锂电池极片检测的性能评估方法及其系统技术方案

公开了一种锂电池极片检测的性能评估方法及其系统。其首先将待检测锂电池的性能指标排列为性能指标输入向量，接着，将所述性能指标输入向量通过第一一维卷积神经网络模型以得到第一尺度性能指标关联特征向量，然后，将所述性能指标输入向量通过第二一维卷积神经网络模型以得到第二尺度性能指标关联特征向量，接着，融合所述第一尺度性能指标关联特征向量和所述第二尺度性能指标关联特征向量以得到分类特征向量，最后，将所述分类特征向量通过分类器以得到用于表示待检测锂电池的性能是否符合预定标准的分类结果。这样，可以全面而准确地评估锂电池极片的性能，从而更好地保证锂电池的品质和稳定性。保证锂电池的品质和稳定性。保证锂电池的品质和稳定性。

【技术实现步骤摘要】
锂电池极片检测的性能评估方法及其系统


[0001]本申请涉及智能评估领域，且更为具体地，涉及一种锂电池极片检测的性能评估方法及其系统。

技术介绍

[0002]动力电池作为新能源汽车的动力来源，是整车中最重要的系统，也是区别于其他传统燃油汽车的标志性部件，传统燃油车的心脏是发动机，新能源汽车的心脏就是动力电池。三元聚合物锂电池，简称三元锂电池，指正极材料使用镍钴锰酸锂(Li(NiCoMn)O2)或者镍钴铝酸锂的三元正极材料的锂电池，三元复合正极材料是以镍盐、钴盐、锰盐为原料，里面镍钴锰的比例可以根据实际需要进行调整，三元材料做正极的电池相对于钴酸锂电池安全性高，三元锂电池是一种集高能量密度和高电压为一体的储能装置，已广泛应用于移动和无线电子设备、电动工具、混合动力和电动交通工具等领域。
[0003]作为电池本身，锂电池直接提供的所展示的外观就是电池极片，因此对锂电池的外观检测最常用的也就是极片检测，包括其数量和位置。然而，传统的锂电池极片数量和位置检测方法存在着不足。在众多工厂中，仅粗糙的采用批量电池漏极或误检率等，导致其细节判断不够完善，无法全面的反应当前批次电池的质量以及检测系统的有效性。
[0004]因此，期望一种优化的锂电池极片检测的性能评估方案。

技术实现思路

[0005]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种锂电池极片检测的性能评估方法及其系统。其首先将待检测锂电池的性能指标排列为性能指标输入向量，接着，将所述性能指标输入向量通过第一一维卷积神经网络模型以得到第一尺度性能指标关联特征向量，然后，将所述性能指标输入向量通过第二一维卷积神经网络模型以得到第二尺度性能指标关联特征向量，接着，融合所述第一尺度性能指标关联特征向量和所述第二尺度性能指标关联特征向量以得到分类特征向量，最后，将所述分类特征向量通过分类器以得到用于表示待检测锂电池的性能是否符合预定标准的分类结果。这样，可以全面而准确地评估锂电池极片的性能，从而更好地保证锂电池的品质和稳定性。
[0006]根据本申请的一个方面，提供了一种锂电池极片检测的性能评估方法，其包括：
[0007]获取待检测锂电池的性能指标，所述性能指标包括负极片
‑
数量误差、正极片
‑
数量误差、负极片
‑
数量准确率、正极片
‑
数量准确率、正负极片对
‑
整体准确率、负极片位置误差、正极片位置误差以及正负极片对
‑
整体位置误差；
[0008]将所述待检测锂电池的性能指标按照样本维度排列为性能指标输入向量；
[0009]将所述性能指标输入向量通过第一一维卷积神经网络模型以得到第一尺度性能指标关联特征向量；
[0010]将所述性能指标输入向量通过第二一维卷积神经网络模型以得到第二尺度性能指标关联特征向量，其中，所述第二一维卷积神经网络模型和所述第一一维卷积神经网络
模型分别使用具有不同尺度的一维卷积核；
[0011]融合所述第一尺度性能指标关联特征向量和所述第二尺度性能指标关联特征向量以得到分类特征向量；以及
[0012]将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待检测锂电池的性能是否符合预定标准。
[0013]在上述的锂电池极片检测的性能评估方法中，所述负极片
‑
数量误差的计算公式表示为：
[0014][0015]所述正极片
‑
数量误差的计算公式表示为：
[0016][0017]所述负极片
‑
数量准确率的计算公式表示为：
[0018][0019]所述正极片
‑
数量准确率的计算公式表示为：
[0020][0021]所述正负极片对
‑
整体准确率的计算公式表示为：
[0022][0023]所述负极片位置误差的计算公式表示为：
[0024][0025]所述正极片位置误差的计算公式表示为：
[0026][0027]所述正负极片对
‑
整体位置误差的计算公式表示为：
[0028][0029]其中，表示所述负极片
‑
数量误差，表示所述正极片
‑
数量误
差，表示所述负极片
‑
数量准确率，表示所述正极片
‑
数量准确率，表示所述正负极片对
‑
整体准确率，表示所述负极片位置误差，表示所述正极片位置误差，表示所述正负极片对
‑
整体位置误差，表示待检测的负极片个数，表示相应真值的负极片个数，表示待检测的正极片个数，表示相应真值的正极片个数，表示待检测的正负极片总个数，表示相应真值的正负极片总个数，表示待检测的第i个样本的第j个负极片的空间坐标，表示相应真值的第i个样本的第j个负极片的空间坐标，表示待检测的第i个样本的第j个正极片的空间坐标，表示相应真值的第i个样本的第j个负极片的空间坐标，N表示测试集样本总数。
[0030]在上述的锂电池极片检测的性能评估方法中，将所述性能指标输入向量通过第一一维卷积神经网络模型以得到第一尺度性能指标关联特征向量，包括：
[0031]使用所述第一一维卷积神经网络模型的各层在层的正向传递中对输入数据分别进行一维卷积处理、均值池化处理和非线性激活处理以由所述第一一维卷积神经网络模型的最后一层输出所述第一尺度性能指标关联特征向量，其中，所述第一一维卷积神经网络模型的第一层的输入为所述性能指标输入向量。
[0032]在上述的锂电池极片检测的性能评估方法中，将所述性能指标输入向量通过第二一维卷积神经网络模型以得到第二尺度性能指标关联特征向量，包括：
[0033]使用所述第二一维卷积神经网络模型的各层在层的正向传递中对输入数据分别进行一维卷积处理、均值池化处理和非线性激活处理以由所述第二一维卷积神经网络模型的最后一层输出所述第二尺度性能指标关联特征向量，其中，所述第二一维卷积神经网络模型的第一层的输入为所述性能指标输入向量。
[0034]在上述的锂电池极片检测的性能评估方法中，融合所述第一尺度性能指标关联特征向量和所述第二尺度性能指标关联特征向量以得到分类特征向量，包括：
[0035]以如下级联公式来融合所述第一尺度性能指标关联特征向量和所述第二尺度性能指标关联特征向量以得到所述分类特征向量；
[0036]其中，所述级联公式为：
[0037]V
c
＝Concat[V
a
，V
b
][0038]其中，V
a
表示所述第一尺度性能指标关联特征向量，V
b
表示所述第二尺度性能指标关联特征向量，Concat[
·
]表示级联函数，V
c
表示所述分类特征向量。
[0039]在上述的锂电池极片检测的性能评估方法中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种锂电池极片检测的性能评估方法，其特征在于，包括：获取待检测锂电池的性能指标，所述性能指标包括负极片
‑
数量误差、正极片
‑
数量误差、负极片
‑
数量准确率、正极片
‑
数量准确率、正负极片对
‑
整体准确率、负极片位置误差、正极片位置误差以及正负极片对
‑
整体位置误差；将所述待检测锂电池的性能指标按照样本维度排列为性能指标输入向量；将所述性能指标输入向量通过第一一维卷积神经网络模型以得到第一尺度性能指标关联特征向量；将所述性能指标输入向量通过第二一维卷积神经网络模型以得到第二尺度性能指标关联特征向量，其中，所述第二一维卷积神经网络模型和所述第一一维卷积神经网络模型分别使用具有不同尺度的一维卷积核；融合所述第一尺度性能指标关联特征向量和所述第二尺度性能指标关联特征向量以得到分类特征向量；以及将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待检测锂电池的性能是否符合预定标准。2.根据权利要求1所述的锂电池极片检测的性能评估方法，其特征在于，所述负极片
‑
数量误差的计算公式表示为：所述正极片
‑
数量误差的计算公式表示为：所述负极片
‑
数量准确率的计算公式表示为：所述正极片
‑
数量准确率的计算公式表示为：所述正负极片对
‑
整体准确率的计算公式表示为：所述负极片位置误差的计算公式表示为：
所述正极片位置误差的计算公式表示为：所述正负极片对
‑
整体位置误差的计算公式表示为：其中，表示所述负极片
‑
数量误差，表示所述正极片
‑
数量误差，表示所述负极片
‑
数量准确率，表示所述正极片
‑
数量准确率，表示所述正负极片对
‑
整体准确率，表示所述负极片位置误差，表示所述正极片位置误差，表示所述正负极片对
‑
整体位置误差，表示待检测的负极片个数，表示相应真值的负极片个数，表示待检测的正极片个数，表示相应真值的正极片个数，表示待检测的正负极片总个数，表示相应真值的正负极片总个数，表示待检测的第i个样本的第j个负极片的空间坐标，表示相应真值的第i个样本的第j个负极片的空间坐标，表示待检测的第i个样本的第j个正极片的空间坐标，表示相应真值的第i个样本的第j个负极片的空间坐标，N表示测试集样本总数。3.根据权利要求2所述的锂电池极片检测的性能评估方法，其特征在于，将所述性能指标输入向量通过第一一维卷积神经网络模型以得到第一尺度性能指标关联特征向量，包括：使用所述第一一维卷积神经网络模型的各层在层的正向传递中对输入数据分别进行一维卷积处理、均值池化处理和非线性激活处理以由所述第一一维卷积神经网络模型的最后一层输出所述第一尺度性能指标关联特征向量，其中，所述第一一维卷积神经网络模型的第一层的输入为所述性能指标输入向量。4.根据权利要求3所述的锂电池极片检测的性能评估方法，其特征在于，将所述性能指标输入向量通过第二一维卷积神经网络模型以得到第二尺度性能指标关联特征向量，包括：使用所述第二一维卷积神经网络模型的各层在层的正向传递中对输入数据分别进行一维卷积处理、均值池化处理和非线性激活处理以由所述第二一维卷积神经网络模型的最后一层输出所述第二尺度性能指标关联特征向量，其中，所述第二一维卷积神经网络模型的第一层的输入为所述性能指标输入向量。5.根据权利要求4所述的锂电池极片检测的性能评估方法，其特征在于，融合所述第一尺度性能指标关联特征向量和所述第二尺度性能指标关联特征向量以得到分类特征向量，包括：以如下级联公式来融合所述第一尺度性能指标关联特征向量和所述第二尺度性能指标关联特征向量以得到所述分类特征向量；
其中，所述级联公式为：V
c
＝Concat[V
a
，V
b
]其中，V
a
表示所述第一尺度性能指标关联特征向量，V
b

【专利技术属性】
技术研发人员：左嘉铭，庞有伟，赵骁骐，刘瀚祺，
申请(专利权)人：无锡源工三仟科技有限公司，
类型：发明
国别省市：