一种基于形变特征预测电池碰撞后SoH的方法技术

本发明专利技术实施例公开了一种基于形变特征预测电池碰撞后SoH的方法，包括以下步骤：(1)按照锂离子动力电池碰撞测试标准，进行冲击碰撞试验；(2)根据锂离子动力电池碰撞的物理现象和电性能情况，将电池分为健康电池、隐患电池和危险电池；(3)从电池的三维轮廓扫描图上，按照多特征表征形变得原则，提取相应特征；(4)对数据作监督式机器学习训练，统计准确率结果；(5)结果分析和对最优结果做可靠性分析，并输出该预测模型。采用本发明专利技术，在电池碰撞情况下，能训练成预测电池SoH的智能模型，从而预测电池经过碰撞后的健康状态。

Prediction of SOH after battery impact based on deformation characteristics

【技术实现步骤摘要】
一种基于形变特征预测电池碰撞后SoH的方法
本专利技术涉及锂离子动力电池领域，尤其涉及一种基于形变特征预测电池碰撞后SoH的方法。
技术介绍
随着新能源电动车越来越普及，作为电动车重要的储能元件锂离子动力电池，其碰撞安全性一直是发展的重点，研究锂离子动力电池碰撞后健康状态SoH(StateofHealth)在电池组管理系统是非常重要的。目前，诸多研究都是集中于研究正常工况下动力电池的SoH。对碰撞后的动力电池SoH研究甚少，准确把握动力电池SoH在维护电池组寿命、避免安全隐患和及时做正确处理等方面具有重要意义。电池组管理系统应该包含正常工况下的SoH预测和碰撞后状况下的SoH预测。目前，对电池正常工况下的SoH研究已相当成熟，相反，对碰撞后的电池SoH研究极少。针对预测碰撞后动力电池的SoH，本文提出一种基于形变特征预测动力电池SoH的方法。
技术实现思路
本专利技术实施例所要解决的技术问题在于，提供一种基于形变特征预测动力电池碰撞后SoH的方法。可预测出动力电池碰撞后的SoH。为了解决上述技术问题，本专利技术实施例提供了一种基于形变特征预测电池碰撞后SoH的方法，包括以下步骤：按照锂离子动力电池碰撞测试标准，进行冲击碰撞试验；从电池的三维轮廓扫描图上，按照多特征表征形变得原则，提取相应特征；对数据作监督式机器学习训练，统计准确率结果；结果分析和对最优结果做可靠性分析，并输出该预测模型。其中，按照锂离子动力电池碰撞测试标准，选择合适的实验装置。>其中，所述从三维轮廓扫描图上，提取相应特征的步骤具体包括：通过三维轮廓扫描获得三维轮廓图像；运用Matlab软件和Geomagic软件工具提取最大形变量Dmax、体积变化量ΔV、电池左侧膨胀量εL和右侧膨胀量εR、最大形变量点的曲率五个特征。其中，所述对数据作监督式机器学习训练，统计准确率结果的步骤包括：对所有的特征组合进行监督式机器学习，统计准确率结果。其中，所述的对于统计结果进行可靠性分析的步骤包括：通过分析是否存在欠拟合或过拟合，判断一个模型是否存在欠拟合或过拟合的标准是：训练误差与交叉验证集误差接近时，并且都大于设定值时，该模型高偏差；当训练误差远小于测试集误差时，并且训练误差小于设定值，该模型高方差。实施本专利技术实施例，具有如下有益效果：通过分析动力电池碰撞数据，将碰撞后的电池SoH分为三类，分别为健康电池、隐患电池和危险电池，运用人工神经网络算法，建立输入五个形变特征与输出SoH的关系模型，找到训练最优模型，从而实现对动力电池碰撞后SoH的预测。本专利技术方法可以在只考虑电池外部形状的条件下，建立形变特征与SoH的关系模型，从而预测出动力电池碰撞后的SoH。附图说明图1是本专利技术的整体的流程图；图2是本专利技术的电池信息表；图3是本专利技术的用于碰撞实验的实验装置示意图；图4是本专利技术的用与碰撞试验设计的接触面；图5是本专利技术的提取的特征数据和分类结果；图6是本专利技术的最大形变量特征的示意图；图7是本专利技术的左右侧最大膨胀量的示意图；图8是本专利技术的提取形变特征的过程图；图9是本专利技术的用于提取最大形变量点曲率的拟合图；图10是本专利技术的建立人工神经网络结构图；图11是本专利技术的人工神经网络训练的准确率混淆矩阵；图12是本专利技术的人工神经网络第一层隐藏层权重值和第一层阈值表；图13是本专利技术的人工神经网络第二层隐藏层权重值和第二层阈值表。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作进一步地详细描述。参照图1所示的流程图。本专利技术实施例的一种基于形变特征预测电池碰撞后SoH的方法，以钴酸锂动力电池作为应用对象进行说明，电池信息如图2所示，基本具体包括以下步骤。第一步，进行碰撞试验：通过查阅电池冲击测试标准，实验装置台如图3所示，用于做电池碰撞试验。为了说明一般性，共使用三种接触面类型，如图4所示。第二步，进行SoH的分类：进行了61组有效实验，参考AlessandroSimeon等人发表的《Collisiondamageassessmentinlithium-ionbatterycellsviasensormonitoringandensemblelearning》一文中的分类标准，进行分类，其结果数据在图5中。将电池碰撞后的状态分为三类，健康电池、隐患电池和危险电池，解释如下：健康电池——碰撞试验后，电池能显示出足够的最大功率，能有效放电，以保证设备按规范工作，电池是安全的。隐患电池——这种电池的特点在电池容量、功率和使用寿命方面的性能下降。这种电池比普通电池更容易发生故障，导致安全问题。危险电池——这种电池不能再充电和放电，包括在实验过程中出现的电解质泄露、燃烧或爆炸的电池，定义为不安全的电池。图5中的1代表的是安全电池，2代表的是隐患电池，3代表的是危险电池。第三步，提取形变特征：对电池做三维扫描处理，获得点云数据，在Matlab软件和Geomagic软件中，提取五个特征，特征定义如下：最大形变量：比较碰撞前后点的最大形变量Dmax，找出最大值，即电池的最大凹陷量，如图6所示；体积变化量ΔV：碰撞后电池的体积与碰撞前电池体积的差值；左侧和右侧最大膨胀量εL和εR：比较电池碰撞前后的位移差值，如图7所示；最大形变量点的曲率用来表示电池形变量最大点的弯曲程度。这里选用编号为CF1的碰撞试验中的电池作为本文算法处理的一个例子，其余电池处理方式与之相同，不再赘述。扫描的电池asc格式文件的数据。在X-Z投影平面图，如图8.a所示，选取X1＝362，X2＝306，如图8.b所示，两个平面用于截取用于计算的电池有效片段P，如图8.c所示。通过运用Matlab软件中圆拟合函数得出X1平面与电池图形相交的截面圆的圆心Q1(362,108.51,693.67)，同时得出X2平面与电池图形相交的截面圆的圆心Q2(306,108.73,694.09)，电池的中心轴近似为连接圆心点Q1Q2的直线L，如图8.d所示，通过计算有效片段内的点到中心轴的距离Dis，用向量公式求三维空间中点到直线的距离，直线外一点Q到直线L的距离公式如下：分别为点Q1到Q的向量和点Q1到Q2的向量最大形变量Dmax公式为：Dmax＝max{9-Dis}(2)电池的半径是9mm，减去点到中心轴的距离是形变量值，在行变量值域中找出最大值，即为最大形变量。扫描普通完好的电池，编号为CF0，在Geomagic软件中读其体积V0为16443.206891mm3，CF1电池的体积V1为15914.627857mm3。体积变化量公式为：ΔV＝V1-V0(3)CF1体积变化量等于CF1电池体积V1减去CF0电池的体积V0，本文档来自技高网...

【技术保护点】
1.一种基于形变特征预测电池碰撞后SoH的方法，其特征在于，包括以下步骤：/n按照锂离子动力电池碰撞测试标准，进行冲击碰撞试验；/n从电池的三维轮廓扫描图上，按照多特征表征形变得原则，提取相应特征；/n对数据作监督式机器学习训练，统计准确率结果；/n结果分析和对最优结果做可靠性分析，并输出该预测模型。/n

【技术特征摘要】
1.一种基于形变特征预测电池碰撞后SoH的方法，其特征在于，包括以下步骤：
按照锂离子动力电池碰撞测试标准，进行冲击碰撞试验；
从电池的三维轮廓扫描图上，按照多特征表征形变得原则，提取相应特征；
对数据作监督式机器学习训练，统计准确率结果；
结果分析和对最优结果做可靠性分析，并输出该预测模型。


2.根据权利要求1所述的基于形变特征预测电池碰撞后SoH的方法，其特征在于，所述从三维轮廓扫描图上，提取相应特征的步骤具体包括：
通过三维轮廓扫描获得三维轮廓图像；
运用Matlab软件和Geomagic软件工具提取最大形变量Dmax、体积变化量ΔV、电池左侧膨胀量εL...

【专利技术属性】
技术研发人员：张健，刘向阳，西梅欧内，顾佩华，
申请(专利权)人：汕头大学，
类型：发明
国别省市：广东;44