CN117876528A - 一种基于神经网络的电芯结构图纸设计方法 - Google Patents
一种基于神经网络的电芯结构图纸设计方法 Download PDFInfo
- Publication number
- CN117876528A CN117876528A CN202410055006.2A CN202410055006A CN117876528A CN 117876528 A CN117876528 A CN 117876528A CN 202410055006 A CN202410055006 A CN 202410055006A CN 117876528 A CN117876528 A CN 117876528A
- Authority
- CN
- China
- Prior art keywords
- cell structure
- model
- neural network
- battery
- design
- 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
- 238000013461 design Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000009792 diffusion process Methods 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000010586 diagram Methods 0.000 claims abstract description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000012805 post-processing Methods 0.000 claims description 3
- 239000004065 semiconductor Substances 0.000 claims description 3
- 238000013256 Gubra-Amylin NASH model Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims 1
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 238000007789 sealing Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005056 compaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Design And Manufacture Of Integrated Circuits (AREA)
Abstract
本申请公开了一种基于神经网络的电芯结构图纸设计方法，涉及电芯结构设计领域。具体实现方案为：收集电芯结构图纸，建立相关的图纸库，并将所述图纸整理至所述图纸库中；基于图纸库中的电芯结构图纸和第一模型绘制新的符合要求的初版电芯结构设计图；将初版电芯结构设计图输入到第二训练模型中，得到最终符合要求的电芯结构图纸。本申请利用GAN、Stable Diffusion和Transformer对图库的电芯结构进行闭环优化，设计一套结构设计方法，使得只需要输入主机厂的需求和Pack尺寸，电芯厂商就能快速输出适合该Pack的电芯结构设计图，有效提高了工作效率。
Description
技术领域
本申请涉及电芯结构涉及技术领域，尤其涉及一种基于神经网络的电芯结构图纸设计方法。
背景技术
由于各家主机厂的电池Pack结构不尽相同，例如大众的MEB平台，比亚迪的刀片电池等。同时，为了适用于不同的EV产品，各家厂商的电池Pack的尺寸、结构又各有差异，即使在同一平台中，也有很多不同。正因为各家主机厂的电池Pack结构不尽相同，因此对于来自不同主机厂的项目，其所需的模组/电芯结构也完全不同。目前，每接触一个新项目，都需要根据主机厂的需求修改图纸，因此产生了巨大的工作量。
发明内容
基于此，本申请为解决快速输出适用于不同主机厂的电芯结构设计图的问题，提供了一种基于神经网络的电芯结构图纸设计方法。
本申请提供了一种基于神经网络的电芯结构图纸设计方法，包括：
收集电芯结构图纸，建立相关的图纸库，并将所述图纸整理至所述图纸库中；
基于图纸库中的电芯结构图纸和第一模型绘制新的符合要求的初版电芯结构设计图；
将初版电芯结构设计图输入到所述第二训练模型中，得到最终符合要求的电芯结构图纸。
所述电芯结构图纸的收集包括，
收集电芯结构图纸中的图纸尺寸信息以及电芯结构各个面的详细样图。
对图纸上电芯结构的各部分进行标注，并将被标注的电池结构的各部分放入所述图纸库中。
基于电芯结构图纸和被标注的电池结构使用Stable Diffusion进行第一模型训练，并基于CNN辨别电芯结构图纸的各部分和被标注的电池结构继续训练第一模型，经由Transformer得到训练好的第一模型。
包括，
将主机厂的需求和Pack结构参数输入至所述训练好的第一模型中，输出符合要求的初版电芯结构设计图；
对所述初版电芯结构设计图进行后处理，消除部分不合理的结构。
利用GAN模型对所述电芯结构图纸进行训练，生成第二训练模型。
将经过后处理的初版电芯结构设计图放入第二训练模型中，得到经过GAN、StableDiffusion和Transformer闭环优化的图纸。
还包括，
将实现闭环优化的图纸再次进行后处理，消除部分不合理的痕迹后得到最终符合主机厂要求的电芯结构图纸。
有益效果：本申请利用GAN、Stable Diffusion和Transformer对图库的电芯结构进行闭环优化，设计一套结构设计方法，使得只需要输入主机厂的需求和Pack尺寸，电芯厂商就能快速输出适合该Pack的电芯结构设计图，有效提高了工作效率。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请提供的流程图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
基于此，本申请为解决快速输出适用于不同主机厂的电芯结构设计图的问题，提供了一种基于神经网络的电芯结构图纸设计方法。
如图1所示，本申请提供了一种基于神经网络的电芯结构图纸设计方法，包括：
S1：收集电芯结构图纸，建立相关的图纸库，并将所述图纸整理至所述图纸库中。
需要说明的是：
所述电芯结构图纸的收集包括，
收集电芯结构图纸中的图纸尺寸信息以及电芯结构各个面的详细样图。
对图纸上电芯结构的各部分进行标注，并将被标注的电池结构的各部分放入所述图纸库中。
图纸上电芯结构的各部分具体包括极耳、封边、R角、贴胶等结构。
S2：基于图纸库中的电芯结构图纸和第一模型绘制新的符合要求的初版电芯结构设计图。需要说明的是：
基于电芯结构图纸使用Stable Diffusion(一个基于Latent的扩散模型，主要用于实现文生图的过程)进行第一模型训练，并基于CNN辨别被标注的电池结构的各部分继续训练第一模型，经由Transformer(转换器)得到训练好的第一模型。
基于电芯结构图纸和被标注的电池结构使用Stable Diffusion(一个基于Latent的扩散模型，主要用于实现文生图的过程)进行第一模型训练，并基于CNN(卷积神经网络)辨别电芯结构图纸的各部分和被标注的电池结构继续训练第一模型，经由Transformer(转换器)得到训练好的第一模型。
包括，
将主机厂的需求和Pack(包装)结构参数输入至所述训练好的第一模型中，输出符合要求的初版电芯结构设计图；
对所述初版电芯结构设计图进行后处理，消除部分不合理的结构。
S3：将初版电芯结构设计图输入到所述第二训练模型中，得到最终符合要求的电芯结构图纸。需要说明的是：
利用GAN(生成对抗网络)模型对所述电芯结构图纸进行训练，生成第二训练模型。使得图纸尽可能地接近真实图纸。
将经过后处理的初版电芯结构设计图放入第二训练模型中，得到经过GAN、StableDiffusion和Transformer闭环优化的图纸。
还包括，
将实现闭环优化的图纸再次进行后处理，消除部分不合理的痕迹后得到最终符合主机厂要求的电芯结构图纸。
在本实施例中，通过将本申请与现有传统电芯图纸画图方法进行比较，具体如下:
传统的画图方法，完成一份电芯图纸，需要数位工程师共同协作完成，并且基于不同的模组结构和客户持续的改进意见，需要不断的更新和优化，这就导致了较高的时间和金钱成本。
而本申请的方案，在模型训练完成之后，可以智能化、定制化的完成图纸绘制工作，并且对于后续的更改要求，可以快捷的回复和应答。
具体实施案例如下：
某主机厂要求本公司开发一款电池，要求能够适配其模组结构。但是，在分析其模组结构后，我们发现，需要设计的电池结构在R角和封边处与常规电池有较大区别。由于该电池压实较高，对应力的要求也较高，因此封边结构设计历经多次修改。然而，后续从主机厂又多次修改模组结构，在每一次修改后，都需要重新设计封边结构。同时，项目周期较长，主机厂和本公司都经历人员变更，使得结构设计工作变得更加繁琐。在此情况下，我们运用本发明的方案，单独对封边结构进行训练，并结合力学仿真，较为轻松地完成了后续几次封边结构的设计变更，使得工作效率大大提高。
综上，本申请的方案能够有效提高工作效率，并可以应对客户反复的修改和变更，大大减少了时间和金钱成本。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何在本发明揭露的技术范围内的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种基于神经网络的电芯结构图纸设计方法，其特征在于，包括：
收集电芯结构图纸，建立相关的图纸库，并将所述图纸整理至所述图纸库中；
基于图纸库中的电芯结构图纸和第一模型绘制新的符合要求的初版电芯结构设计图；
将初版电芯结构设计图输入到第二训练模型中，得到最终符合要求的电芯结构图纸。
2.根据权利要求1所述的一种基于神经网络的电芯结构图纸设计方法，其特征在于：所述电芯结构图纸的收集包括，
收集电芯结构图纸中的图纸尺寸信息以及电芯结构各个面的详细样图。
3.根据权利要求1或2所述的一种基于神经网络的电芯结构图纸设计方法，其特征在于：对图纸上电芯结构的各部分进行标注，并将被标注的电池结构的各部分放入所述图纸库中。
4.根据权利要求3所述的一种基于神经网络的电芯结构图纸设计方法，其特征在于：基于电芯结构图纸和被标注的电池结构使用Stable Diffusion进行第一模型训练，并基于CNN辨别电芯结构图纸的各部分和被标注的电池结构继续训练第一模型，经由Transformer得到训练好的第一模型。
5.根据权利要求4所述的一种基于神经网络的电芯结构图纸设计方法，其特征在于：包括，
将主机厂的需求和Pack结构参数输入至所述训练好的第一模型中，输出符合要求的初版电芯结构设计图；
对所述初版电芯结构设计图进行后处理，消除部分不合理的结构。
6.根据权利要求5所述的一种基于神经网络的电芯结构图纸设计方法，其特征在于：利用GAN模型对所述电芯结构图纸进行训练，生成所述第二训练模型。
7.根据权利要求6所述的一种基于神经网络的电芯结构图纸设计方法，其特征在于：将经过后处理的初版电芯结构设计图放入所述第二训练模型中，得到经过GAN、StableDiffusion和Transformer闭环优化的图纸。
8.根据权利要求7所述的一种基于神经网络的电芯结构图纸设计方法，其特征在于：还包括，
将实现闭环优化的图纸再次进行后处理，消除部分不合理的痕迹后得到最终符合主机厂要求的电芯结构图纸。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410055006.2A CN117876528A (zh) | 2024-01-15 | 2024-01-15 | 一种基于神经网络的电芯结构图纸设计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410055006.2A CN117876528A (zh) | 2024-01-15 | 2024-01-15 | 一种基于神经网络的电芯结构图纸设计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117876528A true CN117876528A (zh) | 2024-04-12 |
Family
ID=90584323
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410055006.2A Pending CN117876528A (zh) | 2024-01-15 | 2024-01-15 | 一种基于神经网络的电芯结构图纸设计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117876528A (zh) |
-
2024
- 2024-01-15 CN CN202410055006.2A patent/CN117876528A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104765914A (zh) | 一种继电保护设备逻辑组态方法 | |
| TWI671533B (zh) | 鏈式儲能方法、系統和儲能電站以及儲能系統 | |
| CN107679147A (zh) | 基于语音识别的人机对话式电网信息调阅展示方法 | |
| CN110705078A (zh) | 一种核动力装置的仿真模型开发系统及分析方法 | |
| CN112115611B (zh) | 一种协同仿真管理系统 | |
| CN113673104A (zh) | 基于数字孪生的制造业车间工艺规划系统 | |
| CN101793941A (zh) | Fpga配置文件的生成方法 | |
| CN111046519A (zh) | 一种人工智能技术在电能表误差诊断中的应用分析方法 | |
| CN103887792A (zh) | 一种含分布式电源的低压配电网建模方法 | |
| CN109214117A (zh) | 一种基于价值网络的智能工业设计算法 | |
| CN117876528A (zh) | 一种基于神经网络的电芯结构图纸设计方法 | |
| Kovalyov | An approach to develop a generative design technology for power systems | |
| CN116739149A (zh) | 用于动力电池箱体绿色制造的管理系统及方案生成方法 | |
| Balasubramaniam et al. | Co-simulation of transmission and distribution systems—from modeling to software development | |
| CN109710669B (zh) | 基于校验规则库的提高全电网模型数据准确性的方法 | |
| Kampker et al. | Discrete event simulation approach considering scalable systems and non-expert users in the early phase of production planning for electric powertrains | |
| CN114389231B (zh) | 一种基于配电网保护及设备实时数据的负荷预测诊断方法 | |
| Gros et al. | Artificial intelligence (AI)-based optimization of power electronic converters for improved power system stability and performance | |
| Devarajan et al. | Modeling and Simulation of Smart Power Systems Using HIL | |
| Wang et al. | Accelerating Simulation for High-Fidelity PV Inverter System Reliability Assessment with High-Performance Computing | |
| Spellini et al. | Production recipe validation through formalization and digital twin generation | |
| Senfelds et al. | Analytical approach for industrial microgrid infeed peak power dimensioning | |
| CN110955521A (zh) | 一种基于大数据的配电网广域分布式下沉计算系统和方法 | |
| CN111812504B (zh) | 风力发电机组故障诊断方法及系统 | |
| Galkin | Model-Integrated Engineering of Smart Energy Distribution Systems |
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 |