CN117949827A - 基于电化学阻抗检测的异常识别方法、系统及计算机设备 - Google Patents

Abstract

本申请实施例提供了基于电化学阻抗检测的异常识别方法、系统及计算机设备，属于电化学检测技术领域。该方法包括：获取待测对象以及对象组，对对象组进行参数检测，筛选出多个试验对象单体；对于每一个试验对象单体，对试验对象单体进行电化学阻抗谱检测，得到参考曲线、第一差异区间以及第二差异区间；对待测对象进行电化学阻抗谱检测，得到电化学阻抗谱曲线；根据参考曲线、第一差异区间以及第二差异区间对电化学阻抗谱曲线进行参数对比，确定待测对象的目标异常项。本申请实施例能够实时检测对象的性能状态，提高对象异常识别效率。

Description

基于电化学阻抗检测的异常识别方法、系统及计算机设备

技术领域

本申请涉及电化学检测技术领域，尤其涉及一种基于电化学阻抗检测的异常识别方法、系统、计算机设备及存储介质。

背景技术

随着科学技术的发展，电池逐渐被应用于众多技术领域，因此对电池的性能检测变得尤为重要。

目前，大多数企业通过电池性能仿真技术对于电池性能进行评估。电池性能评估模型主要有电化学模型、等效电路模型两类。其中，电化学模型用于描述电池的本质动力学、热力学特性，包括：电极电化学反应过程、固相扩散过程、液相扩散过程、欧姆过程等，虽然模拟电池充放电过程的精度较高，但是模型参数众多，针对实际电池获取完整的电化学模型参数集非常困难。而等效电路模型用电压源、电阻电容网络模拟电池的充放电特性，结构比电化学模型简单，但是其仿真精度不高，并且参数辨识需要进行电池特定工况的充放电实验，复杂度也较高，导致电池异常识别效率降低。因此，目前缺乏有效的电池状态识别方法，从而在电池运行或者寿命维保等方面造成不足。

发明内容

本申请实施例的主要目的在于提出一种基于电化学阻抗检测的异常识别方法、系统、计算机设备及存储介质，能够实时检测电池等待测对象的性能状态，提高电池等待测对象异常识别效率。

为实现上述目的，本申请实施例的第一方面提出了一种基于电化学阻抗检测的异常识别方法，所述方法包括：

获取待测对象以及对象组，对所述对象组进行参数检测，筛选出多个试验对象单体，其中，多个所述试验对象单体的参数要求相同；

对于每一个所述试验对象单体，对所述试验对象单体进行电化学阻抗谱检测，得到参考曲线、第一差异区间以及第二差异区间，其中，所述参考曲线用于表征所述试验对象单体在正常状态下的性能变化趋势，所述第一差异区间以及所述第二差异区间用于表征所述试验对象单体处于异常状态；

对所述待测对象进行电化学阻抗谱检测，得到电化学阻抗谱曲线；

根据所述参考曲线、所述第一差异区间以及所述第二差异区间对所述电化学阻抗谱曲线进行参数对比，确定所述待测对象的目标异常项。

在一些实施例中，所述对象组包括电池组；所述对所述对象组进行参数检测，筛选出多个试验对象单体，包括：

设置第一参数类型、第一异常项以及第二异常项，其中，所述第一参数类型用于表征电池正常状态下的性能参数，所述第一异常项和所述第二异常项用于表征电池的第一参数类型中出现异常的性能参数，并且所述第一异常项和所述第二异常项为不同的性能参数项；

对所述电池组进行参数检测，确定所述第一参数类型中性能参数均正常的第一电池单体、所述第一参数类型中存在第一异常项的第二电池单体以及所述第一参数类型中存在第二异常项的第三电池单体；

在所述电池组中，对所述第一电池单体、所述第二电池单体以及所述第三电池单体进行筛选，得到多个试验电池单体。

在一些实施例中，所述对所述试验对象单体进行电化学阻抗谱检测，得到参考曲线、第一差异区间以及第二差异区间，包括：

对所述试验电池单体进行电化学阻抗谱检测，得到与所述第一电池单体对应的参考曲线、与所述第二电池单体对应的第一异常项曲线以及与所述第三电池单体对应的第二异常项曲线；

对所述第一异常项曲线以及所述参考曲线进行差异处理，得到第一差异区间，对所述第二异常项曲线以及所述参考曲线进行差异处理，得到第二差异区间。

在一些实施例中，所述待测对象包括待测电池；所述根据所述参考曲线、所述第一差异区间以及所述第二差异区间对所述电化学阻抗谱曲线进行参数对比，确定所述待测对象的目标异常项，包括：

将所述参考曲线与所述电化学阻抗谱曲线进行曲线对比，得到第一差异值；

当所述第一差异值超过第一预设阈值，将所述参考曲线与所述第一差异区间进行对比，得到第二差异值，并将所述参考曲线与所述第二差异区间进行对比，得到第三差异值；

当所述第二差异值和\或所述第三差异值在预设贴合阈值内，根据所述第二差异值以及所述第三差异值确定所述待测电池的目标异常项；

当所述第二差异值和所述第三差异值均超出所述预设贴合阈值，对所述待测电池进行性能校验，确定所述待测电池的目标异常项。

在一些实施例中，所述预设贴合阈值包括第一贴合阈值和第二贴合阈值；所述根据所述第二差异值以及所述第三差异值确定所述待测对象的目标异常项，包括：

当所述第二差异值在所述第一贴合阈值内且所述第三差异值在所述第二贴合阈值内，确定与所述第一差异区间对应的第一目标异常项，并确定与所述第二差异区间对应的第二目标异常项，将所述第一目标异常项以及所述第二目标异常项作为目标异常项；

当所述第二差异值超过所述第一贴合阈值且所述第三差异值在所述第二贴合阈值内，确定与所述第二差异区间对应的第二目标异常项，并将所述第二目标异常项作为目标异常项；

当所述第二差异值在所述第一贴合阈值且所述第三差异值超过所述第二贴合阈值，确定与所述第一差异区间对应的第一目标异常项，并将所述第一目标异常项作为目标异常项。

在一些实施例中，所述对所述第一异常项曲线以及所述参考曲线进行差异处理，得到第一差异区间，包括：

获取所述第一异常项曲线的第一异常坐标集合，并获取所述参考曲线的参考坐标集合；

基于所述第一异常坐标集合以及所述参考坐标集合对所述第一异常项曲线以及所述参考曲线进行作差处理，得到第一差值集合；

在所述第一差值集合中确定超过预设差值的第一目标坐标点，并在所述第一异常坐标集合中确定与所述第一目标坐标点对应的第一异常坐标，根据所述第一异常坐标在所述第一异常项曲线上确定第一差异区间；

或者，

对所述第一异常项曲线以及所述参考曲线进行图像采集，得到第一异常图像以及参考图像；

将所述第一异常图像以及所述参考图像输入预设的缺陷识别模型进行图像处理，得到第一缺陷曲线段图像；

在所述第一异常项曲线上确定与所述第一缺陷曲线段图像对应的第一差异区间。

在一些实施例中，所述对所述第二异常项曲线以及所述参考曲线进行差异处理，得到第二差异区间，包括：

获取所述第二异常项曲线的第二异常坐标集合，并获取所述参考曲线的参考坐标集合；

基于所述第二异常坐标集合以及所述参考坐标集合对所述第二异常项曲线以及所述参考曲线进行作差处理，得到第二差值集合；

在所述第二差值集合中确定超过预设差值的第二目标坐标点，并在所述第二异常坐标集合中确定与所述第二目标坐标点对应的第二异常坐标，根据所述第二异常坐标在所述第二异常项曲线上确定第二差异区间；

或者，

对所述第二异常项曲线以及所述参考曲线进行图像采集，得到第二异常图像以及参考图像；

将所述第二异常图像以及所述参考图像输入预设的缺陷识别模型进行图像处理，得到第二缺陷曲线段图像；

在所述第二异常项曲线上确定与所述第二缺陷曲线段图像对应的第二差异区间。

本申请实施例的第二方面提出了一种基于电化学阻抗检测的异常识别系统，所述系统包括：

参数检测模块，用于获取待测对象以及对象组，对所述对象组进行参数检测，筛选出多个试验对象单体，其中，多个所述试验对象单体的参数要求相同；

曲线生成模块，用于对于每一个所述试验对象单体，对所述试验对象单体进行电化学阻抗谱检测，得到参考曲线、第一差异区间以及第二差异区间，其中，所述参考曲线用于表征所述试验对象单体在正常状态下的性能变化趋势，所述第一差异区间以及所述第二差异区间用于表征所述试验对象单体处于异常状态；

电化学阻抗谱检测模块，用于对所述待测对象进行电化学阻抗谱检测，得到电化学阻抗谱曲线；

参数对比模块，用于根据所述参考曲线、所述第一差异区间以及所述第二差异区间对所述电化学阻抗谱曲线进行参数对比，确定所述待测对象的目标异常项。

本申请实施例的第三方面提出了一种计算机设备，所述计算机设备包括存储器和处理器，其中，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，所述处理器用于执行如第一方面所述的异常识别方法。

本申请实施例的第四方面提出了一种存储介质，所述存储介质为计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，在所述计算机程序被计算机执行时，所述计算机用于执行如本申请第一方面实施例任一项所述的异常识别方法。

本申请实施例提出的基于电化学阻抗检测的异常识别方法、系统、计算机设备及介质，具有如下有益效果：首先，获取待测对象以及对象组，对对象组进行参数检测，筛选出多个试验对象单体，能够根据不同参数要求选取用于参照的试验对象单体，为后续对象性能检测提供参照基准，对于每一个试验对象单体，对试验对象单体进行电化学阻抗谱检测，从而能够了解对象的内部特性，实现对试验对象的性能的评估，得到表征试验对象单体在正常状态下的性能变化趋势的参考曲线，以及表征试验对象单体处于异常状态的第一差异区间和第二差异区间，便于后续对对象的多个性能进行检测，之后，对待测对象进行电化学阻抗谱检测，得到电化学阻抗谱曲线，便于后续检测待测对象的健康状态和老化程度，最后，根据参考曲线、第一差异区间以及第二差异区间对电化学阻抗谱曲线进行参数对比，能够同时对待测对象的多个性能参数进行检测，实现对待测对象性能的精准检测，确定待测对象的目标异常项，提高对象异常识别效率。

附图说明

图1是本申请实施例提供的基于电化学阻抗检测的异常识别方法的具体方法的流程图；

图2是本申请实施例提供的步骤S101的具体流程图；

图3是本申请实施例提供的步骤S102的具体流程图；

图4是本申请实施例提供的步骤S104的具体流程图；

图5是本申请实施例提供的步骤S403的具体流程图；

图6是本申请实施例提供的计算第一差异区间的具体流程图；

图7是本申请另一实施例提供的计算第一差异区间的具体流程图；

图8是本申请实施例提供的计算第二差异区间的具体流程图；

图9是本申请另一实施例提供的计算第二差异区间的具体流程图；

图10是本申请实施例提供的基于电化学阻抗检测的异常识别系统的结构示意图；

图11是本申请实施例提供的计算机设备的硬件结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

需要说明的是，虽然在系统示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于系统中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

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本申请实施例的目的，不是旨在限制本申请。

本申请实施例提供的一种基于电化学阻抗检测的异常识别方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机或者智能手表等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现上述方法的应用等，但并不局限于以上形式。

本申请实施例可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费计算机设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

随着科学技术的发展，电池逐渐被应用于众多技术领域，因此对电池的性能检测变得尤为重要。

目前，大多数企业通过电池性能仿真技术对于电池性能进行评估。电池性能评估模型主要有电化学模型、等效电路模型两类。其中，电化学模型用于描述电池的本质动力学、热力学特性，包括：电极电化学反应过程、固相扩散过程、液相扩散过程、欧姆过程等，虽然模拟电池充放电过程的精度较高，但是模型参数众多，针对实际电池获取完整的电化学模型参数集非常困难。而等效电路模型用电压源、电阻电容网络模拟电池的充放电特性，结构比电化学模型简单，但是其仿真精度不高，并且参数辨识需要进行电池特定工况的充放电实验，复杂度也较高，导致电池异常识别效率降低。因此，目前缺乏有效的电池状态识别方法，从而在电池运行或者寿命维保等方面造成不足。

为了解决上述问题，本实施例提供了一种基于电化学阻抗检测的异常识别方法、系统、计算机设备及介质，首先，获取待测对象以及对象组，对对象组进行参数检测，筛选出多个试验对象单体，能够根据不同参数要求选取用于参照的试验对象单体，为后续对象性能检测提供参照基准，对于每一个试验对象单体，对试验对象单体进行电化学阻抗谱检测，从而能够了解对象的内部特性，实现对试验对象的性能的评估，得到表征试验对象单体在正常状态下的性能变化趋势的参考曲线，以及表征试验对象单体处于异常状态的第一差异区间和第二差异区间，便于后续对对象的多个性能进行检测，之后，对待测对象进行电化学阻抗谱检测，得到电化学阻抗谱曲线，便于后续检测待测对象的健康状态和老化程度，最后，根据参考曲线、第一差异区间以及第二差异区间对电化学阻抗谱曲线进行参数对比，能够同时对待测对象的多个性能参数进行检测，实现对待测对象性能的精准检测，确定待测对象的目标异常项，提高对象异常识别效率。

请参照图1，图1是本申请实施例提供的基于电化学阻抗检测的异常识别方法的具体方法的流程图。在一些实施例中，方法包括但不限于步骤S101至步骤S104。

步骤S101，获取待测对象以及对象组，对对象组进行参数检测，筛选出多个试验对象单体；

需要说明的是，多个试验对象单体的参数要求相同。

在一些实施例中，获取待测对象以及对象组，对对象组进行参数检测，筛选出多个试验对象单体，从而能够得到多个不同性能情况的对象单体，可以更好地比较和评估其他对象的性能，判断其是否符合预期要求。

可以理解的是，本实施例中的待测对象以及对象组可以为电化学界面、电池、电化学储能系统、生物传感器、电化学催化剂等等，本实施例不做具体限制。

步骤S102，对于每一个试验对象单体，对试验对象单体进行电化学阻抗谱检测，得到参考曲线、第一差异区间以及第二差异区间；

需要说明的是，参考曲线用于表征试验对象单体在正常状态下的性能变化趋势，第一差异区间以及第二差异区间用于表征试验对象单体处于异常状态。

在一些实施例中，对于每一个试验对象单体，对试验对象单体进行电化学阻抗谱检测，从而能够评估多种情况下的对象性能变化，检测对象的健康状况，得到参考曲线、第一差异区间以及第二差异区间，为后续对象性能的对比提供基础，提高对象异常状态判断的准确性。

可以理解的是，电化学阻抗谱(Electrochemical Impedance Spectroscopy，EIS)可以用来分析材料表面性能、分析电解液系统的稳定性以及分析电器设备的能效等等，本实施例中用于分析电池的性能参数，即在电化学电池处于平衡状态下(开路状态)或者在某一稳定的直流极化条件下，按照正弦规律施加小幅交流激励信号，测量电化学的交流阻抗随频率的变化关系。也可以固定频率，测量电化学电池的交流阻抗随时间的变化，锂离子电池的基础研究中更多的用频率域阻抗分析方法。EIS由于记录了电化学电池不同响应频率的阻抗，而一般测量覆盖了宽的频率范围，因此可以分析反应时间常数存在差异的不同的电极过程。

本实施例中通过对试验电池单体进行电化学阻抗谱检测能够了解电池内部特性的详细信息，通过测量电池的阻抗谱，可以了解电池的电化学反应动力学、离子传输过程、界面特性、电极材料的表面状态等，通过分析阻抗谱，可以获得电池的内阻、电极电化学反应速率、电解液浓度、电极界面特性等重要参数。便于后续判断电池的性能水平、容量衰减、充放电效率等。

步骤S103，对待测对象进行电化学阻抗谱检测，得到电化学阻抗谱曲线；

在一些实施例中，对待测对象进行电化学阻抗谱检测，检测待测对象的电极界面的电荷转移电阻、双电层电容、阻抗等等参数，记录上述参数，得到电化学阻抗谱数据，进一步得到电化学阻抗谱曲线，从而能够直观地了解待测对象的电化学特性，便于后续判断对象的状态。

可以理解的是，以待测对象为待测电池为例，电池内部电阻反映了电池内部材料和结构的电阻特性，如果电池内部电阻异常高或者异常低，可能意味着电池内部存在损坏、老化等问题。电极表面的电荷传递电阻反映了电极表面的反应速率和界面特性，如果Rct异常高或者异常低，可能意味着电极表面发生了异常的变化，如腐蚀、氧化等。双电层电容是描述电极表面的双电层结构和电荷储存能力的参数，如果Cdl异常高或者异常低，可能意味着电极表面的双电层结构发生了异常的变化，通过对上述参数的检测，能够了解电池的内部特性，实现对电池的性能评估。

步骤S104，根据参考曲线、第一差异区间以及第二差异区间对电化学阻抗谱曲线进行参数对比，确定待测对象的目标异常项。

在一些实施例中，根据参考曲线、第一差异区间以及第二差异区间对电化学阻抗谱曲线进行参数对比，可以直接通过已有的参考曲线以及差异区间判断电化学阻抗谱曲线是否出现异常，实现对对象异常项的准确查找，提高对象异常状态的识别效率，无需进行重复测试，节省时间成本。

可以理解的是，本实施例中通过进行多次参数对比能够提高对对象异常项的识别效率，准确确定对象的异常情况，进一步避免了对象内部存在老化、失活等问题。

在一些实施例中，在确定待测对象的目标异常项之后，还可以将目标异常项作为对象异常识别系统的识别依据，与第一异常项、第二异常项共同置于基于电化学阻抗检测的异常识别系统的异常数据库中。

请参照图2，图2是本申请实施例提供的步骤S101的具体流程图。在一些实施例中，步骤S101具体包括但不限于步骤S201和步骤S203。

需要说明的是，对象组包括电池组。

可以理解的是，由于电池的性能和特性会受到制造差异、工作环境等因素的影响，使用多个电池可以考虑到这些差异，更全面地评估电池的性能表现，覆盖不同的电池状态和异常情况。

值得注意的是，本实施例中的待测电池以及电池组可以为锂离子电池、铅酸蓄电池、燃料电池、镍氢电池等等，本实施例不做具体限制。

步骤S201，设置第一参数类型、第一异常项以及第二异常项；

需要说明的是，第一参数类型用于表征电池正常状态下的性能参数，第一异常项和第二异常项用于表征电池的第一参数类型中出现异常的性能参数，并且所述第一异常项和所述第二异常项为不同的性能参数项。

在一些实施例中，根据所需的电池性能特征设置第一参数类型，并确定在第一参数类型中可能存在的两种异常项，设置为第一异常项以及第二异常项，例如，将第一参数类型设置为电池健康状态参数(State of Hea lth，SOH)、荷电状态参数(State of Charge，SOC)等等，其中，电池健康状态参数与电池的容量、内阻、充放电循环次数和工作温度等因素有关，因此第一异常项可以为电池的容量、内阻等等，第二异常项可以为充放电循环次数和工作温度等等，荷电状态参数与电池的电荷水平有关，它表示电池当前所存储的电荷百分比，因此，第一异常项可以为流经电池的电流，第二异常项可以为流经电池的电压等等，本实施例不做具体限制。

步骤S202，对电池组进行参数检测，确定第一参数类型中性能参数均正常的第一电池单体、第一参数类型中存在第一异常项的第二电池单体以及第一参数类型中存在第二异常项的第三电池单体；

在一些实施例中，对电池组进行参数检测，确定第一参数类型中性能参数均正常的第一电池单体、第一参数类型中存在第一异常项的第二电池单体以及第一参数类型中存在第二异常项的第三电池单体，从而能够得到多个不同性能情况的电池单体，可以更好地比较和评估其他电池的性能，判断其是否符合预期要求。

需要说明的是，在对电池组进行参数检测的过程中，可以对电池的电压、电流、容量、内阻、充放电效率等参数进行测量，其中，可以通过电压计或多用途测试仪来测量电池的电压，电流表或多用途测试仪来测量电池的电流，通过充放电实验或使用专门的容量测试设备来测量电池的容量，电阻计或使用电化学阻抗谱分析来测量电池的内阻，通过长时间静置并测量电池残余电量的方式来评估自放电水平等等，从而完成对电池组多个参数的检测，能够全面评估电池的性能，提高后续判断电池状态的准确性。

步骤S203，在电池组中，对第一电池单体、第二电池单体以及第三电池单体进行筛选，得到多个试验电池单体。

在一些实施例中，在电池组中，对第一电池单体、第二电池单体以及第三电池单体进行筛选，得到多个试验电池单体，由于电池的性能和特性会受到制造差异、工作环境等因素的影响，使用多个电池可以考虑到这些差异，更全面地评估电池的性能表现，覆盖不同的电池状态和异常情况。

可以理解的是，通过筛选同一批次或相似规格的多个试验用电池作为参照基准，可以将其性能表现作为其他电池的参照参数。这样一来，可以更好地比较和评估其他电池的性能，判断其是否符合预期要求。

请参照图3，图3是本申请实施例提供的步骤S102的具体流程图。在一些实施例中，步骤S102具体包括但不限于步骤S301和步骤S302。

步骤S301，对试验电池单体进行电化学阻抗谱检测，得到与第一电池单体对应的参考曲线、与第二电池单体对应的第一异常项曲线以及与第三电池单体对应的第二异常项曲线；

在一些实施例中，对试验电池单体进行电化学阻抗谱检测，分别对步骤S202中的三种类型的电池单体进行电化学阻抗谱检测，得到与第一电池单体对应的参考曲线，即电池正常状态下的性能参数曲线，与第二电池单体对应的第一异常项曲线以及与第三电池单体对应的第二异常项曲线，从而便于后续电池性能评估、异常检测等等，能够得到不同电池状态下的电化学特性差异。

需要说明的是，在对试验电池单体进行电化学阻抗谱检测之前，需要设定合适的测试条件，包括频率范围、振幅、温度等，从而保测试条件对于所有试验用电池一致，之后再对第一参数类型的试验用电池进行EI S测试，记录第一参数类型的电化学阻抗谱曲线，得到参考曲线，其中，参考曲线包括实部、虚部、阻抗模和相位角等参数，之后重复上述操作，得到与第二电池单体对应的第一异常项曲线以及与第三电池单体对应的第二异常项曲线，便于评估不同电池状态下的电化学特性差异。

值得注意的是，曲线的实部通过测量电流和电压的相位差计算得到，反映了电解质电导或电极电阻的大小；曲线的虚部通过测量电流和电压的幅值比例计算得到，反映了电容或电感等元件的特性；曲线的阻抗模通过实部和虚部的平方和开根号得到，反映了整体的阻抗大小；曲线的相位角通过实部和虚部之间的反正切运算得到，以角度形式表示，反映了电化学反应的速率和相位关系，便于后续对曲线以及参数的分析，能够得到电池材料、电解质、电极界面等方面的信息，还能够得到电池的内阻、电子传输、离子传输、界面反应等特性，进而优化电池设计和性能。

步骤S302，对第一异常项曲线以及参考曲线进行差异处理，得到第一差异区间，对第二异常项曲线以及参考曲线进行差异处理，得到第二差异区间。

在一些实施例中，对第一异常项曲线以及参考曲线进行差异处理，通过坐标运算或者图像处理，得到第一差异区间，对第二异常项曲线以及参考曲线进行差异处理，通过坐标运算或者图像处理，得到第二差异区间，从而实现对存在差异的曲线段的精准识别，提高后续电池性能评估的准确性。

需要说明的是，在通过坐标运算得到第一差异区间或者第二差异区间的过程中，能够通过对曲线坐标点的计算准确计算出曲线的趋势变化，从而确定出现异常的曲线段。在通过图像处理得到第一差异区间或者第二差异区间的过程中，能够通过比较实部、虚部、阻抗模和相位角等参数的变化趋势，来评估不同电池状态下的电化学特性差异，本实施例不做具体限制。

请参照图4，图4是本申请实施例提供的步骤S104的具体流程图。在一些实施例中，步骤S104具体包括但不限于步骤S401和步骤S404。

需要说明的是，待测对象包括待测电池。

步骤S401，将参考曲线与电化学阻抗谱曲线进行曲线对比，得到第一差异值；

在一些实施例中，在根据参考曲线、第一差异区间以及第二差异区间对电化学阻抗谱曲线进行参数对比的过程中，首先，将参考曲线与电化学阻抗谱曲线进行曲线对比，确定参考曲线与电化学阻抗谱曲线之间的第一差异值，便于确定电池状态是否正常，实现对电池状态的初步判断。

需要说明的是，可以通过计算参考曲线与电化学阻抗谱曲线的坐标值来计算两个曲线之间的差异值，或者通过对参考曲线以及电化学阻抗谱曲线进行图像处理来计算两个之间的差异值，其中，将两个曲线进行对比，得到第一差异值的过程与计算第一差异区间和第二差异区间的过程相同，本实施例在此不再赘述。

值得注意的是，第一差异值越小，参考曲线与电化学阻抗谱曲线的曲线趋势越接近一致；第一差异值越大，参考曲线与电化学阻抗谱曲线的差距越大。

步骤S402，当第一差异值超过第一预设阈值，将参考曲线与第一差异区间进行对比，得到第二差异值，并将参考曲线与第二差异区间进行对比，得到第三差异值；

在一些实施例中，当第一差异值超过第一预设阈值，则说明待测电池的电化学阻抗谱曲线出现异常，电池可能出现异常，需要再将参考曲线与第一差异区间进行对比，得到第二差异值，并将参考曲线与第二差异区间进行对比，得到第三差异值，从而判断是否出现第一异常项或者第二异常项，实现对电池的多种异常项的判断，提高电池异常状态的识别效率。

需要说明的是，当第一差异值小于第一预设阈值，说明待测电池的电化学阻抗谱曲线与之前求得的参考曲线基本一致，此时待测电池为正常状态，各个性能参数均正常，其中，第一预设阈值可以根据使用者的需要自行设置，例如，设置为1、5、10等等，本实施例不做具体限制。

步骤S403，当第二差异值和\或第三差异值在预设贴合阈值内，根据第二差异值以及第三差异值确定待测电池的目标异常项；

在一些实施例中，当第二差异值和\或第三差异值在预设贴合阈值内，说明待测电池存在第一异常项和\或第二异常项，需要根据第二差异值以及第三差异值确定待测电池的目标异常项，实现对电池异常项的准确查找，提高电池异常状态的识别效率，无需进行重复测试，节省时间成本。

步骤S404，当第二差异值和第三差异值均超出预设贴合阈值，对待测电池进行性能校验，确定待测电池的目标异常项。

在一些实施例中，当第二差异值和第三差异值均超出预设贴合阈值，并且第一差异值超过第一预设阈值，说明待测电池存在第一异常项和第二异常项之外的异常项，需要重新对待测电池进行性能校验，确定待测电池的目标异常项，从而提高对电池异常项的识别效率，准确确定电池的异常情况，进一步避免了电池内部存在老化、失活等问题。

需要说明的是，在对待测电池进行性能校验的过程中，首先，确定想要测试的电池性能指标，例如容量、电压稳定性、循环寿命等，之后根据测试的电池性能指标选择适当的测试设备，例如，电流表、电压表、恒流源、负载等，再对电池进行充放电测试，从而确定电池的工作时间和电压稳定性，最后，通过恒流放电法或者恒阻放电法记录放电过程中的电流和时间，从而计算出电池的容量，在得到电池的容量之后，可以进行充放电循环测试，通过重复充电和放电过程，记录电池在每次循环后的性能变化，以评估其寿命和稳定性，再对测试结果进行数据分析和处理，确定待测电池中存在的目标异常项，实现对电池性能的准确评估，以及电池状态的精准识别。

请参照图5，图5是本申请实施例提供的步骤S403的具体流程图。在一些实施例中，步骤S403具体包括但不限于步骤S501和步骤S503。

需要说明的是，预设贴合阈值包括第一贴合阈值和第二贴合阈值，其中，第一贴合阈值和第二贴合阈值可以相同，也可以不同，本实施例不做具体限制。

步骤S501，当第二差异值在第一贴合阈值内且第三差异值在第二贴合阈值内，确定与第一差异区间对应的第一目标异常项，并确定与第二差异区间对应的第二目标异常项，将第一目标异常项以及第二目标异常项作为目标异常项；

步骤S502，当第二差异值超过第一贴合阈值且第三差异值在第二贴合阈值内，确定与第二差异区间对应的第二目标异常项，并将第二目标异常项作为目标异常项；

步骤S503，当第二差异值在第一贴合阈值且第三差异值超过第二贴合阈值，确定与第一差异区间对应的第一目标异常项，并将第一目标异常项作为目标异常项。

在一些实施例的步骤S501至步骤S503中，在根据第二差异值以及第三差异值确定待测电池的目标异常项的过程中，当第二差异值在第一贴合阈值内且第三差异值在第二贴合阈值内，说明待测电池存在第一异常项和第二异常项，则直接确定与第一差异区间对应的第一目标异常项，并确定与第二差异区间对应的第二目标异常项，将第一目标异常项以及第二目标异常项作为目标异常项；当第二差异值超过第一贴合阈值且第三差异值在第二贴合阈值内，说明待测电池不存在第一异常项，并且存在第二异常项，直接确定与第二差异区间对应的第二目标异常项，并将第二目标异常项作为目标异常项；当第二差异值在第一贴合阈值且第三差异值超过第二贴合阈值，说明待测电池存在第一异常项，并且不存在第二异常项，需要确定与第一差异区间对应的第一目标异常项，并将第一目标异常项作为目标异常项，实现对电池异常项的准确查找，提高电池异常状态的识别效率，无需进行重复测试，节省时间成本。

需要说明的是，第一贴合阈值和第二贴合阈值可以根据性能参数的影响程度自行设置，当差异值超过贴合阈值说明待测电池的电化学阻抗谱曲线与第一差异区间的差距较大，不存在类似的异常项的干扰，相反地，当差异值在贴合阈值之内，说明待测电池的电化学阻抗谱曲线与第一差异区间的差距较小，存在类似的异常项的干扰，其中，第一贴合阈值和第二贴合阈值可以相同，也可以不同，例如，将第一贴合阈值设置为1，第二贴合阈值设置为2；将第一贴合阈值和第二贴合阈值同时设置为2等等，本实施例不做具体限制。

请参照图6，图6是本申请实施例提供的计算第一差异区间的具体流程图。在一些实施例中，包括但不限于步骤S601和步骤S603。

步骤S601，获取第一异常项曲线的第一异常坐标集合，并获取参考曲线的参考坐标集合；

步骤S602，基于第一异常坐标集合以及参考坐标集合对第一异常项曲线以及参考曲线进行作差处理，得到第一差值集合；

步骤S603，在第一差值集合中确定超过预设差值的第一目标坐标点，并在第一异常坐标集合中确定与第一目标坐标点对应的第一异常坐标，根据第一异常坐标在第一异常项曲线上确定第一差异区间。

在一些实施例的步骤S601至步骤S603中，在对第一异常项曲线以及参考曲线进行差异处理的过程中，可以通过计算第一异常项曲线以及参考曲线的坐标值进行差异判断，即，获取第一异常项曲线的所有异常项坐标点，得到第一异常坐标集合，并获取参考曲线的所有参考坐标点，得到参考坐标集合，之后，对第一异常坐标集合以及参考坐标集合进行关系映射，使得第一异常坐标集合中的异常项坐标点与参考坐标集合中的参考坐标点形成一一对应的关系，得到映射列表，基于映射列表对异常项坐标点以及参考坐标点进行作差处理，从而能够得到对第一异常项曲线以及参考曲线的作差结果，得到第一差值集合，最后，在第一差值集合中确定超过预设差值的第一目标坐标点，说明此时异常项坐标点与参考坐标点相差过大，并在第一异常坐标集合中确定与第一目标坐标点对应的第一异常坐标，即，筛选与参考坐标点距离过远的坐标点，根据第一异常坐标在第一异常项曲线上确定第一差异区间，从而能够在第一异常项曲线中筛选出与参考曲线存在差异的曲线段，实现对第一差异区间的精准识别。

需要说明的是，预设差值可以根据使用者的需求自行设置，例如，设置预设差值为1、2、0.5等等，在确定第一目标坐标点的过程中，将第一差值集合中的所有差值的绝对值与预设差值进行对比，进一步筛选出大于预设差值的目标差值，并确定与目标差值对应的第一目标坐标点，再根据映射列表的映射关系确定与第一目标坐标点对应的第一异常坐标，实现对存在差异的曲线段的精准识别，提高后续电池性能评估的准确性。

请参照图7，图7是本申请另一实施例提供的计算第一差异区间的具体流程图。在一些实施例中，包括但不限于步骤S701和步骤S703。

步骤S701，对第一异常项曲线以及参考曲线进行图像采集，得到第一异常图像以及参考图像；

步骤S702，将第一异常图像以及参考图像输入预设的缺陷识别模型进行图像处理，得到第一缺陷曲线段图像；

步骤S703，在第一异常项曲线上确定与第一缺陷曲线段图像对应的第一差异区间。

在一些实施例的步骤S701至步骤S703中，在对第一异常项曲线以及参考曲线进行差异处理的过程中，还可以通过图像处理的方式实现对第一差异区间的计算，即，对第一异常项曲线以及参考曲线进行图像采集，得到第一异常图像以及参考图像，之后，将第一异常图像以及参考图像输入预设的缺陷识别模型进行图像处理，以使缺陷识别模型能够提取第一异常图像以及参考图像中的曲线特征，并将两个图像的曲线特征进行对比，得到第一缺陷曲线段图像，其中，第一缺陷曲线段图像为与参考图像中的曲线相差过大的图像，最后，在第一异常项曲线上确定与第一缺陷曲线段图像对应的第一差异区间，从而实现对第一差异区间的精准识别，提高后续电池性能检测的准确性。

需要说明的是，缺陷识别模型包括区域子模型和缺陷识别子模型，其中，区域子模型用于对第一异常图像以及参考图像进行区域划分，实现对图像的精准划分，缺陷识别子模型用于识别区域子模型的划分结果，从而提高曲线缺陷的识别精度。

在一些实施例中，在对第一异常图像以及参考图像进行图像处理的过程中，首先，将第一异常图像以及参考图像输入区域子模型，以使区域子模型对图像进行预处理操作，例如，去噪操作、数据增强操作等等，从而提高图像的区域特征的对比度以及曲线的光滑度，再利用阈值分割或者边缘检测等算法对第一异常图像以及参考图像进行分割，得到多个不同的子区域，提高划分精度，从而便于后续提高曲线识别精度，再对多个子区域进行区域合并，去除掉不相关，例如，区域中不存在曲线、区域中曲线不完整等等，得到与第一异常图像对应的第一合并图像和与参考图像对应的参考合并图像，之后，将第一合并图像以及参考合并图像输入缺陷识别子模型，缺陷识别子模型首先对输入的两个合并图像进行灰度增强操作，分别得到第一特征图像以及参考特征图像，从而能够去除噪点的干扰，使得特征图像更加均匀，之后，基于预设的快速傅里叶算法对特征图像进行频率转换，从而能够过滤特征图像中的高频成分，保留图像的低频成分，得到两个灰度曲线图，能够清楚地显示出第一异常图像以及参考图像中像素的灰度值情况，再对灰度曲线图进行平滑拟合操作，减少噪声的影响，提高拟合曲线的稳定性和准确性，便于后续对数据的处理和修正，最后，对两个灰度曲线图进行动态阈值处理，通过与参考图像对比，确定第一异常图像中的缺陷特征，以便于对缺陷区域的观察和分析，从而实现对缺陷特征的准确提取，最后根据图像中的缺陷特征得到第一缺陷曲线段图像，在第一异常项曲线上确定与第一缺陷曲线段图像对应的第一差异区间，实现对第一差异区间的精准识别。

需要说明的是，缺陷识别模型可以为深度神经网络模型，例如，卷积神经网络模型、循环神经网络模型和自编码器等等，阈值分割算法包括但不限于包括全局固定阈值算法、局部自适应阈值算法以及最大类间方差算法等等，本实施例不做具体限制。

请参照图8，图8是本申请实施例提供的计算第二差异区间的具体流程图。在一些实施例中，包括但不限于步骤S801和步骤S803。

步骤S801，获取第二异常项曲线的第二异常坐标集合，并获取参考曲线的参考坐标集合；

步骤S802，基于第二异常坐标集合以及参考坐标集合对第二异常项曲线以及参考曲线进行作差处理，得到第二差值集合；

步骤S803，在第二差值集合中确定超过预设差值的第二目标坐标点，并在第二异常坐标集合中确定与第二目标坐标点对应的第二异常坐标，根据第二异常坐标在第二异常项曲线上确定第二差异区间。

在一些实施例的步骤S801至步骤S803中，在对第二异常项曲线以及参考曲线进行差异处理的过程中，可以通过计算第二异常项曲线以及参考曲线的坐标值进行差异判断，即，获取第二异常项曲线的所有异常项坐标点，得到第二异常坐标集合，并获取参考曲线的所有参考坐标点，得到参考坐标集合，之后，对第二异常坐标集合以及参考坐标集合进行关系映射，使得第二异常坐标集合中的异常项坐标点与参考坐标集合中的参考坐标点形成一一对应的关系，得到映射列表，基于映射列表对异常项坐标点以及参考坐标点进行作差处理，从而能够得到对第二异常项曲线以及参考曲线的作差结果，得到第二差值集合，最后，在第二差值集合中确定超过预设差值的第二目标坐标点，说明此时异常项坐标点与参考坐标点相差过大，并在第二异常坐标集合中确定与第二目标坐标点对应的第二异常坐标，即，筛选与参考坐标点距离过远的坐标点，根据第二异常坐标在第二异常项曲线上确定第二差异区间，从而能够在第二异常项曲线中筛选出与参考曲线存在差异的曲线段，实现对第二差异区间的精准识别。

需要说明的是，预设差值可以根据使用者的需求自行设置，例如，设置预设差值为1、2、0.5等等，在确定第二目标坐标点的过程中，将第二差值集合中的所有差值的绝对值与预设差值进行对比，进一步筛选出大于预设差值的目标差值，并确定与目标差值对应的第二目标坐标点，再根据映射列表的映射关系确定与第二目标坐标点对应的第二异常坐标，实现对存在差异的曲线段的精准识别，提高后续电池性能评估的准确性。

请参照图9，图9是本申请另一实施例提供的计算第二差异区间的具体流程图。在一些实施例中，包括但不限于步骤S901和步骤S903。

步骤S901，对第二异常项曲线以及参考曲线进行图像采集，得到第二异常图像以及参考图像；

步骤S902，将第二异常图像以及参考图像输入预设的缺陷识别模型进行图像处理，得到第二缺陷曲线段图像；

步骤S903，在第二异常项曲线上确定与第二缺陷曲线段图像对应的第二差异区间。

在一些实施例的步骤S901至步骤S903中，在对第二异常项曲线以及参考曲线进行差异处理的过程中，还可以通过图像处理的方式实现对第二差异区间的计算，即，对第二异常项曲线以及参考曲线进行图像采集，得到第二异常图像以及参考图像，之后，将第二异常图像以及参考图像输入预设的缺陷识别模型进行图像处理，以使缺陷识别模型能够提取第二异常图像以及参考图像中的曲线特征，并将两个图像的曲线特征进行对比，得到第二缺陷曲线段图像，其中，第二缺陷曲线段图像为与参考图像中的曲线相差过大的图像，最后，在第二异常项曲线上确定与第二缺陷曲线段图像对应的第二差异区间，从而实现对第一差异区间的精准识别，提高后续电池性能检测的准确性。

需要说明的是，缺陷识别模型包括区域子模型和缺陷识别子模型，其中，区域子模型用于对第一异常图像以及参考图像进行区域划分，实现对图像的精准划分，缺陷识别子模型用于识别区域子模型的划分结果，从而提高曲线缺陷的识别精度。

在一些实施例中，在对第二异常图像以及参考图像进行图像处理的过程中，首先，将第二异常图像以及参考图像输入区域子模型，以使区域子模型对图像进行预处理操作，例如，去噪操作、数据增强操作等等，从而提高图像的区域特征的对比度以及曲线的光滑度，再利用阈值分割或者边缘检测等算法对第二异常图像以及参考图像进行分割，得到多个不同的子区域，提高划分精度，从而便于后续提高曲线识别精度，再对多个子区域进行区域合并，去除掉不相关，例如，区域中不存在曲线、区域中曲线不完整等等，得到与第二异常图像对应的第二合并图像和与参考图像对应的参考合并图像，之后，将第二合并图像以及参考合并图像输入缺陷识别子模型，缺陷识别子模型首先对输入的两个合并图像进行灰度增强操作，分别得到第二特征图像以及参考特征图像，从而能够去除噪点的干扰，使得特征图像更加均匀，之后，基于预设的快速傅里叶算法对特征图像进行频率转换，从而能够过滤特征图像中的高频成分，保留图像的低频成分，得到两个灰度曲线图，能够清楚地显示出第二异常图像以及参考图像中像素的灰度值情况，再对灰度曲线图进行平滑拟合操作，减少噪声的影响，提高拟合曲线的稳定性和准确性，便于后续对数据的处理和修正，最后，对两个灰度曲线图进行动态阈值处理，通过与参考图像对比，确定第二异常图像中的缺陷特征，以便于对缺陷区域的观察和分析，从而实现对缺陷特征的准确提取，最后根据图像中的缺陷特征得到第二缺陷曲线段图像，在第二异常项曲线上确定与第二缺陷曲线段图像对应的第二差异区间，实现对第二差异区间的精准识别。

需要说明的是，缺陷识别模型可以为深度神经网络模型，例如，卷积神经网络模型、循环神经网络模型和自编码器等等，阈值分割算法包括但不限于包括全局固定阈值算法、局部自适应阈值算法以及最大类间方差算法等等，本实施例不做具体限制。

请参阅图10，本申请实施例还提供一种基于电化学阻抗检测的异常识别系统，可以实现上述基于电化学阻抗检测的异常识别方法，该系统包括：

参数检测模块901，用于获取待测对象以及对象组，对对象组进行参数检测，筛选出多个试验对象单体，其中，多个所述试验对象单体的参数要求相同；

曲线生成模块902，用于对于每一个试验对象单体，对试验对象单体进行电化学阻抗谱检测，得到参考曲线、第一差异区间以及第二差异区间，其中，参考曲线用于表征试验对象单体在正常状态下的性能变化趋势，第一差异区间以及第二差异区间用于表征试验对象单体处于异常状态；

电化学阻抗谱检测模块903，用于对待测对象进行电化学阻抗谱检测，得到电化学阻抗谱曲线；

参数对比模块904，用于根据参考曲线、第一差异区间以及第二差异区间对电化学阻抗谱曲线进行参数对比，确定待测对象的目标异常项。

需要说明的是，该基于电化学阻抗检测的异常识别系统的具体实施方式与上述基于电化学阻抗检测的异常识别方法的具体实施例基本相同，在此不再赘述。

本申请实施例还提供了一种计算机设备，包括存储器和处理器，其中，存储器中存储有计算机程序，该计算机程序被处理器执行时处理器用于执行本申请上述实施例中的基于电化学阻抗检测的异常识别方法。

参照图11，图11是本申请实施例提供的计算机设备的硬件结构示意图。

下面结合图11对计算机设备的硬件结构进行详细说明。该计算机设备包括：处理器910、存储器920、输入/输出接口930、通信接口940和总线950。

处理器910，可以采用通用的CPU(Central Processin Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；

存储器920，可以采用只读存储器(Read Only Memory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(Random Access Memory，RAM)等形式实现。存储器920可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器920中，并由处理器910来调用执行本申请实施例的基于电化学阻抗检测的异常识别方法；

输入/输出接口930，用于实现信息输入及输出；

通信接口940，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；和总线950，在设备的各个组件(例如处理器910、存储器920、输入/输出接口930和通信接口940)之间传输信息；

其中处理器910、存储器920、输入/输出接口930和通信接口940通过总线950实现彼此之间在设备内部的通信连接。

本申请实施例还提供一种存储介质，该存储介质为计算机可读存储介质，计算机可读存储介质存储有计算机程序，在计算机程序被计算机执行时，计算机用于执行如本申请上述实施例中的基于电化学阻抗检测的异常识别方法。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

本领域技术人员可以理解的是，图1至图11中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。

以上所描述的基于电化学阻抗检测的异常识别系统实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。

本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于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：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

在本申请所提供的几个实施例中，应该理解到，所揭露的基于电化学阻抗检测的异常识别系统和方法，可以通过其它的方式实现。例如，以上所描述的基于电化学阻抗检测的异常识别系统实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，基于电化学阻抗检测的异常识别系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

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，包括多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，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。

以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。

Claims (10)

1.一种基于电化学阻抗检测的异常识别方法，其特征在于，所述方法包括：

获取待测对象以及对象组，对所述对象组进行参数检测，筛选出多个试验对象单体，其中，多个所述试验对象单体的参数要求相同；

对于每一个所述试验对象单体，对所述试验对象单体进行电化学阻抗谱检测，得到参考曲线、第一差异区间以及第二差异区间，其中，所述参考曲线用于表征所述试验对象单体在正常状态下的性能变化趋势，所述第一差异区间以及所述第二差异区间用于表征所述试验对象单体处于异常状态；

对所述待测对象进行电化学阻抗谱检测，得到电化学阻抗谱曲线；

根据所述参考曲线、所述第一差异区间以及所述第二差异区间对所述电化学阻抗谱曲线进行参数对比，确定所述待测对象的目标异常项。

2.根据权利要求1所述的异常识别方法，其特征在于，所述对象组包括电池组；所述对所述对象组进行参数检测，筛选出多个试验对象单体，包括：

设置第一参数类型、第一异常项以及第二异常项，其中，所述第一参数类型用于表征电池正常状态下的性能参数，所述第一异常项和所述第二异常项用于表征电池的第一参数类型中出现异常的性能参数，并且所述第一异常项和所述第二异常项为不同的性能参数项；

对所述电池组进行参数检测，确定所述第一参数类型中性能参数均正常的第一电池单体、所述第一参数类型中存在第一异常项的第二电池单体以及所述第一参数类型中存在第二异常项的第三电池单体；

在所述电池组中，对所述第一电池单体、所述第二电池单体以及所述第三电池单体进行筛选，得到多个试验电池单体。

3.根据权利要求2所述的异常识别方法，其特征在于，所述对所述试验对象单体进行电化学阻抗谱检测，得到参考曲线、第一差异区间以及第二差异区间，包括：

对所述试验电池单体进行电化学阻抗谱检测，得到与所述第一电池单体对应的参考曲线、与所述第二电池单体对应的第一异常项曲线以及与所述第三电池单体对应的第二异常项曲线；

对所述第一异常项曲线以及所述参考曲线进行差异处理，得到第一差异区间，对所述第二异常项曲线以及所述参考曲线进行差异处理，得到第二差异区间。

4.根据权利要求1所述的异常识别方法，其特征在于，所述待测对象包括待测电池；所述根据所述参考曲线、所述第一差异区间以及所述第二差异区间对所述电化学阻抗谱曲线进行参数对比，确定所述待测对象的目标异常项，包括：

将所述参考曲线与所述电化学阻抗谱曲线进行曲线对比，得到第一差异值；

当所述第一差异值超过第一预设阈值，将所述参考曲线与所述第一差异区间进行对比，得到第二差异值，并将所述参考曲线与所述第二差异区间进行对比，得到第三差异值；

当所述第二差异值和\或所述第三差异值在预设贴合阈值内，根据所述第二差异值以及所述第三差异值确定所述待测电池的目标异常项；

当所述第二差异值和所述第三差异值均超出所述预设贴合阈值，对所述待测电池进行性能校验，确定所述待测电池的目标异常项。

5.根据权利要求4所述的异常识别方法，其特征在于，所述预设贴合阈值包括第一贴合阈值和第二贴合阈值；所述根据所述第二差异值以及所述第三差异值确定所述待测对象的目标异常项，包括：

当所述第二差异值在所述第一贴合阈值内且所述第三差异值在所述第二贴合阈值内，确定与所述第一差异区间对应的第一目标异常项，并确定与所述第二差异区间对应的第二目标异常项，将所述第一目标异常项以及所述第二目标异常项作为目标异常项；

当所述第二差异值超过所述第一贴合阈值且所述第三差异值在所述第二贴合阈值内，确定与所述第二差异区间对应的第二目标异常项，并将所述第二目标异常项作为目标异常项；

当所述第二差异值在所述第一贴合阈值且所述第三差异值超过所述第二贴合阈值，确定与所述第一差异区间对应的第一目标异常项，并将所述第一目标异常项作为目标异常项。

6.根据权利要求3所述的异常识别方法，其特征在于，所述对所述第一异常项曲线以及所述参考曲线进行差异处理，得到第一差异区间，包括：

获取所述第一异常项曲线的第一异常坐标集合，并获取所述参考曲线的参考坐标集合；

基于所述第一异常坐标集合以及所述参考坐标集合对所述第一异常项曲线以及所述参考曲线进行作差处理，得到第一差值集合；

在所述第一差值集合中确定超过预设差值的第一目标坐标点，并在所述第一异常坐标集合中确定与所述第一目标坐标点对应的第一异常坐标，根据所述第一异常坐标在所述第一异常项曲线上确定第一差异区间；

或者，

对所述第一异常项曲线以及所述参考曲线进行图像采集，得到第一异常图像以及参考图像；

将所述第一异常图像以及所述参考图像输入预设的缺陷识别模型进行图像处理，得到第一缺陷曲线段图像；

在所述第一异常项曲线上确定与所述第一缺陷曲线段图像对应的第一差异区间。

7.根据权利要求3所述的异常识别方法，其特征在于，所述对所述第二异常项曲线以及所述参考曲线进行差异处理，得到第二差异区间，包括：

获取所述第二异常项曲线的第二异常坐标集合，并获取所述参考曲线的参考坐标集合；

基于所述第二异常坐标集合以及所述参考坐标集合对所述第二异常项曲线以及所述参考曲线进行作差处理，得到第二差值集合；

在所述第二差值集合中确定超过预设差值的第二目标坐标点，并在所述第二异常坐标集合中确定与所述第二目标坐标点对应的第二异常坐标，根据所述第二异常坐标在所述第二异常项曲线上确定第二差异区间；

或者，

对所述第二异常项曲线以及所述参考曲线进行图像采集，得到第二异常图像以及参考图像；

将所述第二异常图像以及所述参考图像输入预设的缺陷识别模型进行图像处理，得到第二缺陷曲线段图像；

在所述第二异常项曲线上确定与所述第二缺陷曲线段图像对应的第二差异区间。

8.一种基于电化学阻抗检测的异常识别系统，其特征在于，所述系统包括：

参数检测模块，用于获取待测对象以及对象组，对所述对象组进行参数检测，筛选出多个试验对象单体，其中，多个所述试验对象单体的参数要求相同；

曲线生成模块，用于对于每一个所述试验对象单体，对所述试验对象单体进行电化学阻抗谱检测，得到参考曲线、第一差异区间以及第二差异区间，其中，所述参考曲线用于表征所述试验对象单体在正常状态下的性能变化趋势，所述第一差异区间以及所述第二差异区间用于表征所述试验对象单体处于异常状态；

电化学阻抗谱检测模块，用于对所述待测对象进行电化学阻抗谱检测，得到电化学阻抗谱曲线；

参数对比模块，用于根据所述参考曲线、所述第一差异区间以及所述第二差异区间对所述电化学阻抗谱曲线进行参数对比，确定所述待测对象的目标异常项。

9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，其中，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，所述处理器用于执行如权利要求1至7中任一项所述的异常识别方法。

10.一种存储介质，其特征在于，所述存储介质为计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，在所述计算机程序被计算机执行时，所述计算机用于执行如权利要求1至7中任一项所述的异常识别方法。