锂电池的漏电流检测方法及检测装置制造方法及图纸

本申请公开了一种锂电池的漏电流检测方法及检测装置，其中，方法包括：采集待测锂电池的磁信号；将磁信号输入至预先训练的当前锂电池漏电流检测模型，得到待测锂电池的磁场测量数据；根据磁场测量数据预测待测锂电池的漏电状态与漏电流检测结果。基于深度学习的锂电池漏电流检测模型对高通量磁缺陷数据进行分析，可以提高漏电流检测的准确性和可靠性，由此，解决了相关技术中对于锂电池漏电流测试的测试数据的分析与处理主要靠人力分析，导致分析的可靠性得不到有效保证，进而用于分析的理论模型时，降低了分析的准确性，无法有效满足使用需求，降低使用体验等问题。降低使用体验等问题。降低使用体验等问题。

【技术实现步骤摘要】
锂电池的漏电流检测方法及检测装置


[0001]本申请涉及锂电池
，特别涉及一种锂电池的漏电流检测方法及检测装置。

技术介绍

[0002]目前，深度学习技术可以在理论模型不完全明确的情况下，通过已有数据的训练来积累经验，实现对特定任务的处理性能优化。因此，随着深度学习技术在图像处理领域取得重大突破，技术的可行性、可靠性显著提升，使得深度学习技术已逐渐进入实际应用阶段。
[0003]相关技术中，在基于磁成像技术的锂电池漏电流测试时，测试数据的分析与处理是核心工作，但是对于测试数据的分析与处理主要靠人力分析，导致分析的可靠性得不到有效保证，进而用于分析的理论模型时，降低了分析的准确性，无法有效满足使用需求，降低使用体验。
[0004]申请内容
[0005]本申请提供一种锂电池的漏电流检测方法及检测装置，以解决相关技术中对于锂电池漏电流测试的测试数据的分析与处理主要靠人力分析，导致分析的可靠性得不到有效保证，进而用于分析的理论模型时，降低了分析的准确性，无法有效满足使用需求，降低使用体验等技术问题。r/>[0006]本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种锂电池的漏电流检测方法，其特征在于，包括以下步骤：采集待测锂电池的磁信号；将所述磁信号输入至预先训练的当前锂电池漏电流检测模型，得到所述待测锂电池的磁场测量数据；以及根据所述磁场测量数据预测所述待测锂电池的漏电状态与漏电流检测结果。2.根据权利要求1所述的方法，其特征在于，还包括：根据所述漏电状态与所述漏电流检测结果分析磁缺陷数据；根据所述磁缺陷数据定位所述待测锂电池的漏电位置，和/或根据所述磁缺陷数据生成所述待测锂电池的漏电电流成因。3.根据权利要求1所述的方法，其特征在于，还包括：根据所述待测锂电池的磁场测量数据及漏电状态对锂电池漏电流检测模型进行学习，得到学习后的当前锂电池漏电流检测模型。4.根据权利要求3所述的方法，其特征在于，在将所述磁信号输入至所述预先训练的锂电池漏电流检测模型之前，还包括：采集多个锂电池的磁信号；根据每个锂电池的磁信号与对应的磁场测量数据及漏电状态生成训练集；利用所述训练集训练初始锂电池漏电流检测模型，生成所述锂电池漏电流检测模型。5.根据权利要求1所述的方法，其特征在于，所述采集待测锂电池的磁信号，包括：扫描所述待测锂电池在当前所处区域的产生的磁场；根据所述当前所处区域的每个待测区域的磁场数据生成所述磁信号。6.一...

【专利技术属性】
技术研发人员：孙峰，马玉龙，吴亚，万传奇，
申请(专利权)人：国仪量子合肥技术有限公司，
类型：发明
国别省市：