[发明专利]基于机器学习的缺陷电池筛选方法、设备及介质

权利要求书

1.一种基于机器学习的缺陷电池筛选方法，其特征在于，所述方法包括如下步骤

获取待测电池高温状态下电池的参数数据，包括第一开路电压、第一交流内阻和高温自放电率；

高温下自放电异常电池初筛，基于得到的第一开路电压、第一交流内阻以及高温自放电率构建第一坐标模型，并通过机器学习算法对第一坐标模型中的数据进行离群点检测，将离群点坐标所对应的电池判定为疑似缺陷电池，将非离群点坐标所对应的电池判定为正常电池；

高温下自放电异常电池复筛，根据待测电池中正常电池的各第一开路电压和第一交流内阻下最低的高温自放电率，在所述第一坐标模型上插值得到第一基准曲面，将所述第一开路电压介于正常电池最小和最大的开路电压值之间，以及所述第一交流内阻介于正常电池最小和最大的交流内阻值之间，且所述高温自放电率处于前述第一基准曲面之下的坐标点所对应的所述疑似缺陷电池更改为正常电池；

容量异常电池筛选，获取电池容量，并获取常温状态下待测电池各参数数据，包括第三开路电压和第二交流内阻，基于得到的所述第三开路电压、所述第二交流内阻以及电池容量数据构建第二坐标模型，并通过机器学习算法对第二坐标模型中的数据进行离群点检测，将离群点坐标所对应的电池判定为容量异常的缺陷电池，将非离群点所对应的电池判定为正常电池；

获取常温状态下待测电池参数数据，包括第四开路电压、第三交流内阻和常温自放电率；

常温下自放电异常电池初筛，基于得到的第四开路电压、第三交流内阻和常温自放电率构建第三坐标模型，并通过机器学习算法对第三坐标模型中的数据进行离群点检测，将离群点坐标对应的电池判定为疑似缺陷电池，将非离群点坐标对应的电池改判为正常电池；

常温下自放电异常电池复筛，根据待测电池中正常电池的各第四开路电压和第三交流内阻下最低的常温自放电率，在所述第三坐标模型上插值得到第二基准曲面，将所述第四开路电压介于正常电池最小和最大的开路电压值之间，以及所述第三交流内阻介于正常电池最小和最大的交流内阻值之间，且所述常温自放电率处于前述第二基准曲面之下的坐标点所对应的所述疑似缺陷电池更改为正常电池；

内阻异常电池筛选，获取常温状态下的待测电池的第五开路电压和直流内阻，基于所述第五开路电压和直流内阻构建第四坐标模型，并通过机器学习算法对第四坐标模型中的数据进行离群点检测，将离群点对应坐标所对应的电池判定为内阻异常的缺陷电池，将非离群点坐标所对应的电池判定为正常电池；

所述高温的状态温度为40-50°C，所述常温的状态温度为20-30°C。

2.根据权利要求1所述的基于机器学习的缺陷电池筛选方法，其特征在于，将经过高温自放电异常检测、容量异常检测、常温自放电异常检测以及内阻异常自放电检测，筛选后得到的缺陷电池结果输出，并对筛选后得到的正常电池进行终筛选，具体过程如下：

获取筛选后一定数量正常电池的内阻、高温自放电率、常温自放电率的最高值以及容量的最低值，并根据产线良品率需求预设所述最高值和所述最低值的范围值，若需进行终筛选的电池的内阻、高温自放电率、常温自放电率的值落入所述最高值的范围，且需进行终筛选的电池的容量的值落入所述最低值的范围，则判定该需进行终筛选的电池为缺陷电池。

3.根据权利要求2所述的基于机器学习的缺陷电池筛选方法，其特征在于，在筛选检测过程中，采用滑动机制获取待测电池的数据，所述滑动机制为：在电池流水线生产的过程中，依次获取电池样本数据，构成具有n个相邻电池样本数据的样本数据组，每当得到新的电池样本数据后，均替换掉所述样本数据组中最先获取的电池样本数据，构成新的样本数据组，检测筛选时，每次均以所述样本数据组中数据进行检测，并对所述样本数据组中最新数据进行结果判定。

4.根据权利要求3所述的基于机器学习的缺陷电池筛选方法，其特征在于，所述第一开路电压为电池在40-50°C环境下静置10-14h测量得到，在该温度下搁置3-5天后测量得到第二开路电压，所述自放电率为所述第一开路电压和第二开路电压差值与搁置时间的比值。