【技术实现步骤摘要】
本专利技术涉及锂电池检测，具体涉及一种基于神经网络匹配确认系数的锂电池内部微产气检测方法及系统。
技术介绍
1、由于锂电池外表面经常被金属完全覆盖，处于黑匣子状态，无法直接从宏观上判断电池的内部情况，电池内部缺陷也难以通过传统的测试内阻、充放循环测试等实验准确反应出来。尤其是针对锂电池材料内部的微小缺陷，如微小气泡，微小裂痕等不易察觉的安全隐患，而超声波具有良好的穿透性和方向性，对于材料结构的细微变化有较为明显的检测结果，为此，超声波无损检测技术逐渐得到重视；
2、传统的超声检测存在一定的局限性，首先，超声检测对于靠近检测区域下方的缺陷难以很好的反应，存在盲区，为防止超声波的散射，对于检测物体的表面也有一定的要求，往往需要使用耦合剂；同时对于多层多孔的结构，散射往往较为复杂，处理较为麻烦。
3、如专利公开号cn113533523a的一种融合超声线性和非线性特征的锂电池内部缺陷检测方法及装置，通过锂电池两端的超声发射探头与超声接收探头对锂电池进行超声穿透检测得到透射系数，通过傅里叶变换对超声信号进行处理得到非线性系数(二次谐波与一次谐波幅值之比)，并通过检测所得非线性透射系数与透射系数是否落在正常锂电池系数的置信区间判断电池内部是否存在缺陷，其使用的超声穿透检测法，由于超声波在内部微产气的边缘存在衍射的现象，导致检测的结果易出现误差，且处理超声信号使用的傅里叶变换的窗口宽度是固定的，无法解决对非稳态信号的处理问题，即无法对超声信号进行有效的降噪处理与特征提取，检测并未能得出锂电池内产气成像图，不能显示气泡的
4、如专利公开号cn115524401a的一种用于检测锂离子电池内部状态的滚轮式阵列超声传感器，使用缺陷回波法，通过接收返回的超声波对锂电池内部缺陷进行检测与成像，其使用的缺陷回波法对锂电池的检测存在检测盲区，无法检测靠近锂电池表面的内部微产气，由于未使用针对性的判断方法，无法对检测结果做出快速、精确的判断。
技术实现思路
1、为了克服现有技术存在的缺陷与不足，本专利技术提供一种基于神经网络匹配确认系数的锂电池内部微产气检测方法，本专利技术采用以超声穿透法和底波高度法相结合的基于超声穿透-底波高度法的超声检测方法，可以实现对锂电池内部微产气的更快速、更精确检测，提高针对内部微产气的检测精度，采用基于bp神经网络的最优系数选定方法，使用bp神经网络匹配扫描所得信号幅值信息所对应的最优锂电池内产气确认系数，通过最优系数进行超声波内产气锂电池成像图，进一步地，基于锂电池内产气超声波检测的气泡成像面积边界修正算法，用以得到明确的锂电池内产气气泡面积边界，实现对锂电池内部微产气状态的更全面、更精确成像和判断。
2、为了达到上述目的，本专利技术采用以下技术方案：
3、本专利技术提供一种基于神经网络匹配确认系数的锂电池内部微产气检测方法，包括下述步骤：
4、基于超声穿透法扫描锂电池面，获得超声穿透法的超声波信号峰峰值并生成穿透波二维峰峰值位置的特征矩阵a；
5、计算特征矩阵a内最大值与最小值的差值，得到穿透法超声波峰峰值的最大衰减量ca；
6、基于底波高度法扫描锂电池面，获得底波高度法的超声波信号峰峰值并生成底波二维峰峰值位置的特征矩阵b；
7、计算特征矩阵b内最大值与最小值的差值，得到底波高度法超声波峰峰值的最大衰减量cb；
8、基于最大衰减量ca进行模拟测试，得到对应的气泡确认系数sf，基于最大衰减量cb进行模拟测试，得到对应的气泡确认系数rf；
9、基于最大衰减量ca、最大衰减量cb、气泡确认系数sf、气泡确认系数rf构建训练集，将训练集输入神经网络模型进行训练，最大衰减量ca、最大衰减量cb作为输入变量，气泡确认系数sf、气泡确认系数rf作为对应的输出值的真值，迭代训练直至满足训练停止条件，得到训练后的神经网络模型；
10、基于超声穿透-底波高度法对待测的锂电池进行扫描成像，得到对应的最大衰减量ca、最大衰减量cb，基于训练后的神经网络模型得到最优的气泡确认系数sf、气泡确认系数rf；
11、基于最优的气泡确认系数sf、气泡确认系数rf进行超声波内产气锂电池成像。
12、作为优选的技术方案，所述基于最大衰减量ca进行模拟测试，得到对应的气泡确认系数sf，基于最大衰减量cb进行模拟测试，得到对应的气泡确认系数rf，具体步骤包括：
13、对锂电池进行建模，模型中具有锂电池的基本组成部分及体积大小可调节的氢气气泡；
14、计算模型中氢气气泡在锂电池二维平面的投影面积s；
15、基于超声穿透-底波高度法对锂电池进行扫描成像，计算成像气泡面积s1，计算当前氢气气泡体积下的最大衰减量ca、最大衰减量cb，并设定初始的气泡确认系数sf、气泡确认系数rf的值；
16、判断投影面积s与当前的成像气泡面积s1是否相等，若相等则将当前气泡确认系数sf、气泡确认系数rf作为对应的气泡确认系数sf、对应的气泡确认系数rf，若不相等，则按照设定的步长调整气泡确认系数sf、气泡确认系数rf的值，直至投影面积s与当前的成像气泡面积s1相等。
17、作为优选的技术方案，计算成像气泡面积s1，具体包括：
18、基于超声穿透-底波高度法对锂电池进行扫描成像，得到成像矩阵p，计算得到成像矩阵p中存在气泡的像素点的个数，与像素点对应的大小相乘得到成像气泡面积。
19、作为优选的技术方案，基于最大衰减量ca、最大衰减量cb、气泡确认系数sf、气泡确认系数rf构建训练集，具体包括：
20、改变模型中氢气气泡体积大小，得到多组最大衰减量ca对应的气泡确认系数sf，最大衰减量cb对应的气泡确认系数rf，构建得到训练集。
21、作为优选的技术方案，将训练集输入神经网络模型进行训练，具体包括：
22、神经网络模型采用bp神经网络模型，采用有导师的学习方式，当给bp神经网络模型提供一对学习模式后，输入层经过各个隐含层向输出层传播神经元的激活值，输出层神经元输出对应于输入模式的网络响应，通过损失函数计算bp神经网络的输出值与实际值之间的误差，按照减少误差的原则，从输出层经过隐含层回到输入层逐层修正连接权值，反向传播计算误差与各权重值之间的梯度，并更新各权重值，拟合出最大衰减量ca、最大衰减量cb与气泡确认系数sf、气泡确认系数rf的非线性关系。
23、作为优选的技术方案，训练停止条件包括误差信号满足设定范围或训练次数达到设定次数。
24、作为优选的技术方案，基于最优的气泡确认系数sf、气泡确认系数rf进行超声波内产气锂电池成像，还包括锂电池内产气面积边界修正步骤，具体包括：
25、基于训练后的神经网络模型得到最优的气泡确认系数sf、气泡确认系数rf；
26、遍历特征矩阵a得到特征矩阵a的最大值amax，遍历特征矩阵b得到特征矩阵b的最大值bmax；本文档来自技高网...
【技术保护点】
1.一种基于神经网络匹配确认系数的锂电池内部微产气检测方法，其特征在于，包括下述步骤：
2.根据权利要求1所述的基于神经网络匹配确认系数的锂电池内部微产气检测方法，其特征在于，所述基于最大衰减量CA进行模拟测试，得到对应的气泡确认系数Sf，基于最大衰减量CB进行模拟测试，得到对应的气泡确认系数Rf，具体步骤包括：
3.根据权利要求2所述的基于神经网络匹配确认系数的锂电池内部微产气检测方法，其特征在于，计算成像气泡面积S1，具体包括：
4.根据权利要求2所述的基于神经网络匹配确认系数的锂电池内部微产气检测方法，其特征在于，基于最大衰减量CA、最大衰减量CB、气泡确认系数Sf、气泡确认系数Rf构建训练集，具体包括：
5.根据权利要求1所述的基于神经网络匹配确认系数的锂电池内部微产气检测方法，其特征在于，将训练集输入神经网络模型进行训练，具体包括：
6.根据权利要求1所述的基于神经网络匹配确认系数的锂电池内部微产气检测方法，其特征在于，训练停止条件包括误差信号满足设定范围或训练次数达到设定次数。
7.根据权利要求1
8.根据权利要求7所述的基于神经网络匹配确认系数的锂电池内部微产气检测方法，其特征在于，成像矩阵P的生成步骤包括：
9.一种基于神经网络匹配确认系数的锂电池内部微产气检测系统，其特征在于，包括：超声扫描控制模块、最大衰减量计算模块、气泡确认系数获取模块、训练集构建模块、网络训练模块、最优气泡确认系数输出模块和成像模块；
10.根据权利要求9所述的基于神经网络匹配确认系数的锂电池内部微产气检测系统，其特征在于，还设有产气面积边界修正模块，所述产气面积边界修正模块用于对超声波内产气锂电池成像进行产气面积边界修正，具体包括：
...【技术特征摘要】
1.一种基于神经网络匹配确认系数的锂电池内部微产气检测方法，其特征在于，包括下述步骤：
2.根据权利要求1所述的基于神经网络匹配确认系数的锂电池内部微产气检测方法，其特征在于，所述基于最大衰减量ca进行模拟测试，得到对应的气泡确认系数sf，基于最大衰减量cb进行模拟测试，得到对应的气泡确认系数rf，具体步骤包括：
3.根据权利要求2所述的基于神经网络匹配确认系数的锂电池内部微产气检测方法，其特征在于，计算成像气泡面积s1，具体包括：
4.根据权利要求2所述的基于神经网络匹配确认系数的锂电池内部微产气检测方法，其特征在于，基于最大衰减量ca、最大衰减量cb、气泡确认系数sf、气泡确认系数rf构建训练集，具体包括：
5.根据权利要求1所述的基于神经网络匹配确认系数的锂电池内部微产气检测方法，其特征在于，将训练集输入神经网络模型进行训练，具体包括：
6.根据权利要求1所述的基于神经网络匹配确认系数的锂电池内...
【专利技术属性】
技术研发人员：叶石丰，许孜博，周奇，张兆阳，林钊洪，朱悦，谢勇君，谢琳，叶浩鹏，吴伟雄，
申请(专利权)人：广东电网有限责任公司广州供电局，
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。