题名 | 锂离子动力电池分选方法研究与应用 |
作者 | 王玉栋 |
答辩日期 | 2021-11 |
文献子类 | 博士 |
授予单位 | 中国科学院自动化研究所 |
授予地点 | 中国科学院自动化研究所 |
导师 | 谭杰 |
关键词 | 电池分选 动力电池 一致性分选 不一致分选 |
学位名称 | 工学博士 |
学位专业 | 计算机应用技术 |
英文摘要 | 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。 |
语种 | 中文 |
页码 | 136 |
内容类型 | 学位论文 |
源URL | [http://ir.ia.ac.cn/handle/173211/46629] |
专题 | 综合信息系统研究中心_工业智能技术与系统 |
推荐引用方式 GB/T 7714 | 王玉栋. 锂离子动力电池分选方法研究与应用[D]. 中国科学院自动化研究所. 中国科学院自动化研究所. 2021. |
个性服务 |
查看访问统计 |
相关权益政策 |
暂无数据 |
收藏/分享 |
除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。
修改评论