的第二目标参数值;其中,第一过程变化值和第二过程变化值不同。这样,通过将在第一阶段采集参数的过程中,参数变化首次达到第一过程变化值阈值时的第一目标参数值,以及首次达到第二过程变化值时的第二目标参数值作为用于进行判断电芯是否发生电解液异常的依据,可以综合两种目标参数值实现对于发生电解液异常的异常电芯的准确识别。
需要说明的是,在本申请实施例中,可以预先获取大量包含异常电芯和正常电芯的样本电芯,进而基于样本电芯在化成过程的第一阶段中采集到的参数,确定出可以反映出异常电芯与正常电芯的差异的第一过程变化值和第二过程变化值。
示例性的,若需要识别的是异常电芯是发生电解液异常的异常电芯,则第一过程变化值和第二过程变化值可以是基于发生电解液异常的样本电芯和未发生电解液异常的样本电芯的在化成过程的第一阶段中采集到的参数确定得到。类似的,若需要识别的是异常电芯是发生含水量异常的异常电芯,则第一过程变化值和第二过程变化值可以是基于发生含水量异常的样本电芯和未发生含水量异常的样本电芯的在化成过程的第一阶段中采集到的参数确定得到。而具体的第一过程变化值和第二过程变化值的确定方式,请参见后文介绍。
需要说明的是,本申请实施例中,目标参数可以是诸如成膜峰、动态内阻率、dV/dQ等可以体现出化成过程变化,且与电芯的异常原因(例如电芯的电解液或含水量)相关的参数。而目标参数值是指目标参数的值。
还需要说明的是,本申请实施例中所述的过程变化值是指,在设定的采集时间间隔(例如相邻两采集点之间的采集时间间隔)内目标参数的变化值。例如,假设目标参数为成膜峰,则过程变化值可以是成膜峰的梯度值。
应理解,异常电芯和正常电芯在电芯的化成过程中,会在目标特征数据上具有明显的区别,因此可以根据目标特征数据,实现对于电芯是否为异常电芯的准确判断,实现对于异常电芯的可靠识别。
为了实现对于电芯是否为异常电芯的准确判断,在本申请实施例的一种可选实施方式中,可以根据预先总结得到的异常电芯和正常电芯之间,目标特征数据所处范围上的差异,通过设置阈值范围的方式,确定电芯是否为异常电芯。(即判断目标特征数据是位于预设的阈值范围内,还是位于预设的阈值范围外,进而基于总结出的异常电芯和正常电芯之间,目标特征数据与阈值范围之间的关系,确定电芯是否为异常电芯。)
例如,假设需要识别的异常电芯为发生电解液异常的异常电芯。那么,可以预先根据大量存在电解液异常的样本电芯和不存在电解液异常的样本电芯的目标特征数据,总结出发生电解液异常的异常电芯所对应的第一阈值范围。然后,判断当前的电芯的目标特征数据是否位于该预设的第一阈值范围内,若是,确定该电芯未发生电解液异常的异常电芯;否则,确定该电芯未发生电解液异常。
类似的,假设需要识别的异常电芯为发生含水量异常的异常电芯。那么,可以预先根据大量存在含水量异常的样本电芯和不存在含水量异常的样本电芯的目标特征数据,总结出发生含水量异常的异常电芯所对应的第二阈值范围。然后,判断当前的电芯的目标特征数据是否位于该预设的第二阈值范围内,若是,确定该电芯未发生含水量异常的异常电芯;否则,确定该电芯未发生含水量异常。
示例性的,假设本申请实施例中的目标特征数据仅包括:在化成过程的第一阶段采集参数的过程中,参数变化首次达到第一过程变化值时的第一目标参数值。那么可以预先设置一个第一目标参数阈值范围,将第一目标参数值与第一目标参数阈值范围比较,从而在第一目标参数值在第一目标参数阈值范围内时,确定该电芯为异常电芯。
又示例性的,假设本申请实施例中的目标特征数据包括:在化成过程的第一阶段采集参数的过程中,参数变化首次达到第一过程变化值时的第一目标参数值,以及参数变化首次达到第二过程变化值时的第二目标参数值。那么可以预先设置一个第一目标参数阈值范围,以及一个第二目标参数阈值范围,将第一目标参数值与第一目标参数阈值范围比较,并将第二目标参数值与第二目标参数阈值范围比较,从而在第一目标参数值在第一目标参数阈值范围内,且第二目标参数值在第二目标参数阈值范围内时,确定该电芯为异常电芯。
应理解,第一目标参数阈值范围和第二目标参数阈值范围可以是预先对大量存在电解液异常的第一样本电芯和不存在电解液异常的第二样本电芯,进行化成过程的第一阶段中的第一目标参数值和第二目标参数值的统计,然后设定的值。此时,在上段所述的方式中,若确定出电芯为 异常电芯,则还可以确定该电芯发生的是电解液异常。
还应理解,第一目标参数阈值范围和第二目标参数阈值范围可以是预先对大量存在含水量异常的第一样本电芯和不存在含水量异常的第二样本电芯,进行化成过程的第一阶段中的第一目标参数值和第二目标参数值的统计,然后设定的值。此时,在上段所述的方式中,若确定出电芯为异常电芯,则还可以确定该电芯发生的是含水量异常。
为了实现对于电芯是否为异常电芯的准确判断,在本申请实施例的另一种可选实施方式中,也可以是通过构建识别模型,从而通过将目标特征数据输入至预设的识别模型中,得到电芯是否为异常电芯的识别结果。
其中,识别模型可以是预先构建好的二维高斯模型,但不作为限制。例如,识别模型还可以是以目标特征数据作为输入的SVM(Support Vector Machine,支持向量机)模型、CART(Classification And Regression Tree,分类与回归树)模型等分类模型。
需要说明的是,在采用SVM(Support Vector Machine,支持向量机)模型、CART(Classification And Regression Tree,分类与回归树)模型等分类模型进行识别时,构建模型时所需的各样本电芯需要预先标记其是属于存在异常的第一样本电芯,还是属于不存在异常的第二样本电芯。类似的,对于前述基于阈值范围进行识别的可选实施方式而言,用于设定阈值范围的样本电芯也需要预先标记其是属于存在异常的第一样本电芯,还是属于不存在异常的第二样本电芯。但是采用二维高斯模型进行识别时,可以不进行该标记,而是通过二维高斯模型自身可以聚类实现两种样本电芯的区分。因此,采用二维高斯模型进行识别时,可以减小工程师的工作量,降低样本电芯对应的数据的获取难度。
还需要说明的是,在本申请实施例中,可以采用存在电解液异常的第一样本电芯和不存在电解液异常的第二样本电芯来进行SVM模型、CART模型等分类模型的训练,从而分类模型可以输出电芯是否存在电解液异常。类似的,也可以采用存在含水量异常的第一样本电芯和不存在含水量异常的第二样本电芯来进行SVM模型、CART模型等分类模型的训练,从而分类模型可以输出电芯是否存在含水量异常。
应理解,本申请实施例中,需要识别出哪一种具体异常类型的异常电芯,则可以采用存在该异常类型的样本电芯和不存在该异常类型的正常电芯进行模型训练或构建,或者阈值范围确定,从而可以实现针对该异常类型的异常电芯的识别。
还需要说明的是,在识别模型为二维高斯模型时,目标特征数据应当有两种,以满足二维高斯模型的数据输入要求。例如,目标特征数据可以是:在化成过程的第一阶段采集参数的过程中,参数变化首次达到第一过程变化值时的第一目标参数值,以及参数变化首次达到第二过程变化值时的第二目标参数值。
下面,以识别模型为二维高斯模型为例,对本申请实施例的方案做进一步说明:
为保证可以基于二维高斯模型实现对于电芯是否为异常电芯的准确判断,需要先选定两种目标特征数据,进而基于这两种目标特征数据构建出一个合理的二维高斯模型。
请参见图3所示,图3示出了本申请实施例中所提供的模型构建方法,包括:
S301:获取化成过程中,各样本电芯的两种目标特征数据。
需要说明的是,各样本电芯中包括存在异常的第一样本电芯和不存在异常的第二样本电芯。示例性的,第一样本电芯可以为存在电解液异常的样本电芯;第二样本电芯为不存在任何异常的正常电芯,两种目标特征数据则可以包括:化成过程中所产生的受电芯中电解液影响的特征数据。又示例性的,,第一样本电芯可以为存在含水量异常的样本电芯;第二样本电芯为不存在任何异常的正常电芯,两种目标特征数据则可以包括:化成过程中所产生的受电芯中含水量影响的特征数据。
需要说明的是,第一样本电芯和第二样本电芯的两种目标特征数据,可以从产线或其他渠道收集得到,在本申请实施例中不做限制。
S302:根据各样本电芯的两种目标特征数据,构建二维高斯模型。
在本申请实施例中,可以计算两种目标特征数据之间的均值和方差,并计算两种目标特征数据间的相关性系数。基于两种目标特征数据的均值和方差,以及特征间的相关系数,即可以构建出二维高斯模型所需的均值向量以及协方差矩阵。然后,基于均值向量以及协方差矩阵,即可得到一个二维高斯模型。
考虑到获取的样本电芯的两种目标特征数据中,可能存在一定的异常数据,从而可能影响构建出的二维高斯模型可靠性。为此,在本申请实施例的一种可行实施方式中,可以先根据所有样本电芯的两种目标特征数据,构建出初步的二维高斯模型。然后,再根据该初步的二维高斯模型中,属于目标聚类的各样本电芯的两种目标特征数据,构建出最终的二维高斯模型。其中,目标聚类为初步的二维高斯模型中表征为不存在异常的第二样本电芯的聚类。
应理解,两次二维高斯模型的构建方式见上段所述,在此不再赘述。
应理解,在本申请实施例中,在基于第一样本电芯和第二样本电芯的两种目标特征数据,构建出二维高斯模型后,二维高斯模型中会得到属于第二样本电芯的概率密度分布,基于该分布,可以设定出一个概率密度阈值。
然后,在使用二维高斯模型进行电芯是否为异常电芯的判断时,在将电芯的两种目标特征数据输入至二维高斯模型后,可以得到电芯对应的概率密度,从而将该概率密度与设定出的概率密度阈值进行比较。若该概率密度小于概概率密度阈值,则可以确定电芯发生了异常。反之,可以确定电芯未发生异常。
需要说明的是,在构建好二维高斯模型时,可以得到类似图7所示的效果示意图,根据图中被聚类为属于异常电芯的那一部分样本电芯所在的区域范围(例如图7中左侧圈内所在的区域范围),可以得到异常电芯对应的特征区间(例如图7中左侧圈所对应的横坐标范围和纵坐标范围)。从而在使用二维高斯模型进行电芯是否为异常电芯的判断时,可以将电芯的目标特征数据输入至二维高斯模型中,得到二维高斯模型计算得到的电芯的概率密度。然后,若电芯的概率密度小于预设概率密度阈值,且目标特征数据位于预设的特征区间内,则确定电芯为异常电芯。从而从两个方面对电芯异常与否进行确定,提高异常电芯的识别可靠性。
需要说明的是,构建二维高斯模型时所采用的两种目标特征数据应当与后续异常电芯的识别过程中,采集的电芯的目标特征数据一致。也即:如果构建二维高斯模型时所采用的两种目标特征数据包括:在化成过程的第一阶段采集参数的过程中,参数变化首次达到第一过程变化值时的第一目标参数值,以及参数变化首次达到第二过程变化值时的第二目标参数值,那么进行异常电芯的识别时,采集的电芯的目标特征数据也应当为:在化成过程的第一阶段采集参数的过程中,参数变化首次达到第一过程变化值时的第一目标参数值,以及参数变化首次达到第二过程变化值时的第二目标参数值。
还需要说明的是,在两种目标特征数据包括:在化成过程的第一阶段采集参数的过程中,参数变化首次达到第一过程变化值时的第一目标参数值,以及参数变化首次达到第二过程变化值时的第二目标参数值时,为保证目标特征数据对于异常电芯和正常电芯的区分效果,选定的第一过程变化值和第二过程变化值可以为:对于第一样本电芯和第二样本电芯之间的区分度最大的两个过程变化值。
那么,为了可以准确找出对于第一样本电芯和第二样本电芯之间的区分度最大的两个过程变化值,在本申请实施例中,可以获取化成过程中,各样本电芯首次达到预设的各不同过程变化值时所对应的目标参数值,然后根据各不同过程变化值所对应的目标参数值,识别出第一过程变化值和第二过程变化值。
示例性的,可以根据两种不同过程变化值所对应的目标参数值,计算该两种不同过程变化值所对应的,第一样本电芯和第二样本电芯之间的区分度,进而确定最大区分度所对应的两种不同过程变化值为第一过程变化值和第二过程变化值。
应理解,在本申请实施例中,可以采用LDA(Linear Discriminant Analysis,线性 判别式分析)算法来计算出各不同过程变化值中,每两种不同过程变化值所对应的第一样本电芯和第二样本电芯之间的区分度(即LDA算法计算出的类间距离)。
示例性的,假设有3种不同过程变化值,分别为A、B、C,则可以基于LDA算法计算,计算出A与B之间对应的区分度ab,A与C之间对应的区分度ac,B与C之间对应的区分度bc,然后从ab、ac和bc,确定出最大值。假设最大值为ac,则可以确定出第一过程变化值和第二过程变化值分别为A和C。
在本申请实施例中,为了保证对于第一过程变化值和第二过程变化值的识别效果,在采用LDA算法计算之前,还可以对各过程变化值所对应的目标参数值进行标准化,从而将各过程变化值所对应的目标参数值转化为服从N(0,1)的标准正态分布,从而便于LDA算法进行处理。
应理解,对于其他类型的识别模型,则可以基于目标特征数据对识别模型进行训练,得到训练好的识别模型,然后再进行使用。训练过程与各类型的识别模型的常规训练过程一致,故在此不进行展开描述。
在本申请实施例中,若确定电芯为异常电芯后,则还可以标记该电芯,以便于工程师后续根据标记进行电芯的处理与分析。
例如,假设确定出的电芯为发生电解液异常的异常电芯,则可以在对一个或几个批次的电芯全部进行异常电芯的识别之后,根据标记的发生电解液异常的异常电芯的数量,判断存在电解液异常的异常电芯的数量大于预设的数量阈值,则可以确定存在电解液注入错误,从而按照预设方式进行电解液注错报警等操作。
当然,本申请实施例中也可以不进行标记,而是在每确定出一个存在电解液异常的异常电芯后,就进行一次发生电解液异常的电芯数量的更新,然后基于统计得到的,当前已确定出的发生电解液异常的电芯数量,判断该电芯数量大于预设数量阈值。若大于,则可以确定存在电解液注入错误,从而按照预设方式进行电解液注错报警等操作。
又例如,假设确定出的电芯为发生含水量异常的异常电芯,则可以在对一个或几个批次的电芯全部进行异常电芯的识别之后,根据标记的发生含水量异常的异常电芯的数量,判断存在含水量异常的异常电芯的数量大于预设的数量阈值,则可以确定存在电芯产线含水量管控阶段存在问题,从而可以按照预设方式进行报警等操作。
在本申请实施例中,预设方式可以但不限于:短信或其电话通知相关工程师,发出报警响声等。
需要说明的是,本申请实施例的上述方案可以是通过具有数据处理能力的电子设备来实现,例如可以通过PLC(Programmable Logic Controller,可编程逻辑控制器)、电脑、智能手机、服务器等设备实现。
应理解,在本申请实施例中,电子设备可以与工业互联网连接,从而将标记的电芯通知给工业互联网,由工业互联网通知给到各工程师。
本申请实施例的技术方案中,通过获取电芯化成过程中所产生的受电芯中电解液影响的目标特征数据来进行分析,确定出电芯是否为异常电芯。这样,一方面由于异常电芯和正常电芯,在电芯的化成过程中,在目标特征数据上会具有明显的区别,从而可以据此实现对于电芯是否为异常电芯的准确判断,实现对于异常电芯的可靠识别。另一方面,由于在工业生产流程中,电芯化成过程必然是发生在将电芯装载成电池组的过程之前的,因此通过本申请实施例的技术方案,也可以有效实现在电芯装载前识别出异常电芯的目的,降低了因异常电芯的装载造成的电池系统性能下降的风险,以及降低了因异常电芯的装载导致的电池组报废风险。
为便于理解本申请实施例所提供的方案,下面以一种执行主体为PLC,目标特征数据包括:在化成过程的第一阶段中采集到的,成膜峰的变化值首次达到第一过程变化值(例如为第一成膜峰梯度值)时的第一成膜峰值以及成膜峰的变化值首次达到第二过程变化值(例如为第一成膜峰梯度值)时的第二成膜峰值,通过二维高斯模型识别电芯是否发生电解液异常的具体实施过程为例,为本申请做进一步示例说明:
请参见图4所示,实施过程包括:
S401:PLC接收导入的某一批次或某几批次的样本电芯的化成过程数据。
其中,可按照化成批次进行化成过程数据导入,也可以按照每天完成化成的电芯进行化成过程数据导入。根据大数定律,数量越多,使得统计参数更加符合正常电芯的数据分布规律。其中,批次电芯中可以包含存在电解液异常的第一样本电芯和不存在电解液异常的第二样本电芯。
需要说明的是,化成过程数据是指电芯在化成过程中所保存的过程数据(包括但不限于电池化成的步骤、时间、电流、电压、温度、气压等数据)。
S402:对化成过程数据进行预处理。
本步骤包括:去除掉出现化成终止、化成设备采样异常、未参加化成、第一阶段间断、化成复测等情况的电芯对应的化成过程数据,以及从剩下的化成过程数据中获取到成膜峰相关的数据(包括成膜峰的值以及成膜峰梯度值)。
其中,若某一样本电芯的化成过程数据中,化成步骤的数量小于设定的化成步骤数量要求,则确定该样本电芯存在化成终止的情况;若某一样本电芯的化成过程数据中出现数据乱码,则确定该样本电芯存在化成设备采样异常的情况;若某一样本电芯的化成过程数据中,没有电流值,且电压值不存在增长,则确定该样本电芯未参加化成;若某一样本电芯的化成过程数据中,第一阶段出现充电终止再恢复的情况,则确定该样本电芯存在第一阶段间断的情况;若某一样本电芯的化成过程数据中,化成步骤的数量大于设定的化成步骤数量要求,则确定该样本电芯存在化成复测的情况。
需要说明的是,成膜峰的值可以是根据化成过程数据中的电流、电压等数据进行计算得到。而成膜峰梯度值则可以根据相邻两次获取到的成膜峰的值,求差得到。
然后,可以预先设定一个初始的成膜峰梯度值,以及梯度变化值,从而基于初始的成膜峰梯度值和该梯度变化值,得到每一个预设的成膜峰梯度值。然后,得到首次达到各成膜峰梯度值所对应的成膜峰的值。
需要说明的是,各成膜峰梯度值所对应的成膜峰的值,可以为首次达到各成膜峰梯度值时,计算得到该成膜峰梯度值的两成膜峰的值的均值。其中,成膜峰梯度值等于相邻两采样点之间的成膜峰之间的差值,例如,假设首次达到第一成膜峰梯度值时的相邻两采样点之间的成膜峰的值分别为A和B,则第一成膜峰梯度值对应的成膜峰的值就可以等于(A+B)/2。当然,各成膜峰梯度值所对应的成膜峰的值,也可以为该成膜峰梯度值对应的两成膜峰中,任一个成膜峰的值,但不作为限制。
然后,可以基于各成膜峰梯度值所对应的成膜峰的值,采用LDA算法计算每两种不同成膜峰梯度值所对应的第一样本电芯和第二样本电芯之间的区分度(即LDA算法计算出的类间距离),确定出最大区分度所对应的两种不同成膜峰梯度值,分别记为第一成膜峰梯度值和第二成膜峰梯度值。与此同时,也得到各样本电芯对应的第一成膜峰值(即第一成膜峰梯度值对应的成膜峰的值)以及第二成膜峰值(即第二成膜峰梯度值对应的成膜峰的值)。
在本申请实施例中,为了保证第一成膜峰梯度值和第二成膜峰梯度值的识别效果,在采用LDA算法计算之前,还可以对各成膜峰梯度值所对应的成膜峰的值进行标准化,从而将各成膜峰梯度值所对应的成膜峰的值转化为服从N(0,1)的标准正态分布,从而便于LDA算法进行处理。
S403:分别计算最第一成膜峰值的均值和方差,以及第二成膜峰值的均值和方差,并计算第一成膜峰值与第二成膜峰值之间的相关性系数。
S404:基于第一成膜峰值和第二成膜峰值的均值和方差,以及第一成膜峰值与第二成膜峰值之间的相关系数,构建出二维高斯模型所需的均值向量以及协方差矩阵,得到初步的二维高斯模型。
S405:根据该初步的二维高斯模型中,属于目标聚类的各样本电芯的第一成膜峰值和第二成膜峰值,计算分别计算第一成膜峰值的均值和方差,以及第二成膜峰值的均值和方差,并计 算第一成膜峰值与第二成膜峰值之间的相关性系数。
应理解,目标聚类为初步的二维高斯模型中表征为不存在电解液异常的第二样本电芯的聚类。
S406:基于最新的第一成膜峰值和第二成膜峰值的均值和方差,以及第一成膜峰值和第二成膜峰值之间的相关系数,构建出二维高斯模型所需的均值向量以及协方差矩阵,得到最终的二维高斯模型。
S407:基于最终的二维高斯模型中目标聚类所在的概率密度区域,确定出目标概率密度范围。
例如图5所示,图5中两个圈划定的区域即为目标聚类所在的区域,工程师可以取任一圈划定的范围内各样本电芯对应的概率密度范围为目标概率密度范围。例如,可以取最外层的圈划定的区域内的样本电芯对应的概率密度范围为目标概率密度范围。应理解,图5中的横坐标为第一成膜峰值,纵坐标为第二成膜峰值。
S408:PLC接收导入的待检测的电芯的化成过程数据。
S409:从化成过程数据中获取待检测的电芯在第一阶段中的第一成膜峰值和第二成膜峰值。
S410:使用最终的二维高斯模型对待检测的电芯在第一阶段中的第一成膜峰值和第二成膜峰值进行计算,得到待检测的电芯的概率密度。
S411:判断待检测的电芯的概率密度是否在目标概率密度范围内;若在,转至步骤S412;若不在,转至步骤S413。
示例性的,目标概率密度范围可以是以0为起始的一个范围。此时,可以仅设置一个概率密度阈值,从而判断待检测的电芯的概率密度是否小于该概率密度阈值。若小于,则表示待检测的电芯的概率密度在目标概率密度范围内,转至步骤S412;否则,转至步骤S413。
S412:确定待检测的电芯未发生电解液异常。
S413:对待检测的电芯进行标记,并将标记结果上报给工业互联网。
应理解,在本申请实施例中,也可以不基于概率密度进行判断,而是通过将待检测的电芯在第一阶段中的第一成膜峰值和第二成膜峰值作为一个坐标点的两个坐标值,将待检测的电芯转换为图5所示的坐标系中的一个坐标点,判断该坐标点是否位于设定的圈内(例如图5中最外层的圈)。若在,确定待检测的电芯未发生电解液异常;若不在,确定待检测的电芯发生电解液异常。此时可以对待检测的电芯进行标记,并将标记结果上报给工业互联网。
还应理解,图4示出的过程实质存在两个阶段,其中步骤S401至步骤S407为模型构建阶段,步骤S408至步骤S413为电芯识别阶段。当通过步骤S401至步骤S407构建好最终的二维高斯模型后,该最终的二维高斯模型可以被反复应用,也即步骤S408至步骤S413可以针对不同的待检测的电芯被重复执行。
通过上述方式,可以实现在电芯装载前识别出发生了电解液异常的电芯的目的。同时,经实验检测,本方式的鲁棒性强,误杀数量少,在实际应用中可以具有良好的效果。
为便于理解本申请实施例所提供的方案,下面再以一种执行主体为PLC,目标特征数据包括:在化成过程的第一阶段中采集到的,成膜峰的变化值首次达到第一过程变化值(例如为第一成膜峰梯度值)时的第一成膜峰值以及成膜峰的变化值首次达到第二过程变化值(例如为第一成膜峰梯度值)时的第二成膜峰值,通过二维高斯模型识别电芯是否发生含水量异常的具体实施过程为例,为本申请做进一步示例说明:
请参见图6所示,实施过程包括:
S601:PLC接收导入的某一批次或某几批次的样本电芯的化成过程数据。
类似的,可按照化成批次进行化成过程数据导入,也可以按照每天完成化成的电芯进行化成过程数据导入。其中,电芯中可以包含存在含水量异常的第一样本电芯和不存在含水量异常的第二样本电芯。
类似的,化成过程数据是指电芯在化成过程中所保存的过程数据(包括但不限于电池化成的步骤、时间、电流、电压、温度、气压等数据)。
S602:对化成过程数据进行预处理。
本步骤包括:去除掉出现化成终止、化成设备采样异常、未参加化成、第一阶段间断、化成复测等情况的电芯对应的化成过程数据,以及从剩下的化成过程数据中获取到成膜峰相关的数据(包括成膜峰的值以及成膜峰梯度值)。
类似的,若某一样本电芯的化成过程数据中,化成步骤的数量小于设定的化成步骤数量要求,则确定该样本电芯存在化成终止的情况;若某一样本电芯的化成过程数据中出现数据乱码,则确定该样本电芯存在化成设备采样异常的情况;若某一样本电芯的化成过程数据中,没有电流值,且电压值不存在增长,则确定该样本电芯未参加化成;若某一样本电芯的化成过程数据中,第一阶段出现充电终止再恢复的情况,则确定该样本电芯存在第一阶段间断的情况;若某一样本电芯的化成过程数据中,化成步骤的数量大于设定的化成步骤数量要求,则确定该样本电芯存在化成复测的情况。
然后,可以预先设定一个初始的成膜峰梯度值,以及梯度变化值,从而基于初始的成膜峰梯度值和该梯度变化值,得到每一个预设的成膜峰梯度值。然后,得到首次达到各成膜峰梯度值所对应的成膜峰的值。
类似的,各成膜峰梯度值所对应的成膜峰的值,可以为首次达到各成膜峰梯度值时,计算得到该成膜峰梯度值的两成膜峰的值的均值。其中,成膜峰梯度值等于相邻两采样点之间的成膜峰之间的差值。当然,各成膜峰梯度值所对应的成膜峰的值,也可以为该成膜峰梯度值对应的两成膜峰中,任一个成膜峰的值,但不作为限制。
然后,可以基于各成膜峰梯度值所对应的成膜峰的值,采用LDA算法计算每两种不同成膜峰梯度值所对应的第一样本电芯和第二样本电芯之间的区分度(即LDA算法计算出的类间距离),确定出最大区分度所对应的两种不同成膜峰梯度值,分别记为第一成膜峰梯度值和第二成膜峰梯度值。与此同时,也得到各样本电芯对应的第一成膜峰值(即第一成膜峰梯度值对应的成膜峰的值)以及第二成膜峰值(即第二成膜峰梯度值对应的成膜峰的值)。
可选的,为了保证第一成膜峰梯度值和第二成膜峰梯度值的识别效果,在采用LDA算法计算之前,还可以对各成膜峰梯度值所对应的成膜峰的值进行标准化,从而将各成膜峰梯度值所对应的成膜峰的值转化为服从N(0,1)的标准正态分布,从而便于LDA算法进行处理。
S603:分别计算最第一成膜峰值的均值和方差,以及第二成膜峰值的均值和方差,并计算第一成膜峰值与第二成膜峰值之间的相关性系数。
S604:基于第一成膜峰值和第二成膜峰值的均值和方差,以及第一成膜峰值与第二成膜峰值之间的相关系数,构建出二维高斯模型所需的均值向量以及协方差矩阵,得到初步的二维高斯模型。
S605:根据该初步的二维高斯模型中,属于目标聚类的各样本电芯的第一成膜峰值和第二成膜峰值,计算分别计算第一成膜峰值的均值和方差,以及第二成膜峰值的均值和方差,并计算第一成膜峰值与第二成膜峰值之间的相关性系数。
应理解,目标聚类为初步的二维高斯模型中表征为不存在含水量异常的第二样本电芯的聚类。
S606:基于最新的第一成膜峰值和第二成膜峰值的均值和方差,以及第一成膜峰值和第二成膜峰值之间的相关系数,构建出二维高斯模型所需的均值向量以及协方差矩阵,得到最终的二维高斯模型。
S607:基于最终的二维高斯模型中目标聚类所在的概率密度区域,确定出目标概率密度范围;基于最终的二维高斯模型中的异常电芯聚类所在的区域,确定第一成膜峰值异常范围和第二成膜峰值异常范围。
例如图7所示(图7中的横坐标为第一成膜峰值,纵坐标为第二成膜峰值),图7中右侧三个圈划定的区域即为目标聚类所在的区域,左侧圈划定的区域即为异常电芯聚类所在的区域。可以取右侧三个圈中任一圈划定的范围内各样本电芯对应的概率密度范围为目标概率密度范围。例如,可以取最外层的圈划定的区域内的样本电芯对应的概率密度范围为目标概率密度范围。可取左侧圈的横坐标的范围为第一成膜峰值异常范围,取左侧圈的纵坐标的范围为第二成膜峰值异常范围。
S608:PLC接收导入的待检测的电芯的化成过程数据。
S609:从化成过程数据中获取待检测的电芯在第一阶段中的第一成膜峰值和第二成膜峰值。
S610:使用最终的二维高斯模型对待检测的电芯在第一阶段中的第一成膜峰值和第二成膜峰值进行计算,得到待检测的电芯的概率密度。
S611:判断待检测的电芯的概率密度是否在目标概率密度范围内;若在,转至步骤S612;若不在,转至步骤S613。
示例性的,目标概率密度范围可以是以0为起始的一个范围。此时,可以仅设置一个概率密度阈值,从而判断待检测的电芯的概率密度是否小于该概率密度阈值。若小于,则表示待检测的电芯的概率密度在目标概率密度范围内,转至步骤S612;否则,转至步骤S613。
S612:确定待检测的电芯未发生含水量异常。
S613:判断待检测的电芯的第一成膜峰值是否在第一成膜峰值异常范围内,且第二成膜峰值是否在第二成膜峰值异常范围内。若均在(即第一成膜峰值在第一成膜峰值异常范围内,且第二成膜峰值在第二成膜峰值异常范围内),则转至步骤S601;否则,转至步骤S612。
S614:对待检测的电芯进行标记,并将标记结果上报给工业互联网。
应理解,在本申请实施例中,也可以不基于概率密度进行判断,而是直接通过将待检测的电芯在第一阶段中的第一成膜峰值和第二成膜峰值作为一个坐标点的两个坐标值,将待检测的电芯转换为图7所示的坐标系中的一个坐标点,判断该坐标点是否位于图7左侧的圈内(即不先进行概率密度的判断,而是直接进行步骤S613的判断)。若不在,确定待检测的电芯未发生含水量异常;若在,确定待检测的电芯发生含水量异常。此时可以对待检测的电芯进行标记,并将标记结果上报给工业互联网。
还应理解,图6示出的过程实质存在两个阶段,其中步骤S601至步骤S607为模型构建阶段,步骤S608至步骤S614为电芯识别阶段。当通过步骤S601至步骤S607构建好最终的二维高斯模型后,该最终的二维高斯模型可以被反复应用,也即步骤S608至步骤S614可以针对不同的待检测的电芯被重复执行。
通过上述方式,可以实现在电芯装载前识别出发生了含水量异常的电芯的目的。同时,经实验检测,本方式的鲁棒性强,误杀数量少,在实际应用中可以具有良好的效果。且上述方案不需要对电芯进行破坏,可以实现对于每一个电芯的含水量异常检测,检测可靠性高。
基于同一发明构思,本申请实施例中还提供了一种异常电芯的识别装置800和一种模型构建装置900。请参阅图8和图9所示,图8示出了采用图2所示的方法的异常电芯的识别装置,图9示出了采用图3所示的方法的模型构建装置。应理解,装置800和装置900具体的功能可以参见上文中的描述,为避免重复,此处适当省略详细描述。装置800和装置900包括至少一个能以软件或固件的形式存储于存储器中或固化在装置800和装置900的操作系统中的软件功能模块。具体地:
参见图8所示,装置800包括:
识别模块801,用于基于电芯的目标特征数据,确定电芯是否为异常电芯;其中:目标特征数据包括:化成过程中所产生的,可以区分异常电芯与正常电芯的特征数据。
在本申请实施例的一种可选实施例中,目标特征数据包括:化成过程中所产生的受电芯中电解液影响的特征数据。
在本申请实施例的另一种可选实施例中,目标特征数据包括:化成过程中所产生的受电芯中含水量影响的特征数据。
在上述两种可选实施例中,目标特征数据包括:在化成过程的第一阶段采集参数的过程中,参数变化首次达到第一过程变化值时的第一目标参数值,以及参数变化首次达到第二过程变化值时的第二目标参数值;其中,第一过程变化值和第二过程变化值不同。
在本申请实施例中,识别模块801具体用于,将目标特征数据输入至预设的识别模型中,得到电芯是否为异常电芯的识别结果。
在本申请实施例中,识别模型为二维高斯模型。
本申请实施例中,识别模块801具体用于,将目标特征数据输入至二维高斯模型中,得到二维高斯模型计算得到的电芯的概率密度;若电芯的概率密度小于预设概率密度阈值,则确定电芯为异常电芯
本申请实施例中,识别模块801具体用于,将目标特征数据输入至二维高斯模型中,得到二维高斯模型计算得到的电芯的概率密度;若电芯的概率密度小于预设概率密度阈值,且目标特征数据位于预设的特征区间内,则确定电芯为异常电芯。
本申请实施例中,识别模块801具体用于,在电芯的化成过程中,基于电芯的目标特征数据,确定电芯是否为异常电芯
在本申请实施例中,装置800中还包括标记模块,用于在电芯为异常电芯时,标记该电芯。
参见图9所示,装置900包括:
第二获取模块901,用于获取化成过程中,各样本电芯的两种目标特征数据;目标特征数据包括:化成过程中所产生的,可以区分异常电芯与正常电芯的特征数据;各样本电芯中包括存在异常的第一样本电芯和不存在异常的第二样本电芯;
构建模块902,用于根据各样本电芯的两种目标特征数据,构建二维高斯模型。
在本申请实施例的一种可选实施方式中,第一样本电芯为存在电解液异常的样本电芯;目标特征数据包括:化成过程中所产生的受电芯中电解液影响的特征数据。
在本申请实施例的另一种可选实施方式中,第一样本电芯为存在含水量异常的样本电芯;目标特征数据包括:化成过程中所产生的受电芯中含水量影响的特征数据。
在上述两种可选实施方式中,两种目标特征数据包括:在化成过程的第一阶段采集参数的过程中,参数变化首次达到第一过程变化值时的第一目标参数值,以及参数变化首次达到第二过程变化值时的第二目标参数值;其中,第一过程变化值和第二过程变化值不同。
在本申请实施例中,构建模块902具体用于,根据所有样本电芯的两种目标特征数据,构建初步的二维高斯模型,根据初步的二维高斯模型中,属于目标聚类的各样本电芯的两种目标特征数据,构建最终的二维高斯模型;其中,目标聚类为初步的二维高斯模型中表征为不存在电解液异常的第二样本电芯的聚类。
在上述可选实施方式中,第二获取模块901具体用于,获取化成过程中,各样本电芯首次达到预设的各不同过程变化值时所对应的目标参数值,根据各不同过程变化值所对应的目标参数值,识别出第一过程变化值和第二过程变化值,确定第一过程变化值对应的目标参数值和第二过程变化值对应的目标参数值为各样本电芯的两种目标特征数据;其中,第一过程变化值和第二过程变化值为:预设的各不同过程变化值中,对于第一样本电芯和第二样本电芯之间的区分度最大的两 个过程变化值。
在上述可选实施方式中,第二获取模块901具体用于,根据两种不同过程变化值所对应的目标参数值,计算该两种不同过程变化值所对应的,第一样本电芯和第二样本电芯之间的区分度,确定最大区分度所对应的两种不同过程变化值为第一过程变化值和第二过程变化值。
需要理解的是,出于描述简洁的考量,部分前文方法部分中描述过的内容在装置部分中不再赘述。
本申请实施例中还提供了一种电子设备,参见图10所示,其包括处理器1001和存储器1002。其中:
处理器1001用于执行存储器1002中存储的一个或多个指令,以实现上述异常电芯的识别方法,或实现上述模型构建方法。
需要说明的是,处理器1001和存储器1002之间可以但不限于通过内部通信总线连接。
可以理解,图10所示的结构仅为示意,电子设备还可包括比图10中所示更多或者更少的组件,或者具有与图10所示不同的配置。例如,电子设备还可以具有数据输入接口,数据输出接口等部件。
在本申请实施例中,电子设备可以为PLC、电脑、智能手机、服务器等具有数据处理能力的设备,在本申请实施例中不做限制。
需要说明的是,PLC是一种具有微处理器的用于自动化控制的数字运算控制器,可以将控制指令随时载入内存进行储存与执行。PLC由微处理器、内存、输入/输出接口、电源等功能单元组成。当电子设备为PLC时,处理器1001即为PLC的微处理器,而存储器1002即为PLC的内存。
本申请实施例还提供了一种计算机可读存储介质,如软盘、光盘、硬盘、闪存、U盘、SD(Secure Digital Memory Card,安全数码卡)卡、MMC(Multimedia Card,多媒体卡)卡等,在该计算机可读存储介质中存储有实现上述各个步骤的一个或者多个指令,这一个或者多个指令可被一个或者多个处理器执行,以实现上述异常电芯的识别方法,或实现上述模型构建方法。在此不再赘述。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,其均应涵盖在本申请的权利要求和说明书的范围当中。尤其是,只要不存在结构或步骤冲突时,各个实施例中所提到的各项技术特征均可以任意方式组合起来。本申请并不局限于文中公开的特定实施例,而是包括落入权利要求的范围内的所有技术方案。
Claims (12)
- 一种异常电芯的识别方法,其特征在于,包括:基于电芯的目标特征数据,确定所述电芯是否为异常电芯;其中:所述目标特征数据包括:化成过程中所产生的,可以区分异常电芯与正常电芯的特征数据。
- 如权利要求1所述的异常电芯的识别方法,其特征在于,所述目标特征数据包括:化成过程中所产生的受所述电芯中电解液影响的特征数据。
- 如权利要求1所述的异常电芯的识别方法,其特征在于,所述目标特征数据包括:化成过程中所产生的受所述电芯中含水量影响的特征数据。
- 如权利要求2或3所述的异常电芯的识别方法,其特征在于,所述目标特征数据包括:在所述化成过程的第一阶段采集参数的过程中,参数变化首次达到第一过程变化值时的第一目标参数值,以及参数变化首次达到第二过程变化值时的第二目标参数值;其中,所述第一过程变化值和所述第二过程变化值不同。
- 如权利要求1-3任一项所述的异常电芯的识别方法,其特征在于,基于电芯的目标特征数据,确定所述电芯是否为异常电芯,包括:将所述目标特征数据输入至预设的识别模型中,得到所述电芯是否为异常电芯的识别结果。
- 如权利要求5所述的异常电芯的识别方法,其特征在于,所述识别模型为二维高斯模型。
- 如权利要求6所述的异常电芯的识别方法,其特征在于,将所述目标特征数据输入至预设的识别模型中,得到所述电芯是否为异常电芯的识别结果,包括:将所述目标特征数据输入至所述二维高斯模型中,得到所述二维高斯模型计算得到的所述电芯的概率密度;若所述电芯的概率密度小于预设概率密度阈值,则确定所述电芯为异常电芯。
- 如权利要求6所述的异常电芯的识别方法,其特征在于,将所述目标特征数据输入至预设的识别模型中,得到所述电芯是否为异常电芯的识别结果,包括:将所述目标特征数据输入至所述二维高斯模型中,得到所述二维高斯模型计算得到的所述电芯的概率密度;若所述电芯的概率密度小于预设概率密度阈值,且所述目标特征数据位于预设的特征区间内,则确定所述电芯为异常电芯。
- 如权利要求1-3任一项所述的异常电芯的识别方法,其特征在于,所述基于电芯的目标特征数据,确定所述电芯是否为异常电芯,包括:在所述电芯的化成过程中,基于所述电芯的目标特征数据,确定所述电芯是否为异常电芯。
- 一种电解液异常电芯的识别装置,其特征在于,包括:识别模块,用于基于电芯的目标特征数据,确定所述电芯是否为异常电芯;其中:所述目标特征数据包括:化成过程中所产生的,可以区分异常电芯与正常电芯的特征数据。
- 一种电子设备,其特征在于,包括:处理器和存储器;所述处理器用于执行所述存储器中存储的一个或者多个指令,以实现如权利要求1至9中任一项所述的异常电芯的识别方法。
- 一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有一个或多个指令,所述指令可被处理器执行,以实现如权利要求1至9中任一项所述的异常电芯的识别方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2022/087736 WO2023201531A1 (zh) | 2022-04-19 | 2022-04-19 | 异常电芯的识别方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117413195A true CN117413195A (zh) | 2024-01-16 |
Family
ID=88418887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280038800.5A Pending CN117413195A (zh) | 2022-04-19 | 2022-04-19 | 异常电芯的识别方法、装置、电子设备及存储介质 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20240255581A1 (zh) |
EP (1) | EP4382937A1 (zh) |
JP (1) | JP2024531445A (zh) |
KR (1) | KR20240041988A (zh) |
CN (1) | CN117413195A (zh) |
WO (1) | WO2023201531A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118311468B (zh) * | 2024-06-11 | 2024-09-13 | 常州拜特测控技术有限公司 | 一种sofc单电池性能测试方法、装置、设备及介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106198293B (zh) * | 2016-08-12 | 2019-03-29 | 合肥国轩高科动力能源有限公司 | 一种动力锂电池中水分含量的测试方法 |
US10777470B2 (en) * | 2018-03-27 | 2020-09-15 | Pdf Solutions, Inc. | Selective inclusion/exclusion of semiconductor chips in accelerated failure tests |
CN109164146B (zh) * | 2018-11-12 | 2023-06-09 | 桑顿新能源科技(长沙)有限公司 | 一种通过化成曲线判断水含量的方法 |
CN110514724B (zh) * | 2019-08-22 | 2022-04-12 | 中车青岛四方车辆研究所有限公司 | 一种软包锂离子电容电芯内微水含量的检测方法 |
CN114117825A (zh) * | 2021-07-02 | 2022-03-01 | 上海玫克生储能科技有限公司 | 一种电池的运维方法、装置及电子设备 |
CN113991198A (zh) * | 2021-09-29 | 2022-01-28 | 江苏中兴派能电池有限公司 | 一种锂离子电池电解液浸润检测方法 |
CN114200329A (zh) * | 2021-12-10 | 2022-03-18 | 合肥国轩高科动力能源有限公司 | 一种基于化成曲线特征的异常电池筛选方法 |
-
2022
- 2022-04-19 WO PCT/CN2022/087736 patent/WO2023201531A1/zh active Application Filing
- 2022-04-19 CN CN202280038800.5A patent/CN117413195A/zh active Pending
- 2022-04-19 EP EP22937769.2A patent/EP4382937A1/en active Pending
- 2022-04-19 KR KR1020247006731A patent/KR20240041988A/ko unknown
- 2022-04-19 JP JP2024510729A patent/JP2024531445A/ja active Pending
-
2024
- 2024-03-04 US US18/595,117 patent/US20240255581A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
JP2024531445A (ja) | 2024-08-29 |
KR20240041988A (ko) | 2024-04-01 |
EP4382937A1 (en) | 2024-06-12 |
WO2023201531A1 (zh) | 2023-10-26 |
US20240255581A1 (en) | 2024-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109613436B (zh) | 电池管理系统、电池系统及电池析锂的检测方法、装置 | |
WO2021169487A1 (zh) | 动力电池内单体电池的短路监测方法、系统以及装置 | |
CN108089133B (zh) | 储能系统电池组一致性检测方法及检测装置 | |
CN108398649B (zh) | 析锂检测方法及装置 | |
CN111114328A (zh) | 一种电动汽车动力蓄电池热失控预警方法、装置及系统 | |
CN115494404B (zh) | 一种蓄电池组在线监测方法 | |
US20240255581A1 (en) | Method and apparatus for identifying abnormal battery cell, electronic device, and storage medium | |
CN113848489B (zh) | 电池的短路识别方法、装置及存储介质 | |
CN112098875A (zh) | 锂离子电池析锂的检测方法 | |
CN113341329A (zh) | 一种电压弛豫判定电芯析锂的方法及系统 | |
CN113135115A (zh) | 检测电池系统短路的方法、装置、车辆及存储介质 | |
CN114523878B (zh) | 一种锂离子电池析锂安全预警方法及装置 | |
CN113671393B (zh) | 一种电流采集检测方法、电池包与用电装置 | |
CN114252792A (zh) | 电池包的内短路检测方法、装置、电子设备及存储介质 | |
CN117872159A (zh) | 一种基于数据分析的锂电芯充放电异常检测方法及系统 | |
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 | |
CN216411516U (zh) | 锂电池和模组的析锂检测装置 | |
EP4382924A1 (en) | Abnormal battery cell identification method and apparatus, electronic device, and storage medium | |
CN118281382A (zh) | 电化学装置管理方法及其设备、电化学装置及用电设备 | |
CN112433157B (zh) | 动力锂电池的内短路与漏液故障的在线监测与区分系统 | |
CN113064090A (zh) | 锂离子电池析锂检测方法、装置、介质、车载系统和车辆 | |
WO2023193268A1 (zh) | 电芯短路识别方法、装置、bms、电池包、设备及介质 | |
CN114415043A (zh) | 一种动力电池安全状态识别方法及系统 | |
CN118759396A (zh) | 车辆电池异常检测方法及装置、可读存储介质 | |
CN115327404A (zh) | 一种识别电池热失控方法及系统 |
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 |