CN114236403A - 基于超声测量的锂离子电池荷电状态估计方法及装置 - Google Patents
基于超声测量的锂离子电池荷电状态估计方法及装置 Download PDFInfo
- Publication number
- CN114236403A CN114236403A CN202111539219.5A CN202111539219A CN114236403A CN 114236403 A CN114236403 A CN 114236403A CN 202111539219 A CN202111539219 A CN 202111539219A CN 114236403 A CN114236403 A CN 114236403A
- Authority
- CN
- China
- Prior art keywords
- ultrasonic
- state
- charge
- battery
- time domain
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 35
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 35
- 238000005259 measurement Methods 0.000 title claims abstract description 30
- 238000012360 testing method Methods 0.000 claims abstract description 82
- 238000012549 training Methods 0.000 claims abstract description 61
- 238000007599 discharging Methods 0.000 claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 6
- 238000007637 random forest analysis Methods 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 13
- 230000009467 reduction Effects 0.000 claims description 13
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 24
- 230000008859 change Effects 0.000 description 11
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 9
- 238000002604 ultrasonography Methods 0.000 description 9
- 230000002596 correlated effect Effects 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000005556 structure-activity relationship Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000007772 electrode material Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明实施例公开了一种基于超声测量的锂离子电池荷电状态估计方法及装置。该方法包括：在待测电池充放电状态下，用超声波检测待测电池的荷电状态，并获取检测后的超声波信号；根据超声波信号的特征类型在超声波信号的拟合包络线上扩展超声时域特征；根据低复杂性的回归模型构建荷电状态初步估计模型；根据待测电池中训练电池的超声时域特征训练荷电状态初步估计模型，得到荷电状态最终估计模型；将待测电池中测试电池的超声时域特征输入荷电状态最终估计模型，得到测试电池的荷电状态。本方案基于超声波信号提取的超声时域特征和低复杂性的回归模型构建的荷电状态最终估计模型可以对长期工作于开路电压平台期的电池实现精确的荷电状态估计。
Description
技术领域
本发明实施例涉及电池检测技术领域，尤其涉及一种基于超声测量的锂离子电池荷电状态估计方法及装置。
背景技术
锂离子电池因能量高、寿命长、无污染等优势广泛应用于交通运输，移动通信等多个领域。锂离子电池易受环境温度、电压、电流等参数影响而发生性能衰退，严重时可能产生安全问题。由此智能化电池管理***是电池进行安全高效工作的重要保障。
电池荷电状态(State of charge,SOC)是电池管理***中的重要监测指标。精确估计SOC可以衡量锂离子电池的续航能力，提高电池充放电效率和延长使用寿命。目前SOC估计方法主要是采用开路电压法和安时积分法先确定SOC先验值，再结合电压模型如等效电路模型和分数阶模型计算模型预测电压与测量电压的误差，最后基于滤波器类算法或状态观测类算法修正先验值后得到SOC准确值。此类方法非常依赖于开路电压(Open CircuitVoltage，OCV)-SOC曲线和电压模型性能，但是对于某些电池体系，如磷酸铁锂、钛酸锂体系电池，由于OCV-SOC曲线过于平坦，导致电压信号对SOC变化不敏感而难以精确估计。
发明内容
本发明实施例提供一种基于超声测量的锂离子电池荷电状态估计方法及装置，以实现对长期工作于OCV平台期的电池实现精确的SOC估计。
第一方面，本发明实施例提供了一种基于超声测量的锂离子电池荷电状态估计方法，其包括：
在待测电池充放电状态下，用超声波检测待测电池的荷电状态，并获取检测后的超声波信号；
根据超声波信号的特征类型在超声波信号的拟合包络线上扩展超声时域特征；
根据低复杂性的回归模型构建荷电状态初步估计模型；
根据待测电池中训练电池的超声时域特征训练荷电状态初步估计模型，得到荷电状态最终估计模型；
将待测电池中测试电池的超声时域特征输入荷电状态最终估计模型，得到测试电池的荷电状态。
可选地，根据超声波信号的特征类型在超声波信号的拟合包络线上扩展超声时域特征包括：
对超声波信号进行分解，得到多个超声波分量信号，并根据频率阈值对每一超声波分量信号进行滤波降噪；
将滤波降噪后的超声波分量信号进行重构，得到重构超声波信号；
根据重构超声波信号的特征类型在重构超声波信号的拟合包络线上扩展超声时域特征。
可选地，在根据超声波信号的特征类型在超声波信号的拟合包络线上扩展超声时域特征之后，还包括：
获取待测电池充放电过程中各个时刻的荷电状态；
计算超声时域特征与待测电池充放电过程中各个时刻的荷电状态的相关系数；
根据相关系数筛选高相关超声时域特征；
相应的，根据待测电池中训练电池的超声时域特征训练荷电状态初步估计模型，得到荷电状态最终估计模型，包括：
根据训练电池的高相关超声时域特征训练荷电状态初步估计模型，得到荷电状态最终估计模型；
相应的，将待测电池中测试电池的超声时域特征输入荷电状态最终估计模型，得到测试电池的荷电状态，包括：
将测试电池的高相关超声时域特征输入荷电状态最终估计模型，得到测试电池的荷电状态。
可选地，基于超声测量的锂离子电池荷电状态估计方法还包括：
根据至少两个评估指标对荷电状态最终估计模型进行评估。
可选地，基于超声测量的锂离子电池荷电状态估计方法还包括：
在循环工况下根据至少两个评估指标对荷电状态最终估计模型进行评估。
可选地，评估指标包括：均方误差、均方根误差、平均绝对误差以及R-Square决定系数。
可选地，超声波信号的特征类型包括结构特征、统计特征以及变换特征。
可选地，构建荷电状态估计模型包括：
基于随机森林模型构建荷电状态估计模型。
第二方面，本发明实施例还提供了一种基于超声测量的锂离子电池荷电状态估计装置，其包括：
超声波信号获取模块，用于在待测电池充放电状态下，用超声波检测待测电池的荷电状态，并获取检测后的超声波信号；
超声时域特征获取模块，用于根据超声波信号的特征类型在超声波信号的拟合包络线上扩展超声时域特征；
模型构建模块，用于构建荷电状态初步估计模型；
模型训练模块，用于根据待测电池中训练电池的超声时域特征训练荷电状态初步估计模型，得到荷电状态最终估计模型；
荷电状态获取模块，用于将待测电池中测试电池的超声时域特征输入荷电状态最终估计模型，得到测试电池的荷电状态。
可选地，超声时域特征获取模块包括：
分解单元，用于对超声波信号进行分解，得到多个超声波分量信号，并根据频率阈值对每一所述超声波分量信号进行滤波降噪；
重构单元，用于将滤波降噪后的超声波分量信号进行重构，得到重构超声波信号；
超声时域特征获取单元，用于根据重构超声波信号的特征类型在重构超声波信号的拟合包络线上扩展超声时域特征。
本发明实施例，通过在待测电池充放电状态下，用超声波检测待测电池的荷电状态，并获取检测后的超声波信号；根据超声波信号的特征类型在超声波信号的拟合包络线上扩展超声时域特征；根据低复杂性的回归模型构建荷电状态初步估计模型；根据待测电池中训练电池的超声时域特征训练荷电状态初步估计模型，得到荷电状态最终估计模型；将待测电池中测试电池的超声时域特征输入荷电状态最终估计模型，得到待测电池的荷电状态。相比于现有技术，本方案使用超声波检测待测电池的荷电状态具有速度快、灵敏度高、成本低等优点。通过检测待测电池材料结构在充放电过程中的力学性质变化导致的声学性能差异，获取的超声波信号更能够更好地携带待测电池的荷电状态信息，由此可以在超声波信号上获取到与待测电池的荷电状态呈高相关性、强一致性的超声时域特征，使得采集的超声时域特征与待测电池所处开路电压平台期的荷电状态具有更简明的构效关系，可精确表征待测电池的荷电状态。采用与待测电池的荷电状态呈高相关性、强一致性的超声时域特征可以大大降低了对构建的荷电状态初步估计模型的精确性要求，从而降低对构建的荷电状态初步估计模型对复杂度的需求。由此基于超声波信号提取高相关性的超声时域特征和低复杂性的回归模型确立的荷电状态最终估计模型可以对长期工作于开路电压平台期的测试电池实现精确的荷电状态估计。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图虽然是本发明的一些具体的实施例，对于本领域的技术人员来说，可以根据本发明的各种实施例所揭示和提示的器件结构，驱动方法和制造方法的基本概念，拓展和延伸到其它的结构和附图，毋庸置疑这些都应该是在本发明的权利要求范围之内。
图1为现有技术提供的一种磷酸铁锂类型电池的OCV-SOC曲线示意图；
图2为本发明实施例提供的一种基于超声测量的锂离子电池荷电状态估计方法的流程示意图；
图3为本发明实施例提供的一种电池综合测试***的连接结构示意图；
图4为本发明实施例提供的一种超声波脉冲发射接收仪与电池结构连接的结构示意图；
图5为本发明实施例提供的另一种基于超声测量的锂离子电池荷电状态估计方法的流程示意图；
图6为本发明实施例提供的一种超声波分量信号降噪前后对比图示意图；
图7为本发明实施例提供的一种超声波信号的拟合包络线上扩展超声时域特征的示意图；
图8为本发明实施例提供的多种超声时域特征与待测电池的荷电状态的变化曲线示意图；
图9为本发明实施例在不同的超声波发射频率下获取到的超声波信号幅值及飞行时间与待测电池的荷电状态的变化曲线示意图；
图10为本发明实施例提供的多种根据低复杂性的回归模型构建的荷电状态初步估计模型经过训练得到的荷电状态最终估计模型在待测电池充电时的SOC估计和误差曲线示意图；
图11为本发明实施例提供的多种根据低复杂性的回归模型构建的荷电状态初步估计模型经过训练得到的荷电状态最终估计模型在待测电池放电时的SOC估计和误差曲线示意图；
图12为本发明实施例提供的一种在动态压力测试类型的循环工况下待测电池的电压和电流曲线示意图；
图13为本发明实施例提供的一种在新欧洲驾驶循环类型的循环工况下待测电池的电压和电流曲线示意图；
图14为本发明实施例提供的一种在动态压力测试类型的循环工况下待测电池的开路电压平台期SOC估计曲线和误差曲线；
图15为本发明实施例提供的一种在新欧洲驾驶循环类型的循环工况下待测电池的开路电压平台期SOC估计曲线和误差曲线
图16为本发明实施例提供的一种基于超声测量的锂离子电池荷电状态估计装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，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作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。
锂离子电池SOC的确定是发展电池管理***的重点。部分类型的电池如磷酸铁锂、钛酸锂体系电池在充放电过程中，长期工作于OCV平台期。图1为现有技术提供的一种磷酸铁锂类型电池的OCV-SOC曲线示意图，如图1所示，虚线为磷酸铁锂类型电池在放电过程中的OCV-SOC性能曲线，实线为磷酸铁锂类型电池在充电过充中的OCV-SOC性能曲线。由图可知，磷酸铁锂类型电池在SOC为10-90％区间内的OCV-SOC性能曲线处于平台期，显然磷酸铁锂类型电池在SOC为10-90％区间内OCV-SOC曲线过于平坦，由此会导致电压信号对SOC变化不敏感，从而难以精确获知SOC的变化，进而无法对磷酸铁锂类型电池的SOC实现精确估计。
为解决上技术问题，本发明实施例提出了一种基于超声测量的锂离子电池荷电状态估计方法，旨在对长期工作于OCV平台期的电池实现精确的SOC估计。
图2为本发明实施例提供的一种基于超声测量的锂离子电池荷电状态估计方法的流程示意图，本实施例可适用于需要检测电池荷电状态的情况。该方法具体包括如下步骤：
S110、在待测电池充放电状态下，用超声波检测待测电池的荷电状态，并获取检测后的超声波信号。
其中，待测电池为锂离子电池。超声波可以检测电池电极材料结构的力学性质变化导致的声学性能差异，由此可以利用超声波检测待测电池的荷电状态，在待测电池的充放电状态下通过获取经过待测电池后的超声波信号来建立构效关系来表征电池的荷电状态。
示例性地，可以通过电池综合测试***获取检测经过待测电池后的超声波信号。图3为本发明实施例提供的一种电池综合测试***的连接结构示意图，如图3所示，电池综合测试***包括：主控模块310、电池测试模块320(例如电池测试仪)、温度测试模块330(例如温度测量仪)和超声测试模块340(例如超声波脉冲发射接收仪和示波器)以及待测电池350。具体地，主控模块310分别与电池测试模块320、温度测试模块330以及超声测试模块340连接，主控模块310用于监视和存储电、声、温度数据，电池测试模块320用于控制待测电池350充放电的电信号输出参数和接收待测电池350的电信号数据，温度测试模块330用于控制待测电池350所处环境温度以及通过贴于待测电池350表面的热电偶351获取待测电池350的温度数据，超声波模块340用于控制超声波的发射参数、采集检测待测电池350的超声波信号和显示采集的超声波信号。其中，超声波模块340是通过压电传感器352对待测电池350进行超声波的发射与接收。例如，超声测试模块340包括超声波脉冲发射接收仪，其中超声波脉冲发射接收仪通过压电传感器352与待测电池350进行连接，实现用超声波检测待测电池的荷电状态。图4为本发明实施例提供的一种超声波脉冲发射接收仪与电池结构连接的结构示意图，如图4所示，待测电池350左侧的第一按压探头3521为超声波脉冲发射接收仪341的发射端，用于向待测电池350发射超声波，待测电池350右侧的第二按压探头3522为超声波脉冲发射接收仪341的接收端，用于接收经过待测电池后350的超声波信号。综上，可以通过电池综合测试***采集到的在不同条件下的超声波信号，例如在不同的电流倍率、不同温度以及不同超声波发射频率等条件下获取不同的超声波信号，由此可进一步研究在不同的温度、不同电流倍率以及不同超声波发射频率接收到的超声波信号对待测电池的SOC估计的影响。
S120、根据超声波信号的特征类型在超声波信号的拟合包络线上扩展超声时域特征；
具体地，超声波信号的特征类型包括结构特征、统计特征以及变换特征。
其中，将超声波信号的上包络线进行拟合并归一化处理，便于根据超声波信号的特征类型在超声波信号的拟合包络线上扩展超声时域特征，可以进一步提取有效表征待测电池荷电状态的超声时域特征，例如不同超声波信号节点间的斜率、时间、包络面积等超声时域特征。当提取超声时域特征后，需要对所有超声时域特征进行筛选分类，其中所提取的超声时域特征主要分为两类，第一类的超声时域特征与待测电池的荷电状态在相邻周期内的变化曲线，表现的一致性较强；第二类的超声时域特征与待测电池的荷电状态在相邻周期内的变化曲线，表现的一致性较弱。
S130、根据低复杂性的回归模型构建荷电状态初步估计模型。
具体地，基于低复杂性的回归模型构建荷电状态初步估计模型。其中低复杂性的回归模型可以选用线性回归模型、弹性网络回归模型、支持向量机模型、朴素贝叶斯模型、浅层神经网络模型、随机森林模型等。其中，随机森林模型采用集成学习的思路进行构建，精确性高，优化参数较少，同时不需要额外的计算时间进行交叉验证，故采用随机森林模型构建荷电状态初步估计模型的综合性能表现更优。
S140、根据待测电池中训练电池的超声时域特征训练荷电状态初步估计模型，得到荷电状态最终估计模型。
示例性的，基于随机森林模型构建荷电状态初步估计模型后，需要提取部分超声时域特征作为荷电状态初步估计模型的训练集。示例性的，可以采用Bootstrap抽样法抽取500个训练样本，即构建500棵决策树。构建好决策树后，根据实际情况为决策树设定合适的特征数，并确定最佳分割点进行决策树，当决策树***达到预定的节点阈值500后停止生长，此时荷电状态初步估计模型训练完毕，即可得到荷电状态最终估计模型。
S150、将待测电池中测试电池的超声时域特征输入荷电状态最终估计模型，得到测试电池的荷电状态。
其中，测试电池的超声时域特征的类型与训练电池的超声时域特征的类型一致。例如训练电池的超声时域特征包括训练电池检测后的超声波信号的拟合包络线的上升时间和持续时间，则测试电池的超声时域特征包括测试电池检测后的超声波信号的上升时间和持续时间。具体地，得到荷电状态最终估计模型后，采用待测电池中测试电池的超声时域特征作为测试集输入荷电状态最终估计模型，得到测试电池的荷电状态。示例性的，采用测试电池检测后的超声波信号的超声时域特征作为测试集输入基于随机森林模型等低复杂度机器学习回归模型构建训练得到的荷电状态最终估计模型，从而得到测试电池的荷电状态。
本发明实施例，通过在待测电池充放电状态下，用超声波检测待测电池的荷电状态，并获取检测后的超声波信号；根据超声波信号的特征类型在超声波信号的拟合包络线上扩展超声时域特征；根据低复杂性的回归模型构建荷电状态初步估计模型；根据待测电池中训练电池的超声时域特征训练荷电状态初步估计模型，得到荷电状态最终估计模型；将待测电池中测试电池的超声时域特征输入荷电状态最终估计模型，得到测试电池的荷电状态。相比于现有技术，本方案使用超声波检测待测电池的荷电状态具有速度快、灵敏度高、成本低等优点。通过检测待测电池材料结构在充放电过程中的力学性质变化导致的声学性能差异，获取的超声波信号更能够更好地携带待测电池的荷电状态信息，由此可以在超声波信号上获取到与待测电池的荷电状态呈高相关性、强一致性的超声时域特征，使得采集的超声时域特征与待测电池的荷电状态具有更简明的构效关系，可精确表征待测电池的荷电状态。采用与待测电池的荷电状态呈强一致性的超声时域特征可以大大降低了对构建的荷电状态初步估计模型的精确性要求，从而降低对构建的荷电状态初步估计模型对复杂度的需求。由此基于超声波信号提取高相关性的超声时域特征和低复杂性的回归模型确立的荷电状态最终估计模型可以对长期工作于开路电压平台期的测试电池实现精确的荷电状态估计。
图5为本发明实施例提供的另一种基于超声测量的锂离子电池荷电状态估计方法的流程示意图，该方法具体包括如下步骤：
S501、在待测电池充放电状态下，用超声波检测待测电池的荷电状态，并获取检测后的超声波信号。
S502、对超声波信号进行分解，得到多个超声波分量信号，并根据频率阈值对每一超声波分量信号进行滤波降噪。
其中，可以采用短时傅里叶变换、经验模态分解、小波分解、小波包分解等信号处理方法对超声波信号分解成多个超声波分量信号。当超声波信号分解成多个超声波分量信号后，需根据频率阈值对每一超声波分量信号进行滤波降噪，以此来消除超声波信号中的高频噪声信号。
示例性的，将采集的原始超声波信号采用小波分析方法进行降噪处理，当采用平滑性和连续性较好的Symlet小波基，分解层数9，降噪函数为Rigrsure阈值准则时，信号降噪效果最佳，信噪比均大于70dB。图6为本发明实施例提供的一种超声波分量信号降噪前后对比图示意图，如图6所示，曲线610为超声波信号分解出来的一个降噪处理前的超声波分量信号。曲线620为曲线610进行降噪处理后的超声波分量信号。对比曲线610和曲线620可知，超声波分量信号经过降噪处理后的曲线更加平滑，可以消除高频噪声信号的影响。
S503、将滤波降噪后的超声波分量信号进行重构，得到重构超声波信号。
其中，在每一超声波分量信号进行滤波降噪处理后，将超声波分量信号进行重构，得到重构超声波信号。由于每一超声波分量信号均已根据频率阈值消除高频噪声信号，则重构超声波信号也消除了高频噪声信号的影响。由此，重构超声波信号相比于获取的原超声波信号排除了噪声信号的干扰，构超声波信号的波包趋于平滑，便于后续对信号声波信号超声时域特征提取的准确性。
S504、根据重构超声波信号的特征类型在重构超声波信号的拟合包络线上扩展超声时域特征。
示例性的，图7为本发明实施例提供的一种超声波信号的拟合包络线上扩展超声时域特征的示意图。如图7所示，SA表示超声信号的最大值，其大小主要受材料声阻抗的影响；TOF表示为SA对应的传播时间，其大小主要与传播距离和传播声速有关。基于信号结构特征和变换特征对超声时域信号进行特征提取，对实测超声信号采用小波降噪后进行上包络线拟合，以上包络线最大幅值SA的10％为阈值确定超声波的起始时间t1、终止时间t2。包络线上的a、b、c、d、e点分别对应起始时间t1、起始时间t1和TOF的中点、TOF、TOF和终止时间t2的中点、终止时间t2。对上包络线提取斜率kab、斜率kbc、斜率kcd、斜率kde、斜率kac、斜率kce、上升时间tr、下降时间tf、持续时间tw、包络面积S等10个超声时域特征。
S505、获取待测电池充放电过程中各个时刻的荷电状态。
其中，待测电池充放电过程中各个时刻的荷电状态是采用电学数据结合安时积分法计算出来的，由于利用上述方法计算出来的待测电池的荷电状态只有在待测电池初始容量值准确，电流传感器无测量误差的时候才是准确的，然而在待测电池经过多个充放电循环后初始值无法在线测量，同时电流传感器误差无法避免，所以在待测电池使用后无法根据上述方法得到待测电池准确的SOC，由此可以在待测电池初始容量值准确时，将采用电学数据结合安时积分法计算得到的待测电池充放电过程中各个时刻的荷电状态作为本方案的真实数据。
S506、计算超声时域特征与待测电池充放电过程中各个时刻的荷电状态的相关系数。
示例性的，图8为本发明实施例提供的多种超声时域特征与待测电池的荷电状态的变化曲线示意图，如图7和图8所示，对比超声时域特征斜率kab、斜率kbc、斜率kcd、斜率kde、斜率kac、斜率kce、上升时间tr、下降时间tf、持续时间tw以及包络面积S在充放电过程中与待测电池的SOC变化曲线可知，超声时域特征斜率kab、斜率kac、上升时间tr、持续时间tw在相邻周期内趋近重合且在单个充放电过程中呈单调变化，表现出强一致性。(需要注意的是电压、电流与SOC的关系曲线图仅仅是表征待测电池在荷电状态的0-1区间为充电状态，待测电池在荷电状态的1-0区间为放电状态)
根据图8，计算超声时域特征斜率kab、斜率kbc、斜率kcd、斜率kde、斜率kac、斜率kce、上升时间tr、下降时间tf、持续时间tw以及包络面积S与待测电池SOC的相关系数并排序，超声时域特征与待测电池SOC的相关系数如表1所示：
表1
由表1可知，斜率kab、斜率kac、上升时间tr和持续时间tw与待测电池的SOC的相关系数均在0.93以上，具有高相关性。其超声时域特征与待测电池的SOC的相关系数较低，与SOC呈中度相关或低相关。
可选地，在不同的超声波发射频率下获取到的超声波信号对待测电池的荷电状态估计具有一定的影响。
示例性的，图9为本发明实施例在不同的超声波发射频率下获取到的超声波信号幅值及飞行时间与待测电池的荷电状态的变化曲线示意图，如图9所示，其中超声波发射频率会影响超声信号在相邻周期的一致性变化，并且其一致性程度随发射频率的增加而增强，在4MHz时信号幅值和飞行时间在相邻周期内曲线几乎重复，即一致性最强。
根据图9，分别不同超声波发射频率下信号幅值和飞行时间与待测电池的荷电状态的相关系数，如下表2所示：
表2
由表2可知，在4MHz下信号幅值、飞行时间与待测电池的荷电状态的线性程度最高，相关系数分别达到0.911和0.924，表明超声波高发射频率下的超声时域特征与待测电池的荷电状态呈高线性正相关变化。
S507、根据相关系数筛选高相关超声时域特征。
其中，超声时域特征的相关系数大于相关阈值的超声时域特征为高相关超声时域特征。示例性的，继续参考表1，其中斜率kab、斜率kac、上升时间tr和持续时间tw与待测电池的SOC的相关系数均在0.93以上，则斜率kab、斜率kac、上升时间tr和持续时间tw为高相关超声时域特征。由此将斜率kab、斜率kac、上升时间tr和持续时间tw确定为高相关超声时域特征。
S508、根据低复杂性的回归模型构建荷电状态初步估计模型。
S509、根据训练电池的高相关超声时域特征训练荷电状态初步估计模型，得到荷电状态最终估计模型。
其中，选取与待测电池的荷电状态呈高相关性、强一致性的超声时域特征，可以使采集的超声时域特征与待测电池所处开路电压平台期的荷电状态具有更简明的构效关系，可精确表征待测电池的荷电状态。采用训练电池的高相关超声时域特征训练荷电状态初步估计模型可以大大降低对构建的荷电状态初步估计模型的精确性要求，从而降低对构建的荷电状态初步估计模型对复杂度的需求。
S510、将测试电池的高相关超声时域特征输入荷电状态最终估计模型，得到测试电池的荷电状态。
其中，测试电池的超声时域特征的类型需要与训练电池的超声时域特征的类型一致，由此将测试电池的高相关超声时域特征输入荷电状态最终估计模型，可以得到测试电池的荷电状态。
S511、根据至少两个评估指标对荷电状态最终估计模型进行评估。
具体地，评估指标包括：均方误差、均方根误差、平均绝对误差以及R-Square决定系数。
其中，荷电状态最终估计模型可以是根据不同的低复杂性的回归模型构建荷电状态初步估计模型训练获得的，每一荷电状态最终估计模型需采用至少两个评估指标进行评估，从而确立综合性能表现最佳的低复杂性回归模型构建荷电状态初步估计模型训练获得的荷电状态最终估计模型。
示例性的，采用未训练部分的高相关超声时域特征作为测试荷电状态最终估计模型地数据，对根据最小二乘法、弹性网、支持向量机、神经网络以及随机森林等模型构建的荷电状态初步估计模型经过训练得到的荷电状态最终估计模型进行估计对比，评估指标采用均方根误差和平均绝对误差。图10为本发明实施例提供的多种根据低复杂性的回归模型构建的荷电状态初步估计模型经过训练得到的荷电状态最终估计模型在待测电池充电时的SOC估计和误差曲线示意图。图11为本发明实施例提供的多种根据低复杂性的回归模型构建的荷电状态初步估计模型经过训练得到的荷电状态最终估计模型在待测电池放电时的SOC估计和误差曲线示意图。参考图10-图11，其中Test表示参考基准曲线，LES表示最小二乘法模型构建的荷电状态初步估计模型经过训练得到的荷电状态最终估计模型的SOC估计和误差曲线，EN表示弹性网模型构建的荷电状态初步估计模型经过训练得到的荷电状态最终估计模型的SOC估计和误差曲线，SVM表示支持向量机模型构建的荷电状态初步估计模型经过训练得到的荷电状态最终估计模型的SOC估计和误差曲线，BP表示神经网络模型构建的荷电状态初步估计模型经过训练得到的荷电状态最终估计模型的SOC估计和误差曲线，RF表示随机森林模型构建的荷电状态初步估计模型经过训练得到的荷电状态最终估计模型的SOC估计和误差曲线。经过对比图10-图11可知，随机森林模型的估计结果最接近真实参考值，且相对其他算法的误差最小。
根据图10-图11分别计算根据最小二乘法、弹性网、支持向量机、神经网络以及随机森林等模型构建的荷电状态初步估计模型经过训练得到的荷电状态最终估计模型在待测电池在充电与放电OCV曲线平台期内的评估指标，如表2所示：
表2
经计算随机森林模型在充电与放电OCV平台期内的评估指标值最低，均方根误差分别为1.22％和1.38％，平均绝对误差分别为0.95％和0.99％。以上结果表明随机森林模型构建的荷电状态初步估计模型经过训练得到的荷电状态最终估计模型可以准确估计出待测电池在OCV平台期的SOC变化。
S512、在循环工况下根据至少两个评估指标对荷电状态最终估计模型进行评估。
其中，循环工况可选用中国十五工况，日本10-15行驶工况等亚洲测试工况，联邦测试工况、城市道路循环工况、联邦城市行驶工况、动态压力测试、混合功率脉冲特性测试等美洲测试工况，***欧洲经济委员会汽车法规、城市循环工况、市郊循环工况、新欧洲驾驶循环等测试工况。
示例性的，采用动态压力测试(Dynamic Stress Test，DST)和新欧洲驾驶循环(New European Driving Cycle，NEDC)两种循环工况去验证根据随机森林模型构建的荷电状态初步估计模型经过训练得到的荷电状态最终估计模型对待测电池平台期SOC估计的可行性、可靠性。图12为本发明实施例提供的一种在动态压力测试类型的循环工况下待测电池的电压和电流曲线示意图，如图12所示，其中待测电池的SOC从1到0循环了9次。图13为本发明实施例提供的一种在新欧洲驾驶循环类型的循环工况下待测电池的电压和电流曲线示意图，如图13所示，其中待测电池的SOC从1到0循环了39次。图14为本发明实施例提供的一种在动态压力测试类型的循环工况下待测电池的开路电压平台期SOC估计曲线和误差曲线，图15为本发明实施例提供的一种在新欧洲驾驶循环类型的循环工况下待测电池的开路电压平台期SOC估计曲线和误差曲线。根据图14-图15可知，在两种类型循环工况类型下根据随机森林模型构建的荷电状态初步估计模型经过训练得到的荷电状态最终估计模型可准确的对待测电池平台期SOC进行估计。
根据图14-图15分别计算在在动态压力测试和新欧洲驾驶循环两种类型的循环工况下对待测电池平台期SOC的估计误差，如表3所示：
表3
| 评估指标 | DST | NEDC |
| 均方根误差(％) | 1.93 | 1.66 |
| 平均绝对误差(％) | 1.63 | 1.42 |
参考表3可知，两种类型的循环工况下待测电池平台期SOC估计值的均方根误差和平均绝对误差均低于1.93％和1.63％。由此表明随机森林模型构建的荷电状态初步估计模型经过训练得到的荷电状态最终估计模型可以准确估计出待测电池在平台期的SOC变化。
可选地，构建荷电状态估计模型包括：基于随机森林模型构建荷电状态估计模型。
其中，随机森林模型构建的荷电状态初步估计模型经过训练得到的荷电状态最终估计模型的综合性能表现最佳，其可以准确估计出待测电池在平台期的SOC变化。
图16为本发明实施例提供的一种基于超声测量的锂离子电池荷电状态估计装置的结构示意图，如图16所示，该装置包括：
超声波信号获取模块001，用于在待测电池充放电状态下，用超声波检测待测电池的荷电状态，并获取检测后的超声波信号；
超声时域特征获取模块002，用于根据超声波信号的特征类型在超声波信号的拟合包络线上扩展超声时域特征；
模型构建模块003，用于根据低复杂性的回归模型构建荷电状态初步估计模型；
模型训练模块004，用于根据待测电池中训练电池的超声时域特征训练荷电状态初步估计模型，得到荷电状态最终估计模型；
荷电状态获取模块005，用于将待测电池中测试电池的超声时域特征输入荷电状态最终估计模型，得到测试电池的荷电状态。
本发明实施例，通过超声波信号获取模块在待测电池充放电状态下，用超声波检测待测电池的荷电状态，并获取检测后的超声波信号；超声时域特征获取模块根据超声波信号的特征类型在超声波信号的拟合包络线上扩展超声时域特征；模型构建模块根据低复杂性的回归模型构建荷电状态初步估计模型；模型训练模块根据待测电池中训练电池的超声时域特征训练荷电状态初步估计模型，得到荷电状态最终估计模型；荷电状态获取模块将待测电池中测试电池的超声时域特征输入荷电状态最终估计模型，得到待测电池的荷电状态。相比于现有技术，本方案使用超声波检测待测电池的荷电状态具有速度快、灵敏度高、成本低等优点，通过检测待测电池材料结构在充放电过程中的力学性质变化导致的声学性能差异，获取的超声波信号更能够更好地携带待测电池的荷电状态信息，由此可以在超声波信号上获取到与待测电池的荷电状态呈高相关性、强一致性的超声时域特征，使得采集的超声时域特征与待测电池的荷电状态具有更简明的构效关系，可精确表征待测电池的荷电状态。采用与待测电池的荷电状态呈高相关性、强一致性的超声时域特征可以大大降低了对构建的荷电状态初步估计模型的精确性要求，从而降低对构建的荷电状态初步估计模型对复杂度的需求。由此基于超声波信号提取高相关性的超声时域特征和低复杂性的回归模型确立的荷电状态最终估计模型可以对长期工作于开路电压平台期的测试电池实现精确的荷电状态估计。
可选地，超声时域特征获取模块包括：
分解单元，用于对超声波信号进行分解，得到多个超声波分量信号，并根据频率阈值对每一所述超声波分量信号进行滤波降噪；
重构单元，用于将滤波降噪后的超声波分量信号进行重构，得到重构超声波信号；
超声时域特征获取单元，用于根据重构超声波信号的特征类型在重构超声波信号的拟合包络线上扩展超声时域特征。
可选地，基于超声测量的锂离子电池荷电状态估计装置，还包括：
原始荷电状态获取模块，用于获取待测电池充放电过程中各个时刻的荷电状态；
相关系数计算模块，用于计算超声时域特征与待测电池充放电过程中各个时刻的荷电状态的相关系数；
筛选模块，用于根据相关系数筛选高相关超声时域特征。
可选地，模型训练模块，具体用于根据训练电池的高相关超声时域特征训练荷电状态初步估计模型，得到荷电状态最终估计模型。
可选地，荷电状态获取模块，具体用于将测试电池的高相关超声时域特征输入荷电状态最终估计模型，得到测试电池的荷电状态。
可选地，基于超声测量的锂离子电池荷电状态估计装置，还包括：
第一评估模块，用于根据至少两个评估指标对荷电状态最终估计模型进行评估。
可选地，基于超声测量的锂离子电池荷电状态估计装置，还包括：
第二评估模块，用于在循环工况下根据至少两个评估指标对荷电状态最终估计模型进行评估。
上述实施例所提供的基于超声测量的锂离子电池荷电状态估计装置，可执行本发明任意实施例所提供的基于超声测量的锂离子电池荷电状态估计方法，具备执行基于超声测量的锂离子电池荷电状态估计方法相应的功能模块和有益效果。
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，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于超声测量的锂离子电池荷电状态估计方法，其特征在于，包括：
在待测电池充放电状态下，用超声波检测所述待测电池的荷电状态，并获取检测后的超声波信号；
根据所述超声波信号的特征类型在所述超声波信号的拟合包络线上扩展超声时域特征；
根据低复杂性的回归模型构建荷电状态初步估计模型；
根据所述待测电池中训练电池的超声时域特征训练所述荷电状态初步估计模型，得到荷电状态最终估计模型；
将所述待测电池中测试电池的超声时域特征输入所述荷电状态最终估计模型，得到所述测试电池的荷电状态。
2.根据权利要求1所述的基于超声测量的锂离子电池荷电状态估计方法，其特征在于，根据所述超声波信号的特征类型在所述超声波信号的拟合包络线上扩展超声时域特征包括：
对所述超声波信号进行分解，得到多个超声波分量信号，并根据频率阈值对每一所述超声波分量信号进行滤波降噪；
将滤波降噪后的超声波分量信号进行重构，得到重构超声波信号；
根据所述重构超声波信号的特征类型在所述重构超声波信号的拟合包络线上扩展超声时域特征。
3.根据权利要求1所述的基于超声测量的锂离子电池荷电状态估计方法，其特征在于，在根据所述超声波信号的特征类型在所述超声波信号的拟合包络线上扩展超声时域特征之后，还包括：
获取所述待测电池充放电过程中各个时刻的荷电状态；
计算所述超声时域特征与所述待测电池充放电过程中各个时刻的荷电状态的相关系数；
根据所述相关系数筛选高相关超声时域特征；
相应的，根据所述待测电池中训练电池的超声时域特征训练所述荷电状态初步估计模型，得到荷电状态最终估计模型，包括：
根据所述训练电池的高相关超声时域特征训练所述荷电状态初步估计模型，得到所述荷电状态最终估计模型；
相应的，将所述待测电池中测试电池的超声时域特征输入所述荷电状态最终估计模型，得到所述测试电池的荷电状态，包括：
将所述测试电池的高相关超声时域特征输入所述荷电状态最终估计模型，得到所述测试电池的荷电状态。
4.根据权利要求1所述的基于超声测量的锂离子电池荷电状态估计方法，其特征在于，还包括：
根据至少两个评估指标对所述荷电状态最终估计模型进行评估。
5.根据权利要求1所述的基于超声测量的锂离子电池荷电状态估计方法，其特征在于，还包括：
在循环工况下根据至少两个评估指标对所述荷电状态最终估计模型进行评估。
6.根据权利要求4或5所述的基于超声测量的锂离子电池荷电状态估计方法，其特征在于，所述评估指标包括：均方误差、均方根误差、平均绝对误差以及R-Square决定系数。
7.根据权利要求1所述的基于超声测量的锂离子电池荷电状态估计方法，其特征在于，所述超声波信号的特征类型包括结构特征、统计特征以及变换特征。
8.根据权利要求1所述的基于超声测量的锂离子电池荷电状态估计方法，其特征在于，构建荷电状态估计模型包括：
基于随机森林模型构建荷电状态估计模型。
9.一种基于超声测量的锂离子电池荷电状态估计装置，其特征在于，包括：
超声波信号获取模块，用于在待测电池充放电状态下，用超声波检测所述待测电池的荷电状态，并获取检测后的超声波信号；
超声时域特征获取模块，用于根据所述超声波信号的特征类型在所述超声波信号的拟合包络线上扩展超声时域特征；模型构建模块，用于构建荷电状态初步估计模型；
模型训练模块，用于根据所述待测电池中训练电池的超声时域特征训练所述荷电状态初步估计模型，得到荷电状态最终估计模型；
荷电状态获取模块，用于将所述待测电池中测试电池的超声时域特征输入所述荷电状态最终估计模型，得到所述测试电池的荷电状态。
10.根据权利要求9所述的基于超声测量的锂离子电池荷电状态估计装置，其特征在于，超声时域特征获取模块包括：
分解单元，用于对所述超声波信号进行分解，得到多个超声波分量信号，并根据频率阈值对每一所述超声波分量信号进行滤波降噪；
重构单元，用于将滤波降噪后的超声波分量信号进行重构，得到重构超声波信号；
超声时域特征获取单元，用于根据所述重构超声波信号的特征类型在所述重构超声波信号的拟合包络线上扩展超声时域特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111539219.5A CN114236403B (zh) | 2021-12-15 | 2021-12-15 | 基于超声测量的锂离子电池荷电状态估计方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111539219.5A CN114236403B (zh) | 2021-12-15 | 2021-12-15 | 基于超声测量的锂离子电池荷电状态估计方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114236403A true CN114236403A (zh) | 2022-03-25 |
| CN114236403B CN114236403B (zh) | 2023-12-29 |
Family
ID=80756683
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111539219.5A Active CN114236403B (zh) | 2021-12-15 | 2021-12-15 | 基于超声测量的锂离子电池荷电状态估计方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114236403B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117783887A (zh) * | 2024-02-28 | 2024-03-29 | 深圳市神通天下科技有限公司 | 一种锂离子电池电芯配组筛选方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106680730A (zh) * | 2017-03-01 | 2017-05-17 | 侬泰轲（上海）检测科技有限责任公司 | 一种可检测荷电状态的充放电装置及荷电状态的检测方法 |
| CN106772063A (zh) * | 2016-11-21 | 2017-05-31 | 华中科技大学 | 一种监测锂离子电池荷电状态和健康状态的方法及其装置 |
| US20190072614A1 (en) * | 2017-09-01 | 2019-03-07 | Feasible, Inc. | Determination of characteristics of electrochemical systems using acoustic signals |
| CN110208702A (zh) * | 2019-04-11 | 2019-09-06 | 华中科技大学 | 一种基于神经网络的锂电池超声信息特性提取方法 |
| CN111880107A (zh) * | 2020-09-10 | 2020-11-03 | 华中科技大学无锡研究院 | 一种检测锂离子电池荷电状态的方法和装置 |
| US20210175553A1 (en) * | 2019-12-04 | 2021-06-10 | Feasible, Inc. | Acoustic signal based analysis of batteries |
| CN113189506A (zh) * | 2021-04-12 | 2021-07-30 | 河北工业大学 | 一种基于声波时域特征的锂离子电池荷电状态表征方法 |
-
2021
- 2021-12-15 CN CN202111539219.5A patent/CN114236403B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106772063A (zh) * | 2016-11-21 | 2017-05-31 | 华中科技大学 | 一种监测锂离子电池荷电状态和健康状态的方法及其装置 |
| CN106680730A (zh) * | 2017-03-01 | 2017-05-17 | 侬泰轲（上海）检测科技有限责任公司 | 一种可检测荷电状态的充放电装置及荷电状态的检测方法 |
| US20190072614A1 (en) * | 2017-09-01 | 2019-03-07 | Feasible, Inc. | Determination of characteristics of electrochemical systems using acoustic signals |
| CN111344894A (zh) * | 2017-09-01 | 2020-06-26 | 费赛普公司 | 使用声学信号确定电化学***的特性 |
| CN110208702A (zh) * | 2019-04-11 | 2019-09-06 | 华中科技大学 | 一种基于神经网络的锂电池超声信息特性提取方法 |
| US20210175553A1 (en) * | 2019-12-04 | 2021-06-10 | Feasible, Inc. | Acoustic signal based analysis of batteries |
| CN111880107A (zh) * | 2020-09-10 | 2020-11-03 | 华中科技大学无锡研究院 | 一种检测锂离子电池荷电状态的方法和装置 |
| CN113189506A (zh) * | 2021-04-12 | 2021-07-30 | 河北工业大学 | 一种基于声波时域特征的锂离子电池荷电状态表征方法 |
Non-Patent Citations (1)
| Title |
|---|
| R.J. COPLEY 等: "Measurements and modelling of the response of an ultrasonic pulse to a lithium-ion battery as a precursor for state of charge estimation", JOURNAL OF ENERGY STORAGE, pages 1 - 16 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117783887A (zh) * | 2024-02-28 | 2024-03-29 | 深圳市神通天下科技有限公司 | 一种锂离子电池电芯配组筛选方法 |
| CN117783887B (zh) * | 2024-02-28 | 2024-05-14 | 深圳市神通天下科技有限公司 | 一种锂离子电池电芯配组筛选方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114236403B (zh) | 2023-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11422194B2 (en) | Battery diagnosis apparatus and battery diagnosis method based on current pulse method | |
| KR102106775B1 (ko) | 딥러닝을 이용한 전지 진단 방법 | |
| US11855265B2 (en) | Acoustic signal based analysis of batteries | |
| CN110118938A (zh) | 基于超声波频谱分析锂电池内部状态的方法及装置 | |
| Lyu et al. | SOH estimation of lithium-ion batteries based on fast time domain impedance spectroscopy | |
| CN113884935B (zh) | 基于锂电池在线电化学阻抗谱测量的soh估算***和方法 | |
| CN109649432B (zh) | 基于导波技术的云端平台钢轨完整性监测***及方法 | |
| CN109490730A (zh) | 电缆放电检测方法、装置、存储介质及处理器 | |
| CN114325403B (zh) | 基于电化学阻抗谱测试的锂离子电池寿命检测方法和*** | |
| CN114325256A (zh) | 一种电力设备局部放电识别方法、***、设备及存储介质 | |
| KR100449365B1 (ko) | 임피던스 스펙트럼의 패턴 매칭기법을 이용한 단위전지분류방법 | |
| CN114236403B (zh) | 基于超声测量的锂离子电池荷电状态估计方法及装置 | |
| CN110208702B (zh) | 一种基于神经网络的锂电池超声信息特性提取方法 | |
| CN115616428A (zh) | 一种“充—检”一体电动汽车电池状态检测与评价方法 | |
| Wang et al. | A review on rapid state of health estimation of lithium-ion batteries in electric vehicles | |
| CN106618499B (zh) | 跌倒检测设备、跌倒检测方法及装置 | |
| CN114325433A (zh) | 基于电化学阻抗谱测试的锂离子电池故障检测方法和*** | |
| CN114263621A (zh) | 一种离心泵空化故障诊断模拟的试验方法及*** | |
| CN111999607B (zh) | 一种单通道信号下局部放电窄带干扰盲源分离方法及装置 | |
| CN113514743A (zh) | 一种基于多维特征的gis局部放电模式识别***构建方法 | |
| Tian et al. | State of charge estimation of lithium-ion batteries based on ultrasonic guided waves by chirped signal excitation | |
| CN112729531B (zh) | 配电变压器设备故障研判方法及*** | |
| CN115144762A (zh) | 基于两点阻抗测量的质子交换膜燃料电池状态监测方法 | |
| CN113984392A (zh) | 一种电驱动总成***振动品质在线测试评估方法 | |
| Peng et al. | Method of Chaos Judgment for Ship Radiated Characteristic Signal and Its Application |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |