[发明专利]一种基于神经网络的锂电池超声信息特性提取方法

说明书

本发明属于电池相关技术领域，并具体公开了一种基于神经网络的锂电池超声信息特性提取方法。该方法包括如下步骤：构建两个神经网络，以超声信息作为输入向量，并分别以健康状态和荷电状态作为输出向量；采集超声信息作为训练样本，对两个神经网络进行训练以获得对应的两个神经网络模型；将采集到的锂电池的超声信息输入两个神经网络模型中，获得该锂电池的健康状态和荷电状态。本发明通过构建两个神经网络，并进行训练获得两个神经网络模型，从而能够利用超声信息同时获得锂电池的健康状态和荷电状态，克服了现有技术中无法判断超声信号幅值的变化是由何种状态所引起的瓶颈。

技术领域

本发明属于电池相关技术领域，更具体地，涉及一种基于神经网络的锂电池超声信息特性提取方法。

背景技术

电池的荷电状态，也叫剩余电量，代表的是电池使用一段时间或长期搁置不用后的剩余容量与其完全充电状态的容量的比值，简称SOC；电池的健康状态是电池同其理想状态相比较的一个品质因素，简称SOH。通常电池的健康状态随着使用时间与次数的增加而降低，因此通常需要给电池健康状态设定一个阈值，当电池健康状态低于此阈值即代表电池不适合再继续使用。基于超声技术检测锂离子电池的荷电状态、健康状态是一种有效的测量方法，通过建立声学参数分别与锂离子电池健康状态和荷电状态的对应关系，进而利用声学参数监测锂离子电池的健康状态和荷电状态，由此解决现有技术中基于电学参数监测锂离子电池电量和健康状态结果可靠性不佳的问题。

对于超声技术检测方法得到的信号，由于传统的超声换能片可以接收到的频率范围较窄，当不考虑高频噪声时，电信号的频谱宽度也不大。目前常用的检测方法有：提取频谱峰值作为特征、通过频谱积分进行提取特征、通过时域包络线提取特征。

其中提取频谱峰值作为特征的方法精度不高，实验结果表明峰值很难与SOC直接建立起一一对应的线性关系，数据拟合时会造成比较大的误差，且只能提取到峰值特征，不能反映出超声信号包含的所有信息；通过频谱积分进行提取特征的方法是将频谱中的峰对频率进行积分，得到的值作为超声信号提取出的特征值，经由实验验证，这种方法可以与SOC建立线性关系，且精度较高，但缺陷仍在于只能提取一种特征值，很难反映超声信号包含的所有信息；通过时域包络线提取特征相当于一种数据压缩的方法，类似滤波，即将时域波形的包络数据作为特征值，但这种方法提取出的特征值的准确度不高，经过大量的实验证明，包络信息不能反映超声信号波形的完整信息，无法判别超声信号幅值的变化是由SOC还是SOH导致的。

发明内容

针对现有技术的上述缺点和/或改进需求，本发明提供了种基于神经网络的锂电池超声信息特性提取方法，其中通过建立神经网络并进行训练获得神经网络模型，从而能够在超声信息中同时并且准确地获得锂电池的健康状态和荷电状态，因而尤其适用于锂电池状态测定之类的应用场合。

为实现上述目的，本发明提出了一种基于神经网络的锂电池超声信息特性提取方法，包括如下步骤：

S1构建两个神经网络，两个所述神经网络以超声信息作为输入向量，并分别以健康状态和荷电状态作为输出向量；

S2采集不同健康状态和荷电状态的超声信息作为训练样本，分别对两个所述神经网络进行训练以获得对应的两个神经网络模型；

S3将采集到的锂电池的超声信息输入两个所述神经网络模型中，获得该锂电池的健康状态和荷电状态。

作为进一步优选地，在步骤S1中，两个所述神经网络分别包括三层全连接层。

作为进一步优选地，在步骤S2中，所述训练样本中超声信息的数量大于10000份，所述荷电状态涵盖充放电过程，所述健康状态包括锂电池处于健康状态或亚健康状态。

作为进一步优选地，在步骤S2中，训练两个所述神经网络时，对全连接层的权重和偏置进行二值化处理。

作为进一步优选地，在步骤S2中，对于反映健康状态的神经网络而言，训练过程包括如下步骤：