一种电池自放电检测方法、设备及其系统与流程

本发明涉及电池测试领域，具体涉及一种电池自放电检测方法、设备及其系统。

背景技术：

1、锂电池的自放电现象是指锂电池处于开路搁置时，其容量自发损耗的现象，也称为荷电保持能力。而锂电池的自放电现象不可避免，其存在不仅导致锂电池本身容量的减少，而且还严重影响锂电池的配组及循环寿命。由于每个锂电池都存在自放电现象，而每个锂电池的自放电率不同，因此在锂电池的生产过程中，必须检测锂电池的自放电程度，并根据其自放电程度而将锂电池分为ac、bc和bd等等级。其中，当前锂电池的自放电检测主要通过老化环节进行。所谓老化环节，即，将锂电池静置14天，通过老化环节前后的电压差来判断锂电池的电芯是否存在自放电现象。请参考图1，现有的自放电挑选方法通常采用ocv(开路电压)法，即，在图1中的电压1测试中采集电芯的开路电压ocv1，并记录时间t1，经过常温静置72小时后，在电压2测试中采集电芯的开路电压ocv2，并记录时间t2，计算电芯的k值。其中，k值的表达式为：k＝(ocv1-ocv2)/(t2-t1)。之后，通过判断k值的大小来识别出自放电异常的电芯。因而，上述自放电挑选方法存在以下缺陷：1)老化环节占用的时间长，且在电池产能高的情况下，库存成本较大；2)工步繁杂，即，需要两步ocv来计算k值；3)能耗高，且需要存储空间和温控。

2、为提升锂电池的生产效率、简化工步和节省能耗，同时保证自放电挑选的准确性，提升锂电池的品质及安全性能，ai智能与大数据深度融合的赋能方法不断涌现。

3、申请号为202010760423.9的中国专利文献公开了一种锂电池自放电检测方法、装置及系统。上述锂电池自放电检测方法、装置及系统利用机器学习方法寻找稳定的状态，可以节省时间，实现快速挑选自放电电芯的目标。该专利文献声称，在保证同样的检出效果的前提下，将传统的锂电池常温静置工艺时间由144小时，缩短至74h(小时)，即，大幅了减少静置时间，进而减少所占用静置库位或厂房的面积，使得设备的相关投资费可以大幅降低，同时产品的交付周期大幅缩短。然而该方法需要精密的仪器来测试电流，而额外的精密仪器带来设备费用的增加，并且精密仪器的成本不低；另外，尽管该专利文献提出的利用机器学习挑选自放电电芯而节省时间的做法是可取的，但是判断稳定状态是一大难点，需要大量的实验数据，并且需要大数据技术支持。

4、申请号为202111153645.5的中国专利文献公开了一种基于深度学习的电池异常检测系统及方法。该专利文献利用深度学习的方法来识别特征，并建立深度学习模型，识别一些未知的特征。该方法通过整理数据，构建深度神经网络，声称能够实现特征的自动选择，且使得其能够对未知的异常情况下也具有较佳的判别能力、较佳的扩张性和鲁棒性。但是，发明人发现：该方法是利用深度学习的方法来寻找异常特征，即，几乎全部是利用数据驱动的分析方法，而缺乏与实际工艺的结合，对生产工艺的改良帮助不大。

5、申请号为202110974524.0的中国专利文献公开了一种用于动力电池的自放电异常检测方法及设备。该方法及设备通过提取采样数据来生成区块时间序列数据集；构建时间序列数据集，建立深度学习模型，从而实现对所述动力电池的自放电异常的检测。但是，发明人发现：该专利文献中的时间序列数据的处理方法，尽管可以应用于bms系统中，但是同样地缺乏与实际生产工艺的结合，对锂电池工艺生产的改良帮助有限。

6、申请号202210573786.0的中国专利文献公开了一种基于预充工序的异常电芯筛查方法、装置和设备。该方法能够提取预充阶段的电压特征，并判断待检电芯是否包含异物。该方法与锂电池电芯制造的工艺过程结合。但是，发明人发现：该方法是用于判断电芯是否包含异物，而异物只是引起自放电异常的一种因素；另外该方法的准确率有待改进。

7、综上所述，锂电池的生产工艺中电池自放电检测所采用的ocv方法存在时间长、工艺繁杂及能耗高的问题；而利用精密仪器辅助测试电流的方法则需要增加设备，涉及产线、工厂改造，投入成本高；而利用大数据、机器学习、深度学习的方法则基于数据驱动，与实际工艺生产脱节，效果难于指导工艺改良、提升生产效率和产品品质。因此，针对现有技术的不足有必要进行改进。

技术实现思路

1、本发明主要解决的技术问题是提供一种电池自放电检测方法、设备及其系统，以高效并准确地输出待检测电池的自放电检测结果。

2、根据第一方面，一种实施例中提供一种电池自放电检测方法。该电池自放电检测方法包括：

3、获取处于负压化成阶段的待检测电池的负压化成过程数据；其中，所述负压化成过程数据包括所述处于负压化成阶段的待检测电池的电压子数据和/或温度子数据；

4、对所述负压化成过程数据进行预处理，以得到待输入特征数据；

5、将所述待输入特征数据输入已经训练好的自放电检测模型，所述自放电检测模型输出所述待检测电池的自放电检测结果；其中，所述自放电检测结果包括：自放电正常或自放电异常。

6、一实施例中，所述对所述负压化成过程数据进行预处理，以得到待输入特征数据，包括：

7、基于与所述负压化成过程数据对应的类别对所述负压化成过程数据进行差分处理，以得到与所述类别对应的过程数据差分序列；其中，所述类别包括所述待检测电池的电压和/或温度；

8、从与所述类别对应的过程数据差分序列中提取对应所述类别的最大值特征数据、偏度特征数据和峰度特征数据；

9、将对应所述类别的最大值特征数据、偏度特征数据和峰度特征数据作为所述待检测电池的待输入特征数据。

10、一实施例中，所述负压化成过程数据是对处于所述负压化成阶段中充电工步的小电流充电子阶段的所述待检测电池进行采集而得到的。

11、一实施例中，所述已经训练好的自放电检测模型是通过以下步骤训练得到的：

12、获取历史测试电池的所述自放电检测结果，其中，所述历史测试电池为所述自放电检测结果为已知的电池；

13、获取与所述历史测试电池分别对应的所述负压化成过程数据；

14、对与所述历史测试电池分别对应的所述负压化成过程数据进行预处理，以得到所述历史测试电池的待输入特征数据；

15、基于所述历史测试电池的待输入特征数据对初始的自放电检测模型进行训练，进而得到所述已经训练好的自放电检测模型。

16、一实施例中，所述历史测试电池的所述自放电检测结果是基于所述历史测试电池的k值而筛选得到的；其中，若所述历史测试电池的k值低于预设阈值，则所述历史测试电池的所述自放电检测结果为自放电正常；若所述历史测试电池的k值未低于预设阈值，则所述历史测试电池的所述自放电检测结果为自放电异常。

17、一实施例中，所述预设阈值的范围为0.06mv/h至0.1mv/h。

18、一实施例中，所述电池自放电检测方法还能够包括：对所述待检测电池的自放电检测结果进行可视化展示。

19、根据第二方面，一种实施例中提供一种电池自放电检测设备。该电池自放电检测设备包括：至少一个处理器；存储器，与所述至少一个处理器连接；其中，所述存储器存储有能被所述至少一个处理器执行的指令，所述至少一个处理器通过执行所述存储器存储的指令实现本文中任意一项实施例所述的电池自放电检测方法。

20、根据第三方面，一种实施例中提供一种电池自放电检测系统。该电池自放电检测系统包括：

21、数据检测模块，用于获取处于负压化成阶段的待检测电池的负压化成过程数据；其中，所述负压化成过程数据包括所述处于负压化成阶段的待检测电池的电压子数据和/或温度子数据；

22、数据处理模块，用于对所述负压化成过程数据进行预处理，以得到待输入特征数据；

23、数据预测模块，用于将所述待输入特征数据输入已经训练好的自放电检测模型，所述自放电检测模型输出所述待检测电池的自放电检测结果；其中，所述自放电检测结果包括：自放电正常或自放电异常。

24、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。该介质包括程序，所述程序能够被处理器执行以实现如本文中任一项实施例所述的方法。

25、本技术的有益效果是：

26、本技术的电池自放电检测方法包括：获取处于负压化成阶段的待检测电池的负压化成过程数据；其中，所述负压化成过程数据包括所述处于负压化成阶段的待检测电池的电压子数据和/或温度子数据；对所述负压化成过程数据进行预处理，以得到待输入特征数据；将所述待输入特征数据输入已经训练好的自放电检测模型，所述自放电检测模型输出所述待检测电池的自放电检测结果；其中，所述自放电检测结果包括：自放电正常或自放电异常。上述设备及其系统能够实现上述电池自放电检测方法。