本发明专利技术涉及电池技术领域，特别涉及一种电芯容量预测方法、装置、电子设备及介质，其中，方法包括：获取待测电池的在生产过程中的生产参数；从生产参数中提取与电芯容量相关的至少一个电池特征；将至少一个电池特征输入预先训练好的电芯容量预估模型中，得到待测电池的预测电芯容量。根据本发明专利技术实施例的电芯容量预测方法，解决了相关技术中时间、成本相对较高，无法判断容量高低产生的原因，无法为后期电池性能改善提供决策性分析和建议，且收益较少的问题，提高电芯容量预测的准确性。提高电芯容量预测的准确性。提高电芯容量预测的准确性。
【技术实现步骤摘要】
电芯容量预测方法、装置、电子设备及介质
[0001]本专利技术涉及电池
，特别涉及一种电芯容量预测方法、装置、电子设备及介质。
技术介绍
[0002]锂电池电芯的生产过程非常复杂，既有过程行业生产流程，也有离散行业生产流程。电芯生产的主要工艺包括：制浆、涂布、辊压、分切、模切、组装、烘烤、注液、化成、分容，生产过程对质量要求非常严格，大部分生产工艺之间相互关联、互相影响。其中，化成/分容为整个电芯生产过程中最重要的一环，电芯在这个工艺被“激活”，激活后的电芯，也在这个过程做：容量检测、自放电测试、直流内阻测试、电流内阻测试。
[0003]相关技术中，通过化成段的数据来预测容量，精度相对较高。
[0004]然而，相关技术中的时间、成本相对较高，无法判断容量高低产生的原因，无法为后期电池性能改善提供决策性分析和建议，且收益较少，亟待解决。
技术实现思路
[0005]有鉴于此，本专利技术旨在提出一种电芯容量预测方法，该方法解决了相关技术中时间、成本相对较高，无法判断容量高低产生的原因，无法为后期电池性能改善提供决策性分析和建议，且收益较少的问题，提高电芯容量预测的准确性。
[0006]为达到上述目的，本专利技术的技术方案是这样实现的：
[0007]一种电芯容量预测方法，包括以下步骤：
[0008]获取待测电池的在生产过程中的生产参数；
[0009]从所述生产参数中提取与电芯容量相关的至少一个电池特征；
[0010]将所述至少一个电池特征输入预先训练好的电芯容量预估模型中，得到所述待测电池的预测电芯容量。
[0011]进一步地，在将所述至少一个电池特征输入所述预先训练好的电芯容量预估模型之前，还包括：
[0012]获取训练电池在生产过程中的一道或多道工序对应的生产参数；
[0013]对所述生产参数进行数据清洗，筛选出满足训练条件的训练数据；
[0014]基于所述训练数据进行特征处理，训练初始电芯容量预估模型，直至模型的评分指标达到预设阈值，生成所述电芯容量预估模型。
[0015]进一步地，所述对应的生产参数包括叠片工序中的极组重量、预热工序的预热温度和预热时间、热压工序的热压温度、热压压力和热压时间、一次注液工序的注液量、预充工序的静置时间、开始电压、开始电流、能量和真空度、二次注液工序的注液前重量、注液量和总注液量、化成工序的开始电压、开始电流、结束电压、结束电流、中值电压、库位温度、工步运行时间、结束容量和结束能量中的一项或多项。
[0016]进一步地，所述基于所述训练数据进行特征处理，包括：
[0017]对所述训练数据进行重塑数据，得到数据特征集；
[0018]删除所述数据特征集中缺失率大于预设缺失率与变化幅度小于预设幅度的数据特征；
[0019]对所述数据特征集中极组类型的数据特征进行处理，删除由每个极组参数中的最大值、最小值、均值生成的数据特征之外的特征；
[0020]删除大于预设分位数的异常的数据特征和满足离群条件的特征，得训练所述初始电芯容量预估模型的训练集。
[0021]进一步地，所述基于所述训练数据进行特征处理，还包括：
[0022]检验所述训练集中训练数据的相关系数；
[0023]在检测到所述相关系数满足相关条件后，允许训练。
[0024]相对于现有技术，本专利技术所述的电芯容量预测方法具有以下优势：
[0025]本专利技术所述的电芯容量预测方法，可以获取待测电池的在生产过程中的生产参数，并从生产参数中提取与电芯容量相关的至少一个电池特征，并将至少一个电池特征输入预先训练好的电芯容量预估模型中，得到待测电池的预测电芯容量。由此，解决了相关技术中时间、成本相对较高，无法判断容量高低产生的原因，无法为后期电池性能改善提供决策性分析和建议，且收益较少的问题，提高电芯容量预测的准确性。
[0026]本专利技术的第二个目的在于提出一种电芯容量预测装置，该装置解决了相关技术中时间、成本相对较高，无法判断容量高低产生的原因，无法为后期电池性能改善提供决策性分析和建议，且收益较少的问题，提高电芯容量预测的准确性。为达到上述目的，本专利技术的技术方案是这样实现的：
[0027]一种电芯容量预测装置，包括：
[0028]获取模块，用于获取待测电池的在生产过程中的生产参数；
[0029]提取模块，用于从所述生产参数中提取与电芯容量相关的至少一个电池特征；
[0030]预测模块，用于将所述至少一个电池特征输入预先训练好的电芯容量预估模型中，得到所述待测电池的预测电芯容量。
[0031]进一步地，在将所述至少一个电池特征输入所述预先训练好的电芯容量预估模型之前，所述预测模块，还包括：
[0032]获取单元，用于获取训练电池在生产过程中的一道或多道工序对应的生产参数；
[0033]筛选单元，用于对所述生产参数进行数据清洗，筛选出满足训练条件的训练数据；
[0034]生成单元，用于基于所述训练数据进行特征处理，训练初始电芯容量预估模型，直至模型的评分指标达到预设阈值，生成所述电芯容量预估模型。
[0035]进一步地，所述对应的生产参数包括叠片工序中的极组重量、预热工序的预热温度和预热时间、热压工序的热压温度、热压压力和热压时间、一次注液工序的注液量、预充工序的静置时间、开始电压、开始电流、能量和真空度、二次注液工序的注液前重量、注液量和总注液量、化成工序的开始电压、开始电流、结束电压、结束电流、中值电压、库位温度、工步运行时间、结束容量和结束能量中的一项或多项。
[0036]进一步地，所述生成单元，包括：
[0037]对所述训练数据进行重塑数据，得到数据特征集；
[0038]删除所述数据特征集中缺失率大于预设缺失率与变化幅度小于预设幅度的数据
特征；
[0039]对所述数据特征集中极组类型的数据特征进行处理，删除由每个极组参数中的最大值、最小值、均值生成的数据特征之外的特征；
[0040]删除大于预设分位数的异常的数据特征和满足离群条件的特征，得训练所述初始电芯容量预估模型的训练集。
[0041]进一步地，所述生成单元，还包括：
[0042]检验所述训练集中训练数据的相关系数；
[0043]在检测到所述相关系数满足相关条件后，允许训练。
[0044]所述的电芯容量预测装置与上述的电芯容量预测方法相对于现有技术所具有的优势相同，在此不再赘述。
[0045]本专利技术的第三个目的在于提出一种电子设备。
[0046]为达到上述目的，本专利技术的技术方案是这样实现的：
[0047]一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的电芯容量预测方法。
[0048]本专利技术的第四个目的在于提出一种计算机可读存储介质。
[0049]为达到上本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种电芯容量预测方法，其特征在于，包括以下步骤：获取待测电池的在生产过程中的生产参数；从所述生产参数中提取与电芯容量相关的至少一个电池特征；将所述至少一个电池特征输入预先训练好的电芯容量预估模型中，得到所述待测电池的预测电芯容量。2.根据权利要求1所述的方法，其特征在于，在将所述至少一个电池特征输入所述预先训练好的电芯容量预估模型之前，还包括：获取训练电池在生产过程中的一道或多道工序对应的生产参数；对所述生产参数进行数据清洗，筛选出满足训练条件的训练数据；基于所述训练数据进行特征处理，训练初始电芯容量预估模型，直至模型的评分指标达到预设阈值，生成所述电芯容量预估模型。3.根据权利要求2所述的方法，其特征在于，所述对应的生产参数包括叠片工序中的极组重量、预热工序的预热温度和预热时间、热压工序的热压温度、热压压力和热压时间、一次注液工序的注液量、预充工序的静置时间、开始电压、开始电流、能量和真空度、二次注液工序的注液前重量、注液量和总注液量、化成工序的开始电压、开始电流、结束电压、结束电流、中值电压、库位温度、工步运行时间、结束容量和结束能量中的一项或多项。4.根据权利要求2所述的方法，其特征在于，所述基于所述训练数据进行特征处理，包括：对所述训练数据进行重塑数据，得到数据特征集；删除所述数据特征集中缺失率大于预设缺失率与变化幅度小于预设幅度的数据特征；对所述数据特征集中极组类型的数据特征进行处理，删除由每个极组参数中的最大值、最小值、均值生成的数据特征之外的特征；删除大于预设分位数的异常的数据特征和满足离群条件的特征，得到训练所述初始电芯容量预估模型的训练集。5.根据权利要求4所述的方法，其特征在于，所述基于所述训练数据进行特征处理，还包括：检验所述训练集中训练数据的相关系数；在检...
【专利技术属性】
技术研发人员：曾震宇，
申请(专利权)人：蜂巢能源科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。