基于机器学习的缺陷电池筛选方法、设备及介质
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；
常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四开路电压和第一三交流内阻下最低的常温自放电率，在所述第三坐标模型上插值得到第二基准曲面，将所述第四开路电压介于正常电池最小和最大的开路电压值之间，以及所述第三交流内阻介于正常电池最小和最大的交流内阻值之间，且所述常温自放电率处于前述第二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；
内阻异常电池筛选，获取常温状态下的待测电池的第五开路电压和直流内阻，基于所述第五开路电压和直流内阻构建第四坐标模型，并通过机器学习算法对第四坐标模型中的数据进行离群点检测，将离群点对应坐标所对应的电池判定为内阻异常的缺陷电池，将非离群点坐标所对应的电池判定为正常电池。
在上述筛选检测过程中，采用滑动机制获取待测电池的数据，所述滑动机制为：在电池流水线生产的过程中，依次获取电池样本数据，构成具有n个相邻电池样本数据的样本数据组，每当得到新的电池样本数据后，均替换掉所述样本数据组中最先获取的电池样本数据，构成新的样本数据组，检测筛选时，每次均以所述样本数据组中数据进行检测，并对所述样本数据组中最新数据进行结果判定。
进一步的，将经过高温自放电异常检测、容量异常检测、常温自放电异常检测以及内阻异常自放电检测，筛选后得到的缺陷电池结果输出，并对得到的结果进行缺陷电池终筛选，具体过程如下：
获取筛选结果中正常电池的内阻、高温自放电率、常温自放电率的最高值以及容量的最低值，将临近最高值与最低值预设差值范围的正常电池判定为缺陷电池，并输出。
进一步的，所述第一开路电压为电池在40-50°C环境下静置10-14h测量得到，在该温度下搁置3-5天后测量得到第二开路电压，所述自放电率为所述第一开路电压和第二开路电压差值与搁置时间的比值。
进一步的，所述常温的状态温度为20-30°C。
进一步的，在容量异常电池筛选时，采用对电池满充满放获得所述电池容量，并静置4-8h进行开路电压的测量，得到所述第三开路电压；
测得所述第三开路电压后在所述常温下静置4-8h进行交流内阻的测量，得到所述第二交流内阻。
进一步的，在常温状态下，对完成分容的电池再次充电并静置4-8h进行开路电压和交流内阻的测量得到所述第四开路电压和所述第三交流内阻；
得到所述第四开路电压后，在该常温状态下搁置7-14天再次进行开路电压的测量，得到第五开路电压，所述常温自放电率为所述第五开路电压和第四开路电压压差与搁置时间的比值。
进一步的，坐标模型构建完成后，进行离群点检测的机器学习算法包括孤立森林、K均值聚类或局部离群因子。
进一步的，坐标模型根据电池样本采集的数据进行搭建；
所述第一坐标模型和第三坐标模型以得到的开路电压为x坐标，交流内阻为y坐标，自放电率为z坐标；
所述第二坐标模型以开路电压为x坐标，交流内阻为y坐标，电池容量为z坐标；
所述第四坐标模型以开路电压为横坐标，直流电阻为纵坐标。
本发明提供了一种缺陷电池筛选设备，包括检测终端、数据采集装置、电池生产线装置；
所述检测终端用于检测所述电池生产线装置中生产的电池样本的缺陷电池和正常电池并将结果输出；
所述数据采集装置用于采集所述电池生产线装置中，待测电池样本的参数数据并将数据传输至检测终端；
所述电池生产线装置用于生产电池，并提供电池检测的温度环境。
本发明提供了一种计算机存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述基于机器学习的缺陷电池筛选方法的步骤。
本发明的有益效果如下：
1、基于机器学习算法对电池测试结果进行分析和诊断，避免只凭传统经验设置阈值，因阈值设定不准确而造成漏筛或过筛的现象，能够在保证电池品质的同时提升电池产线良品率，适用于电池生产企业大批量生产电池时使用。
2、批量处理电池数据对电池进行筛选判定，适用于电池流水线生产，不会造成大量电池的堆积库存，降低企业的库存压力，提高产品流转效率。
3、自放电检测中设有复筛机制，通过插值设定一个基准曲面，根据基准曲面再次进行判断，将初筛中判定错误的电池样本改为正常电池，避免误判，提高电池筛选检测的准确度。
4、电池检测最后设置终筛机制，将各项筛选检测的结果关联，将正常电池中各检测数据均临近整体电池样本极值的电池标位缺陷电池，避免因为各项筛选无关联将临界数据的缺陷电池漏筛。
附图说明
图1是本发明的方法流程示意图；
图2是本发明计算机设备结构示意图。
具体实施方式
在下面的描述中对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
本发明的实施例1提供了一种基于机器学习的缺陷电池筛选方法。
首先设定批量检测样本，本实施例中选取电池生产流水线上15000个电池作为待测电池样本；本实施例中检测顺序为高温自放电筛选检测、容量筛选检测、常温自放电筛选检测以及内阻筛选检测，该检测顺序均可根据实际情况进行调整。
在电池流水线生产过程中，获得n个电池的数据后，采用滑动机制进行筛选检测，所述滑动机制为：在电池流水线生产的过程中，依次获取电池样本数据，构成具有n个相邻电池样本数据的样本数据组，每当得到新的电池样本数据后，均替换掉所述样本数据组中最先获取的电池样本数据，构成新的样本数据组，检测筛选时，每次均以所述样本数据组中数据进行检测，并对所述样本数据组中最新数据进行结果判定；即在电池流水线生产过程中，在获得相邻n个电池的样本数据后，根据第1~n个电池样本数据进行离群点检测，如果第n个电池对应的点是离群点，则判为异常；当又获得第n+1个电池样本数据后，以前第2~n+1个电池数据对第n+1个电池的样本数据进行离群点检测，如果第n+1个电池对应的点是离群点，则判为异常电池，以此类推。每次进行离群点检测的电池样本个数都是n个，但是每次算法处理的电池样本是滑动变化的。
正常电池与缺陷电池的自放电量不同，通过在一定温度下静置一段时间再测量电池的电压数据，作为样本的参数数据，其中温度和时间可根据实际情况进行相应的调整。
作为优选方案，如图1所示，该方法包括如下步骤：
S1：获取待测电池的开路电压、交流内阻和自放电率；
在电池完成化后，将待测电池置于50°C环境下，静置12h，然后测量电池的电压，将此时得到的电压记为第一开路电压，测量该电池的交流内阻记为第一交流内阻，之后在当前温度状态下搁置4天，测量电池电压并记为第二开路电压，计算所述第一开路电压与所述第二开路电压得到压差，用压差除以该高温状态下的搁置时间得到待测电池的高温自放电率。
S2：高温下的自放电异常电池初筛：在电池流水线生产过程中获得该批15000个电池的第一开路电压、第一交流内阻和高温自放电率后，以当前电池电池为样本，将这15000个电池的第一开路电压、第一交流内阻和高温自放电率组成15000行3列数据，以第一开路电压为x坐标，第一交流内阻为y坐标，高温自放电率为z坐标构建直角坐标模型，将待测电池样本映射在直角坐标模型中，其中一个点即代表一个电池，然后利用孤立森林算法或K均值聚类或局部离群因子对这15000个点进行离群点检测，离群点对应的电池为疑似缺陷电池，非离群点对应的电池为正常电池。如果当前电池（第15000个电池样本）对应的点是离群点中的一个，则判定当前电池为疑似缺陷电池，如果当前电池对应的点是非离群点中的一个，则判定当前电池为正常电池。
S3：高温下的自放电异常电池复筛：获得上述S2中经过初筛选得到的正常电池中各第一开路电压和第一交流内阻下的最低高温自放电率，插值出一个基准曲面，即基于坐标模型中自放电率坐标轴，以靠近xoz面、yoz面的电池坐标点作为边界点，将边界点与z轴所构成的平面作为边界面，将所述边界面中所有沿着z轴最小的电池样本点以曲面连接起来，构建一个最低的高温自放电率曲面，进而进行复筛判定，若初筛中疑似缺陷电池的第一开路电压介于正常电池最小第一开路电压值和最大第一开路电压值之间，第一交流内阻介于正常电池最小第一交流内阻值和最大第一交流内阻值之间，且自放电率处于前述基准曲面之下，即自放电率低于正常电池第一开路电压和第一交流内阻下的最低高温自放电率，则将该疑似缺陷电池改判为正常电池。由于S2中有一些电池虽然属于离散点，但因为这些电池的自放电率很低，所以认为是正常电池。对电池流水生产线的后续电池同样进行S1-S3步骤处理，即先根据流水线上第1-15000个电池的数据对第一批样本电池进行判别，然后用第2-15001个电池的数据对第15001个电池判别，依此类推，实现滑动筛选，适应流水线电池生产过程。
S4：容量异常电池筛选：对待测电池进行满充满放，获得电池容量，之后将电池静置6个小时去除极化影响，然后再次检测电池的电压和交流内阻，将得到的电压和交流内阻，记为第三开路电压和第二交流内阻，将这15000个电池的第三开路电压、第二交流内阻和电池容量组成15000行3列数据，以第三开路电压为x坐标，以第二交流内阻为y坐标，电池容量为z坐标构建直角坐标模型，并将待测电池样本映射在坐标模型中，其中一个点即代表一个电池，然后利用孤立森林或K均值聚类或局部离群因子等机器学习算法对这些电池样本点进行离群点检测，将离群点对应的电池标记为有容量异常的缺陷电池，非离群点对应的电池标记为为正常电池。
S5：获取该批待测电池在常温下的开路电压、交流内阻和自放电率；
在电池流水线生产过程中，电池完成分容测试后，将待测电池置于20℃环境下静置6个小时后，测量电池的电压记为第四开路电压，测量电池的交流内阻记为第三交流内阻，然后在该常温状态下将待测电池搁置12天，再次测量电池电压记为第五开路电压，计算得到的所述第四开路电压与所述第五开路电压的压差，用压差除以常温搁置时间得到电池的常温自放电率。
S5：常温下的自放电异常电池初筛：根据得到的15000个待测电池的第四开路电压、第三交流内阻和常温自放电率组成15000行3列数据，以第四开路电压为x坐标，以第三交流内阻为x坐标，常温自放电率为z坐标构建直角坐标模型，并将待测电池样本映射在坐标模型中，其中一个点即代表一个电池，然后利用孤立森林算法对这15000个点进行离群点检测，将离群点对应的电池标记为有容量异常的缺陷电池，非离群点对应的电池标记为为正常电池。
S6：常温下的自放电异常电池复筛：
获得上述S5中经过初筛选得到的正常电池中各第四开路电压和第三交流内阻下的最低常温自放电率，插值出一个基准曲面，即基于坐标模型中自放电率坐标轴，以靠近xoz面、yoz面的电池坐标点作为边界点，将边界点与z轴所构成的平面作为边界面，将所述边界面中所有沿着z轴最小的电池样本点连接起来，构建一个最低的常温自放电率曲面，进而进行复筛判定，若初筛中疑似缺陷电池的第四开路电压介于正常电池最小第四开路电压值和最大第四开路电压值之间，第三交流内阻介于正常电池最小第三交流内阻值和最大第三交流内阻值之间，且常温自放电率处于前述基准曲面之下，即常温自放电率低于正常电池第四开路电压和第三交流内阻下的最低高温自放电率，则将该疑似缺陷电池改判为正常电池。同样的，常温下自放电异常检测过程中也采用滑动机制，对电池流水生产线的后续电池同样进行S5-S6步骤处理，即先根据流水线上第1-15000个电池的数据对第一批样本电池进行判别，然后用第2-15001个电池的数据对第15001个电池判别，依此类推，实现滑动筛选，适应流水线电池生产过程。
S7：内阻异常电池筛选：在获得待测电池的所述第五开路电压后，对待测电池进行直流内阻检测，得到直流内阻，以第五开路电压为横坐标，内阻为纵坐标构建直角坐标模型，其中一个点即代表一个电池，然后利用孤立森林、K均值聚类或局部离群因子等机器学习算法对待测电池样本点进行离群点检测，离群点对应的电池为有直流内阻异常的缺陷电池，非离群点对应的电池为正常电池。
S8：缺陷电池终筛选：获取上述步骤筛选结果中被标定为正常电池的内阻、高温自放电率、常温自放电率的最高值以及容量的最低值，将临近最高值与最低值预设差值范围的正常电池判定为缺陷电池；即将经过步骤S1-S7筛选后得到的正常电池，判断该正常电池的内阻、高温和常温下的自放电率是否临近其余电池样本中正常电池中的最高值，且容量是否临近最低值，若标记为正常电池的电池样本的内阻、高温和低温自放电率均临近正常电池样本中的最高值，且容量临近正常电池样本中的最低值，则将该电池样本标记为缺陷电池，并将结果输出。
实施例2
本发明的实施例2提供了一种缺陷电池筛选设备，如图2所示，包括检测终端、数据采集装置、电池生产线装置；
所述检测终端用于检测所述电池生产线装置中生产的电池样本的缺陷电池和正常电池并将结果输出；
所述数据采集装置用于采集所述电池生产线装置中，待测电池样本的参数数据并将数据传输至检测终端；
所述电池生产线装置用于生产电池，并提供电池检测的温度环境。
实施例3
本发明的实施例3提供了一种计算机存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述基于机器学习的缺陷电池筛选方法的步骤。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。
