CN115267557A - 一种锂电池电解液泄露故障诊断方法、装置和电子设备 - Google Patents

Abstract

本发明公开了一种锂电池电解液泄露故障诊断方法、装置和电子设备，其中方法包括：对电池样本进行不同SOC条件下的EIS测试和DRT分析，得到不同SOC条件下的阻抗谱数据和DRT曲线；从各个SOC条件下的所述阻抗谱数据和DRT曲线中提取特征参数；基于不同SOC条件下的特征参数计算特征参数变化率，并利用所述特征参数变化率设定诊断阈值；将待检测电池的特征参数与所述诊断阈值进行比对，并根据比对结果对所述待检测电池进行故障诊断。本发明提供的技术方案，提高了电池漏液故障诊断的准确率。

Description

一种锂电池电解液泄露故障诊断方法、装置和电子设备

技术领域

本发明涉及锂离子电池领域，具体涉及一种锂电池电解液泄露故障诊断方法、装置和电子设备。

背景技术

尽管锂离子电池的制作工艺不断提升，技术持续进步，但仍旧存在封装不合格的问题。此外，老化、滥用和不良的外部环境都有可能导致电池发生电解液泄露，进而影响电池性能，严重情况下，泄漏的电解液会腐蚀正负极之间的绝缘层，引起外短路，从而导致电池系统起火爆炸。因此，研究锂离子电池电解液泄露的诊断方法非常重要。锂离子电池在正常老化过程中，交流阻抗变化幅度较小，但是，通过对循环多次的漏液电池进行EIS(Electrochemical Impedance Spectroscopy，电化学阻抗谱)测试，发现漏液电池的交流阻抗发生巨大变化，因此可以借助于电池的EIS测试对电池漏液进行故障诊断相关研究。

目前，专利文件CN114114047A提出了一种电池故障检测方法，首先对一个电池包中的各个锂电池分别进行EIS测试，得到阻抗谱数据，然后再对各个锂电池阻抗谱数据进行DRT(Distribution of Relaxation Time，弛豫时间分布)分析得到DRT曲线，之后针对每个锂电池从对应的DRT曲线中提取特征峰等特征参数，对比各个锂电池之间的特征参数的差异情况，如果各个锂电池之间的特征参数差异过大，则判定当前电池包是故障的电池包。

上述方法虽然一定程度上实现了电池故障诊断，但是上述方法进行的是电池包的故障诊断，只能确定电池包中至少有一个故障电池，而具体是哪一个电池故障却无法判断。换言之，故障电池包内部的各个锂电池虽然特征参数差异较大，但是哪些锂电池的特征参数属于故障的特征参数，对应哪些锂电池是故障电池，没有一个准确的诊断，其诊断准确度还需要进一步提高。

发明内容

有鉴于此，本发明实施方式提供了一种锂电池电解液泄露故障诊断方法，从而提高了电池漏液故障诊断的准确率。

根据第一方面，本发明实施例提供了一种锂电池电解液泄露故障诊断方法，所述方法包括：对电池样本进行不同SOC条件下的EIS测试和DRT分析，得到不同SOC条件下的阻抗谱数据和DRT曲线；从各个SOC条件下的所述阻抗谱数据和DRT曲线中提取特征参数；基于不同SOC条件下的特征参数计算特征参数变化率，并利用所述特征参数变化率设定诊断阈值；将待检测电池的特征参数与所述诊断阈值进行比对，并根据比对结果对所述待检测电池进行故障诊断。

可选地，所述对电池样本进行不同SOC条件下的EIS测试和DRT分析，得到不同SOC条件下的阻抗谱数据和DRT曲线，包括：获取正常电池样本和故障电池样本；分别对正常电池样本和故障电池样本在多种SOC条件下进行EIS测试，得到各个电池样本的在多种SOC条件下的阻抗谱数据；分别对各个电池样本的阻抗谱数据进行DRT分析，得到各个电池样本在多种SOC条件下的DRT曲线。

可选地，所述从各个SOC条件下的所述阻抗谱数据和DRT曲线中提取特征参数，包括：从当前样本的各个SOC条件下的阻抗谱数据和DRT曲线中提取各个SOC条件的特征参数，所述当前样本是正常电池样本或故障电池样本；以其中一个SOC条件为初始条件，计算其他SOC条件的特征参数相对于所述初始条件的特征参数的变化率；基于各个SOC特征参数的变化率从各个SOC条件中确定关键SOC条件，并基于所述关键SOC条件的特征参数确定所述当前样本的特征参数。

可选地，基于所述关键SOC条件的特征参数确定所述当前样本的特征参数，包括：提取当前SOC条件下DRT曲线中各个特征峰的峰值；计算当前SOC条件各个特征峰的峰值相比所述初始条件的DRT曲线中各个特征峰的峰值的变化率，并从当前SOC条件的各个特征峰中选择目标特征峰，所述目标特征峰的峰值的变化率大于预设阈值；从所述目标特征峰中提取第一关键参数；基于所述目标特征峰的频率范围从当前SOC条件的阻抗谱数据中提取第二关键参数；将所述第一关键参数和所述第二关键参数作为所述当前样本在当前SOC条件下的特征参数。

可选地，所述第一关键参数包括所述目标特征峰的峰值、面积和峰值对应的时间常数；所述第二关键参数包括阻抗谱与实轴的交点所对应的阻抗实部和频率，阻抗谱弧段顶点所对应的阻抗实部、阻抗虚部和频率。

可选地，所述基于不同SOC条件下的特征参数计算特征参数变化率，并利用所述特征参数变化率设定诊断阈值，包括：针对正常电池样本或故障电池样本，以其中一个SOC条件为初始条件，计算其他SOC条件的特征参数相对于所述初始条件的特征参数的变化率；基于正常电池样本特征参数的变化率与故障电池样本特征参数的变化率之间的差值，划分所述诊断阈值。

可选地，所述方法还包括：将所述电池样本各个SOC条件下提取的特征参数作为机器学习的训练样本，训练机器学习模型；将待检测电池的特征参数输入所述机器学习模型，以通过所述机器学习模型输出所述待检测电池的故障诊断结果；若根据所述比对结果完成了所述待检测电池故障的识别，则停止所述机器学习模型的计算过程。

根据第二方面，本发明实施例提供了一种锂电池电解液泄露故障诊断装置，所述装置包括：分析模块，用于对电池样本进行不同SOC条件下的EIS测试和DRT分析，得到不同SOC条件下的阻抗谱数据和DRT曲线；特征提取模块，用于从各个SOC条件下的所述阻抗谱数据和DRT曲线中提取特征参数；阈值设定模块，用于基于不同SOC条件下的特征参数计算特征参数变化率，并利用所述特征参数变化率设定诊断阈值；故障诊断模块，用于将待检测电池的特征参数与所述诊断阈值进行比对，并根据比对结果对所述待检测电池进行故障诊断。

根据第三方面，本发明实施例提供了一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面，或者第一方面任意一种可选实施方式中所述的方法。

根据第四方面，本发明实施例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存储有计算机指令，所述计算机指令用于使所述计算机从而执行第一方面，或者第一方面任意一种可选实施方式中所述的方法。

本申请提供的技术方案，具有如下优点：

本申请提供的技术方案，对选定的若干电池样本进行不同SOC条件下的EIS测试和DRT分析，得到各个电池样本在不同SOC条件下的阻抗谱数据和DRT曲线；然后从各个SOC条件下的阻抗谱数据和DRT曲线中提取与曲线形状、大小相关的特征参数。之后，选定初始SOC条件，计算其他不同SOC条件下的特征参数相比初始SOC条件特征参数的变化率，由于漏液故障电池相比普通电池的阻抗变化明显，进而导致DRT曲线中的相关参数比正常电池的参数变化也较大，从而利用多数漏液电池的特征参数变化率设定诊断阈值。将待检测电池的特征参数与诊断阈值进行比对，即可根据比对结果确定待检测电池是否发生故障。实现了电池包中任意锂电池的故障诊断，提高了锂电池电解液泄露的故障诊断准确率。

附图说明

通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：

图1示出了本发明一个实施方式中一种锂电池电解液泄露故障诊断方法的步骤示意图；

图2示出了本发明一个实施方式中正常电池和故障电池在30％SOC处的EIS测试示意图；

图3示出了本发明一个实施方式中部分电池在30％SOC处的DRT曲线示意图；

图4示出了本发明一个实施方式中基于支持向量机的预测结果示意图；

图5示出了本发明一个实施方式中一种锂电池电解液泄露故障诊断方法的流程示意图；

图6示出了本发明一个实施方式中一种锂电池电解液泄露故障诊断装置的结构示意图；

图7示出了本发明一个实施方式中一种电子设备的结构示意图。

具体实施方式

为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域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方式，都属于本发明保护的范围。

请参阅图1，在一个实施方式中，一种锂电池电解液泄露故障诊断方法，具体包括以下步骤：

步骤S101：对电池样本进行不同SOC条件下的EIS测试和DRT分析，得到不同SOC条件下的阻抗谱数据和DRT曲线。

步骤S102：从各个SOC条件下的阻抗谱数据和DRT曲线中提取特征参数。

步骤S103：基于不同SOC条件下的特征参数计算特征参数变化率，并利用特征参数变化率设定诊断阈值。

步骤S104：将待检测电池的特征参数与诊断阈值进行比对，并根据比对结果对待检测电池进行故障诊断。

具体地，基于漏液电池的交流阻抗相比正常电池的交流阻抗发生较大变化的理论，进一步提取能够准确区分漏液电池与正常电池的特征参数。本实施例首先对电池样本进行不同SOC条件下的EIS测试和DRT分析，例如将所有电池样本以同一工况进行相同次数的充放电循环，并在循环实验前后，每隔10％SOC进行EIS测试，得到不同SOC条件下的阻抗谱数据，然后对各个SOC条件的阻抗谱数据进行DRT分析，得到各个SOC条件下的DRT曲线，本实施例中的电池样本至少包括漏液的故障电池样本。

在本实施例中，分别对若干正常电池样本和若干故障电池样本均进行多种SOC条件下的EIS测试，从而获取了正常电池样本和故障电池样本在多SOC条件的阻抗谱数据，例如将一批同规格的电池分为两组，对其中一组电池在相同位置采用同一电钻，制造相同口径的小孔，模拟漏液故障。将所有电池以同一工况进行相同次数的充放电循环，并在循环实验前后，每隔10％SOC进行EIS测试。如图2所示，是正常电池样本(N5\N6\N7)和故障电池样本(L1\L2\L3\L4)在30％SOC下进行EIS测试的结果图，其中横坐标代表阻抗实部，纵坐标代表阻抗虚部，每个点对应一个频率点。可见正常电池样本与故障电池样本的阻抗谱数据有较大差异。继而对各个SOC条件的阻抗谱数据进行DRT分析，得到正常电池样本和故障电池样本在多种SOC条件下的DRT曲线。使得后续设定诊断阈值时，综合分析正常电池样本的特征参数变化率以及故障电池样本的特征参数变化率，计算正常电池样本特征参数的变化率与故障电池样本特征参数的变化率之间的差值，从而在正常电池样本的变化率和异常电池样本的变化率之间，确定更为准确的诊断阈值。

之后，对各个电池样本不同SOC的阻抗谱数据和DRT曲线提取与曲线形状相关的特征参数。然后选定初始SOC条件(例如选定第一次EIS测试时的SOC为初始SOC)，计算其他不同SOC条件下的特征参数相比初始SOC条件特征参数的变化率。进而根据变化率，划分各个SOC条件下的诊断阈值。针对电池包中任意一个待检测电池，只需获取该电池的当前SOC，然后计算该电池的特征参数，与对应SOC条件下的诊断阈值进行比对，如果超出阈值表征该电池具有漏液故障，从而实现了对电池包内各个电池是否有漏液故障的识别，提高了锂电池电解液泄露故障诊断的准确率。

具体地，在一实施例中，上述步骤S102，具体包括如下步骤：

步骤一：从当前样本的各个SOC条件下的阻抗谱数据和DRT曲线中提取各个SOC条件的特征参数，当前样本是正常电池样本或故障电池样本。

步骤二：以其中一个SOC条件为初始条件，计算其他SOC条件的特征参数相对于初始条件的特征参数的变化率。

步骤三：基于各个SOC特征参数的变化率从各个SOC条件中确定关键SOC条件，并基于关键SOC条件的特征参数确定当前样本的特征参数。

具体地，本实施例以当前的一个样本为例进行说明。首先提取当前样本在各个SOC条件下，阻抗谱数据和DRT曲线中的几何特征参数。在本实施例中，参考图2，可以发现正常电池和漏液电池的EIS曲线形状基本一致，二者的不同主要体现在同一几何位置处的阻抗大小和对应的频率。因此，本发明依据EIS曲线的形状，从各个SOC条件的阻抗谱数据中提取了一系列几何参数作为电池特征，包括但不限于EIS曲线与实轴的交点所对应的实部R0，该点的频率R0_f，曲线弧段顶点所对应的实部、虚部和该点的频率等。然后对每一次EIS测试结果进行DRT分析，利用DRT方法可以在未建模的情况下，提取电池内部化学反应过程中时间常数的分布，能够有效分离EIS中重叠的化学反应环节。DRT曲线的各个特征峰代表了电池的阻抗的各个环节，如电荷转移阻抗、扩散阻抗等，本发明对DRT曲线的特征峰相关参数进行提取，也作为电池特征，例如特征峰的峰值、特征峰面积等。

由于参数较多，直接利用上述提取的所有参数计算各个SOC条件的特征参数相对于初始条件的特征参数的变化率有一定难度，因此在本实施例中，对SOC条件进行的筛选，从而保留关键SOC条件，对应使用关键SOC条件的特征参数计算特征参数的变化率。精简了特征，简化了诊断过程，实现了漏液故障的快速诊断。

简化过程的第一步与确定诊断阈值的步骤S103基本相同，同样需要选定一个SOC条件为初始条件，然后计算其他各个SOC条件的特征参数与初始条件的特征参数的变化率；简化过程的第二步是对各个SOC条件的特征参数变化率进行从大到小排序，从排序中确定较大的前几项变化率。例如选取特征参数变化率最大的前3项；然后将较大的前几项变化率所对应的SOC条件作为关键SOC条件；最后可以将关键SOC条件对应的特征参数直接作为步骤S103中计算诊断阈值的特征参数，或者对参数进一步处理后作为步骤S103中计算诊断阈值的特征参数。一方面实现了特征简化，另一方面，关键SOC条件的特征参数的相比初始条件特征参数的变化率更大，其故障效果更佳明显，若只对待检测电池在关键SOC条件下进行诊断阈值的比对，还能进一步提高故障诊断准确率。

具体地，在一实施例中，上述步骤三，具体包括如下步骤：

步骤四：提取当前SOC条件下DRT曲线中各个特征峰的峰值。

步骤五：计算当前SOC条件各个特征峰的峰值相比初始条件的DRT曲线中各个特征峰的峰值的变化率，并从当前SOC条件的各个特征峰中选择目标特征峰，目标特征峰的峰值的变化率大于预设阈值。

步骤六：从目标特征峰中提取第一关键参数。

步骤七：基于目标特征峰的频率范围从当前SOC条件的阻抗谱数据中提取第二关键参数。

步骤八：将第一关键参数和第二关键参数作为当前样本在当前SOC条件下的特征参数。

具体地，在本实施例中，为了进一步精简特征，选出更能表征漏液故障的特征参数，进一步对关键SOC条件下的特征参数进行筛选。以其中一个关键SOC为例进行说明，首先获取当前SOC条件下的DRT曲线。如图3所示，DRT曲线将EIS中的各化学反应环节以曲线峰的形式呈现，各电池样本在不同SOC点下的DRT曲线均包含相同数量的峰，对应于电池内部的各化学反应环节。将其峰按照频率从低到高(横坐标时间常数τ从大到小)命名，如：P1、P2、P3和P4。若不进行特征参数的筛选，则提取各特征峰的峰值Peak，峰面积Area，峰值所对应的时间常数τ作为特征参数。本实施例对上述特征参数进行筛选，以步骤二中的初始SOC条件为标准，计算当前SOC条件各个特征峰的峰值相比初始条件的DRT曲线中各个特征峰的峰值的变化率，即当前SOC条件的P1、P2、P3和P4，相比初始条件的P1、P2、P3和P4的变化率。然后选取其中变化率超过预设阈值的若干特征峰作为目标特征峰，例如变化率超过预设阈值的两个特征峰P1和P2。从而DRT曲线中只保留目标特征峰的峰值、面积以及时间常数τ作为当前SOC条件的第一关键参数。另外，由于每个特征峰的横坐标对应了一个时间常数τ的取值范围，从而对应了EIS测试的一个频率范围，进而按照目标特征峰对应的频率范围，保留阻抗谱数据中一部分数据点，舍弃不在频率范围内的点，还减小了EIS测试的频率范围。然后取阻抗谱数据中保留点的实部、虚部等几何参数作为第二关键参数(具体包括阻抗谱与实轴的交点所对应的阻抗实部和频率，阻抗谱弧段顶点所对应的阻抗实部、阻抗虚部和频率)。最后将第一关键参数和第二关键参数作为当前样本在当前SOC条件下的特征参数。当前样本其他几个关键SOC的特征参数筛选方式与上述步骤相同，通过迭代筛选，得到当前样本在各个关键SOC条件下的关键特征参数，同理对于其他电池样本也基于上述筛选步骤对特征参数进行筛选，从而实现了特征的简化，保留了精度更高的特征参数。

通过筛选获得关键SOC、关键频率范围、关键特征，可以极大简化测试过程及计算过程，最后对所选SOC点下的关键特征的变化率划分阈值，实现漏液故障的快速诊断。

具体地，在一实施例中，本发明实施例提供的一种锂电池电解液泄露故障诊断方法，还包括如下步骤：

步骤九：将电池样本各个SOC条件下提取的特征参数作为机器学习的训练样本，训练机器学习模型。

步骤十：将待检测电池的特征参数输入机器学习模型，以通过机器学习模型输出待检测电池的故障诊断结果。

步骤十一：若根据比对结果完成了待检测电池故障的识别，则停止机器学习模型的计算过程。

具体地，在本实施例中，还通过电池样本的特征参数训练了机器学习模型，从而弥补阈值判定的方法准确率不足的缺陷。阈值判定虽然在一定程度上已经实现了对电池包内的任意电池进行漏液故障诊断，但是阈值判定法通常会由于外界影响的参数微小波动，出现阈值判定结果飘忽不定的的情况，导致无法准确识别出电池是否具有故障。基于此，将漏液电池的类别记为“1”，正常电池的类别记为“2”，每个电池均具有相应的EIS和DRT特征参数，进而训练有监督学习的机器学习模型，包括但不限于支持向量机、朴素贝叶斯、卷积神经网络等。实现正常电池和漏液电池的分类。基于数据集的大小，通过留出法、交叉验证法等方法完成训练集和测试集的划分，通过交叉验证等方式确定相关机器学习方法的参数，通过分类结果的准确率进行性能评价，选择合适的模型和机器学习方法，对不同SOC下的电池进行分类，实现不同SOC下的漏液故障诊断。通过对比各方法的分类准确率和运算时间，选择最佳的机器学习方式进行漏液故障诊断。如图4所示，是对30％SOC处的电池数据采用RBF核函数的支持向量机模型(SVM)进行漏液故障诊断的结果。阈值判定法的优势同样明显，其计算速度要远远快于机器学习模型的计算。

基于此，如图5所示，本实施例以两路方法同时进行故障诊断，若阈值比对的比对结果已经检测出了故障，则停止机器学习模型的计算过程，保证故障诊断的效率。若阈值比对的比对结果不能准确识别故障，则继续以机器学习模型输出的结果作为最终诊断结果，保证故障诊断的准确率。

通过上述步骤，本申请提供的技术方案，对选定的若干电池样本进行不同SOC条件下的EIS测试和DRT分析，得到各个电池样本在不同SOC条件下的阻抗谱数据和DRT曲线；然后从各个SOC条件下的阻抗谱数据和DRT曲线中提取与曲线形状、大小相关的特征参数。之后，选定初始SOC条件，计算其他不同SOC条件下的特征参数相比初始SOC条件特征参数的变化率，由于漏液故障电池相比普通电池的阻抗变化明显，进而导致DRT曲线中的相关参数比正常电池的参数变化也较大，从而利用多数漏液电池的特征参数变化率设定诊断阈值。将待检测电池的特征参数与诊断阈值进行比对，即可根据比对结果确定待检测电池是否发生故障。实现了电池包中任意锂电池的故障诊断，提高了锂电池电解液泄露的故障诊断准确率。

如图6所示，本实施例还提供了一种锂电池电解液泄露故障诊断装置，该装置包括：

分析模块101，用于对电池样本进行不同SOC条件下的EIS测试和DRT分析，得到不同SOC条件下的阻抗谱数据和DRT曲线。详细内容参见上述方法实施例中步骤S101的相关描述，在此不再进行赘述。

特征提取模块102，用于从各个SOC条件下的阻抗谱数据和DRT曲线中提取特征参数。详细内容参见上述方法实施例中步骤S102的相关描述，在此不再进行赘述。

阈值设定模块103，用于基于不同SOC条件下的特征参数计算特征参数变化率，并利用特征参数变化率设定诊断阈值。详细内容参见上述方法实施例中步骤S103的相关描述，在此不再进行赘述。

故障诊断模块104，用于将待检测电池的特征参数与诊断阈值进行比对，并根据比对结果对待检测电池进行故障诊断。详细内容参见上述方法实施例中步骤S104的相关描述，在此不再进行赘述。

本发明实施例提供的锂电池电解液泄露故障诊断装置，用于执行上述实施例提供的锂电池电解液泄露故障诊断方法，其实现方式与原理相同，详细内容参见上述方法实施例的相关描述，不再赘述。

通过上述各个组成部分的协同合作，本申请提供的技术方案，对选定的若干电池样本进行不同SOC条件下的EIS测试和DRT分析，得到各个电池样本在不同SOC条件下的阻抗谱数据和DRT曲线；然后从各个SOC条件下的阻抗谱数据和DRT曲线中提取与曲线形状、大小相关的特征参数。之后，选定初始SOC条件，计算其他不同SOC条件下的特征参数相比初始SOC条件特征参数的变化率，由于漏液故障电池相比普通电池的阻抗变化明显，进而导致DRT曲线中的相关参数比正常电池的参数变化也较大，从而利用多数漏液电池的特征参数变化率设定诊断阈值。将待检测电池的特征参数与诊断阈值进行比对，即可根据比对结果确定待检测电池是否发生故障。实现了电池包中任意锂电池的故障诊断，提高了锂电池电解液泄露的故障诊断准确率。

图7示出了本发明实施例的一种电子设备，该设备包括处理器901和存储器902，可以通过总线或者其他方式连接，图7中以通过总线连接为例。

处理器901可以为中央处理器(Central Processing Unit，CPU)。处理器901还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。

存储器902作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如上述方法实施例中的方法所对应的程序指令/模块。处理器901通过运行存储在存储器902中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的方法。

存储器902可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器901所创建的数据等。此外，存储器902可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器902可选包括相对于处理器901远程设置的存储器，这些远程存储器可以通过网络连接至处理器901。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

一个或者多个模块存储在存储器902中，当被处理器901执行时，执行上述方法实施例中的方法。

上述电子设备具体细节可以对应参阅上述方法实施例中对应的相关描述和效果进行理解，此处不再赘述。

本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，实现的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；存储介质还可以包括上述种类的存储器的组合。

虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (10)

1.一种锂电池电解液泄露故障诊断方法，其特征在于，所述方法包括：

对电池样本进行不同SOC条件下的EIS测试和DRT分析，得到不同SOC条件下的阻抗谱数据和DRT曲线；

从各个SOC条件下的所述阻抗谱数据和DRT曲线中提取特征参数；

基于不同SOC条件下的特征参数计算特征参数变化率，并利用所述特征参数变化率设定诊断阈值；

将待检测电池的特征参数与所述诊断阈值进行比对，并根据比对结果对所述待检测电池进行故障诊断。

2.根据权利要求1所述的方法，其特征在于，所述对电池样本进行不同SOC条件下的EIS测试和DRT分析，得到不同SOC条件下的阻抗谱数据和DRT曲线，包括：

获取正常电池样本和故障电池样本；

分别对正常电池样本和故障电池样本在多种SOC条件下进行EIS测试，得到各个电池样本的在多种SOC条件下的阻抗谱数据；

分别对各个电池样本的阻抗谱数据进行DRT分析，得到各个电池样本在多种SOC条件下的DRT曲线。

3.根据权利要求2所述的方法，其特征在于，所述从各个SOC条件下的所述阻抗谱数据和DRT曲线中提取特征参数，包括：

从当前样本的各个SOC条件下的阻抗谱数据和DRT曲线中提取各个SOC条件的特征参数，所述当前样本是正常电池样本或故障电池样本；

以其中一个SOC条件为初始条件，计算其他SOC条件的特征参数相对于所述初始条件的特征参数的变化率；

基于各个SOC特征参数的变化率从各个SOC条件中确定关键SOC条件，并基于所述关键SOC条件的特征参数确定所述当前样本的特征参数。

4.根据权利要求3所述的方法，其特征在于，基于所述关键SOC条件的特征参数确定所述当前样本的特征参数，包括：

提取当前SOC条件下DRT曲线中各个特征峰的峰值；

计算当前SOC条件各个特征峰的峰值相比所述初始条件的DRT曲线中各个特征峰的峰值的变化率，并从当前SOC条件的各个特征峰中选择目标特征峰，所述目标特征峰的峰值的变化率大于预设阈值；

从所述目标特征峰中提取第一关键参数；

基于所述目标特征峰的频率范围从当前SOC条件的阻抗谱数据中提取第二关键参数；

将所述第一关键参数和所述第二关键参数作为所述当前样本在当前SOC条件下的特征参数。

5.根据权利要求4所述的方法，其特征在于，所述第一关键参数包括所述目标特征峰的峰值、面积和峰值对应的时间常数；所述第二关键参数包括阻抗谱与实轴的交点所对应的阻抗实部和频率，阻抗谱弧段顶点所对应的阻抗实部、阻抗虚部和频率。

6.根据权利要求2或5所述的方法，其特征在于，所述基于不同SOC条件下的特征参数计算特征参数变化率，并利用所述特征参数变化率设定诊断阈值，包括：

针对正常电池样本或故障电池样本，以其中一个SOC条件为初始条件，计算其他SOC条件的特征参数相对于所述初始条件的特征参数的变化率；

基于正常电池样本特征参数的变化率与故障电池样本特征参数的变化率之间的差值，划分所述诊断阈值。

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：

将所述电池样本各个SOC条件下提取的特征参数作为机器学习的训练样本，训练机器学习模型；

将待检测电池的特征参数输入所述机器学习模型，以通过所述机器学习模型输出所述待检测电池的故障诊断结果；

若根据所述比对结果完成了所述待检测电池故障的识别，则停止所述机器学习模型的计算过程。

8.一种锂电池电解液泄露故障诊断装置，其特征在于，所述装置包括：

分析模块，用于对电池样本进行不同SOC条件下的EIS测试和DRT分析，得到不同SOC条件下的阻抗谱数据和DRT曲线；

特征提取模块，用于从各个SOC条件下的所述阻抗谱数据和DRT曲线中提取特征参数；

阈值设定模块，用于基于不同SOC条件下的特征参数计算特征参数变化率，并利用所述特征参数变化率设定诊断阈值；

故障诊断模块，用于将待检测电池的特征参数与所述诊断阈值进行比对，并根据比对结果对所述待检测电池进行故障诊断。

9.一种电子设备，其特征在于，包括：

存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如权利要求1-7任一项所述的方法。

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存储有计算机指令，所述计算机指令用于使所述计算机从而执行如权利要求1-7任一项所述的方法。

Images