CN117154256A - 锂电池的电化学修复方法 - Google Patents
锂电池的电化学修复方法 Download PDFInfo
- Publication number
- CN117154256A CN117154256A CN202311342922.6A CN202311342922A CN117154256A CN 117154256 A CN117154256 A CN 117154256A CN 202311342922 A CN202311342922 A CN 202311342922A CN 117154256 A CN117154256 A CN 117154256A
- Authority
- CN
- China
- Prior art keywords
- temperature
- charging process
- time sequence
- feature
- local
- 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
- 238000000034 method Methods 0.000 title claims abstract description 220
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 35
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 35
- 230000008439 repair process Effects 0.000 title claims abstract description 32
- 230000008569 process Effects 0.000 claims abstract description 183
- 239000013598 vector Substances 0.000 claims description 149
- 239000011159 matrix material Substances 0.000 claims description 75
- 238000005070 sampling Methods 0.000 claims description 25
- 238000013527 convolutional neural network Methods 0.000 claims description 19
- 238000009826 distribution Methods 0.000 claims description 19
- 230000001965 increasing effect Effects 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 12
- 230000003247 decreasing effect Effects 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims 2
- 230000008859 change Effects 0.000 abstract description 31
- 238000012545 processing Methods 0.000 abstract description 13
- 238000011176 pooling Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 14
- 230000010287 polarization Effects 0.000 description 9
- 230000004913 activation Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 8
- 239000000284 extract Substances 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 230000002829 reductive effect Effects 0.000 description 6
- QSNQXZYQEIKDPU-UHFFFAOYSA-N [Li].[Fe] Chemical compound [Li].[Fe] QSNQXZYQEIKDPU-UHFFFAOYSA-N 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000000547 structure data Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 239000000306 component Substances 0.000 description 3
- 239000008358 core component Substances 0.000 description 3
- 229910001416 lithium ion Inorganic materials 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 239000011149 active material Substances 0.000 description 2
- 239000010405 anode material Substances 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 230000002427 irreversible effect Effects 0.000 description 2
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- SOXUFMZTHZXOGC-UHFFFAOYSA-N [Li].[Mn].[Co].[Ni] Chemical compound [Li].[Mn].[Co].[Ni] SOXUFMZTHZXOGC-UHFFFAOYSA-N 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 238000005065 mining 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
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/44—Methods for charging or discharging
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
- H01M10/486—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte for measuring temperature
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
- H01M2010/4271—Battery management systems including electronic circuits, e.g. control of current or voltage to keep battery in healthy state, cell balancing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Secondary Cells (AREA)
Abstract
本申请公开了一种锂电池的电化学修复方法，其通过在锂电池的充电过程中，实时监测电池温度的变化，并在后端引入数据处理和分析算法来对于充电过程中的温度时序变化情况进行分析，以基于温度的变化来采取相应措施以控制温度，如降低充电电流或者暂停充电，通过这样的方式，能够基于温度的实际情况来自适应调整充电电流值，从而减轻电池内部的极化现象，提高电池的性能和安全性。
Description
技术领域
本申请涉及锂电池领域，且更为具体地，涉及一种锂电池的电化学修复方法。
背景技术
动力电池根据正极材料的不同，主要包括三元动力电池和铁锂动力电池两大类，分别以镍钻锰锂(NCM)和磷酸铁锂(LFP)为正极材料。从性能角度分析，铁锂动力电池容量低，续航里程短，但安全性好，循环寿命长。铁锂动力电池退役后市场倾向于进入梯级利用产业，可充分发挥其剩余价值，实现循环经济最大化，降低储能系统的建设成本。三元动力电池比容量高，续航里程长，但是寿命较短，安全性能不如铁锂动力电池，不适宜用于储能电站、通信基站后备电源等应用环境复杂的梯次利用领域。
随着锂离子电池的使用时间增加，锂离子电池的容量会逐渐下降，这种容量损失限制了电池的使用寿命和性能。但是，退役的锂离子电池是可以进行修复的。由动力学的极化原因所导致的容量损失，属于可逆的容量损失，可通过充放电制度进行补偿修复；由材料结构疲劳、电池内部结构损伤所导致容量损失，属于不可逆容量损失，但可以通过合适的物理修复得到部分恢复。通过电池修复技术,可以大幅提升退役动力电池梯级利用效率和产品质量。
充放电制度是一种常用的锂电池修复方法。通过对电池进行周期性的充放电循环，可以促使电池内部的活性物质重新分布，从而减轻极化现象，提高电池的容量。在充电过程中，温度是影响电池性能和安全性的重要因素之一，过高的温度会导致电池的进一步损伤，而过低的温度可能会影响电池的性能。
因此，期望一种优化的锂电池的电化学修复方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种锂电池的电化学修复方法，其通过在锂电池的充电过程中，实时监测电池温度的变化，并在后端引入数据处理和分析算法来对于充电过程中的温度时序变化情况进行分析，以基于温度的变化来采取相应措施以控制温度，如降低充电电流或者暂停充电，通过这样的方式，能够基于温度的实际情况来自适应调整充电电流值，从而减轻电池内部的极化现象，提高电池的性能和安全性。
根据本申请的一个方面，提供了一种锂电池的电化学修复方法，其包括：
获取充电过程中预定时间段内多个预定时间点的温度值；
将所述多个预定时间点的温度值按照时间维度排列为充电过程温度时序输入向量；
对所述充电过程温度时序输入向量进行基于线性插值的上采样以得到上采样充电过程温度时序输入向量；
对所述上采样充电过程温度时序输入向量进行局部时序特征提取以得到充电过程温度局部时序特征向量的序列；
对所述充电过程温度局部时序特征向量的序列中的各个充电过程温度局部时序特征向量进行局部温度时序特征一致性关联编码以得到局部温度时序特征一致性拓扑特征矩阵；
对所述充电过程温度局部时序特征向量的序列和所述局部温度时序特征一致性拓扑特征矩阵进行基于图结构的关联编码以得到一致性拓扑充电过程温度局部时序特征；
基于所述一致性拓扑充电过程温度局部时序特征，确定当前时间点的充电电流值应增大、应减小或应保持。
与现有技术相比，本申请提供的一种锂电池的电化学修复方法，其通过在锂电池的充电过程中，实时监测电池温度的变化，并在后端引入数据处理和分析算法来对于充电过程中的温度时序变化情况进行分析，以基于温度的变化来采取相应措施以控制温度，如降低充电电流或者暂停充电，通过这样的方式，能够基于温度的实际情况来自适应调整充电电流值，从而减轻电池内部的极化现象，提高电池的性能和安全性。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的锂电池的电化学修复方法的流程图；
图2为根据本申请实施例的锂电池的电化学修复方法的系统架构图；
图3为根据本申请实施例的锂电池的电化学修复方法的子步骤S4的流程图；
图4为根据本申请实施例的锂电池的电化学修复方法的子步骤S5的流程图；
图5为根据本申请实施例的锂电池的电化学修复方法的子步骤S7的流程图。
图6为根据本申请实施例的电化学修复的效果图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
充放电制度是一种常用的锂电池修复方法。通过对电池进行周期性的充放电循环，可以促使电池内部的活性物质重新分布，从而减轻极化现象，提高电池的容量。在充电过程中，温度是影响电池性能和安全性的重要因素之一，过高的温度会导致电池的进一步损伤，而过低的温度可能会影响电池的性能。因此，期望一种优化的锂电池的电化学修复方案。
在本申请的技术方案中，提出了一种锂电池的电化学修复方法。图1为根据本申请实施例的锂电池的电化学修复方法的流程图。图2为根据本申请实施例的锂电池的电化学修复方法的系统架构图。如图1和图2所示，根据本申请的实施例的锂电池的电化学修复方法，包括步骤：S1，获取充电过程中预定时间段内多个预定时间点的温度值；S2，将所述多个预定时间点的温度值按照时间维度排列为充电过程温度时序输入向量；S3，对所述充电过程温度时序输入向量进行基于线性插值的上采样以得到上采样充电过程温度时序输入向量；S4，对所述上采样充电过程温度时序输入向量进行局部时序特征提取以得到充电过程温度局部时序特征向量的序列；S5，对所述充电过程温度局部时序特征向量的序列中的各个充电过程温度局部时序特征向量进行局部温度时序特征一致性关联编码以得到局部温度时序特征一致性拓扑特征矩阵；S6，对所述充电过程温度局部时序特征向量的序列和所述局部温度时序特征一致性拓扑特征矩阵进行基于图结构的关联编码以得到一致性拓扑充电过程温度局部时序特征；S7，基于所述一致性拓扑充电过程温度局部时序特征，确定当前时间点的充电电流值应增大、应减小或应保持。
特别地，所述S1，获取充电过程中预定时间段内多个预定时间点的温度值。在一个示例中，可通过温度传感器来获取充电过程中预定时间段内多个预定时间点的温度值。值得一提的是，温度传感器是一种用于测量环境或物体温度的设备。它能够将温度转化为电信号或数字信号，以便进行监测、控制或记录。
特别地，所述S2，将所述多个预定时间点的温度值按照时间维度排列为充电过程温度时序输入向量。考虑到充电过程中的温度值在时间维度上具有着时序的动态变化规律，也就是说，所述温度值在充电过程中是不断变化的，所述多个预定时间点的温度值之间具有着时序的关联关系。因此，在本申请的技术方案中，为了能够捕捉刻画出所述温度值在时间维度上的时序动态变化特征，需要将所述多个预定时间点的温度值按照时间维度排列为充电过程温度时序输入向量，以此来整合所述充电过程中的温度时序分布信息。
相应的，在一种可能的实现方式中，可通过以下步骤将所述多个预定时间点的温度值按照时间维度排列为充电过程温度时序输入向量，例如：收集预定时间点的温度值数据，确保每个时间点都有对应的温度值；确定时间点的顺序，按照充电过程中的时间先后顺序排列这些时间点；创建一个空的向量，用于存储温度时序输入；从最早的时间点开始，逐个遍历排好序的时间点列表；对于每个时间点，找到对应的温度值；将该温度值添加到温度时序输入向量中；继续遍历下一个时间点，重复步骤5和步骤6，直到遍历完所有时间点；完成遍历后，得到的向量即为按时间维度排列的充电过程温度时序输入向量。
特别地，所述S3，对所述充电过程温度时序输入向量进行基于线性插值的上采样以得到上采样充电过程温度时序输入向量。应可以理解，为了能够提高对充电过程中的温度细微变化特征的捕捉能力，在本申请的技术方案中，进一步对所述充电过程温度时序输入向量进行基于线性插值的上采样以得到上采样充电过程温度时序输入向量，以此来增加温度数据的密度和平滑度，从而便于后续更好地表示温度的时序特征。应可以理解，通过线性插值的上采样，可以将原始的所述充电过程温度时序输入向量中的数据点进行插值，生成更多的数据点。这样，有助于增加时间维度上的分辨率，使得充电过程温度的变化更加细致可见。同时，线性插值可以在采样点之间进行平滑插值，减少噪声和突变的影响，提高数据的连续性和稳定性。也就是说，上采样后的所述上采样充电过程温度时序输入向量可以提供更详细和准确的充电过程温度时序变化信息，为后续的特征提取和建模过程提供更丰富的数据。这有助于增强模型对充电过程中的温度时序变化的感知能力，提高充电电流值的控制精度，减轻电池内部的极化现象。
值得注意的是，基于线性插值的上采样是一种数据处理方法，用于在时间序列或连续数据中增加数据点的数量，以获得更高的时间分辨率或更平滑的数据曲线。该方法使用线性插值来估计新增数据点的数值，基于已知的原始数据点进行插值计算。线性插值的基本原理是假设两个已知数据点之间的数值变化是线性的，然后根据插值位置在两个已知数据点之间进行比例计算。例如，如果有两个已知数据点A和B，时间间隔为t，插值倍数为m，则在A和B之间会插入m个数据点。对于每个插入点，根据其相对位置确定其在A和B之间的比例，然后将该比例应用于A和B的数值差异，计算出插值点的数值。通过基于线性插值的上采样，可以增加数据的密度，使数据更加平滑，并提供更详细的时间分辨率。这在处理时间序列数据、信号处理、图像处理等领域中常被使用。
相应的，在一种可能的实现方式中，可通过以下步骤对所述充电过程温度时序输入向量进行基于线性插值的上采样以得到上采样充电过程温度时序输入向量，例如：获取原始充电过程温度时序输入向量。这个向量包含了充电过程中的温度数据点，通常是按照一定时间间隔采集的；计算原始数据点之间的时间间隔。通过计算相邻数据点的时间差，可以得到原始数据点之间的时间间隔；确定上采样倍数。上采样倍数表示新的采样率是原始采样率的多少倍。例如，如果上采样倍数为2，意味着新的采样率是原始采样率的两倍；计算新的时间间隔。将原始数据点之间的时间间隔除以上采样倍数，得到新的时间间隔；计算新的数据点的数量。新的数据点的数量等于原始数据点的数量乘以上采样倍数；创建新的时间向量。根据新的时间间隔和新的数据点的数量，创建一个新的时间向量，用于存储插值后的数据点的时间戳；创建新的温度向量。根据新的数据点的数量，创建一个新的温度向量，用于存储插值后的温度数据点；进行线性插值。对于每个新的数据点，根据其时间戳，在原始数据点中找到相邻的两个数据点。使用线性插值公式，根据时间戳和相邻数据点的温度值，计算新的数据点的温度值；将新的时间向量和温度向量作为上采样后的充电过程温度时序输入向量输出。
特别地，所述S4，对所述上采样充电过程温度时序输入向量进行局部时序特征提取以得到充电过程温度局部时序特征向量的序列。特别地，在本申请的一个具体示例中，如图3所示，所述S4，包括：S41，对所述上采样充电过程温度时序输入向量进行向量切分以得到充电过程温度局部时序输入向量的序列；S42，通过基于深度神经网络模型的温度时序特征提取器对所述充电过程温度局部时序输入向量的序列进行特征提取以得到所述充电过程温度局部时序特征向量的序列。
具体地，所述S41，对所述上采样充电过程温度时序输入向量进行向量切分以得到充电过程温度局部时序输入向量的序列。应可以理解，在对于所述充电过程温度的时序变化特征进行提取时，为了能够更好地捕捉到所述温度值在时间维度上的时序变化特征信息，进一步需要对所述上采样充电过程温度时序输入向量进行向量切分以得到充电过程温度局部时序输入向量的序列，以便于后续更好地提取出不同时间段内的充电过程温度局部时序细节变化特征信息。
值得注意的是，向量切分是将一个向量按照一定规则或条件拆分成多个子向量的过程。在向量切分中，原始向量被分割成多个较小的向量，每个子向量包含了原始向量中的一部分元素。向量切分可以用于数据处理、特征提取、序列分析等多个领域。它可以将一个较大的向量分解成更小的部分，使得处理和分析更加灵活和高效。切分后的子向量可以独立进行操作，也可以作为输入用于进一步的计算或模型建立。
具体地，所述S42，通过基于深度神经网络模型的温度时序特征提取器对所述充电过程温度局部时序输入向量的序列进行特征提取以得到所述充电过程温度局部时序特征向量的序列。特别地，在本申请的一个具体示例中，所述基于深度神经网络模型的温度时序特征提取器为基于一维卷积层的温度时序特征提取器。也就是，将所述充电过程温度局部时序输入向量的序列通过基于一维卷积层的温度时序特征提取器中进行特征提取，以提取出所述充电过程温度值在时间维度上的各个局部时间段内的局部时序细节变化特征信息，从而得到充电过程温度局部时序特征向量的序列。这样，有利于进行所述充电过程文档值的时序变化趋势分析和充电电流值的控制。具体地，使用所述基于一维卷积层的温度时序特征提取器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于一维卷积层的温度时序特征提取器的最后一层的输出为所述充电过程温度局部时序特征向量的序列，所述基于一维卷积层的温度时序特征提取器的第一层的输入为所述充电过程温度局部时序输入向量的序列。
值得注意的是，一维卷积层是深度学习中常用的一种神经网络层，用于处理具有时序结构的数据。它是卷积神经网络(CNN)的核心组成部分之一。一维卷积层通过对输入数据进行一维卷积操作来提取特征。它使用一个可学习的滤波器(也称为卷积核或内核)对输入数据进行逐个元素的滑动窗口卷积运算。滤波器的权重在训练过程中通过反向传播进行学习，以自动捕捉输入数据中的特征。一维卷积层的工作原理如下：输入数据：一维卷积层接收一个一维的输入数据，例如时间序列数据或文本数据的编码表示；滤波器：一维卷积层包含多个滤波器，每个滤波器都是一个一维的权重向量。这些滤波器的数量可以根据需要进行设置；卷积操作：对于每个滤波器，一维卷积层将滤波器与输入数据进行逐个元素的卷积操作。这相当于将滤波器在输入数据上滑动，并对每个位置进行点积运算；特征映射：卷积操作的结果生成了一个特征映射，即包含了输入数据中的局部特征的表示。特征映射的大小取决于滤波器的数量和卷积操作的步幅；激活函数：对于每个特征映射，可以应用激活函数来引入非线性。常用的激活函数包括ReLU、sigmoid和tanh等。
值得一提的是，在本申请的其他具体示例中，还可以通过其他方式通过基于深度神经网络模型的温度时序特征提取器对所述充电过程温度局部时序输入向量的序列进行特征提取以得到所述充电过程温度局部时序特征向量的序列，例如：创建一个基于深度神经网络的温度时序特征提取器模型。该模型可以是一个堆叠多个卷积层、池化层和全连接层组成的神经网络模型，用于从时序输入向量中提取特征；将充电过程温度局部时序输入向量的序列作为输入提供给温度时序特征提取器模型；温度时序特征提取器模型通过前向传播计算，将每个局部时序输入向量转化为对应的局部时序特征向量。这些特征向量可以是提取的高层抽象特征，具有更好的表征能力；提取得到的充电过程温度局部时序特征向量的序列可以被用于进一步的分析、建模或其他任务。例如，可以将它们输入到后续的全连接层进行分类、回归或其他预测任务；根据具体需求，可以在温度时序特征提取器模型中添加适当的正则化技术，如批量归一化、dropout等，以提高模型的泛化能力和减少过拟合。
值得一提的是，在本申请的其他具体示例中，还可以通过其他方式对所述上采样充电过程温度时序输入向量进行局部时序特征提取以得到充电过程温度局部时序特征向量的序列，例如：确定窗口大小。窗口大小是指用于提取局部时序特征的数据点数量。根据具体需求和充电过程的特征，选择一个合适的窗口大小；确定滑动步长。滑动步长是指每次滑动窗口的移动距离。可以选择窗口大小的一部分作为滑动步长，也可以选择其他合适的数值；创建空的局部时序特征向量序列。这个序列用于存储提取出的局部时序特征向量；遍历上采样充电过程温度时序输入向量。从头开始，以滑动步长为间隔，遍历上采样充电过程温度时序输入向量；对于每个窗口，提取局部时序特征。在当前窗口内，从上采样充电过程温度时序输入向量中提取局部时序特征。可以使用各种统计量，如均值、方差、最大值、最小值等，作为局部时序特征；将提取的局部时序特征添加到局部时序特征向量序列中；继续滑动窗口，直到遍历完整个上采样充电过程温度时序输入向量；将局部时序特征向量序列作为充电过程温度局部时序特征向量的输出。
特别地，所述S5，对所述充电过程温度局部时序特征向量的序列中的各个充电过程温度局部时序特征向量进行局部温度时序特征一致性关联编码以得到局部温度时序特征一致性拓扑特征矩阵。特别地，在本申请的一个具体示例中，如图4所示，所述S5，包括：S51，计算所述充电过程温度局部时序特征向量的序列中任意两个充电过程温度局部时序特征向量之间的余弦相似度以得到局部温度时序特征一致性拓扑矩阵；S52，将所述局部温度时序特征一致性拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到所述局部温度时序特征一致性拓扑特征矩阵。
具体地，所述S51，计算所述充电过程温度局部时序特征向量的序列中任意两个充电过程温度局部时序特征向量之间的余弦相似度以得到局部温度时序特征一致性拓扑矩阵。考虑到由于在锂电池充电过程中，所述各个局部时间段中的温度时序特征之间具有着基于时序整体的关联关系。为了能够对于充电过程中温度的变化模式和规律进行充分捕捉，以此来理解电池内部的动态变化情况，在本申请的技术方案中，进一步计算所述充电过程温度局部时序特征向量的序列中任意两个充电过程温度局部时序特征向量之间的余弦相似度以得到局部温度时序特征一致性拓扑矩阵。应可以理解，通过比较不同时间片段的充电过程温度局部时序特征向量之间的相似度，可以捕捉刻画出各个局部时间段中的温度关联性和变化趋势。并且，通过分析所述局部温度时序特征一致性拓扑矩阵，可以揭示电池充电过程中温度变化的模式和规律，这有助于理解电池内部的动态变化，并为后续的充电策略调整提供指导。例如，如果发现某个局部时间段内的温度变化特征与其他局部时间段内的温度变化特征不一致，可以根据这种特征信息来调整充电电流，以达到更好的修复效果。
具体地，所述S52，将所述局部温度时序特征一致性拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到所述局部温度时序特征一致性拓扑特征矩阵。也就是，将所述局部温度时序特征一致性拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器中进行特征挖掘，以提取出所述充电过程中的各个局部时间段内有关于温度的局部时序特征之间的一致性拓扑关联特征信息，从而得到局部温度时序特征一致性拓扑特征矩阵。具体地，
值得注意的是，卷积神经网络(CNN)是一种深度学习模型，主要用于处理具有网格结构数据的任务，例如图像和语音识别。CNN的核心思想是通过卷积层、池化层和全连接层等组件来实现对输入数据的特征提取和分类。下面是CNN的主要组件和特点：卷积层：卷积层是CNN的核心组件，通过使用一组可学习的滤波器(也称为卷积核)对输入数据进行卷积操作，提取输入数据的局部特征。卷积操作可以捕捉到输入数据的空间局部关系，例如图像中的边缘、纹理等；池化层：池化层用于减小特征图的空间尺寸，同时保留重要的特征信息。常用的池化操作包括最大池化和平均池化，它们分别提取局部区域的最大值或平均值作为池化结果；全连接层：全连接层将卷积和池化层的输出连接到一个或多个全连接层，用于对提取的特征进行分类或回归。全连接层中的神经元与前一层的所有神经元都有连接关系；激活函数：在卷积神经网络中，激活函数通常被应用于卷积层和全连接层的输出，引入非线性变换，增加网络的表达能力。常用的激活函数包括ReLU、Sigmoid和Tanh等；权重共享：CNN中的卷积层使用权重共享的策略，即在不同位置应用相同的卷积核。这样可以大大减少需要学习的参数数量，提高模型的效率和泛化能力。通过多个卷积层和池化层的堆叠，CNN可以逐层提取输入数据的抽象特征，从低级特征(如边缘)到高级特征(如物体形状)。这使得CNN在图像分类、目标检测、语义分割等计算机视觉任务中表现出色。同时，CNN也可以在其他领域中应用，如自然语言处理和信号处理等。
值得一提的是，在本申请的其他具体示例中，还可以通过其他方式对所述充电过程温度局部时序特征向量的序列中的各个充电过程温度局部时序特征向量进行局部温度时序特征一致性关联编码以得到局部温度时序特征一致性拓扑特征矩阵，例如：定义一个窗口大小(例如，W)和步幅(例如，S)。窗口大小表示在序列中考虑的局部特征向量的数量，步幅表示窗口在序列中的滑动间隔；从充电过程温度局部时序特征向量的序列中按照步幅滑动窗口，每次取窗口大小为W的局部特征向量子序列；对于每个窗口中的局部特征向量子序列，计算其内部特征的相似度或一致性。可以使用各种相似度度量方法，如欧氏距离、余弦相似度等；基于相似度计算的结果，构建局部温度时序特征一致性关联编码矩阵。矩阵的每个元素表示对应局部特征向量子序列之间的一致性程度；可以进一步对局部温度时序特征一致性关联编码矩阵进行处理，例如应用阈值或权重来筛选或调整一致性关系；最终得到的局部温度时序特征一致性拓扑特征矩阵可以用于描述充电过程温度局部时序特征向量之间的一致性关系。
特别地，所述S6，对所述充电过程温度局部时序特征向量的序列和所述局部温度时序特征一致性拓扑特征矩阵进行基于图结构的关联编码以得到一致性拓扑充电过程温度局部时序特征。也就是，以所述充电过程温度局部时序特征向量的序列中的各个声音信号采样窗波形特征向量作为节点的特征表示，而以所述局部温度时序特征一致性拓扑特征矩阵作为节点与节点之间的边的特征表示，将由所述充电过程温度局部时序特征向量的序列经二维排列得到的充电过程温度时序特征矩阵和所述局部温度时序特征一致性拓扑特征矩阵通过图神经网络模型以得到一致性拓扑充电过程温度局部时序特征矩阵。具体地，所述图神经网络模型通过可学习的神经网络参数对所述充电过程温度时序特征矩阵和所述局部温度时序特征一致性拓扑特征矩阵进行图结构数据编码以得到包含不规则的局部温度时序一致性拓扑关联特征和所述各个局部时序片段中的温度时序特征信息的所述一致性拓扑充电过程温度局部时序特征矩阵。
值得注意的是，图神经网络(GNN)是一种用于处理图结构数据的深度学习模型。与传统的卷积神经网络(CNN)适用于处理网格结构数据(如图像)不同，GNN专门设计用于处理非网格结构的数据，例如社交网络、知识图谱、分子结构等。图神经网络的核心思想是通过节点之间的局部邻居信息传播和聚合来学习节点的表示。下面是GNN的主要组件和特点：节点表示：GNN通过将每个节点表示为一个向量或矩阵来捕捉节点的特征。初始时，每个节点都有一个初始的特征向量。在GNN的训练过程中，节点表示会随着信息传播和聚合的迭代更新；图卷积层：图卷积层是GNN的核心组件，用于在图结构中传播和聚合节点的信息。图卷积层通过考虑节点的邻居信息来更新每个节点的表示。典型的图卷积层采用邻居节点的加权平均或拼接等方式进行信息聚合；图池化层：类似于CNN中的池化层，图池化层用于减小图的规模并保留重要的节点信息。常见的图池化方法包括图的子图采样和图的图结构聚合；图注意力机制：为了更好地处理图中的节点关系，GNN中引入了图注意力机制。图注意力机制通过学习每个节点与其邻居节点之间的注意力权重，从而更加关注重要的邻居节点；图级任务和节点级任务：GNN可以用于解决图级任务和节点级任务。图级任务涉及对整个图进行预测或分类，例如图分类和图生成。节点级任务涉及对每个节点进行预测或分类，例如节点分类和节点嵌入。图神经网络的优势在于能够处理非结构化的图数据，并从图的全局结构和局部邻居信息中提取有用的特征。它在社交网络分析、推荐系统、分子设计等领域具有广泛的应用。
特别地，所述S7，基于所述一致性拓扑充电过程温度局部时序特征，确定当前时间点的充电电流值应增大、应减小或应保持。特别地，在本申请的一个具体示例中，如图5所示，所述S7，包括：S71，对所述一致性拓扑充电过程温度局部时序特征矩阵进行特征尺度作为模仿掩码的秩排列分布软匹配以得到优化一致性拓扑充电过程温度局部时序特征矩阵；S72，将所述优化一致性拓扑充电过程温度局部时序特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的充电电流值应增大、应减小或应保持。
具体地，所述S71，对所述一致性拓扑充电过程温度局部时序特征矩阵进行特征尺度作为模仿掩码的秩排列分布软匹配以得到优化一致性拓扑充电过程温度局部时序特征矩阵。特别地，在本申请的技术方案中，将所述充电过程温度局部时序特征向量的序列和所述局部温度时序特征一致性拓扑特征矩阵通过图神经网络模型得到所述一致性拓扑充电过程温度局部时序特征矩阵时，所述一致性拓扑充电过程温度局部时序特征矩阵的每个行特征向量表达局部时域下的温度时序关联特征的基于全局时域下的各个局部时域间的温度时序特征相似性拓扑的拓扑关联表示，因此，如果将每个局部时域下的温度时序关联特征作为前景对象特征，则所述图神经网络模型在进行特征拓扑关联表达时，也会引入背景分布噪声，并且在进行向量-矩阵间的高秩分布表示的同时，也会由于局部时序下的温度值局部时序关联特征的高维特征的时序空间异质分布而引起所述一致性拓扑充电过程温度局部时序特征矩阵相对于各个局部时域内的关联特征时序分布的概率密度映射误差，影响所述分类特征矩阵通过分类器得到的分类结果的准确性。基于此，本申请的申请人对所述一致性拓扑充电过程温度局部时序特征矩阵，例如记为M进行特征尺度作为模仿掩码的秩排列分布软匹配，具体表示为：
其中，M为所述一致性拓扑充电过程温度局部时序特征矩阵，mi,j是所述一致性拓扑充电过程温度局部时序特征矩阵的第(i,j)位置的特征值，S是所述一致性拓扑充电过程温度局部时序特征矩阵的尺度，表示所述一致性拓扑充电过程温度局部时序特征矩阵的Frobenius范数的平方，||M||2表示所述一致性拓扑充电过程温度局部时序特征矩阵的二范数，且α是加权超参数，exp(·)表示指数运算，m′i,j是所述优化一致性拓扑充电过程温度局部时序特征矩阵的第(i,j)位置的特征值。这里，所述特征尺度作为模仿掩码的秩排列分布软匹配可以在将待分类的高维特征映射到概率密度空间内时，将特征尺度作为用于映射的模仿掩码来聚焦于前景对象特征而忽略背景分布噪声，并通过所述一致性拓扑充电过程温度局部时序特征矩阵M的不同范数进行的金字塔式秩排列分布的分布软匹配，从而有效捕捉概率密度分布的中心区域和尾部区域之间的相关性，避免了由于所述一致性拓扑充电过程温度局部时序特征矩阵M的高维特征的空间异质分布导致的概率密度映射偏差，改进了所述一致性拓扑充电过程温度局部时序特征矩阵通过分类器得到的分类结果的准确性。这样，能够基于温度的变化情况来采取相应措施以控制温度，如降低充电电流或者暂停充电，通过这样的方式，能够基于温度的实际变化情况来自适应调整充电电流值，从而减轻电池内部的极化现象，提高电池的性能和安全性。
具体地，所述S72，将所述优化一致性拓扑充电过程温度局部时序特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的充电电流值应增大、应减小或应保持。更具体地，将所述优化一致性拓扑充电过程温度局部时序特征矩阵基于行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。其中，所述分类器的分类标签为充电电流值的控制标签，在得到所述分类结果后，基于温度的变化情况来自适应调整充电电流值，从而减轻电池内部的极化现象，提高电池的性能和安全性。
分类器(Classifier)是指一种机器学习模型或算法，用于将输入数据分为不同的类别或标签。分类器是监督学习的一部分，它通过学习从输入数据到输出类别的映射关系来进行分类任务。
全连接层(Fully Connected Layer)是神经网络中常见的一种层类型。在全连接层中，每个神经元都与上一层的所有神经元相连接，每个连接都有一个权重。这意味着全连接层中的每个神经元都接收来自上一层所有神经元的输入，并通过权重对这些输入进行加权求和，然后将结果传递给下一层。
Softmax分类函数是一种常用的激活函数，用于多分类问题。它将输入向量的每个元素转化为一个介于0和1之间的概率值，并且这些概率值的和等于1。Softmax函数常用于神经网络的输出层，特别适用于多分类问题，因为它能够将网络输出映射为各个类别的概率分布。在训练过程中，Softmax函数的输出可以用于计算损失函数，并通过反向传播算法来更新网络参数。值得注意的是，Softmax函数的输出并不会改变元素之间的相对大小关系，只是对其进行了归一化处理。因此，Softmax函数并不改变输入向量的特性，只是将其转化为概率分布形式。
值得一提的是，在本申请的其他具体示例中，还可以通过其他方式基于所述一致性拓扑充电过程温度局部时序特征，确定当前时间点的充电电流值应增大、应减小或应保持，例如：首先，需要收集一致性拓扑充电过程的温度和充电电流数据；从收集到的数据中提取温度局部时序特征；根据提取到的特征，建立一个模型来预测当前时间点的充电电流值。可以使用机器学习算法，如回归模型或时间序列模型，来构建预测模型；使用历史数据来训练模型。将已知的温度局部时序特征和相应的充电电流值作为输入和输出，通过模型训练来学习它们之间的关系；使用训练好的模型对当前时间点的温度局部时序特征进行预测，以确定当前时间点的充电电流值应增大、应减小还是应保持。根据模型的输出，可以判断当前电流值与预测值之间的差异，进而确定应采取的操作。
综上，根据本申请实施例的锂电池的电化学修复方法被阐明，其通过在锂电池的充电过程中，实时监测电池温度的变化，并在后端引入数据处理和分析算法来对于充电过程中的温度时序变化情况进行分析，以基于温度的变化来采取相应措施以控制温度，如降低充电电流或者暂停充电，通过这样的方式，能够基于温度的实际情况来自适应调整充电电流值，从而减轻电池内部的极化现象，提高电池的性能和安全性。
在本申请的实施例中，如图6所示，由动力学的极化原因所导致的容量损失，属于可逆的容量损失，可通过充放电制度进行补偿修复(见图4)；由材料结构疲劳、电池内部结构损伤所导致容量损失，属于不可逆容量损失，但可以通过合适的物理修复得到部分恢复。通过电池修复技术，可以大幅提升退役动力电池梯级利用效率和产品质量，属于退役动力电池梯级利用产业的突破性核心技术。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (8)
1.一种锂电池的电化学修复方法，其特征在于，包括：
获取充电过程中预定时间段内多个预定时间点的温度值；
将所述多个预定时间点的温度值按照时间维度排列为充电过程温度时序输入向量；
对所述充电过程温度时序输入向量进行基于线性插值的上采样以得到上采样充电过程温度时序输入向量；
对所述上采样充电过程温度时序输入向量进行局部时序特征提取以得到充电过程温度局部时序特征向量的序列；
对所述充电过程温度局部时序特征向量的序列中的各个充电过程温度局部时序特征向量进行局部温度时序特征一致性关联编码以得到局部温度时序特征一致性拓扑特征矩阵；
对所述充电过程温度局部时序特征向量的序列和所述局部温度时序特征一致性拓扑特征矩阵进行基于图结构的关联编码以得到一致性拓扑充电过程温度局部时序特征；
基于所述一致性拓扑充电过程温度局部时序特征，确定当前时间点的充电电流值应增大、应减小或应保持。
2.根据权利要求1所述的锂电池的电化学修复方法，其特征在于，对所述上采样充电过程温度时序输入向量进行局部时序特征提取以得到充电过程温度局部时序特征向量的序列，包括：
对所述上采样充电过程温度时序输入向量进行向量切分以得到充电过程温度局部时序输入向量的序列；
通过基于深度神经网络模型的温度时序特征提取器对所述充电过程温度局部时序输入向量的序列进行特征提取以得到所述充电过程温度局部时序特征向量的序列。
3.根据权利要求2所述的锂电池的电化学修复方法，其特征在于，所述基于深度神经网络模型的温度时序特征提取器为基于一维卷积层的温度时序特征提取器。
4.根据权利要求3所述的锂电池的电化学修复方法，其特征在于，对所述充电过程温度局部时序特征向量的序列中的各个充电过程温度局部时序特征向量进行局部温度时序特征一致性关联编码以得到局部温度时序特征一致性拓扑特征矩阵，包括：
计算所述充电过程温度局部时序特征向量的序列中任意两个充电过程温度局部时序特征向量之间的余弦相似度以得到局部温度时序特征一致性拓扑矩阵；
将所述局部温度时序特征一致性拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到所述局部温度时序特征一致性拓扑特征矩阵。
5.根据权利要求4所述的锂电池的电化学修复方法，其特征在于，对所述充电过程温度局部时序特征向量的序列和所述局部温度时序特征一致性拓扑特征矩阵进行基于图结构的关联编码以得到一致性拓扑充电过程温度局部时序特征，包括：
将所述充电过程温度局部时序特征向量的序列和所述局部温度时序特征一致性拓扑特征矩阵通过图神经网络模型以得到一致性拓扑充电过程温度局部时序特征矩阵作为所述一致性拓扑充电过程温度局部时序特征。
6.根据权利要求5所述的锂电池的电化学修复方法，其特征在于，基于所述一致性拓扑充电过程温度局部时序特征，确定当前时间点的充电电流值应增大、应减小或应保持，包括：
对所述一致性拓扑充电过程温度局部时序特征矩阵进行特征尺度作为模仿掩码的秩排列分布软匹配以得到优化一致性拓扑充电过程温度局部时序特征矩阵；
将所述优化一致性拓扑充电过程温度局部时序特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的充电电流值应增大、应减小或应保持。
7.根据权利要求6所述的锂电池的电化学修复方法，其特征在于，对所述一致性拓扑充电过程温度局部时序特征矩阵进行特征尺度作为模仿掩码的秩排列分布软匹配以得到优化一致性拓扑充电过程温度局部时序特征矩阵，包括：
以如下优化公式对所述一致性拓扑充电过程温度局部时序特征矩阵进行特征尺度作为模仿掩码的秩排列分布软匹配以得到所述优化一致性拓扑充电过程温度局部时序特征矩阵；
其中，所述优化公式为：
其中，M为所述一致性拓扑充电过程温度局部时序特征矩阵，mi,j是所述一致性拓扑充电过程温度局部时序特征矩阵的第(i,j)位置的特征值，S是所述一致性拓扑充电过程温度局部时序特征矩阵的尺度，表示所述一致性拓扑充电过程温度局部时序特征矩阵的Frobenius范数的平方，||M||2表示所述一致性拓扑充电过程温度局部时序特征矩阵的二范数，且α是加权超参数，exp(·)表示指数运算，m′i,j是所述优化一致性拓扑充电过程温度局部时序特征矩阵的第(i,j)位置的特征值。
8.根据权利要求7所述的锂电池的电化学修复方法，其特征在于，将所述优化一致性拓扑充电过程温度局部时序特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的充电电流值应增大、应减小或应保持，包括：
将所述优化一致性拓扑充电过程温度局部时序特征矩阵基于行向量或列向量展开为分类特征向量；
使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及
将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311342922.6A CN117154256A (zh) | 2023-10-17 | 2023-10-17 | 锂电池的电化学修复方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311342922.6A CN117154256A (zh) | 2023-10-17 | 2023-10-17 | 锂电池的电化学修复方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117154256A true CN117154256A (zh) | 2023-12-01 |
Family
ID=88902827
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311342922.6A Pending CN117154256A (zh) | 2023-10-17 | 2023-10-17 | 锂电池的电化学修复方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117154256A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117419828A (zh) * | 2023-12-18 | 2024-01-19 | 南京品傲光电科技有限公司 | 基于光纤传感器的新能源电池温度监测方法 |
-
2023
- 2023-10-17 CN CN202311342922.6A patent/CN117154256A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117419828A (zh) * | 2023-12-18 | 2024-01-19 | 南京品傲光电科技有限公司 | 基于光纤传感器的新能源电池温度监测方法 |
| CN117419828B (zh) * | 2023-12-18 | 2024-05-03 | 南京品傲光电科技有限公司 | 基于光纤传感器的新能源电池温度监测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108805083B (zh) | 单阶段的视频行为检测方法 | |
| CN107506740B (zh) | 一种基于三维卷积神经网络和迁移学习模型的人体行为识别方法 | |
| CN109697434B (zh) | 一种行为识别方法、装置和存储介质 | |
| Ding et al. | Where to prune: Using LSTM to guide data-dependent soft pruning | |
| CN110929622A (zh) | 视频分类方法、模型训练方法、装置、设备及存储介质 | |
| CN111008618B (zh) | 一种自注意力深度学习端到端的行人再识别方法 | |
| CN110941734A (zh) | 基于稀疏图结构的深度无监督图像检索方法 | |
| Kamada et al. | An adaptive learning method of restricted Boltzmann machine by neuron generation and annihilation algorithm | |
| Dai et al. | Hybrid deep model for human behavior understanding on industrial internet of video things | |
| CN114780767B (zh) | 一种基于深度卷积神经网络的大规模图像检索方法及系统 | |
| CN115294563A (zh) | 一种基于Transformer的增强了局部语义学习能力的3D点云分析方法及装置 | |
| CN117193121B (zh) | 涂布机模头的控制系统 | |
| CN110111365B (zh) | 基于深度学习的训练方法和装置以及目标跟踪方法和装置 | |
| CN114118225A (zh) | 发电机剩余寿命预测方法、系统、电子设备和存储介质 | |
| CN116538127B (zh) | 轴流风机及其控制系统 | |
| CN116110089A (zh) | 一种基于深度自适应度量学习的面部表情识别方法 | |
| Wang et al. | A novel multiface recognition method with short training time and lightweight based on ABASNet and H-softmax | |
| CN117148197A (zh) | 一种基于集成Transformer模型的锂离子电池寿命预测方法 | |
| EP3588441A1 (en) | Imagification of multivariate data sequences | |
| CN117154256A (zh) | 锂电池的电化学修复方法 | |
| CN118469158B (zh) | 一种设备维修成本估算方法及设备 | |
| CN114973226A (zh) | 自监督对比学习自然场景中文本识别系统训练方法 | |
| Li | Parallel two-class 3D-CNN classifiers for video classification | |
| CN116630816B (zh) | 基于原型对比学习的sar目标识别方法、装置、设备及介质 | |
| CN113469013A (zh) | 一种基于迁移学习和时间序列的电机故障预测方法及系统 |
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 |