一种电化学储能电池故障的在线检测方法及装置与流程

1.本发明涉及电池故障检测技术领域，具体涉及一种电化学储能电池故障的在线检测方法及装置。


背景技术：

2.当前对于运行状态下的储能电池的故障检测，大多数是通过对电芯、模组等的电流、电压、温度、soc(荷电状态)、soh(蓄电池容量、健康度和性能状态)等通过传感器监测、计算得到的一些外部特性变量去间接反映电池的实际状态，然而各类外部特性的监测量并不能很好地表征电池内部材料变化、电池结构异常等特点，无法对这类异常情况进行预测判断和提早预防，而且当前离线电池的检测方式无法实际反应电池在运行状态下内部机理和结构的各种变化特征，没有充分发挥电池检测技术的实际应用价值。
3.当前储能电池的故障检测具体存在以下不足：只考虑了在离线状态下将电池拿到实验室进行x射线故障检测分析，没有考虑电池实际的运行状态下的情况；常规电化学储能系统在运行状态下只能通过外部电流、电压等外部特性去检测电池故障，没有办法考虑电池实际内部结构以及外部特性体现不了的故障因素；无法直接直观地看到电化学储能集装箱内运行电池内部的实际情况和内部结构的变化。


技术实现要素：

4.因此，本发明要解决的技术问题在于克服当前电化学储能集装箱内电池故障检测大多基于电流、电压、温度等电池外部特性监测量进行评判分析，无法清晰直观地对运行电池的内部结构变化特征进行显示和分析，从而导致好多电池内部故障无法提早发现和处理缺陷，从而提供一种电化学储能电池故障的在线检测方法及装置。
5.本发明实施例提供了一种电化学储能电池故障的在线检测方法，包括：
6.采集电池x射线图像数据，对电池x射线图像数据进行分析，生成电池状态标签；
7.将电池x射线图像数据与电池状态标签输入初始机器学习模型中进行训练，生成x射线成像检测模型；
8.获取电池状态标签对应的充放电外部特性数据，将电池状态标签与充放电外部特性数据输入x射线成像检测模型中进行训练，生成电池故障状态检测模型；
9.利用电池故障状态检测模型对当前电池运行故障进行检测，生成电化学储能电池故障检测结果。
10.本发明提供的一种电化学储能电池故障的在线检测方法，通过电池x射线图像数据与充放电外部特性数据的结合分析，确保了电池故障检测的内外机理耦合，使得分析结果更为直观准确，并利用电池故障状态检测模型实现故障检测的自动化智能分析，通过电池x射线图像数据反映电池内部特征，从电池内部特征变化出发，将原本的静态离线检测技术用于在线动态检测，在一定程度上提升了电化学储能系统运行状态下电池故障检测分析的直观度和准确度。
11.可选地，对电池x射线图像数据进行分析，生成电池状态标签，包括：
12.将电池x射线图像数据进行图像处理，生成处理后的x射线图像数据；
13.获取处理后的x射线图像数据对应的专家评判结果，提取专家评判结果中的相同电池状态，并基于相同电池状态的数量确定多个权重概率；
14.将多个权重概率进行排序，选取最大的权重概率对应的电池状态作为电池状态标签。
15.可选地，将电池x射线图像数据与电池状态标签输入初始机器学习模型中进行训练，生成x射线成像检测模型，包括：
16.将电池x射线图像数据输入初始机器学习模型中，生成图像分析结果；
17.将图像分析结果与电池状态标签进行比较，当图像分析结果与电池状态标签相符时，生成x射线成像检测模型。
18.可选地，将电池状态标签与充放电外部特性数据输入x射线成像检测模型中进行训练，生成电池故障状态检测模型，包括：
19.将电池状态标签输入x射线成像检测模型中，生成外部特性监测量变化数据；
20.将外部特性监测量变化数据与充放电外部特性数据之间的差值与预设外部监测范围进行比较，当外部特性监测量变化数据与充放电外部特性数据之间的差值符合预设外部监测范围时，生成电池故障状态检测模型。
21.可选地，利用电池故障状态检测模型对当前电池运行故障进行检测，生成电化学储能电池故障检测结果，包括：
22.采集当前x射线图像数据，将x射线图像数据输入x射线成像检测模型中，生成电池内部缺陷类型；
23.将电池内部缺陷类型输入电池故障状态检测模型中，生成外部特性监测量变化数据；
24.获取电池内部缺陷类型对应的当前电池外部特性数据，将外部特性监测量变化数据与当前电池外部特性数据进行比较，基于比较结果生成电化学储能电池故障检测结果。
25.在本技术的第二个方面，还提出了一种电化学储能电池故障的在线检测装置，包括：
26.分析模块，用于采集电池x射线图像数据，对电池x射线图像数据进行分析，生成电池状态标签；
27.训练模块，用于将电池x射线图像数据与电池状态标签输入初始机器学习模型中进行训练，生成x射线成像检测模型；
28.获取模块，用于获取电池状态标签对应的充放电外部特性数据，将电池状态标签与充放电外部特性数据输入x射线成像检测模型中进行训练，生成电池故障状态检测模型；
29.检测模块，用于利用电池故障状态检测模型对当前电池运行故障进行检测，生成电化学储能电池故障检测结果。
30.可选地，分析模块，包括：
31.处理单元，用于将电池x射线图像数据进行图像处理，生成处理后的x射线图像数据；
32.提取单元，用于获取处理后的x射线图像数据对应的专家评判结果，提取专家评判
结果中的相同电池状态，并基于相同电池状态的数量确定多个权重概率；
33.排序单元，用于将多个权重概率进行排序，选取最大的权重概率对应的电池状态作为电池状态标签。
34.可选地，训练模块，包括：
35.生成单元，用于将电池x射线图像数据输入初始机器学习模型中，生成图像分析结果；
36.比较单元，用于将图像分析结果与电池状态标签进行比较，当图像分析结果与电池状态标签相符时，生成x射线成像检测模型。
37.可选地，获取模块，包括：
38.传输单元，用于将电池状态标签输入x射线成像检测模型中，生成外部特性监测量变化数据；
39.判断单元，用于将外部特性监测量变化数据与充放电外部特性数据之间的差值与预设外部监测范围进行比较，当外部特性监测量变化数据与充放电外部特性数据之间的差值符合预设外部监测范围时，生成电池故障状态检测模型。
40.可选地，检测模块，包括：
41.采集单元，用于采集当前x射线图像数据，将x射线图像数据输入x射线成像检测模型中，生成电池内部缺陷类型；
42.确定单元，用于将电池内部缺陷类型输入电池故障状态检测模型中，生成外部特性监测量变化数据；
43.检测单元，用于获取电池内部缺陷类型对应的当前电池外部特性数据，将外部特性监测量变化数据与当前电池外部特性数据进行比较，基于比较结果生成电化学储能电池故障检测结果。
44.在本技术的第三个方面，还提出了一种计算机设备，包括处理器和存储器，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序，所述处理器被配置用于调用所述计算机程序，执行上述第一方面的方法。
45.在本技术的第四个方面，本发明实施例提供了一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序被处理器执行以实现上述第一方面的方法。
附图说明
46.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
47.图1为本发明实施例1中一种电化学储能电池故障的在线检测方法的流程图；
48.图2为本发明实施例1中基于x射线成像技术的电化学储能集装箱电池在线故障检测系统构成示意图；
49.图3为本发明实施例1中步骤s101的流程图；
50.图4为本发明实施例1中步骤s102的流程图；
51.图5为本发明实施例1中步骤s103的流程图；
52.图6为本发明实施例1中步骤s104的流程图；
53.图7为本发明实施例2中一种电化学储能电池故障的在线检测装置的原理框图；
54.图8为本发明实施例2中分析模块71的原理框图；
55.图9为本发明实施例2中训练模块72的原理框图；
56.图10为本发明实施例2中获取模块73的原理框图；
57.图11为本发明实施例2中检测模块74的原理框图。
具体实施方式
58.下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
59.在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
60.此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
61.实施例1
62.本实施例提供一种电化学储能电池故障的在线检测方法，如图1所示，包括：
63.s101、采集电池x射线图像数据，对上述电池x射线图像数据进行分析，生成电池状态标签。
64.其中，如图2所示，考虑到电化学储能集装箱内电池在运行状态下的内部缺陷变化和结构变化可能带来的故障问题，通过结合移动式x高频射线成像技术，合理地结合了电化学储能集装箱内封闭又适合进行x射线检测的环境特点，定制化进行轨道设计和自动化x射线发射采集方案设定，其中，远程操控x高频射线机的结构与安装具体为：首先在集装箱设计之初，对电池模组的内部设计进行约束，要求模组不可多排重叠排列，争取每个电芯都能够被x高频射线拍摄到，且尽量采用开敞式模组插箱设计；基于集装箱内的尺寸结构以及电池模组尺寸、电芯类型，选定适合使用的高频x射线机和对应的x射线探测器；对集装箱内的x高频射线机和探测器的轨道进行设计，确保能够相互配合移动到各个模组的合适位置采集电池x射线图像；对四个x高频射线机与配套的探测器进行安装接线和系统服务器的部署。
65.进而，在集装箱系统上电运行之后，即可开始对运行状态下的电池的x射线发生和x射线成像与图像数据采集工作，对x射线采集分析系统进行集装箱内的网络通信的连通性测试，确保系统的正常运行；在系统内设定x高频射线机和探测器的移动轨迹、移动速度与采集周期、频率等参数；远程操控x高频射线机和x射线探测器进行手动或自动移动和x射线图像的采集工作，从探测器陆续获得不同电池的x射线图像。
66.s102、将上述电池x射线图像数据与上述电池状态标签输入初始机器学习模型中
进行训练，生成x射线成像检测模型。
67.s103、获取上述电池状态标签对应的充放电外部特性数据，将上述电池状态标签与上述充放电外部特性数据输入上述x射线成像检测模型中进行训练，生成电池故障状态检测模型。
68.具体地，由于电池内部缺陷会导致电池充放电时外部特性的变化，预先获取电池内部缺陷(即电池状态标签)对应的充放电外部特性数据(如电流、电压、soc、soh、温度等参数)，基于电池内部缺陷与其对应的充放电外部特性数据列表，进而利用充放电外部特性数据进行模型训练，生成电池故障状态检测模型。
69.或者，将电池x射线图像与充放电外部特性数据综合分析，由于电池x射线图像有判定结果(即电池状态标签)，充放电外部特性数据在不同工况下有阈值范围，如果有任意一项充放电外部特性数据超标则存在电池故障；如果电池x射线图像的判定结果为正常，但是温度却总是很高或者升温特别快，或者电压电流具有突变，说明存在电池故障，进而需要将充放电外部特性数据和电池x射线图像的判定结果相结合分析电池是否为故障状态或者有异常；进而，逐步将电池的充放电外部特性数据(如电流、电压、soc、soh、温度等参数)与电池状态标签结合后的电池故障状态综合分析结果加入到训练模型中，从而实现机器学习模型对电池x射线图像内特性和电池外部监测量外特性的融合分析判定，当判定结果与专家判定结果的匹配度达95％以上时，生成电池故障状态检测模型；将当前x射线图像输入至电池故障状态检测模型中，即可生成电化学储能电池故障检测结果。
70.s104、利用上述电池故障状态检测模型对当前电池运行故障进行检测，生成电化学储能电池故障检测结果。
71.具体地，机器学习模型训练完成后，即可逐步脱离专家知识库，无需再请专家人员主观上对x射线图像和当前电池的故障状态进行分析判定，可实现自动化的电池内外特性分析与故障诊断。
72.进一步地，当发生电池故障时，进行自动报警和警情信息(即故障类型、故障装置等)发送，通知运维人员及时处理故障电池。
73.上述一种电化学储能电池故障的在线检测方法，考虑了电化学储能集装箱内电池在运行状态下的内部缺陷变化和结构变化可能带来的故障问题，结合了移动式x高频射线成像技术，合理地结合了电化学储能集装箱内封闭又适合进行x射线检测的环境特点，定制化进行轨道设计和自动化x射线发射采集方案设定，在运行状态下集装箱内实现了电池内部故障检测的数字化；并且，通过电池x射线图像数据与充放电外部特性数据的结合分析，确保了电池故障检测的内外机理耦合，使得分析结果更为直观准确，并利用电池故障状态检测模型实现故障检测的自动化智能分析，通过电池x射线图像数据反映电池内部特征，从电池内部特征变化出发，将原本的静态离线检测技术用于在线动态检测，在一定程度上提升了电化学储能系统运行状态下电池故障检测分析的直观度和准确度。
74.优选地，如图3所示，步骤s101中对上述电池x射线图像数据进行分析，生成电池状态标签，包括：
75.s1011、将上述电池x射线图像数据进行图像处理，生成处理后的x射线图像数据。
76.具体地，针对采集的不同的电池x射线图像数据进行降噪处理、图像增强处理等图像处理，将处理后的不同电池不同时间的x射线图像数据存储进本地数据库内，可从本地数
据库内选取x射线图像进行查看分析。
77.s1012、获取上述处理后的x射线图像数据对应的专家评判结果，提取上述专家评判结果中的相同电池状态，并基于相同电池状态的数量确定多个权重概率。
78.其中，将处理后的电池x射线图像发送至运维人员和电池故障的相关专家，对电池x射线图像进行人为评判分析，通过电池x射线图像去分析电池是否发生了故障，比如是否有电池隔膜损坏，锂电池的话是否有析锂现象等，对电池的内部是否发生了故障和问题进行判定，评判分析结果包括正常和故障，故障分为隔膜异常、析锂、内短路等故障，将评判分析结果存进专家知识库内。
79.s1013、将上述多个权重概率进行排序，选取最大的权重概率对应的电池状态作为上述电池状态标签。
80.具体地，对专家评判结果进行统计分析，针对不同电池不同时刻的x射线图像数据的专家分析意见和相同意见进行归纳并赋予权重概率，根据权重概率判定电池是正常还是故障，以及判定故障类型，并对电池x射线图像数据打上对应的分析结果标签(即电池状态标签)，电池状态标签为：正常/故障(隔膜异常/析锂/内短路等)。
81.优选地，如图4所示，步骤s102中将上述电池x射线图像数据与上述电池状态标签输入初始机器学习模型中进行训练，生成x射线成像检测模型，包括：
82.s1021、将上述电池x射线图像数据输入上述初始机器学习模型中，生成图像分析结果。
83.具体地，利用专家知识库内对不同x射线图像的分析结果(即电池状态标签)，对采集到的x射线图像样本数据进行不断的动态分析训练，并给出机器学习识别出的图像分析结果。
84.s1022、将上述图像分析结果与上述电池状态标签进行比较，当上述图像分析结果与上述电池状态标签相符时，生成上述x射线成像检测模型。
85.具体地，当对集装箱内三分之一以上电池都进行过从开始使用到退役更换全生命周期的x射线图像对应图像分析结果与专家知识库中的电池状态标签比对后，且在一个月内对各电池x射线图像分析结果(即图像分析结果)与专家给出分析判定结果(即电池状态标签)的匹配度达到95％以上时，即初始机器学习模型完成训练，生成x射线成像检测模型。
86.优选地，如图5所示，步骤s103中将上述电池状态标签与上述充放电外部特性数据输入上述x射线成像检测模型中进行训练，生成电池故障状态检测模型，包括：
87.s1031、将上述电池状态标签输入上述x射线成像检测模型中，生成外部特性监测量变化数据。
88.s1032、将上述外部特性监测量变化数据与上述充放电外部特性数据之间的差值与预设外部监测范围进行比较，当上述外部特性监测量变化数据与上述充放电外部特性数据之间的差值符合上述预设外部监测范围时，生成上述电池故障状态检测模型。
89.具体地，当上述外部特性监测量变化数据与上述充放电外部特性数据之间的差值不符合上述预设外部监测范围时，则调整x射线成像检测模型的权重，进而重新进行训练。
90.优选地，如图6所示，步骤s104中利用上述电池故障状态检测模型对当前电池运行故障进行检测，生成电化学储能电池故障检测结果，包括：
91.s1041、采集当前x射线图像数据，将上述x射线图像数据输入上述x射线成像检测
模型中，生成电池内部缺陷类型(包括内部杂质、正负极扭曲变形、正负极短路、正负极断裂、隔膜破损等)。
92.具体地，对x射线图像进行判定，根据图像特征去匹配相应的电池内部缺陷类型类别。
93.s1042、将上述电池内部缺陷类型输入上述电池故障状态检测模型中，生成上述外部特性监测量变化数据。
94.s1043、获取上述电池内部缺陷类型对应的当前电池外部特性数据，将上述外部特性监测量变化数据与上述当前电池外部特性数据进行比较，基于比较结果生成上述电化学储能电池故障检测结果。
95.具体地，如图2所示，根据x射线图像判定内电池内部缺陷类型后，采集箱内pcs(process control systems，过程控制系统)、bms(battery managament system，电池管理系统)等箱内状态检测系统传输的当前电池外部特性数据(电压、电流、温度、soc、soh等外部特性数据)，将外部特性监测量变化数据与电池内部缺陷类型对应的当前电池外部特性数据进行比对，比对二者的数值范围和变化趋势是否一致，若结果一致或情况比实验结果还差，则说明该电池存在内部缺陷故障，导致了同等水平和更严重后果的外特性；若x射线分析得到的内部缺陷结果，但电池充放电运行外特性数据仍然与正常电池充放电一致，则持续观察三天，若仍无异常，则判定该电池x射线内部缺陷存在误判，为正常状态，反之若出现异常，则为故障状态。
96.实施例2
97.本实施例提供一种电化学储能电池故障的在线检测装置，如图7所示，包括：
98.分析模块71，用于采集电池x射线图像数据，对上述电池x射线图像数据进行分析，生成电池状态标签。
99.其中，考虑到电化学储能集装箱内电池在运行状态下的内部缺陷变化和结构变化可能带来的故障问题，通过结合移动式x高频射线成像技术，合理地结合了电化学储能集装箱内封闭又适合进行x射线检测的环境特点，定制化进行轨道设计和自动化x射线发射采集方案设定，其中，远程操控x高频射线机的结构与安装具体为：首先在集装箱设计之初，对电池模组的内部设计进行约束，要求模组不可多排重叠排列，争取每个电芯都能够被x高频射线拍摄到，且尽量采用开敞式模组插箱设计；基于集装箱内的尺寸结构以及电池模组尺寸、电芯类型，选定适合使用的高频x射线机和对应的x射线探测器；对集装箱内的x高频射线机和探测器的轨道进行设计，确保能够相互配合移动到各个模组的合适位置采集电池x射线图像；对四个x高频射线机与配套的探测器进行安装接线和系统服务器的部署。
100.进而，在集装箱系统上电运行之后，即可开始对运行状态下的电池的x射线发生和x射线成像与图像数据采集工作，对x射线采集分析系统进行集装箱内的网络通信的连通性测试，确保系统的正常运行；在系统内设定x高频射线机和探测器的移动轨迹、移动速度与采集周期、频率等参数；远程操控x高频射线机和x射线探测器进行手动或自动移动和x射线图像的采集工作，从探测器陆续获得不同电池的x射线图像。
101.训练模块72，用于将上述电池x射线图像数据与上述电池状态标签输入初始机器学习模型中进行训练，生成x射线成像检测模型。
102.获取模块73，用于获取上述电池状态标签对应的充放电外部特性数据，将上述电
池状态标签与上述充放电外部特性数据输入上述x射线成像检测模型中进行训练，生成电池故障状态检测模型。
103.具体地，由于电池内部缺陷会导致电池充放电时外部特性的变化，预先获取电池内部缺陷(即电池状态标签)对应的充放电外部特性数据(如电流、电压、soc、soh、温度等参数)，基于电池内部缺陷与其对应的充放电外部特性数据列表，进而利用充放电外部特性数据进行模型训练，生成电池故障状态检测模型。
104.或者，将电池x射线图像与充放电外部特性数据综合分析，由于电池x射线图像有判定结果(即电池状态标签)，充放电外部特性数据在不同工况下有阈值范围，如果有任意一项充放电外部特性数据超标则存在电池故障；如果电池x射线图像的判定结果为正常，但是温度却总是很高或者升温特别快，或者电压电流具有突变，说明存在电池故障，进而需要将充放电外部特性数据和电池x射线图像的判定结果相结合分析电池是否为故障状态或者有异常；进而，逐步将电池的充放电外部特性数据(如电流、电压、soc、soh、温度等参数)与电池状态标签结合后的电池故障状态综合分析结果加入到训练模型中，从而实现机器学习模型对电池x射线图像内特性和电池外部监测量外特性的融合分析判定，当判定结果与专家判定结果的匹配度达95％以上时，生成电池故障状态检测模型；将当前x射线图像输入至电池故障状态检测模型中，即可生成电化学储能电池故障检测结果。
105.检测模块74，用于利用上述电池故障状态检测模型对当前电池运行故障进行检测，生成电化学储能电池故障检测结果。
106.具体地，机器学习模型训练完成后，即可逐步脱离专家知识库，无需再请专家人员主观上对x射线图像和当前电池的故障状态进行分析判定，可实现自动化的电池内外特性分析与故障诊断。
107.进一步地，当发生电池故障时，进行自动报警和警情信息(即故障类型、故障装置等)发送，通知运维人员及时处理故障电池。
108.上述一种电化学储能电池故障的在线检测装置，通过电池x射线图像数据与充放电外部特性数据的结合分析，确保了电池故障检测的内外机理耦合，使得分析结果更为直观准确，并利用电池故障状态检测模型实现故障检测的自动化智能分析，通过电池x射线图像数据反映电池内部特征，从电池内部特征变化出发，将原本的静态离线检测技术用于在线动态检测，在一定程度上提升了电化学储能系统运行状态下电池故障检测分析的直观度和准确度。
109.优选地，上述分析模块71，包括：
110.处理单元711，用于将上述电池x射线图像数据进行图像处理，生成处理后的x射线图像数据。
111.具体地，针对采集的不同的电池x射线图像数据进行降噪处理、图像增强处理等图像处理，将处理后的不同电池不同时间的x射线图像数据存储进本地数据库内，可从本地数据库内选取x射线图像进行查看分析。
112.提取单元712，用于获取上述处理后的x射线图像数据对应的专家评判结果，提取上述专家评判结果中的相同电池状态，并基于相同电池状态的数量确定多个权重概率。
113.其中，将处理后的电池x射线图像发送至运维人员和电池故障的相关专家，对电池x射线图像进行人为评判分析，通过电池x射线图像去分析电池是否发生了故障，比如是否
有电池隔膜损坏，锂电池的话是否有析锂现象等，对电池的内部是否发生了故障和问题进行判定，评判分析结果包括正常和故障，故障分为隔膜异常、析锂、内短路等故障，将评判分析结果存进专家知识库内。
114.排序单元713，用于将上述多个权重概率进行排序，选取最大的权重概率对应的电池状态作为上述电池状态标签。
115.具体地，对专家评判结果进行统计分析，针对不同电池不同时刻的x射线图像数据的专家分析意见和相同意见进行归纳并赋予权重概率，根据权重概率判定电池是正常还是故障，以及判定故障类型，并对电池x射线图像数据打上对应的分析结果标签(即电池状态标签)，电池状态标签为：正常/故障(隔膜异常/析锂/内短路等)。
116.优选地，上述训练模块72，包括：
117.生成单元721，用于将上述电池x射线图像数据输入上述初始机器学习模型中，生成图像分析结果。
118.具体地，利用专家知识库内对不同x射线图像的分析结果(即电池状态标签)，对采集到的x射线图像样本数据进行不断的动态分析训练，并给出机器学习识别出的图像分析结果。
119.比较单元722，用于将上述图像分析结果与上述电池状态标签进行比较，当上述图像分析结果与上述电池状态标签相符时，生成上述x射线成像检测模型。
120.具体地，当对集装箱内三分之一以上电池都进行过从开始使用到退役更换全生命周期的x射线图像对应图像分析结果与专家知识库中的电池状态标签比对后，且在一个月内对各电池x射线图像分析结果(即图像分析结果)与专家给出分析判定结果(即电池状态标签)的匹配度达到95％以上时，即初始机器学习模型完成训练，生成x射线成像检测模型。
121.优选地，上述获取模块73，包括：
122.传输单元731，用于将上述电池状态标签输入上述x射线成像检测模型中，生成外部特性监测量变化数据。
123.判断单元732，用于将上述外部特性监测量变化数据与上述充放电外部特性数据之间的差值与预设外部监测范围进行比较，当上述外部特性监测量变化数据与上述充放电外部特性数据之间的差值符合上述预设外部监测范围时，生成上述电池故障状态检测模型。
124.具体地，当上述外部特性监测量变化数据与上述充放电外部特性数据之间的差值不符合上述预设外部监测范围时，则调整x射线成像检测模型的权重，进而重新进行训练。
125.优选地，上述检测模块74，包括：
126.采集单元741，用于采集当前x射线图像数据，将上述x射线图像数据输入上述x射线成像检测模型中，生成电池内部缺陷类型。
127.具体地，对x射线图像进行判定，根据图像特征去匹配相应的电池内部缺陷类型类别。
128.确定单元742，用于将上述电池内部缺陷类型输入上述电池故障状态检测模型中，生成上述外部特性监测量变化数据。
129.检测单元743，用于获取上述电池内部缺陷类型对应的当前电池外部特性数据，将上述外部特性监测量变化数据与上述当前电池外部特性数据进行比较，基于比较结果生成
上述电化学储能电池故障检测结果。
130.具体地，根据x射线图像判定内电池内部缺陷类型后，采集箱内pcs(process control systems，过程控制系统)、bms(battery managament system，电池管理系统)等箱内状态检测系统传输的当前电池外部特性数据(电压、电流、温度、soc、soh等外部特性数据)，将外部特性监测量变化数据与电池内部缺陷类型对应的当前电池外部特性数据进行比对，比对二者的数值范围和变化趋势是否一致，若结果一致或情况比实验结果还差，则说明该电池存在内部缺陷故障，导致了同等水平和更严重后果的外特性；若x射线分析得到的内部缺陷结果，但电池充放电运行外特性数据仍然与正常电池充放电一致，则持续观察三天，若仍无异常，则判定该电池x射线内部缺陷存在误判，为正常状态，反之若出现异常，则为故障状态。
131.实施例3
132.本实施例提供一种计算机设备，包括存储器和处理器，处理器用于读取存储器中存储的指令，以执行上述任意方法实施例中的一种电化学储能电池故障的在线检测方法。
133.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
134.本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
135.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
136.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
137.实施例4
138.本实施例提供一种计算机可读存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的一种电化学储能电池故障的在线检测方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)、随机存储记忆体(random access memory，ram)、快闪存储器(flash memory)、硬盘(hard disk drive，缩写：hdd)或固态硬盘(solid-state drive，ssd)等；所述存储介质还可以包括上述种类的存储器的组合。
139.显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。