锂离子动力电池组由多个单体电池采用串并联方式组成。电池组一致性是指成员电池之间外观、质量、电化学特征的一致程度，直接影响电池组寿命、安全，是其最重要评价指标之一。如一致性较低，易产生自发热、老化加速等现象，甚至引发火灾。分选是提升一致性水平的关键手段，包括不一致分选和一致性分选。因此，开展此项研究具有重要的理论意义和应用价值。

单体一致性是指在一批产品中该电池与其它电池之间的不一致程度。单体一致性较低的电池被称为不一致电池；反之，则为一致电池。不一致分选是指将不一致电池从一批产品中筛选出去，其目的是降低整体不一致性；一致性分选是指将特征相似的电池分为一类，以组成电池组，其目的是提升电池组一致性。论文的主要工作和创新点归纳如下：

（1）提出了一种基于竞争网络架构的无监督不一致分选方法

工业现场数据缺乏标注，在无监督条件下进行不一致分选任务成为首要任务。现有方法期望模型更好地学习一致电池，而非不一致电池特征。然而，模型不具备自主判别能力。其存在的问题是，较强的数据表达能力会导致模型同时学习两类样本特征。

为解决该问题，构建了一种基于竞争网络架构的不一致分选模型，并包括一种基于信息熵的数据增强方法。其中，数据增强的目的是提升数据可分性；不一致分选模型包含两个交替训练的子网络，分别用于一致和不一致样本特征嵌入和重构。对比实验结果表明，所提方法较现有方法更具优势。

（2）提出了一种融合了多源数据和专家知识的半监督不一致分选方法

锂动力电池数据样本标签极不平衡，且现有方法仍存在两个问题：其一，缺乏对多源数据的利用；其二，没有考虑到工业现场普遍存在的专家知识。因此，将多源数据和专家知识融合到模型中成为关键。

为解决这些问题，构建了一种融合了多源数据和专家知识的不一致分选模型。模型对多工步不同采集条件下时间序列进行特征提取、融合和嵌入。此外，模型包含专家知识融合单元，用于将专家知识转化为不一致分选模型的约束条件，同时从原始重构输出和源数据过滤特征。对比实验结果表明，所提方法均取得了更好的不一致分选结果。

（3）提出了一种基于多工序的一致性分选方法

电池组存在经多次充放电循环后健康状态迅速衰减的现象，除客观因素外，主要原因是一致性分选方法存在问题。现有方法主要采用个别工序数据集进行，然而一致性是受制造过程全生命周期影响的。因此，有效地利用全生命周期的多工序数据进行一致性分选成为关键。

为解决该问题，提出了一种基于多工序数据的一致性分选方法，包括数据融合模型和基于密度聚类的一致性分选模型。首先，采用自注意力机制进行多工序数据特征提取，并引入残差结构构建深层网络。然后，将一致性分选问题转化为聚类问题，基于受限动态规整距离进行相似度度量，对融合特征进行聚类分析，所得类簇即为一致性分选结果。实验结果表明，经过锲锵锰次充放电循环后，基于本文方法组装的电池组具有更高的健康状态和一致性。

（4）开发了工业大数据平台进行应用验证

以锂离子动力电池生产车间为实地场景，设计、开发了工业大数据平台进行应用验证。应用实践表明，在不一致分选方面，所提方法与厂商现有方法对比，分选精准率大幅上升，同时有效降低了分选耗时。在一致性分选方面，通过所提方法分选的电池装配的电池组，与现有方法对比具有更高的一致性；且经过多次充放电循环后，具有更高的健康状态。