一种基于超声图网络的电池制造微小缺陷检测方法及设备

本发明属于电池管理，具体涉及一种基于超声图网络的电池制造微小缺陷检测方法及设备。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、电池运行过程所出现的电极厚度不均、孔隙率异常及各类物理缺陷，极易导致电池性能衰减、热失控甚至起火爆炸的严重后果，例如：寿命缩短、安全隐患。因此，实现对电极缺陷的精细化监测，对确保电池运行安全与可靠性至关重要。

3、目前的电池电极缺陷检测可采用基于人工抽检的方法，即对成品进行离样切片，再通过显微镜观察微观结构，但是存在着破坏性检测、效率低且无法覆盖全量生产等问题；可采用基于常规无损检测的方法，即通过x射线或超声波对电极进行全扫描成像，但是存在着对局部微小缺陷识别灵敏度低、检测精度不足的问题；可采用基于简单物理模型预测的方法，即利用单一物理参数，如速度或衰减等，推算电极状态，但是存在着难以处理复杂声学传播关联、多任务联合预测准确率差的问题。

4、基于上述缺陷，亟需一种能够深度融合声学物理特性与空间关联机制、实现多参数高灵敏度在线联合预测的电池电极缺陷检测方法，以确保能够精准、高效地识别电极各区域的结构状态与缺陷程度。

技术实现思路

1、为解决上述问题，本发明提出了一种基于超声图网络的电池制造微小缺陷检测方法及设备，在多频超声激励与声学传播机制图神经网络的深度融合下，实现对电池电极缺陷程度的精细化监测。

2、根据一些实施例，本发明的第一方案提供了一种基于超声图网络的电池制造微小缺陷检测方法，采用如下技术方案：

3、一种基于超声图网络的电池制造微小缺陷检测方法，包括：

4、获取电池电极的结构参数；

5、对电池电极施加多频超声激励，获取电极不同空间位置的回波信号；

6、分析并提取所获取回波信号的特征参数，按电极空间位置构建若干个分析单元及其特征参数集合；

7、基于所构建的若干个分析单元的特征参数集合计算各个分析单元的物理中间变量以及不同分析单元之间的传播关联参数，构建融合特征向量和传播关联矩阵；

8、根据融合特征向量、传播关联矩阵和基于声学传播机制的图神经网络，预测所获取的电池电极结构参数和电池电极缺陷类型；

9、基于所得到的电池电极结构参数预测结果构建结构离散度指标，结合电池电极缺陷类型预测结果进行电池电极缺陷程度的分级监测，完成电池电极的缺陷检测。

10、作为进一步的技术限定，对所获取的电极不同空间位置的回波信号进行时域、频域及频散联合分析，提取表征局部传播特性的特征参数，按空间位置构建分析单元及其对应的特征参数集合；在构建特征参数集合的过程中，根据电极的物理尺寸，在水平面建立二维坐标系，按照预设的空间分辨率将电极表面切分为规则的网格阵列，每一网格对应的电极实体区域即为一个独立的分析单元，得到各个单元所对应的超声特征参数集合，即完成特征参数集合的构建。

11、作为进一步的技术限定，基于所得到的电池电极结构参数预测结果计算各个分析单元相对于全区域均值的综合偏差程度，根据所得到的各个分析单元的综合偏差程度构建结构离散度指标；根据标准综合偏差程度确定第一判定阈值和第二判定阈值，结合综合偏差程度以及所确定的第一判定阈值和第二判定阈值，划分电池缺陷程度等级。

12、进一步的，当综合偏差程度不超过第一判定阈值时，则该位置的电池电极物理结构完整，无明显缺陷；当综合偏差程度介于第一判定阈值和第二判定阈值之间时，则该位置的电池电极存在轻微参数偏差或缺陷风险，定义为亚健康状态，需加强质量关注；当综合偏差程度超过第二判定阈值时，则该位置的电池电极存在严重物理缺陷为标准合格电极样本中的平均值，触发报废预警并标记为缺陷区域。

13、作为进一步的技术限定，所述基于声学传播机制的图神经网络的损失函数为；其中，为权重系数；和分别为综合任务损失函数和物理约束损失函数，；；、和分别表示电极厚度、孔隙率及缺陷类型的真实值，即标签；、分别为与、与之间的函数关系，通过对训练数据进行拟合得到。

14、作为进一步的技术限定，所获取的电池电极的结构参数包括电极厚度和孔隙率。

15、根据一些实施例，本发明的第二方案提供了一种基于超声图网络的电池制造微小缺陷检测系统，采用如下技术方案：

16、一种基于超声图网络的电池制造微小缺陷检测系统，包括：

17、第一获取模块，其被配置为获取电池电极的结构参数；

18、第二获取模块，其被配置为对电池电极施加多频超声激励，获取电极不同空间位置的回波信号；

19、第一构建模块，其被配置为分析并提取所获取回波信号的特征参数，按电极空间位置构建若干个分析单元及其特征参数集合；

20、第二构建模块，其被配置为基于所构建的若干个分析单元的特征参数集合计算各个分析单元的物理中间变量以及不同分析单元之间的传播关联参数，构建融合特征向量和传播关联矩阵；

21、电极预测模块，其被配置为根据融合特征向量、传播关联矩阵和基于声学传播机制的图神经网络，预测所获取的电池电极结构参数和电池电极缺陷类型；

22、缺陷检测模块，其被配置为基于所得到的电池电极结构参数预测结果构建结构离散度指标，结合电池电极缺陷类型预测结果进行电池电极缺陷程度的分级监测，完成电池电极的缺陷检测。

23、根据一些实施例，本发明的第三方案提供了一种计算机可读存储介质，采用如下技术方案：

24、一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方案所述的一种基于超声图网络的电池制造微小缺陷检测方法中的步骤。

25、根据一些实施例，本发明的第四方案提供了一种电子设备，采用如下技术方案：

26、一种电子设备，包括存储器、处理器及存储在存储器上并在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方案所述的一种基于超声图网络的电池制造微小缺陷检测方法中的步骤。

27、根据一些实施例，本发明的第五方案提供了一种计算机程序产品，采用如下技术方案：

28、一种计算机程序产品，包括软件代码，所述软件代码中的程序执行如本发明第一方案所述的一种基于超声图网络的电池制造微小缺陷检测方法中的步骤。

29、与现有技术相比，本发明的有益效果为：

30、本发明基于声学传播机制图神经网络，通过对电池电极施加多频超声激励并结合时频及频散分析，构建融合等效传播速度、衰减等物理中间变量的传播关联矩阵与特征向量，利用图神经网络的多层信息传播结构进行迭代训练，实现对电极厚度、孔隙率及缺陷类型的多任务联合预测与精细化等级划分；摆脱了传统检测方法难以处理复杂声学传播关联及多参数预测准确率低的问题；利用传播关联参数构建传播关联矩阵，具有能够量化分析单元间交互关系、显著提升对局部微小缺陷识别灵敏度；具备高精度的结构表征能力，通过构建结构离散度指标并设定阈值，可以直接对电极缺陷程度进行精细化分级监测，而无需依赖单一的定性判断。