电池热失控识别模型的训练方法、装置、设备、介质和程序产品与流程

本技术涉及大数据，特别是涉及一种电池热失控识别模型的训练方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

背景技术：

1、锂离子电池因其能量密度高、循环寿命长等优势，广泛应用于新能源汽车、储能电站、便携式电子设备等领域。但锂电池在过充、过放、短路、高温环境或机械碰撞等工况下，易引发热失控反应。热失控一旦发生，电池内部温度会在短时间内急剧升高，伴随电解液分解、气体剧烈膨胀，最终导致安全阀破裂、电池外壳鼓包甚至爆炸，释放出有毒有害气体并引发火灾，对人身安全和财产安全造成严重威胁。近年来，新能源汽车自燃、储能电站火灾等事故频发，凸显了锂电池热失控预警技术的迫切需求。

2、现有锂电池热失控预警主要依赖温度、电压、内阻等电参数监测，以及气体传感器、烟雾传感器等环境监测手段，通过监测得出的参数训练得到电池热失控识别模型。其中，温度监测存在明显滞后性，当温度传感器检测到异常升温时，电池往往已进入热失控中期，缺乏足够应急时间；电压和内阻监测易受电池一致性、老化程度影响，难以精准捕捉热失控早期信号；气体传感器和烟雾传感器则需在气体或烟雾扩散至传感器位置时才能响应，且易受环境气流干扰，预警可靠性不足，导致电池热失控识别模型的识别准确性较低。因此，亟需一种精准进行电池热失控识别模型训练的方式。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够提高电池热失控识别模型的训练准确性的电池热失控识别模型的训练方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

2、第一方面，本技术提供了一种电池热失控识别模型的训练方法，所述方法包括：

3、获取电池发生热失控过程中的声音信号，并对所述声音信号进行切分得到各种类型的声音切分信号；

4、将属于安全阀开启声音类型的声音切分信号确定为训练样本中的正样本，将属于噪声类型的声音切分信号确定为训练样本中的负样本；

5、通过所述正样本中的训练集和所述负样本，进行训练得到初步电池热失控识别模型；

6、通过所述正样本中的验证集，对所述初步电池热失控识别模型进行更新，得到目标电池热失控识别模型。

7、作为其中的一实施例，所述通过所述正样本中的训练集和所述负样本，进行训练得到初步电池热失控识别模型，包括：

8、对所述正样本中的训练集进行特征提取，得到训练特征；

9、根据所述训练特征和所述负样本，构建孪生神经网络的损失函数；

10、根据所述损失函数，对所述孪生神经网络进行训练得到初步电池热失控识别模型。

11、作为其中的一实施例，所述根据所述训练特征和所述负样本，构建孪生神经网络的损失函数，包括：

12、通过孪生神经网络对所述训练特征进行特征提取，得到正样本特征；以及，通过孪生神经网络对所述负样本进行特征提取，得到负样本特征；

13、获取所述孪生神经网络所对应的温度系数，所述正样本特征所对应的正样本相似度，以及，所述负样本特征所对应的负样本相似度；

14、根据所述温度系数、所述正样本相似度和所述负样本相似度，构建所述孪生神经网络的损失函数。

15、作为其中的一实施例，所述获取所述孪生神经网络所对应的温度系数，包括：

16、获取所述目标电池热失控识别模型所对应的模型训练需求信息；

17、根据所述模型训练需求信息所表征的模型需求精度和模型训练需求时长中的至少一项，构建所述孪生神经网络所对应的温度系数。

18、作为其中的一实施例，所述对所述正样本中的训练集进行特征提取，得到训练特征，包括：

19、对所述正样本中的训练集进行短时能量特征提取，得到短时能量特征；

20、对所述正样本中的训练集在单位时间内穿过零电平的次数进行提取，得到过零率特征；

21、将所述正样本中的训练集由时域转换为梅尔频谱域，得到频谱包络特征；

22、将所述短时能量特征、所述过零率特征和所述频谱包络特征进行融合，得到训练特征。

23、作为其中的一实施例，所述通过所述正样本中的验证集，对所述初步电池热失控识别模型进行更新，得到目标电池热失控识别模型之后，所述方法还包括：

24、获取所述目标电池热失控识别模型输出的热失控识别结果；

25、在所述热失控识别结果所表征的热失控发生概率大于第一预设概率阈值且小于第二预设概率阈值的情况下，输出热失控预警信息；

26、在所述热失控识别结果所表征的热失控发生概率大于第二预设概率阈值的情况下，切断所述热失控识别结果所对应电池的充放电回路，控制所述热失控识别结果所对应的消防系统进行开启，并输出热失控警报信息。

27、第二方面，本技术还提供了一种电池热失控识别模型的训练装置，包括：

28、获取模块，用于获取电池发生热失控过程中的声音信号；

29、样本划分模块，用于对所述声音信号进行切分得到各种类型的声音切分信号，将属于安全阀开启声音类型的声音切分信号确定为训练样本中的正样本，将属于噪声类型的声音切分信号确定为训练样本中的负样本；

30、训练模块，用于通过所述正样本中的训练集和所述负样本，进行训练得到初步电池热失控识别模型；通过所述正样本中的验证集，对所述初步电池热失控识别模型进行更新，得到目标电池热失控识别模型。

31、第三方面，本技术还提供了一种计算机设备，包括存储器和处理器，所述处理器执行所述计算机程序时实现以下步骤：

32、获取电池发生热失控过程中的声音信号，并对所述声音信号进行切分得到各种类型的声音切分信号；

33、将属于安全阀开启声音类型的声音切分信号确定为训练样本中的正样本，将属于噪声类型的声音切分信号确定为训练样本中的负样本；

34、通过所述正样本中的训练集和所述负样本，进行训练得到初步电池热失控识别模型；

35、通过所述正样本中的验证集，对所述初步电池热失控识别模型进行更新，得到目标电池热失控识别模型。

36、第四方面，本技术还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

37、获取电池发生热失控过程中的声音信号，并对所述声音信号进行切分得到各种类型的声音切分信号；

38、将属于安全阀开启声音类型的声音切分信号确定为训练样本中的正样本，将属于噪声类型的声音切分信号确定为训练样本中的负样本；

39、通过所述正样本中的训练集和所述负样本，进行训练得到初步电池热失控识别模型；

40、通过所述正样本中的验证集，对所述初步电池热失控识别模型进行更新，得到目标电池热失控识别模型。

41、第五方面，本技术还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

42、获取电池发生热失控过程中的声音信号，并对所述声音信号进行切分得到各种类型的声音切分信号；

43、将属于安全阀开启声音类型的声音切分信号确定为训练样本中的正样本，将属于噪声类型的声音切分信号确定为训练样本中的负样本；

44、通过所述正样本中的训练集和所述负样本，进行训练得到初步电池热失控识别模型；

45、通过所述正样本中的验证集，对所述初步电池热失控识别模型进行更新，得到目标电池热失控识别模型。

46、上述电池热失控识别模型的训练方法、装置、计算机设备、计算机可读存储介质和计算机程序产品，通过获取电池发生热失控过程中的声音信号，并对所述声音信号进行切分得到各种类型的声音切分信号；将属于安全阀开启声音类型的声音切分信号确定为训练样本中的正样本，将属于噪声类型的声音切分信号确定为训练样本中的负样本；通过所述正样本中的训练集和所述负样本，进行训练得到初步电池热失控识别模型；通过所述正样本中的验证集，对所述初步电池热失控识别模型进行更新，得到目标电池热失控识别模型。

47、如此，通过将电池发生热失控过程中较为复杂的声音信号进行切分，使得能够精准识别出属于安全阀开启声音类型和属于噪声类型的声音信号，而分别将属于安全阀开启声音类型和属于噪声类型的声音信号确定为正样本和负样本，可实现电池热失控识别模型的对比学习训练，提高了电池热失控识别模型的训练准确性。