[发明专利]一种基于模糊神经网络的电池模组焊接质量分类算法

说明书

本发明公开了一种基于模糊神经网络的电池模组焊接质量分类算法，其特征在于，包括以下步骤：设计模糊神经网络模型的输入层、隶属函数层、模糊推理层、归一化层、输出层，输出层用于对得到的特征进行线性变换，然后输出结果。本发明设计了一种模糊神经网络，并将一系列电阻值输入到模糊神经网络中，经过模糊神经网络后输出分类结果并得到一个训练模型，此后应用该模型实现根据输入电阻值直接输出分类结果，实现了将电池模组中有虚焊、断路情况的与正常的进行分类。

技术领域

本发明属于电池生产领域，尤其涉及一种基于模糊神经网络的电池模组焊接质量分类算法。

背景技术

随着新能源汽车的迅速发展，新能源汽车为了提升电池容量，常常把几个容量、性能参数一致的电芯，用激光焊接并联组成最小电池模块，然后再进行串联。无论是并联还是串联操作，都需要使用激光进行焊接，受目前技术的影响，在激光焊接过程中常有虚焊、断路问题发生，从而影响电池使用寿命与使用安全，因此必须对虚焊以及断路问题进行检测。

常见的虚焊检测有外力检测、电致发光成像(EL)检测以及对电池组进行充放电观察电压的降差等。外力检测通常是工作人员用力拔几下，如果没有出现松动就认为没有虚焊，主观性较大；EL检测往往由于光伏效应的电致发光量非常微弱，从而需要非常灵敏的相机以及一套优秀的软件，用于研究电池的暗色缺陷、均匀性和整体效率，毫无疑问，这种方法需要的设备成本较高；电池组进行充放电观察电压的降差，如果压降差大于所设阈值就认为存在虚焊情况，但对于容量高的电池组进行充放电存在一定的安全风险。

发明内容

基于背景技术的存在，本发明的目的是提供一种基于模糊神经网络的电池组分类方法，设计一种模糊神经网络，用于实现将电池模组中有虚焊、断路情况的与正常的进行分类。

本发明采用的技术方案是：

一种基于模糊神经网络的电池模组焊接质量分类算法,其特征在于，包括以下步骤：

(1)设计模糊神经网络模型的第一层，第一层为输入层：输入层不做变换的输出1个节点，即一系列电阻值；

(2)设计模糊神经网络模型的第二层，第二次为隶属函数层，即特征相对于该隶属度对应的模糊子集的置信度，置信度在[0,1]之间,并且置信度越高代表是模糊子集中这个类的概率越高；模糊子集根据输入输出确定，具体为：根据输入为一系列电阻值，输出为电池模组的正常、虚焊以及断路三个类别确定，确定模糊子集为M＝{normal，oversized，infinity}，三个词汇分别代表正常，偏大以及无穷大；选取隶属函数为其中a表示设置的电阻阈值，小于a则认为是正常，偏大认为是虚焊，无穷大则认为是断路；

(3)设计模糊神经网络模型的第三层，第三层为模糊推理层，模糊推理层的每一个输出节点对应一个模糊规则，模糊推理层的输出在于计算每个模糊规则的隶属度值；采用模糊c-均值聚类算法fuzzy c-means(FCM)，设定数据集为X，对数据集X中的数据进行分类为c个类，c个类中心为c_i，每个样本x_j属于某一类c_i的隶属度定为u_ij，那么定义一个FCM目标函数及其约束条件如下：

公式(1)表示由相应样本的隶属度与该样本到各类中心的距离相乘组成的，m用来控制每一段距离重要性的大小，公式(2)为约束条件，也就是一个样本属于所有类的隶属度之和要等于1；

目标函数越小越好，因为这意味着欧氏距离越短从而是这个类的隶属度越高。

根据约束条件，利用拉格朗日乘数法构造新的目标函数为：

其中，λ_j表示拉格朗日乘数法中乘子；

然后对其求导为0，得到