CN117872168A - 一种内嵌rfid新能源电池智能检测方法及系统 - Google Patents

Abstract

本发明涉及电变量测试技术领域，具体涉及一种内嵌RFID新能源电池智能检测方法及系统，该方法包括：获取各新能源电池的输出功率数据序列并拟合各曲线，构建曲线上各波峰点的辅助子序列与局部突出特征子序列，构建各波峰点的稳定输出因子；构建波峰点的波动凸显因子；进一步构建各波峰点的稳态判断点筛选权重；获取各稳态判断点，利用区域生长算法获取各生长区域数据序列，进一步获取各同态波谷序列，进而获取稳态判断点的动荡异常因子及同态变化系数，基于此构建各新能源电池的运行态势稳定系数；结合运行态势稳定系数与异常检测算法对新能源电池进行智能检测。本发明可提高新能源电池的质量检测结果的准确性。

Description

一种内嵌RFID新能源电池智能检测方法及系统

技术领域

本发明涉及电变量测试技术领域，具体涉及一种内嵌RFID新能源电池智能检测方法及系统。

背景技术

随着科技的发展，新能源电池行业正经历着前所未有的变革，随着新能源设备的发展，新能源电池在储能系统、新能源汽车等领域被广泛应用。然而随着新能源电池的大规模生产，新能源电池质量的控制问题逐渐凸显，如何精确、快速地检测电池的质量成为了一大难题。随着RFID技术的普及，因其非接触、快速、准确的特性，RFID技术在新能源电池的智能检测领域发挥着重要作用。

RFID技术是一种利用无线射频信号实现自动识别目标对象并获取相关数据的技术，每个RFID标签都有一个唯一的ID，存储电池的特定信息，阅读器通过天线发送射频信号，当标签进入阅读器信号覆盖范围时，标签天线接收信号作为能量来源，并将存储的信息返回阅读器，进而可获得标签对应新能源电池的相关信息。

在新能源电池智能检测过程中，通常会对出厂的新能源电池进行抽样检测，并利用异常检测算法对新能源电池的运行状态进行异常监测，当监测出存在运行状态有偏差的新能源电池时，利用RFID技术对问题新能源电池的内嵌RFID标签信息进行获取，可快速获取问题新能源电池对应的生产批次、生产时间、规格等信息，进而可以快速地对新能源电池进行有针对性的质量排查。新能源电池作为能源供应设备，还应该提供稳定的能量输出，若新能源电池的输出存在较大的波动情况，也不能作为正常产品进行使用，然而传统的异常检测算法只能检测新能源电池发生异常时的情况，如新能源电池的运行电压超出了额定范围，对于新能源电池运行时的稳定性则难以判断，进而导致对新能源电池的状态判断产生误差，影响新能源电池的质量检测结果。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种内嵌RFID新能源电池智能检测方法及系统，所采用的技术方案具体如下：

第一方面，本发明实施例提供了一种内嵌RFID新能源电池智能检测方法，该方法包括以下步骤：

对各批次新能源电池进行预设比例的抽样，获取各新能源电池在各采集时刻上的输出功率，并按照采集时刻顺序组成各新能源电池的输出功率数据序列；

对各新能源电池的输出功率数据序列中的所有元素进行拟合得到各曲线，根据曲线的波峰点与波谷点构建各波峰点的辅助子序列与局部突出特征子序列；根据各曲线中波峰点的输出功率、局部突出特征子序列以及新能源电池输出功率的运行安全范围上界构建各波峰点的稳定输出因子；根据波峰点与波谷点的连线斜率与波峰点的稳定输出因子构建各波峰点的波动凸显因子；根据各波峰点的波动凸显因子、辅助子序列以及波谷点的输出功率构建各波峰点的稳态判断点筛选权重；将稳态判断点筛选权重大于预设分割阈值的波峰点作为稳态判断点，基于稳态判断点的采集时刻差值利用区域生长算法获取各生长区域，将各生长区域中的稳态判断点按照采集时刻顺序组成各生长区域数据序列，将各生长区域数据序列始末两个稳态判断点对应的两个波峰点之间的波谷点组成各同态波谷序列；对于各新能源电池的各稳态判断点，根据稳态判断点的生长区域数据序列及同态波谷序列获取稳态判断点的动荡异常因子；根据稳态判断点与其余各稳态判断点的生长区域数据序列的差异构建稳态判断点的同态变化系数；根据各新能源电池稳态判断点的动荡异常因子、同态变化系数构建各新能源电池的运行态势稳定系数；

利用新能源电池的运行态势稳定系数以及异常检测算法对新能源电池进行智能检测。

进一步地，所述根据曲线的波峰点与波谷点构建各波峰点的辅助子序列与局部突出特征子序列，包括：

对于各波峰点，将波峰点前的3个波谷点与波峰点后的3个波谷点按照采集时刻顺序组成波峰点的辅助子序列；将波峰点前的2个波峰点与波峰点后的2个波峰点按照采集时刻顺序组成波峰点的局部突出特征子序列。

进一步地，所述根据各曲线中波峰点的输出功率、局部突出特征子序列以及新能源电池输出功率的运行安全范围上界构建各波峰点的稳定输出因子，包括：

对于各波峰点，计算波峰点的输出功率与新能源电池输出功率的运行安全范围上界值的差值绝对值，记为第一差值绝对值，计算波峰点的输出功率与波峰点所在曲线上所有波峰点的输出功率均值的差值绝对值，记为第二差值绝对值，计算所述第二差值绝对值与预设数值的和值，记为第一和值，计算所述第一差值绝对值与所述第一和值的比值，计算波峰点的输出功率与波峰点的局部突出特征子序列中各波峰点的输出功率的差值绝对值，记为第三差值绝对值，计算波峰点的所有所述第三差值绝对值的和值，记为第二和值，将所述第二和值的相反数作为以自然常数为底的指数函数的指数，计算所述比值与所述指数函数的计算结果的乘积，将所述乘积作为波峰点的稳定输出因子。

进一步地，所述根据波峰点与波谷点的连线斜率与波峰点的稳定输出因子构建各波峰点的波动凸显因子，包括：

对于各波峰点，计算波峰点与波峰点前一个波谷点的连线的斜率，记为第一斜率，计算波峰点与波峰点后一个波谷点的连线的斜率，记为第二斜率，计算所述第一斜率与所述第二斜率的比值，获取所述比值的绝对值，计算1与所述绝对值的差值绝对值，记为第四差值绝对值，计算波峰点的稳定输出因子与波峰点的局部突出特征子序列中各波峰点的稳定输出因子的差值绝对值，记为第五差值绝对值，计算波峰点的所有所述第五差值绝对值的和值，计算所述第四差值绝对值与所述和值的乘积，将所述乘积作为波峰点的波动凸显因子。

进一步地，所述根据各波峰点的波动凸显因子、辅助子序列以及波谷点的输出功率构建各波峰点的稳态判断点筛选权重，包括：

对于各波峰点，计算波峰点的辅助子序列中所有波谷点输出功率的均值，记为第一均值，计算波峰点所在曲线上所有波谷点的输出功率的均值，记为第二均值，计算所述第一均值与所述第二均值的差值绝对值，计算波峰点的波动凸显因子与所述差值绝对值的乘积，将所述乘积作为波峰点的稳态判断点筛选权重。

进一步地，所述根据稳态判断点的生长区域数据序列及同态波谷序列获取稳态判断点的动荡异常因子，包括：

对于各稳态判断点，获取稳态判断点的生长区域数据序列中稳态判断点的数量，计算稳态判断点的生长区域数据序列中所有稳态判断点的输出功率的均值，记为第三均值，计算稳态判断点的生长区域数据序列的同态波谷序列中所有波谷点的输出功率的均值，记为第四均值，计算所述第三均值与所述第四均值的差值绝对值，将所述稳态判断点的数量与所述差值绝对值的乘积作为稳态判断点的动荡异常因子。

进一步地，所述根据稳态判断点与其余各稳态判断点的生长区域数据序列的差异构建稳态判断点的同态变化系数，包括：

对于各新能源电池的各稳态判断点，计算新能源电池的稳态判断点与其余各新能源电池的对应位置的稳态判断点的生长区域数据序列之间的余弦相似度，计算新能源电池的稳态判断点的所有所述余弦相似度的和值，记为第三和值，计算新能源电池的稳态判断点的生长区域数据序列与其余各新能源电池的对应位置的稳态判断点的生长区域数据序列中，对应位置的采集时刻的差值绝对值，计算新能源电池的稳态判断点的所有所述差值绝对值的和值，记为第四和值，计算所述第三和值与所述第四和值的比值，将新能源电池的总数作为以-2为指数的幂数函数的底数，将所述幂数函数的计算结果与所述比值的乘积作为新能源电池的稳态判断点的同态变化系数。

进一步地，所述根据各新能源电池稳态判断点的动荡异常因子、同态变化系数构建各新能源电池的运行态势稳定系数，包括：

对于各新能源电池，计算新能源电池的各稳态判断点的动荡异常因子与预设数值的和值，计算新能源电池的各稳态判断点的同态变化系数与所述和值的比值，计算新能源电池的所有稳态判断点的所述比值的和值，作为新能源电池的运行态势稳定系数。

进一步地，所述利用新能源电池的运行态势稳定系数以及异常检测算法对新能源电池进行智能检测，包括：

LOF异常检测算法的输入为所有新能源电池的输出功率数据序列，输出为每个新能源电池的输出功率数据序列中每个数据点的异常得分，计算每个新能源电池的所有所述异常得分的均值，将所有新能源电池的所述均值作为大津阈值法的输入，输出为运行异常划分阈值，将所有所述均值大于等于运行异常划分阈值的新能源电池集合记为运行异常新能源电池集合；

将所有新能源电池的运行态势稳定系数作为K-mediods聚类算法的输入，输出为运行态势稳定系数的2个聚类簇，计算各聚类簇中所有运行态势稳定系数的均值，将所述均值最小的聚类簇中所有运行态势稳定系数对应的新能源电池集合记为异常新能源电池集合；将运行异常新能源电池集合与异常新能源电池集合的并集中所有的新能源电池判定为质量不合格；

利用新能源电池的RFID信息获取质量不合格的新能源电池的生产批次，计算质量不合格的新能源电池所在生产批次中抽样检测出质量不合格的新能源电池数量与新能源电池抽样总数的比值，将所述比值作为次品率。

第二方面，本发明实施例还提供了一种内嵌RFID新能源电池智能检测系统，包括存储器、处理器以及存储在所述存储器中并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上述任意一项所述方法的步骤。

本发明至少具有如下有益效果：

本发明通过对新能源电池输出功率数据序列的波动特征进行分析，构建稳态判断点筛选权重，剔除了一部分的输出功率数据点，提高后续判断的准确性；再根据稳态判断点构建的生长区域数据序列以及各个新能源电池之间的关联性，构建每个新能源电池的运行态势稳定系数，区分出运行态势异常的新能源电池，结合传统异常检测算法中的LOF异常检测算法所检测出的异常新能源电池，获得抽样检测中存在问题的新能源电池。解决了传统异常检测算法在对新能源电池运行异常的判别中，难以辨别运行状态不稳定的新能源电池的问题，提高了新能源电池的质量检测结果的准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它附图。

图1为本发明一个实施例提供的一种内嵌RFID新能源电池智能检测方法的步骤流程图；

图2为新能源电池输出功率的多种波动情况示意图；

图3为运行态势稳定系数的获取流程示意图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种内嵌RFID新能源电池智能检测方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种内嵌RFID新能源电池智能检测方法及系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种内嵌RFID新能源电池智能检测方法的步骤流程图，该方法包括以下步骤：

步骤S001，对抽样检测的新能源电池进行运行电参数数据采集，并进行预处理。

在多个生产批次的内嵌RFID新能源电池中，对每个批次中的新能源电池进行抽样检测，每个批次抽样数量为总数的1%，将所有抽样的新能源电池进行串联并连接测试用电器进行能量输出，再利用电流传感器、电压传感器，每间隔时间T，对每个新能源电池样品进行电流、电压数据的采集，一共采集n个数据，由于电流电压数据传输时可能会产生数据丢失的情况，本实施例中采用均值填充算法，利用已采集的数据进行均值填充。均值填充为公知技术，本实施例不再进行赘述。最后将处理完的新能源电池样品电流电压数据分别记录为，其中/>为第1个新能源电池样品在第n采集时刻的电流值，/>为第1个新能源电池样品在第n采集时刻的电压值。T和n的设定实施者可自行选取，本实施例中T为0.5s，n为200。

步骤S002，根据新能源电池的电流电压数据，获得新能源电池的输出功率数据序列，根据输出功率数据序列的波动特征，构建稳态判断点筛选权重；根据稳态判断点的时序连续性，构建每个稳态判断点的生长区域数据序列，根据新能源电池之间的生长区域数据序列近似程度以及序列本身的持续特点，构建每个新能源电池的运行态势稳定系数。

通常新能源电池在运行时的各个参数具有一定的安全范围，当新能源电池运行时的某个参数超出这个范围时则说明新能源电池可能产生了异常状况，所以可以通过一些异常检测手段来进行监测。但新能源电池的运行异常并非只有参数超出安全范围这一种情况，新能源电池的主要功能是为用电器提供持续稳定的输出功率，尽管当前新能源电池的运行参数并没有超出安全范围，但若其中某个参数一直保持在安全范围边界，或是波动的幅度、频率较大，则说明该新能源电池的运行状态不稳定，质量可能存在问题。

利用采集到的电流、电压数据以及输出功率计算公式，计算每个新能源电池在每一个采集时刻的输出功率，并将输出功率数据按照采集时刻顺序排序，构建每个新能源电池的输出功率数据序列，并将其记录为，其中/>为第1个新能源电池在第n采集时刻的输出功率数据。新能源电池运行时的输出功率主要有以下几种状态：正常小范围波动，输出功率调整后的上升和下降，短时的跳变以及长时间的接近安全范围边界的波动。当输出功率浮动程度较大，且持续时间较长时，则有可能是新能源电池的运行状态的稳定性出现了问题，又由于该状态下的新能源电池输出功率并没有超出安全范围，因而常规的检测手段难以区分出稳定和不稳定的状态。

以单个新能源电池为例，针对新能源电池的输出功率数据序列，将输出功率数据序列中的所有元素作为最小二乘法曲线拟合算法的输入，输出为新能源电池输出功率数据序列中所有元素的拟合曲线，并获取拟合曲线中的波峰点和波谷点。最小二乘法曲线拟合算法为公知技术，本实施例不再进行赘述。取每个波峰点前的3个波谷点以及波峰点后的3个波谷点，按照采集时刻顺序组成每个波峰点的辅助子序列。取每个波峰点前的2个波峰点以及波峰点后的2个波峰点，按照采集时刻顺序组成每个波峰点的局部突出特征子序列。需要说明的是在上述构建数据序列的过程中，若无法取得足够的数据点，则利用已获取的数据点采用均值填充的方法进行数据填充。将每个波峰点与其前一个波谷点进行连线，将每个波峰点与其后一个波谷点进行连线，并利用斜率计算公式分别计算每个波峰点的两条连线的斜率，将其分别记录为，其中/>表示第i个波峰点与波峰点的前一个波谷点连线的斜率，/>表示第i个波峰点与波峰点的后一个波谷点连线的斜率。构建每个波峰点的稳态判断点筛选权重，表达式为：

式中，表示第i个波峰点的稳定输出因子，/>表示第i个波峰点的输出功率，/>表示新能源电池输出功率的运行安全范围上界值，/>表示第i个波峰点所在曲线上所有波峰点的输出功率均值，/>表示预设数值，具体取值实施者可自行设定，本实施例中取值为0.001，/>表示以自然常数e为底数的指数函数，H表示第i个波峰点的局部突出特征子序列中波峰点总数，/>表示第i个波峰点的局部突出特征子序列中第f个波峰点的输出功率；/>表示第i个波峰点的波动凸显因子，/>表示第i个波峰点与波峰点前一个波谷点的连线斜率，/>表示第i个波峰点与波峰点后一个波谷点的连线斜率；/>表示第i个波峰点的局部突出特征子序列中第f个波峰点的稳定输出因子，/>表示第i个波峰点的稳态判断点筛选权重，/>表示第i个波峰点的辅助子序列中所有波谷点的输出功率均值，/>表示第i个波峰点所在曲线上所有波谷点的输出功率的均值。

当第i个波峰点的输出功率与新能源电池运行时第i个波峰点所在曲线上所有波峰点的输出功率均值的差距越小，且与运行安全范围上界值差距越大，的值越大，且第i个波峰点的输出功率与第i个波峰点的局部突出特征子序列中各波峰点的输出功率的差值越小，/>越大，说明第i个波峰点的输出功率相对于整个输出功率序列而言突出程度更低，此时新能源电池的输出可能更为稳定。当第i个波峰点与第i个波峰点前一个、后一个波谷点连线的斜率差距越大，且第i个波峰点与第i个波峰点的局部突出特征子序列中各波峰点的稳定输出程度差距越大，/>的值越大，说明第i个波峰点波动的凸显程度越高，对于整体输出功率而言稳定性越低。当第i个波峰点的辅助子序列中所有波谷点的输出功率均值与第i个波峰点所在曲线上所有波谷点的输出功率均值的差距越大，且第i个波峰点的波动凸显因子越大，/>的值越大，说明该波峰点对于新能源电池运行稳定情况的可表征能力越强，越应该选择该波峰点作为新能源电池运行稳定状态的判断点。

至此，利用计算第i个波峰点的稳态判断点筛选权重的方法，可计算出所有新能源电池运行时输出功率拟合曲线中所有波峰点的稳态判断点筛选权重。

进一步，根据各波峰点的稳态判断点筛选权重对稳态判断点进行选取，预设分割阈值，将所有稳态判断点筛选权重大于分割阈值的波峰点作为稳态判断点。本实施例中分割阈值取值为5，分割阈值的取值实施者可自行设定，本实施例对此不做限制。对于单个新能源电池，将新能源电池中所有的稳态判断点作为初始生长点，生长准则为初始生长点与其余稳态判断点的采集时刻差值为1时进行生长，停止准则为初始生长点邻域内没有符合生长准则的稳态判断点时停止生长，利用区域生长算法获取多个生长区域，将每个生长区域中的稳态判断点按照采集时刻顺序组成生长区域数据序列。其中，当两个初始生长点的采集时刻差值满足生长条件时，这两个初始生长点属于同一生长区域。取出每个生长区域数据序列中的始末两个数据点，在新能源电池的输出功率数据序列中进行标记，并提取标记点中间的所有波谷点，将其按照采集时刻顺序进行排列，构建每个生长区域数据序列的同态波谷序列。大津阈值法和区域生长算法均为公知技术，本实施例不再进行赘述。

新能源电池在运行过程中，输出功率产生波动是正常现象，但输出功率是否稳定还需要考量输出功率的波动情况是否正常。新能源电池输出功率的波动主要有三种情况：一种是输出功率短时波动，通常波动程度较大，但持续时间较短，可能是检测设备的突发异常又或是输出时的常规跳变；另一种是因为输出功率的调整而产生的大幅输出功率改变，这种变动通常是新能源电池组整体输出功率都会发生改变；还有一种情况则是新能源电池输出功率稳定性差，产生邻近安全范围的波动情况。新能源电池输出功率的多种波动情况示意图如图2所示。

构建每个新能源电池运行态势稳定系数，表达式为：

式中，表示第m个新能源电池第x个稳态判断点的动荡异常因子，/>表示第m个新能源电池第x个稳态判断点的生长区域数据序列，/>表示取长度操作，/>表示第m个新能源电池第x个稳态判断点的生长区域数据序列中所有稳态判断点的输出功率的均值，/>表示第m个新能源电池第x个稳态判断点的生长区域数据序列的同态波谷序列中所有波谷点的输出功率的均值。

表示第m个新能源电池第x个稳态判断点的同态变化系数，r表示抽样检测的新能源电池总数，/>表示第p个新能源电池第x个稳态判断点的生长区域数据序列，/>表示余弦相似度，/>和/>分别表示第m个和第p个新能源电池第x个稳态判断点的生长区域数据序列中的稳态判断点总数，/>为取最小值操作，/>表示获取数据序列中第y个数据的采集时刻值。余弦相似度为公知技术，本实施例不再进行赘述。本实施例中，在计算两个序列的余弦相似度时，当两个序列中的数据点数量不同时，则利用序列中的数据点采用均值填充的方法进行数据填充。

表示第m个新能源电池的运行态势稳定系数，/>表示第m个新能源电池的稳态判断点总数，/>表示预设数值，具体取值实施者可自行设定，本实施例中取值为0.001。

当第m个新能源电池的第x个稳态判断点的生长区域数据序列长度越长，且生长区域数据序列中所有稳态判断点的输出功率的均值与其同态波谷序列中所有波谷点的输出功率的均值的差异越大，的值越大，说明第m个新能源电池在第x个稳态判断点的采集时刻的前后一段时间范围内，新能源电池运行的不稳定状态持续时间越长，且上下波动情况越严重。

当第m个新能源电池第x个稳态判断点的生长区域数据序列与其余新能源电池的对应位置的稳态判断点的生长区域数据序列的余弦相似度越大，的值越大，且生长区域数据序列中对应位置的稳态判断点的采集时刻越接近，的值越小，说明该新能源电池的稳态判断点变化情况与其余新能源电池的稳态判断点变化情况更为相似，有可能是抽样检测过程中的调整导致的新能源电池整体输出功率产生的改变。

当第m个新能源电池中所有的稳态判断点同态变化系数越大，且动荡异常因子越小，的值越大，说明该新能源电池运行时的状态实际上更为稳定，即/>越大。

至此，可计算出所有新能源电池的运行态势稳定系数。运行态势稳定系数的获取流程示意图如图3所示。

步骤S003，利用新能源电池的运行态势稳定系数以及异常检测算法对新能源电池进行智能检测。

将所有新能源电池的输出功率数据序列作为输入，利用LOF异常检测算法，从新能源电池抽样检测历史数据库中获取超参数K的值，输出为每个新能源电池的输出功率数据序列每个数据点的异常得分。计算每个新能源电池输出功率的异常得分均值，并将其作为大津阈值法的输入，输出为每个新能源电池的运行异常划分阈值。将所有异常得分均值大于等于运行异常划分阈值的新能源电池划分为运行异常新能源电池，并构建运行异常新能源电池集合，将其记录为。将所有新能源电池的运行态势稳定系数作为K-mediods聚类算法的输入，聚类数设置为2，输出为2个聚类簇，计算每个聚类簇的运行态势稳定系数均值，将运行态势稳定系数均值最小的聚类簇中所有运行态势稳定系数对应的新能源电池集合记为异常新能源电池集合，记为/>。取集合/>的并集，并记录为/>，集合/>中的所有新能源电池质量不合格，即存在运行问题。其中LOF异常检测算法、K-mediods聚类算法均为公知技术，本实施例不再进行赘述。

新能源电池智能检测系统将集合中的所有新能源电池RFID信息进行提取，并根据新能源电池RFID信息中的批次、生产日期等信息，获取对应批次的新能源电池抽样总数以及该批次抽样检测出的异常样品数量，计算异常样品数量与抽样总数的比值，计算对应批次的抽样检测合格率、次品率等数据，并发放至各个批次的生产车间产品质量数据系统中，方便了解各生产车间生产的新能源电池的质量。至此，完成一种内嵌RFID新能源电池智能检测方法。

基于与上述方法相同的发明构思，本发明实施例还提供了一种内嵌RFID新能源电池智能检测系统，包括存储器、处理器以及存储在所述存储器中并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上述一种内嵌RFID新能源电池智能检测方法中任意一项所述方法的步骤。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种内嵌RFID新能源电池智能检测方法，其特征在于，该方法包括以下步骤：

对各批次新能源电池进行预设比例的抽样，获取各新能源电池在各采集时刻上的输出功率，并按照采集时刻顺序组成各新能源电池的输出功率数据序列；

对各新能源电池的输出功率数据序列中的所有元素进行拟合得到各曲线，根据曲线的波峰点与波谷点构建各波峰点的辅助子序列与局部突出特征子序列；根据各曲线中波峰点的输出功率、局部突出特征子序列以及新能源电池输出功率的运行安全范围上界构建各波峰点的稳定输出因子；根据波峰点与波谷点的连线斜率与波峰点的稳定输出因子构建各波峰点的波动凸显因子；根据各波峰点的波动凸显因子、辅助子序列以及波谷点的输出功率构建各波峰点的稳态判断点筛选权重；将稳态判断点筛选权重大于预设分割阈值的波峰点作为稳态判断点，基于稳态判断点的采集时刻差值利用区域生长算法获取各生长区域，将各生长区域中的稳态判断点按照采集时刻顺序组成各生长区域数据序列，将各生长区域数据序列始末两个稳态判断点对应的两个波峰点之间的波谷点组成各同态波谷序列；对于各新能源电池的各稳态判断点，根据稳态判断点的生长区域数据序列及同态波谷序列获取稳态判断点的动荡异常因子；根据稳态判断点与其余各稳态判断点的生长区域数据序列的差异构建稳态判断点的同态变化系数；根据各新能源电池稳态判断点的动荡异常因子、同态变化系数构建各新能源电池的运行态势稳定系数；

利用新能源电池的运行态势稳定系数以及异常检测算法对新能源电池进行智能检测。

2.如权利要求1所述的一种内嵌RFID新能源电池智能检测方法，其特征在于，所述根据曲线的波峰点与波谷点构建各波峰点的辅助子序列与局部突出特征子序列，包括：

对于各波峰点，将波峰点前的3个波谷点与波峰点后的3个波谷点按照采集时刻顺序组成波峰点的辅助子序列；将波峰点前的2个波峰点与波峰点后的2个波峰点按照采集时刻顺序组成波峰点的局部突出特征子序列。

3.如权利要求1所述的一种内嵌RFID新能源电池智能检测方法，其特征在于，所述根据各曲线中波峰点的输出功率、局部突出特征子序列以及新能源电池输出功率的运行安全范围上界构建各波峰点的稳定输出因子，包括：

对于各波峰点，计算波峰点的输出功率与新能源电池输出功率的运行安全范围上界值的差值绝对值，记为第一差值绝对值，计算波峰点的输出功率与波峰点所在曲线上所有波峰点的输出功率均值的差值绝对值，记为第二差值绝对值，计算所述第二差值绝对值与预设数值的和值，记为第一和值，计算所述第一差值绝对值与所述第一和值的比值，计算波峰点的输出功率与波峰点的局部突出特征子序列中各波峰点的输出功率的差值绝对值，记为第三差值绝对值，计算波峰点的所有所述第三差值绝对值的和值，记为第二和值，将所述第二和值的相反数作为以自然常数为底的指数函数的指数，计算所述比值与所述指数函数的计算结果的乘积，将所述乘积作为波峰点的稳定输出因子。

4.如权利要求1所述的一种内嵌RFID新能源电池智能检测方法，其特征在于，所述根据波峰点与波谷点的连线斜率与波峰点的稳定输出因子构建各波峰点的波动凸显因子，包括：

对于各波峰点，计算波峰点与波峰点前一个波谷点的连线的斜率，记为第一斜率，计算波峰点与波峰点后一个波谷点的连线的斜率，记为第二斜率，计算所述第一斜率与所述第二斜率的比值，获取所述比值的绝对值，计算1与所述绝对值的差值绝对值，记为第四差值绝对值，计算波峰点的稳定输出因子与波峰点的局部突出特征子序列中各波峰点的稳定输出因子的差值绝对值，记为第五差值绝对值，计算波峰点的所有所述第五差值绝对值的和值，计算所述第四差值绝对值与所述和值的乘积，将所述乘积作为波峰点的波动凸显因子。

5.如权利要求1所述的一种内嵌RFID新能源电池智能检测方法，其特征在于，所述根据各波峰点的波动凸显因子、辅助子序列以及波谷点的输出功率构建各波峰点的稳态判断点筛选权重，包括：

对于各波峰点，计算波峰点的辅助子序列中所有波谷点输出功率的均值，记为第一均值，计算波峰点所在曲线上所有波谷点的输出功率的均值，记为第二均值，计算所述第一均值与所述第二均值的差值绝对值，计算波峰点的波动凸显因子与所述差值绝对值的乘积，将所述乘积作为波峰点的稳态判断点筛选权重。

6.如权利要求1所述的一种内嵌RFID新能源电池智能检测方法，其特征在于，所述根据稳态判断点的生长区域数据序列及同态波谷序列获取稳态判断点的动荡异常因子，包括：

对于各稳态判断点，获取稳态判断点的生长区域数据序列中稳态判断点的数量，计算稳态判断点的生长区域数据序列中所有稳态判断点的输出功率的均值，记为第三均值，计算稳态判断点的生长区域数据序列的同态波谷序列中所有波谷点的输出功率的均值，记为第四均值，计算所述第三均值与所述第四均值的差值绝对值，将所述稳态判断点的数量与所述差值绝对值的乘积作为稳态判断点的动荡异常因子。

7.如权利要求1所述的一种内嵌RFID新能源电池智能检测方法，其特征在于，所述根据稳态判断点与其余各稳态判断点的生长区域数据序列的差异构建稳态判断点的同态变化系数，包括：

对于各新能源电池的各稳态判断点，计算新能源电池的稳态判断点与其余各新能源电池的对应位置的稳态判断点的生长区域数据序列之间的余弦相似度，计算新能源电池的稳态判断点的所有所述余弦相似度的和值，记为第三和值，计算新能源电池的稳态判断点的生长区域数据序列与其余各新能源电池的对应位置的稳态判断点的生长区域数据序列中，对应位置的采集时刻的差值绝对值，计算新能源电池的稳态判断点的所有所述差值绝对值的和值，记为第四和值，计算所述第三和值与所述第四和值的比值，将新能源电池的总数作为以-2为指数的幂数函数的底数，将所述幂数函数的计算结果与所述比值的乘积作为新能源电池的稳态判断点的同态变化系数。

8.如权利要求1所述的一种内嵌RFID新能源电池智能检测方法，其特征在于，所述根据各新能源电池稳态判断点的动荡异常因子、同态变化系数构建各新能源电池的运行态势稳定系数，包括：

对于各新能源电池，计算新能源电池的各稳态判断点的动荡异常因子与预设数值的和值，计算新能源电池的各稳态判断点的同态变化系数与所述和值的比值，计算新能源电池的所有稳态判断点的所述比值的和值，作为新能源电池的运行态势稳定系数。

9.如权利要求1所述的一种内嵌RFID新能源电池智能检测方法，其特征在于，所述利用新能源电池的运行态势稳定系数以及异常检测算法对新能源电池进行智能检测，包括：

LOF异常检测算法的输入为所有新能源电池的输出功率数据序列，输出为每个新能源电池的输出功率数据序列中每个数据点的异常得分，计算每个新能源电池的所有所述异常得分的均值，将所有新能源电池的所述均值作为大津阈值法的输入，输出为运行异常划分阈值，将所有所述均值大于等于运行异常划分阈值的新能源电池集合记为运行异常新能源电池集合；

将所有新能源电池的运行态势稳定系数作为K-mediods聚类算法的输入，输出为运行态势稳定系数的2个聚类簇，计算各聚类簇中所有运行态势稳定系数的均值，将所述均值最小的聚类簇中所有运行态势稳定系数对应的新能源电池集合记为异常新能源电池集合；将运行异常新能源电池集合与异常新能源电池集合的并集中所有的新能源电池判定为质量不合格；

利用新能源电池的RFID信息获取质量不合格的新能源电池的生产批次，计算质量不合格的新能源电池所在生产批次中抽样检测出质量不合格的新能源电池数量与新能源电池抽样总数的比值，将所述比值作为次品率。

10.一种内嵌RFID新能源电池智能检测系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-9任意一项所述方法的步骤。