[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

说明书

本发明提供基于卷积神经网络的锂电池梯次利用剩余寿命预测方法，包括以下步骤：根据相关电池型号确定所需样本数量；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；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；对锂电池进行X射线扫描，将生成的图像和使用寿命标签配对形成训练数据集；建立基于卷积神经网络的梯次电池剩余使用寿命模型。本发明提供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，利用梯次电池的扫描模块扫描出的图像与剩余使用寿命的非线性关系，建立卷积神经网络模型，能够快速的估算梯次利用锂电池的剩余使用寿命。

技术领域

本发明涉及梯次利用锂电池寿命预测领域，尤其涉及基于卷积神经网络的锂电池梯次利用剩余寿命预测方法。

背景技术

锂电池是一类由锂金属或锂合金为正极和负极材料、使用非水电解质溶液的电池。

目前在锂电池使用结束后需要进行剩余寿命的检测，而现阶段预测锂电池剩余使用寿命的方法，主要是基于数学模型的方法，通过对锂电池进行多次循环充放电，采集相关锂电池的电压和电流充放电曲线，建立锂电池的老化数学模型。

现有的检测装置由于复杂的内部电化学特性，锂电池很容易受诸如温度、湿度等外部因素影响，所以要建立非常通用准确的数学或物理模型是非常困难的，其次由于粒子退化等原因，基于粒子群滤波器的方法会使得剩余使用寿命的预测变得不准确，再次这些模型大多要通过专业的充放电设备，经过多次充放电循环才能较准确的预测锂电池剩余使用寿命，限制在废旧电池采购过程中检测的便利性和实际生产过程中的检测效率。

因此，有必要提供基于卷积神经网络的锂电池梯次利用剩余寿命预测方法解决上述技术问题。

发明内容

本发明提供基于卷积神经网络的锂电池梯次利用剩余寿命预测方法，解决了现有检测设备在检测时会影响剩余使用寿命的预测变得不准确问题。

为解决上述技术问题，本发明提供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，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。

优选的，基于卷积神经网络的锂电池梯次利用剩余寿命预测方法包括，拆卸环节，所述拆卸环节输出端的一侧设置有所述扫描模块，所述扫描模块输出端设置有定位模块。

优选的，所述定位模块的输出端设置有RUL预测模块，所述RUL预测模块的一侧设置有梯次利用环节，所述RUL预测模块的一侧设置有回收利用环节。

优选的，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。

优选的，所述滑块的一侧固定连接有定位块。

优选的，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。