电池失效原因判定模型的构建方法、使用方法及电子设备与流程

1.本发明涉及电池失效分析技术领域，特别涉及一种电池失效原因判定模型的构建方法、使用方法及电子设备。


背景技术：

2.近年来，随着锂离子、钠离子电池被广泛应用及普及，锂离子、钠离子电池相关产品的起火事件也被频繁报道，继而引起了社会各界的担忧。例如，动力汽车、电池储能箱、使用电池的轻型电动车、以及换电柜的起火甚至爆炸事件的等。
3.探究电池的失效原因不仅仅能够进一步优化电池乃至于具有电池的产品，以及进行隐患排查，保护使用人的人身和财产安全，还对于火灾事故责任划分也有着重要的意义。
4.目前，有一些故障诊断类模型被提出，大都是针对运行过程中异常征兆(如内阻异常、温度异常、电压异常、电流异常)进行及时探查和预警。
5.如：中国专利号为cn110308397a公开了一种混合卷积神经网络模型，并输入由傅里叶变换得到故障特征数据集进行模型训练，使得最终模型能够对电池包进行多类故障的同时诊断。但该发明提出的模型中包含手动设计的结构，存在较强的偏置归纳，当面对大数据分析时该模型的结果会存在较大的偏差。
6.又如：中国专利号为cn113821976a公开了一种基于集成算法的lightgbm模型，该发明采用adasyn方法和集成算法lightgbm开发了一种模型，从而实现对故障的诊断。但该发明需要对数据进行特征工程处理，所提取的特征依赖于处理人员的经验，数据中容易遗失重要信息。
7.然而，上述方案均无法满足电池失效原因的分析需求。


技术实现要素：

8.本技术的实施例提供一种电池失效原因判定模型的构建方法、使用方法及电子设备，以满足电池失效原因的分析需求。
9.为了解决上述技术问题，本技术的实施例公开了如下技术方案：
10.第一方面，提供了一种电池失效原因判定模型的构建方法，方法包括：
11.将获取的第一数据输入训练架构进行训练，获得判定模型；
12.其中，所述第一数据包括自试验电池失效前一段时间开始至所述试验电池失效后一段时间结束的过程中持续记录的试验电池数据。
13.结合第一方面，所述训练架构为卷积神经网络；其中，所述卷积神经网络包括卷积层、池化层和全连接层。
14.结合第一方面，在所述第一数据输入所述训练架构进行训练之前，对所述训练架构进行配置，其中，所述配置方法包括：
15.根据所述第一数据的数量对所述训练架构的深度、层数、每层的神经元数目、学习速率以及batch size中的一个或多个参数进行设置，并设置earlystopping参数。
16.结合第一方面，所述试验电池数据包括所述试验电池的第一类信息，或，所述试验电池数据包括所述试验电池的第一类信息和第二类信息；所述第一类信息包括所述试验电池的正负极电压，所述第二类信息包括所述试验电池的温度和电池膨胀力中的一种或多种。
17.结合第一方面，在所述第一数据输入所述训练架构之前对所述第二类信息进行统计计算，所述统计计算的方法包括：
18.获取所述第二类信息中的最大值、最小值、中值、均值、方差和其他高阶矩中的一种或多种。
19.结合第一方面，所述第一数据的数量为多个，多个所述第一数据划分为训练集数据、验证集数据和测试集数据，所述训练集数据用于所述训练架构的训练，所述验证集数据用于所述训练架构的验证，所述测试集数据用于检测最终获得的模型的效果；
20.其中，所述训练集数据占所述第一数据总量的60％-70％，所述验证集数据占所述第一数据总量的10％-20％，所述测试集数据占所述第一数据总量的10％-20％。
21.结合第一方面，所述第一数据的获取方法包括：
22.通过触发使所述试验电池失效；其中，所述触发的方式包括加热、过充、挤压、浸水、针刺、外部短路、内部短路、微过充过放循环和低温大倍率微过充循环中的一种或多种。
23.结合第一方面，在获得所述第一数据后，将所述第一数据与所述触发的方式进行匹配。
24.结合第一方面，所述第一数据包括自所述试验电池从失效前t1分钟开始到所述试验电池失效后t2分钟结束的过程中持续记录的试验电池数据；
25.其中，所述t1和所述t2满足：5≤t1≤120，0＜t2≤60。
26.第二方面，提供了一种电池失效原因判定模型的使用方法，包括：
27.获取失效电池的第二数据；
28.将所述第二数据输入至第一方面所述的判定模型中；
29.所述判定模型根据所述第二数据得到所述失效电池的失效原因；
30.其中，所述第二数据包括自所述失效电池失效前一段时间开始至所述失效电池失效后一段时间结束的过程中持续记录的失效电池数据。
31.结合第二方面，所述失效电池数据包括所述失效电池的第一类信息，或，所述失效电池数据包括所述失效电池的第一类信息和第二类信息；所述第一类信息包括所述失效电池的正负极电压，所述第二类信息包括所述失效电池的温度和电池膨胀力中的一种或多种。
32.结合第二方面，在所述第二数据输入所述判定模型之前对所述第二类信息进行统计计算，所述统计计算的方法包括：
33.获取所述第二类信息中的最大值、最小值、中值、均值、方差和其他高阶矩中的一种或多种。
34.结合第二方面，所述第二数据包括自所述失效电池失效前t3分钟开始到所述失效电池失效后t4分钟结束的过程中持续记录的失效电池数据，其中，所述t3和所述t4满足：5≤t3≤120，0＜t4≤60。
35.结合第二方面，将所述第二数据输入所述判定模型，具体包括：
36.将t1和t2相加得到所述第一数据的时长为m1；
37.将t3和t4相加得到所述第二数据的时长为m2；
38.将m1与m2进行比较；
39.若m1＞m2，则在所述第二数据的前端和/或后端引入补点，使m2＝m1，将补点后的所述第二数据输入所述判定模型；
40.若m1＝m2，将所述第二数据输入所述判定模型；
41.若m1＜m2，则对所述第二数据的前端和/或后端进行裁剪，使m2＝m1，将裁剪后的所述第二数据输入所述判定模型。
42.结合第二方面，所述失效原因的数量包括一个或多个；
43.其中，任意所述失效原因均包括与其对应的失效概率；
44.所述失效原因根据所述失效概率的数值大小进行排序；
45.对所述失效概率大于p的所述失效原因突出显示；
46.其中，p满足：p≥50％。
47.第三方面，提供了一种电子设备：包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现如第一方面所述的电池失效原因判定模型构建方法，或者，实现如第二方面所述的电池失效原因判定模型使用方法。
48.上述技术方案中的一个技术方案具有如下优点或有益效果：
49.本技术提供的一种电池失效原因判定模型的构建方法，方法包括：将获取的第一数据输入训练架构进行训练，获得判定模型；其中，第一数据包括自试验电池失效前一段时间开始至试验电池失效后一段时间结束的过程中持续记录的试验电池数据。如此，可通过使用构建后的判定模型来获取电池的失效原因，以利于满足电池失效原因的分析需求。此外，本技术的判定模型构建方法中，用于构建判定模型的数据包括了试验电池失效前后的整段电池数据，通过一整段状态数据可以更好的分析出失效电池的失效原因。
50.本技术提供的一种电池失效原因判定模型使用方法，电池失效原因判定模型的使用方法，包括：获取失效电池的第二数据；将第二数据输入至判定模型中；判定模型根据第二数据得到失效电池的失效原因；其中，第二数据包括自失效电池失效前一段时间开始至失效电池失效后一段时间结束的过程中持续记录的失效电池数据。本技术的判定模型使用方法，将失效电池失效前后的整段电池数据输入至判定模型中，即可获取电池的失效原因，以满足电池失效原因的分析需求。且判定模型可根据整段的电池数据进行分析，以更好的分析出失效电池的失效原因。
附图说明
51.下面结合附图，通过对本技术的具体实施方式详细描述，将使本技术的技术方案及其它有益效果显而易见。
52.图1为本技术实施例提供的模型的构建方法流程示意图；
53.图2为本技术实施例提供的数据获取流程示意图；
54.图3为本技术实施例提供的模型数据训练结果的示意图；
55.图4为本技术实施例提供的模型数据训练结果的示意图；
56.图5为本技术实施例提供的模型的使用方法流程示意图。
具体实施方式
57.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。在本技术的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本技术的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
58.申请人注意到，在现有技术中，有一些故障诊断类模型被提出，但都是针对运行过程中异常征兆(如内阻异常、温度异常、电压异常、电流异常)进行及时探查和预警，无法满足电池失效分析的需求。
59.以下通过实施例部分进一步阐述本技术的具体实施方式：
60.如图1和图2所示，本技术实施例公开了一种电池失效原因判定模型的构建方法，方法包括，将获取的第一数据输入训练架构，获得判定模型；其中，第一数据包括自试验电池失效前一段时间开始至试验电池失效后一段时间结束的过程中持续记录的试验电池数据。如此，可通过使用构建后的判定模型来获取电池的失效原因，以利于满足锂电池火灾分析的需求。
61.此外，可以理解的是，本技术中获得的第一数据是试验电池失效前后的整段数据。相比于一个时间点的数据，一段数据更能体现出电池失效过程中参数的变化，因此通过整段数据对训练架构进行训练可以更好的构建出能够准确判断电池失效原因的判定模型。
62.在本技术的实施例中，训练架构为卷积神经网络，卷积神经网络包括卷积层、池化层和全连接层。可以理解的是，卷积神经网络具有平移不变性的特点，当把试验电池失效前后的整段电池数据输入由卷积神经网络构建的判定模型时，判定模型的判断效果不受电池失效发生时间早晚的影响。
63.在本技术的实施例中，在第一数据输入训练架构进行训练之前，对训练架构进行配置，其中，配置方法包括：根据第一数据的数量对训练架构的深度、层数、每层的神经元数目、学习速率以及batch size中的一个或多个参数进行设置，同时设置earlystopping参数。本技术所采用的训练架构为卷积神经网络，在将数据输入卷积神经网络进行训练判定模型时，需要根据输入的第一数据的数量提前对卷积神经网络的众多参数进行设置，本技术中所说的数量指的是第一数据的中的组数或者数值的多少。通过提前对卷积神经网络的参数进行设置，可以避免第一数据的数量与卷积神经网络无法匹配。
64.在本技术的实施例中，试验电池数据包括试验电池的第一类信息，或，试验电池数据包括试验电池的第一类信息和第二类信息；第一类信息包括试验电池的正负极电压，第二类信息包括试验电池的温度和电池膨胀力中的一种或多种。
65.在一个例子中，采集的试验电池数据仅包括了电池的正负极电压，通过电池的正负极电压的变化来判断电池的失效原因。
66.在又一例子中，采集的试验电池数据中除了电池的正负极电压外，还包括了电池
的温度和/或电池膨胀力，通过获取电池的多个参数来对电池的失效原因进行判断能更加高效且准确。
67.在本技术的实施例中，在第一数据输入训练架构之前对第二类信息进行统计计算，统计计算的方法包括：获取第二类信息中的最大值、最小值、中值、均值、方差和其他高阶矩中的一种或多种。
68.需要说明的是，在电池中，一个电池只需要一个电压传感器进行测量，因此，电池的正负极电压数据无需进行统计计算。而电池的温度可能包括电池各个位点的温度，故在获得电池温度时大都需要多个温度传感器进行测量，得到多个温度数据；电池的膨胀力包括电池各个位点的膨胀力，故在获得电池膨胀力时大都需要多个膨胀力传感器进行测量，得到多个膨胀力数据。正是如此，不同电池对应的温度传感器和膨胀力传感器的数量可能不同，例如：如果a电池有10个温度传感器数据，b电池有3个温度传感器数据。
69.基于此，由于电池的正负极电压只有一个因此可以无需做处理即可输入至训练架构中，而电池的温度和电池膨胀力由于不同电池对应的温度传感器和膨胀力传感器的数量可能不同，因此需要对温度的数值进行统计处理，使判定模型的数据格式能够统一。
70.关于数据格式能够统一，如：在获得所有的试验电池数据后，将试验电池数据按时间点先后顺序进行对应并排列，将同一时间下多个位置获得的试验电池数据进行统计获得其中的统计值。
71.为了能够保留试验电池数据的有效性，可以根据数据中数值的类型采取不同的转换方式；如一条数据中数据起伏不大，则可以选择最大值、最小值或均值来作为该条数据的统计值；若一条数据中的数据高低起伏较大，则采用方差或其他高阶矩来作为该段数据的统计值等。
72.在本技术的实施例中，第一数据的数量为多个，多个第一数据划分为训练集数据、验证集数据和测试集数据，训练集数据用于训练架构的训练，验证集数据用于训练架构的验证、测试集用于检测最终获得的模型的效果；其中，训练集数据占第一数据总量的60％-70％，验证集数据占第一数据总量的10％-20％，测试集数据占第一数据总量的10％-20％。可以理解的是，在训练得到判定模型时，需要输入非训练数据来对判定模型的准确性和判断效率进行验证，根据验证结果来判断得到的判定模型是否满足预期。因此在获得试验电池数据时，预先将数据分为三组，一组为训练集数据，主要用于在训练模型阶段反复输入卷积神经网络进行训练，另一组则为验证集数据，主要用于在验证判定模型是否过拟合，测试集数据用于考察最终获得的判定模型的判定准确率。一般而言，训练集数据的数量比验证集数据多，训练集数据、验证集数据和测试集数据三者的数量之比可以是6:2:2，即获得的试验电池数据中的60％为训练集数据，20％为验证集数据，20％为测试集数据；或者训练集数据占70％，验证集数据占20％，测试集数据占10％。通过不断调整卷积神经网络的参数，减小模型的误差，同时可设置earlystopping参数，在判定模型过拟合时及时终止训练，并回溯找到过拟合发生前训练效果最佳的判定模型，从而避免判定模型出现越训练准确度越差的情况。
73.如图3所示，横坐标表示epoch(一个epoch指训练架构完整遍历一次训练集数据)，纵坐标表示loss(在此例子中为交叉熵函数算出来的结果)，方点曲线代表训练集数据(train)，圆点曲线代表验证集数据(valid)，从图中可以看出随着epoch数的增加，训练集
数据和验证集数据中的loss越少，并在最后趋于稳定。如图4所示，横坐标是epoch，纵坐标是准确率(accuracy)，方点曲线代表训练集数据(train)，圆点曲线代表验证集数据(valid)，从图中可以看出随着epoch数的增加，训练集数据和验证集数据的准确率也在提高，并在一个点上达到最高。
74.在本技术的实施例中，第一数据的获取方法包括：通过触发使试验电池失效；其中，触发的方式包括加热、过充、挤压、浸水、针刺、外部短路、内部短路、微过充过放循环和低温大倍率微过充循环等方式中的一种或多种。通过不同的触发方式使电池失效的测试方法也叫做滥用测试，用于加快电池的失效速率从而减少数据采集的时间。本技术中，加热可以是对电池进行局部加热，或者升高电池使用场景的环境温度，例如将电池放入到温度箱中加热至失效；过充可以是对电池进行过长时间的充电，使电压超过电池规定使用的最高电压；挤压可以将电池放入到挤压机中对电池某一面施加压力使电池变形失效，或通过坚硬的外物对其进行敲击使电池失效；浸水可以将电池放入到含有盐的水或自来水中，同时可以增加或降低水的温度，从而使电池失效；针刺可以是通过尖锐的硬物将电池刺破或刺穿致使电池失效；外部短路可以是将电池正负极与不同阻值的电阻相并连一次或多次使电池失效；内部短路可以通过加镍针并挤压加镍针区域使电池失效；还有微过充过放循环以及低温大倍率微过充循环进行循环触发。需要说明的是，本技术所指的对试验电池进行触发导致失效的测试方式属于滥用测试，即对电池进行非常规的使用导致失效，从而加快电池数据的获取和分析。
75.在本技术的实施例中，在获得第一数据后，将第一数据与触发的方式进行匹配。
76.在一个例子中，一个数据文件属于一个试验电池的一次测试，每个数据文件中均至少包含了该试验电池的电压随时间的变化情况，或者包含多个温度和/或多个膨胀力随时间变化的情况。同时对每个数据文件进行标记，以区分每个数据文件，如对每个数据文件标记属于哪种热失控方式触发的实验数据。
77.在本技术的实施例中，第一数据包括自试验电池失效前t1分钟开始至试验电池失效后t2分钟结束的过程中持续记录的试验电池数据；其中，t1和t2满足：5≤t1≤120，0＜t2≤60。可以理解的是，试验电池在开始触发前一直在正常的工作，在触发进行后，试验电池的电池数据开始变化，从触发使试验电池失效开始到试验电池完全失效并无法测量获得数据结束，所经过的时长一般为30-90分钟。因此为了数据的完整，在获取数据时，将试验电池失效前5到120分钟的数据作为失效前的数据，同时将电池失效后0到60分钟的数据作为失效后的数据，两个数据结合后进行分析可以获得更加准确的分析结果。一般而言，t1的时长优选为60分钟，而t2的时长优选为30分钟。需要说明的是，t1还能够选择的数值包括但不限于：10.0、30.0和40.0；同时，t2还能够选择的数值包括但不限于：5.0、10.0和40.0。
78.此外，可以想到的是，为了能够得到更加完善的判定模型，可以收集多种电池的数据来对卷积神经网络进行训练，包括三元体系、磷酸铁锂体系及固态电池体系的电池等。
79.如图5所示，本技术公开了一种电池失效原因判定模型的使用方法，包括：获取失效电池的第二数据；将第二数据输入至上述本技术公开的判定模型中；判定模型根据第二数据得到失效电池的失效原因；其中，第二数据包括自失效电池失效前一段时间开始至失效电池失效后一段时间结束的过程中持续记录的失效电池数据。将失效电池失效前后的整段失效电池数据输入至判定模型中，即可获取失效电池的失效原因，以满足电池失效原因
的分析需求。将失效电池失效前后的整段电池数据输入至判定模型中，判定模型根据整段的电池数据进行全面分析后，有助于分析找到失效电池的失效原因，并且得到的失效原因相比于人工推断的结果更加准确。
80.在本技术的实施例中，失效电池数据包括失效电池的第一类信息，或，失效电池数据包括失效电池的第一类信息和第二类信息；第一类信息包括失效电池的正负极电压，第二类信息包括失效电池的温度和电池膨胀力中的一种或多种。可以理解的是，试验电池的第一数据用于判定模型的训练，而失效电池的第二数据是失效电池失效过程中获得的，为了能够确保判定模型能够准确的分析得到失效电池的失效原因，将第二数据的类型与第一数据的类型进行统一。若在训练判定模型时，采用的第一数据包括了试验电池的正负极电压和温度，则第二数据也应当包括失效电池的正负极电压和温度；当两个数据前后保持一致才能提高判定模型的准确性和效率。
81.在本技术的一些其他实施例中，试验电池的电池数据的采样方式还可以根据电压的变化进行采样，以电压为基准当电压每变动
△v0
时即读取一次电池数据同时记录时间，根据电压的变化来观察其他电池数据的变化，从而可以直观的得到电压和温度或电池膨胀力的相关性。其中，
△v0
满足：1mv≤
△v0
≤100mv，需要说明的是，
△v0
能够选择的范围包括但不限于：5.0mv、50.0mv和90.0mv。
82.在本技术的实施例中，在第二数据输入判断模型之前对第二类信息进行统计计算，统计计算的方法包括：获取第二类信息中的最大值、最小值、中值、均值、方差和其他高阶矩中的一种或多种。
83.在一个例子中，当第一数据中的第二类信息进行了最大值、最小值、中值、均值、方差和其他高阶矩中的其中一种或多种的统计计算时，第二数据中的第二类信息也需要进行相同的统计计算处理。
84.在本技术的实施例中，第二数据包括自失效电池失效前t3分钟开始到失效电池失效后t4分钟结束的过程中持续记录的失效电池数据，其中，t3和t4满足：5≤t3≤120，0＜t4≤60。可以理解的是，在失效电池失效前一段时间，失效电池在失效原因的影响下也可能出现了微小变化。在失效电池失效后，失效电池的电池数据变化可能较为剧烈，在较短时间内损坏并无法使用。为了更加准确的分析导致失效电池失效的原因，需要获取更多失效电池失效前后的状态数据来提高分析结果的准确度。因此，为了避免失效电池失效前微小变化的状态数据被忽略导致分析结果出现差错，需要获取失效电池失效前较长时间段的状态数据进行分析；同时也需要获取失效电池在失效后的短暂状态数据进行联合分析。
85.在本技术实施例中，可以理解的是，失效电池从失效原因导致失效开始，到失效电池完全失效无法测量获得数据结束，所经过的时长一般为30-90分钟。因此在获取数据时，将电池失效前5到120分钟的数据作为失效前的第二数据，同时将电池失效后0到60分钟的数据作为失效后的第二数据，将两个数据结合后进行分析可以获得更加准确的分析结果。一般而言，为了能够满足对失效电池的分析条件，t3的时长优选为60分钟，而t4的时长优选为30分钟。需要说明的是，t3还能够选择的数值包括但不限于：10.0、30.0和40.0；同时，t4还能够选择的数值包括但不限于：5.0、10.0和40.0。
86.在本技术实施例中，将第二数据输入判断模型，具体包括：将t1和t2相加得到所述第一数据的时长为m1；将t3和t4相加得到第二数据的时长为m2；将m1与m2进行比较；若m1＞m2，
则在第二数据的前端和/或后端引入补点，使m2＝m1，将补点后的第二数据输入所述判断模型；若m
1＝
m2，将第二数据输入判断模型；若m1＜m2，则对第二数据的前端和/或后端进行裁剪，使m2＝m1，将裁剪后的第二数据输入所述判断模型。可以理解的是，由于失效电池失效的过程不可控，失效的整个过程可能持续的时间很长或者很短。这就导致获取的第二数据的时长无法与第一数据的时长统一，有可能导致判定模型在判断过程中出现误差，或者降低判定模型的效率。因此为了进一步提高判定模型判断的准确性和效率。在第二数据输入判定模型前，将第二数据的时长与第一数据的时长进行统一。可以想到的是，在判定模型训练前，对输入卷积神经网络的第一数据的时长进行统一；在判断模型进行判断时，若第二数据的时长大于第一数据的时长，可以将多出的时长进行裁剪去除，为了确保第二数据的有效性，可以对第二数据的前端、后端或两端的数据进行裁剪；若第二数据的时长小于第一数据的时长，可以将缺少的时长进行补足，在第二数据的前端、后端或两端插入对第二数据无实质影响的数据点；若第二数据的时长刚好等于第一数据的时长，则第二数据可以直接输入至判定模型中进行判断。在本技术的其他实施例中，第二数据时长的处理可以通过其他软件进行自动处理，或通过人工手动进行处理。
87.在又一例子中，也可将t1与t3进行比较而后进行与上述类似的补点或裁剪操作；此时，亦可将t2与t4进行比较而后进行与上述类似的补点或裁剪操作，从而满足模型使用需求。
88.在本技术实施例中，第一数据和第二数据中包括多个数值，相邻两个数值间隔t1秒，t1满足：0＜t1≤60。可以想到的是，在读取第一数据和第二数据后可以将获取的数值保留后再发送，传感器在对第一数据和第二数据进行读取时通常会间隔一定的时间。因此读取获得的两个数值之间也会有相同的时间间隔。传感器的读取数值的时间间隔可以通过程序进行设置，一般而言，每经过t1秒进行获取一次，t1可以选择的时间包括但不限于5.0、20.0和40.0。在一些其他实施例中，相邻两个数值的间隔时间可以小于0.1s或者大于60s，传感器获取时间的长短可以根据需要进行选择。当设定的传感器获取时间间隔更短时，所获得的数值包含的信息越多，对于数据的判断更准确。
89.在本技术实施例中，失效原因的数量包括一个或多个。可以理解的是，判定模型通过对第二数据进行分析后，可能得到多种情况。在第一种情况中，判定模型得到多个失效原因，这些失效原因共同作用导致失效电池失效，或者这些失效原因都可能导致失效电池失效，则可将多个失效原因在显示设备中进行显示。在第二种情况中，判定模型得到一个失效原因，则只将这个失效原因在显示设备中进行显示。通过判定模型对状态数据进行分析后，可以准确的判断出失效原因，进而帮助工作人员了解失效电池所遇到的情况。
90.需要说明的是，判定模型使用时获得的失效原因与判定模型训练时试验电池的失效原因相对应，比如训练模型时训练集中仅包含由加热导致的失效数据，那由于判定模型只“认识”加热数据，所以在判定模型使用时只会输出一个原因“加热”，但是该原因对应概率可能是0％、10％、或100％。
91.在本技术实施例中，任意失效原因均包括与其对应的失效概率。在判定模型对失效原因进行输出显示时，可以将所有的可能失效原因都进行显示，并且每个失效原因都附带相应的失效概率，如加热的概率为90％，针刺的概率为10％，而浸水的概率为0％。该种显示方式能够直观的看到每种失效原因的失效概率，显示的更加全面。或者可以将确定的失
效原因进行显示，或失效概率大于某个阈值的失效原因进行显示，从而减少显示内容，便于阅读。失效原因可以通过文字进行显示，同时失效概率可以通过百分比数字进行标注，或者通过进度条、直方图或饼图所占的比例和百分比数字结合的方式进行显示。通过显示可以直观的看出导致该失效电池失效的所有失效原因。通过失效概率的标注后可以便于找到最有可能导致失效电池失效的几种失效原因。从而便于工作人员读取数值和查找相应的失效原因。
92.在本技术实施例中，失效原因根据失效概率的数值大小进行排序。可以理解的是，排序包括由小到大的正序排序和由大到小的倒序排序，在判定模型分析得到失效原因并标注失效概率后，可以根据实际情况对失效原因进行排序。一般而言，为了直观的看到最可能的失效原因，将失效原因根据失效概率进行倒序排序，则失效概率越高的失效原因就能排列在第一位。而当采用正序排序时，则可以将失效原因根据失效概率从小到大进行排序，从而便于工作人员进行查看。提高失效原因查找的效率，避免工作人员逐一对失效原因和失效概率进行查看，导致误判的情况。
93.在本技术实施例中，将失效概率大于p的失效原因突出显示；p满足：p≥50％。可以理解的是，突出显示的方式可以为通过不同的颜色进行高亮显示，如将大于等于90％小于等于100％的失效原因采用红色高亮显示，将大于等于80％小于90％的失效原因采用橙色高亮显示，将大于等于50％小于80％的失效原因采用黄色高亮显示，将其他低于50％的失效原因采用其他颜色显示。或者将放大不同失效概率所对应的失效原因的字体以达到醒目的效果，从而便于工作人员进行阅读。
94.本技术实施例还提供了一种电子设备，包括存储器和处理器；存储器，用于存储计算机程序；处理器，用于当执行计算机程序时，实现如上述的电池失效原因判断方法，或者，采用上述电池失效原因判断系统实现上述电池失效原因判断方法。该种电子设备的实现方法和步骤与上述的电池失效原因判断方法相同，在此不在赘述。
95.本技术通过以下具体实施例来构建判定模型用以判断电池的失效原因：
96.实施例1：
97.选取1000个电池(包含三元体系、磷酸铁锂体系和固态电池)进行滥用测试；将电池平均分为5组，每组200个；采用5种滥用方式(即触发方式)对电池进行滥用导致失效，从而获得1000条电池数据；其中，滥用方式分别为加热、过充、挤压、浸水、针刺；在1000条电池数据中，每条数据都包含了触发方式、以及一定时刻下电池正负极电压的大小。如表1所示，为四条电池数据，电池的类型包括了三元体系、磷酸铁锂体系的电池；触发方式包括大面加热、环境加热、大面挤压；所记录的电池数据时长为n。在每组数据中随机选择60％的电池数据作为训练集数据，随机选择20％的电池数据作为验证集数据，将每组数据中剩余的20％的数据作为测试集数据；然后，将五组数据中选取的600条训练集数据输入至卷积神经网络中进行重复训练，将五组数据中选取的200条验证集数据输入至判定模型中进行验证，结合earlystopping以获得最终的最优判定模型。将五组数据中剩余的200条数据输入判定模型中，考察模型的准确率。
98.表1
[0099][0100]
实施例2
[0101]
选取1000个电池(包含三元体系、磷酸铁锂体系和固态电池)进行滥用测试；对每个电池进行编号，将电池平均分为5组，每组200个；采用5种滥用方式(即触发方式)对电池进行滥用导致失效，从而获得1000条电池数据；其中，滥用方式分别为加热、过充、挤压、浸水、针刺；在1000条电池数据中，每条数据都包含了电池正负极电压、温度和电池膨胀力，同时还包括电池的序号、电池的类型、触发方式、电池触发所在的位置、触发方式所提供的条件、触发方式所持续的时长以及一定时刻下电池正负极电压的大小。其中，温度包括位点1温度、位点2温度、位点3温度
…
位点n温度。如表2所示，将一条数据中500秒的n个位点的温度取平均值和最大值处理。在完成预处理的每组数据中随机选择70％的电池数据作为训练集数据，随机选择20％的电池数据作为验证集数据，将剩余的10％的数据作为测试集数据；然后，将五组数据中选取的700条训练集数据输入至卷积神经网络中进行重复训练，将五组数据中选取的200条验证集数据输入至判定模型中进行验证，结合earlystopping以获得最终的最优判定模型。将五组数据中剩余的100条数据输入判定模型中，考察模型的准确率。
[0102]
表2
[0103][0104]
以上对本技术实施例所提供的一种电池失效原因判定模型的构建方法、使用方法及电子设备进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐
述，以上实施例的说明只是用于帮助理解本技术的技术方案及其核心思想；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技术各实施例的技术方案的范围。

技术特征：
1.一种电池失效原因判定模型的构建方法，其特征在于，方法包括：将获取的第一数据输入训练架构进行训练，获得判定模型；其中，所述第一数据包括自试验电池失效前一段时间开始至所述试验电池失效后一段时间结束的过程中持续记录的试验电池数据。2.如权利要求1所述的电池失效原因判定模型的构建方法，其特征在于，所述训练架构为卷积神经网络；其中，所述卷积神经网络包括卷积层、池化层和全连接层。3.如权利要求1或2所述的电池失效原因判定模型的构建方法，其特征在于，在所述第一数据输入所述训练架构进行训练之前，对所述训练架构进行配置，其中，所述配置方法包括：根据所述第一数据的数量对所述训练架构的深度、层数、每层的神经元数目、学习速率以及batch size中的一个或多个参数进行设置，并设置earlystopping参数。4.如权利要求1或2所述的电池失效原因判定模型的构建方法，其特征在于，所述试验电池数据包括所述试验电池的第一类信息，或，所述试验电池数据包括所述试验电池的第一类信息和第二类信息；所述第一类信息包括所述试验电池的正负极电压，所述第二类信息包括所述试验电池的温度和电池膨胀力中的一种或多种。5.如权利要求4所述的电池失效原因判定模型的构建方法，其特征在于，在所述第一数据输入所述训练架构之前对所述第二类信息进行统计计算，所述统计计算的方法包括：获取所述第二类信息中的最大值、最小值、中值、均值、方差和其他高阶矩中的一种或多种。6.如权利要求1或5所述的电池失效原因判定模型的构建方法，其特征在于，所述第一数据的数量为多个，多个所述第一数据划分为训练集数据、验证集数据和测试集数据，所述训练集数据用于所述训练架构的训练，所述验证集数据用于所述训练架构的验证，所述测试集数据用于检测最终获得的模型的效果；其中，所述训练集数据占所述第一数据总量的60％-70％，所述验证集数据占所述第一数据总量的10％-20％，所述测试集数据占所述第一数据总量的10％-20％。7.如权利要求1所述的电池失效原因判定模型的构建方法，其特征在于，所述第一数据的获取方法包括：通过触发使所述试验电池失效；其中，所述触发的方式包括加热、过充、挤压、浸水、针刺、外部短路、内部短路、微过充过放循环和低温大倍率微过充循环中的一种或多种。8.如权利要求7所述的电池失效原因判定模型的构建方法，其特征在于，在获得所述第一数据后，将所述第一数据与所述触发的方式进行匹配。9.如权利要求1所述的电池失效原因判定模型的构建方法，其特征在于，所述第一数据包括自所述试验电池从失效前t1分钟开始到所述试验电池失效后t2分钟结束的过程中持续记录的试验电池数据；其中，所述t1和所述t2满足：5≤t1≤120，0＜t2≤60。10.一种电池失效原因判定模型的使用方法，其特征在于，包括：获取失效电池的第二数据；将所述第二数据输入至权利要求1-9任一项所述的判定模型中；所述判定模型根据所述第二数据得到所述失效电池的失效原因；
其中，所述第二数据包括自所述失效电池失效前一段时间开始至所述失效电池失效后一段时间结束的过程中持续记录的失效电池数据。11.如权利要求10所述的电池失效原因判定模型的使用方法，其特征在于，所述失效电池数据包括所述失效电池的第一类信息，或，所述失效电池数据包括所述失效电池的第一类信息和第二类信息；所述第一类信息包括所述失效电池的正负极电压，所述第二类信息包括所述失效电池的温度和电池膨胀力中的一种或多种。12.如权利要求11所述的电池失效原因判定模型的使用方法，其特征在于，在所述第二数据输入所述判定模型之前对所述第二类信息进行统计计算，所述统计计算的方法包括：获取所述第二类信息中的最大值、最小值、中值、均值、方差和其他高阶矩中的一种或多种。13.如权利要求10所述的电池失效原因判定模型的使用方法，其特征在于，所述第二数据包括自所述失效电池失效前t3分钟开始到所述失效电池失效后t4分钟结束的过程中持续记录的失效电池数据；其中，所述t3和所述t4满足：5≤t3≤120，0＜t4≤60。14.如权利要求13所述的电池失效原因判定模型的使用方法，其特征在于，将所述第二数据输入所述判定模型，具体包括：将t1和t2相加得到第一数据的时长为m1；将t3和t4相加得到所述第二数据的时长为m2；将m1与m2进行比较；若m1＞m2，则在所述第二数据的前端和/或后端引入补点，使m2＝m1，将补点后的所述第二数据输入所述判定模型；若m1＝m2，将所述第二数据输入所述判定模型；若m1＜m2，则对所述第二数据的前端和/或后端进行裁剪，使m2＝m1，将裁剪后的所述第二数据输入所述判定模型。15.如权利要求10所述的电池失效原因判定模型的使用方法，其特征在于，所述失效原因的数量包括一个或多个；其中，任意所述失效原因均包括与其对应的失效概率；所述失效原因根据所述失效概率的数值大小进行排序；对所述失效概率大于p的所述失效原因突出显示；其中，p满足：p≥50％。16.一种电子设备，其特征在于：包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现如权利要求1-9任一项所述的电池失效原因判定模型构建方法，或者，实现如权利要求10-15任一项所述的电池失效原因判定模型使用方法。

技术总结
本申请的实施例公开了一种电池失效原因判定模型的构建方法、使用方法及电子设备，方法包括：将获取的第一数据输入训练架构进行训练，获得判定模型；其中，第一数据包括自试验电池失效前一段时间开始至试验电池失效后一段时间结束的过程中持续记录的试验电池数据。本申请的判定模型构建方法中，可通过使用构建后的判定模型来获取电池的失效原因，以利于满足电池失效原因的分析需求。此外，本申请的判定模型构建方法中，用于构建判定模型的数据包括了试验电池失效前后的整段电池数据，通过一整段状态数据可以更好的分析出失效电池的失效原因。原因。原因。


技术研发人员：王敏 黄丽 肖利民 张志萍 范亚飞
受保护的技术使用者：深圳普瑞赛思检测技术有限公司
技术研发日：2023.05.24
技术公布日：2023/9/14