[發明專利]基于機器學習的缺陷電池篩選方法、設備及介質

有效

• 申請號: 202110953856.0
• 申請日: 2021-08-19
• 公開（公告）號: CN113406502B
• 公開（公告）日: 2021-12-07
• 發明（設計）人: 孔祥棟;李立國;戴鋒;華劍鋒
• 申請（專利權）人: 四川新能源汽車創新中心有限公司
• 主分類號: G01R31/367
• 分類號: G01R31/367;G01R31/389;G01R31/385
• 代理公司: 成都九鼎天元知識產權代理有限公司 51214
• 代理人: 陽佑虹

1.一種基于機器學習的缺陷電池篩選方法，其特征在于，所述方法包括如下步驟

獲取待測電池高溫狀態下電池的參數數據，包括第一開路電壓、第一交流內阻和高溫自放電率；

高溫下自放電異常電池初篩，基于得到的第一開路電壓、第一交流內阻以及高溫自放電率構建第一坐標模型，并通過機器學習算法對第一坐標模型中的數據進行離群點檢測，將離群點坐標所對應的電池判定為疑似缺陷電池，將非離群點坐標所對應的電池判定為正常電池；

高溫下自放電異常電池復篩，根據待測電池中正常電池的各第一開路電壓和第一交流內阻下最低的高溫自放電率，在所述第一坐標模型上插值得到第一基準曲面，將所述第一開路電壓介于正常電池最小和最大的開路電壓值之間，以及所述第一交流內阻介于正常電池最小和最大的交流內阻值之間，且所述高溫自放電率處于前述第一基準曲面之下的坐標點所對應的所述疑似缺陷電池更改為正常電池；

容量異常電池篩選，獲取電池容量，并獲取常溫狀態下待測電池各參數數據，包括第三開路電壓和第二交流內阻，基于得到的所述第三開路電壓、所述第二交流內阻以及電池容量數據構建第二坐標模型，并通過機器學習算法對第二坐標模型中的數據進行離群點檢測，將離群點坐標所對應的電池判定為容量異常的缺陷電池，將非離群點所對應的電池判定為正常電池；

獲取常溫狀態下待測電池參數數據，包括第四開路電壓、第三交流內阻和常溫自放電率；

常溫下自放電異常電池初篩，基于得到的第四開路電壓、第三交流內阻和常溫自放電率構建第三坐標模型，并通過機器學習算法對第三坐標模型中的數據進行離群點檢測，將離群點坐標對應的電池判定為疑似缺陷電池，將非離群點坐標對應的電池改判為正常電池；

常溫下自放電異常電池復篩，根據待測電池中正常電池的各第四開路電壓和第三交流內阻下最低的常溫自放電率，在所述第三坐標模型上插值得到第二基準曲面，將所述第四開路電壓介于正常電池最小和最大的開路電壓值之間，以及所述第三交流內阻介于正常電池最小和最大的交流內阻值之間，且所述常溫自放電率處于前述第二基準曲面之下的坐標點所對應的所述疑似缺陷電池更改為正常電池；

內阻異常電池篩選，獲取常溫狀態下的待測電池的第五開路電壓和直流內阻，基于所述第五開路電壓和直流內阻構建第四坐標模型，并通過機器學習算法對第四坐標模型中的數據進行離群點檢測，將離群點對應坐標所對應的電池判定為內阻異常的缺陷電池，將非離群點坐標所對應的電池判定為正常電池；

所述高溫的狀態溫度為40-50°C，所述常溫的狀態溫度為20-30°C。

2.根據權利要求1所述的基于機器學習的缺陷電池篩選方法，其特征在于，將經過高溫自放電異常檢測、容量異常檢測、常溫自放電異常檢測以及內阻異常自放電檢測，篩選后得到的缺陷電池結果輸出，并對篩選后得到的正常電池進行終篩選，具體過程如下：

獲取篩選后一定數量正常電池的內阻、高溫自放電率、常溫自放電率的最高值以及容量的最低值，并根據產線良品率需求預設所述最高值和所述最低值的范圍值，若需進行終篩選的電池的內阻、高溫自放電率、常溫自放電率的值落入所述最高值的范圍，且需進行終篩選的電池的容量的值落入所述最低值的范圍，則判定該需進行終篩選的電池為缺陷電池。

3.根據權利要求2所述的基于機器學習的缺陷電池篩選方法，其特征在于，在篩選檢測過程中，采用滑動機制獲取待測電池的數據，所述滑動機制為：在電池流水線生產的過程中，依次獲取電池樣本數據，構成具有n個相鄰電池樣本數據的樣本數據組，每當得到新的電池樣本數據后，均替換掉所述樣本數據組中最先獲取的電池樣本數據，構成新的樣本數據組，檢測篩選時，每次均以所述樣本數據組中數據進行檢測，并對所述樣本數據組中最新數據進行結果判定。

4.根據權利要求3所述的基于機器學習的缺陷電池篩選方法，其特征在于，所述第一開路電壓為電池在40-50°C環境下靜置10-14h測量得到，在該溫度下擱置3-5天后測量得到第二開路電壓，所述自放電率為所述第一開路電壓和第二開路電壓差值與擱置時間的比值。