一种基于形变特征预测电池碰撞后SoH的方法
阅读：739发布：2020-05-08
专利汇可以提供一种基于形变特征预测电池碰撞后SoH的方法专利检索，专利查询，专利分析的服务。并且本 发明 实施例 公开了一种基于形变特征预测 电池 碰撞后SoH的方法，包括以下步骤：(1)按照锂离子动 力 电池碰撞测试标准，进行冲击碰撞试验；(2)根据锂离子动力电池碰撞的物理现象和电性能情况，将电池分为健康电池、隐患电池和危险电池；(3)从电池的三维轮廓扫描图上，按照多特征表征形变得原则，提取相应特征；(4)对数据作监督式 机器学习 训练，统计准确率结果；(5)结果分析和对最优结果做可靠性分析，并输出该 预测模型 。采用本发明，在电池碰撞情况下，能训练成预测电池SoH的智能模型，从而预测电池经过碰撞后的 健康状态 。，下面是一种基于形变特征预测电池碰撞后SoH的方法专利的具体信息内容。
1.一种基于形变特征预测电池碰撞后SoH的方法，其特征在于，包括以下步骤：
按照锂离子动力电池碰撞测试标准，进行冲击碰撞试验；
从电池的三维轮廓扫描图上，按照多特征表征形变得原则，提取相应特征；
对数据作监督式机器学习训练，统计准确率结果；
结果分析和对最优结果做可靠性分析，并输出该预测模型。
2.根据权利要求1所述的基于形变特征预测电池碰撞后SoH的方法，其特征在于，所述从三维轮廓扫描图上，提取相应特征的步骤具体包括：
通过三维轮廓扫描获得三维轮廓图像；
运用Matlab软件和Geomagic软件工具提取最大形变量Dmax、体积变化量ΔV、电池左侧膨胀量εL和右侧膨胀量εR、最大形变量点的曲率 五个特征。
3.根据权利要求2所述的基于形变特征预测电池碰撞后SoH的方法，其特征在于，所述对数据作监督式机器学习训练，统计准确率结果的步骤包括：
对所有的特征组合进行监督式机器学习，统计准确率结果。
4.根据权利要求3所述的基于形变特征预测电池碰撞后SoH的方法，其特征在于，所述的对于统计结果进行可靠性分析的步骤包括：
通过分析是否存在欠拟合或过拟合，判断一个模型是否存在欠拟合或过拟合的标准是：训练误差与交叉验证集误差接近时，并且都大于设定值时，该模型高偏差；当训练误差远小于测试集误差时，并且训练误差小于设定值，该模型高方差。
一种基于形变特征预测电池碰撞后SoH的方法
技术领域
背景技术
[0002] 随着新能源电动车越来越普及，作为电动车重要的储能元件锂离子动力电 池，其碰撞安全性一直是发展的重点，研究锂离子动力电池碰撞后健康状态SoH (State of Health)在电池组管理系统是非常重要的。目前，诸多研究都是集中于 研究正常工况下动力电池的SoH。对碰撞后的动力电池SoH研究甚少，准确把 握动力电池SoH在维护电池组寿命、避免安全隐患和及时做正确处理等方面具 有重要意义。电池组管理系统应该包含正常工况下的SoH预测和碰撞后状况下 的SoH预测。目前，对电池正常工况下的SoH研究已相当成熟，相反，对碰撞 后的电池SoH研究极少。针对预测碰撞后动力电池的SoH，本文提出一种基于 形变特征预测动力电池SoH的方法。
发明内容
[0003] 本发明实施例所要解决的技术问题在于，提供一种基于形变特征预测动力 电池碰撞后SoH的方法。可预测出动力电池碰撞后的SoH。
[0004] 为了解决上述技术问题，本发明实施例提供了一种基于形变特征预测电池 碰撞后SoH的方法，包括以下步骤：
[0005] 按照锂离子动力电池碰撞测试标准，进行冲击碰撞试验；
[0006] 从电池的三维轮廓扫描图上，按照多特征表征形变得原则，提取相应特征；
[0007] 对数据作监督式机器学习训练，统计准确率结果；
[0008] 结果分析和对最优结果做可靠性分析，并输出该预测模型。
[0009] 其中，按照锂离子动力电池碰撞测试标准，选择合适的实验装置。
[0010] 其中，所述从三维轮廓扫描图上，提取相应特征的步骤具体包括：
[0011] 通过三维轮廓扫描获得三维轮廓图像；
[0013] 其中，所述对数据作监督式机器学习训练，统计准确率结果的步骤包括：
[0014] 对所有的特征组合进行监督式机器学习，统计准确率结果。
[0015] 其中，所述的对于统计结果进行可靠性分析的步骤包括：
[0016] 通过分析是否存在欠拟合或过拟合，判断一个模型是否存在欠拟合或过拟 合的标准是：训练误差与交叉验证集误差接近时，并且都大于设定值时，该模 型高偏差；当训练误差远小于测试集误差时，并且训练误差小于设定值，该模 型高方差。
[0017] 实施本发明实施例，具有如下有益效果：通过分析动力电池碰撞数据，将 碰撞后的电池SoH分为三类，分别为健康电池、隐患电池和危险电池，运用人 工神经网络算法，建立输入五个形变特征与输出SoH的关系模型，找到训练最 优模型，从而实现对动力电池碰撞后SoH的预测。本发明方法可以在只考虑电 池外部形状的条件下，建立形变特征与SoH的关系模型，从而预测出动力电池 碰撞后的SoH。附图说明
[0018] 图1是本发明的整体的流程图；
[0019] 图2是本发明的电池信息表；
[0020] 图3是本发明的用于碰撞实验的实验装置示意图；
[0021] 图4是本发明的用与碰撞试验设计的接触面；
[0022] 图5是本发明的提取的特征数据和分类结果；
[0023] 图6是本发明的最大形变量特征的示意图；
[0024] 图7是本发明的左右侧最大膨胀量的示意图；
[0025] 图8是本发明的提取形变特征的过程图；
[0026] 图9是本发明的用于提取最大形变量点曲率的拟合图；
[0028] 图11是本发明的人工神经网络训练的准确率混淆矩阵；
[0030] 图13是本发明的人工神经网络第二层隐藏层权重值和第二层阈值表。
具体实施方式
[0031] 为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明 作进一步地详细描述。
[0032] 参照图1所示的流程图。
[0033] 本发明实施例的一种基于形变特征预测电池碰撞后SoH的方法，以钴酸锂 动力电池作为应用对象进行说明，电池信息如图2所示，基本具体包括以下步 骤。
[0034] 第一步，进行碰撞试验：通过查阅电池冲击测试标准，实验装置台如图3 所示，用于做电池碰撞试验。为了说明一般性，共使用三种接触面类型，如图4 所示。
[0035] 第二步，进行SoH的分类：进行了61组有效实验，参考Alessandro Simeon 等人发表的《Collision damage assessment in lithium-ion battery cells via sensor monitoring and ensemble learning》一文中的分类标准，进行分类，其结果数据在 图5中。将电池碰撞后的状态分为三类，健康电池、隐患电池和危险电池，解 释如下：
[0036] 健康电池——碰撞试验后，电池能显示出足够的最大功率，能有效放电， 以保证设备按规范工作，电池是安全的。
[0037] 隐患电池——这种电池的特点在电池容量、功率和使用寿命方面的性能下 降。这种电池比普通电池更容易发生故障，导致安全问题。
[0038] 危险电池——这种电池不能再充电和放电，包括在实验过程中出现的电解 质泄露、燃烧或爆炸的电池，定义为不安全的电池。
[0039] 图5中的1代表的是安全电池，2代表的是隐患电池，3代表的是危险电池。
[0041] 最大形变量：比较碰撞前后点的最大形变量Dmax，找出最大值，即电池的 最大凹陷量，如图6所示；
[0042] 体积变化量ΔV：碰撞后电池的体积与碰撞前电池体积的差值；
[0043] 左侧和右侧最大膨胀量εL和εR：比较电池碰撞前后的位移差值，如图7所示；
[0044] 最大形变量点的曲率 用来表示电池形变量最大点的弯曲程度。
[0045] 这里选用编号为CF1的碰撞试验中的电池作为本文算法处理的一个例子， 其余电池处理方式与之相同，不再赘述。扫描的电池asc格式文件的数据。在 X-Z投影平面图，如图8.a所示，选取X1＝362，X2＝306，如图8.b所示，两个 平面用于截取用于计算的电池有效片段P，如图8.c所示。通过运用Matlab软件 中圆拟合函数得出X1平面与电池图形相交的截面圆的圆心Q1 (362,108.51,693.67)，同时得出X2平面与电池图形相交的截面圆的圆心Q2 (306,108.73,694.09)，电池的中心轴近似为连接圆心点Q1Q2的直线L，如图8.d 所示，通过计算有效片段内的点到中心轴的距离Dis，用向量公式求三维空间中 点到直线的距离，直线外一点Q到直线L的距离公式如下：
[0046]
[0047] 分别为点Q1到Q的向量和点Q1到Q2的向量
[0048] 最大形变量Dmax公式为：
[0049] Dmax＝max{9-Dis} (2)
[0050] 电池的半径是9mm，减去点到中心轴的距离是形变量值，在行变量值域中 找出最大值，即为最大形变量。
[0051] 扫描普通完好的电池，编号为CF0，在Geomagic软件中读其体积V0为 16443.206891mm3，CF1电池的体积V1为15914.627857mm3。体积变化量公式为：
[0052] ΔV＝V1-V0(3)
[0053] CF1体积变化量等于CF1电池体积V1减去CF0电池的体积V0，差值为负 说明电池经过碰撞后发生了体积缩小现象，若为正说明电池经过碰撞后发生了 体积膨胀现象。
[0054] 上述找出的最大形变量，索引找出最大形变量点Q3(334.05,108.79,688.65)。 Q1Q2Q3三点确定一个平面W：Ax+By+Cz+D＝0，用平面W与电池图形相交的 截面曲线表征电池外部轮廓最大变化曲线。通过判断所有点(x0,y0,z0)到平面W 的距离d是否小于0.05提取相应的数据点，即
[0055]
[0056] 理论上，距离为0才是判断点是否位于平面上的判据，但是计算发现，数 据点很少，本实施例选定距离小于0.05也是出于统计的数据量和扫描精度的考 虑。提取到CF1电池的数据量点为572个，投影到X－Z平面，如图9(a)所示， 有图可知，选取Z值小于694的部分点，用傅里叶级数进行拟合，结果如图9 (b)所示，该拟合函数均方根(RMSE)为0.03213，接近0说明拟合函数较好 表达了曲线，同时，确定系数(R－square)为0.9994，趋近于1说明拟合效果更 好。
[0057] 这里选用的是傅里叶级数进行拟合的，拟合函数表达式如下：
[0058]
[0059] a0＝540；a1＝281.2；b1＝72.25；a2＝-226.4；b2＝-145；a3＝124.1；
[0060] b3＝183.6；a4＝-19.77；b4＝-151.3；a5＝-31.77；b5＝79.13；a6＝29.27；
[0061] b6＝-22.17；a7＝-11.16；a8＝1.652；b8＝0.9931；w＝0.05824
[0062] 在[306 362]范围内，得出傅里叶级数的极大值点S(334.7099,688.6461)，按 照曲率公式求极大值点S的曲率表征曲线的弯曲程度。S点的曲率为0.0225。
[0063]
[0064] f′(x)-傅里叶级数f(x)的一阶导函数；
[0065] f″(x)-傅里叶级数f(x)的二阶导函数；
[0066] 在有效片段P中，把点的坐标带入平面W的平面方程式，若 Ax+By+Cz+D>0，则该数据点属于计算左侧膨胀量的左侧数据(εL)；若 Ax+By+Cz+D<0，则该数据点属于计算右侧膨胀量的右侧数据(εR)。
[0067] 通过计算左侧数据点到平面W的距离Dis2，用其值域减去半径9mm，得到 一个数集，在数集中找出最大值，即为左侧最大膨胀量(εL)；同理，右侧最大 膨胀量(εR)也是这么计算得出。εL＝1.1791；εR＝1.2657。
[0068] εL＝max{Dis2-9} (7)
[0069] εR＝max{Dis3-9} (8)
[0070] 提取的特征数据在图6中。
[0071] 第四步，建立人工神经网络模型：运用人工神经网络的SCG算法对数据进 行训练，输入是最大形变量、最大形变量点的曲率、体积变化量、左侧最大膨 胀量和右侧最大膨胀量五个特征的值，隐藏层设置为1，节点数为50，输出是三 类。神经网络结构图如图10所示。训练集、验证集、和测试集比例设置为7:1:2， 即训练集43个样本，验证集6个样本，测试集
12个样本。训练集要用于初步建 立模型；验证集用于改善模型；测试集用于测试模型的准确度。训练结果如图11所示。
12个样本。训练集要用于初步建 立模型；验证集用于改善模型；测试集用于测试模型的准确度。训练结果如图11所示。
[0072] 样本数列 k＝1,2,3…61。
[0074] 计算神经元h1的输入加权和：
[0075]
[0076] 第n个神经元hn的输入加权和：
[0077]
[0078] 神经元h1的输出 (此处用到激活函数为双曲正切函数)
[0079]
[0080] 第n个神经元的输出
[0081]
[0083] 隐藏层到竞争层：
[0084] 计算竞争层神经元o1的加权和：
[0085]
[0086] 竞争层第n个神经元on的加权和：
[0087]
[0088] 在竞争层3个神经元加权和之中找出最大值，成为获胜神经元c，获胜神经 元设置值为1，抑制其他神经元，其余神经元赋值为0。
[0089]
[0090] 若第一个竞争神经元获胜，则输出：
[0091] y＝[1 0 0]
[0092] 本文设置[1 0 0]为健康电池类，[0 1 0]为隐患电池类，[0 0 1]为危险电池类。
[0093] 第一层隐藏层权重值和第一层阈值如图12所示。
[0094] 第二层隐藏层权重值和第二层阈值如图13所示。
[0095] 第五步，可靠度分析：判断一个神经网络模型是否存在欠拟合或过拟合的 标是：训练误差与交叉验证集误差接近时，并且都很大时，该模型高偏差(欠 拟合)；当训练误差远小于测试集误差时，并且训练误差很小时，该模型高方差 (过拟合)。图10可以看出训练集误差为0，与验证集误差相同，数值都很小， 该模型不存在欠拟合；训练集误差为0小于测试集误差16.7％，但是不超过20％， 故该模型不存在过拟合。此模型可以用于电池碰撞后SOH的预测。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种用于矫正步态的下肢外骨骼机器人及其感测方法 | 2020-05-08 | 40 |
| 一种电机定子铜线剥离装置 | 2020-05-08 | 141 |
| 一种基于机器学习的水文预报精度评价方法及系统 | 2020-05-11 | 441 |
| 基于滑动输入来确定输入字符的系统和方法 | 2020-05-08 | 817 |
| 一种用于智慧数据碰撞的机器学习方法及装置 | 2020-05-11 | 851 |
| 一种HLA I型分子与多肽的亲和力预测方法 | 2020-05-08 | 431 |
| 深度机器学习所生成的乳腺癌预后的概率识别模型 | 2020-05-08 | 673 |
| 数据处理方法、装置、介质及电子设备 | 2020-05-08 | 797 |
| 一种Web站点安全防护方法及装置 | 2020-05-08 | 286 |
| 一种基于5G网络的智能家居控制方法和系统 | 2020-05-08 | 161 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
机器对机器热门专利
QQ群二维码
意见反馈
意见反馈