[发明专利]基于卷积神经网络的锂电池梯次利用剩余寿命预测方法

权利要求书

1.基于卷积神经网络的锂电池梯次利用剩余寿命预测方法，其特征在于，包括以下步骤：

S1：利用恒电流电压测试方法，得到训练样本的电池容量值以及电池内阻值；

S2：使训练样本电池的内阻、容量和充放电循环曲线所作为输入，计算锂电池剩余使用寿命，产生足够数量的锂电池使用寿命标签；

S3：收集锂电池X射线扫描图像，将生成的图像和使用寿命标签配对形成训练数据集；

S4：收集电芯图像和标识是否含有电极的训练样本；

S5：建立基于卷积神经网络的电芯电极定位模型；

S6：建立基于卷积神经网络的梯次电池剩余使用寿命模型；

S7：使用所建立的卷积神经网络通过X射线扫描图像对锂电池进行快速电极定位和剩余使用寿命预测。

2.根据权利要求1所述的基于卷积神经网络的锂电池梯次利用剩余寿命预测方法，其特征在于，基于卷积神经网络的锂电池梯次利用剩余寿命预测方法包括拆卸模块，所述拆卸模块输出端的一侧设置有扫描模块，所述扫描模块输出端设置有定位模块。

3.根据权利要求2所述的基于卷积神经网络的锂电池梯次利用剩余寿命预测方法，其特征在于，所述定位模块的输出端设置有剩余使用寿命(RUL)预测模块，所述RUL预测模块的一侧设置有梯次利用模块，所述RUL预测模块的另一侧设置有回收模块。

4.根据权利要求2所述的基于卷积神经网络的锂电池梯次利用剩余寿命预测方法，其特征在于，所述扫描模块还包括扫描台，所述扫描台的表面设置有输送装置，所述输送装置的表面从左至右依次设置有多个分隔板，所述扫描台的表面固定安装有安装架，多个所述分隔板内部的两侧均设置有定位组件，所述定位组件包括滑槽，所述滑槽的内部滑动有滑块。

5.根据权利要求4所述的基于卷积神经网络的锂电池梯次利用剩余寿命预测方法，其特征在于，所述滑块的一侧固定连接有定位块。

6.根据权利要求4所述的基于卷积神经网络的锂电池梯次利用剩余寿命预测方法，其特征在于，所述滑槽的内部且位于所述滑块的一侧设置有弹簧，所述弹簧的两端分别与所述滑块的一侧和所述滑块内壁的一侧固定连接。

7.根据权利要求6所述的基于卷积神经网络的锂电池梯次利用剩余寿命预测方法，其特征在于，所述安装架表面一侧的顶部设置有限位组件，所述限位组件包括转动座，所述转动座的一侧设置有限位板。

8.根据权利要求7所述的基于卷积神经网络的锂电池梯次利用剩余寿命预测方法，其特征在于，所述转动座表面的两侧均设置有卷簧。

9.根据权利要求7所述的基于卷积神经网络的锂电池梯次利用剩余寿命预测方法，其特征在于，所述安装架的内部设置有扫描装置，所述扫描装置包括伸缩架，所述伸缩架的一侧设置有液压推动杆。

10.根据权利要求9所述的基于卷积神经网络的锂电池梯次利用剩余寿命预测方法，其特征在于，所述液压推动杆的一端且位于所述伸缩架的下方设置有扫描仪。