一种废旧机动车拆解任务工序深度预测方法及系统与流程

摘要: 本申请涉及废旧机动车拆解,涉及一种废旧机动车拆解任务工序深度预测方法及系统。背景技术:1、针对新能源汽车保有量快速增长带来的废旧动力电池规模化拆解需求,现有拆解...
一种废旧机动车拆解任务工序深度预测方法及系统与流程

本申请涉及废旧机动车拆解,涉及一种废旧机动车拆解任务工序深度预测方法及系统。

背景技术:

1、针对新能源汽车保有量快速增长带来的废旧动力电池规模化拆解需求,现有拆解工序深度预测方法主要依据车辆出厂技术规范将电池包内部构件默认为标准装配状态,在"整包钝化破碎"与"深度拆解至模组、电芯级梯次利用"之间选择,但忽视了长期复杂路况、底盘剐蹭、涉水浸泡与融雪盐侵蚀带来的实际结构老化,使预测结论频繁偏离现场真实状况。

2、在实际作业中,电池包底部金属箱体与固定螺栓出现电化学氧化与机械咬死,需用气动破拆钻或角磨机切削;高强度导热结构胶经长期热循环后硬化脆变,粘接强度极不均匀,需以高压机械铲刀或液压起拔机构强行剥离胶层;老化电芯的绝缘包裹膜被刮破,电解液渗漏点暴露生成强腐蚀性氢氟酸,金属碎屑导致高压绝缘阻抗骤降。

3、绝缘失效诱发极柱与下托盘金属构件间的高压拉弧放电,局部温度数秒内急升,电芯冒烟出现早期热失控迹象;安全联锁启动大剂量阻燃喷淋与惰性介质扑救,箱体被含化学添加剂的水体与腐蚀性电解液完全浸泡,电池管理系统(battery managementsystem,bms)主控板、高压配电盒接触器及相邻完好模组被彻底短路烧蚀,丧失梯次利用价值;含锂、重金属与氟化物的废液进入危废处置流程,叠加工位停工与排风造成的窝工损失,使深度拆解路径的总成本远超整包钝化破碎方案。

技术实现思路

1、本申请提供了一种废旧机动车拆解任务工序深度预测方法和系统,旨在解决现有废旧动力电池拆解工序深度预测手段忽视长期服役老化带来的内部结构变质与深层拆解可能诱发的高危次生危害,以及由此导致的拆解成本攀升和资源浪费问题。

2、本申请的技术方案如下:

3、第一方面,本申请提供了一种废旧机动车拆解任务工序深度预测方法,应用在废旧电池包处于未执行机械开盖的封闭状态下,包括:

4、获取废旧电池包外壳的热响应数据与废旧电池包高压接口的电响应数据;

5、将热响应数据与电响应数据输入预先训练的多任务物理信息神经网络,输出废旧电池包内部结构胶体的本构模型参数与废旧电池包内部绝缘介质的等效电路参数;

6、基于本构模型参数与结构胶体的本构方程,计算结构胶体所在区域内机械剥离操作引发的内部构件形变量;

7、基于等效电路参数与绝缘介质的等效电路方程,计算绝缘介质的临界耐受电压;

8、基于内部构件形变量与临界耐受电压,根据绝缘击穿物理判据计算机械剥离操作引发高压拉弧失控的发生概率;

9、核算高压拉弧失控诱发应急处置所导致的连带次生损失;

10、基于发生概率与连带次生损失,计算深层拆解作业的综合风险代价;

11、计算深层精细拆解的理论净收益,并计算整包粗放处理的净收益,基于所述理论净收益与所述综合风险代价,计算所述深层精细拆解的风险调整后收益;

12、比较深层精细拆解的风险调整后收益值与整包粗放处理的净收益,判定工序终止于深层精细拆解或整包粗放处理,并输出对应的拆解控制指令;

13、其中,多任务物理信息神经网络的损失函数包含数据拟合项与物理约束项,物理约束项基于本构方程与等效电路方程构建。

14、第二方面,本申请还提供了一种废旧机动车拆解任务工序深度预测系统,包括:

15、多模态数据获取模块,用于获取废旧电池包外壳的热响应数据与废旧电池包高压接口的电响应数据;

16、多任务物理信息神经网络推理模块,用于将热响应数据与电响应数据输入预先训练的多任务物理信息神经网络,输出废旧电池包内部结构胶体的本构模型参数与废旧电池包内部绝缘介质的等效电路参数;

17、形变量计算模块,用于基于本构模型参数与结构胶体的本构方程,计算结构胶体所在区域内机械剥离操作引发的内部构件形变量;

18、耐压值计算模块,用于基于等效电路参数与绝缘介质的等效电路方程,计算绝缘介质的临界耐受电压;

19、拉弧概率计算模块,用于基于内部构件形变量与临界耐受电压,根据绝缘击穿物理判据计算机械剥离操作引发高压拉弧失控的发生概率;

20、连带损失核算模块,用于核算高压拉弧失控诱发应急处置所导致的连带次生损失;

21、风险代价计算模块,用于基于发生概率与连带次生损失,计算深层拆解作业的综合风险代价;

22、净收益计算模块,用于计算深层精细拆解的理论净收益,并计算整包粗放处理的净收益,基于所述理论净收益与所述综合风险代价,计算所述深层精细拆解的风险调整后收益;

23、工序判定模块,用于比较深层精细拆解的风险调整后收益值与整包粗放处理的净收益,判定工序终止于深层精细拆解或整包粗放处理,并输出对应的拆解控制指令;

24、其中,多任务物理信息神经网络的损失函数包含数据拟合项与物理约束项,物理约束项基于本构方程与等效电路方程构建。

25、本申请所提供的废旧机动车拆解任务工序深度预测方法及系统,通过获取废旧电池包外壳的热响应数据与高压接口的电响应数据,并将其输入预先训练的多任务物理信息神经网络,准确输出结构胶体的本构模型参数与绝缘介质的等效电路参数;进而计算内部构件形变量与临界耐受电压,根据绝缘击穿物理判据计算高压拉弧失控的发生概率;同时核算连带次生损失并结合发生概率计算综合风险代价;最终比较深层精细拆解的风险调整后收益值与整包粗放处理的净收益,智能判定工序终止方案并输出对应拆解控制指令。该方法有效解决了现有技术中忽视电池包长期服役老化带来的内部结构变质和深层拆解可能诱发的高危次生危害的问题。

1.一种废旧机动车拆解任务工序深度预测方法,其特征在于,应用在废旧电池包处于未执行机械开盖的封闭状态下,包括:

2.根据权利要求1所述的方法,其特征在于,所述获取所述废旧电池包外壳的热响应数据与所述废旧电池包高压接口的电响应数据的步骤包括:

3.根据权利要求2所述的方法,其特征在于,所述将所述热响应数据与所述电响应数据输入预先训练的多任务物理信息神经网络的步骤包括:

4.根据权利要求1所述的方法,其特征在于,所述基于所述内部构件形变量与所述临界耐受电压,根据绝缘击穿物理判据计算机械剥离操作引发高压拉弧失控的发生概率的步骤包括:

5.根据权利要求1所述的方法,其特征在于,所述核算所述高压拉弧失控诱发应急处置所导致的连带次生损失的步骤包括:

6.根据权利要求5所述的方法,其特征在于,所述比较所述深层精细拆解的风险调整后收益值与所述整包粗放处理的净收益,判定工序终止于深层精细拆解或整包粗放处理,并输出对应的拆解控制指令的步骤包括:

7.根据权利要求1所述的方法,其特征在于,所述多任务物理信息神经网络包括共享特征提取层、第一参数回归头与第二参数回归头;所述共享特征提取层接收所述热响应数据与所述电响应数据并输出共享特征表示;所述第一参数回归头基于所述共享特征表示输出所述本构模型参数;所述第二参数回归头基于所述共享特征表示输出所述等效电路参数。

8.根据权利要求7所述的方法,其特征在于,所述方法还包括:训练所述多任务物理信息神经网络,具体为:

9.根据权利要求6所述的方法,其特征在于,所述基于所述服役历史数据,结合预先构建的贝叶斯网络,修正所述内部构件形变量、所述临界耐受电压、各所述内部电气部件的所述报废概率的步骤包括:

10.一种废旧机动车拆解任务工序深度预测系统,其特征在于,包括: