[发明专利]基于机器学习的缺陷电池筛选方法、设备及介质

说明书

本发明提供了一种基于机器学习的缺陷电池筛选方法、设备及介质，包括获取待测电池在高温下的开路电压、交流内阻和自放电率；高温自放电异常初筛和复筛；待测电池容量异常筛选；获取待测电池常温下的开路电压、交流内阻和自放电率；常温自放电异常初筛和复筛；待测电池内阻异常筛选；待测电池异常中筛选。本发明基于机器学习算法采用滑动筛选机制对待测的电池进行数据采集、分析、筛选，同时设置复筛机制和终筛机制，避免了漏筛和过筛，提高电池检测的准确率。

技术领域

本发明涉及电池检测技术领域，特别涉及一种基于机器学习的缺陷电池筛选方法、设备及介质。

背景技术

为了应对碳排放、环境污染、能源危机等问题，目前在世界范围内都在大力发展新能源产业，特别是电池产业。锂离子电池的大批量生产过程中，在电池完成化成（首次充电激活）后，一般都会进行自放电率测试（俗称K值测试）、容量测试、内阻测试（俗称DCR测试），用以筛选出有缺陷的不良电池，避免流入市场造成安全事故。

当下对于电池的各项检测是基于传统数理统计的方法进行筛选，即对每项检测设定一个阈值，进行每项检测时根据对应的阈值判定待测的电池是否为缺陷电池，该种方式存在以下问题，首先阈值的设定只能凭经验，会存在过筛和漏筛情况，往往不能很好的适应不同生产批次电池，不仅会使得良品率不高，而且电池品质也不好，甚至会造成电池在市场端出现安全问题；其次，每项检测之间并无关联，因为阈值的不同，可能对于检测数据边缘化的电池会造成误判；且该方法往往会需要大批量电池堆积，使得企业库存压力大，产品流转效率低。

发明内容

本发明提供了一种基于机器学习的缺陷电池筛选方法、设备及介质，在电池生产过程中，利用机器学习算法对大批量的电池进行自放电率、容量以及内阻测试，利用检测数据的离群点对待测电池进行筛选和判定，同时设有复筛机制找回正常离群点的电池，避免过筛，最后设有终筛机制通过判定各筛选过程中是否出现各项数据均为极值的电池，避免漏筛。

本发明提供了一种基于机器学习的缺陷电池筛选方法、设备及介质，具体方案如下：

获取待测电池高温状态下电池的参数数据，包括第一开路电压、第一交流内阻和高温自放电率；

高温下自放电异常电池初筛，基于得到的第一开路电压、第一交流内阻以及高温自放电率构建第一坐标模型，并通过机器学习算法对第一坐标模型中的数据进行离群点检测，将离群点坐标所对应的电池判定为疑似缺陷电池，将非离群点坐标所对应的电池判定为正常电池；

高温下自放电异常电池复筛，根据待测电池中正常电池的各第一开路电压和第一交流内阻下最低的高温自放电率，在所述第一坐标模型上插值得到第一基准曲面，将所述第一开路电压介于正常电池最小和最大的开路电压值之间，以及所述第一交流内阻介于正常电池最小和最大的交流内阻值之间，且所述高温自放电率处于前述第一基准曲面之下的坐标点所对应的所述疑似缺陷电池更改为正常电池；

容量异常电池筛选，获取电池容量，并获取常温状态下待测电池各参数数据，包括第三开路电压和第二交流内阻，基于得到的所述第三开路电压、所述第二交流内阻以及电池容量数据构建第二坐标模型，并通过机器学习算法对第二坐标模型中的数据进行离群点检测，将离群点坐标所对应的电池判定为容量异常的缺陷电池，将非离群点所对应的电池判定为正常电池；

获取常温状态下待测电池参数数据，包括第四开路电压、第三交流内阻和常温自放电率；

常温下自放电异常电池初筛，基于得到的第四开路电压、第三交流内阻和常温自放电率构建第三坐标模型，并通过机器学习算法对第三坐标模型中的数据进行离群点检测，将离群点坐标对应的电池判定为疑似缺陷电池，将非离群点坐标对应的电池改判为正常电池；