【技术实现步骤摘要】
本专利技术涉及一种缺陷方法及系统，尤其涉及一种电池缺陷诊断方法及系统。
技术介绍
1、电动车最为昂贵和核心的零件是锂离子电池。电池质量的好坏，直接影响了汽车的使用感受甚至安全性能。从设计研发、到批量生产和售后质量分析，可能出现各种故障或缺陷，需要深入分析研究并加以改进。在电池的全生命周期过程中，有些电池存在自放电的现象，有些电池存在功能失效现象(无法进行充电)，有些电池甚至有热失控的现象。缺陷产生的内在机理是电池局部生产了失效的现象，如微短路、异物夹杂、电解液泄露等。
2、因此，需要对电池缺陷状态进行诊断。目前，评价电池内部缺陷的方式是主要包括以下三种：
3、破坏性检验：在安全的前提下，打开电池内部的卷绕结构，直接找到正负极表面析锂或是析铜的位置，或者找到金属异质颗粒等现象，这种方式比较直观，但是也存在着一些缺点，例如需要专业人员进行操作，较费人力物力，此外还存在无法发现失效现象的可能性，破坏后相应的缺陷找不到等问题。
4、电性能检验：以间接的方式对于电池内部缺陷进行评价，进行系列电池相关实验，包括标准充放电实验，高低温存放等，这个方法的缺点非常明显，其比较费时、效率低，此外也无法深入地定位和分析电芯的缺陷点。
5、无损检测：包括超声波检测、x光检测、ct检测等。超声波和x光可以检测到电池内部的部分种类缺陷，但是不全面，如极片翻折、极耳不对齐等是检测不到的。对于ct检测，由于技术门槛较高，ct操作人员对电池内部不是特别熟悉，准确读片较为困难，而且耗时较长。与此同时，电池专业技术人员
技术实现思路
1、本专利技术的目的之一在于提供一种电池缺陷诊断方法，其基于深度学习神经网络的图像识别，找出电池的典型缺陷，因此，可以批量导入不同待评测电池的影像数据，进行电池的“体检”，该方法高效便捷，识别准确率高。
2、为了实现上述目的，本专利技术提出了一种电池缺陷诊断方法，其包括步骤：
3、建立电池缺陷样本影像数据库；
4、采用电池缺陷样本影像数据库中带有缺陷类型标签的电池缺陷样本数据训练深度学习神经网络，以使深度学习神经网络基于输入的电池缺陷样本数据，对应输出该电池缺陷样本数据对应的缺陷类型；
5、在实际检测时，采集待测电池的影像数据，将其输入经过训练的深度学习神经网络中，所述经过训练的深度学习神经网络输出对应的缺陷类型。
6、本专利技术通过对大量电池的电芯进行影像扫描，汇总了检测到的电池内部的各种缺陷，对缺陷进行了定义和分类(即“打标签”)，从而构建电池缺陷样本影像数据库。将这些标记好的电池影像数据导入到深度学习神经网络中进行训练，完成训练后深度学习神经网络模型将会“记住”不同种类的电池缺陷。由此，在后续的实际检测过程中，就可以直接导入待测电池的影像数据，通过经过训练的深度学习神经网络进行自动读片，识别出电池的内部缺陷。
7、进一步地，在本专利技术所述的电池缺陷诊断方法中，所述电池缺陷样本数据和待测电池的影像数据来自无损检测数据。
8、进一步地，在本专利技术所述的电池缺陷诊断方法中，所述电池缺陷样本数据和待测电池的影像数据为对应电池的ct影像数据。
9、进一步地，在本专利技术所述的电池缺陷诊断方法中，所述深度学习神经网络包括卷积神经网络。
10、在一些实施方式中，本专利技术的深度学习神经网络选用的是卷积神经网络-cnn(convolutional neural network)，卷积神经网络(cnn)是一种用于处理图像的神经网络，它可以从图像中提取特征，并利用这些特征进行分类、检测等任务。
11、在这些实施方式中，利用cnn进行图像分类的优势有以下几点：
12、cnn可以自动学习图像的特征，而不需要人工设计或选择特征，这样可以减少人为的偏差和误差。
13、cnn可以利用卷积操作和池化操作来降低图像的维度和复杂度，这样可以提高计算效率和减少过拟合的风险。
14、cnn可以利用多层的结构来提取图像的不同层次的特征，从低级的边缘、纹理到高级的形状、物体等，这样可以增强模型的表达能力和泛化能力。
15、cnn可以利用数据增强、批量归一化、残差连接等技术来提高模型的性能和稳定性，这样可以应对各种复杂和多变的图像场景。
16、更进一步地，在本专利技术所述的电池缺陷诊断方法中，所述卷积神经网络包括输入层、卷积层、批归一化层、relu层、最大池化层、全连接层、softmax层和分类层。
17、本专利技术的另一目的在于提供一种电池缺陷诊断系统，该系统可以基于深度学习神经网络的图像识别，找出电池的典型缺陷，因此，可以批量导入不同待评测电池的影像数据，进行电池的“体检”，该方法高效便捷，识别准确率高。
18、为了实现上述目的，本专利技术提出了一种电池缺陷诊断系统，其包括：
19、电池缺陷样本影像数据库，其内存储有带有缺陷类型标签的电池缺陷样本数据；
20、深度学习神经网络模块，采用带有缺陷类型标签的电池缺陷样本数据训练所述深度学习神经网络模块，以使其基于输入的电池缺陷样本数据，对应输出该电池缺陷样本数据对应的缺陷类型；
21、数据采集模块，其采集待测电池的影像数据；
22、在实际检测时，经过训练的深度学习神经网络模块基于输入其中的待测电池的影像数据，输出对应的缺陷类型。
23、进一步地，在本专利技术所述的电池缺陷诊断系统中，所述电池缺陷样本数据和待测电池的影像数据来自无损检测数据。
24、进一步地，在本专利技术所述的电池缺陷诊断系统中，所述电池缺陷样本数据和待测电池的影像数据为对应电池的ct影像数据。
25、进一步地，在本专利技术所述的电池缺陷诊断系统中，所述深度学习神经网络模块包括卷积神经网络。
26、更进一步地，在本专利技术所述的电池缺陷诊断系统中，所述卷积神经网络包括输入层、卷积层、批归一化层、relu层、最大池化层、全连接层、softmax层和分类层。
27、本专利技术所述的电池缺陷诊断方法及系统具有如下优点和有益效果：
28、本专利技术通过无损检测而非破坏方式，对电池的电芯进行影像扫描，然后采用样本数据库的样本数据对深度学习模型进行训练，从而可以整体全面地分析电芯，实现全覆盖，精准地识别电池的内部缺陷，为研发以及批量质量管控提供有力保障。
29、本专利技术将深度学习和影像读片进行有效的结合。深度学习神经网络读片可以有效地降低影像数据的读片难度和门槛。同时，该方法更加的高效便捷，相对于人工读片，识别速度提升80％。
30、随着后续更大量的数据对深度学习模型的训练和迭代，其缺陷识别准确率将不断地提高，最终形成一个精准全面的预测模型，能够真正解决电芯缺陷分析诊断的难题。
本文档来自技高网...【技术保护点】
1.一种电池缺陷诊断方法，其特征在于，包括步骤：
2.如权利要求1所述的电池缺陷诊断方法，其特征在于，所述电池缺陷样本数据和待测电池的影像数据来自无损检测数据。
3.如权利要求1所述的电池缺陷诊断方法，其特征在于，所述电池缺陷样本数据和待测电池的影像数据为对应电池的CT影像数据。
4.如权利要求1所述的电池缺陷诊断方法，其特征在于，所述深度学习神经网络包括卷积神经网络。
5.如权利要求4所述的电池缺陷诊断方法，其特征在于，所述卷积神经网络包括输入层、卷积层、批归一化层、relu层、最大池化层、全连接层、softmax层和分类层。
6.一种电池缺陷诊断系统，其特征在于，包括：
7.如权利要求6所述的电池缺陷诊断系统，其特征在于，所述电池缺陷样本数据和待测电池的影像数据来自无损检测数据。
8.如权利要求6所述的电池缺陷诊断系统，其特征在于，所述电池缺陷样本数据和待测电池的影像数据为对应电池的CT影像数据。
9.如权利要求6所述的电池缺陷诊断系统，其特征在于，所述深度学习神经网络模块包括卷积
10.如权利要求9所述的电池缺陷诊断系统，其特征在于，所述卷积神经网络包括输入层、卷积层、批归一化层、relu层、最大池化层、全连接层、softmax层和分类层。
...【技术特征摘要】
1.一种电池缺陷诊断方法，其特征在于，包括步骤：
2.如权利要求1所述的电池缺陷诊断方法，其特征在于，所述电池缺陷样本数据和待测电池的影像数据来自无损检测数据。
3.如权利要求1所述的电池缺陷诊断方法，其特征在于，所述电池缺陷样本数据和待测电池的影像数据为对应电池的ct影像数据。
4.如权利要求1所述的电池缺陷诊断方法，其特征在于，所述深度学习神经网络包括卷积神经网络。
5.如权利要求4所述的电池缺陷诊断方法，其特征在于，所述卷积神经网络包括输入层、卷积层、批归一化层、relu层、最大池化层、全连接层、softmax层和分类层。
...【专利技术属性】
技术研发人员：柯胜蓝，董玉军，吕亚帆，周强，
申请(专利权)人：上汽大众汽车有限公司，
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。