CN114298507A - 锂电池失效判定方法、模型生成方法、设备及存储介质 - Google Patents
锂电池失效判定方法、模型生成方法、设备及存储介质 Download PDFInfo
- Publication number
- CN114298507A CN114298507A CN202111556743.3A CN202111556743A CN114298507A CN 114298507 A CN114298507 A CN 114298507A CN 202111556743 A CN202111556743 A CN 202111556743A CN 114298507 A CN114298507 A CN 114298507A
- Authority
- CN
- China
- Prior art keywords
- data
- lithium battery
- failure
- node
- result
- 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.)
- Pending
Links
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 179
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 179
- 238000000034 method Methods 0.000 title claims abstract description 90
- 208000032953 Device battery issue Diseases 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000012216 screening Methods 0.000 claims abstract description 16
- 238000005070 sampling Methods 0.000 claims description 35
- 238000012795 verification Methods 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 15
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000011049 filling Methods 0.000 claims description 6
- 238000000638 solvent extraction Methods 0.000 claims description 5
- 238000010200 validation analysis Methods 0.000 claims description 5
- 238000007086 side reaction Methods 0.000 abstract description 10
- 230000007423 decrease Effects 0.000 abstract description 8
- 239000000126 substance Substances 0.000 abstract description 8
- 230000035772 mutation Effects 0.000 abstract description 6
- 230000036541 health Effects 0.000 description 15
- 239000000463 material Substances 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012827 research and development Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 239000007772 electrode material Substances 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003446 memory effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
Images
Landscapes
- Secondary Cells (AREA)
Abstract
本发明公开了一种锂电池失效判定方法、模型生成方法、设备及存储介质。其中，该方法包括：获取多个锂电池样本的历史数据，历史数据中包括多个节点参数数据；基于预设相关系数对多个节点参数数据进行筛选，获取多个节点相关数据；对多个节点相关数据进行标准化处理，得到多个标准节点数据；根据多个标准节点数据和对应的锂电池样本的失效结果进行训练，生成用于对锂电池进行失效预判的失效判定模型。本发明解决了现有技术中通过量化电池内部不可控的化学副反应对电池进行失效预判是非常困难的，同时经典容量衰退模型又无法很好的拟合电池容量突变问题的技术问题。
Description
技术领域
本发明涉及锂电池领域，具体而言，涉及一种锂电池失效判定方法、模型生成方法、设备及存储介质。
背景技术
锂电池相比传统电池，具有重量轻、体积小、寿命长、比能量高、自发放电率低、无记忆效应、安全性高等优点，是常用的3C产品电源，广泛应用在手机、笔记本电脑、平板电脑、智能家居等产品，成为目前比较理想的储能电池。
由于锂电池在充放电过程会发生复杂的电化学反应，但是目前仍旧无法有效对锂电池进行失效预判。另外，随着充放电次数的不断累积，电极活性材料的晶体结构会逐渐遭到破坏，电池内部的副反应也会不断累加，由此导致锂电池容量的衰退。由于锂电池内部材料结构及副反应不仅复杂且具有不可控性，很难实现通过将其量化的方式来求解锂电池寿命衰减的规律。
除此之外，探索随时间容量退化的趋势来判断锂电池的失效情况，也对容量断崖式下跌情况没有很好的适用性。因此，通过量化电池内部不可控的化学副反应对电池进行失效预判是非常困难的，同时经典容量衰退模型又无法很好的拟合电池容量突变问题。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种锂电池失效判定方法、模型生成方法、设备及存储介质，以至少解决现有技术中通过量化电池内部不可控的化学副反应对电池进行失效预判是非常困难的，同时经典容量衰退模型又无法很好的拟合电池容量突变问题的技术问题。
根据本发明实施例的一个方面，提供了一种锂电池失效判定模型生成方法，包括：获取多个锂电池样本的历史数据，所述历史数据中包括多个节点参数数据；基于预设相关系数对多个所述节点参数数据进行筛选，获取多个节点相关数据；对多个所述节点相关数据进行标准化处理，得到多个标准节点数据；根据多个所述标准节点数据和对应的锂电池样本的失效结果进行训练，生成用于对锂电池进行失效预判的失效判定模型。
可选地，获取多个锂电池样本的历史数据，包括：获取多个锂电池样本的采样数据；将多个锂电池样本的所述采样数据转化为多个所述节点参数数据，并将多个所述节点参数数据作为所述历史数据。
可选地，所述节点参数数据包括以下一种或多种：数值类标准化数据、非数值类标准化数据和等级划分结果；对应的，将多个锂电池样本的所述采样数据转化为多个所述节点参数数据，包括以下一种或多种：对所述采样数据中的数值类参数进行求平均值处理，得到所述数值类标准化数据；对所述采样数据中的非数值类参数进行数值编码，得到非数值类标准化数据；对所述采样数据中的测试结果进行处理，得到失效分类结果以及等级划分结果。
可选地，基于预设相关系数对多个所述节点参数数据进行筛选，获取多个节点相关数据，包括：确定多个所述节点参数数据对应的预设相关系数；根据所述预设相关系数对多个所述节点参数数据进行排序，得到排序结果；根据所述排序结果从多个所述节点参数数据筛选出多个所述节点相关数据。
可选地，所述标准化处理包括以下至少之一：异常值剔除、缺失值填充以及训练集和验证集划分。
可选地，所述标准节点数据包括训练样本数据，根据多个所述标准节点数据和对应的锂电池样本的失效结果进行训练，生成用于对锂电池进行失效预判的失效判定模型，包括：使用多个所述训练样本数据和对应的锂电池样本的失效结果进行训练，得到所述失效判定模型。
可选地，所述标准节点数据包括验证样本数据，所述方法还包括：根据多个所述验证样本数据和所述失效判定模型对多个所述锂电池样本进行验证，得到对应的验证结果；根据所述验证结果和所述验证样本数据所对应的失效结果确定所述失效判定模型的判定准确率。
根据本发明实施例的另一方面，还提供了一种锂电池失效判定方法，包括：获取待测锂电池的样品参数数据；根据预训练好的失效判定模型和所述样品参数数据对所述待测锂电池进行判定，得到待测锂电池失效的判定结果，所述失效判定模型根据上述中任一项所述的锂电池失效判定模型生成方法生成。
根据本发明实施例的另一方面，还提供了一种电子设备，包括存储器和处理器；所述存储器存储有计算机程序，所述处理器用于运行所述存储器内的计算机程序，以执行上述任一项所述的锂电池失效判定模型生成方法或上述的锂电池失效判定方法中的操作。
根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行上述中任意一项所述的锂电池失效判定模型生成方法或上述的锂电池失效判定方法。
在本发明实施例中，采用获取多个锂电池样本的历史数据，历史数据中包括多个节点参数数据；基于预设相关系数对多个节点参数数据进行筛选，获取多个节点相关数据；对多个节点相关数据进行标准化处理，得到多个标准节点数据；根据多个标准节点数据和对应的锂电池样本的失效结果进行训练，生成用于对锂电池进行失效预判的失效判定模型，通过锂电池样本的历史数据，建立用于对锂电池进行失效预判的失效判定模型，进而对待测试锂电池进行评估，达到在已有数据量较小的情况下，精确的判定锂电池的失效情况的目的，从而实现了更加准确的得到待测试锂电池的评估结果，对待测试锂电池做出准确的失效预判的技术效果，进而解决了现有技术中通过量化电池内部不可控的化学副反应对电池进行失效预判是非常困难的，同时经典容量衰退模型又无法很好的拟合电池容量突变问题的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的锂电池失效判定模型生成方法的流程图；
图2是根据本发明实施例的锂电池失效判定方法的流程图；
图3是根据本发明可选实施例的锂电池的评估方法的流程图；
图4是根据本发明可选实施例的多层次嵌套模型架构的示意图；
图5是根据本发明可选实施例的结果展示界面图的示意图；
图6是根据本发明实施例的锂电池失效判定模型生成装置的示意图；
图7是根据本发明实施例的锂电池失效判定装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例，提供了一种锂电池失效判定模型生成方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的锂电池失效判定模型生成方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取多个锂电池样本的历史数据，历史数据中包括多个节点参数数据；
上述多个节点参数数据包括但不限于多个锂电池样本的采样数据对应的数值类标准化数据、非数值类标准化数据、失效分类结果以及等级划分结果。
步骤S104，基于预设相关系数对多个节点参数数据进行筛选，获取多个节点相关数据；
步骤S106，对多个节点相关数据进行标准化处理，得到多个标准节点数据；
在一种可选的实施方式中，上述标准化处理包括但不限于异常值剔除、缺失值填充以及训练集和验证集划分。
步骤S108，根据多个标准节点数据和对应的锂电池样本的失效结果进行训练，生成用于对锂电池进行失效预判的失效判定模型。
通过上述步骤，可以采用通过锂电池样本的历史数据，建立用于对锂电池进行失效预判的失效判定模型，进而对待测试锂电池进行评估，达到在已有数据量较小的情况下，精确的判定锂电池的失效情况的目的，从而实现了更加准确的得到待测试锂电池的评估结果，对待测试锂电池做出准确的失效预判的技术效果，进而解决了现有技术中通过量化电池内部不可控的化学副反应对电池进行失效预判是非常困难的，同时经典容量衰退模型又无法很好的拟合电池容量突变问题的技术问题。
在一种可选的实施方式中，获取多个锂电池样本的历史数据，包括：获取多个锂电池样本的采样数据；将多个锂电池样本的采样数据转化为多个节点参数数据，并将多个节点参数数据作为历史数据。
上述采样数据包括但不限于制程工艺参数、材料特性参数、测试结果以及返修结果等。在具体实施过程中，制造部门通过传感器实时采集生产线的制程工艺参数，例如，温度、湿度、速度、设备健康等级等，研发设计部门输入材料特性，测试部门输入测试结果，售后返修部门输入返修结果。
在一种可选的实施方式中，上述节点参数数据包括但不限于：数值类标准化数据、非数值类标准化数据和等级划分结果。可选地，将多个锂电池样本的采样数据转化为多个节点参数数据可以采用以下一种或多种，例如，可以对采样数据中的数值类参数进行求平均值处理，得到数值类标准化数据，通过该实施方式可以得到更加准确的数值类参数；需要说明的是，上述数值类参数包括但不限于温度、湿度、速度等工艺参数以及粘度、金属含量、料温、材料厚度等结构特性参数。又例如，可以对采样数据中的非数值类参数进行数值编码，得到非数值类标准化数据，通过该实施方式可以将非数值类参数转化为具体的数值，便于后续模型生成使用；需要说明的是，上述非数值类参数包括但不限于设备健康等级等工艺参数以及材料属性参数中不能用具体数值表示的参数；上述数值编码可以将非数值类参数转化为可数值表示的参数。以设备健康等级为例，设备健康等级为优时，其对应的非数值类标准化数据为3；设备健康等级为良时，其对应的非数值类标准化数据为2；设备健康等级为中时，其对应的非数值类标准化数据为1；设备健康等级为差时，其对应的非数值类标准化数据为0。再例如，还可以对采样数据中的测试结果进行处理，得到失效分类结果以及等级划分结果，其中可以对测试结果进行失效分类，进而得到测试结果对应的失效分类结果以及等级划分结果。需要说明的是，上述失效分类结果以及该失效分类结果对应的等级划分结果可以根据具体应用场景而设置，在此不再一一赘述。
在具体实施过程中，采用中位值离散法，保证数据准确性与高效性，具体实施方法是把连续时间序列的数据分割成N个数据组，每个数据组内数据通过随机采样生成，每个数据组内取中位值后生成N个中位值数据，再对N个中位值数据取平均值作为输入后续的有效数据，也就是数值类标准化数据。
需要说明的是，通过中位值离散发法可以在不破坏数据结构的前提下提炼出准确的数据信息，打破数据对细小时间周期的依赖性，增强模型的训练效果。
在一种可选的实施方式中，基于预设相关系数对多个节点参数数据进行筛选，获取多个节点相关数据，包括：确定多个节点参数数据对应的预设相关系数；根据预设相关系数对多个节点参数数据进行排序，得到排序结果；根据排序结果从多个节点参数数据筛选出多个节点相关数据。
在一种可选的实施方式中，首先需要确定多个节点参数数据对应的预设相关系数，然后再根据预设相关系数对多个节点参数数据进行排序，得到排序结果，其中，排序可以采用从大到小的方式，将预设相关系数较大的节点参数数据排在前面，将预设相关系数较小的节点参数数据排在后面，进而将从排序结果中筛选出的节点参数数据作为多个节点相关数据，具体地，可以从排序结果筛选出满足预设序列阈值的节点参数数据作为相关数据，其中，预设序列阈值包括但不限于前60％、80％等。也即是，将排序结果中前60％或者80％的节点参数数据作为相关数据。
在一种可选的实施方式中，上述标准节点数据包括训练样本数据，根据多个标准节点数据和对应的锂电池样本的失效结果进行训练，生成用于对锂电池进行失效预判的失效判定模型，包括：使用多个训练样本数据和对应的锂电池样本的失效结果进行训练，得到失效判定模型。
上述失效判定模型为使用多个训练样本数据和对应的锂电池样本的失效结果通过机器学习训练得出的。通过上述实施方式可以得到更加可靠的且准确性更高的失效判定模型。
此外，还可以不断更新多个锂电池样本的历史数据，并利用更新后的多个锂电池样本的历史数据对失效预定模型进行优化，得到优化后的失效判定模型，从而保证失效判定模型的时效性与准确性。
在一种可选的实施方式中，上述标准节点数据包括验证样本数据，上述方法还包括：根据多个验证样本数据和失效判定模型对多个锂电池样本进行验证，得到对应的验证结果；根据验证结果和验证样本数据所对应的失效结果确定失效判定模型的判定准确率。
为了保证失效判定模型的有效性，可以使用多个验证样本数据和失效判定模型对锂电池样本进行验证，进一步地，再利用验证结果和验证样本数据所对应的失效结果来确定失效判定模型的判定准确率，从而实现对失效判定模型的有效性的验证。在具体实施过程中，可以把验证样本数据输入到失效判定模型中，然后得到识别结果，把识别结果与验证样本对应的真实的失效结果进行对比，进而确定该失效判定模型的识别准确率。
实施例2
图2是根据本发明实施例的锂电池失效判定方法的流程图，如图2所示，该方法包括如下步骤：
步骤S202，获取待测锂电池的样品参数数据；
步骤S204，根据预训练好的失效判定模型和样品参数数据对待测锂电池进行判定，得到待测锂电池失效的判定结果，失效判定模型根据上述中任一项的锂电池失效判定模型生成方法生成。
需要说明的是，上述扩展判定结果所包含的指标类型F or S、风险等级以及参数列贡献度。
通过上述步骤，可以采用通过锂电池样本的历史数据，建立用于对锂电池进行失效预判的失效判定模型，进而对待测试锂电池进行评估，达到在已有数据量较小的情况下，精确的判定锂电池的失效情况的目的，从而实现了更加准确的得到待测试锂电池的评估结果，对待测试锂电池做出准确的失效预判的技术效果，进而解决了现有技术中通过量化电池内部不可控的化学副反应对电池进行失效预判是非常困难的，同时经典容量衰退模型又无法很好的拟合电池容量突变问题的技术问题。
下面对本发明一种可选的实施方式进行详细说明。
在一种可选的实施方式中，锂电池的评估方法可以通过锂电池的其他相关特性，如材料特性、制程工艺、环境参数等方面数据构建锂电池失效判定模型，并利用该锂电池失效判定模型对待测锂电池的失效进行预判。通过锂电池的历史相关特性数据来预测新研制电池的寿命能否在未来使用过程中满足寿命要求，将大幅度减少寿命试验时间及实验量，缩短新产品研发周期，降低研发阶段成本，最终提升企业的核心竞争力。
图3是根据本发明可选实施例的锂电池的评估方法的流程图，如图3所示，包括建立历史数据库，一次数据处理，二次数据处理，建立失效预判模型，新样品输入后的结果判定及展示5个组成部分。
历史数据库包括：生产线在长周期内在线采集的各项工艺参数，如温度、湿度、速度、设备健康等级等，可用a1、b1、c1…字母代表；研发部门提供产品的材料及结构特性，如粘度、金属含量、料温、材料厚度等，可用o1、p1、q1…字母代表；测试部门根据优化测试方案所做测试的实验结果F/S，以及售后部门提供接收到的客户实际的返修数据F/S。上述所有信息在输入数据库之后会进行标准化处理，对低时间间隔高频率记录的参数列实施随机分组求解中位值后再平均的方法，打破数据对细小时间周期的依赖性，数据更加趋近于稳定与精简。
采用分割成N个数据组，每个数据组内数据通过随机采样生成，每个数据组内取中位值后生成N个中位值数据，在对N个中位值数据取平均值后将存放于历史数据库中，进入后一节点进行分析。
对于非数值类参数列进行数值编码，即将非数值类参数列中的属性值转换成数值。
一次数据处理，主要是对上述数据库所提供的参数列进行初步重要性筛选，方便后期锂电池失效预判模型应用。通过应用相关性法则计算结果列对参数列依赖程度，根据这种依赖程度进行由高到低的排序，排序靠前的设定比例参数列流入下一节点成为有效数据列。其中，应用相关性法则为相关系数，但不限于此方法。如下式所示，
其中，COV(x,y)是x,y的协方差，σx，σy分别是x,y的标准差。
根据上述的计算结果，越大表示结果列对参数列的依赖程度越高，也就是此项特征对结果的影响越大，于是进行由高到低的排序，采用抓取前80％流入下一节点进行后续分析。
二次数据处理主要是对由一次数据处理节点流入的参数列进行处理，从上一节点流入的数据从形态上来看还是有很多的类似于毛刺样的数据，这些数据对失效预判模型的参数求解影响较大，所以二次数据处理首先是进行异常值剔除，根据绘图流线型或者设置的临界值进行异常值判别，并将其删除或者调整到有效范围内，常用的方法如粒子滤波、平均值滑动滤波、临界值剔除等方法，本实例采用粒子滤波方法，主要公式如下，
yk＝h(xk)+vk
其中，vk是随机干扰项，xk是状态，yk是观测值。
二次数据处理中还包括针对输入数据缺失值的处理，当缺失值不连续时，实施例采用中位值填充方法，当存在连续的多处缺失值时，采用梯度下降方法进行填充，保证每参数列缺失值所占比例不大于2％，主要公式如下，
Xk＝(Xk-1+Xk+1)/2
其中，Xk是缺失数据，Xk-1、Xk+1是Xk的前后数据。
二次数据处理中还包括训练集和验证集确定，主要用于后续锂电池失效预判模型的建立及验证，一般根据结果列进行等分原则，但多数情况结果具有结果列不平衡现象，针对不平衡性一般会应用方法使结果列达到平衡，采用重采样方法平衡数据，即根据多数类别的信息内插出少数类别的信息的过程。
失效判定模型主要包括多个多层次嵌套模型组成，对训练集进行有放回抽样，抽样率可以直接设置百分比，同时对参数列随机选取部分列用于后续计算，本实例中抽样率为80％，从而从训练集中产生一组训练集用于下一步分析，上述操作可进行多次，生成所需要数量的训练集。每组训练集可用来计算出失效判定模型中的一个多层次嵌套模型，计算完成后所有多层次嵌套模型组成锂电池失效预判模型。图4是根据本发明可选实施例的多层次嵌套模型架构的示意图，如图4所示，多层次嵌套模型对应相应的节点，其中，每个节点对应一个参数的判断条件，且基于每个节点对应的判断条件，确定节点对应的下一个节点或者节点对应的判定结果其中，判定结果用于表征锂电池是否失效或者是否满足设计寿命时长。例如，第一节点对应PH值的判断条件、第二节点对应设备健康级别的判断条件、第三节点对应粘度的判断条件、第四节点对应环境温度的判断条件、第五节点对应颗粒度的判断条件、第六节点对应铝膜厚度的判断条件以及第七节点对应含铜量的判断条件。例如，首先需要判断PH值是否大于PH阈值；在PH值是否大于PH阈值时，则判断设备健康级别是否大于设备健康级别阈值；在设备健康级别大于设备健康级别阈值，依据环境温度确定待测试锂电池的判定结果；在设备健康级别小于或者等于设备健康级别阈值，则依据颗粒度确定待测试锂电池的判定结果；在PH值小于或者等于PH阈值时，则判断粘度是否小于粘度阈值；在粘度小于粘度阈值时，则依据铝膜厚度确定待测试锂电池的判定结果；在粘度大于或者等于粘度阈值时，则依据含铜量确定待测试锂电池的判定结果。需要说明的是，在具体实施过程中包括但不限于上述所描述的方式。
对于单个多层次嵌套模型的生成方法，首先是对模型中第一个节点的选取与***，第一个节点的选取及分类准则制定，采用信息增益的判定标准，其中熵的公式如下所示，
其中，Pi是参数列每个类别的概率。
上述结构的后续节点均采用上述方法实现，应用多组训练集进行计算后生成多个多层次嵌套模型，即为锂电池失效预判模型，应用锂电池失效预判模型根据新样品的参数列进行分析，最终通过各分析结果所占比例大小计算其终判结果、风险等级及参数列的贡献度。
此外，当有新的历史数据输入时，还可以对新的历史数据进行一次数据处理，二次数据处理，进而更新失效预判模型，使失效预判模型准确度更高。
图5是根据本发明可选实施例的结果展示界面图的示意图，如图5所示，其中，受试者工作特征曲线下的面积(Area Under Curve，AUC)的可以用来判定分析结果的准确性，例如，AUC在0.8～1之间时，分析结果为可信。
综上，在本发明可选的实施方式中，该方法通过整合制造、研发、测试、售后各部门的产品历史数据作为失效预判模型的有效输入，从而能够做到在新产品下线之后，流入客户端之前知道产品是否能够满足可靠性设计需求的判定。
实施例3
根据本发明实施例的另一方面，还提供了一种锂电池失效判定模型生成装置，图6是根据本发明实施例的锂电池失效判定模型生成装置的示意图，如图6所示，该锂电池失效判定模型生成装置包括：第一获取模块62、第二获取模块64、标准化处理模块66和生成模块68。下面对该锂电池失效判定模型生成装置进行详细说明。
第一获取模块62，用于获取多个锂电池样本的历史数据，历史数据中包括多个节点参数数据；第二获取模块64，连接至上述第一获取模块62，用于基于预设相关系数对多个节点参数数据进行筛选，获取多个节点相关数据；标准化处理模块66，连接至上述第二获取模块64，用于对多个节点相关数据进行标准化处理，得到多个标准节点数据；生成模块68，连接至上述标准化处理模块66，用于根据多个标准节点数据和对应的锂电池样本的失效结果进行训练，生成用于对锂电池进行失效预判的失效判定模型。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，例如，对于后者，可以通过以下方式实现：上述各个模块可以位于同一处理器中；和/或，上述各个模块以任意组合的方式位于不同的处理器中。
在上述实施例中，该锂电池失效判定模型生成装置可以通过锂电池样本的历史数据，建立用于对锂电池进行失效预判的失效判定模型，进而对待测试锂电池进行评估，达到在已有数据量较小的情况下，精确的判定锂电池的失效情况的目的，从而实现了更加准确的得到待测试锂电池的评估结果，对待测试锂电池做出准确的失效预判的技术效果，进而解决了现有技术中通过量化电池内部不可控的化学副反应对电池进行失效预判是非常困难的，同时经典容量衰退模型又无法很好的拟合电池容量突变问题的技术问题。
此处需要说明的是，上述第一获取模块62、第二获取模块64、标准化处理模块66和生成模块68对应于实施例1中的步骤S102至S108，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。
可选地，上述第一获取模块62包括：获取单元，用于获取多个锂电池样本的采样数据；转化单元，用于将多个锂电池样本的采样数据转化为多个节点参数数据，并将多个节点参数数据作为历史数据。
可选地，上述节点参数数据包括以下一种或多种：数值类标准化数据、非数值类标准化数据和等级划分结果；对应的，上述转化单元包括以下一种或多种：第一处理子单元，用于对采样数据中的数值类参数进行求平均值处理，得到数值类标准化数据；第二处理子单元，用于对采样数据中的非数值类参数进行数值编码，得到非数值类标准化数据；第三处理子单元，用于对采样数据中的测试结果进行处理，得到失效分类结果以及等级划分结果。
可选地，上述第二获取模块64包括：确定单元，用于确定多个节点参数数据对应的预设相关系数；排序单元，用于根据预设相关系数对多个节点参数数据进行排序，得到排序结果；处理单元，用于根据排序结果从多个节点参数数据筛选出多个节点相关数据。
可选地，上述标准化处理包括以下至少之一：异常值剔除、缺失值填充以及训练集和验证集划分。
可选地，上述标准节点数据包括训练样本数据，上述生成模块68包括：训练单元，用于使用多个训练样本数据和对应的锂电池样本的失效结果进行训练，得到失效判定模型。
可选地，上述标准节点数据包括验证样本数据，上述装置还包括：验证模块，用于根据多个验证样本数据和失效判定模型对多个锂电池样本进行验证，得到对应的验证结果；确定模块，用于根据验证结果和验证样本数据所对应的失效结果确定失效判定模型的判定准确率。
实施例4
根据本发明实施例的另一方面，还提供了一种锂电池失效判定装置，图7是根据本发明实施例的锂电池失效判定装置的示意图，如图7所示，该锂电池失效判定装置包括：第三获取模块72和判定模块74。下面对该锂电池失效判定装置进行详细说明。
第三获取模块72，用于获取待测锂电池的样品参数数据；判定模块74，连接至上述第三获取模块72，用于根据预训练好的失效判定模型和样品参数数据对待测锂电池进行判定，得到待测锂电池失效的判定结果，失效判定模型根据上述中任一项的锂电池失效判定模型生成方法生成。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，例如，对于后者，可以通过以下方式实现：上述各个模块可以位于同一处理器中；和/或，上述各个模块以任意组合的方式位于不同的处理器中。
在上述实施例中，该锂电池失效判定装置可以通过锂电池样本的历史数据，建立用于对锂电池进行失效预判的失效判定模型，进而对待测试锂电池进行评估，达到在已有数据量较小的情况下，精确的判定锂电池的失效情况的目的，从而实现了更加准确的得到待测试锂电池的评估结果，对待测试锂电池做出准确的失效预判的技术效果，进而解决了现有技术中通过量化电池内部不可控的化学副反应对电池进行失效预判是非常困难的，同时经典容量衰退模型又无法很好的拟合电池容量突变问题的技术问题。
此处需要说明的是，上述第三获取模块72和判定模块74对应于实施例2中的步骤S202至S204，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例2所公开的内容。
实施例5
根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，该计算机可读存储介质包括存储的程序，其中，在程序运行时控制计算机可读存储介质所在设备执行上述中任意一项的锂电池失效判定模型生成方法或上述的锂电池失效判定方法。
可选地，在本实施例中，上述计算机可读存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，和/或位于移动终端群中的任意一个移动终端中，上述计算机可读存储介质包括存储的程序。
可选地，在程序运行时控制计算机可读存储介质所在设备执行以下功能：获取多个锂电池样本的历史数据，历史数据中包括多个节点参数数据；基于预设相关系数对多个节点参数数据进行筛选，获取多个节点相关数据；对多个节点相关数据进行标准化处理，得到多个标准节点数据；根据多个标准节点数据和对应的锂电池样本的失效结果进行训练，生成用于对锂电池进行失效预判的失效判定模型。
可选地，获取多个锂电池样本的历史数据，包括：获取多个锂电池样本的采样数据；将多个锂电池样本的采样数据转化为多个节点参数数据，并将多个节点参数数据作为历史数据。
可选地，上述节点参数数据包括以下一种或多种：数值类标准化数据、非数值类标准化数据和等级划分结果；对应的，将多个锂电池样本的采样数据转化为多个节点参数数据，包括以下一种或多种：对采样数据中的数值类参数进行求平均值处理，得到数值类标准化数据；对采样数据中的非数值类参数进行数值编码，得到非数值类标准化数据；对采样数据中的测试结果进行处理，得到失效分类结果以及等级划分结果。
可选地，基于预设相关系数对多个节点参数数据进行筛选，获取多个节点相关数据，包括：确定多个节点参数数据对应的预设相关系数；根据预设相关系数对多个节点参数数据进行排序，得到排序结果；根据排序结果从多个节点参数数据筛选出多个节点相关数据。
可选地，上述标准化处理包括以下至少之一：异常值剔除、缺失值填充以及训练集和验证集划分。
可选地，上述标准节点数据包括训练样本数据，根据多个标准节点数据和对应的锂电池样本的失效结果进行训练，生成用于对锂电池进行失效预判的失效判定模型，包括：使用多个训练样本数据和对应的锂电池样本的失效结果进行训练，得到失效判定模型。
可选地，上述标准节点数据包括验证样本数据，上述方法还包括：根据多个验证样本数据和失效判定模型对多个锂电池样本进行验证，得到对应的验证结果；根据验证结果和验证样本数据所对应的失效结果确定失效判定模型的判定准确率。
或者，在程序运行时控制计算机可读存储介质所在设备执行以下功能：获取待测锂电池的样品参数数据；根据预训练好的失效判定模型和样品参数数据对待测锂电池进行判定，得到待测锂电池失效的判定结果，失效判定模型根据上述中任一项的锂电池失效判定模型生成方法生成。
实施例6
根据本发明实施例的另一方面，还提供了一种电子设备，该电子设备包括存储器和处理器；存储器存储有计算机程序，处理器用于运行存储器内的计算机程序，以执行上述任一项的锂电池失效判定模型生成方法或上述的锂电池失效判定方法中的操作。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种锂电池失效判定模型生成方法，其特征在于，包括：
获取多个锂电池样本的历史数据，所述历史数据中包括多个节点参数数据；
基于预设相关系数对多个所述节点参数数据进行筛选，获取多个节点相关数据；
对多个所述节点相关数据进行标准化处理，得到多个标准节点数据；
根据多个所述标准节点数据和对应的锂电池样本的失效结果进行训练，生成用于对锂电池进行失效预判的失效判定模型。
2.根据权利要求1所述的方法，其特征在于，获取多个锂电池样本的历史数据，包括：
获取多个锂电池样本的采样数据；
将多个锂电池样本的所述采样数据转化为多个所述节点参数数据，并将多个所述节点参数数据作为所述历史数据。
3.根据权利要求2所述的方法，其特征在于，所述节点参数数据包括以下一种或多种：数值类标准化数据、非数值类标准化数据和等级划分结果；对应的，将多个锂电池样本的所述采样数据转化为多个所述节点参数数据，包括以下一种或多种：
对所述采样数据中的数值类参数进行求平均值处理，得到所述数值类标准化数据；
对所述采样数据中的非数值类参数进行数值编码，得到非数值类标准化数据；
对所述采样数据中的测试结果进行处理，得到失效分类结果以及等级划分结果。
4.根据权利要求1所述的方法，其特征在于，基于预设相关系数对多个所述节点参数数据进行筛选，获取多个节点相关数据，包括：
确定多个所述节点参数数据对应的预设相关系数；
根据所述预设相关系数对多个所述节点参数数据进行排序，得到排序结果；
根据所述排序结果从多个所述节点参数数据筛选出多个所述节点相关数据。
5.根据权利要求1所述的方法，其特征在于，所述标准化处理包括以下至少之一：异常值剔除、缺失值填充以及训练集和验证集划分。
6.根据权利要求1所述的方法，其特征在于，所述标准节点数据包括训练样本数据，根据多个所述标准节点数据和对应的锂电池样本的失效结果进行训练，生成用于对锂电池进行失效预判的失效判定模型，包括：
使用多个所述训练样本数据和对应的锂电池样本的失效结果进行训练，得到所述失效判定模型。
7.根据权利要求1所述的方法，其特征在于，所述标准节点数据包括验证样本数据，所述方法还包括：
根据多个所述验证样本数据和所述失效判定模型对多个所述锂电池样本进行验证，得到对应的验证结果；
根据所述验证结果和所述验证样本数据所对应的失效结果确定所述失效判定模型的判定准确率。
8.一种锂电池失效判定方法，其特征在于，包括：
获取待测锂电池的样品参数数据；
根据预训练好的失效判定模型和所述样品参数数据对所述待测锂电池进行判定，得到待测锂电池失效的判定结果，所述失效判定模型根据权利要求1至7中任一项所述的锂电池失效判定模型生成方法生成。
9.一种电子设备，其特征在于，包括存储器和处理器；所述存储器存储有计算机程序，所述处理器用于运行所述存储器内的计算机程序，以执行权利要求1至7任一项所述的锂电池失效判定模型生成方法或权利要求8所述的锂电池失效判定方法中的操作。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至7中任意一项所述的锂电池失效判定模型生成方法或权利要求8所述的锂电池失效判定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111556743.3A CN114298507A (zh) | 2021-12-17 | 2021-12-17 | 锂电池失效判定方法、模型生成方法、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111556743.3A CN114298507A (zh) | 2021-12-17 | 2021-12-17 | 锂电池失效判定方法、模型生成方法、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114298507A true CN114298507A (zh) | 2022-04-08 |
Family
ID=80968045
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111556743.3A Pending CN114298507A (zh) | 2021-12-17 | 2021-12-17 | 锂电池失效判定方法、模型生成方法、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114298507A (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108334940A (zh) * | 2018-03-01 | 2018-07-27 | 大连道道科技有限公司 | 一种基于深度神经网络的锂电池包多个电池单体soc实时联合预测方法 |
| CN109165687A (zh) * | 2018-08-28 | 2019-01-08 | 哈尔滨理工大学 | 基于多分类支持向量机算法的车用锂电池故障诊断方法 |
| CN109262368A (zh) * | 2018-09-13 | 2019-01-25 | 成都数之联科技有限公司 | 一种刀具失效判定方法 |
| CN110441706A (zh) * | 2019-08-23 | 2019-11-12 | 优必爱信息技术（北京）有限公司 | 一种电池soh估计方法及设备 |
| CN110568361A (zh) * | 2019-09-12 | 2019-12-13 | 华中科技大学 | 一种动力电池健康状态的预测方法 |
| CN111044928A (zh) * | 2019-12-31 | 2020-04-21 | 福州大学 | 一种锂电池健康状态估计方法 |
| CN111783840A (zh) * | 2020-06-09 | 2020-10-16 | 苏宁金融科技(南京)有限公司 | 一种随机森林模型的可视化方法、装置及存储介质 |
| CN112613584A (zh) * | 2021-01-07 | 2021-04-06 | 国网上海市电力公司 | 一种故障诊断方法、装置、设备及存储介质 |
| CN112783940A (zh) * | 2020-12-31 | 2021-05-11 | 广州大学 | 基于图神经网络的多源时序数据故障诊断方法和介质 |
| CN112881916A (zh) * | 2021-01-21 | 2021-06-01 | 湘潭大学 | 一种锂电池健康状态和剩余可用寿命的预测方法及*** |
| CN112881915A (zh) * | 2021-01-18 | 2021-06-01 | 恒大新能源汽车投资控股集团有限公司 | 锂电池的故障识别方法、识别装置及计算机可读存储介质 |
| CN113687250A (zh) * | 2021-08-18 | 2021-11-23 | 蜂巢能源科技有限公司 | 电芯容量预测方法、装置、电子设备及介质 |
| CN113759269A (zh) * | 2021-11-10 | 2021-12-07 | 武汉理工大学 | 一种电动汽车电池健康状态监测方法及*** |
-
2021
- 2021-12-17 CN CN202111556743.3A patent/CN114298507A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108334940A (zh) * | 2018-03-01 | 2018-07-27 | 大连道道科技有限公司 | 一种基于深度神经网络的锂电池包多个电池单体soc实时联合预测方法 |
| CN109165687A (zh) * | 2018-08-28 | 2019-01-08 | 哈尔滨理工大学 | 基于多分类支持向量机算法的车用锂电池故障诊断方法 |
| CN109262368A (zh) * | 2018-09-13 | 2019-01-25 | 成都数之联科技有限公司 | 一种刀具失效判定方法 |
| CN110441706A (zh) * | 2019-08-23 | 2019-11-12 | 优必爱信息技术（北京）有限公司 | 一种电池soh估计方法及设备 |
| CN110568361A (zh) * | 2019-09-12 | 2019-12-13 | 华中科技大学 | 一种动力电池健康状态的预测方法 |
| CN111044928A (zh) * | 2019-12-31 | 2020-04-21 | 福州大学 | 一种锂电池健康状态估计方法 |
| CN111783840A (zh) * | 2020-06-09 | 2020-10-16 | 苏宁金融科技(南京)有限公司 | 一种随机森林模型的可视化方法、装置及存储介质 |
| CN112783940A (zh) * | 2020-12-31 | 2021-05-11 | 广州大学 | 基于图神经网络的多源时序数据故障诊断方法和介质 |
| CN112613584A (zh) * | 2021-01-07 | 2021-04-06 | 国网上海市电力公司 | 一种故障诊断方法、装置、设备及存储介质 |
| CN112881915A (zh) * | 2021-01-18 | 2021-06-01 | 恒大新能源汽车投资控股集团有限公司 | 锂电池的故障识别方法、识别装置及计算机可读存储介质 |
| CN112881916A (zh) * | 2021-01-21 | 2021-06-01 | 湘潭大学 | 一种锂电池健康状态和剩余可用寿命的预测方法及*** |
| CN113687250A (zh) * | 2021-08-18 | 2021-11-23 | 蜂巢能源科技有限公司 | 电芯容量预测方法、装置、电子设备及介质 |
| CN113759269A (zh) * | 2021-11-10 | 2021-12-07 | 武汉理工大学 | 一种电动汽车电池健康状态监测方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108520357B (zh) | 一种线损异常原因的判别方法、装置及服务器 | |
| CN109061504A (zh) | 同类型不同锂离子电池剩余使用寿命预测方法和*** | |
| CN108535656A (zh) | 基于pca-narx神经网络的锂离子电池剩余使用寿命预测方法和*** | |
| CN107992968B (zh) | 基于集成时间序列分析技术的电能表计量误差预测方法 | |
| EP3678072A1 (en) | Model integration method and device | |
| CN105488539B (zh) | 分类模型的生成方法及装置、***容量的预估方法及装置 | |
| CN111626514B (zh) | 一种电动汽车充电负荷预测方法及装置 | |
| CN103577876A (zh) | 基于前馈神经网络的可信与不可信用户识别方法 | |
| CN110333991B (zh) | 云平台任务最大资源使用率预测方法 | |
| CN112946483A (zh) | 电动汽车电池健康的综合评估方法及存储介质 | |
| CN111142025A (zh) | 一种电池soc估算方法、装置、存储介质及电动汽车 | |
| CN114290960A (zh) | 获取动力电池的电池健康度的方法、装置和车辆 | |
| CN113189495A (zh) | 一种电池健康状态的预测方法、装置及电子设备 | |
| CN109634820A (zh) | 一种云端移动端协同的故障预警方法、相关设备及*** | |
| CN111652661B (zh) | 一种手机客户端用户流失预警处理方法 | |
| CN114169709A (zh) | 变电站二次设备的状态评估方法、装置、存储介质及设备 | |
| CN113988441A (zh) | 电力无线网络链路质量预测、模型训练方法及装置 | |
| CN114579644A (zh) | 基于深度学习的电池有效充电数据识别方法、设备和介质 | |
| CN116482540A (zh) | 电池电压不一致性的分析预测方法、装置及*** | |
| CN115222303A (zh) | 基于大数据的行业风险数据分析方法、***及存储介质 | |
| CN115047349A (zh) | 电池包的一致性状态评估方法、装置、电子设备和存储介质 | |
| CN111476438A (zh) | 一种用户用电量预测方法、***以及设备 | |
| CN111539840A (zh) | 一种融合聚类与密度估计的窃电检测方法及*** | |
| CN114879070A (zh) | 一种电池状态评估方法及相关设备 | |
| CN114036647A (zh) | 一种基于实车数据的动力电池安全风险评估方法 |
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 |