基于多模态特征一致性演变的锂离子电池缺陷识别方法

本发明涉及锂离子电池检测，具体为基于多模态特征一致性演变的锂离子电池缺陷识别方法。

背景技术：

1、锂离子电池因其高能量密度、长循环寿命和低自放电率等优势，已被广泛应用于新能源汽车、储能系统和便携式电子设备等领域，在软包电池的制造过程中，极片制备、叠片、焊接与封装等工序存在不可避免的工艺波动，容易引入金属异物、隔膜损伤、极片错位、局部接触不良和微结构应力集中等产线缺陷，早期运行阶段通常不表现为明显的电性能衰减，但可能在充放电循环、静置或老化过程中逐步发展为局部微短路、异常极化、界面副反应增强或气体生成，进而引发电芯鼓胀、容量加速衰减甚至热失控等严重安全问题。

2、目前现有技术中，锂离子电池内部缺陷的识别方法主要包括两类；一类是基于电学参数检测的方法，即通过开路电压、直流内阻和容量等单一或少量电学指标对电芯进行筛选和评估；另一类是基于物理表征的方法，即引入电化学阻抗谱、超声检测或x射线成像等手段对电池内部结构进行分析；

3、在实际使用过程中，基于单一电学参数的检测方法难以表征缺陷电池在循环过程中的动态演变特征，且单一参数易受工况波动和制造离散性的影响，难以区分正常性能差异与缺陷诱发的异常表现，误判和漏判风险较高，电化学阻抗谱、超声和x射线成像等复杂检测手段虽然能够提供更多内部信息，但设备投入大、检测效率低，难以在大规模产线中推广应用，将各参数独立分析或采用简单阈值叠加的方式进行判断，未能充分利用多模态信号在时间序列上的关联演变信息，难以准确刻画缺陷从潜伏到恶化的完整发展过程，导致对早期隐性缺陷的识别能力不足，故而提出基于多模态特征一致性演变的锂离子电池缺陷识别方法来解决上述问题。

技术实现思路

1、针对现有技术的不足，本发明提供了基于多模态特征一致性演变的锂离子电池缺陷识别方法，具备多模态信号协同表征、全生命周期演变特征追踪和非接触式在线检测的优点，解决了现有技术中单一电学参数难以捕捉缺陷动态演变特征、复杂物理检测手段成本高周期长、以及缺乏多模态协同分析导致早期隐性缺陷识别能力不足的问题。

2、为实现上述目的，本发明提供如下技术方案：基于多模态特征一致性演变的锂离子电池缺陷识别方法，包括以下步骤；

3、s1.对待测电池施加标准充放电循环工况，采集循环过程中的多模态信号并处理，然后构建多模态数据集；

4、s2.提取多模态数据集中各循环节点的原始特征，基于原始特征计算出当前循环节点的特征变化量，将同一循环节点下的特征变化量进行向量融合，并构建多模态特征集合，对多模态特征集合进行归一化处理，得到归一化多模态特征集合；

5、s3.将softmax函数嵌入至深度神经网络识别模型的输出层，训练深度神经网络识别模型，将归一化多模态特征集合输入深度神经网络识别模型，学习多模态特征随循环过程变化的非线性映射关系，输出对应的类别概率；

6、s4.比较各类别概率的大小，将最大概率对应的状态类别确定为待测电池的识别类别。

7、进一步，所述s1中进一步引入多模态数据集的构建方法；

8、其中，多模态信号包括电池的端电压时域信号、端电流时域信号、表面压力响应时域信号；

9、从端电压时域信号、端电流时域信号中提取离散的电压-容量采样数据，采样数据包含各采样点的电压值、容量值；

10、对于当前采样点，获取其相邻采样点的容量值、电压值，分别计算当前采样点的相邻采样点之间的容量差值和电压差值，以容量差值除以电压差值得到当前采样点的增量容量值；

11、将各采样点的增量容量值与其对应的电压值关联，构建由电压-增量容量离散点构成的增量容量曲线数据；

12、对端电压时域信号、端电流时域信号进行连续小波变换，得到电压信号小波系数、电流信号小波系数；

13、根据电压信号小波系数与电流信号小波系数的比值，得到在线复阻抗实部、在线复阻抗虚部；

14、根据在线复阻抗实部、在线复阻抗虚部计算在线复阻抗模值、在线复阻抗相位角；

15、基于预设频率、在线复阻抗实部、在线复阻抗虚部、在线复阻抗模值、在线复阻抗相位角构建在线阻抗谱数据；

16、从表面压力响应时域信号中提取完整的压力随时间变化的数据序列，根据数据序列中各循环的起始时刻和结束时刻，将数据序列按循环节点进行分割，得到每个循环节点对应的压力变化序列；

17、基于各循环节点对应的压力变化序列构建压力响应数据；

18、将增量容量曲线数据、在线阻抗谱数据、压力响应数据按循环节点进行时间对齐，将同一循环节点下的增量容量曲线数据、在线阻抗谱数据、压力响应数据进行关联整合并构建多模态数据集。

19、进一步，所述s2中进一步引入原始特征提取方法和特征变化量的计算方式；

20、根据增量容量曲线数据，提取增量容量曲线的主峰峰位、主峰峰高、主峰面积作为增量容量原始特征；

21、以初始循环节点的增量容量原始特征为基准，将当前循环节点的增量容量原始特征与初始循环节点的增量容量原始特征相减，得到主峰峰位变化量、主峰峰高变化量、主峰面积变化量，并构建增量容量特征向量；

22、根据在线阻抗谱数据，对局部在线阻抗谱进行圆拟合得到阻抗圆弧半径，计算局部频率范围内的平均相位角、阻抗谱面积并作为在线阻抗谱原始特征；

23、以初始循环节点的在线阻抗谱原始特征为基准，将当前循环节点的在线阻抗谱原始特征与初始循环节点的在线阻抗谱原始特征相减，得到阻抗圆弧半径变化量、平均相位角变化量、阻抗谱面积变化量，并构建在线阻抗谱特征向量；

24、提取压力响应数据中的最大压力、残余压力、压力变化幅值，并作为压力响应原始特征；

25、以初始循环节点的压力响应原始特征为基准，将当前循环节点的压力响应原始特征与初始循环节点的压力响应原始特征相减，得到最大压力变化量、残余压力变化量、压力变化幅值变化量，并构建压力响应特征向量。

26、进一步，所述s2中进一步引入归一化多模态特征集合构建方法；

27、将增量容量特征向量、在线阻抗谱特征向量、压力响应特征向量按照相同循环节点进行拼接融合，并构建多模态融合特征向量；

28、将多模态融合特征向量按照循环顺序排列，构建多模态特征集合，对多模态特征集合进行归一化处理，得到归一化多模态特征集合。

29、进一步，所述s3步骤中进一步引入深度神经网络识别模型的构建和训练；

30、选取已知状态类别的电池样本，提取各电池样本的归一化多模态特征集合，并根据电池样本的实际状态赋予对应的状态类别标签；

31、其中，状态类别包括正常状态、轻微异常状态、中度异常状态和严重异常状态；

32、根据电池样本的归一化多模态特征集合的特征维度设定深度神经网络识别模型的输入层节点数，根据预设的状态类别数设定输出层节点数，构建包含输入层、多个隐藏层、输出层的深度神经网络识别模型；

33、其中，输出层采用softmax函数；

34、将归一化多模态特征集合作为输入，经各隐藏层处理后，由输出层的softmax函数输出各训练样本属于各类别的预测概率；

35、将状态类别标签转换为独热编码，基于预测概率与独热编码计算交叉熵分类损失，采用反向传播算法计算分类损失对各层网络参数的梯度，并根据梯度更新各层网络参数；

36、迭代执行上述过程直至满足收敛条件，得到训练完成的深度神经网络识别模型。

37、进一步，所述s4步骤中进一步引入将s2步骤获得的归一化多模态特征集合，输入至训练完成的深度神经网络识别模型，进行的前向计算过程；

38、将s2步骤获得的归一化多模态特征集合作为输入层的输出，依次传递至第一个隐藏层；

39、对于第一个隐藏层以外的各个隐藏层，将前一个隐藏层输出的各神经元数值分别与对应的权重相乘并求和后，加上对应的偏置项，再经非线性激活函数处理后，作为当前隐藏层的输出；

40、然后逐层传递至最后一个隐藏层；

41、将最后一个隐藏层的输出传递至输出层，由输出层计算各类别的原始得分，并采用softmax函数将各原始得分映射为对应的类别概率。

42、进一步，所述s4步骤中基于类别概率进行状态判定；

43、比较各类别概率的大小，将最大概率对应的状态类别确定为待测电池的识别类别；

44、当识别类别为正常状态时，判定待测电池为正常电池；

45、当识别类别为轻微异常状态时，判定待测电池为轻微异常电池；

46、当识别类别为中度异常状态时，判定待测电池为中度异常电池；

47、当识别类别为严重异常状态时，判定待测电池为严重异常电池。

48、与现有技术相比，本发明提供了基于多模态特征一致性演变的锂离子电池缺陷识别方法，具备以下有益效果：

49、1、该基于多模态特征一致性演变的锂离子电池缺陷识别方法，通过同步采集电池端电压时域信号、端电流时域信号和表面压力响应时域信号，分别构建增量容量曲线数据、在线阻抗谱数据和压力响应数据，实现了对电池内部电化学特性、导通状态和力学响应的多模态信号协同表征，克服了单一电学参数无法全面反映缺陷电池多维度演变特征的局限；

50、2、该基于多模态特征一致性演变的锂离子电池缺陷识别方法，通过以初始循环节点的原始特征为基准，计算各当前循环节点的特征变化量，追踪多模态特征随循环过程的退化轨迹，能够准确刻画缺陷从潜伏到恶化的完整演变过程，解决了现有技术难以区分正常性能差异与缺陷诱发异常表现的问题，有效降低了误判和漏判风险；

51、3、该基于多模态特征一致性演变的锂离子电池缺陷识别方法，通过将增量容量特征、在线阻抗谱特征和压力响应特征进行向量融合并输入深度神经网络识别模型，由模型自动学习多模态特征随循环过程变化与电池状态之间的非线性映射关系，克服了现有方法采用各参数独立分析或简单阈值叠加导致的主观性强、适应性差的问题，实现了电池状态的自动化、智能化识别；

52、4、该基于多模态特征一致性演变的锂离子电池缺陷识别方法，通过仅采集电池充放电过程中的端部电气信号和表面压力信号即可完成数据获取，整个检测过程无需拆解电池、无需外加激励源、无需复杂检测环境，能够在现有产线充放电工步基础上直接部署，解决了电化学阻抗谱、超声检测和x射线成像等复杂检测手段设备成本高、检测周期长、难以大规模产线推广的问题，实现了低成本、高效率的准在线检测。