【技术实现步骤摘要】
本专利技术涉及电池检测，具体涉及一种锂电池自放电检测方法、系统及设备。
技术介绍
1、每个锂电池都存在自放电现象，但自放电率程度不同，因此在生产过程中，必须检测锂电池的自放电程度。而电池的自放电现象主要包括物理自放电和化学自放电，因此，在检测锂电池的自放电程度过程中，主要检测物理自放电电芯和化学自放电电芯。
2、由于物理自放电电芯和化学自放电电芯的形成机理存在差异，导致它们所呈现的特征规律各异。因此，可以将物理自放电电芯(物理ng)、化学自放电电芯(化学ng)和正常电芯(a电芯)视为三类别，建立三分类的检测模型，但由于物理ng和化学ng电芯的数量相对较少，导致训练样本的不平衡，使得三分类模型效果不佳。
3、目前，针对异常样本较少的这一问题，也有采用单分类模型的方法，将物理ng和化学ng合并为异常电芯(ng电芯)，与正常电芯(a)进行区分。但由于物理ng特征与化学ng特征存在差异，易造成化学ng电芯被误判为正常电芯。
技术实现思路
1、本专利技术提供的一种锂电池自放电检测方法、系统及设备，解决了现有技术中由于物理ng、化学ng形成机理存在差异，使得特征规律各异，进而导致对于异常电芯的检测精度较低的问题。
2、根据第一方面，一种实施例中提供一种锂电池自放电检测方法，包括：
3、获取待检测样品集的化成数据；所述化成数据包括恒流充电工步数据和静置工步数据；
4、对所述化成数据进行特征提取，以得到所述待检测样品集的特征集合；所述特征
5、通过物理自放电电芯检测模型对所述待检测样品集的特征集合进行检测，输出第一异常电芯数据以及第一电芯数据；
6、通过化学自放电电芯检测模型对所述第一电芯数据的特征集合进行检测，输出第二异常电芯数据以及正常电芯数据。
7、在一种实施方式中，所述对所述化成数据进行特征提取，以得到所述待检测样品集的特征集合之后，还包括：
8、对所述待检测样品集的特征集合进行特征预处理，以筛选出重要特征集合。
9、在一种实施方式中，所述对所述待检测样品集的特征集合进行特征预处理，包括：
10、对所述待检测样品集的特征集合进行标准化，以得到标准特征集合；
11、计算所述标准特征集合中每种特征的互信息熵值；
12、将所述互信息熵值与预设阈值进行比较，选取大于预设阈值的所述互信息熵值对应的特征集合作为重要特征集合。
13、在一种实施方式中，所述方法还包括：
14、根据正常电芯的特征集合和物理自放电电芯的特征集合对多个单分类器检测模型进行训练和测试，选取召回率最高的单分类器检测模型作为物理自放电电芯检测模型；
15、根据正常电芯的特征集合和化学自放电电芯的特征集合对多个单分类器检测模型进行训练和测试，选取召回率最高的单分类器检测模型作为化学自放电电芯检测模型。
16、在一种实施方式中，根据正常电芯的特征集合和物理自放电电芯的特征集合对多个单分类器检测模型进行训练和测试，选取召回率最高的单分类器检测模型作为物理自放电电芯检测模型，包括：
17、从训练测试特征集中选取多个正常电芯的特征集和多个物理自放电电芯的特征集，并对选取的所述多个正常电芯的特征集和多个物理自放电电芯的特征集进行物理预处理，以得到第一特征集；
18、按照预设比例将所述第一特征集分为第一训练集和第一测试集；
19、通过所述第一训练集分别对所述单分类器检测模型进行训练，得到训练后的检测模型；
20、通过所述第一测试集分别对所述训练后的检测模型进行测试，得到第一测试结果；
21、根据所述第一测试结果计算所述物理自放电电芯的召回率和所述正常电芯的召回率；
22、选取所述物理自放电电芯的召回率和所述正常电芯的召回率最高的单分类器检测模型作为所述物理自放电电芯检测模型。
23、在一种实施方式中，所述根据正常电芯的特征集合和化学自放电电芯的特征集合对多个单分类器检测模型进行训练和测试，选取召回率最高的单分类器检测模型作为化学自放电电芯检测模型，包括：
24、从训练测试特征集中选取多个正常电芯的特征集和多个化学自放电电芯的特征集，并对选取所述多个正常电芯的特征集和多个化学自放电电芯的特征集进行化学预处理，以得到第二特征集；
25、按照预设比例将所述第二特征集分为第二训练集和第二测试集；
26、通过所述第二训练集分别对所述单分类器检测模型进行训练，得到训练后的检测模型；
27、通过所述第二测试集分别对所述训练后的检测模型进行测试，得到第二测试结果；
28、根据所述第二测试结果计算所述化学自放电电芯的召回率和所述正常电芯的召回率；
29、选取所述化学自放电电芯的召回率和所述正常电芯的召回率最高的单分类器检测模型作为所述化学自放电电芯检测模型。
30、根据第二方面，一种实施例中提供一种锂电池自放电检测系统，包括：
31、获取模块，用于获取待检测样品集的化成数据；所述化成数据包括恒流充电工步数据和静置工步数据；
32、特征提取模块，用于对所述化成数据进行特征提取，以得到所述待检测样品集的特征集合；所述特征集合包括电压特征、温度特征以及容量特征；
33、物理自放电检测模块，用于通过物理自放电电芯检测模型对所述待检测样品集的特征集合进行检测，输出第一异常电芯数据以及第一电芯数据；
34、化学自放电检测模块，用于通过化学自放电电芯检测模型对所述第一电芯数据的特征集合进行检测，输出第二异常电芯数据以及正常电芯数据。
35、根据第三方面，一种实施例中提供一种锂电池自放电检测设备，包括：
36、存储器，用于存储计算机程序；
37、处理器，用于通过执行所述存储器存储的所述计算机程序以实现如上所述的锂电池自放电检测方法。
38、根据第四方面，一种实施例中提供一种计算机可读存储介质，所述介质上存储有计算机程序，所述计算机程序能够被处理器执行以实现如上所述的方法。
39、根据第五方面，一种实施例中提供一种计算机程序产品，包括计算机程序和/或指令，所述计算机程序和/或指令被处理器执行时实现如上所述的方法。
40、据上述实施例的锂电池自放电检测方法、系统/设备，首先对待检测样品的化成数据进行特征提取，得到待检测样品集的特征集合，然后通过物理自放电电芯检测模型对待检测样品集的特征集合进行物理自放电检测，输出第一异常电芯数据以及第一电芯数据后，再通过化学自放电电芯检测模型对第一电芯数据进行化学自放电检测，输出第二异常电芯数据以及正常电芯数据，通过以上检测，输出的第一异常电芯数据和第二异常电芯数据对应的电芯作为异常电芯，最终输出的正常电芯数据对应的电芯。采用本申请的上述方案，能够准确地区分不同类本文档来自技高网...
【技术保护点】
1.一种锂电池自放电检测方法,其特征在于，包括：
2.如权利要求1所述的锂电池自放电检测方法，其特征在于，所述对所述化成数据进行特征提取，以得到所述待检测样品集的特征集合之后，还包括：
3.如权利要求2所述的锂电池自放电检测方法，其特征在于，所述对所述待检测样品集的特征集合进行特征预处理，包括：
4.如权利要求1所述的锂电池自放电检测方法，其特征在于，所述方法还包括：
5.如权利要求4所述的锂电池自放电检测方法，其特征在于，根据正常电芯的特征集合和物理自放电电芯的特征集合对多个单分类器检测模型进行训练和测试，选取召回率最高的单分类器检测模型作为物理自放电电芯检测模型，包括：
6.如权利要求4所述的锂电池自放电检测方法，其特征在于，所述根据正常电芯的特征集合和化学自放电电芯的特征集合对多个单分类器检测模型进行训练和测试，选取召回率最高的单分类器检测模型作为化学自放电电芯检测模型，包括：
7.一种锂电池自放电检测系统，其特征在于，包括：
8.一种锂电池自放电检测设备，其特征在于，包括：
9
10.一种计算机程序产品，包括计算机程序和/或指令，其特征在于，所述计算机程序和/或指令被处理器执行时实现权利要求1-6中任一项所述的方法。
...【技术特征摘要】
1.一种锂电池自放电检测方法,其特征在于，包括：
2.如权利要求1所述的锂电池自放电检测方法，其特征在于，所述对所述化成数据进行特征提取，以得到所述待检测样品集的特征集合之后，还包括：
3.如权利要求2所述的锂电池自放电检测方法，其特征在于，所述对所述待检测样品集的特征集合进行特征预处理，包括：
4.如权利要求1所述的锂电池自放电检测方法，其特征在于，所述方法还包括：
5.如权利要求4所述的锂电池自放电检测方法，其特征在于，根据正常电芯的特征集合和物理自放电电芯的特征集合对多个单分类器检测模型进行训练和测试，选取召回率最高的单分类器检测模型作为物理自放电电芯检测模型，包括：
6...
【专利技术属性】
技术研发人员：李红磊，周均扬，王现辉，李凤梅，
申请(专利权)人：深圳市比克动力电池有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。