基于电化学阻抗谱测试的锂离子电池故障检测方法和系统技术方案

本发明专利技术涉及了一种基于电化学阻抗谱测试的锂离子电池故障检测方法和系统，该方法包括电化学阻抗谱测试步骤、基于深度学习的阻抗谱分析步骤和故障检测步骤，通过快速电化学阻抗谱测试提高电化学阻抗谱采样速率，再利用深度学习的图像识别算法或故障检测算法对电化学阻抗谱进行训练，通过训练后的模型对实时测量阻抗谱进行分析，辨识锂离子电池阻抗谱异常情况与异常类型，实现锂离子电池的无损检测，保障检测的有效度与可靠性。障检测的有效度与可靠性。障检测的有效度与可靠性。

【技术实现步骤摘要】
基于电化学阻抗谱测试的锂离子电池故障检测方法和系统


[0001]本专利技术涉及锂离子电池检测
，具体涉及一种基于电化学阻抗谱测试的锂离子电池故障检测方法和系统。

技术介绍

[0002]锂离子电池自上世纪被专利技术以来，在新能源汽车动力系统、储能系统等领域获得了大范围应用和推广。截止2020年底，我国的电动汽车保有量超过100万量，均依赖于高性能锂离子电池系统，锂电储能系统也大范围推广，兆瓦时、吉瓦时级锂电储能系统也逐渐落地应用。然而，锂离子电池在使用过程中通常存在漏液、挤压等问题，易引发锂离子电池安全问题，导致电池出现热失控，并引发系统崩溃、火灾等严重后果。目前，针对锂离子电池故障失效检测仍存在难题，在不拆解电池的条件下难以对电池进行无损检测，同时也无法保障检测的有效度与可靠性。

技术实现思路

[0003]本专利技术针对目前锂离子电池故障失效检测存在的技术难题，提供了一种基于电化学阻抗谱测试的锂离子电池故障检测方法，通过快速电化学阻抗谱测试提高电化学阻抗谱采样速率，通过深度学习的图像识别算法对电化学阻抗谱进行训练，由训练后的模型对实时测量阻抗谱进行分析，辨识锂离子电池阻抗谱异常情况与异常类型，实现锂离子电池的无损检测，保障检测的有效度与可靠性。本专利技术还涉及基于电化学阻抗谱测试的锂离子电池故障检测系统。
[0004]本专利技术的技术方案如下：
[0005]一种基于电化学阻抗谱测试的锂离子电池故障检测方法，其特征在于，包括下述步骤：
[0006]电化学阻抗谱测试步骤，通过动态工况测试、实车测试或人为制造缺陷故障的方式获取已知故障的锂离子电池，采用电化学阻抗谱快速采集板对正常状态的锂离子电池与已知故障的锂离子电池进行快速电化学阻抗谱测试，优化阻抗谱测试过程，提高阻抗谱绘制速度；
[0007]基于深度学习的阻抗谱分析步骤，建立深度学习算法模型，将获取的已知故障的锂离子电池及采集的已知正常状态的锂离子电池的阻抗谱形成样本集，按样本抽样方法划分为训练集与测试集，将训练集作为输入用于算法模型训练过程，将测试集作为输入用于检验算法准确度，通过深度学习的图像识别算法或故障检测算法对电化学阻抗谱进行学习得到训练好的深度学习模型，实现正常电池阻抗谱与故障电池阻抗谱的辨识；
[0008]故障检测步骤，实时采集获取待测锂离子电池的电化学阻抗谱，将其输入至训练好的深度学习模型中进行阻抗谱辨识，判断待测锂离子电池状态是正常电池或故障电池。
[0009]优选地，所述电化学阻抗谱测试步骤采用优化阻抗测试点采样间隔及数量方法，通过减少低频段阻抗谱采样点并增大采样点间频率范围，放大阻抗谱激励信号倍率，以优
化阻抗谱测试过程；
[0010]或，所述电化学阻抗谱测试步骤采用离散区间二进制序列脉冲信号在同一时刻进行频率叠加分析的方式优化阻抗谱测试过程。
[0011]优选地，所述基于深度学习的阻抗谱分析步骤采用的深度学习的图像识别算法包括基于图像识别的卷积神经网络算法或故障检测算法，所述基于图像识别的卷积神经网络算法是指，将采集到的电化学阻抗谱曲线以图片形式进行输入，通过卷积神经网络算法实现图像特征识别，通过辨识低频段、中频段、高频段的图像特征及飘移，实现正常电池阻抗谱与故障电池阻抗谱的辨识；所述故障检测算法，是指将电化学阻抗谱数据以数据矩阵的形式输入，通过离群检测、分类检测算法，对各电化学阻抗谱的离散程度进行评估，从而筛选得到离群的电化学阻抗谱，即为故障电池。
[0012]优选地，所述基于深度学习的阻抗谱分析步骤采用的深度学习的图像识别算法还包括基于时间序列的神经网络算法，将采集到的电化学阻抗谱以频率—阻抗阵列形式进行输入，通过时序神经网络、循环神经网络算法进行数值特征辨识，通过对比不同频率点下阻抗的偏离，实现正常电池阻抗谱与故障电池阻抗谱的辨识。
[0013]优选地，所述电化学阻抗谱测试步骤获取的是已知明确故障类型的锂离子电池，所述基于深度学习的阻抗谱分析步骤是将获取的已知故障类型的锂离子电池及采集的已知正常状态的锂离子电池的阻抗谱曲线簇作为电化学阻抗谱数据集构建训练集与测试集，基于所述电化学阻抗谱数据集训练得到的神经网络模型实现明确故障类型的异常电池辨识。
[0014]优选地，所述已知故障包括漏液、鼓胀、内短路、容量跳水故障、内阻异常增大、电解液干涸。
[0015]一种基于电化学阻抗谱测试的锂离子电池故障检测系统，其特征在于，包括依次连接的电化学阻抗谱测试模块、阻抗谱分析模块和故障检测模块，
[0016]所述电化学阻抗谱测试模块，通过动态工况测试、实车测试或人为制造缺陷故障的方式获取已知故障的锂离子电池，采用电化学阻抗谱快速采集板对正常状态的锂离子电池与已知故障的锂离子电池进行快速电化学阻抗谱测试，优化阻抗谱测试过程，提高阻抗谱绘制速度；
[0017]阻抗谱分析模块，建立深度学习算法模型，将获取的已知故障的锂离子电池及采集的已知正常状态的锂离子电池的阻抗谱形成样本集，按样本抽样方法划分为训练集与测试集，将训练集作为输入用于算法模型训练过程，将测试集作为输入用于检验算法准确度，通过深度学习算法的图像识别算法或故障检测算法对电化学阻抗谱进行学习得到训练好的深度学习模型，实现正常电池阻抗谱与故障电池阻抗谱的辨识；
[0018]故障检测模块，实时采集获取待测锂离子电池的电化学阻抗谱，将其输入至训练好的深度学习模型中进行阻抗谱辨识，判断待测锂离子电池状态是正常电池或故障电池。
[0019]优选地，所述电化学阻抗谱测试模块采用优化阻抗测试点采样间隔及数量方法，通过减少低频段阻抗谱采样点并增大采样点间频率范围，放大阻抗谱激励信号倍率，以优化阻抗谱测试过程；
[0020]或，所述电化学阻抗谱测试模块采用离散区间二进制序列脉冲信号在同一时刻进行频率叠加分析的方式优化阻抗谱测试过程。
[0021]优选地，所述阻抗谱分析模块采用的深度学习算法包括基于图像识别的卷积神经网络算法或故障检测算法，所述基于图像识别的卷积神经网络算法，指将采集到的电化学阻抗谱曲线以图片形式进行输入，通过卷积神经网络算法实现图像特征识别，通过辨识低频段、中频段、高频段的图像特征及飘移，实现正常电池阻抗谱与故障电池阻抗谱的辨识；所述故障检测算法，是指将电化学阻抗谱数据以数据矩阵的形式输入，通过离群检测、分类检测算法，对各电化学阻抗谱的离散程度进行评估，从而筛选得到离群的电化学阻抗谱，即为故障电池。
[0022]优选地，所述阻抗谱分析模块采用的深度学习算法还包括基于时间序列的神经网络算法，将采集到的电化学阻抗谱以频率—阻抗阵列形式进行输入，通过时序神经网络、循环神经网络算法进行数值特征辨识，通过对比不同频率点下阻抗的偏离，实现正常电池阻抗谱与故障电池阻抗谱的辨识。
[0023]本专利技术的技术效果如下：
[0024]本专利技术涉及了一种基于电化学阻抗谱测试的锂离子电池故障检测方法，包括电化学阻抗谱测试步骤以及相互结合的基于深度学习的阻抗谱分析步骤，基于采样点优化方法提高本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于电化学阻抗谱测试的锂离子电池故障检测方法，其特征在于，包括下述步骤：电化学阻抗谱测试步骤，通过动态工况测试、实车测试或人为制造缺陷故障的方式获取已知故障的锂离子电池，采用电化学阻抗谱快速采集板对正常状态的锂离子电池与已知故障的锂离子电池进行快速电化学阻抗谱测试，优化阻抗谱测试过程，提高阻抗谱绘制速度；基于深度学习的阻抗谱分析步骤，建立深度学习算法模型，将获取的已知故障的锂离子电池及采集的已知正常状态的锂离子电池的阻抗谱形成样本集，按样本抽样方法划分为训练集与测试集，将训练集作为输入用于算法模型训练过程，将测试集作为输入用于检验算法准确度，通过深度学习的图像识别算法或故障检测算法对电化学阻抗谱进行学习得到训练好的深度学习模型，实现正常电池阻抗谱与故障电池阻抗谱的辨识；故障检测步骤，实时采集获取待测锂离子电池的电化学阻抗谱，将其输入至训练好的深度学习模型中进行阻抗谱辨识，判断待测锂离子电池状态是正常电池或故障电池。2.根据权利要求1所述的锂离子电池故障检测方法，其特征在于，所述电化学阻抗谱测试步骤采用优化阻抗测试点采样间隔及数量方法，通过减少低频段阻抗谱采样点并增大采样点间频率范围，放大阻抗谱激励信号倍率，以优化阻抗谱测试过程；或，所述电化学阻抗谱测试步骤采用离散区间二进制序列脉冲信号在同一时刻进行频率叠加分析的方式优化阻抗谱测试过程。3.根据权利要求1所述的锂离子电池故障检测方法，其特征在于，所述基于深度学习的阻抗谱分析步骤采用的深度学习的图像识别算法包括基于图像识别的卷积神经网络算法或故障检测算法，所述基于图像识别的卷积神经网络算法是指，将采集到的电化学阻抗谱曲线以图片形式进行输入，通过卷积神经网络算法实现图像特征识别，通过辨识低频段、中频段、高频段的图像特征及飘移，实现正常电池阻抗谱与故障电池阻抗谱的辨识；所述故障检测算法，是指将电化学阻抗谱数据以数据矩阵的形式输入，通过离群检测、分类检测算法，对各电化学阻抗谱的离散程度进行评估，从而筛选得到离群的电化学阻抗谱，即为故障电池。4.根据权利要求3所述的锂离子电池故障检测方法，其特征在于，所述基于深度学习的阻抗谱分析步骤采用的深度学习的图像识别算法还包括基于时间序列的神经网络算法，将采集到的电化学阻抗谱以频率—阻抗阵列形式进行输入，通过时序神经网络、循环神经网络算法进行数值特征辨识，通过对比不同频率点下阻抗的偏离，实现正常电池阻抗谱与故障电池阻抗谱的辨识。5.根据权利要求1至4之一所述的锂离子电池故障检测方法，其特征在于，所述电化学阻抗谱测试步骤获取的是已知明确故障类型的锂离子电池，所述基于深度学习的阻抗谱分析步骤是将获取的已知故障类型的锂离子电池及采集的已知正常状态的锂离子电池的阻抗谱曲线簇作为电化学阻抗谱数据...

【专利技术属性】
技术研发人员：杨世春，周新岸，周思达，刘明岩，刘新华，闫啸宇，陈飞，曹耀光，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：