一种退役动力电池移动机器人分选方法、系统及存储介质

本发明涉及退役动力电池循环利用，具体涉及一种退役动力电池移动机器人分选方法、系统及存储介质。

背景技术：

1、随着新能源汽车和电化学储能系统的大规模产业化应用，动力电池正进入集中退役阶段。退役动力电池来源复杂、型号多样，其历史运行工况、老化路径和健康状态（stateofhealth,soh）高度不一致。在梯次利用或材料回收之前，对退役电池进行快速、精准的分选，是决定其后续利用价值和安全性的关键环节。然而，退役电池soh评估面临历史数据缺失、非均匀退化、化学体系差异等多重不确定性因素，传统的统一规则或简单阈值方法难以适应这种复杂的退役场景。

2、现有分选技术主要依赖以下几种方式：人工经验分选效率低、主观性强且一致性差；基于容量或内阻的单阈值分选虽然直观，但全容量测试耗时长，内阻测试又无法全面反映电池的动态负载响应能力，难以准确区分性能接近但老化机理不同的电池；传统机器学习分选方法虽有所改进，但往往仅依靠少量人工设计的统计特征（如电压均值、内阻估计值等），这类特征对电压/电流曲线中蕴含的局部压降、恢复速率、平台衰减等深层动态信息的表征能力有限，导致模型精度受限，且在新批次、新型号电池上的泛化能力不足。更为关键的是，现有算法大多仅输出评估报告或分选等级，其后仍需依赖人工进行搬运、分类和入仓操作，算法决策与物理执行环节严重脱节，无法形成从智能判断到自动执行的高效闭环，制约了退役电池规模化、自动化分选产线的建设。

3、因此，如何从有限的电压、电流检测数据中充分挖掘能表征电池健康状态与一致性的深层特征，并将分级结果直接、可靠地转化为自动化分选动作，实现数据分析—分选决策—机器人执行的一体化精准闭环，成为本领域亟待解决的技术问题。构建成本效益模型，提升数据质量与场景覆盖度，支撑自动驾驶感知技术的快速发展。

技术实现思路

1、本发明的目的在于克服现有技术的不足，提供了一种退役动力电池移动机器人分选方法、系统及存储介质。

2、为实现上述目的，本发明提供如下技术方案：

3、本技术提供了一种退役动力电池移动机器人分选方法，包括以下步骤：

4、获取退役动力电池的电压时间序列和电流时间序列，并与电池唯一编号绑定；

5、对所述电压时间序列和电流时间序列进行预处理，所述预处理包括标准化处理以及滑动窗口切分，以形成固定长度的输入片段；

6、构建人工统计特征向量，所述人工统计特征向量包含从所述电压时间序列和电流时间序列中提取的统计特征；

7、利用一维卷积神经网络对所述输入片段进行特征提取，输出深层动态响应特征向量；

8、将所述深层动态响应特征向量与所述人工统计特征向量进行融合，生成融合特征向量；

9、利用极端梯度提升树xgboost模型对所述融合特征向量进行分级决策，输出所述电池的分选等级和分选置信度；

10、根据所述分选等级和分选置信度映射确定目标分选区域，并生成机器人分选任务，所述机器人分选任务至少包括电池编号、取料点、目标投放点和动作类型；

11、将所述机器人分选任务发送至移动分选机器人，以控制所述移动分选机器人执行取料、转运和卸载动作，将电池投放至所述目标分选区域。

12、优选的，所述标准化处理和滑动窗口切分满足下式：

13、；

14、；

15、其中，和分别为第个采样点的电压值和电流值，、分别为电压序列和电流序列的均值，、分别为电压序列和电流序列的标准差，为防止分母为零的小常数；为第个滑动窗口，为预设窗口长度，为滑动步长。

16、优选的，所述一维卷积神经网络进行特征提取的卷积运算表示为：

17、；

18、式中，为第l层第个卷积通道在第个时间位置的输出，为上一层输入数据，为卷积核权重，为偏置项，为卷积核长度，为上一层通道数，为时间位置，为卷积核内部的位置编号，为输入通道编号。

19、优选的，所述利用极端梯度提升树xgboost模型对所述融合特征向量进行分级决策，输出所述电池的分选等级和分选置信度，满足下式：

20、；

21、；

22、；

23、其中，为第个电池样本属于第个分选等级的概率，为分选等级总数，为所述xgboost模型输出的原始得分，为最终判定的分选等级，为分选置信度。

24、优选的，还包括一致性优化分组步骤：对属于同一分选等级的电池，构建工程特征向量，其中为容量估计值，为内阻估计值，为健康状态估计值，为短时能量，为电压变化斜率，为电流波动系数；计算同等级电池之间的加权距离，其中为第个特征的权重，为特征数量；根据所述加权距离进行聚类或匹配，使得分组满足目标函数，其中表示组内差异，表示机器人执行时间，表示复测数量，、、为权重系数。

25、优选的，当存在多台移动分选机器人时，根据各机器人的当前位置、剩余电量及任务队列长度计算调度代价，选择最优机器人执行所述机器人分选任务，满足下式：

26、；

27、式中，为被调度的机器人编号，为机器人当前位置，为取料点坐标，为机器人剩余电量，为机器人任务队列长度，、、、为预设权重系数。

28、优选的，所述移动分选机器人为差速轮式移动底盘，其运动控制满足下式：

29、；

30、；

31、其中，为机器人线速度，为角速度，和分别为右轮与左轮的线速度，为轮距。

32、优选的，还包括模型闭环更新步骤：当所述分选置信度低于预设阈值时，将对应电池送入复测区域进行复测；记录复测结果，并利用总体损失函数更新所述xgboost模型，所述总体损失函数为：

33、；

34、其中，为分级损失，为复测样本修正损失，为一致性分组约束损失，和为权重系数。

35、一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。

36、一种退役动力电池移动机器人分选系统，包括：

37、数据输入与预处理模块，用于获取退役动力电池的电压时间序列和电流时间序列，并与电池唯一编号绑定，以及进行标准化处理与滑动窗口切分以形成固定长度的输入片段；

38、人工统计特征构建模块，用于从所述电压时间序列和电流时间序列中提取人工统计特征向量；

39、一维卷积神经网络特征提取模块，用于利用一维卷积神经网络从所述输入片段中提取深层动态响应特征向量；

40、特征融合模块，用于将所述深层动态响应特征向量与所述人工统计特征向量进行融合，生成融合特征向量；

41、xgboost分级决策模块，用于利用极端梯度提升树xgboost模型对所述融合特征向量进行分类，输出电池的分选等级和分选置信度；

42、目标区域映射与任务生成模块，用于根据所述分选等级和分选置信度映射确定目标分选区域，并生成至少包含电池编号、取料点、目标投放点和动作类型的机器人分选任务；

43、移动分选机器人，用于接收所述机器人分选任务，并自主执行取料、转运和卸载动作，将电池投放至所述目标分选区域。

44、与现有技术相比，本技术具有以下有益效果：

45、本发明提出一种退役动力电池移动机器人分选方法、系统及存储介质，通过将1d-cnn自动提取的深层动态响应特征与具有明确物理含义的人工统计特征进行融合，并由xgboost模型进行分级决策，既克服了传统方法对电压/电流曲线局部形态、时序演变等隐含退化信息表征能力不足的缺陷，又保持了模型的可解释性和稳定性，从而显著提升了分选的准确率与泛化能力；在此基础上，通过将模型输出的分选等级和置信度直接映射为包含取料点、目标投放点和动作类型的机器人可执行任务，并驱动移动机器人完成自主转运与卸载，真正打通了从数据输入、智能分级到自动化执行的完整闭环，有效解决了现有技术中算法决策与物理执行脱节、人工依赖度高的问题，大幅提高了退役动力电池分选的自动化程度、效率与可追溯性。