一种基于特征数值分析的锂电池梯次利用分选方法及装置与流程

1.本发明涉及电池分选技术领域，尤其涉及一种基于特征数值分析的锂电池梯次利用分选方法及装置。


背景技术：

2.随着新能源的发展，锂电池的需求越来越大，但由于不同厂家的制作工艺和制作材料存在不同，导致锂电池的性能存在不同。而锂电池的安全使用，是使用新能源必不可少的前提。在不同场景下，对锂电池的性能要求存在不同，需要对锂电池进行有效的分选，满足不同应用场景的需求。现有技术中，电池分选技术主要是检测电池的恒压充电后的放电容量、搁置后的开路电压及1khz的交流内阻，根据这三项参数的统计值分布，进行若干档分类，然而这样的分选方式仅结合传统的三项参数进行分选，不够准确高效，存在一定的偏差，并不能完全保证分选的快速性和有效性。因此，如何实现更高效的电池分选方法是亟待解决的问题。


技术实现要素：

3.有鉴于此，有必要提供一种基于特征数值分析的锂电池梯次利用分选方法及装置，用以克服现有技术中目标检测不够准确的问题。
4.本发明提供一种基于特征数值分析的锂电池梯次利用分选方法，包括：
5.获取对每个待测电池进行多次测量后得到的变化参数；
6.根据所述变化参数，对每个所述待测电池进行第一次筛选，确定第一分选电池；
7.根据所述第一分选电池进行充放电测试，确定多种电学性质参数，并统计对应的正态分布图；
8.基于机器学习，根据所述正态分布图对所述第一分选电池进行分类，判断是否合格。
9.进一步地，所述变化参数包括单体开路电压、电压变化率和阻抗值，所述根据所述变化参数，对每个所述待测电池进行第一次筛选，确定第一分选电池，包括：
10.获取每个所述待测电池的所述单体开路电压，判断所述单体开路电压是否满足第一预设条件；
11.若满足所述第一预设条件，则对所述待测电池在预设时间内进行充放电测试，确定所述电压变化率，判断所述电压变化率是否满足第二预设条件，其中，根据充放电开始时刻的电压和结束时刻的电压之差，确定第一差值，并根据所述第一差值和所述预设时间之商，确定所述电压变化率；
12.若满足所述第二预设条件，则对所述待测电池在多个频率点中的所述阻抗值，并判断所述阻抗值是否满足第三预设条件；
13.若满足所述第三预设条件，则判断为所述第一分选电池。
14.进一步地，所述第一预设条件为所述单体开路电压大于或等于第一预设电压，或
者所述单体开路电压小于或等于第二预设电压；
15.所述第二预设条件为所述电压变化率与变化平均值的比值大于第一预设比值，其中，所述变化平均值为满足第一预设条件的所有待测电池的电压变化率的平均值；
16.所述第三预设条件为每个频率点的所述阻抗值与阻抗平均值的比值大于第二预设比值，其中，所述阻抗平均值为在每个频率点中，满足第二预设条件的所有待测电池的阻抗值的平均值。
17.进一步地，所述电学性质参数包括库伦效率和能量效率，所述根据所述第一分选电池进行充放电测试，确定多种电学性质参数，并统计对应的正态分布图，包括：
18.根据所述第一分选电池进行恒流充放电测试，确定充放电过程中对应形成的所述库伦效率和所述能量效率；
19.根据所述库伦效率和所述能量效率，统计对应的正态分布图。
20.进一步地，所述根据所述库伦效率和所述能量效率，统计对应的正态分布图，包括：
21.根据所述库伦效率，统计对应的库伦正态分布图；
22.根据所述能量效率，统计对应的能量正态分布图。
23.进一步地，所述基于机器学习，根据所述正态分布图对所述第一分选电池进行分类，判断是否合格，包括：
24.将所述库伦正态分布图输入至训练完备的第一svm网络，输出对应的第一分类标签；
25.将所述能量正态分布图输入至训练完备的第二svm网络，输出对应的第二分类标签；
26.根据所述第一分类标签和所述第二分类标签，判断所述第一分选电池是否合格。
27.进一步地，所述第一分类标签包括第一合格标签和第一不合格标签，所述第二分类标签包括第二合格标签和第二不合格标签，所述根据所述第一分类标签和所述第二分类标签，判断所述第一分选电池是否合格，包括：
28.当所述第一分类标签为第一合格标签，且所述第二分类标签为第二合格标签，则所述第一分选电池合格。
29.进一步地，所述训练完备的第一svm网络的训练过程包括：
30.获取带有标注信息的库伦正态分布图形成的样本集，其中，所述标注信息为所述库伦正态分布图对应的待测电池的合格标签或者不合格标签；
31.将所述样本集输入至构建的第一svm网络，迭代至参数收敛，形成所述训练完备的第一svm网络。
32.进一步地，所述训练完备的第二svm网络的训练过程包括：
33.获取带有标注信息的能量正态分布图形成的样本集，其中，所述标注信息为所述能量正态分布图对应的待测电池的合格标签或者不合格标签；
34.将所述样本集输入至构建的第一svm网络，迭代至参数收敛，形成所述训练完备的第一svm网络。
35.本发明还提供一种基于特征数值分析的锂电池梯次利用分选装置，包括：
36.获取单元，用于获取对每个待测电池进行多次测量后得到的变化参数；
37.处理单元，用于根据所述开路电压，对每个所述待测电池进行第一次筛选，确定第一分选电池；还用于根据所述第一分选电池进行充放电测试，确定多种电学性质参数，并统计对应的正态分布图；
38.分选单元，用于基于机器学习，根据所述正态分布图对所述第一分选电池进行分类，判断是否合格。
39.与现有技术相比，本发明的有益效果包括：首先，对每个待测电池进行多次测量后的变化参数进行有效的获取；然后，根据变化参数进行第一次筛选，以保证初步筛选的准确性；进而，对筛选出来的第一分选电池进行充放电测试，确定对应的多种电学性质参数，并进行相应的数据统计，确定对应的正态分布图；最后，基于机器学习，对正态分布图进行智能分类，快速判断是否合格。综上，本发明基于待测电池，进行多种特征提取，并进行相应的多次筛选，保证电池分选的准确性和可靠性。
附图说明
40.图1为本发明提供的基于特征数值分析的锂电池梯次利用分选方法的应用系统一实施例的场景示意图；
41.图2为本发明提供的基于特征数值分析的锂电池梯次利用分选方法一实施例的流程示意图；
42.图3为本发明提供的图2中步骤s2一实施例的流程示意图；
43.图4为本发明提供的图2中步骤s3一实施例的流程示意图；
44.图5为本发明提供的图4中步骤s32一实施例的流程示意图；
45.图6为本发明提供的图2中步骤s4一实施例的流程示意图；
46.图7为本发明提供的第一svm网络训练过程一实施例的流程示意图；
47.图8为本发明提供的第二svm网络训练过程一实施例的流程示意图；
48.图9为本发明提供的基于特征数值分析的锂电池梯次利用分选装置一实施例的结构示意图。
具体实施方式
49.下面结合附图来具体描述本发明的优选实施例，其中，附图构成本技术一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
50.在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。此外，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
51.在本发明的描述中，提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，所描述的实施例可以与其它实施例相结合。
52.本发明提供了一种基于特征数值分析的锂电池梯次利用分选方法，融合多方面的电学特征，进行多次分选，为进一步提高电池分选的准确性提供了新思路。下面对具体实施
例分别进行详细说明：
53.本发明实施例提供了一种基于特征数值分析的锂电池梯次利用分选方法的应用系统，图1为本发明提供的基于特征数值分析的锂电池梯次利用分选方法的应用系统一实施例的场景示意图，该系统可以包括服务器100，服务器100中集成有基于特征数值分析的锂电池梯次利用分选装置，如图1中的服务器。
54.本发明实施例中服务器100主要用于：
55.获取对每个待测电池进行多次测量后得到的变化参数；
56.根据所述变化参数，对每个所述待测电池进行第一次筛选，确定第一分选电池；
57.根据所述第一分选电池进行充放电测试，确定多种电学性质参数，并统计对应的正态分布图；
58.基于机器学习，根据所述正态分布图对所述第一分选电池进行分类，判断是否合格。
59.本发明实施例中，该服务器100可以是独立的服务器，也可以是服务器组成的服务器网络或服务器集群，例如，本发明实施例中所描述的服务器100，其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中，云服务器由基于云计算(cloud computing)的大量计算机或网络服务器构成。
60.可以理解的是，本发明实施例中所使用的终端200可以是既包括接收和发射硬件的设备，即具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备。具体的终端200可以是台式机、便携式电脑、网络服务器、掌上电脑(personal digital assistant，pda)、移动手机、平板电脑、无线终端设备、通信设备、嵌入式设备等，本实施例不限定终端200的类别。
61.本领域技术人员可以理解，图1中示出的应用环境，仅仅是与本发明方案一种应用场景，并不构成对本发明方案应用场景的限定，其他的应用环境还可以包括比图1中所示更多或更少的终端，例如图1中仅示出2个终端，可以理解的，该基于特征数值分析的锂电池梯次利用分选方法的应用系统还可以包括一个或多个其他终端，具体此处不作限定。
62.另外，如图1所示，该基于特征数值分析的锂电池梯次利用分选方法的应用系统还可以包括存储器200，用于存储数据，如变化参数、电学性质参数、正态分布图等。
63.需要说明的是，图1所示基于特征数值分析的锂电池梯次利用分选方法的应用系统的场景示意图仅仅是一个示例，本发明实施例描述的基于特征数值分析的锂电池梯次利用分选方法的应用系统以及场景是为了更加清楚地说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定，本领域普通技术人员可知，随着基于特征数值分析的锂电池梯次利用分选方法的应用系统的演变和新业务场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。
64.本发明实施例提供了一种基于特征数值分析的锂电池梯次利用分选方法，结合图2来看，图2为本发明提供的基于特征数值分析的锂电池梯次利用分选方法一实施例的流程示意图，包括步骤s1至步骤s4，其中：
65.在步骤s1中，获取对每个待测电池进行多次测量后得到的变化参数；
66.在步骤s2中，根据所述变化参数，对每个所述待测电池进行第一次筛选，确定第一
分选电池；
67.在步骤s3中，根据所述第一分选电池进行充放电测试，确定多种电学性质参数，并统计对应的正态分布图；
68.在步骤s4中，基于机器学习，根据所述正态分布图对所述第一分选电池进行分类，判断是否合格。
69.在本发明实施例中，首先，对每个待测电池进行多次测量后的变化参数进行有效的获取；然后，根据变化参数进行第一次筛选，以保证初步筛选的准确性；进而，对筛选出来的第一分选电池进行充放电测试，确定对应的多种电学性质参数，并进行相应的数据统计，确定对应的正态分布图；最后，基于机器学习，对正态分布图进行智能分类，快速判断是否合格。
70.作为优选的实施例，结合图3来看，图3为本发明提供的图2中步骤s2一实施例的流程示意图，上述步骤s2具体包括步骤s21至步骤s24，其中：
71.在步骤s21中，获取每个所述待测电池的所述单体开路电压，判断所述单体开路电压是否满足第一预设条件；
72.在步骤s22中，若满足所述第一预设条件，则对所述待测电池在预设时间内进行充放电测试，确定所述电压变化率，判断所述电压变化率是否满足第二预设条件，其中，根据充放电开始时刻的电压和结束时刻的电压之差，确定第一差值，并根据所述第一差值和所述预设时间之商，确定所述电压变化率；
73.在步骤s23中，若满足所述第二预设条件，则对所述待测电池在多个频率点中的所述阻抗值，并判断所述阻抗值是否满足第三预设条件；
74.在步骤s24中，若满足所述第三预设条件，则判断为所述第一分选电池。
75.在本发明实施例中，结合单体开路电压、电压变化率和多个频率点中的阻抗值，依次进行筛选，直至确定满足所有预设条件的第一分选电池。
76.作为优选的实施例，所述第一预设条件为所述单体开路电压大于或等于第一预设电压，或者所述单体开路电压小于或等于第二预设电压；
77.所述第二预设条件为所述电压变化率与变化平均值的比值大于第一预设比值，其中，所述变化平均值为满足第一预设条件的所有待测电池的电压变化率的平均值；
78.所述第三预设条件为每个频率点的所述阻抗值与阻抗平均值的比值大于第二预设比值，其中，所述阻抗平均值为在每个频率点中，满足第二预设条件的所有待测电池的阻抗值的平均值。
79.在本发明实施例中，设置第一预设条件、第二预设条件和第三预设条件，依次判断单体开路电压、电压变化率和多个频率点中的阻抗值是否合格，进行相应的筛选。
80.作为优选的实施例，结合图4来看，图4为本发明提供的图2中步骤s3一实施例的流程示意图，上述步骤s3具体包括步骤s31至步骤s32，其中：
81.在步骤s31中，根据所述第一分选电池进行恒流充放电测试，确定充放电过程中对应形成的所述库伦效率和所述能量效率；
82.在步骤s32中，根据所述库伦效率和所述能量效率，统计对应的正态分布图。
83.在本发明实施例中，结合库伦效率和能量效率，进行相应的数据统计，得到反映数据统计特征的正态分布图。
84.作为优选的实施例，结合图5来看，图5为本发明提供的图4中步骤s32一实施例的流程示意图，上述步骤s32具体包括步骤s321至步骤s322，其中：
85.在步骤s321中，根据所述库伦效率，统计对应的库伦正态分布图；
86.在步骤s322中，根据所述能量效率，统计对应的能量正态分布图。
87.在本发明实施例中，分别根据库伦效率和能量效率，统计对应的正态分布图，反映数据的多方面特征。
88.作为优选的实施例，结合图6来看，图6为本发明提供的图2中步骤s4一实施例的流程示意图，上述步骤s4具体包括步骤s41至步骤s43，其中：
89.在步骤s41中，将所述库伦正态分布图输入至训练完备的第一svm网络，输出对应的第一分类标签；
90.在步骤s42中，将所述能量正态分布图输入至训练完备的第二svm网络，输出对应的第二分类标签；
91.在步骤s43中，根据所述第一分类标签和所述第二分类标签，判断所述第一分选电池是否合格。
92.在本发明实施例中，分别利用不同的svm网络，对库伦正态分布图和能量正态分布图进行识别分类，结合两次的分类结果，判断第一分选电池的合格性。
93.作为优选的实施例，所述第一分类标签包括第一合格标签和第一不合格标签，所述第二分类标签包括第二合格标签和第二不合格标签，步骤s43，具体包括：
94.当所述第一分类标签为第一合格标签，且所述第二分类标签为第二合格标签，则所述第一分选电池合格。
95.在本发明实施例中，当两次分类都合格时，才能判断第一分选电池合格，以此保证准确性。
96.作为优选的实施例，结合图7来看，图7为本发明提供的第一svm网络训练过程一实施例的流程示意图，具体包括步骤s701至步骤s702，其中：
97.在步骤s701中，获取带有标注信息的库伦正态分布图形成的样本集，其中，所述标注信息为所述库伦正态分布图对应的待测电池的合格标签或者不合格标签；
98.在步骤s702中，将所述样本集输入至构建的第一svm网络，迭代至参数收敛，形成所述训练完备的第一svm网络。
99.在本发明实施例中，利用带有标注信息的库伦正态分布图形成的样本集，对第一svm网络进行有效的训练。
100.作为优选的实施例，结合图8来看，图8为本发明提供的第二svm网络训练过程一实施例的流程示意图，具体包括步骤s801至步骤s802，其中：
101.在步骤s801中，获取带有标注信息的能量正态分布图形成的样本集，其中，所述标注信息为所述能量正态分布图对应的待测电池的合格标签或者不合格标签；
102.在步骤s802中，将所述样本集输入至构建的第二svm网络，迭代至参数收敛，形成所述训练完备的第二svm网络。
103.在本发明实施例中，利用带有标注信息的能量正态分布图形成的样本集，对第二svm网络进行有效的训练。
104.本发明实施例还提供了一种基于特征数值分析的锂电池梯次利用分选装置，结合
图9来看，图9为本发明提供的基于特征数值分析的锂电池梯次利用分选装置一实施例的结构示意图，基于特征数值分析的锂电池梯次利用分选装置900包括：
105.获取单元901，用于获取对每个待测电池进行多次测量后得到的变化参数；
106.处理单元902，用于根据所述开路电压，对每个所述待测电池进行第一次筛选，确定第一分选电池；还用于根据所述第一分选电池进行充放电测试，确定多种电学性质参数，并统计对应的正态分布图；
107.分选单元903，用于基于机器学习，根据所述正态分布图对所述第一分选电池进行分类，判断是否合格。
108.基于特征数值分析的锂电池梯次利用分选装置的各个单元的更具体实现方式可以参见对于上述基于特征数值分析的锂电池梯次利用分选方法的描述，且具有与之相似的有益效果，在此不再赘述。
109.本发明实施例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，该程序被处理器执行时，实现如上所述的基于特征数值分析的锂电池梯次利用分选方法。
110.一般来说，用于实现本发明方法的计算机指令的可以采用一个或多个计算机可读的存储介质的任意组合来承载。非临时性计算机可读存储介质可以包括任何计算机可读介质，除了临时性地传播中的信号本身。
111.计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
112.可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c ，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言，特别是可以使用适于神经网络计算的python语言和基于tensorflow、pytorch等平台框架。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
113.本发明实施例还提供了一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，实现如上所述的基于特征数值分析的锂电池梯次利用分选方法。
114.根据本发明上述实施例提供的计算机可读存储介质和计算设备，可以参照根据本发明实现如上所述的基于特征数值分析的锂电池梯次利用分选方法具体描述的内容实现，并具有与如上所述的基于特征数值分析的锂电池梯次利用分选方法类似的有益效果，在此不再赘述。
115.本发明公开了一种基于特征数值分析的锂电池梯次利用分选方法及装置，首先，对每个待测电池进行多次测量后的变化参数进行有效的获取；然后，根据变化参数进行第一次筛选，以保证初步筛选的准确性；进而，对筛选出来的第一分选电池进行充放电测试，确定对应的多种电学性质参数，并进行相应的数据统计，确定对应的正态分布图；最后，基于机器学习，对正态分布图进行智能分类，快速判断是否合格。
116.本发明技术方案，基于待测电池，进行多种特征提取，并进行相应的多次筛选，保证电池分选的准确性和可靠性，并利用机器学习，对相应的不同特征进行有效快速的分类判断，相互印证，进一步提高了可靠性。
117.以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。