识别异常电池的方法与流程

1.本发明涉及电池生产制造领域，尤其是一种识别异常电池的方法。


背景技术：

2.在电池的生产过程中，需要对电池进行化成分容，即对电池按照指定的工艺进行规定的充放电步骤，以将其内部正负极物质激活，改善电池的充放电性能及自放电、储存等综合性能。在化成分容环节，若存在不符合标准的异常电池，则容易引起电池鼓胀甚至引发火灾。
3.现有技术中通过设定各类保护(如过压保护、欠压保护、过温保护、过流保护等)来防止出现电池鼓胀，甚至出现火灾的情况。各类保护预先设定有保护阈值，当电池的对应参数超过设定的保护阈值时，则会自动暂停电池的充放电并提示报警。但由于各类保护所设定的保护阈值为一固定值，无法在针对充放电环节中不同的时间段调节该保护阈值以在第一时间识别出异常电池，因而可能存在保护动作滞后的情况，其时效性与安全性较低。


技术实现要素：

4.为了解决上述化成分容环节，异常电池容易引起电池鼓胀甚至引发火灾的问题，本发明的目的是提供一种识别异常电池的方法，该方法能够及时识别出异常电池，从而避免后续情况的发生。
5.为了达到上述的目的，本发明提供以下技术方案：一种识别异常电池的方法，该方法适用于在电池的化成分容工艺环节，所述的方法包括以下步骤：
6.s1、判断被测电池种类；若为第一类电池，则进入步骤s2；若为第二类电池，则进入步骤s3；其中，所述的第一类电池为新生产的制造工艺相同的电池，所述的第二类电池为已使用过的回收电池；
7.s2、对比所述被测电池若干特征量的值与若干所述特征量在所处时间段分别对应的上阈值和下阈值，若至少一个所述特征量的值大于其对应的所述上阈值或小于其对应的所述下阈值，则所述的被测电池为异常电池；
8.s3、通过所处时间段对应的神经网络判断所述的被测电池是否为异常电池；
9.其中，步骤s2和步骤s3均在所述的被测电池处于充放电时进行，所述的方法将电池的充放电过程划分成时间间隔相同的若干时间段。
10.在上述的技术方案中，优选地，所述的特征量包括所述被测电池的电压、电流、电流变化率以及温度中的至少一个。
11.在上述的技术方案中，优选地，所述的时间间隔不大于10分钟，每个所述的时间段均至少测量一次所述被测电池的若干特征量并至少执行一次步骤s2或步骤s3。
12.在上述的技术方案中，优选地，所述的步骤s1判断依据为电池的生产工艺与已使用时长。
13.在上述的技术方案中，优选地，所述上阈值和所述下阈值的具体生成步骤如下：
14.s21、收集若干全新的同型号电池在充放电过程中各个时间段所述特征量的值；
15.s22、基于所收集的值生成特征曲线；
16.s23、从所述的特征曲线中剔除异常曲线；
17.s24、基于剩余的所述特征曲线生成上限曲线和下限曲线；
18.其中，所述特征曲线、所述上限曲线以及所述下限曲线的横坐标均为时间，纵坐标均为所述特征量的值，所述的上限曲线在一时间段的值即为与所述上限曲线相对应的所述特征量在该时间段的所述上阈值，所述的下限曲线在一时间段的值即为与所述下限曲线相对应的所述特征量在此时间段的所述下阈值。还可以进一步优选地，所述的步骤s23中剔除异常曲线的方法如下：对若干所述特征曲线在各个所述时间段的值进行格拉布斯准则测试，若测试识别出异常值，则剔除该异常值所属的所述特征曲线。
19.在上述的技术方案中，优选地，每个所述的时间段均具有一个对应的所述神经网络。
20.在上述的技术方案中，优选地，所述的神经网络为一双隐层神经网络。
21.在上述的优选方案张，进一步优选地，所述神经网络的输入层具有4个特征量，所述的4个特征量分别对应所述被测电池的电压x1、电流x2、电流变化率x3以及温度x4。还可以进一步优选地，所述神经网络的第一隐藏层感知公式为：
[0022][0023]
第二隐藏层感知公式为：
[0024][0025]
输出层感知公式为：
[0026][0027]
其中，各个字符定义如下：第一隐藏层中第i个感知器的值，g、激励函数，x
j
至第一隐藏层中第i个感知器的权重，第一隐藏层中第i个感知器的偏置值，第二隐藏层中第i个感知器的值，至第二隐藏层第i个感知器的权重，第二隐藏层中第i个感知器的偏置值，输出层中第i个感知器的值，至输出层第i个感知器的权重，输入层中第i个感知器的偏置值。还可以进一步优选地，所述的激励函数g为双曲正切函数，其公式为：
[0028][0029]
在上述的优选方案中，进一步优选地，所述输出层的感知器数量为1个，其输出结果用于表示所述被测电池为正常电池或异常电池。
[0030]
在上述的技术方案中，进一步优选地，所述的方法还包括以下步骤：
[0031]
s4、若所述的被测电池为异常电池，则停止对所述的被测电池进行充放电作业并发出报警。
[0032]
相较于现有技术，本发明所提供的方法能够产生以下有益效果：1、本发明能够实时监控电池，并根据电池的特征量在各个时间段的特点，在出现电池鼓胀，甚至是火灾之前就识别出异常电池，大大提高了异常电池识别的时效性以及降低电池生产的风险。2、在识别出异常电池之后，单独停止该电池的充放电作业，不影响其它正常电池的生产，提供了电池的生产效率。3、提前停止异常电池的充放电作业能够节省电能，特别是在对异常电池较多的回收电池进行充放电时。
附图说明
[0033]
图1为本发明所提供的用于识别异常电池的方法流程图；
[0034]
图2为本发明所提供的用于获取上阈值和下阈值的方法流程图；
[0035]
图3为本发明所提供的一个实际应用本方法的范例；
[0036]
图4为本发明所提供的神经网络的示意图。
具体实施方式
[0037]
为详细说明发明的技术内容、构造特征、所达成目的及功效，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。在下面的描述中，出于解释的目的，阐述了许多具体细节以提供对发明的各种示例性实施例或实施方式的详细说明。然而，各种示例性实施例也可以在没有这些具体细节或者在一个或更多个等同布置的情况下实施。此外，各种示例性实施例可以不同，但不必是排他的。例如，在不脱离发明构思的情况下，可以在另一示例性实施例中使用或实现示例性实施例的具体形状、构造和特性。
[0038]
本文中的术语“特征量”是指能够反应化成分容阶段电池的物理特性和化学特性的量，诸如：电压、电流、容量、电压变化率、温度等。
[0039]
图1示出了本发明所提供的一种识别异常电池的方法，该方法适用于在电池生产的化成分容阶段识别出异常电池，以防止异常电池在充放电过程中发生电池鼓胀甚至发生火灾。本发明所提供的方法包括以下步骤：
[0040]
s1、判断被测电池类；若为第一类电池，则进入步骤s2；若为第二类电池，则进入步骤s3。
[0041]
其中，步骤s1判断依据为电池的生产工艺与已使用时长。新生产的制造工艺相同的电池(可以是基于相同工艺方法制造的同一批次或多个批次、规格相同的电池)物理性能稳定，电池在充放电过程中的特征量曲线拟合度高，因此可以通过电池在充放电过程中的特征量曲线来识别异常电池。同时，新生产电池中的异常电池的数量较少，无法提供足够的数据支撑起神经网络的准确度，因此不适于用神经网络进行识别异常电池。而已使用过回收电池物理性能差异较大即物理性能的一致性比较差，同型号电池在充放电过程中的特征量曲线拟合度较低，不适用特征量曲线的方法进行判断。同时，已使用过的回收电池中异常电池的数量较多，可提供足够的样本数据供神经网络学习，因此可以通过神经网络来识别出已使用过的回收电池中的异常电池。在实际实现时，步骤s1可以通过人工进行判断，也可
以通过测量被测电池电量、容量等方法进行机器判断。
[0042]
本例中，第一类电池为新生产的制造工艺相同的电池，第二类电池为使用过的回收电池。
[0043]
s2、对比被测电池的若干特征量的值与若干特征量在所处时间段分别对应的上阈值和下阈值进行识别，若至少一个特征量的值大于其对应的上阈值或小于其对应的下阈值，则为异常电池。
[0044]
其中，本方法将电池的充放电过程以相同的时间间隔划分成若干时间段，每个时间间隔不大于10分钟，每个时间段至少测量一次特征量的值并至少判断执行一次步骤s2。在实际实现中，时间间隔越小，时间段越多，每个时间段执行步骤s2的次数越多，则所取得的数据越接近真实情况，识别异常电池的时效性与灵敏性变越高。
[0045]
特征量包括电压、电流、温度以及功率等。在实际实现时，可以根据服务器的性能来设置采样的特征量个数，特征量个数越多，则生成的特征曲线越多，识别异常电池的时效性与灵敏性变越高。
[0046]
如图2所示，特征量对应的上阈值和下阈值生成步骤如下：
[0047]
s21、收集若干同型号电池在充放电过程中各个时间段特征量的值。
[0048]
s22、基于所收集的值生成特征曲线。
[0049]
s23、从所生成的特征曲线中剔除异常曲线。
[0050]
异常曲线即异常电池所生成的特征曲线，表现在与大部分的特征曲线均存在一个较大的偏离。剔除异常曲线的方法如下：对若干特征曲线在各个时间段的值进行格拉布斯准则测试，若测试识别出异常值，则剔除该异常值所属的所述特征曲线。在其它实施例中，剔除异常曲线也可采用拉依达准则测试或者人工进行剔除。
[0051]
s24、基于剩余的特征曲线生成该特征量的上限曲线和下限曲线。
[0052]
其中，上限曲线由剩余的各个特征曲线在各时间段上的最高值增加一个正的偏置值所形成，同理地，下限曲线由剩余的各个特征曲线在各时间点上的最低值增加一个负的偏置值所形成。上限曲线和下限曲线的偏置值均可由人工设定并可调整，以适应不同厂家、不同标准或不同类型的电池。
[0053]
图3示出了步骤s2实际应用的一个范例，该范例中所选取的特征量为电池电压。由该图中可见，异常电池的电压值在第47分钟时超过该时间段所对应的上阈值，图中表现为在第47分钟时，异常电池的电压曲线与电压的上限曲线发生交叉，由此可在47分钟时变识别出异常电池，相比之下，若采用固定保护阈值的方法，图3中的异常电池需要到210分钟左右才能是识别出来。由此可说明本方法能够极大提高识别异常电池的时效性和有效地，以避免后续出现电池鼓胀，甚至火灾的情况。
[0054]
s3、通过目前时间段对应的神经网络判断被测电池是否为异常电池。
[0055]
通过神经网络判断异常电池在需要通过收集大量样本，在训练样本的过程中减少误判，以提高神经网络判断的准确度。在实际实现时，当训练出来的函数误判率小于5％的时候，将此训练出的函数作为判断异常电池的神经网络。该神经网络的输出结果用于表示所述被测电池为正常电池或异常电池。
[0056]
图4示意本发明所提供的神经网络，该神经网络为一双隐藏层神经网络。该神经网络的输入层输入被测电池的特征量，为了防止过拟合，输入的特征量个数不宜过多，经过对
比，输入的特征量为电压、电流、电流变化率以及温度这四个时效果较好。其中，各个时间段均具有一对应的神经网络，其对应的神经网络由特征量在该时间段的值训练而成。
[0057]
以电压、电流、电流变化率和温度分别为x1、x2、x3与x4，可以写出每一层每个感知器的公式：
[0058]
第一层：
[0059][0060]
第二层：
[0061][0062]
输出层：
[0063][0064]
本例中采用双曲正切函数作为激励函数，其函数公式如下：
[0065][0066]
各个字符定义如下：第一隐藏层中第i个感知器的值，g、激励函数，x
j
至第一隐藏层中第i个感知器的权重，第一隐藏层中第i个感知器的偏置值，第二隐藏层中第i个感知器的值，至第二隐藏层第i个感知器的权重，第二隐藏层中第i个感知器的偏置值，输出层中第i个感知器的值，至输出层第i个感知器的权重，输入层中第i个感知器的偏置值。其中，输出层的感知器个数为1，用于表示被测电池为正常电池或异常电池。
[0067]
经过实际测试后发现，第一层感知器个数不少于5个，第二层感知器个数不少于3个时效果较好。
[0068]
s4、若被测电池为异常电池，则停止对该电池进行充放电作业。
[0069]
中断异常电池的充放电过程，防止其出现电池鼓胀，甚至引发火灾的情况。期间，其余正常电池继续充放电过程，由此可不中断电池的生产。以此同时，停止对异常电池充放电能够节约用电量，进一步降低电池生产的成本。
[0070]
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，本发明要求保护范围由所附的权利要求书、说明书及其等效物界定。