本發(fā)明涉及鋰電池循環(huán)利用技術(shù)領(lǐng)域,特別是指一種鋰電池梯次利用篩選方法。
背景技術(shù):
近年來,我國電動汽車行業(yè)發(fā)展速度,在未來兩三年內(nèi),即會迎來動力鋰電池退役的高峰,而且這些鋰電池總量每年還會呈加速度增長;到2020年,電動車市場存量超過500萬輛,以一輛車平均配備20kwh的鋰電池來估算,約有1億kwh(1000gwh)的鋰離子鋰電池進(jìn)入汽車市場。眾所周知,鋰離子鋰電池中的化學(xué)物質(zhì)及重金屬元素會對環(huán)境造成污染和危害。如何最大限度地回收與梯次利用這些鋰電池的剩余價值,是亟待解決、非常重要的科學(xué)技術(shù)問題。
針對退役的動力鋰電池,有兩種可行的處理方法,一種是直接作為工業(yè)廢品,進(jìn)行報(bào)廢和拆解,提煉其中的原材料,實(shí)現(xiàn)原材料的循環(huán)利用,這方面已經(jīng)有一些國內(nèi)的企業(yè)在進(jìn)行商業(yè)化運(yùn)作;另一種方式,則考慮退役的動力鋰電池,雖然已經(jīng)不滿足汽車的使用條件,但仍然擁有一定的余能,其壽命并未完全終止,可以用在其他領(lǐng)域作為電能的載體使用,從而充分發(fā)揮其剩余價值。顯然后者的梯次利用更能夠發(fā)揮產(chǎn)品的最大價值,實(shí)現(xiàn)循環(huán)經(jīng)濟(jì)的利益最大化,是更為綠色和環(huán)保的途徑。
中國發(fā)明專利cn201310261893.0提出了一種廢舊動力鋰電池梯次利用篩選方法:(1)對廢舊動力鋰電池組進(jìn)行充電,使其荷電狀態(tài)soc為15%~80%;然后拆開鋰電池組,對動力鋰電池組及單體鋰電池外觀進(jìn)行檢查,并記錄;(2)檢測每一只單體鋰電池的開路電壓及內(nèi)阻并記錄,與標(biāo)準(zhǔn)單體鋰電池的開路電壓、內(nèi)阻對比;由測試的電壓、內(nèi)阻根據(jù)標(biāo)準(zhǔn)單體鋰電池充放電曲線,評估廢舊動力鋰電池組單體鋰電池容量;(3)將上述廢舊動力鋰電池單體并聯(lián),直至其開路電壓基本相同,與并聯(lián)前單體鋰電池的開路電壓對比,并記錄電壓升降情況;然后將廢舊單體鋰電池及標(biāo)準(zhǔn)單體鋰電池在溫度為30℃~55℃條件下擱置3~7天或者室溫下擱置10~30天,檢測其開路電壓及內(nèi)阻,并記錄;標(biāo)準(zhǔn)單體鋰電池做放電循環(huán)測試,以標(biāo)準(zhǔn)單體鋰電池荷電狀態(tài)、容量-電壓曲線、內(nèi)阻作為參考,根據(jù)廢舊動力鋰電池單體開路電壓及內(nèi)阻大小,評估廢舊動力鋰電池單體健康狀態(tài);(4)根據(jù)以上記錄情況,對比廢舊動力鋰電池單體外觀、開路電壓、內(nèi)阻、電壓降及健康狀態(tài)評估,對廢舊動力鋰電池單體進(jìn)行分級,同一級的鋰電池成組與儲能電網(wǎng)配合使用。
在專利號為cn103901350a的發(fā)明中涉及一種廢舊動力鋰電池二次使用的篩選方法:先通過對鋰電池包整體進(jìn)行充放電,通過測試時bms記錄的數(shù)據(jù),在放電過程中,選取2-4個soc點(diǎn),soc數(shù)值在20%-90%之間,讀取各個串聯(lián)單體的電壓;將偏離出大部分鋰電池的電壓值超過5%的鋰電池認(rèn)定為有問題的鋰電池,剩余鋰電池即初步認(rèn)定為健康狀態(tài)鋰電池;測量余下每只鋰電池的內(nèi)阻,通過內(nèi)阻值進(jìn)行第二次篩選,將偏離大部分電芯正常內(nèi)阻20%的電芯剔除,篩選結(jié)束;在剩余鋰電池中,隨機(jī)挑選出10只鋰電池進(jìn)行一次充放電,將10只鋰電池的平均容量,默認(rèn)為所有健康狀態(tài)的鋰電池的容量值。
現(xiàn)有技術(shù)中使用的篩選方法,都或多或少地涉及對鋰電池電參數(shù)即接觸式的測量,比如開路電壓和內(nèi)阻的檢測,需要對電池有充放電的過程;一方面這些參數(shù)的測量可能會引起鋰電池內(nèi)部結(jié)構(gòu)發(fā)生變化和破損,另一方面鋰電池充電和放電過程,更是需要幾個小時才能完成,導(dǎo)致耗費(fèi)的時間、人工成本都比較高,導(dǎo)致商業(yè)化鋰電池的回收與梯次利用的經(jīng)濟(jì)效益受到限制。
技術(shù)實(shí)現(xiàn)要素:
本發(fā)明要解決的技術(shù)問題是提供一種鋰電池梯次利用篩選方法,以解決現(xiàn)有技術(shù)所存在的傳統(tǒng)接觸式測量鋰電池容量和內(nèi)阻參數(shù)會對鋰電池造成二次損耗及篩選效率低的問題。
為解決上述技術(shù)問題,本發(fā)明實(shí)施例提供一種鋰電池梯次利用篩選方法,包括:
獲取訓(xùn)練樣本數(shù)據(jù)和訓(xùn)練樣本標(biāo)簽;其中,所述訓(xùn)練樣本數(shù)據(jù)為用于訓(xùn)練的樣本鋰電池的ct圖像,所述訓(xùn)練樣本標(biāo)簽包括:ct圖像對應(yīng)的標(biāo)簽信息,所述標(biāo)簽信息用于標(biāo)識相應(yīng)的用于訓(xùn)練的樣本鋰電池是否能夠梯次利用;
根據(jù)獲取的訓(xùn)練樣本數(shù)據(jù)和訓(xùn)練樣本標(biāo)簽對待訓(xùn)練的分類模型進(jìn)行訓(xùn)練,得到訓(xùn)練后的分類模型;
獲取待測鋰電池的ct圖像,將獲取的待測鋰電池的ct圖像輸入到訓(xùn)練后的分類模型中,由訓(xùn)練后的分類模型輸出所述待測鋰電池是否能夠梯次利用。
進(jìn)一步地,所述獲取訓(xùn)練樣本標(biāo)簽包括:
測量用于訓(xùn)練的樣本鋰電池的容量和內(nèi)阻;
將容量低于第一預(yù)設(shè)閾值和內(nèi)阻高于第二預(yù)設(shè)閾值的樣本鋰電池歸類于不能梯次利用的鋰電池,其他的樣本鋰電池歸類于可梯次利用的鋰電池。
進(jìn)一步地,在根據(jù)獲取的訓(xùn)練樣本數(shù)據(jù)和訓(xùn)練樣本標(biāo)簽對待訓(xùn)練的分類模型進(jìn)行訓(xùn)練,得到訓(xùn)練后的分類模型之前,所述方法還包括:
對獲取的訓(xùn)練樣本數(shù)據(jù)進(jìn)行圖像處理,計(jì)算訓(xùn)練樣本數(shù)據(jù)的對比度值作為特征值;
將計(jì)算得到的訓(xùn)練樣本數(shù)據(jù)的特征值作為待確定的分類模型的輸入。
進(jìn)一步地,所述對比度值包括:每像素對比度、韋伯對比度、均方根對比度、邁克爾遜對比度。
進(jìn)一步地,所述根據(jù)獲取的訓(xùn)練樣本數(shù)據(jù)和訓(xùn)練樣本標(biāo)簽對待訓(xùn)練的分類模型進(jìn)行訓(xùn)練,得到訓(xùn)練后的分類模型包括:
將計(jì)算得到的訓(xùn)練樣本數(shù)據(jù)的特征值作為待確定的分類模型的輸入、獲取的訓(xùn)練樣本標(biāo)簽作為待訓(xùn)練的分類模型的輸出;
利用監(jiān)督學(xué)習(xí)中的神經(jīng)網(wǎng)絡(luò)訓(xùn)練技術(shù)對待訓(xùn)練的分類模型進(jìn)行訓(xùn)練,構(gòu)建基于支持向量機(jī)算法的分類模型。
進(jìn)一步地,所述訓(xùn)練后的分類模型為分類決策平面;
所述將獲取的待測鋰電池的ct圖像輸入到訓(xùn)練后的分類模型中,由訓(xùn)練后的分類模型輸出所述待測鋰電池的類別包括:
將獲取的待測鋰電池的ct圖像輸入到訓(xùn)練后的分類模型中,根據(jù)輸入的待測鋰電池的特征值位于分類決策平面的哪一側(cè),確定待測鋰電池是否能夠梯次利用。
進(jìn)一步地,在根據(jù)獲取的訓(xùn)練樣本數(shù)據(jù)和訓(xùn)練樣本標(biāo)簽對待訓(xùn)練的分類模型進(jìn)行訓(xùn)練,得到訓(xùn)練后的分類模型之后,所述方法還包括:
獲取測試樣本數(shù)據(jù)和測試樣本標(biāo)簽;其中,所述測試樣本數(shù)據(jù)為用于測試的樣本鋰電池的ct圖像,所述測試樣本標(biāo)簽包括:ct圖像對應(yīng)的標(biāo)簽信息,所述標(biāo)簽信息用于標(biāo)識相應(yīng)的用于測試的樣本鋰電池是否能夠梯次利用;
計(jì)算測試樣本數(shù)據(jù)的對比度值作為特征值;
將計(jì)算得到的測試樣本數(shù)據(jù)的特征值作為訓(xùn)練后的分類模型的輸入;
將訓(xùn)練后的分類模型輸出的預(yù)測標(biāo)簽與獲取的相應(yīng)的測試樣本標(biāo)簽進(jìn)行匹配驗(yàn)證。
進(jìn)一步地,在用機(jī)器學(xué)習(xí)中的神經(jīng)網(wǎng)絡(luò)訓(xùn)練技術(shù)對待訓(xùn)練的分類模型進(jìn)行訓(xùn)練,構(gòu)建基于支持向量機(jī)算法的分類模型之后,所述方法還包括:
采用遺傳算法,對支持向量機(jī)算法中的參數(shù)進(jìn)行優(yōu)化,其中,優(yōu)化的參數(shù)包括:核函數(shù)參數(shù)和誤差懲罰系數(shù)。
本發(fā)明的上述技術(shù)方案的有益效果如下:
上述方案中,獲取訓(xùn)練樣本數(shù)據(jù)和訓(xùn)練樣本標(biāo)簽;其中,所述訓(xùn)練樣本數(shù)據(jù)為用于訓(xùn)練的樣本鋰電池的ct圖像,所述訓(xùn)練樣本標(biāo)簽包括:ct圖像對應(yīng)的標(biāo)簽信息,所述標(biāo)簽信息用于標(biāo)識相應(yīng)的用于訓(xùn)練的樣本鋰電池是否能夠梯次利用;根據(jù)獲取的訓(xùn)練樣本數(shù)據(jù)和訓(xùn)練樣本標(biāo)簽對待訓(xùn)練的分類模型進(jìn)行訓(xùn)練,得到訓(xùn)練后的分類模型;獲取待測鋰電池的ct圖像,將獲取的待測鋰電池的ct圖像輸入到訓(xùn)練后的分類模型中,由訓(xùn)練后的分類模型輸出所述待測鋰電池是否能夠梯次利用。這樣,在確定鋰電池是否可以被梯次利用時,只需要獲取相應(yīng)鋰電池的ct圖像,不需要獲取鋰電池電參數(shù),從而克服了傳統(tǒng)接觸式測量鋰電池電參數(shù)的不足,屬于無損非接觸式篩選方法,且這種篩選方法無需對鋰電池進(jìn)行充放電過程,縮短了篩選時間,也無需逐個檢測鋰電池的內(nèi)阻,降低了人工成本、從而能夠提高篩選效率。
附圖說明
圖1為本發(fā)明實(shí)施例提供的鋰電池梯次利用篩選方法的流程示意圖;
圖2為本發(fā)明實(shí)施例提供的鋰電池梯次利用篩選方法的詳細(xì)流程示意圖;
圖3為本發(fā)明實(shí)施例提供的機(jī)器學(xué)習(xí)篩選方法的流程示意圖;
具體實(shí)施方式
為使本發(fā)明要解決的技術(shù)問題、技術(shù)方案和優(yōu)點(diǎn)更加清楚,下面將結(jié)合附圖及具體實(shí)施例進(jìn)行詳細(xì)描述。
本發(fā)明針對現(xiàn)有的傳統(tǒng)接觸式測量鋰電池容量和內(nèi)阻參數(shù)會對鋰電池造成二次損耗及篩選效率低的問題,提供一種鋰電池梯次利用篩選方法。
如圖1所示,本發(fā)明實(shí)施例提供的鋰電池梯次利用篩選方法,包括:
s101,獲取訓(xùn)練樣本數(shù)據(jù)和訓(xùn)練樣本標(biāo)簽;其中,所述訓(xùn)練樣本數(shù)據(jù)為用于訓(xùn)練的樣本鋰電池的計(jì)算機(jī)斷層掃描(computedtomography,ct)圖像,所述訓(xùn)練樣本標(biāo)簽包括:ct圖像對應(yīng)的標(biāo)簽信息,所述標(biāo)簽信息用于標(biāo)識相應(yīng)的用于訓(xùn)練的樣本鋰電池是否能夠梯次利用;
s102,根據(jù)獲取的訓(xùn)練樣本數(shù)據(jù)和訓(xùn)練樣本標(biāo)簽對待訓(xùn)練的分類模型進(jìn)行訓(xùn)練,得到訓(xùn)練后的分類模型;
s103,獲取待測鋰電池的ct圖像,將獲取的待測鋰電池的ct圖像輸入到訓(xùn)練后的分類模型中,由訓(xùn)練后的分類模型輸出所述待測鋰電池是否能夠梯次利用。
本發(fā)明實(shí)施例所述的鋰電池梯次利用篩選方法,獲取訓(xùn)練樣本數(shù)據(jù)和訓(xùn)練樣本標(biāo)簽;其中,所述訓(xùn)練樣本數(shù)據(jù)為用于訓(xùn)練的樣本鋰電池的ct圖像,所述訓(xùn)練樣本標(biāo)簽包括:ct圖像對應(yīng)的標(biāo)簽信息,所述標(biāo)簽信息用于標(biāo)識相應(yīng)的用于訓(xùn)練的樣本鋰電池是否能夠梯次利用;根據(jù)獲取的訓(xùn)練樣本數(shù)據(jù)和訓(xùn)練樣本標(biāo)簽對待訓(xùn)練的分類模型進(jìn)行訓(xùn)練,得到訓(xùn)練后的分類模型;獲取待測鋰電池的ct圖像,將獲取的待測鋰電池的ct圖像輸入到訓(xùn)練后的分類模型中,由訓(xùn)練后的分類模型輸出所述待測鋰電池是否能夠梯次利用。這樣,在確定鋰電池是否可以被梯次利用時,只需要獲取相應(yīng)鋰電池的ct圖像,不需要獲取鋰電池電參數(shù),從而克服了傳統(tǒng)接觸式測量鋰電池電參數(shù)的不足,屬于無損非接觸式篩選方法,且這種篩選方法無需對鋰電池進(jìn)行充放電過程,縮短了篩選時間,也無需逐個檢測鋰電池的內(nèi)阻,降低了人工成本、從而能夠提高篩選效率。
本實(shí)施例所述的鋰電池梯次利用篩選方法作為一種快速高效、無損非接觸式的新型篩選技術(shù),具有潛在的商業(yè)化優(yōu)勢,適合企業(yè)的專業(yè)化回收與處理。
本實(shí)施例中,結(jié)合鋰電池失效原因分析,可梯次利用的鋰電池通常比廢棄(不能梯次利用)的鋰電池具有更清晰的內(nèi)部結(jié)構(gòu),這種清晰的結(jié)構(gòu)信息可以反映在鋰電池的ct圖像中。
本實(shí)施例中,為了得到分類模型,首先需獲取訓(xùn)練樣本數(shù)據(jù)和訓(xùn)練樣本標(biāo)簽,其中,所述訓(xùn)練樣本數(shù)據(jù)為用于訓(xùn)練的樣本鋰電池的ct圖像,所述訓(xùn)練樣本標(biāo)簽包括:ct圖像對應(yīng)的標(biāo)簽信息,所述標(biāo)簽信息用于標(biāo)識相應(yīng)的用于訓(xùn)練的樣本鋰電池是否能夠梯次利用,用于標(biāo)識樣本鋰電池是否能夠梯次利用的標(biāo)簽信息,可以根據(jù)測量得到的樣本鋰電池的容量和內(nèi)阻確定。
本實(shí)施例中,用于訓(xùn)練的樣本鋰電池包括但不限于:廢舊鋰電池,例如,也可是新的鋰電池;本實(shí)施例中,以廢舊鋰電池為例對獲取用于訓(xùn)練的樣本鋰電池的ct圖像和獲取用于訓(xùn)練的樣本鋰電池的標(biāo)簽信息的具體步驟進(jìn)行說明:
收集一定數(shù)量廢舊鋰電池作為用于訓(xùn)練的樣本鋰電池,對這些鋰電池采用光學(xué)掃描得到ct圖像,得到的ct圖像作為訓(xùn)練樣本數(shù)據(jù);同時測量出這些鋰電池的內(nèi)阻、容量等電參數(shù),評價出每一個鋰電池是否能夠梯次利用作為機(jī)器學(xué)習(xí)時的訓(xùn)練樣本標(biāo)簽。
機(jī)器學(xué)習(xí)分為監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)兩大類,本實(shí)施例中采用的是監(jiān)督學(xué)習(xí),監(jiān)督學(xué)習(xí)需要訓(xùn)練樣本數(shù)據(jù)和訓(xùn)練樣本標(biāo)簽,使用的訓(xùn)練樣本數(shù)據(jù)就是掃描廢舊鋰電池獲得的ct圖像;訓(xùn)練樣本標(biāo)簽是指需要事先知道這些用于訓(xùn)練的樣本鋰電池是否能夠梯次利用,這些是否能夠梯次利用的信息被稱為標(biāo)簽,在具體實(shí)施過程中,可以用-1表示鋰電池不能梯次利用,1表示鋰電池可梯次利用。這也是為何叫做監(jiān)督學(xué)習(xí),意思就是事先已經(jīng)知道鋰電池是否能夠梯次利用,將訓(xùn)練樣本數(shù)據(jù)作為待訓(xùn)練的分類模型的輸入,訓(xùn)練樣本標(biāo)簽作為待訓(xùn)練的分類模型的輸出,用訓(xùn)練樣本數(shù)據(jù)訓(xùn)練待訓(xùn)練的分類模型,然后再用訓(xùn)練好的分類模型,對不知道是否能夠梯次利用的廢舊鋰電池進(jìn)行分類。
在前述鋰電池梯次利用篩選方法的具體實(shí)施方式中,進(jìn)一步地,所述獲取訓(xùn)練樣本標(biāo)簽包括:
測量用于訓(xùn)練的樣本鋰電池的容量和內(nèi)阻;
將容量低于第一預(yù)設(shè)閾值和內(nèi)阻高于第二預(yù)設(shè)閾值的樣本鋰電池歸類于不能梯次利用的鋰電池,其他的樣本鋰電池歸類于可梯次利用的鋰電池。
本實(shí)施例中,傳統(tǒng)的鋰電池分類是對鋰電池逐個進(jìn)行測量內(nèi)阻和容量,內(nèi)阻和容量的測量都需要測量設(shè)備和鋰電池直接接觸,本實(shí)施例所述的鋰電池梯次利用篩選方法只需要一定數(shù)量的訓(xùn)練樣本數(shù)據(jù)(不需測量鋰電池的容量和內(nèi)阻信息)和訓(xùn)練樣本標(biāo)簽(需測量鋰電池的容量和內(nèi)阻信息)來建立分類模型。
分類模型建立好后,不需要測量鋰電池的容量和內(nèi)阻信息就可以將廢舊鋰電池分類,從而克服了傳統(tǒng)接觸式測量鋰電池電參數(shù)的不足,本實(shí)施例所述的鋰電池梯次利用篩選方法屬于無損非接觸式篩選方法。
本實(shí)施例中,測量鋰電池的容量和內(nèi)阻信息,是為了得到用于訓(xùn)練的樣本鋰電池的標(biāo)簽信息,即:每幅ct圖像對應(yīng)的鋰電池是否能夠梯次利用。
本實(shí)施例中,例如,可以將容量低于10%和內(nèi)阻高于200mω歸類于不能梯次利用的鋰電池,其他歸類于可梯次利用的鋰電池。
在前述鋰電池梯次利用篩選方法的具體實(shí)施方式中,進(jìn)一步地,在根據(jù)獲取的訓(xùn)練樣本數(shù)據(jù)和訓(xùn)練樣本標(biāo)簽對待訓(xùn)練的分類模型進(jìn)行訓(xùn)練,得到訓(xùn)練后的分類模型之前,所述方法還包括:
對獲取的訓(xùn)練樣本數(shù)據(jù)進(jìn)行圖像處理,計(jì)算訓(xùn)練樣本數(shù)據(jù)的對比度值作為特征值;
將計(jì)算得到的訓(xùn)練樣本數(shù)據(jù)的特征值作為待確定的分類模型的輸入。
本實(shí)施例中,根據(jù)可梯次利用的和不能梯次利用的鋰電池的ct圖像的明顯差別,可以對獲取的用于訓(xùn)練的樣本鋰電池的ct圖像進(jìn)行處理,計(jì)算訓(xùn)練樣本數(shù)據(jù)的對比度值作為特征值;將計(jì)算得到的訓(xùn)練樣本數(shù)據(jù)的特征值作為待確定的分類模型的輸入。
在前述鋰電池梯次利用篩選方法的具體實(shí)施方式中,進(jìn)一步地,所述對比度值包括:每像素對比度、韋伯對比度、均方根對比度、邁克爾遜對比度。
本實(shí)施例中,所述對比度值可以包括:每像素對比度、韋伯對比度、均方根對比度、邁克爾遜對比度,這些對比度值可以作為智能分類識別的特征向量。
在前述鋰電池梯次利用篩選方法的具體實(shí)施方式中,進(jìn)一步地,所述根據(jù)獲取的訓(xùn)練樣本數(shù)據(jù)和訓(xùn)練樣本標(biāo)簽對待訓(xùn)練的分類模型進(jìn)行訓(xùn)練,得到訓(xùn)練后的分類模型包括:
將計(jì)算得到的訓(xùn)練樣本數(shù)據(jù)的特征值作為待確定的分類模型的輸入、獲取的訓(xùn)練樣本標(biāo)簽作為待訓(xùn)練的分類模型的輸出;
利用監(jiān)督學(xué)習(xí)中的神經(jīng)網(wǎng)絡(luò)訓(xùn)練技術(shù)對待訓(xùn)練的分類模型進(jìn)行訓(xùn)練,構(gòu)建基于支持向量機(jī)算法的分類模型。
本實(shí)施例中,監(jiān)督學(xué)習(xí)就是用已知是否能夠梯次利用的訓(xùn)練樣本數(shù)據(jù)去訓(xùn)練神經(jīng)網(wǎng)絡(luò)以此獲得分類模型,具體的:依據(jù)支持向量機(jī)算法,將計(jì)算得到的訓(xùn)練樣本數(shù)據(jù)的特征值作為待確定的分類模型的輸入、獲取的訓(xùn)練樣本標(biāo)簽作為待訓(xùn)練的分類模型的輸出,利用監(jiān)督學(xué)習(xí)中的神經(jīng)網(wǎng)絡(luò)訓(xùn)練技術(shù)對待訓(xùn)練的分類模型進(jìn)行訓(xùn)練,訓(xùn)練結(jié)束所得到的分類模型即為要求的分類模型。
本實(shí)施例中,采用監(jiān)督學(xué)習(xí)的方法,利用計(jì)算機(jī)處理海量數(shù)據(jù)的學(xué)習(xí)能力和快速準(zhǔn)確的計(jì)算能力,達(dá)到對廢舊鋰電池快速準(zhǔn)確的篩選目的。
在前述鋰電池梯次利用篩選方法的具體實(shí)施方式中,進(jìn)一步地,所述訓(xùn)練后的分類模型為分類決策平面;
所述將獲取的待測鋰電池的ct圖像輸入到訓(xùn)練后的分類模型中,由訓(xùn)練后的分類模型輸出所述待測鋰電池的類別包括:
將獲取的待測鋰電池的ct圖像輸入到訓(xùn)練后的分類模型中,根據(jù)輸入的待測鋰電池的特征值位于分類決策平面的哪一側(cè),確定待測鋰電池是否能夠梯次利用。
本實(shí)施例中,所述訓(xùn)練后得到的分類模型本質(zhì)上是一個分類決策平面,可以將待測鋰電池按照否能夠梯次利用分離開來,具體的:將獲取的待測鋰電池的ct圖像輸入到訓(xùn)練后的分類模型中,根據(jù)輸入的待測鋰電池的特征值位于分類決策平面的哪一側(cè),確定待測鋰電池是否能夠梯次利用。
在前述鋰電池梯次利用篩選方法的具體實(shí)施方式中,進(jìn)一步地,在根據(jù)獲取的訓(xùn)練樣本數(shù)據(jù)和訓(xùn)練樣本標(biāo)簽對待訓(xùn)練的分類模型進(jìn)行訓(xùn)練,得到訓(xùn)練后的分類模型之后,所述方法還包括:
獲取測試樣本數(shù)據(jù)和測試樣本標(biāo)簽;其中,所述測試樣本數(shù)據(jù)為用于測試的樣本鋰電池的ct圖像,所述測試樣本標(biāo)簽包括:ct圖像對應(yīng)的標(biāo)簽信息,所述標(biāo)簽信息用于標(biāo)識相應(yīng)的用于測試的樣本鋰電池是否能夠梯次利用;
計(jì)算測試樣本數(shù)據(jù)的對比度值作為特征值;
將計(jì)算得到的測試樣本數(shù)據(jù)的特征值作為訓(xùn)練后的分類模型的輸入;
將訓(xùn)練后的分類模型輸出的預(yù)測標(biāo)簽與獲取的相應(yīng)的測試樣本標(biāo)簽進(jìn)行匹配驗(yàn)證。
本實(shí)施例中,用于測試的樣本鋰電池包括但不限于:廢舊鋰電池,例如,也可是新的鋰電池。
在前述鋰電池梯次利用篩選方法的具體實(shí)施方式中,進(jìn)一步地,在用機(jī)器學(xué)習(xí)中的神經(jīng)網(wǎng)絡(luò)訓(xùn)練技術(shù)對待訓(xùn)練的分類模型進(jìn)行訓(xùn)練,構(gòu)建基于支持向量機(jī)算法的分類模型之后,所述方法還包括:
采用遺傳算法,對支持向量機(jī)算法中的參數(shù)進(jìn)行優(yōu)化,其中,優(yōu)化的參數(shù)包括:核函數(shù)參數(shù)和誤差懲罰系數(shù)。
本實(shí)施例中,還可以對得到的分類模型的參數(shù)進(jìn)行優(yōu)化,具體的:采用遺傳算法,對支持向量機(jī)算法中的核函數(shù)參數(shù)和誤差懲罰系數(shù)進(jìn)行優(yōu)化,提高篩選分類的準(zhǔn)確率,使得分類模型的識別率可以接近90%。
為了更好地理解本發(fā)明實(shí)施例所述的鋰電池梯次利用篩選方法,對本發(fā)明實(shí)施例所述的鋰電池梯次利用篩選方法進(jìn)行詳細(xì)說明,如圖2和圖3所示,本發(fā)明實(shí)施例所述的鋰電池梯次利用篩選方法具體可以包括以下步驟:
步驟1、獲取樣本數(shù)據(jù)(訓(xùn)練樣本數(shù)據(jù)和測試樣本數(shù)據(jù))和樣本標(biāo)簽(訓(xùn)練樣本標(biāo)簽和測試樣本標(biāo)簽):
1.收集200個不同廠家的18650型號廢舊鋰電池作為樣本鋰電池,用光學(xué)掃描設(shè)備獲取每一個鋰電池的ct圖像,得到200個鋰電池的ct圖像作為樣本數(shù)據(jù)。
2.逐個測量這200個鋰電池的容量、內(nèi)阻參數(shù),將容量低于10%和內(nèi)阻高于200mω的鋰電池記錄為不能梯次利用的鋰電池,用-1表示,其他記錄為可梯次利用的鋰電池,用1表示,得到樣本標(biāo)簽。
步驟2、對得到的ct圖像進(jìn)行處理,提取特征值信息:
1.ct圖像預(yù)處理:
由于機(jī)器只能對數(shù)據(jù)進(jìn)行操作,因此,掃描得到的ct圖像是無法直接作為機(jī)器識別的內(nèi)容,只能選取ct圖像的某些特征信息,被稱為特征值。由于特征值的計(jì)算需要對圖像像素矩陣進(jìn)行計(jì)算,而獲得的ct圖像可能具有不同程度的白色背景,會對計(jì)算造成很大干擾。因此在使用過程中首先需要去除干擾,即去除大片的白色背景,也就是說,要將ct圖像的白色背景裁切掉,以便于計(jì)算特征值的進(jìn)行。
裁剪白色背景的程序流程如下:
ct圖像是按照矩陣形式存放的,矩陣中的每一個數(shù)據(jù)記錄圖像中該點(diǎn)的像素,可以通過matlab軟件獲取ct圖像的灰度值矩陣即讀取圖像,在matlab軟件中尋找ct圖像的邊界,記錄邊界處像素點(diǎn)位置信息,確定裁剪邊界,使用裁剪函數(shù)完成。
2.計(jì)算特征值:
可梯次利用的鋰電池通常比不能梯次利用的鋰電池具有更清晰的內(nèi)部結(jié)構(gòu),而對比度是衡量灰度圖像清晰度的主要參數(shù)。目前對于灰度圖像對比度的定義存在不同方法,可以選用多種不同方法定義下的對比度作為特征值,如圖3所示,本實(shí)施例中采用的對比度包括:每像素對比度、韋伯對比度、均方根對比度、邁克爾遜對比度。
接著,對不同方法定義下的對比度進(jìn)行說明:
(1)每像素對比度cpp
每像素對比度定義為當(dāng)前像素和一個相鄰像素環(huán)之間的累計(jì)強(qiáng)度差異:
其中,i=1:m,j=1:n;m、n為ct圖像灰度圖像矩陣大??;i(i,j)為第i行第j列像素的灰度值。
在
整個圖像的平均cpp是
(2)韋伯對比度cw
韋伯對比度被定義為:
其中,ib是背景的強(qiáng)度值,在本實(shí)施例中背景為白色,故ib等于255。由于ib總是大于或等于i(i,j),因此|i(i,j)-ib|可以由ib-i(i,j)替代。
整幅圖像的韋伯對比度為:
(3)邁克爾遜對比度cm
將邁克爾遜對比度定義為:
其中,imax(i,j)=argmaxx∈[i-1,i+1],y∈[j-1,j+1]i(x,y)
imin(x,y)=argminx∈[i-1,i+1],y∈[j-1,j+1]i(x,y)
整個圖像的平均邁克爾遜對比度為:
(4)均方根對比度定義為:
其中,
計(jì)算特征值的程序流程如下:
讀取ct灰度圖像矩陣,按照不同對比度定義編寫對比度計(jì)算程序,對樣本鋰電池的每一幅圖像按照上面4個對比度定義求取出4個特征值,存放在excel表格中;并用1、-1表示樣本標(biāo)簽,其中,1表示可梯次利用的鋰電池,-1表示不能梯次利用的鋰電池,將樣本數(shù)據(jù)的樣本標(biāo)簽信息存放在excel表格中;這樣,一個鋰電池就得到一組對應(yīng)的記錄:4個對比度參數(shù)和標(biāo)簽信息。
步驟3、使用matlab根據(jù)支持向量機(jī)理論編寫支持向量機(jī)算法程序,用其中150個作為訓(xùn)練分類模型的訓(xùn)練樣本數(shù)據(jù)和訓(xùn)練樣本標(biāo)簽,從excel表格數(shù)據(jù)中讀取這150個所對應(yīng)的對比度參數(shù)和標(biāo)簽信息,對分類模型進(jìn)行訓(xùn)練,得到訓(xùn)練后的分類模型。
步驟4、用剩下的50個作為測試分類模型的測試樣本數(shù)據(jù)和測試樣本標(biāo)簽,測試訓(xùn)練后得到的分類模型,通過訓(xùn)練后得到的分類模型輸出這50個鋰電池的預(yù)測標(biāo)簽;由于事先知道這50個鋰電池的真實(shí)標(biāo)簽(即:測試樣本標(biāo)簽),將預(yù)測標(biāo)簽和真實(shí)標(biāo)簽進(jìn)行匹配,根據(jù)匹配程度得到分類識別率;如果,此時正確預(yù)測40幅圖像的標(biāo)簽,則此分類模型的分類識別率為80%。
步驟5、對支持向量機(jī)算法中的參數(shù)進(jìn)行優(yōu)化,提高分類識別效果。
支持向量機(jī)算法分類效果主要取決于核函數(shù)參數(shù)gama即γ和誤差懲罰系數(shù)cost即c,尋找最優(yōu)參數(shù)可以大幅提高分類模型效果。采用遺傳算法對支持向量機(jī)中的gama和cost參數(shù)進(jìn)行優(yōu)化。程序流程如下:
1)初始化支持向量機(jī)(supportvectormachine,svm)的參數(shù),影響支持向量機(jī)分類效果的參數(shù)主要有兩個,即核函數(shù)參數(shù)gamma簡稱γ,以及誤差懲罰系數(shù)cost,簡稱c,確定遺傳算法的初始群體,群體數(shù)量可以選取100,對支持向量機(jī)需要優(yōu)化的兩個參數(shù)(γ和c)進(jìn)行二進(jìn)制編碼得到初始的100個群體,其中,二進(jìn)制編碼碼串的長度根據(jù)要搜索的svm參數(shù)的范圍與精度來確定;
2)設(shè)定遺傳算法的參數(shù),初始代數(shù),初始交叉概率,初始變異概率,最大遺傳代數(shù)等;
3)將初始群體解碼后送入svm進(jìn)行訓(xùn)練并計(jì)算個體的適應(yīng)度,適應(yīng)度函數(shù)采用svm分類的正確率;
4)應(yīng)用最優(yōu)保存策略,在進(jìn)行遺傳操作之前先把適應(yīng)度(正確率)最高的個體保存下來,以防止優(yōu)秀基因因遺傳算子操作而丟失,記錄最差個體的序號index;
5)對上述的初始群體進(jìn)行遺傳操作,具體的:選擇算子采用賭輪選擇法,交叉算子采用單點(diǎn)交叉,經(jīng)過遺傳算子操作產(chǎn)生新群體,并用4)保存的適應(yīng)度(正確率)最高的個體替換序號為index的新個體,并最終產(chǎn)生新的群體,然后返回3)進(jìn)行訓(xùn)練;
6)檢查是否滿足算法終止條件:由于分類正確率(適應(yīng)度)本身就是要搜索的結(jié)果,很難作為終止條件,但是當(dāng)連續(xù)幾代最優(yōu)個體的適應(yīng)度接近相等時則認(rèn)為種群不能再進(jìn)化,算法終止;或者把設(shè)定的最大遺傳代數(shù)作為算法的終止條件,當(dāng)滿足上述兩個條件中的任何一個時,則自動終止算法。優(yōu)化以后的分類模型識別率可以接近90%。
需要說明的是,在本文中,諸如第一和第二等之類的關(guān)系術(shù)語僅僅用來將一個實(shí)體或者操作與另一個實(shí)體或操作區(qū)分開來,而不一定要求或者暗示這些實(shí)體或操作之間存在任何這種實(shí)際的關(guān)系或者順序。
以上所述是本發(fā)明的優(yōu)選實(shí)施方式,應(yīng)當(dāng)指出,對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說,在不脫離本發(fā)明所述原理的前提下,還可以做出若干改進(jìn)和潤飾,這些改進(jìn)和潤飾也應(yīng)視為本發(fā)明的保護(hù)范圍。