CN117434452B - 锂电池充放电检测方法、装置、设备及存储介质 - Google Patents
锂电池充放电检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117434452B CN117434452B CN202311680339.6A CN202311680339A CN117434452B CN 117434452 B CN117434452 B CN 117434452B CN 202311680339 A CN202311680339 A CN 202311680339A CN 117434452 B CN117434452 B CN 117434452B
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- key frame
- thermal imaging
- detected
- convolution
- 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.)
- Active
Links
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 235
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 235
- 238000001514 detection method Methods 0.000 title claims abstract description 132
- 238000001931 thermography Methods 0.000 claims abstract description 99
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000009432 framing Methods 0.000 claims abstract description 23
- 238000003062 neural network model Methods 0.000 claims description 35
- 238000007781 pre-processing Methods 0.000 claims description 35
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 230000001364 causal effect Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 description 9
- 239000013598 vector Substances 0.000 description 8
- 125000004122 cyclic group Chemical group 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000007599 discharging Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer 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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/0096—Radiation pyrometry, e.g. infrared or optical thermometry for measuring wires, electrical contacts or electronic systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/48—Thermography; Techniques using wholly visual means
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Quality & Reliability (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供了一种锂电池充放电检测方法、装置、设备及存储介质,其中,该方法包括:获取待检测锂电池,对待检测锂电池进行充放电操作,并在待检测锂电池进行充放电操作时对待检测锂电池进行热成像拍摄,得到对应的热成像视频;对热成像视频进行分帧操作,得到热成像视频的多个关键帧图像;将多个关键帧图像输入预设的锂电池检测模型中,通过锂电池检测模型根据多个关键帧图像计算待检测锂电池的性能状态。本方法将多个关键帧图像输入锂电池检测模型中,通过锂电池检测模型根据关键帧图像计算待检测锂电池的性能状态。锂电池检测模型事先学习锂电池表面温度与性能状态之间的关系,可以快速地评估待检测锂电池的性能状态,提高检测的准确性和效率。
Description
技术领域
本发明涉及电池检测领域,尤其涉及一种锂电池充放电检测方法、装置、设备及存储介质。
背景技术
准确估计锂离子电池的健康状态(SOH)对于避免电池过充、过放甚至热失控等问题,并为制定有效延长电池使用寿命的措施提供参数支持非常重要。然而,由于电池带负载种类多、放电工况复杂多变,实时监测放电容量和功率对传感器提出了很高的要求,难度较大。目前,常见的电池健康状态估算方法包括基于模型的方法和数据驱动类方法。其中,基于模型法可以研究复杂的内部工作机理,检测效率低且耗时长,通用性较差;基于数据驱动法则可以采集大量的历史数据来保证结果的准确性,仍可以采集电池循环周期内的充放电数据,耗时也相对较长。综合来看,这两种方法都无法快速对锂电池的健康状态进行可靠检测。
发明内容
本发明的主要目的在于解决现有的无法对锂电池的健康状态进行快速检测的技术问题。
本发明第一方面提供了一种锂电池充放电检测方法,所述锂电池充放电检测方法包括:
获取待检测锂电池,对所述待检测锂电池进行充放电操作,并在所述待检测锂电池进行充放电操作时对所述待检测锂电池进行热成像拍摄,得到对应的热成像视频;
对所述热成像视频进行分帧操作,得到所述热成像视频的多个关键帧图像;
将所述多个关键帧图像输入预设的锂电池检测模型中,通过所述锂电池检测模型根据所述多个关键帧图像计算所述待检测锂电池的性能状态。
可选的,在本发明第一方面的第一种实现方式中,所述对所述热成像视频进行分帧操作,得到所述热成像视频的多个关键帧图像包括:
对所述热成像视频进行分帧操作,得到所述热成像视频的多个图像帧;
对所述多个图像帧进行逐帧比对,计算各图像帧之间的相似度;
根据所述多个图像帧的时间轴,将所述相似度大于预设相似度阈值的图像帧抽取为所述热成像视频的关键帧图像,得到多个关键帧图像。
可选的,在本发明第一方面的第二种实现方式中,所述将所述多个关键帧图像输入预设的锂电池检测模型中,通过所述锂电池检测模型根据所述多个关键帧图像计算所述待检测锂电池的性能状态包括:
将所述多个关键帧图像输入预设的锂电池检测模型中,对所述多个关键帧图像进行特征提取,得到各关键帧图像的特征表示;
将各所述特征表示按照所述热成像视频的时间轴,生成对应的时序数据;
通过所述锂电池检测模型对所述时序数据进行分类,得到所述待检测锂电池的性能状态。
可选的,在本发明第一方面的第三种实现方式中,所述锂电池检测模型包括残差神经网络,所述残差神经网络包括多个卷积层和全连接层;
所述将所述多个关键帧图像输入预设的锂电池检测模型中,对所述多个关键帧图像进行特征提取,得到各关键帧图像的特征表示包括:
将所述多个关键帧图像输入预设的锂电池检测模型中,对所述多个关键帧图像进行图像预处理;
通过所述锂电池检测模型中残差神经网络的多个卷积层对图像预处理后的多个关键帧图像进行卷积操作;
将所述残差神经网络中最后一层卷积层进行卷积操作后的输出作为对应的关键帧图像的特征表示,得到各关键帧图像的特征表示。
可选的,在本发明第一方面的第四种实现方式中,所述锂电池检测模型还包括时间卷积网络;
所述通过所述锂电池检测模型对所述时序数据进行分类,得到所述待检测锂电池的性能状态包括:
对所述时序数据进行数据预处理,并将数据预处理后的时序数据输入所述时间卷积网络;
通过所述时间卷积网络中的因果卷积层和膨胀卷积层对时序数据进行处理计算并提取所述时序数据的特征信息,其中,所述时间卷积网络中的因果卷积层和膨胀卷积层进行残差连接,通过残差连接将输入数据与因果卷积层和膨胀卷积层的输出相加;
使用激活函数对所述特征信息进行非线性映射,得到所述待检测锂电池的性能状态。
可选的,在本发明第一方面的第五种实现方式中,所述对所述时序数据进行数据预处理,并将数据预处理后的时序数据输入所述时间卷积网络包括:
确定所述特征信息的序列长度,并判断所述时序数据的序列长度是否与所述特征信息的序列长度相同;
若否,则对所述时序数据进行填充操作,使得所述时序数据的序列长度与所述特征信息的序列长度相同。
可选的,在本发明第一方面的第六种实现方式中,在所述将所述多个关键帧图像输入预设的锂电池检测模型中,通过所述锂电池检测模型根据所述多个关键帧图像计算所述待检测锂电池的性能状态之前,还包括:
获取所述待检测锂电池同一类型的样本电池的样本工作数据,其中,所述样本工作数据包括所述样本电池充放电过程中的样本热成像视频以及对应的样本实测性能状态;
对所述样本工作数据进行数据预处理,并获取预设的神经网络模型;
将所述样本热成像视频输入所述神经网络模型,通过所述神经网络模型计算所述样本热成像视频对应的样本预测性能状态;
判断所述样本预测性能状态与所述样本实测性能状态的偏差值是否小于预设偏差阈值;
若否,则根据所述偏差值调整所述神经网络模型的网络参数,并返回将所述样本热成像视频输入所述神经网络模型,通过所述神经网络模型计算所述样本热成像视频对应的样本预测性能状态的步骤,直至所述偏差值小于所述预设偏差阈值,得到锂电池检测模型;
若是,则将所述神经网络模型作为锂电池检测模型。
本发明第二方面提供了一种锂电池充放电检测装置,所述锂电池充放电检测装置包括:
拍摄模块,用于获取待检测锂电池,对所述待检测锂电池进行充放电操作,并在所述待检测锂电池进行充放电操作时对所述待检测锂电池进行热成像拍摄,得到对应的热成像视频;
分帧模块,用于对所述热成像视频进行分帧操作,得到所述热成像视频的多个关键帧图像;
检测模块,用于将所述多个关键帧图像输入预设的锂电池检测模型中,通过所述锂电池检测模型根据所述多个关键帧图像计算所述待检测锂电池的性能状态。
本发明第三方面提供了一种锂电池充放电检测装置,包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;所述至少一个处理器调用所述存储器中的所述指令,以使得所述锂电池充放电检测设备执行上述的锂电池充放电检测方法的步骤。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的锂电池充放电检测方法的步骤。
上述锂电池充放电检测方法、装置、设备及存储介质,通过获取待检测锂电池,对所述待检测锂电池进行充放电操作,并在所述待检测锂电池进行充放电操作时对所述待检测锂电池进行热成像拍摄,得到对应的热成像视频;对所述热成像视频进行分帧操作,得到所述热成像视频的多个关键帧图像;将所述多个关键帧图像输入预设的锂电池检测模型中,通过所述锂电池检测模型根据所述多个关键帧图像计算所述待检测锂电池的性能状态。本方法将多个关键帧图像输入锂电池检测模型中,通过锂电池检测模型根据关键帧图像计算待检测锂电池的性能状态。锂电池检测模型事先学习锂电池表面温度与性能状态之间的关系,可以快速地评估待检测锂电池的性能状态,提高检测的准确性和效率。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、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
图1为本发明实施例中锂电池充放电检测方法的第一个实施例示意图;
图2为本发明实施例中锂电池充放电检测装置的一个实施例示意图;
图3为本发明实施例中锂电池充放电检测装置的另一个实施例示意图;
图4为本发明实施例中锂电池充放电检测设备的一个实施例示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
本发明实施例中所提到的术语“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。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括其他没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种锂电池充放电检测方法进行详细介绍。如图1所示,该锂电池充放电检测的方法,本方法包括如下步骤:
101、获取待检测锂电池,对待检测锂电池进行充放电操作,并在待检测锂电池进行充放电操作时对待检测锂电池进行热成像拍摄,得到对应的热成像视频;
在本发明的一个实施例中,首先,可以从指定的源头中获取待检测的锂电池。源头可能是生产线上的新锂电池,或是在市场上流通的已使用的锂电池。对其进行充电和放电操作。这是为了观察电池在实际运行状态下的表现,以此评估其充电能力和放电能力。充电和放电操作可以进行多次,这取决于的检测需求。在电池进行充放电操作时对其进行热成像拍摄。热成像拍摄可以帮助监视电池的温度变化,因为电池的温度对于其性能和安全性至关重要。
102、对热成像视频进行分帧操作,得到热成像视频的多个关键帧图像;
在本发明的一个实施例中,所述对所述热成像视频进行分帧操作,得到所述热成像视频的多个关键帧图像包括:对所述热成像视频进行分帧操作,得到所述热成像视频的多个图像帧;对所述多个图像帧进行逐帧比对,计算各图像帧之间的相似度;根据所述多个图像帧的时间轴,将所述相似度大于预设相似度阈值的图像帧抽取为所述热成像视频的关键帧图像,得到多个关键帧图像。
具体的,对热成像视频进行分帧操作,这个操作可以理解为将连续的视频剥离成多个独立的静态图像帧。在具体操作过程中,每一帧图像代表了电池在一个特定时间点的热成像情况。这样,就能得到一系列热成像图像,每个图像都代表了电池在充放电过程中的某一时间点的热状态,对于关键帧的获取可以通过多种方式获取热成像拍摄的关键帧图像,例如基于时间间隔,按照设定的时间间隔从视频中均匀地提取关键帧。例如,每隔一秒或每隔几秒提取一帧作为关键帧,或者通过评估图像质量来选择关键帧。可以使用图像质量评估算法,如图像清晰度、对比度、亮度等指标来衡量每一帧的质量,选择质量最好的帧作为关键帧。而在本实施例中,主要通过计算各图像帧之间相似度的方式,对这些图像帧进行逐帧比对,计算各图像帧之间的相似度。这是为了找出在温度变化上有显著差异的帧,也就是说,要找出电池在充放电过程中温度变化的关键时刻。同一时间,这个步骤也有助于发现和定位可能存在的异常温度区域。然后,可以设置一个预设的相似度阈值,这个阈值会根据的特定需求设定,比如可以设定阈值为70%。这意味着,只有当两个连续的图像帧在热成像上的相似度低于70%时,才认为电池在这两个时间点经历了显著的温度变化。最后,在整个时间轴上,将那些相似度大于预设相似度阈值的图像帧抽取出来作为关键帧图像。这些关键帧图像代表了电池在整个充放电过程中的关键热成像变化。
103、将多个关键帧图像输入预设的锂电池检测模型中,通过锂电池检测模型根据多个关键帧图像计算待检测锂电池的性能状态。
在本发明的一个实施例中,所述将所述多个关键帧图像输入预设的锂电池检测模型中,通过所述锂电池检测模型根据所述多个关键帧图像计算所述待检测锂电池的性能状态包括:将所述多个关键帧图像输入预设的锂电池检测模型中,对所述多个关键帧图像进行特征提取,得到各关键帧图像的特征表示;将各所述特征表示按照所述热成像视频的时间轴,生成对应的时序数据;通过所述锂电池检测模型对所述时序数据进行分类,得到所述待检测锂电池的性能状态。
具体的,通过特征提取,可以从图像中提取出与锂电池性能相关的关键信息,从而更好地理解和分析锂电池的状态。在这个过程中,锂电池检测模型会利用其内部的算法和学习能力,对每个关键帧图像进行深入分析。它会识别图像中的不同特征并将它们转化为数值化的特征表示。这些特征表示可以被视为对图像内容的抽象表达,其中包含了反映锂电池性能的重要特征。通过对多个关键帧图像进行特征提取,可以综合考虑锂电池在不同时间点的状态变化,从而更全面地了解锂电池的性能特征。例如可以将每个关键帧的特征向量展开成一维向量,得到一个形状为(D)的向量。接下来,将这些一维向量按时间顺序连接起来,形成一个形状为(T, D)的二维矩阵。这个矩阵的每一行代表一个关键帧的特征向量,而每列则代表特征向量的不同维度。
进一步的,所述锂电池检测模型包括残差神经网络,所述残差神经网络包括多个卷积层和全连接层;所述将所述多个关键帧图像输入预设的锂电池检测模型中,对所述多个关键帧图像进行特征提取,得到各关键帧图像的特征表示包括:将所述多个关键帧图像输入预设的锂电池检测模型中,对所述多个关键帧图像进行图像预处理;通过所述锂电池检测模型中残差神经网络的多个卷积层对图像预处理后的多个关键帧图像进行卷积操作;将所述残差神经网络中最后一层卷积层进行卷积操作后的输出作为对应的关键帧图像的特征表示,得到各关键帧图像的特征表示。
具体的,在进行特征提取时,需要将原始图像进行预处理,通常包括缩放、剪裁和归一化等操作。这些预处理操作的目的是将图像转换为合适的尺寸和格式,便于后续的特征提取。在特征提取过程中使用残差神经网络,即ResNet模型,首先,加载预训练的ResNet模型。可以使用深度学习框架提供的模型库或者自行训练得到的模型。在PyTorch中,可以使用torchvision.models.resnet50(pretrained=True)来加载预训练的ResNet50模型。将预处理后的图像输入到ResNet模型中,通过前向传播计算得到模型的输出结果。在PyTorch中,可以直接使用model(image)将图像输入ResNet模型,得到前向传播后的输出。ResNet模型由卷积层和全连接层构成,通常选择卷积层的输出作为图像的特征表示。在ResNet50模型中,可以通过model.avgpool和model.fc之间的部分来获取特征表示。最后,将提取得到的特征表示保存下来,以便进行后续处理和分析。
进一步的,所述锂电池检测模型还包括时间卷积网络;所述通过所述锂电池检测模型对所述时序数据进行分类,得到所述待检测锂电池的性能状态包括:对所述时序数据进行数据预处理,并将数据预处理后的时序数据输入所述时间卷积网络;通过所述时间卷积网络中的因果卷积层和膨胀卷积层对时序数据进行处理计算并提取所述时序数据的特征信息,其中,所述时间卷积网络中的因果卷积层和膨胀卷积层进行残差连接,通过残差连接将输入数据与因果卷积层和膨胀卷积层的输出相加;使用激活函数对所述特征信息进行非线性映射,得到所述待检测锂电池的性能状态。
具体的,TCN(Temporal Convolutional Network,时间卷积网络)模型使用TCN模型对时序数据进行分类分析。首先,将预处理和特征提取步骤得到的时序数据输入到已经训练好的TCN模型中。TCN模型能够捕捉时序信息,并在不引入循环结构的情况下进行建模。TCN模型会将关键帧数据表示为一个序列。每个关键帧可以是图像、向量或其他形式的数据。这些关键帧按照时间顺序排列,形成一个输入序列。对关键帧序列进行一维卷积操作。一维卷积操作会在时间维度上滑动卷积核,提取局部特征。卷积核的长度通常小于序列的长度,这样可以提取层次化的特征信息。在卷积操作之后,通常会应用非线性激活函数,如ReLU(修正线性单元),以引入非线性因素。在TCN模型中,可以使用池化操作来降低序列的长度和维度。最大池化或平均池化可以减少计算量,并保留关键的特征信息。为了提取更高级别的特征,TCN模型可以通过堆叠多个卷积层来增加模型的深度。每个卷积层的输出经过非线性激活函数后,成为下一层的输入。此外,为了解决梯度消失和训练困难问题,一些TCN模型采用残差连接,即将前一层的输出与当前层的输入相加,以保留更多低级别的特征信息。最后一层可以是全连接层、池化层或其它适当的层次结构,用于将TCN模型的输出映射到所需的任务,即所述待检测锂电池的性能状态上。此外,在进行卷积操作时,TCN模型中使用的卷积操作是循环因果卷积(causal convolution)。循环因果卷积是指卷积操作的输出只依赖于输入序列中当前和过去的元素,不依赖于未来的元素。当输入一个序列数据进行循环因果卷积时,假设有一个长度为n的时间序列x = [x1, x2, ..., xn],其中xi表示在i时刻的某种数值或特征。现在想要用TCN模型对这个时间序列进行处理和建模。假设有一个长度为n的时间序列x = [x1, x2, ..., xn],其中xi表示在i时刻的某种数值或特征。现在想要用TCN模型对这个时间序列进行处理和建模。首先,将时间序列x表示为一个序列数据,在TCN模型的第一个卷积层中,使用了一个长度为k的卷积核(k通常被称作卷积核的大小)。假设使用了n_out个输出通道,那么得到的第一个卷积层的输出z1可以表示为:
z1[i] = f(w1 * x[i:i+k-1] + b1)
其中w1是一个形状为(k, n_in, n_out)的卷积核张量,b1是一个形状为(n_out,)的偏置向量,f是一个非线性激活函数,例如ReLU。
这里的关键是,由于期望模型只能根据当前时刻之前的信息进行预测,所以采用了循环因果卷积,来实现对滞后时序的建模。具体地说,将卷积核进行填充,确保在每个时刻t处,只考虑t之前的信息,而不包括t及以后的信息。常见的做法是在卷积核左侧添加k-1个零,使得卷积操作可以保证输出序列长度与输入序列相同。然后,可以将第一个卷积层的输出作为下一层的输入,也就是下一层的输入为z1 = [z1[1], z1[2], ..., z1[n]]。重复上述步骤,通过堆叠多个卷积层,可以提取更高级别的特征,并且通过残差连接来确保信息的传递和特征的保留。
进一步的,所述对所述时序数据进行数据预处理,并将数据预处理后的时序数据输入所述时间卷积网络包括:确定所述特征信息的序列长度,并判断所述时序数据的序列长度是否与所述特征信息的序列长度相同;若否,则对所述时序数据进行填充操作,使得所述时序数据的序列长度与所述特征信息的序列长度相同。
具体的,TCN模型使用一维的卷积操作对输入的序列数据进行特征提取。为了确保循环因果性,通常会进行数据预处理,设置适当的填充(padding)和偏移(dilation)参数。在填充方面,可以通过在输入序列两侧添加适当数量的零值来实现。这样可以保持卷积操作前后序列长度不变。填充的数量通常根据卷积核的大小来确定,以确保输出特征与输入序列具有相同的长度。在偏移方面,通过调整卷积核的间隔来控制卷积操作的感受野。较大的偏移值可以扩大感受野范围,从而更好地捕捉长时间依赖关系。而较小的偏移值可以捕捉更细粒度的位置信息。
进一步的,在所述将所述多个关键帧图像输入预设的锂电池检测模型中,通过所述锂电池检测模型根据所述多个关键帧图像计算所述待检测锂电池的性能状态之前,还包括:获取所述待检测锂电池同一类型的样本电池的样本工作数据,其中,所述样本工作数据包括所述样本电池充放电过程中的样本热成像视频以及对应的样本实测性能状态;对所述样本工作数据进行数据预处理,并获取预设的神经网络模型;将所述样本热成像视频输入所述神经网络模型,通过所述神经网络模型计算所述样本热成像视频对应的样本预测性能状态;判断所述样本预测性能状态与所述样本实测性能状态的偏差值是否小于预设偏差阈值;若否,则根据所述偏差值调整所述神经网络模型的网络参数,并返回将所述样本热成像视频输入所述神经网络模型,通过所述神经网络模型计算所述样本热成像视频对应的样本预测性能状态的步骤,直至所述偏差值小于所述预设偏差阈值,得到锂电池检测模型;若是,则将所述神经网络模型作为锂电池检测模型。
具体的,在获取待检测锂电池同一类型的样本电池的样本工作数据后,需要对这些数据进行数据预处理,并获取预设的神经网络模型。这些样本工作数据包括样本电池充放电过程中的样本热成像视频以及对应的样本实测性能状态。
首先,对这些样本工作数据进行数据预处理,包括去除噪声、归一化、平滑等步骤。然后,获取预设的神经网络模型,该模型可以用于对样本热成像视频进行预测性能状态的计算。接下来,将样本热成像视频输入到神经网络模型中,通过神经网络模型计算出样本热成像视频对应的预测性能状态。然后,需要判断该预测性能状态与样本实测性能状态之间的偏差值是否小于预设的偏差阈值。如果偏差值小于预设的偏差阈值,则可以将该神经网络模型作为锂电池检测模型。如果偏差值大于预设的偏差阈值,则需要根据偏差值调整神经网络模型的网络参数,再次将样本热成像视频输入到神经网络模型中进行预测性能状态的计算。这个过程将会重复进行,直到偏差值小于预设的偏差阈值为止。最终,可以得到一个准确度较高的锂电池检测模型,该模型可以用于对待检测锂电池的性能状态进行评估和预测。
在本实施例中,通过获取待检测锂电池,对所述待检测锂电池进行充放电操作,并在所述待检测锂电池进行充放电操作时对所述待检测锂电池进行热成像拍摄,得到对应的热成像视频;对所述热成像视频进行分帧操作,得到所述热成像视频的多个关键帧图像;将所述多个关键帧图像输入预设的锂电池检测模型中,通过所述锂电池检测模型根据所述多个关键帧图像计算所述待检测锂电池的性能状态。本方法将多个关键帧图像输入锂电池检测模型中,通过锂电池检测模型根据关键帧图像计算待检测锂电池的性能状态。锂电池检测模型事先学习锂电池表面温度与性能状态之间的关系,可以快速地评估待检测锂电池的性能状态,提高检测的准确性和效率。
上面对本发明实施例中锂电池充放电检测方法进行了描述,下面对本发明实施例中锂电池充放电检测装置进行描述,请参阅图2,本发明实施例中锂电池充放电检测装置一个实施例包括:
拍摄模块201,用于获取待检测锂电池,对所述待检测锂电池进行充放电操作,并在所述待检测锂电池进行充放电操作时对所述待检测锂电池进行热成像拍摄,得到对应的热成像视频;
分帧模块202,用于对所述热成像视频进行分帧操作,得到所述热成像视频的多个关键帧图像;
检测模块203,用于将所述多个关键帧图像输入预设的锂电池检测模型中,通过所述锂电池检测模型根据所述多个关键帧图像计算所述待检测锂电池的性能状态。
本发明实施例中,所述锂电池充放电检测装置运行上述锂电池充放电检测方法,所述锂电池充放电检测装置,通过获取待检测锂电池,对所述待检测锂电池进行充放电操作,并在所述待检测锂电池进行充放电操作时对所述待检测锂电池进行热成像拍摄,得到对应的热成像视频;对所述热成像视频进行分帧操作,得到所述热成像视频的多个关键帧图像;将所述多个关键帧图像输入预设的锂电池检测模型中,通过所述锂电池检测模型根据所述多个关键帧图像计算所述待检测锂电池的性能状态。本方法将多个关键帧图像输入锂电池检测模型中,通过锂电池检测模型根据关键帧图像计算待检测锂电池的性能状态。锂电池检测模型事先学习锂电池表面温度与性能状态之间的关系,可以快速地评估待检测锂电池的性能状态,提高检测的准确性和效率。
请参阅图3,本发明实施例中锂电池充放电检测装置的第二个实施例包括:
拍摄模块201,用于获取待检测锂电池,对所述待检测锂电池进行充放电操作,并在所述待检测锂电池进行充放电操作时对所述待检测锂电池进行热成像拍摄,得到对应的热成像视频;
分帧模块202,用于对所述热成像视频进行分帧操作,得到所述热成像视频的多个关键帧图像;
检测模块203,用于将所述多个关键帧图像输入预设的锂电池检测模型中,通过所述锂电池检测模型根据所述多个关键帧图像计算所述待检测锂电池的性能状态。
在本发明的一个实施例中,所述分帧模块202具体用于:
对所述热成像视频进行分帧操作,得到所述热成像视频的多个图像帧;
对所述多个图像帧进行逐帧比对,计算各图像帧之间的相似度;
根据所述多个图像帧的时间轴,将所述相似度大于预设相似度阈值的图像帧抽取为所述热成像视频的关键帧图像,得到多个关键帧图像。
在本发明的一个实施例中,所述检测模块203包括:
特征提取单元2031,用于将所述多个关键帧图像输入预设的锂电池检测模型中,对所述多个关键帧图像进行特征提取,得到各关键帧图像的特征表示;
时序生成单元2032,用于将各所述特征表示按照所述热成像视频的时间轴,生成对应的时序数据;
分类单元2033,用于通过所述锂电池检测模型对所述时序数据进行分类,得到所述待检测锂电池的性能状态。
在本发明的一个实施例中,所述锂电池检测模型包括残差神经网络,所述残差神经网络包括多个卷积层和全连接层;
特征提取单元2031具体用于:
将所述多个关键帧图像输入预设的锂电池检测模型中,对所述多个关键帧图像进行图像预处理;
通过所述锂电池检测模型中残差神经网络的多个卷积层对图像预处理后的多个关键帧图像进行卷积操作;
将所述残差神经网络中最后一层卷积层进行卷积操作后的输出作为对应的关键帧图像的特征表示,得到各关键帧图像的特征表示。
在本发明的一个实施例中,所述锂电池检测模型还包括时间卷积网络;
所述分类单元2033具体用于:
对所述时序数据进行数据预处理,并将数据预处理后的时序数据输入所述时间卷积网络;
通过所述时间卷积网络中的因果卷积层和膨胀卷积层对时序数据进行处理计算并提取所述时序数据的特征信息,其中,所述时间卷积网络中的因果卷积层和膨胀卷积层进行残差连接,通过残差连接将输入数据与因果卷积层和膨胀卷积层的输出相加;
使用激活函数对所述特征信息进行非线性映射,得到所述待检测锂电池的性能状态。
在本发明的一个实施例中,所述分类单元2033具体还用于:
确定所述特征信息的序列长度,并判断所述时序数据的序列长度是否与所述特征信息的序列长度相同;
若否,则对所述时序数据进行填充操作,使得所述时序数据的序列长度与所述特征信息的序列长度相同。
在本发明的一个实施例中,所述锂电池充放电检测装置还包括模型训练模块204,所述模型训练模块204具体用于:
获取所述待检测锂电池同一类型的样本电池的样本工作数据,其中,所述样本工作数据包括所述样本电池充放电过程中的样本热成像视频以及对应的样本实测性能状态;
对所述样本工作数据进行数据预处理,并获取预设的神经网络模型;
将所述样本热成像视频输入所述神经网络模型,通过所述神经网络模型计算所述样本热成像视频对应的样本预测性能状态;
判断所述样本预测性能状态与所述样本实测性能状态的偏差值是否小于预设偏差阈值;
若否,则根据所述偏差值调整所述神经网络模型的网络参数,并返回将所述样本热成像视频输入所述神经网络模型,通过所述神经网络模型计算所述样本热成像视频对应的样本预测性能状态的步骤,直至所述偏差值小于所述预设偏差阈值,得到锂电池检测模型;
若是,则将所述神经网络模型作为锂电池检测模型。
本实施例在上一实施例的基础上,详细描述了各个模块的具体功能以及部分模块的单元构成,通过上述模块和模块中的各单元,获取待检测锂电池,对所述待检测锂电池进行充放电操作,并在所述待检测锂电池进行充放电操作时对所述待检测锂电池进行热成像拍摄,得到对应的热成像视频;对所述热成像视频进行分帧操作,得到所述热成像视频的多个关键帧图像;将所述多个关键帧图像输入预设的锂电池检测模型中,通过所述锂电池检测模型根据所述多个关键帧图像计算所述待检测锂电池的性能状态。本方法将多个关键帧图像输入锂电池检测模型中,通过锂电池检测模型根据关键帧图像计算待检测锂电池的性能状态。锂电池检测模型事先学习锂电池表面温度与性能状态之间的关系,可以快速地评估待检测锂电池的性能状态,提高检测的准确性和效率。
上面图2和图3从模块化功能实体的角度对本发明实施例中的中锂电池充放电检测装置进行详细描述,下面从硬件处理的角度对本发明实施例中锂电池充放电检测设备进行详细描述。
图4是本发明实施例提供的一种锂电池充放电检测设备的结构示意图,该锂电池充放电检测设备400可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)410(例如,一个或一个以上处理器)和存储器420,一个或一个以上存储应用程序433或数据432的存储介质430(例如一个或一个以上海量存储设备)。其中,存储器420和存储介质430可以是短暂存储或持久存储。存储在存储介质430的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对锂电池充放电检测设备400中的一系列指令操作。更进一步地,处理器410可以设置为与存储介质430通信,在锂电池充放电检测设备400上执行存储介质430中的一系列指令操作,以实现上述锂电池充放电检测方法的步骤。
锂电池充放电检测设备400还可以包括一个或一个以上电源440,一个或一个以上有线或无线网络接口450,一个或一个以上输入输出接口460,和/或,一个或一个以上操作系统431,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图4示出的锂电池充放电检测设备结构并不构成对本发明提供的锂电池充放电检测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述锂电池充放电检测方法的步骤。
所述领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统或装置、单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元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,本发明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全部或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)执行本发明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(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围。
Claims (6)
1.一种锂电池充放电检测方法,其特征在于,所述锂电池充放电检测方法包括:
获取待检测锂电池,对所述待检测锂电池进行充放电操作,并在所述待检测锂电池进行充放电操作时对所述待检测锂电池进行热成像拍摄,得到对应的热成像视频;
对所述热成像视频进行分帧操作,得到所述热成像视频的多个图像帧;对所述多个图像帧进行逐帧比对,计算各图像帧之间的相似度;根据所述多个图像帧的时间轴,将所述相似度大于预设相似度阈值的图像帧抽取为所述热成像视频的关键帧图像,得到多个关键帧图像;
将所述多个关键帧图像输入预设的锂电池检测模型中,对所述多个关键帧图像进行图像预处理,所述锂电池检测模型包括残差神经网络和时间卷积网络,所述残差神经网络包括多个卷积层和全连接层;通过所述锂电池检测模型中残差神经网络的多个卷积层对图像预处理后的多个关键帧图像进行卷积操作;将所述残差神经网络中最后一层卷积层进行卷积操作后的输出作为对应的关键帧图像的特征表示,得到各关键帧图像的特征表示;将各所述特征表示按照所述热成像视频的时间轴,生成对应的时序数据;对所述时序数据进行数据预处理,并将数据预处理后的时序数据输入所述时间卷积网络;通过所述时间卷积网络中的因果卷积层和膨胀卷积层对时序数据进行处理计算并提取所述时序数据的特征信息,其中,所述时间卷积网络中的因果卷积层和膨胀卷积层进行残差连接,通过残差连接将输入数据与因果卷积层和膨胀卷积层的输出相加;使用激活函数对所述特征信息进行非线性映射,得到所述待检测锂电池的性能状态。
2.根据权利要求1所述的锂电池充放电检测方法,其特征在于,所述对所述时序数据进行数据预处理,并将数据预处理后的时序数据输入所述时间卷积网络包括:
确定所述特征信息的序列长度,并判断所述时序数据的序列长度是否与所述特征信息的序列长度相同;
若否,则对所述时序数据进行填充操作,使得所述时序数据的序列长度与所述特征信息的序列长度相同。
3.根据权利要求1所述的锂电池充放电检测方法,其特征在于,在所述将所述多个关键帧图像输入预设的锂电池检测模型中,通过所述锂电池检测模型根据所述多个关键帧图像计算所述待检测锂电池的性能状态之前,还包括:
获取所述待检测锂电池同一类型的样本电池的样本工作数据,其中,所述样本工作数据包括所述样本电池充放电过程中的样本热成像视频以及对应的样本实测性能状态;
对所述样本工作数据进行数据预处理,并获取预设的神经网络模型;
将所述样本热成像视频输入所述神经网络模型,通过所述神经网络模型计算所述样本热成像视频对应的样本预测性能状态;
判断所述样本预测性能状态与所述样本实测性能状态的偏差值是否小于预设偏差阈值;
若否,则根据所述偏差值调整所述神经网络模型的网络参数,并返回将所述样本热成像视频输入所述神经网络模型,通过所述神经网络模型计算所述样本热成像视频对应的样本预测性能状态的步骤,直至所述偏差值小于所述预设偏差阈值,得到锂电池检测模型;
若是,则将所述神经网络模型作为锂电池检测模型。
4.一种锂电池充放电检测装置,其特征在于,所述锂电池充放电检测装置包括:
拍摄模块,用于获取待检测锂电池,对所述待检测锂电池进行充放电操作,并在所述待检测锂电池进行充放电操作时对所述待检测锂电池进行热成像拍摄,得到对应的热成像视频;
分帧模块,用于对所述热成像视频进行分帧操作,得到所述热成像视频的多个图像帧;对所述多个图像帧进行逐帧比对,计算各图像帧之间的相似度;根据所述多个图像帧的时间轴,将所述相似度大于预设相似度阈值的图像帧抽取为所述热成像视频的关键帧图像,得到多个关键帧图像;
检测模块,用于将所述多个关键帧图像输入预设的锂电池检测模型中,对所述多个关键帧图像进行图像预处理,所述锂电池检测模型包括残差神经网络和时间卷积网络,所述残差神经网络包括多个卷积层和全连接层;通过所述锂电池检测模型中残差神经网络的多个卷积层对图像预处理后的多个关键帧图像进行卷积操作;将所述残差神经网络中最后一层卷积层进行卷积操作后的输出作为对应的关键帧图像的特征表示,得到各关键帧图像的特征表示;将各所述特征表示按照所述热成像视频的时间轴,生成对应的时序数据;对所述时序数据进行数据预处理,并将数据预处理后的时序数据输入所述时间卷积网络;通过所述时间卷积网络中的因果卷积层和膨胀卷积层对时序数据进行处理计算并提取所述时序数据的特征信息,其中,所述时间卷积网络中的因果卷积层和膨胀卷积层进行残差连接,通过残差连接将输入数据与因果卷积层和膨胀卷积层的输出相加;使用激活函数对所述特征信息进行非线性映射,得到所述待检测锂电池的性能状态。
5.一种锂电池充放电检测设备,其特征在于,所述锂电池充放电检测设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述锂电池充放电检测设备执行如权利要求1-3中任意一项所述的锂电池充放电检测方法的步骤。
6.一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,其特征在于,所述指令被处理器执行时实现如权利要求1-3中任意一项所述锂电池充放电检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311680339.6A CN117434452B (zh) | 2023-12-08 | 2023-12-08 | 锂电池充放电检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311680339.6A CN117434452B (zh) | 2023-12-08 | 2023-12-08 | 锂电池充放电检测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117434452A CN117434452A (zh) | 2024-01-23 |
CN117434452B true CN117434452B (zh) | 2024-03-05 |
Family
ID=89555519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311680339.6A Active CN117434452B (zh) | 2023-12-08 | 2023-12-08 | 锂电池充放电检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117434452B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112926472A (zh) * | 2021-03-05 | 2021-06-08 | 深圳先进技术研究院 | 视频分类方法、装置及设备 |
CN114509685A (zh) * | 2022-02-21 | 2022-05-17 | 重庆工商大学 | 一种构建锂离子电池热失控预测模型的方法及预测系统 |
CN114781441A (zh) * | 2022-04-06 | 2022-07-22 | 电子科技大学 | Eeg运动想象分类方法及多空间卷积神经网络模型 |
CN115690505A (zh) * | 2022-11-07 | 2023-02-03 | 阳光智维科技有限公司 | 光伏组件故障检测方法、装置、计算机设备及存储介质 |
CN115830516A (zh) * | 2023-02-13 | 2023-03-21 | 新乡职业技术学院 | 一种用于电池爆燃检测的计算机神经网络图像处理方法 |
CN116188471A (zh) * | 2023-05-04 | 2023-05-30 | 飞杨电源技术(深圳)有限公司 | 一种用于磷酸铁锂电池充电器的智能缺陷检测方法 |
CN116385465A (zh) * | 2023-04-11 | 2023-07-04 | 上海电气集团股份有限公司 | 图像分割模型的构建及图像分割方法、系统、设备和介质 |
CN116699428A (zh) * | 2023-08-08 | 2023-09-05 | 深圳市杰成镍钴新能源科技有限公司 | 退役电池的缺陷检测方法及装置 |
CN116740048A (zh) * | 2023-07-11 | 2023-09-12 | 芜湖楚睿智能科技有限公司 | 一种基于融合目标检测技术的锂电池表面缺陷检测方法 |
CN117237349A (zh) * | 2023-11-14 | 2023-12-15 | 珠海市嘉德电能科技有限公司 | 电池管理系统的热失控防护方法、装置、设备及存储介质 |
-
2023
- 2023-12-08 CN CN202311680339.6A patent/CN117434452B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112926472A (zh) * | 2021-03-05 | 2021-06-08 | 深圳先进技术研究院 | 视频分类方法、装置及设备 |
CN114509685A (zh) * | 2022-02-21 | 2022-05-17 | 重庆工商大学 | 一种构建锂离子电池热失控预测模型的方法及预测系统 |
CN114781441A (zh) * | 2022-04-06 | 2022-07-22 | 电子科技大学 | Eeg运动想象分类方法及多空间卷积神经网络模型 |
CN115690505A (zh) * | 2022-11-07 | 2023-02-03 | 阳光智维科技有限公司 | 光伏组件故障检测方法、装置、计算机设备及存储介质 |
CN115830516A (zh) * | 2023-02-13 | 2023-03-21 | 新乡职业技术学院 | 一种用于电池爆燃检测的计算机神经网络图像处理方法 |
CN116385465A (zh) * | 2023-04-11 | 2023-07-04 | 上海电气集团股份有限公司 | 图像分割模型的构建及图像分割方法、系统、设备和介质 |
CN116188471A (zh) * | 2023-05-04 | 2023-05-30 | 飞杨电源技术(深圳)有限公司 | 一种用于磷酸铁锂电池充电器的智能缺陷检测方法 |
CN116740048A (zh) * | 2023-07-11 | 2023-09-12 | 芜湖楚睿智能科技有限公司 | 一种基于融合目标检测技术的锂电池表面缺陷检测方法 |
CN116699428A (zh) * | 2023-08-08 | 2023-09-05 | 深圳市杰成镍钴新能源科技有限公司 | 退役电池的缺陷检测方法及装置 |
CN117237349A (zh) * | 2023-11-14 | 2023-12-15 | 珠海市嘉德电能科技有限公司 | 电池管理系统的热失控防护方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
基于改进区域全卷积网络的高压引线接头红外图像特征分析的在线故障诊断方法;徐奇伟 等;电工技术学报;20210430;第36卷(第7期);第1380-1388页 * |
基于相空间重构和误差补偿的风电功率混沌时间序列预测模型;王兰 等;电力系统及其自动化学报;20170915;第29卷(第09期);第65-69页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117434452A (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113777496B (zh) | 基于时间卷积神经网络的锂离子电池剩余寿命预测方法 | |
WO2016107246A1 (zh) | 基于小波降噪和相关向量机的锂电池剩余寿命预测方法 | |
Li et al. | Intelligent prognostics for battery health monitoring using the mean entropy and relevance vector machine | |
KR101948604B1 (ko) | 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치 | |
CN111538759B (zh) | 一种基于分布式字典学习的工业过程智能监测方法与系统 | |
CN109143094B (zh) | 一种动力电池的异常数据检测方法和装置 | |
CN114297036A (zh) | 数据处理方法、装置、电子设备及可读存储介质 | |
CN117237349B (zh) | 电池管理系统的热失控防护方法、装置、设备及存储介质 | |
CN116660759B (zh) | 基于bms电池管理系统的电池寿命预测方法及装置 | |
CN115514614B (zh) | 基于强化学习的云网络异常检测模型训练方法及存储介质 | |
CN116559667A (zh) | 模型训练方法及装置、电池检测方法及装置、设备、介质 | |
CN117154263A (zh) | 锂电池梯次利用充放电系统及控制方法 | |
CN117474905A (zh) | 材料性能检测方法、装置、设备及存储介质 | |
CN117034180B (zh) | 电力通信设备数据异常检测方法、系统及存储介质 | |
CN117434452B (zh) | 锂电池充放电检测方法、装置、设备及存储介质 | |
US20140324760A1 (en) | Synthetic time series data generation | |
Myilsamy et al. | State-of-health prediction for Li-ion batteries for efficient battery management system using hybrid machine learning model | |
CN117419828A (zh) | 基于光纤传感器的新能源电池温度监测方法 | |
CN116030955B (zh) | 基于物联网的医疗设备状态监测方法及相关装置 | |
CN117036732A (zh) | 一种基于融合模型的机电设备检测系统、方法及设备 | |
CN116901707A (zh) | 一种动力电池组故障预警方法、系统及车辆 | |
CN111459838B (zh) | 一种基于流形对齐的软件缺陷预测方法及系统 | |
CN115616408A (zh) | 电池热管理数据处理方法及系统 | |
KR20230075150A (ko) | 시스템 건전성을 관리하기 위한 방법 및 장치 | |
CN116176353B (zh) | 一种高性能电池的监控方法、装置、设备及存储介质 |
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 |