一种锂电池梯次利用筛选方法与流程

本发明涉及锂电池循环利用技术领域，特别是指一种锂电池梯次利用筛选方法。

背景技术：

近年来，我国电动汽车行业发展速度，在未来两三年内，即会迎来动力锂电池退役的高峰，而且这些锂电池总量每年还会呈加速度增长；到2020年，电动车市场存量超过500万辆，以一辆车平均配备20kwh的锂电池来估算，约有1亿kwh(1000gwh)的锂离子锂电池进入汽车市场。众所周知，锂离子锂电池中的化学物质及重金属元素会对环境造成污染和危害。如何最大限度地回收与梯次利用这些锂电池的剩余价值，是亟待解决、非常重要的科学技术问题。

针对退役的动力锂电池，有两种可行的处理方法，一种是直接作为工业废品，进行报废和拆解，提炼其中的原材料，实现原材料的循环利用，这方面已经有一些国内的企业在进行商业化运作；另一种方式，则考虑退役的动力锂电池，虽然已经不满足汽车的使用条件，但仍然拥有一定的余能，其寿命并未完全终止，可以用在其他领域作为电能的载体使用，从而充分发挥其剩余价值。显然后者的梯次利用更能够发挥产品的最大价值，实现循环经济的利益最大化，是更为绿色和环保的途径。

中国发明专利cn201310261893.0提出了一种废旧动力锂电池梯次利用筛选方法：(1)对废旧动力锂电池组进行充电，使其荷电状态soc为15％～80％；然后拆开锂电池组，对动力锂电池组及单体锂电池外观进行检查，并记录；(2)检测每一只单体锂电池的开路电压及内阻并记录，与标准单体锂电池的开路电压、内阻对比；由测试的电压、内阻根据标准单体锂电池充放电曲线，评估废旧动力锂电池组单体锂电池容量；(3)将上述废旧动力锂电池单体并联，直至其开路电压基本相同，与并联前单体锂电池的开路电压对比，并记录电压升降情况；然后将废旧单体锂电池及标准单体锂电池在温度为30℃～55℃条件下搁置3～7天或者室温下搁置10～30天，检测其开路电压及内阻，并记录；标准单体锂电池做放电循环测试，以标准单体锂电池荷电状态、容量-电压曲线、内阻作为参考，根据废旧动力锂电池单体开路电压及内阻大小，评估废旧动力锂电池单体健康状态；(4)根据以上记录情况，对比废旧动力锂电池单体外观、开路电压、内阻、电压降及健康状态评估，对废旧动力锂电池单体进行分级，同一级的锂电池成组与储能电网配合使用。

在专利号为cn103901350a的发明中涉及一种废旧动力锂电池二次使用的筛选方法：先通过对锂电池包整体进行充放电，通过测试时bms记录的数据，在放电过程中，选取2-4个soc点，soc数值在20％-90％之间，读取各个串联单体的电压；将偏离出大部分锂电池的电压值超过5％的锂电池认定为有问题的锂电池，剩余锂电池即初步认定为健康状态锂电池；测量余下每只锂电池的内阻，通过内阻值进行第二次筛选，将偏离大部分电芯正常内阻20％的电芯剔除，筛选结束；在剩余锂电池中，随机挑选出10只锂电池进行一次充放电，将10只锂电池的平均容量，默认为所有健康状态的锂电池的容量值。

现有技术中使用的筛选方法，都或多或少地涉及对锂电池电参数即接触式的测量，比如开路电压和内阻的检测，需要对电池有充放电的过程；一方面这些参数的测量可能会引起锂电池内部结构发生变化和破损，另一方面锂电池充电和放电过程，更是需要几个小时才能完成，导致耗费的时间、人工成本都比较高，导致商业化锂电池的回收与梯次利用的经济效益受到限制。

技术实现要素：

本发明要解决的技术问题是提供一种锂电池梯次利用筛选方法，以解决现有技术所存在的传统接触式测量锂电池容量和内阻参数会对锂电池造成二次损耗及筛选效率低的问题。

为解决上述技术问题，本发明实施例提供一种锂电池梯次利用筛选方法，包括：

获取训练样本数据和训练样本标签；其中，所述训练样本数据为用于训练的样本锂电池的ct图像，所述训练样本标签包括：ct图像对应的标签信息，所述标签信息用于标识相应的用于训练的样本锂电池是否能够梯次利用；

根据获取的训练样本数据和训练样本标签对待训练的分类模型进行训练，得到训练后的分类模型；

获取待测锂电池的ct图像，将获取的待测锂电池的ct图像输入到训练后的分类模型中，由训练后的分类模型输出所述待测锂电池是否能够梯次利用。

进一步地，所述获取训练样本标签包括：

测量用于训练的样本锂电池的容量和内阻；

将容量低于第一预设阈值和内阻高于第二预设阈值的样本锂电池归类于不能梯次利用的锂电池，其他的样本锂电池归类于可梯次利用的锂电池。

进一步地，在根据获取的训练样本数据和训练样本标签对待训练的分类模型进行训练，得到训练后的分类模型之前，所述方法还包括：

对获取的训练样本数据进行图像处理，计算训练样本数据的对比度值作为特征值；

将计算得到的训练样本数据的特征值作为待确定的分类模型的输入。

进一步地，所述对比度值包括：每像素对比度、韦伯对比度、均方根对比度、迈克尔逊对比度。

进一步地，所述根据获取的训练样本数据和训练样本标签对待训练的分类模型进行训练，得到训练后的分类模型包括：

将计算得到的训练样本数据的特征值作为待确定的分类模型的输入、获取的训练样本标签作为待训练的分类模型的输出；

利用监督学习中的神经网络训练技术对待训练的分类模型进行训练，构建基于支持向量机算法的分类模型。

进一步地，所述训练后的分类模型为分类决策平面；

所述将获取的待测锂电池的ct图像输入到训练后的分类模型中，由训练后的分类模型输出所述待测锂电池的类别包括：

将获取的待测锂电池的ct图像输入到训练后的分类模型中，根据输入的待测锂电池的特征值位于分类决策平面的哪一侧，确定待测锂电池是否能够梯次利用。

进一步地，在根据获取的训练样本数据和训练样本标签对待训练的分类模型进行训练，得到训练后的分类模型之后，所述方法还包括：

获取测试样本数据和测试样本标签；其中，所述测试样本数据为用于测试的样本锂电池的ct图像，所述测试样本标签包括：ct图像对应的标签信息，所述标签信息用于标识相应的用于测试的样本锂电池是否能够梯次利用；

计算测试样本数据的对比度值作为特征值；

将计算得到的测试样本数据的特征值作为训练后的分类模型的输入；

将训练后的分类模型输出的预测标签与获取的相应的测试样本标签进行匹配验证。

进一步地，在用机器学习中的神经网络训练技术对待训练的分类模型进行训练，构建基于支持向量机算法的分类模型之后，所述方法还包括：

采用遗传算法，对支持向量机算法中的参数进行优化，其中，优化的参数包括：核函数参数和误差惩罚系数。

本发明的上述技术方案的有益效果如下：

上述方案中，获取训练样本数据和训练样本标签；其中，所述训练样本数据为用于训练的样本锂电池的ct图像，所述训练样本标签包括：ct图像对应的标签信息，所述标签信息用于标识相应的用于训练的样本锂电池是否能够梯次利用；根据获取的训练样本数据和训练样本标签对待训练的分类模型进行训练，得到训练后的分类模型；获取待测锂电池的ct图像，将获取的待测锂电池的ct图像输入到训练后的分类模型中，由训练后的分类模型输出所述待测锂电池是否能够梯次利用。这样，在确定锂电池是否可以被梯次利用时，只需要获取相应锂电池的ct图像，不需要获取锂电池电参数，从而克服了传统接触式测量锂电池电参数的不足，属于无损非接触式筛选方法，且这种筛选方法无需对锂电池进行充放电过程，缩短了筛选时间，也无需逐个检测锂电池的内阻，降低了人工成本、从而能够提高筛选效率。

附图说明

图1为本发明实施例提供的锂电池梯次利用筛选方法的流程示意图；

图2为本发明实施例提供的锂电池梯次利用筛选方法的详细流程示意图；

图3为本发明实施例提供的机器学习筛选方法的流程示意图；

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

本发明针对现有的传统接触式测量锂电池容量和内阻参数会对锂电池造成二次损耗及筛选效率低的问题，提供一种锂电池梯次利用筛选方法。

如图1所示，本发明实施例提供的锂电池梯次利用筛选方法，包括：

s101，获取训练样本数据和训练样本标签；其中，所述训练样本数据为用于训练的样本锂电池的计算机断层扫描(computedtomography，ct)图像，所述训练样本标签包括：ct图像对应的标签信息，所述标签信息用于标识相应的用于训练的样本锂电池是否能够梯次利用；

s102，根据获取的训练样本数据和训练样本标签对待训练的分类模型进行训练，得到训练后的分类模型；

s103，获取待测锂电池的ct图像，将获取的待测锂电池的ct图像输入到训练后的分类模型中，由训练后的分类模型输出所述待测锂电池是否能够梯次利用。

本发明实施例所述的锂电池梯次利用筛选方法，获取训练样本数据和训练样本标签；其中，所述训练样本数据为用于训练的样本锂电池的ct图像，所述训练样本标签包括：ct图像对应的标签信息，所述标签信息用于标识相应的用于训练的样本锂电池是否能够梯次利用；根据获取的训练样本数据和训练样本标签对待训练的分类模型进行训练，得到训练后的分类模型；获取待测锂电池的ct图像，将获取的待测锂电池的ct图像输入到训练后的分类模型中，由训练后的分类模型输出所述待测锂电池是否能够梯次利用。这样，在确定锂电池是否可以被梯次利用时，只需要获取相应锂电池的ct图像，不需要获取锂电池电参数，从而克服了传统接触式测量锂电池电参数的不足，属于无损非接触式筛选方法，且这种筛选方法无需对锂电池进行充放电过程，缩短了筛选时间，也无需逐个检测锂电池的内阻，降低了人工成本、从而能够提高筛选效率。

本实施例所述的锂电池梯次利用筛选方法作为一种快速高效、无损非接触式的新型筛选技术，具有潜在的商业化优势，适合企业的专业化回收与处理。

本实施例中，结合锂电池失效原因分析，可梯次利用的锂电池通常比废弃(不能梯次利用)的锂电池具有更清晰的内部结构，这种清晰的结构信息可以反映在锂电池的ct图像中。

本实施例中，为了得到分类模型，首先需获取训练样本数据和训练样本标签，其中，所述训练样本数据为用于训练的样本锂电池的ct图像，所述训练样本标签包括：ct图像对应的标签信息，所述标签信息用于标识相应的用于训练的样本锂电池是否能够梯次利用，用于标识样本锂电池是否能够梯次利用的标签信息，可以根据测量得到的样本锂电池的容量和内阻确定。

本实施例中，用于训练的样本锂电池包括但不限于：废旧锂电池，例如，也可是新的锂电池；本实施例中，以废旧锂电池为例对获取用于训练的样本锂电池的ct图像和获取用于训练的样本锂电池的标签信息的具体步骤进行说明：

收集一定数量废旧锂电池作为用于训练的样本锂电池，对这些锂电池采用光学扫描得到ct图像，得到的ct图像作为训练样本数据；同时测量出这些锂电池的内阻、容量等电参数，评价出每一个锂电池是否能够梯次利用作为机器学习时的训练样本标签。

机器学习分为监督学习和非监督学习两大类，本实施例中采用的是监督学习，监督学习需要训练样本数据和训练样本标签，使用的训练样本数据就是扫描废旧锂电池获得的ct图像；训练样本标签是指需要事先知道这些用于训练的样本锂电池是否能够梯次利用，这些是否能够梯次利用的信息被称为标签，在具体实施过程中，可以用-1表示锂电池不能梯次利用，1表示锂电池可梯次利用。这也是为何叫做监督学习，意思就是事先已经知道锂电池是否能够梯次利用，将训练样本数据作为待训练的分类模型的输入，训练样本标签作为待训练的分类模型的输出，用训练样本数据训练待训练的分类模型，然后再用训练好的分类模型，对不知道是否能够梯次利用的废旧锂电池进行分类。

在前述锂电池梯次利用筛选方法的具体实施方式中，进一步地，所述获取训练样本标签包括：

测量用于训练的样本锂电池的容量和内阻；

将容量低于第一预设阈值和内阻高于第二预设阈值的样本锂电池归类于不能梯次利用的锂电池，其他的样本锂电池归类于可梯次利用的锂电池。

本实施例中，传统的锂电池分类是对锂电池逐个进行测量内阻和容量，内阻和容量的测量都需要测量设备和锂电池直接接触，本实施例所述的锂电池梯次利用筛选方法只需要一定数量的训练样本数据(不需测量锂电池的容量和内阻信息)和训练样本标签(需测量锂电池的容量和内阻信息)来建立分类模型。

分类模型建立好后，不需要测量锂电池的容量和内阻信息就可以将废旧锂电池分类，从而克服了传统接触式测量锂电池电参数的不足，本实施例所述的锂电池梯次利用筛选方法属于无损非接触式筛选方法。

本实施例中，测量锂电池的容量和内阻信息，是为了得到用于训练的样本锂电池的标签信息，即:每幅ct图像对应的锂电池是否能够梯次利用。

本实施例中，例如，可以将容量低于10％和内阻高于200mω归类于不能梯次利用的锂电池，其他归类于可梯次利用的锂电池。

在前述锂电池梯次利用筛选方法的具体实施方式中，进一步地，在根据获取的训练样本数据和训练样本标签对待训练的分类模型进行训练，得到训练后的分类模型之前，所述方法还包括：

对获取的训练样本数据进行图像处理，计算训练样本数据的对比度值作为特征值；

将计算得到的训练样本数据的特征值作为待确定的分类模型的输入。

本实施例中，根据可梯次利用的和不能梯次利用的锂电池的ct图像的明显差别，可以对获取的用于训练的样本锂电池的ct图像进行处理，计算训练样本数据的对比度值作为特征值；将计算得到的训练样本数据的特征值作为待确定的分类模型的输入。

在前述锂电池梯次利用筛选方法的具体实施方式中，进一步地，所述对比度值包括：每像素对比度、韦伯对比度、均方根对比度、迈克尔逊对比度。

本实施例中，所述对比度值可以包括：每像素对比度、韦伯对比度、均方根对比度、迈克尔逊对比度，这些对比度值可以作为智能分类识别的特征向量。

在前述锂电池梯次利用筛选方法的具体实施方式中，进一步地，所述根据获取的训练样本数据和训练样本标签对待训练的分类模型进行训练，得到训练后的分类模型包括：

将计算得到的训练样本数据的特征值作为待确定的分类模型的输入、获取的训练样本标签作为待训练的分类模型的输出；

利用监督学习中的神经网络训练技术对待训练的分类模型进行训练，构建基于支持向量机算法的分类模型。

本实施例中，监督学习就是用已知是否能够梯次利用的训练样本数据去训练神经网络以此获得分类模型，具体的：依据支持向量机算法，将计算得到的训练样本数据的特征值作为待确定的分类模型的输入、获取的训练样本标签作为待训练的分类模型的输出，利用监督学习中的神经网络训练技术对待训练的分类模型进行训练，训练结束所得到的分类模型即为要求的分类模型。

本实施例中，采用监督学习的方法，利用计算机处理海量数据的学习能力和快速准确的计算能力，达到对废旧锂电池快速准确的筛选目的。

在前述锂电池梯次利用筛选方法的具体实施方式中，进一步地，所述训练后的分类模型为分类决策平面；

所述将获取的待测锂电池的ct图像输入到训练后的分类模型中，由训练后的分类模型输出所述待测锂电池的类别包括：

将获取的待测锂电池的ct图像输入到训练后的分类模型中，根据输入的待测锂电池的特征值位于分类决策平面的哪一侧，确定待测锂电池是否能够梯次利用。

本实施例中，所述训练后得到的分类模型本质上是一个分类决策平面，可以将待测锂电池按照否能够梯次利用分离开来，具体的：将获取的待测锂电池的ct图像输入到训练后的分类模型中，根据输入的待测锂电池的特征值位于分类决策平面的哪一侧，确定待测锂电池是否能够梯次利用。

在前述锂电池梯次利用筛选方法的具体实施方式中，进一步地，在根据获取的训练样本数据和训练样本标签对待训练的分类模型进行训练，得到训练后的分类模型之后，所述方法还包括：

获取测试样本数据和测试样本标签；其中，所述测试样本数据为用于测试的样本锂电池的ct图像，所述测试样本标签包括：ct图像对应的标签信息，所述标签信息用于标识相应的用于测试的样本锂电池是否能够梯次利用；

计算测试样本数据的对比度值作为特征值；

将计算得到的测试样本数据的特征值作为训练后的分类模型的输入；

将训练后的分类模型输出的预测标签与获取的相应的测试样本标签进行匹配验证。

本实施例中，用于测试的样本锂电池包括但不限于：废旧锂电池，例如，也可是新的锂电池。

在前述锂电池梯次利用筛选方法的具体实施方式中，进一步地，在用机器学习中的神经网络训练技术对待训练的分类模型进行训练，构建基于支持向量机算法的分类模型之后，所述方法还包括：

采用遗传算法，对支持向量机算法中的参数进行优化，其中，优化的参数包括：核函数参数和误差惩罚系数。

本实施例中，还可以对得到的分类模型的参数进行优化，具体的：采用遗传算法，对支持向量机算法中的核函数参数和误差惩罚系数进行优化，提高筛选分类的准确率，使得分类模型的识别率可以接近90％。

为了更好地理解本发明实施例所述的锂电池梯次利用筛选方法，对本发明实施例所述的锂电池梯次利用筛选方法进行详细说明，如图2和图3所示，本发明实施例所述的锂电池梯次利用筛选方法具体可以包括以下步骤：

步骤1、获取样本数据(训练样本数据和测试样本数据)和样本标签(训练样本标签和测试样本标签)：

1.收集200个不同厂家的18650型号废旧锂电池作为样本锂电池，用光学扫描设备获取每一个锂电池的ct图像，得到200个锂电池的ct图像作为样本数据。

2.逐个测量这200个锂电池的容量、内阻参数，将容量低于10％和内阻高于200mω的锂电池记录为不能梯次利用的锂电池，用-1表示，其他记录为可梯次利用的锂电池，用1表示，得到样本标签。

步骤2、对得到的ct图像进行处理，提取特征值信息：

1.ct图像预处理：

由于机器只能对数据进行操作，因此，扫描得到的ct图像是无法直接作为机器识别的内容，只能选取ct图像的某些特征信息，被称为特征值。由于特征值的计算需要对图像像素矩阵进行计算，而获得的ct图像可能具有不同程度的白色背景，会对计算造成很大干扰。因此在使用过程中首先需要去除干扰，即去除大片的白色背景，也就是说，要将ct图像的白色背景裁切掉，以便于计算特征值的进行。

裁剪白色背景的程序流程如下：

ct图像是按照矩阵形式存放的，矩阵中的每一个数据记录图像中该点的像素，可以通过matlab软件获取ct图像的灰度值矩阵即读取图像，在matlab软件中寻找ct图像的边界，记录边界处像素点位置信息，确定裁剪边界，使用裁剪函数完成。

2.计算特征值：

可梯次利用的锂电池通常比不能梯次利用的锂电池具有更清晰的内部结构，而对比度是衡量灰度图像清晰度的主要参数。目前对于灰度图像对比度的定义存在不同方法，可以选用多种不同方法定义下的对比度作为特征值，如图3所示，本实施例中采用的对比度包括：每像素对比度、韦伯对比度、均方根对比度、迈克尔逊对比度。

接着，对不同方法定义下的对比度进行说明：

(1)每像素对比度cpp

每像素对比度定义为当前像素和一个相邻像素环之间的累计强度差异：

其中，i＝1:m，j＝1:n；m、n为ct图像灰度图像矩阵大小；i(i，j)为第i行第j列像素的灰度值。

在或的边界情况下，跳过i(x，y)的计算。

整个图像的平均cpp是

(2)韦伯对比度cw

韦伯对比度被定义为：

其中，ib是背景的强度值，在本实施例中背景为白色，故ib等于255。由于ib总是大于或等于i(i，j)，因此|i(i,j)-ib|可以由ib-i(i,j)替代。

整幅图像的韦伯对比度为：

(3)迈克尔逊对比度cm

将迈克尔逊对比度定义为:

其中，imax(i,j)＝argmaxx∈[i-1,i+1],y∈[j-1,j+1]i(x,y)

imin(x,y)＝argminx∈[i-1,i+1],y∈[j-1,j+1]i(x,y)

整个图像的平均迈克尔逊对比度为：

(4)均方根对比度定义为：

其中，

计算特征值的程序流程如下：

读取ct灰度图像矩阵，按照不同对比度定义编写对比度计算程序，对样本锂电池的每一幅图像按照上面4个对比度定义求取出4个特征值，存放在excel表格中；并用1、-1表示样本标签，其中，1表示可梯次利用的锂电池，-1表示不能梯次利用的锂电池，将样本数据的样本标签信息存放在excel表格中；这样，一个锂电池就得到一组对应的记录：4个对比度参数和标签信息。

步骤3、使用matlab根据支持向量机理论编写支持向量机算法程序，用其中150个作为训练分类模型的训练样本数据和训练样本标签，从excel表格数据中读取这150个所对应的对比度参数和标签信息，对分类模型进行训练，得到训练后的分类模型。

步骤4、用剩下的50个作为测试分类模型的测试样本数据和测试样本标签，测试训练后得到的分类模型，通过训练后得到的分类模型输出这50个锂电池的预测标签；由于事先知道这50个锂电池的真实标签(即：测试样本标签)，将预测标签和真实标签进行匹配，根据匹配程度得到分类识别率；如果，此时正确预测40幅图像的标签，则此分类模型的分类识别率为80％。

步骤5、对支持向量机算法中的参数进行优化，提高分类识别效果。

支持向量机算法分类效果主要取决于核函数参数gama即γ和误差惩罚系数cost即c，寻找最优参数可以大幅提高分类模型效果。采用遗传算法对支持向量机中的gama和cost参数进行优化。程序流程如下：

1)初始化支持向量机(supportvectormachine，svm)的参数，影响支持向量机分类效果的参数主要有两个，即核函数参数gamma简称γ，以及误差惩罚系数cost，简称c，确定遗传算法的初始群体，群体数量可以选取100，对支持向量机需要优化的两个参数(γ和c)进行二进制编码得到初始的100个群体，其中，二进制编码码串的长度根据要搜索的svm参数的范围与精度来确定；

2)设定遗传算法的参数，初始代数，初始交叉概率，初始变异概率，最大遗传代数等；

3)将初始群体解码后送入svm进行训练并计算个体的适应度，适应度函数采用svm分类的正确率；

4)应用最优保存策略，在进行遗传操作之前先把适应度(正确率)最高的个体保存下来，以防止优秀基因因遗传算子操作而丢失，记录最差个体的序号index；

5)对上述的初始群体进行遗传操作，具体的：选择算子采用赌轮选择法，交叉算子采用单点交叉，经过遗传算子操作产生新群体，并用4)保存的适应度(正确率)最高的个体替换序号为index的新个体，并最终产生新的群体，然后返回3)进行训练；

6)检查是否满足算法终止条件：由于分类正确率(适应度)本身就是要搜索的结果，很难作为终止条件，但是当连续几代最优个体的适应度接近相等时则认为种群不能再进化，算法终止；或者把设定的最大遗传代数作为算法的终止条件，当满足上述两个条件中的任何一个时，则自动终止算法。优化以后的分类模型识别率可以接近90％。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。