新能源汽车电池性能检测系统及方法与流程

本技术涉及新能源汽车性能的智能化检测领域，且更为具体地，涉及一种新能源汽车电池性能检测系统及方法。

背景技术：

1、动力电池在新能源电动汽车中扮演着至关重要的角色，直接影响着车辆的性能表现和电动汽车产业的发展前景。根据电动汽车理论，动力电池的充放电电流会随着车辆行驶状况和驾驶员行为的变化而波动。此外，动力电池还会受到温度变化和振动等外部影响，这些因素将直接影响动力电池的电能输出和使用寿命。

2、因此，实时监测动力电池的状态至关重要，这是确保动力电池和电动汽车高效、安全运行的关键技术之一。然而，目前对于动力电池(如磷酸铁锂电池)循环寿命的检测与预测仍然是全球范围内动力电池领域面临的挑战之一。

3、要检测磷酸铁锂动力电池的循环寿命，应该根据电池组成部分的结构形态与其性能之间的相互关系，通过综合测量与分析电池的结构形态和物理与化学性能来获取。然而，目前判断电池循环寿命的一般方法是通过对电池进行充放电循环试验，不仅难以真实地反映电池组成部分结构形态和物理化学性能的变化，而且，检测时间长、耗时和数据随机性大。

4、因此，期待一种新能源汽车电池性能检测系统及方法，使用深度学习技术对待检测磷酸铁锂电池进行分析和预测，以实现对新能源汽车电池循环寿命的精准预测。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种新能源汽车电池性能检测系统及方法，其首先获取不同模拟工况下待检测磷酸铁锂电池的多个预定时间点的层析图像以及不同模拟工况下待检测磷酸铁锂电池的多个预定时间点的电化学特性信息作为输入数据，接着使用深度学习技术对这些输入数据进行特征提取和分析以得到磷酸铁锂电池循环寿命特征向量，然后使用解码器对所述磷酸铁锂电池循环寿命特征向量进行解码回归以得到用于表示待检测磷酸铁锂电池的循环寿命的解码值。这样，根据解码值，可以对磷酸铁锂电池的循环寿命进行精准预测。这样，可以为电池管理系统提供重要参考，有助于优化电池的使用和性能。

2、根据本技术的第一方面，提供了一种新能源汽车电池性能检测系统，其包括：

3、磷酸铁锂电池数据采集模块，用于获取不同模拟工况下待检测磷酸铁锂电池的多个预定时间点的层析图像以及不同模拟工况下待检测磷酸铁锂电池的多个预定时间点的电化学特性信息；

4、磷酸铁锂电池特征获取模块，用于分别对所述不同模拟工况下待检测磷酸铁锂电池的多个预定时间点的层析图像以及所述不同模拟工况下待检测磷酸铁锂电池的多个预定时间点的电化学特性信息进行特征提取和分析以得到层析全局特征向量以及电化学信息全局特征矩阵；

5、磷酸铁锂电池特征融合模块，用于将所述层析全局特征向量以及所述电化学信息全局特征矩阵进行相乘以得到磷酸铁锂电池循环寿命特征向量；

6、磷酸铁锂电池特征解码模块，用于基于所述磷酸铁锂电池循环寿命特征向量以得到解码值，所述解码值用于表示待检测磷酸铁锂电池的循环寿命。

7、结合本技术的第一方面，在本技术的第一方面的一种新能源汽车电池性能检测系统中，所述磷酸铁锂电池特征获取模块，包括：层析特征提取单元，用于对所述不同模拟工况下待检测磷酸铁锂电池的多个预定时间点的层析图像进行特征编码以得到所述层析全局特征向量；电化学信息特征提取单元，用于对所述不同模拟工况下待检测磷酸铁锂电池的多个预定时间点的电化学特性信息进行特征编码以得到所述电化学信息全局特征矩阵。

8、其中，所述层析特征提取单元，包括：深浅特征提取子单元，用于将所述不同模拟工况下待检测磷酸铁锂电池的多个预定时间点的层析图像分别通过基于深浅特征融合模块的层析特征提取器以得到各个模拟工况下的多个层析特征矩阵；层析时序特征提取子单元，用于将所述各个模拟工况下的多个层析特征矩阵按时间维度排列为各个模拟工况下的层析时序输入张量后分别通过基于三维卷积神经网络模型的层析时序特征提取模块以得到各个模拟工况下的层析时序特征向量；层析全局特征提取子单元，用于将所述各个模拟工况下的层析时序特征向量排列为层析全局输入向量后通过基于特征编码器的层析全局特征提取模块以得到所述层析全局特征向量。

9、特别地，所述深浅特征提取子单元，用于：从所述层析特征提取器的第i层提取浅层特征矩阵，所述第i层为所述层析特征提取器的第一层至第六层；从所述层析特征提取器的第j层提取深层特征矩阵，所述第j层与所述第i层之间的比值大于等于5；以及使用所述深浅特征融合模块来融合所述浅层特征矩阵和所述深层特征矩阵以得到所述各个模拟工况下的多个层析特征矩阵中的各个层析特征矩阵。

10、另外，所述电化学信息特征提取单元，包括：电化学信息排列子单元，用于将所述不同模拟工况下待检测磷酸铁锂电池的多个预定时间点的电化学特性信息按时间维度排列为各个模拟工况下的多个电化学信息输入向量；电化学特征提取子单元，用于将所述各个模拟工况下的多个电化学信息输入向量分别通过基于一维卷积神经网络模型的电化学信息特征提取模块以得到各个模拟工况下的多个电化学信息特征向量；电化学时序特征提取子单元，用于将所述各个模拟工况下的多个电化学信息特征向量通过基于双向长短期记忆神经网络模型的电化学信息变化特征提取模块以得到各个模拟工况下的电化学信息变化特征向量；电化学全局特征提取子单元，用于将所述各个模拟工况下的电化学信息变化特征向量排列成电化学信息全局输入矩阵后通过包含二维卷积结构的电化学信息全局特征提取模块以得到所述电化学信息全局特征矩阵。

11、特别地，所述电化学时序特征提取子单元，用于：将所述各个模拟工况下的多个电化学信息特征向量分别进行一维排列以得到多个长距离关联特征向量的序列；以及使用所述基于双向长短期记忆神经网络模型的电化学信息变化特征提取模块对所述多个长距离关联特征向量的序列分别进行长距离关联特征编码以得到所述各个模拟工况下的电化学信息变化特征向量。

12、结合本技术的第一方面，在本技术的第一方面的一种新能源汽车电池性能检测系统中，所述磷酸铁锂电池特征解码模块，包括：磷酸铁锂电池循环寿命特征获取单元，用于将所述磷酸铁锂电池循环寿命特征向量通过基于卷积神经网络模型的磷酸铁锂电池循环寿命解码特征提取模块以得到磷酸铁锂电池循环寿命解码特征向量；磷酸铁锂电池循环寿命特征优化单元，用于对所述磷酸铁锂电池循环寿命解码特征向量进行空间稀疏性限制的隐性群优化以得到优化磷酸铁锂电池循环寿命解码特征向量；磷酸铁锂电池循环寿命解码单元，用于将所述优化磷酸铁锂电池循环寿命解码特征向量通过解码器以得到所述解码值。

13、其中，所述磷酸铁锂电池循环寿命特征优化单元，包括：以如下公式来计算所述磷酸铁锂电池循环寿命解码特征向量的空间稀疏性限制的隐性群优化因数，其中，所述公式为：

14、

15、其中，vc表示磷酸铁锂电池循环寿命解码特征向量，σ(vc)表示所述磷酸铁锂电池循环寿命解码特征向量的特征值集合的方差，vi是所述磷酸铁锂电池循环寿命解码特征向量中各个位置的特征值，且l是所述磷酸铁锂电池循环寿命解码特征向量的长度，且||vc||1表示所述磷酸铁锂电池循环寿命解码特征向量的一范数，w是所述磷酸铁锂电池循环寿命解码特征向量的空间稀疏性限制的隐性群优化因数；和以所述空间稀疏性限制的隐性群优化因数作为权重对所述磷酸铁锂电池循环寿命解码特征向量进行加权以得到所述优化磷酸铁锂电池循环寿命解码特征向量。

16、根据本技术的第二方面，提供了一种新能源汽车电池性能检测方法，其包括：

17、获取不同模拟工况下待检测磷酸铁锂电池的多个预定时间点的层析图像以及不同模拟工况下待检测磷酸铁锂电池的多个预定时间点的电化学特性信息；

18、分别对所述不同模拟工况下待检测磷酸铁锂电池的多个预定时间点的层析图像以及所述不同模拟工况下待检测磷酸铁锂电池的多个预定时间点的电化学特性信息进行特征提取和分析以得到层析全局特征向量以及电化学信息全局特征矩阵；

19、将所述层析全局特征向量以及所述电化学信息全局特征矩阵进行相乘以得到磷酸铁锂电池循环寿命特征向量；

20、基于所述磷酸铁锂电池循环寿命特征向量以得到解码值，所述解码值用于表示待检测磷酸铁锂电池的循环寿命。

21、结合本技术的第二方面，在本技术的第二方面的一种新能源汽车电池性能检测方法中，分别对所述不同模拟工况下待检测磷酸铁锂电池的多个预定时间点的层析图像以及所述不同模拟工况下待检测磷酸铁锂电池的多个预定时间点的电化学特性信息进行特征提取和分析以得到层析全局特征向量以及电化学信息全局特征矩阵，包括：层析特征提取单元，用于对所述不同模拟工况下待检测磷酸铁锂电池的多个预定时间点的层析图像进行特征编码以得到所述层析全局特征向量；电化学信息特征提取单元，用于对所述不同模拟工况下待检测磷酸铁锂电池的多个预定时间点的电化学特性信息进行特征编码以得到所述电化学信息全局特征矩阵。

22、与现有技术相比，本技术提供的一种新能源汽车电池性能检测系统及方法，其首先获取不同模拟工况下待检测磷酸铁锂电池的多个预定时间点的层析图像以及不同模拟工况下待检测磷酸铁锂电池的多个预定时间点的电化学特性信息作为输入数据，接着使用深度学习技术对这些输入数据进行特征提取和分析以得到磷酸铁锂电池循环寿命特征向量，然后使用解码器对所述磷酸铁锂电池循环寿命特征向量进行解码回归以得到用于表示待检测磷酸铁锂电池的循环寿命的解码值。这样，根据解码值，可以对磷酸铁锂电池的循环寿命进行精准预测。这样，可以为电池管理系统提供重要参考，有助于优化电池的使用和性能。