一种基于退役锂电池梯次利用的高效分选的方法和装置与流程

本发明涉及锂电池，具体为一种基于退役锂电池梯次利用的高效分选的方法和装置。

背景技术：

1、锂电池是一种广泛应用于移动设备、电动车辆、储能系统等领域的充电式电池，它采用锂离子在正负极之间的迁移来存储和释放电能。退役锂电池梯次利用是目前研究的热点之一，梯次利用是指将不再适用于原先用途的退役锂电池，在经过一系列处理和分选后，以不同的方式再利用。这种利用方式可以最大程度地延长退役锂电池的寿命，并有效减少对环境的负荷。在这个过程中，高效分选是非常重要的一步，现有的电池分选大多都是通过人工将对电池进行分选。

2、人工分选需要大量人工投入，对操作人员的体力和精力要求较高，劳动强度较大，易造成人员疲劳和错误操作，且人工分选的分类效率较低，速度慢，不能满足大规模处理的需求，导致资源利用效率低下，操作人员的经验和技能水平差异较大，可能导致分类准确性不高，出现错误分类的情况。

技术实现思路

1、(一)解决的技术问题

2、针对现有技术的不足，本发明提供了一种基于退役锂电池梯次利用的高效分选的方法和装置，解决了人工分选的分类效率较低的问题。

3、(二)技术方案

4、为实现以上目的，本发明通过以下技术方案予以实现：一种基于退役锂电池梯次利用的高效分选的装置，包括固定箱，所述固定箱上表面一端设置有连接箱，所述连接箱内设置有筛选机构，所述筛选机构下方设置有集料斗，所述集料斗与连接箱固定连接，所述集料斗下端固定连接有导料管；所述固定箱内设置有两个筛分辊，两个所述筛分辊两端分别与固定箱固定连接，所述筛分辊下方均匀设置有若干盛料抽屉。

5、通过上述技术方案，两根筛分辊之间的间距由小变大，锂电池从两根筛分辊的一端滑下，根据型号的不同依次从两根筛分辊之间的间距掉进相应的盛料抽屉内，从而完成锂电池更加细致的筛分。

6、优选的，所述固定箱与连接箱固定连接，若干所述盛料抽屉与固定箱滑动连接，若干所述盛料抽屉一侧分别固定连接有把手，两个所述筛分辊呈倾斜设置。

7、通过上述技术方案，避免不同型号锂电池的混淆和混合，方便工作人员后续的处理和管理，筛分效率更高，且筛分准确性更高。

8、优选的，所述筛选机构包括与连接箱滑动连接的连接板，所述连接板上表面四角位置分别固定连接有连接杆，所述连接杆远离连接板一端与第一筛料板固定连接，所述第一筛料板上表面设置有第二筛料板，所述第二筛料板与第一筛料板上均开设有落料孔。

9、通过上述技术方案，改变第二筛料板与第一筛料板上落料孔的大小，能够根据所需筛分的锂电池规格大小调节落料孔的落料尺寸。

10、优选的，所述第二筛料板与第一筛料板之间滑动连接，所述第一筛料板两侧对称设置有齿条，所述齿条与第一筛料板固定连接，两个所述齿条上分别设置有齿轮，所述齿轮与齿条之间啮合传动。

11、优选的，所述齿轮一端与第一驱动电机输出端固定连接，所述第一驱动电机与固定块固定连接，所述固定块一端与第二筛料板固定连接，所述齿轮远离第一驱动电机一端与连接柱转动连接。

12、通过上述技术方案，第一驱动电机输出端带动齿轮转动，齿轮与齿条传动，齿轮通过固定块带动第二筛料板沿着滑行槽的方向滑动，使得第二筛料板沿着第一筛料板滑动。

13、优选的，所述第一筛料板上开设有滑行槽，所述滑行槽内滑动连接有滑块，所述滑块与连接柱远离齿轮一端固定连接。

14、优选的，所述连接箱内壁两侧对称固定连接有连接块，两个所述连接块上端均设置有弹簧，两个所述弹簧两端分别与连接块和连接板下端固定连接，所述连接板下端对称固定连接有连接座，两个所述连接座上转动连接有滚轮。

15、优选的，所述连接箱内贯穿转动连接有连接轴，所述连接轴上固定连接有两个偏心轮，两个所述偏心轮分别与两个滚轮相互之间滚动配合，所述连接轴一端与第二驱动电机输出端固定连接，所述第二驱动电机与连接箱一侧固定连接。

16、通过上述技术方案，第二驱动电机输出端带动连接轴转动，连接轴带动轴上的若干偏心轮与连接板下端的滚轮相互配合从而带动筛选机构上下振动促进锂电池的筛分。

17、优选的，所述连接箱上端固定连接有进料管，所述连接箱一侧设置有箱门，所述箱门与连接箱转动连接，所述箱门上设置有观察窗，所述观察窗一侧开设有提手槽，所述观察窗为透明玻璃所制成。

18、一种基于退役锂电池梯次利用的高效分选的方法，包括以下具体步骤：

19、s1、启动第一驱动电机，第一驱动电机输出端带动齿轮转动，齿轮与齿条传动，齿轮通过固定块带动第二筛料板沿着滑行槽的方向滑动，使得第二筛料板沿着第一筛料板滑动，通过改变第二筛料板与第一筛料板重合的位置，从而改变第二筛料板与第一筛料板上落料孔的大小，能够根据所需筛分的锂电池规格大小调节落料孔的落料尺寸；

20、s2、将待分选的退役锂电池从进料管投放进入连接箱，启动第二驱动电机，第二驱动电机输出端带动连接轴转动，连接轴带动轴上的若干偏心轮与连接板下端的滚轮相互配合从而带动筛选机构上下振动促进锂电池的筛分；

21、s3、经过一次筛分过后的锂电池经过集料斗的收集依次从导料管内掉落至固定箱内的筛分辊上，两根筛分辊之间的间距由小变大，锂电池从两根筛分辊的一端滑下，根据型号的不同依次从两根筛分辊之间的间距掉进相应的盛料抽屉内，从而完成锂电池更加细致的筛分。

22、进一步，针对分选前的锂电池，采用传感器检测退役锂电池的属性，包括尺寸大小、外观均匀度和完整性、重量、能量密度和电池容量，计算单元将根据传感器的数据传输给控制器，执行机器学习算法来自动调整筛选参数，通过调节筛选机构(3)以实现更有效的筛选过程；具体包括以下步骤：

23、步骤1，在筛选过程中，使用视觉传感器、称重传感器、电池检测设备来获取锂电池的各种属性数据，包括尺寸大小、外观均匀度和完整性、重量、能量密度和电池容量；

24、步骤2，对收集到的数据进行预处理，根据锂电池的最终筛选结果，对数据进行标注，标明哪些锂电池是合格的，哪些是不合格的；

25、步骤3，从传感器数据中提取有关锂电池的相关特征，包括尺寸大小、外观均匀度和完整性、重量、能量能量密度和电池容量的特征，这些特征将作为机器学习算法的输入；

26、步骤4，选择改进的回归随机森林算法，根据传感器数据来预测锂电池的质量和适合的筛选参数；

27、假设有一个数据集，包括锂电池的尺寸大小、外观均匀度和完整性、重量、能量密度和电池容量特征，以及每个电池的质量标签，将已经训练了一个回归模型和一个随机森林模型，分别得到它们的预测结果：

28、假设随机森林模型的预测结果为y^random forest；回归模型的预测结果为y^linear regression，前者代表预测电池内部质量的筛选，后者代表锂电池的外部质量筛选估计；使用堆叠方法将这两个模型的输出作为输入，使用线性回归模型来组合它们，最终的预测结果为y^final；

29、为每个模型分配权重w1和w2，w1和w2为介于0-1的数值，由于后面分拣过程中能量密度和电池容量因素影响更大，在随机森林模型中将能量密度和电池容量作为优化重点，w1赋值相应的调高，然后通过加权平均得出最终的预测结果，表示为：

30、y^final＝w1·y^random forest+w2·y^linear regression

31、采用改进结构的随机森林模型进行优化：

32、模型选择和训练：使用random forest classifier类从scikit-learn库导入随机森林分类器，通过random forest classifier(n_estimators＝n)创建了一个包含n颗决策树的随机森林模型，这里的n_estimators参数指定了随机森林中树的数量，根据需要设置不同的参数值；使用rf_model.fit(x_train，y_train)对训练数据x_train和标签y_train进行拟合，训练了随机森林模型；rf_model是一个随机森林模型的实例，fit是机器学习中用于拟合(训练)模型的方法；

33、提取第一颗树的结构：使用export_text函数从scikit-learn的tree模块中导入，该函数允许您提取单个决策树的结构信息，export_text(rf_model.estimators_[0]，feature_names＝feature_names)提取了随机森林中的第一颗树的结构信息，rf_model.estimators_[0]表示随机森林中的第一颗决策树，而feature_names是特征的名称列表；export_text是一个用于将决策树结构转化为文本格式的函数；

34、打印树的结构：最后，使用print(tree_structure)将第一颗决策树的结构信息以文本形式打印到屏幕上，以便查看该树的分裂规则和节点结构；

35、决策树的结构：

36、feature_0和feature_1是两个特征，用于描述电池的能量密度和电池容量属性；

37、决策树的每个节点表示一个特征条件，比较了相应的特征值，在这里，有两个特征条件：feature_0和feature_1；

38、feature_0代表电池的能量密度，数值范围是从0到1，反映能量密度程度大小，其中0表示小能量密度电池，1表示大能量密度电池；

39、feature_1代表电池的电池容量，数值范围是从0到5，反映电池容量程度大小，其中0表示小容量电池，5表示大容量电池；

40、此时，y^random forest＝q1*feature_0+q2*feature_1，其中q1和q2为0-1的权重，根据需要设置；

41、feature_0＜＝0.5意味着小能量密度的电池；

42、feature_0＞0.5意味着大能量密度的电池；

43、feature_1＜＝1.5意味着低电池容量电池；

44、1.5＜feature_1＜＝2.5意味着中等电池容量的电池；

45、feature_1＞2.5意味着大电池容量电池；

46、树的根节点从feature_0开始，检查它是否小于或等于0.5，如果是，它转向左子树，否则转向右子树；

47、左子树进一步检查feature_1是否小于或等于1.5，如果是，它预测类别[1.0，0.0]，这表示在这个条件下，模型将数据点分类为类别1的概率较高；

48、如果左子树中feature_1大于1.5且小于等于2.5，那么它预测类别[0.0，1.0]，表示在这个条件下，模型将数据点分类为类别2的概率较高；

49、最后，如果右子树中feature_1大于2.5，那么它预测类别[0.0，1.0]，表示在这个条件下，模型将数据点分类为类别2的概率较高；

50、这个决策树的结构可以用于分类，通过按照树的分支条件从根节点开始，最终到达一个叶子节点，可以确定数据点属于哪个类别，在本发明中，类别是二元的，[1.0，0.0]表示类别1的概率较高，[0.0，1.0]表示类别2的概率较高；类别1表示″质量差″，类别2表示″质量好″；使用print(tree_structure)将第一颗决策树的结构信息以文本形式打印到屏幕上，以便查看该树的分裂规则和节点结构；

51、单个决策树的预测是通过树的结构和规则来解释的，每棵树都是由一系列分支节点和叶子节点组成，每个分支节点包含一个特征和一个条件规则，当数据点通过树时，它会根据条件规则在树的分支中前进，直到到达一个叶子节点，叶子节点包含预测值；

52、模型假设：线性回归模型的基本假设是，预测结果是特征的线性组合，即：

53、y^linear regression＝θ0+θ1·尺寸+θ2·电池表面完整性+θ3·重量+θ4·电池表面均匀度，其中θ0截距项，θ0，θ1，θ2，θ3，θ4是特征的权重，由特征重要性权重决定；

54、损失函数：定义一个损失函数，通常是平方误差(mean squared error)，来衡量模型的预测值与真实值之间的差距：其中，n是样本数量，y^i是模型的预测值，yi是对应的真实值；

55、最小化损失函数：通过最小化损失函数，找到最优的参数θ0，θ1，θ2，θ3，θ4，以使损失函数最小化。这通常使用梯度下降等优化算法来完成；

56、最终预测：一旦得到最优的参数就可以使用这些参数来进行预测，得到y^linearregression；该模型通过视觉检测电池完整度有无损坏和重量判断电池质量好坏；

57、最后根据公式y^final＝w1·y^linear regression+w2·y^random forest，经过回归算法和随机森林算法综合得出电池质量的分选，质量好的电池将按照规格进行分拣，质量不达标的电池将进一步回收和处理。

58、步骤5，使用标注数据集对所选的机器学习模型进行训练，以使其能够自动推断锂电池属性和筛选参数之间的关系，在筛选过程中，通过传感器实时获取锂电池的数据，并将其输入到已训练的机器学习模型中，以获得关于锂电池质量和筛选参数的实时预测，根据机器学习模型的实时预测结果，调整筛选参数，包括筛孔大小、振动频率和幅度，以实现更精确的筛选。

59、(三)有益效果

60、本发明提供了一种基于退役锂电池梯次利用的高效分选的方法和装置。

61、具备以下有益效果：

62、1、本发明通过齿轮与齿条传动，齿轮通过固定块带动第二筛料板沿着滑行槽的方向滑动，使得第二筛料板沿着第一筛料板滑动，通过改变第二筛料板与第一筛料板重合的位置，从而改变第二筛料板与第一筛料板上落料孔的大小，工作人员能够根据所需筛分的锂电池规格大小调节落料孔的落料尺寸。

63、2、本发明通过两根筛分辊之间的间距由小变大，锂电池从两根筛分辊的一端滑下，根据型号的不同依次从两根筛分辊之间的间距掉进相应的盛料抽屉内，从而完成锂电池更加细致的筛分，可以将其精确分类并使其落入相应的盛料抽屉，这样可以避免不同型号锂电池的混淆和混合，方便工作人员后续的处理和管理，筛分效率更高，且筛分准确性更高。

64、3、本发明采用的回归随机森林算法通过智能控制系统，传感器可以实时监测电池的属性，计算单元可以自动调整筛选参数，以确保只有合格的电池被保留，从而提高筛选过程的质量和效率。智能系统的引入减少了人工干预的需求，降低了人工错误的风险，提高了一致性和准确性。对于不合格的电池，可以采取适当的回收和处置措施，有助于减少环境污染和资源浪费。自动化筛选过程可以节省人力和时间成本，并提高资源利用效率。