基于人工智能实现电池健康度智能分析的方法及系统

技术领域

本发明涉及电池性能检测领域，特别是涉及基于人工智能实现电池健康度智能分析的方法及系统。

背景技术

锂离子电池作为一种可代替传统铅酸电池和镍氢电池的新型电能能源储能器件，具有能量密度和功率密度大、循环寿命长、自放电率低、工作温度范围宽、制造成本低等优点。然而，锂离子电池在装配、操作和使用过程中会出现许多问题，电池自身的制作工艺、材料以及工作环境等因素发生故障，会导致电气设备或系统失常，同时由于电池内部的阴极阳极存在副反应，导致电池健康状态会随着使用时间和次数的增长而衰退。然而如何快速的实现锂离子电池的健康度检测仍无法解决，常规的健康度检测方法需依靠完整的充放电实验测试，受限于场地、设备等问题，且无法以无损检测的方式快速检测。

发明内容

针对上述问题，本发明提出基于人工智能实现电池健康度智能分析的方法及系统。

基于人工智能实现电池健康度智能分析的系统，包括：

电化学阻抗谱采集模块、电化学阻抗谱训练模块、健康度预测模块以及健康度显示模块；

所述电化学阻抗谱采集模块与所述电化学阻抗谱训练模块及所述健康度预测模块电性连接，所述健康度预测模块与所述健康度显示模块电性连接；

所述电化学阻抗谱采集模块，用于测试不同健康状态下的电池的电化学阻抗谱，得到测试数据；

所述电化学阻抗谱训练模块，将训练样本作为输入对预先建立的神经网络算法模型进行训练；其中，根据采集到的不同健康状态下的电池的阻抗谱测试数据建立样本集，按样本抽样方法将所述样本集划分为训练集与测试集，所述训练集用于算法模型的训练，所述测试集用于检验所述算法模型预测结果的准确度，通过神经网络的图像识别算法或预测算法对电化学阻抗谱进行学习得到训练好的神经网络算法模型，实现不同健康状态条件下的电池阻抗谱特性的识别；

所述健康度预测模块，获取待测电池的电化学阻抗谱，将其输入至训练好的神经网络算法模型中，预测待测电池的健康状态；

所述健康度显示模块，用于显示待测电池的电化学阻抗谱以及待测电池的健康状态。

可选的，所述待测电池为锂离子电池。

可选的，所述电化学阻抗谱采集模块包括：宽频恒流源、待测电池、参考电阻R

可选的，所述宽频恒流源包括AD830、AD8066、0.1％精密电阻Rs；所述AD830内部含有两对差分输入；所述AD830包括两个相同的电压-电流转换器和一片电压跟随器；所述AD8066与电阻R

所述交直分离电路在混叠信号基础上，滤除掉直流分量，只保留系统所需要的交流分量；所述交直分离电路包括依次串联设置的2.2μF电容、2MΩ电阻、2MΩ电阻、2.2μF电容，其中，两个2MΩ电阻中间接地；

所述差分放大电路用于将交流电压放大到AD采样范围之内；所述差分放大电路包括放大器U1A、U1B、U1C、U1D、电容C1-C2、R1-R8；电容C1设置在U1A的1号端子与U1B的5号端子之间，电容C2设置在U1D的14号端子与U1C的10号端子之间，电容R1设置在U1A的2号端子与U1D的13号端子之间，电容R2设置在U1D的13号端子与U1B的14号端子之间，电容R3设置在U1A的1号端子与U1A的2号端子之间，电容R4设置在U1B的6号端子与U1C的9号端子之间，电容R5设置在U1C的8号端子与U1C的9号端子之间，电容R6设置在U1B的6号端子与U1B的7号端子之间，电容R7设置在U1B的5号端子与1.5V端子之间，电容R8设置在U1C的10号端子与1.5V端子之间。

可选的，电容C1为2.2μF，电容C2为2.2μF，电阻R1为1kΩ，电阻R2为10kΩ，电阻R3为10kΩ，电阻R4为1kΩ，电阻R5为10kΩ，电阻R6为10kΩ，电阻R7为2MΩ，电阻R8为2MΩ。

可选的，所述信号调理电路包括交直分离电路、差分放大电路以及滤波电路。

可选的，所述信号调理电路包括交直分离电路、差分放大电路、滤波电路以及开关通路，所述开关通路设置在所述差分放大电路与所述AD转换模块之间；所述开关通路开启时，所述差分放大电路直接与所述AD转换模块连接；所述开关通路关闭时，所述滤波电路直接与所述AD转换模块连接；

所述微处理器经由所述AD转换模块，控制所述宽频恒流源输出频率不同大小相同的输出电流，控制模拟开关、开关通路，分别采集开关通路开启及关闭时参考电阻R

所述微处理器经由所述AD转换模块，控制所述宽频恒流源输出频率不同大小相同的输出电流，控制模拟开关、开关通路，分别采集开关通路开启及关闭时待测电池的响应电压，并求取开关通路开启及关闭时待测电池的响应电压的比值B(i)，判断︱B(i)︱是否在阈值范围内，并选择阈值范围内的频率Ni作为采样频率，其中i＝1，2，…n；

若Pi、Ni存在重复值，则选取Pi、Ni的重复值作为待测电池的采样频率；若Pi、Ni不存在重复值，则选取Ni作为待测电池的采样频率。

基于人工智能实现电池健康度智能分析的方法，采用上述基于人工智能实现电池健康度智能分析的系统进行实现，所述方法包括以下步骤：

步骤一：获取待测电池的电化学阻抗谱数据；

步骤二：将所述电化学阻抗谱信号输入至训练好的神经网络算法模型中预测所述待测电池的健康状态；

步骤三：判断待测电池的健康状态是否符合阈值要求；

步骤四：显示待测电池健康状态的预测结果。

可选的，所述步骤一在测试不同健康状态下的电池的电化学阻抗谱时，采集指定频率下的阻抗，该指定频率为Ni或Pi与Ni的重复值。

可选的，所述步骤二在训练神经网络算法模型时，增加指定频率处对应阻抗的训练权重，该指定频率为Ni或Pi与Ni的重复值。

与现有技术相比，本发明取得了以下技术效果：

1、通过人工智能的检测方式可快速的实现待测电池的健康度检测，且无需破坏电池的结构，具有结构简单、成本低、测量精度高等优点。

2、电化学阻抗谱采集模块测量电路简单，通过串联设置的宽频恒流源、参考电阻以及待测电池组成检测回路，宽频恒流源产生的电流交流信号，同时注入参考电阻和被测电池，注入的电流受电池内阻抗作用，产生相位差，通过信号调理电路、AD转换模块以及微处理器可直接得出检测电压与注入电流间存在的相位差，通过计算可直接获取电池阻抗，简化系统结构、节约成本，采用恒定幅值的交流电流信号作为激励信号，降低了测量过程中的功耗，通过程控电压信号对恒流源频率的改变，可以有效提高检测速度和精度，再运用离散傅里叶变换对采集的电压响应信号进行处理，最后得到锂离子电池的阻抗谱，测量精度高、运算量小且计算速度较快。

3、在信号调理电路内设置开关通路，配合模拟开关，筛选采样频率，使获取的阻抗值更为稳定、准确；在训练神经网络算法模型时增加该筛选后的采样频率的权重，提高训练后算法模型的准确度。

附图说明

图1为本发明一实施例提供的基于人工智能实现电池健康度智能分析的系统结构图；

图2为本发明一实施例提供的电化学阻抗谱采集模块结构图；

图3为本发明一实施例提供的电化学阻抗谱采集模块的电路结构图；

图4为本发明一实施例提供的电化学阻抗谱采集模块内部信号调理电路中的宽频恒流源的电路图；

图5为本发明一实施例提供的电化学阻抗谱采集模块内部信号调理电路中的交直分离电路的电路图；

图6为本发明一实施例提供的电化学阻抗谱采集模块内部信号调理电路中的差分放大电路的电路图；

图7为本发明一实施例提供的电化学阻抗谱采集模块对待测池进行检测的方法流程图；

图8为本发明一实施例提供的基于人工智能实现电池健康度智能分析的方法流程图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明一实施例提供了基于人工智能实现电池健康度智能分析的系统，包括：电化学阻抗谱采集模块、电化学阻抗谱训练模块、健康度预测模块以及健康度显示模块；

所述电化学阻抗谱采集模块与所述电化学阻抗谱训练模块及所述健康度预测模块电性连接，所述健康度预测模块与所述健康度显示模块电性连接；

所述电化学阻抗谱采集模块，用于测试不同健康状态下的电池的电化学阻抗谱，得到测试数据；

所述电化学阻抗谱训练模块，将训练样本作为输入对预先建立的神经网络算法模型进行训练；其中，根据采集到的不同健康状态下的电池的阻抗谱测试数据建立样本集，按样本抽样方法将所述样本集划分为训练集与测试集，所述训练集用于算法模型的训练，所述测试集用于检验所述算法模型预测结果的准确度，通过神经网络的图像识别算法或预测算法对电化学阻抗谱进行学习得到训练好的神经网络算法模型，实现不同健康状态条件下的电池阻抗谱特性的识别；

所述健康度预测模块，获取待测电池的电化学阻抗谱，将其输入至训练好的神经网络算法模型中进行阻抗谱识别，判断待测电池的健康状态；

所述健康度显示模块，用于显示待测电池的电化学阻抗谱以及待测电池的健康状态。

可选的，所述待测电池为锂离子电池。

进一步的，如图2-3所示，所述电化学阻抗谱采集模块包括：宽频恒流源、待测电池、参考电阻R

所述宽频恒流源与所述待测电池及所述参考电阻R

所述信号调理电路，用于信号的交直分离、差分放大以及滤波；

所述微处理器控制AD转换模块输出正弦波激励电压信号，所述宽频恒流源接收所述正弦波激励电压信号，产生幅值、频率恒定的交流激励电流；

所述AD转换模块，用于采集参考电阻R

可选的，所述微处理器的型号为STM32F411。

可选的，在微处理器的控制下由AD转换模块输出正弦波激励电压信号，通过所述正弦波激励电压信号控制所述宽频恒流源的输出。

可选的，如图4所示，所述宽频恒流源包括AD830、AD8066、0.1％精密电阻Rs；所述AD830内部含有两对差分输入(四个输入端子)；所述AD830包括两个相同的电压-电流转换器和一片电压跟随器；电压-电流转换器具有全差分输入、高线性度、高输入阻抗和宽电压范围的工作特性；令V

I

式中，A表示运放开环增益；V

AD8066与电阻R

可选的，如图3所示，所述信号调理电路包括交直分离电路、差分放大电路以及滤波电路。

可选的，所述信号调理电路包括交直分离电路、差分放大电路、滤波电路以及开关通路，所述开关通路设置在所述差分放大电路与所述AD转换模块之间；所述开关通路开启时，所述差分放大电路直接与所述AD转换模块连接；所述开关通路关闭时，所述滤波电路直接与所述AD转换模块连接；

所述微处理器经由所述AD转换模块，控制所述宽频恒流源输出频率不同大小相同的输出电流(例如频率间隔为1-10Hz)，控制模拟开关、开关通路，分别采集开关通路开启及关闭时参考电阻R

所述微处理器经由所述AD转换模块，控制所述宽频恒流源输出频率不同大小相同的输出电流(例如频率间隔为1-10Hz)，控制模拟开关、开关通路，分别采集开关通路开启及关闭时待测电池的响应电压，并求取开关通路开启及关闭时待测电池的响应电压的比值B(i)，判断︱B(i)︱是否在阈值范围内(如0.95≤︱B(i)︱≤1.05)，并选择阈值范围内的频率Ni(i＝1，2，…n)作为采样频率；

若Pi、Ni存在重复值，则选取Pi、Ni的重复值作为待测电池的采样频率；若Pi、Ni不存在重复值，则选取Ni作为待测电池的采样频率；通过选择合适的采样频率提高采样数据的精度。

通过上述方式，筛选出不同大小电流下对应的最佳采样频率。

可选的，如图5所示，所述交直分离电路在混叠信号基础上，滤除掉直流分量，只保留系统所需要的交流分量；所述交直分离电路包括依次串联设置的2.2μF电容、2MΩ电阻、2MΩ电阻、2.2μF电容，其中，两个2MΩ电阻中间接地。

可选的，如图6所示，所述差分放大电路用于将交流电压放大到AD采样范围之内；所述差分放大电路包括放大器U1A、U1B、U1C、U1D、电容C1-C2、R1-R8；电容C1设置在U1A的1号端子与U1B的5号端子之间，电容C2设置在U1D的14号端子与U1C的10号端子之间，电容R1设置在U1A的2号端子与U1D的13号端子之间，电容R2设置在U1D的13号端子与U1B的14号端子之间，电容R3设置在U1A的1号端子与U1A的2号端子之间，电容R4设置在U1B的6号端子与U1C的9号端子之间，电容R5设置在U1C的8号端子与U1C的9号端子之间，电容R6设置在U1B的6号端子与U1B的7号端子之间，电容R7设置在U1B的5号端子与1.5V端子之间，电容R8设置在U1C的10号端子与1.5V端子之间。

可选的，电容C1为2.2μF，电容C2为2.2μF，电阻R1为1kΩ，电阻R2为10kΩ，电阻R3为10kΩ，电阻R4为1kΩ，电阻R5为10kΩ，电阻R6为10kΩ，电阻R7为2MΩ，电阻R8为2MΩ。

根据理想运算放大器的“虚短”、“虚断”的特性，可以得到：

根据已知电阻的阻值，即：R

得到两级差分放大器电压放大倍数为：25×25＝625。

如图7所示，所述电化学阻抗谱采集模块，在测量待测电池的电化学阻抗谱时包括以下步骤：

步骤1，将待测电池接入检测系统，采用开尔文四端子检测法进行检测；

步骤2，通过微处理器控制AD转换模块产生正弦波激励电压信号，宽频恒流源接收正弦波激励电压信号，产生幅值、频率恒定的交流激励电流，输入给参考电阻R

步骤3，参考电阻R

步骤4，AD转换模块分别对V

参考电阻的电压响应与激励交流电流同相，激励交流电流经过待测电池的响应电压会改变相位，交流激励电流源为正弦信号：

I(t)＝I

式中:I

U(t)＝U

式中：U

阻抗测量公式：

通过上述方法采集不同采样频率时待测电池的阻抗以获取待测电池的阻抗谱。

进一步的，所述电化学阻抗谱训练模块的训练步骤为：建立神经网络算法模型，将获取到的已知的不同健康状态(SOH)的电池的阻抗谱共同形成样本集，针对整个样本集按样本抽样方法划分为训练集与测试集，样本抽样方法包括随机抽样方法、交叉验证法、自助法等各类训练集划分方法；将训练集作为输入用于算法模型训练过程，将测试集作为输入用于检验算法准确度，通过神经网络算法对电化学阻抗谱模型进行学习，实现不同健康状态下电池阻抗谱特性的识别；所述的神经网络算法模型，包括基于图像形式输入的神经网络算法和基于数据矩阵输入的预测算法；对于基于图像形式输入的神经网络算法，是将采集到的电化学阻抗谱曲线以图片形式进行输入，通过卷积神经网络、局部特征描述算法等算法实现图像特征识别，通过辨识低频段、中频段、高频段的图像特征及飘移，实现不同健康状态条件下的电池电化学阻抗谱的识别；对于基于数据矩阵输入的预测算法，是将采集到的电化学阻抗谱以频率-阻抗阵列形式进行输入，通过时序神经网络、基于长短时记忆的循环神经网络等算法进行数值特征辨识，通过对比不同频率点下阻抗的偏离等，实现不同健康状态条件下的电池电化学阻抗谱的识别。

如图8所示，本发明一实施例提供了基于人工智能实现电池健康度智能分析的方法，采用前述实施例所述的基于人工智能实现电池健康度智能分析的系统进行实现，所述方法包括以下步骤：

步骤一：获取待测电池的电化学阻抗谱数据；

步骤二：将所述电化学阻抗谱信号输入至训练好的神经网络算法模型中预测所述待测电池的健康状态；

步骤三：判断待测电池的健康状态是否符合阈值要求；

步骤四：显示待测电池健康状态的预测结果。

可选的，所述步骤一在测试不同健康状态下的电池的电化学阻抗谱时，采集指定频率下的阻抗，该指定频率为Ni或Pi与Ni的重复值；

可选的，所述步骤二在训练神经网络算法模型时，增加指定频率处对应阻抗的训练权重，该指定频率为Ni或Pi与Ni的重复值；通过上述设置提高训练模型的准确度。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。