基于PCA-IAOA-SVM的锂电池表面缺陷识别方法技术

本发明专利技术公开了一种基于PCA

【技术实现步骤摘要】
基于PCA
‑
IAOA
‑
SVM的锂电池表面缺陷识别方法


[0001]本专利技术涉及一种锂电池表面缺陷识别方法，具体为一种基于PCA
‑
IAOA
‑
SVM的锂电池表面缺陷识别方法，属于工业智能检测


技术介绍

[0002]在社会经济的快速发展的条件下，人们对电动工具等储能设备需求不断增长。在众多的电化学储能技术中，锂离子电池具有能量密度高、放电速率快、使用寿命长、转换效率高等优点在交通动力电源、电力储能电源、移动通信等各行各业持续不断的发展。随着其成本迅速下降和需求量日益增高，锂离子电池在固定储能领域中已成为市场应用最广泛的储能解决方案，因此，锂离子电池的整体性能和使用安全尤为重要。但是，在锂电池工业工艺生产过程中，锂电池产品表面容易收到加工设备的损坏和恶劣生产环境的影响，其表面的缺陷会在一定程度上影响后续的加工生产，其缺陷类型有包膜褶皱、包膜翘起、包膜气泡、包膜划痕、包膜凹陷等一系列缺陷。因此，需要对锂电池表面进行缺陷检测以保证产品质量安全。<br/>[0003]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于PCA
‑
IAOA
‑
SVM的锂电池表面缺陷识别方法，其特征在于：包括以下步骤：步骤一、通过主成分分析法PCA对锂电池表面缺陷的评价指标进行降维处理，输出独立的主成分评价指标；步骤二、使用改进的阿基米德优化算法对支持向量机的核函数参数及惩罚因子进行最优选择，得到针对锂电池缺陷识别的最优支持向量机模型；步骤三、将主成分分析的评价指标与支持向量机模型结合，得到缺陷识别模型。2.根据权利要求1所述的锂电池表面缺陷识别方法，其特征在于：所述步骤一中，主成分分析法PCA利用降维思想将相关性的几个指标通过数学变换转换为几个不相关的综合指标，即为主成分；设锂电池某一缺陷的参数指标的原始变量为n维向量：X＝[x1,x2…
x
n
]，降维后得到s维变量：Z＝[z1,z2…
z
s
](s＜n)；PCA将n维原始变量进行重新组合，得到一个s维线性无关的新变量，降维公式如下所示：3.根据权利要求1所述的锂电池表面缺陷识别方法，其特征在于：所述步骤二中，对锂电池表面的缺陷识别分类算法的选择上，选择支持向量机模型，将样本数据用空间中的点代替，寻找能将两类数据划分的最优分割超平面，使得两类数据能准确划分，并且两类数据离超平面的距离最远；对于线性不可分的特征向量，采用核函数将向量投放到高维空间中达到分类的效果；高斯径向基核函数作为核函数，在缺乏样本数据的先验知识时，通过调整参数取得学习效果，高斯径向基核函数为：其中，x
i
和x
j
分别为样本集的两个样本，g为高斯核的带宽，g＞0；设置在h维的空间上，针对线性可分问题，所有的采样样本均满足约束条件，其约束条件如下：y
i
(ω
T
x
i
+b)
‑
1≥0，i＝1，2，...，m式中，ω为法向量，表示方向；b为分类阈值，表示离超平面的垂直距离；ω
T
x
i
+b为分类超平面；求解支持向量机两类样本的最远距离可转化为分类间隔问题，分类间隔如下：在实际训练样本数据的时候，允许出现一些错峰点，从而在约束条件中加入一个松弛变量，并增加一个常数作为惩罚因子，在此条件下，分类间隔变为：
式中，γ为松弛变量；C为惩罚因子；通过上述推导，可以得到SVM回归计算公式如下：式中，α
j
为拉格朗日系数乘积中的因子。4.根据权利要求1所述的锂电池表面缺陷识别方法，其特征在于：所述步骤二中，采用改进阿基米德优化算法实现对核函数参数及惩罚因子这两个影响量的优化选择，具体包括：种群个体是沉浸对象，AOA也从具有随机体积、密度和加速度的初始种群开始搜索过程，在这个阶段，每个对象也用它在流体中的随机位置初始化，在评估初始种群的适应度后，AOA进行迭代直到满足终止条件，在每次迭代中，AOA都会更新每个对象的密度和体积，根据物体与相邻物体碰撞的情况，更新物体的加速度，更新后的密度、体积、加速度决定了物体的新位置；首先进行算法初始化，利用公式初始化所有物体的位置：O
i
＝lb
i
+rand
×
(ub
i
‑
lb
i
)；i＝1，2，
…
，N其中，O
i
是N个个体中的第i个物体的位置，lb
i
和ub
i
分别是搜索空间的下限和上限；初始化第i个物体的体积den和密度vol：den
i
＝ra...

【专利技术属性】
技术研发人员：刘新华，姜文婷，李春侠，
申请(专利权)人：哈尔滨严格智慧工厂有限公司，
类型：发明
国别省市：