基于机器学习的缺陷电池筛选方法、设备及介质转让专利
申请号 : CN202110953856.0
文献号 : CN113406502B
文献日 : 2021-12-07
发明人 : 孔祥栋 , 李立国 , 戴锋 , 华剑锋
申请人 : 四川新能源汽车创新中心有限公司
摘要 :
权利要求 :
1.一种基于机器学习的缺陷电池筛选方法,其特征在于,所述方法包括如下步骤获取待测电池高温状态下电池的参数数据,包括第一开路电压、第一交流内阻和高温自放电率;
高温下自放电异常电池初筛,基于得到的第一开路电压、第一交流内阻以及高温自放电率构建第一坐标模型,并通过机器学习算法对第一坐标模型中的数据进行离群点检测,将离群点坐标所对应的电池判定为疑似缺陷电池,将非离群点坐标所对应的电池判定为正常电池;
高温下自放电异常电池复筛,根据待测电池中正常电池的各第一开路电压和第一交流内阻下最低的高温自放电率,在所述第一坐标模型上插值得到第一基准曲面,将所述第一开路电压介于正常电池最小和最大的开路电压值之间,以及所述第一交流内阻介于正常电池最小和最大的交流内阻值之间,且所述高温自放电率处于前述第一基准曲面之下的坐标点所对应的所述疑似缺陷电池更改为正常电池;
容量异常电池筛选,获取电池容量,并获取常温状态下待测电池各参数数据,包括第三开路电压和第二交流内阻,基于得到的所述第三开路电压、所述第二交流内阻以及电池容量数据构建第二坐标模型,并通过机器学习算法对第二坐标模型中的数据进行离群点检测,将离群点坐标所对应的电池判定为容量异常的缺陷电池,将非离群点所对应的电池判定为正常电池;
获取常温状态下待测电池参数数据,包括第四开路电压、第三交流内阻和常温自放电率;
常温下自放电异常电池初筛,基于得到的第四开路电压、第三交流内阻和常温自放电率构建第三坐标模型,并通过机器学习算法对第三坐标模型中的数据进行离群点检测,将离群点坐标对应的电池判定为疑似缺陷电池,将非离群点坐标对应的电池改判为正常电池;
常温下自放电异常电池复筛,根据待测电池中正常电池的各第四开路电压和第三交流内阻下最低的常温自放电率,在所述第三坐标模型上插值得到第二基准曲面,将所述第四开路电压介于正常电池最小和最大的开路电压值之间,以及所述第三交流内阻介于正常电池最小和最大的交流内阻值之间,且所述常温自放电率处于前述第二基准曲面之下的坐标点所对应的所述疑似缺陷电池更改为正常电池;
内阻异常电池筛选,获取常温状态下的待测电池的第五开路电压和直流内阻,基于所述第五开路电压和直流内阻构建第四坐标模型,并通过机器学习算法对第四坐标模型中的数据进行离群点检测,将离群点对应坐标所对应的电池判定为内阻异常的缺陷电池,将非离群点坐标所对应的电池判定为正常电池;
所述高温的状态温度为40‑50°C,所述常温的状态温度为20‑30°C。
2.根据权利要求1所述的基于机器学习的缺陷电池筛选方法,其特征在于,将经过高温自放电异常检测、容量异常检测、常温自放电异常检测以及内阻异常自放电检测,筛选后得到的缺陷电池结果输出,并对筛选后得到的正常电池进行终筛选,具体过程如下:获取筛选后一定数量正常电池的内阻、高温自放电率、常温自放电率的最高值以及容量的最低值,并根据产线良品率需求预设所述最高值和所述最低值的范围值,若需进行终筛选的电池的内阻、高温自放电率、常温自放电率的值落入所述最高值的范围,且需进行终筛选的电池的容量的值落入所述最低值的范围,则判定该需进行终筛选的电池为缺陷电池。
3.根据权利要求2所述的基于机器学习的缺陷电池筛选方法,其特征在于,在筛选检测过程中,采用滑动机制获取待测电池的数据,所述滑动机制为:在电池流水线生产的过程中,依次获取电池样本数据,构成具有n个相邻电池样本数据的样本数据组,每当得到新的电池样本数据后,均替换掉所述样本数据组中最先获取的电池样本数据,构成新的样本数据组,检测筛选时,每次均以所述样本数据组中数据进行检测,并对所述样本数据组中最新数据进行结果判定。
4.根据权利要求3所述的基于机器学习的缺陷电池筛选方法,其特征在于,所述第一开路电压为电池在40‑50°C环境下静置10‑14h测量得到,在该温度下搁置3‑5天后测量得到第二开路电压,所述自放电率为所述第一开路电压和第二开路电压差值与搁置时间的比值。
5.根据权利要求4所述的基于机器学习的缺陷电池筛选方法,其特征在于,在容量异常电池筛选时,采用对电池满充满放获得所述电池容量,并静置4‑8h进行开路电压的测量,得到所述第三开路电压;
测得所述第三开路电压后在所述常温下静置4‑8h进行交流内阻的测量,得到所述第二交流内阻。
6.根据权利要求4所述的基于机器学习的缺陷电池筛选方法,其特征在于,在常温状态下,对完成分容的电池再次充电并静置4‑8h进行开路电压和交流内阻的测量得到所述第四开路电压和所述第三交流内阻;
得到所述第四开路电压后,在该常温状态下搁置7‑14天再次进行开路电压的测量,得到第五开路电压,所述常温自放电率为所述第五开路电压和第四开路电压压差与搁置时间的比值。
7.根据权利要求1所述的基于机器学习的缺陷电池筛选方法,其特征在于,坐标模型构建完成后,进行离群点检测的机器学习算法包括孤立森林、K均值聚类或局部离群因子。
8.根据权利要求1所述的基于机器学习的缺陷电池筛选方法,其特征在于,坐标模型根据电池样本采集的数据进行搭建;
所述第一坐标模型和第三坐标模型以得到的开路电压为x坐标,交流内阻为y坐标,自放电率为z坐标;
所述第二坐标模型以开路电压为x坐标,交流内阻为y坐标,电池容量为z坐标;
所述第四坐标模型以开路电压为横坐标,直流电阻为纵坐标。
9.一种缺陷电池筛选设备,其特征在于,包括检测终端、数据采集装置、电池生产线装置;
所述检测终端存储有计算机程序用于执行权利要求1‑8任一项所述的方法,用于检测所述电池生产线装置中生产的电池样本的缺陷电池和正常电池并将结果输出;
所述数据采集装置用于采集所述电池生产线装置中,待测电池样本的参数数据并将数据传输至检测终端;
所述电池生产线装置用于生产电池,并提供电池检测的温度环境。
10.一种计算机存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1‑8任一项所述的方法的步骤。
说明书 :
基于机器学习的缺陷电池筛选方法、设备及介质
技术领域
背景技术
激活)后,一般都会进行自放电率测试(俗称K值测试)、容量测试、内阻测试(俗称DCR测试),
用以筛选出有缺陷的不良电池,避免流入市场造成安全事故。
存在以下问题,首先阈值的设定只能凭经验,会存在过筛和漏筛情况,往往不能很好的适应
不同生产批次电池,不仅会使得良品率不高,而且电池品质也不好,甚至会造成电池在市场
端出现安全问题;其次,每项检测之间并无关联,因为阈值的不同,可能对于检测数据边缘
化的电池会造成误判;且该方法往往会需要大批量电池堆积,使得企业库存压力大,产品流
转效率低。
发明内容
据的离群点对待测电池进行筛选和判定,同时设有复筛机制找回正常离群点的电池,避免
过筛,最后设有终筛机制通过判定各筛选过程中是否出现各项数据均为极值的电池,避免
漏筛。
测,将离群点坐标所对应的电池判定为疑似缺陷电池,将非离群点坐标所对应的电池判定
为正常电池;
第一开路电压介于正常电池最小和最大的开路电压值之间,以及所述第一交流内阻介于正
常电池最小和最大的交流内阻值之间,且所述高温自放电率处于前述第一基准曲面之下的
坐标点所对应的所述疑似缺陷电池更改为正常电池;
池容量数据构建第二坐标模型,并通过机器学习算法对第二坐标模型中的数据进行离群点
检测,将离群点坐标所对应的电池判定为容量异常的缺陷电池,将非离群点所对应的电池
判定为正常电池;
测,将离群点坐标对应的电池判定为疑似缺陷电池,将非离群点坐标对应的电池改判为正
常电池;
述第四开路电压介于正常电池最小和最大的开路电压值之间,以及所述第三交流内阻介于
正常电池最小和最大的交流内阻值之间,且所述常温自放电率处于前述第二基准曲面之下
的坐标点所对应的所述疑似缺陷电池更改为正常电池;
中的数据进行离群点检测,将离群点对应坐标所对应的电池判定为内阻异常的缺陷电池,
将非离群点坐标所对应的电池判定为正常电池。
数据组,每当得到新的电池样本数据后,均替换掉所述样本数据组中最先获取的电池样本
数据,构成新的样本数据组,检测筛选时,每次均以所述样本数据组中数据进行检测,并对
所述样本数据组中最新数据进行结果判定。
筛选,具体过程如下:
路电压差值与搁置时间的比值。
置时间的比值。
线良品率,适用于电池生产企业大批量生产电池时使用。
确度。
据的缺陷电池漏筛。
附图说明
具体实施方式
领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明
保护的范围。
检测以及内阻筛选检测,该检测顺序均可根据实际情况进行调整。
电池样本数据的样本数据组,每当得到新的电池样本数据后,均替换掉所述样本数据组中
最先获取的电池样本数据,构成新的样本数据组,检测筛选时,每次均以所述样本数据组中
数据进行检测,并对所述样本数据组中最新数据进行结果判定;即在电池流水线生产过程
中,在获得相邻n个电池的样本数据后,根据第1 n个电池样本数据进行离群点检测,如果第
~
n个电池对应的点是离群点,则判为异常;当又获得第n+1个电池样本数据后,以前第2 n+1
~
个电池数据对第n+1个电池的样本数据进行离群点检测,如果第n+1个电池对应的点是离群
点,则判为异常电池,以此类推。每次进行离群点检测的电池样本个数都是n个,但是每次算
法处理的电池样本是滑动变化的。
前温度状态下搁置4天,测量电池电压并记为第二开路电压,计算所述第一开路电压与所述
第二开路电压得到压差,用压差除以该高温状态下的搁置时间得到待测电池的高温自放电
率。
个电池的第一开路电压、第一交流内阻和高温自放电率组成15000行3列数据,以第一开路
电压为x坐标,第一交流内阻为y坐标,高温自放电率为z坐标构建直角坐标模型,将待测电
池样本映射在直角坐标模型中,其中一个点即代表一个电池,然后利用孤立森林算法或K均
值聚类或局部离群因子对这15000个点进行离群点检测,离群点对应的电池为疑似缺陷电
池,非离群点对应的电池为正常电池。如果当前电池(第15000个电池样本)对应的点是离群
点中的一个,则判定当前电池为疑似缺陷电池,如果当前电池对应的点是非离群点中的一
个,则判定当前电池为正常电池。
标模型中自放电率坐标轴,以靠近xoz面、yoz面的电池坐标点作为边界点,将边界点与z轴
所构成的平面作为边界面,将所述边界面中所有沿着z轴最小的电池样本点以曲面连接起
来,构建一个最低的高温自放电率曲面,进而进行复筛判定,若初筛中疑似缺陷电池的第一
开路电压介于正常电池最小第一开路电压值和最大第一开路电压值之间,第一交流内阻介
于正常电池最小第一交流内阻值和最大第一交流内阻值之间,且自放电率处于前述基准曲
面之下,即自放电率低于正常电池第一开路电压和第一交流内阻下的最低高温自放电率,
则将该疑似缺陷电池改判为正常电池。由于S2中有一些电池虽然属于离散点,但因为这些
电池的自放电率很低,所以认为是正常电池。对电池流水生产线的后续电池同样进行S1‑S3
步骤处理,即先根据流水线上第1‑15000个电池的数据对第一批样本电池进行判别,然后用
第2‑15001个电池的数据对第15001个电池判别,依此类推,实现滑动筛选,适应流水线电池
生产过程。
阻,记为第三开路电压和第二交流内阻,将这15000个电池的第三开路电压、第二交流内阻
和电池容量组成15000行3列数据,以第三开路电压为x坐标,以第二交流内阻为y坐标,电池
容量为z坐标构建直角坐标模型,并将待测电池样本映射在坐标模型中,其中一个点即代表
一个电池,然后利用孤立森林或K均值聚类或局部离群因子等机器学习算法对这些电池样
本点进行离群点检测,将离群点对应的电池标记为有容量异常的缺陷电池,非离群点对应
的电池标记为为正常电池。
阻,然后在该常温状态下将待测电池搁置12天,再次测量电池电压记为第五开路电压,计算
得到的所述第四开路电压与所述第五开路电压的压差,用压差除以常温搁置时间得到电池
的常温自放电率。
交流内阻为x坐标,常温自放电率为z坐标构建直角坐标模型,并将待测电池样本映射在坐
标模型中,其中一个点即代表一个电池,然后利用孤立森林算法对这15000个点进行离群点
检测,将离群点对应的电池标记为有容量异常的缺陷电池,非离群点对应的电池标记为为
正常电池。
xoz面、yoz面的电池坐标点作为边界点,将边界点与z轴所构成的平面作为边界面,将所述
边界面中所有沿着z轴最小的电池样本点连接起来,构建一个最低的常温自放电率曲面,进
而进行复筛判定,若初筛中疑似缺陷电池的第四开路电压介于正常电池最小第四开路电压
值和最大第四开路电压值之间,第三交流内阻介于正常电池最小第三交流内阻值和最大第
三交流内阻值之间,且常温自放电率处于前述基准曲面之下,即常温自放电率低于正常电
池第四开路电压和第三交流内阻下的最低高温自放电率,则将该疑似缺陷电池改判为正常
电池。同样的,常温下自放电异常检测过程中也采用滑动机制,对电池流水生产线的后续电
池同样进行S5‑S6步骤处理,即先根据流水线上第1‑15000个电池的数据对第一批样本电池
进行判别,然后用第2‑15001个电池的数据对第15001个电池判别,依此类推,实现滑动筛
选,适应流水线电池生产过程。
型,其中一个点即代表一个电池,然后利用孤立森林、K均值聚类或局部离群因子等机器学
习算法对待测电池样本点进行离群点检测,离群点对应的电池为有直流内阻异常的缺陷电
池,非离群点对应的电池为正常电池。
的正常电池判定为缺陷电池;即将经过步骤S1‑S7筛选后得到的正常电池,判断该正常电池
的内阻、高温和常温下的自放电率是否临近其余电池样本中正常电池中的最高值,且容量
是否临近最低值,若标记为正常电池的电池样本的内阻、高温和低温自放电率均临近正常
电池样本中的最高值,且容量临近正常电池样本中的最低值,则将该电池样本标记为缺陷
电池,并将结果输出。