用于估計電池的長期特性的系統和方法

專利名稱：用于估計電池的長期特性的系統和方法
技術領域：
本發明涉及用于估計電池的長期特性的系統和方法，更具體而言涉及基于電池的 初始特性用于估計電池的長期特性的系統和方法。
背景技術：
隨著電池被不斷使用，電池出現容量縮小和性能降低。因此，非常重要的是設計一 種雖已使用較長時間但仍可保持其長期特性的電池。該長期特性例如可以是，電池的充電 容量、放電容量、厚度以及開路電壓等。電池的長期特性是基于一循環充電/放電過程而被測量的。在循環充電/放電過 程中，從所制造的一批電池中取樣特定數量的電池，然后將所取樣的電池連續充電/放電。 如果所取樣電池的長期特性在預定的長期循環下滿足特定標準，則該相應的電池批次被認 為是合格的。例如，當在第300個循環(第300次充電/放電)時、3V下的放電容量是初始 容量的75%或更高時，該相應的電池批次被認為是合格的。然而，估計電池的長期特性會消耗較長時間。例如，300個循環的充電/放電過程 花去約3個月的時間。這樣，為了基于循環充電/放電過程測量電池的長期特性，在充電/ 放電過程的時間內，電池的發貨被延遲，由此增加了貯存負擔。從而，在傳統情況下，如果制造了一批電池，就取樣出特定數量的電池，隨即將該 批電池發貨，然后對所取樣電池的長期特性進行估計便于以后采取合適的措施，這種方法 被稱為“后-發貨估計”。如果在電池發貨之后，通過長期特性的估計，發現任何問題的話， 與所取樣電池對應的那批電池將被確定為具有不良的長期特性。其后，將已發貨的電池召 回，并研究用于消除這種長期特性缺陷的因素的對策，然后將該對策應用于電池制造過程。 然而，這種后發貨估計方法存在以下問題。首先，在某一特定電池批次被確定為不合格的情況下，收回該相應批次的電池會 消耗一定經濟成本(例如，分銷成本)。其次，在具有不良長期特性的電池已被銷售給最終用戶的情況下，則幾乎不可能 對電池采取措施，例如不可能將電池召回。再次，通過內部長期特性分析確定在制造過程中存在缺陷的情況下，使用該相同 制造過程所制造的所有電池的長期特性都變得可疑，從而同樣擴大了制造商的損失。第四，如果具有不良長期特性的電池被賣出并用于電子產品中，則電池的滿意度 會降低，從而也會降低電池制造商和零售商的信譽度。因此，非常需要一種能夠在電池發貨之前可靠地估計相關領域中的電池的長期特 性的方案。公開文本技術問題本發明被設計用于解決現有技術的問題，因此本發明的目的在于提供用于估計電 池的長期特性的系統和方法，該系統和方法能夠通過基于電池的初始特性來估計電池的長期特性從而快速確定缺陷，并且還能夠通過使用所有電池所測量的特性一例如，在激活過程時的充電數據一來進行電池的全數檢查。技術方案為了完成上述目的，本發明提供了用于估計電池的長期特性的系統，其包括學習 數據輸入單元，其用于接收要作為學習對象的電池的初始特性學習數據和長期特性學習數 據；測量數據輸入單元，其用于接收要作為估計長期特性的對象的電池的初始特性測量數 據；人工神經網絡操作單元，其用于將所述初始特性學習數據和長期特性學習數據轉換到 第一數據結構和第二數據結構中，允許人工神經網絡基于每一數據結構學習所述初始特性 學習數據和長期特性學習數據，將所輸入的初始特性測量數據轉換到第一和第二數據結構 中，并獨立地應用相應于每一數據結構的已學習過的人工神經網絡來計算并輸出基于每一 數據結構的長期特性估計數據；以及長期特性估計單元，其用于計算每一數據結構的輸出 的長期特性估計數據的誤差，并根據該誤差確定長期特性估計數據的可靠性。優選地，基于每一數據結構的已學習過的人工神經網絡具有串聯布置的至少一個 神經元層。該神經元層將輸入矢量轉換為輸出矢量。此時，通過人工神經網絡的學習計算 的偏移矢量和權矩陣被反映在輸入矢量上，偏移矢量和權矩陣被反映在其上的輸入矢量通 過神經元傳遞函數處理，接著神經元傳遞函數的結果被作為輸出矢量輸出。在神經元層的 串聯布置中，第一神經元層具有由初始特性測量數據組成的輸入矢量。最后的神經元層的 輸出矢量是長期特性估計矢量。優選地，其中關聯于初始特性的數據包括在電池激活過程中測量的電池的充電特 性變化數據；或通過測量初始循環特性而獲取的電池的充電特性變化數據、放電特性變化 數據、厚度變化數據，或者開路電壓變化數據。而且，關聯于長期特性的數據包括預定的長 期循環上的電池的充電特性變化數據、放電特性變化數據、厚度變化數據，或者開路電壓變 化數據。根據本發明的系統還包括初始特性測量傳感器，其用于測量置于激活過程的電池 的充電特性，并接著將所測量的充電特性輸出作為初始特性測量數據，以及測量數據輸入 單元可從初始特性測量傳感器接收初始特性測量數據。根據本發明的系統還包括顯示器，該顯示器用于從人工神經網絡操作單元接收基 于每一數據結構計算的長期特性估計數據，以通過顯示裝置在圖形-用戶界面上顯示長期 特性估計數據。在本發明中，其中在誤差小于標準值的情況下，長期特性估計單元確定基于每一 數據結構計算的長期特性估計數據中的任一個或所述長期特性估計數據的平均數據作為 長期特性估計數據，并接著輸出該長期特性估計數據。優選地，長期特性估計單元通過將所確定的長期特性估計數據與標準的長期特性 數據相比較，來確定電池的長期特性質量，并且長期特性估計單元將電池的長期特性質量 的確定結果通過顯示裝置輸出至圖形_用戶界面上。在本發明的另一方面中，也提供了用于估計電池的長期特性的方法，包括接收要 作為學習對象的電池的初始特性學習數據和長期特性學習數據；將所接收的初始特性學習 數據和所接收的長期特性學習數據轉換到第一和第二數據結構中，并接著獨立地允許人工 神經網絡基于每一數據結構而學習；接收要作為估計長期特性的對象的電池的初始特性測量數據；將所接收的初始特性測量數據轉換到第一和第二數據結構中，接著將對應于每一 數據結構的已學習過的人工神經網絡應用至其上，并接著基于每一數據結構計算和輸出長 期特性估計數據；以及基于每一數據結構計算所輸出的長期特性估計數據的誤差，并接著 依據該誤差確定長期特性估計數據的可靠性。


本發明的其它目的和方面將從下面參照附圖對實施方案的描述中變得顯而易見， 在所述附圖中圖1是示出根據本發明的第一實施方案的用于估計電池的長期特性的系統的框 圖；圖2是示出根據本發明的一個實施方案的、通過人工神經網絡操作單元而具有學 習能力的人工神經網絡結構的框圖；圖3是示出了初始特性學習數據和長期特性學習數據被限定在第一數據結構中 的情況下的示意圖；圖4是示出了初始特性學習數據和長期特性學習數據被限定在第二數據結構中 的情況下的示意圖；圖5是示出根據本發明的第二實施方案的用于估計電池的長期特性的系統的框 圖；圖6是示出根據本發明的第一實施方案的用于估計電池的長期特性的系統的操 作順序的示意流程圖；圖7是示出根據本發明的第二實施方案用于估計電池的長期特性的系統的操作 順序的示意流程圖；圖8是一個示出了可用于執行根據本發明的用于估計電池長期特性的系統的操 作方法的通用計算機的內部配置的框圖。
具體實施例方式在下文中，將參照附圖詳細描述本發明的優選實施方案。在描述之前，應理解的 是，本說明書和所附權利要求中所使用的術語不應被解釋為普通含義及字典含義，基于發 明人被允許對術語的最佳解釋進行適當限定這一原則，本說明書和所附權利要求中所使用 的術語應基于相應于本發明的技術方面的含義和概念來進行解釋。因此，此處所提出的本 發明僅是用于示例目的的優選實施例，不意在限制本發明的范圍，因此應理解的是，在不偏 離本發明的主旨和范圍的情況下，可以對其進行其它等同變化或修改。圖1是示出根據本發明的第一實施方案的用于估計電池的長期特性的系統的框 圖。 參照圖1，根據本發明的用于估計電池的長期特性的系統由一通用計算機來實現， 所述系統包括一個學習數據輸入單元10，其用于接收要作為學習對象的電池的初始特性 學習數據Pt和長期特性學習數據Tt ；一個測量數據輸入單元20，其用于接收要作為估計長 期特性的對象的電池的初始特性測量數據Pm ；以及一個人工神經網絡操作單元30，其用于 從學習數據輸入單元10中接收初始特性學習數據Pt和長期特性學習數據Tt以允許該人工神經網絡學習這兩種學習數據的相關性，以及用于接收來自于測量數據輸入單元20的初 始特性測量數據Pm并將已學習過的人工神經網絡應用至其上，從而根據電池的初始特性測 量數據計算長期特性估計數據 ；，并將該長期特性估計數據Te輸出。 學習數據輸入單元10和測量數據輸入單元20是用于接收——人工神經網絡進行 學習以及對長期特性估計數據進行計算所需的——各種數據的接口。所述學習數據輸入單元10提供一個具有如下標準化模板的用戶接口，該標準化 模板根據預定協議選定計算機上的一個媒介文檔(medium file)來記錄初始特性學習數據 和長期特性學習數據，或者允許用戶直接記錄初始特性學習數據和長期特性學習數據，這 樣所述學習數據輸入單元10就可接收初始特性學習數據和長期特性學習數據。另外，測量數據輸入單元20提供一具有如下標準化模板的用戶接口，該標準化模 板根據預定協議選定在計算機上的一個媒介文檔來記錄初始特性測量數據，或者允許用戶 直接記錄初始特性測量數據，這些類似于學習數據輸入單元10，由此測量數據輸入單元20 可接收初始特性測量數據。所述初始特性學習數據和長期特性學習數據是通過被選定為學習對象的多個電 池的循環充電/放電過程而獲得的。所述循環充電/放電過程意味著重復對一電池進行周 期性充電和放電直到某一循環的過程。一個循環意味著一次充電和一次放電。初始特性學習數據是在循環充電/放電過程的開始部分中所進行的循環處所獲 得的要作為學習對象的電池的特性數據。這里，在其中獲取初始特性學習數據的循環的數 目可根據所需改變。初始特性學習數據例如可以是在1-10個循環過程中所獲得的電池的 充電特性變化數據、放電特性變化數據、厚度變化數據或開路電壓變化數據。這里，充電特 性是電池的充電電流、充電電壓或充電容量，放電特性是電池的放電電流、放電電壓或放電 容量。然而，本發明不限于此。因此，應理解的是，任何一個能夠限定電池的充電特性或放 電特性的參數都可被包括在限定了所述充電/放電特性的參數的范圍內。初始特性學習數據是關于電池充電特性、電池放電特性、電池厚度或電池開路電 壓的數據，因此其被配置為至少兩種數據的集合。例如，如果初始特性學習數據是使用電池 的每個充電電壓或每個充電時間的充電容量變化數據——其通過1-10個循環的充電/放 電過程而獲得一而被配置的，初始特性學習數據就包括10組充電容量變化數據，每組充 電容量變化數據包括相應于多個測量電壓和測量時間的多個充電容量值。這里，用于測量 充電容量的測量電壓和測量時間被提前確定。長期特性學習數據是在循環充電/放電過程的較后部分中所進行的循環處所獲 得的電池的充電特性變化數據、放電特性變化數據、厚度變化數據或開路電壓變化數據。這 里，充電特性是電池的充電電流、充電電壓或充電容量，放電特性是電池的放電電流、放電 電壓或放電容量。然而，本發明不限于此。從而，應理解的是，任何一個能夠限定電池的充 電特性或放電特性的參數都可被包括在限定了所述充電/放電特性的參數的范圍內。在較 后部分中所進行的循環數是根據電池的長期特性說明、或者客戶的要求而確定的，其例如 可以是300。然而，本發明對于在其中獲得長期特性學習數據的具體循環數不進行限制。長期特性學習數據是關于電池充電特性、電池放電特性、電池厚度或電池開路電 壓的數據，因此類似于初始特性學習數據，該長期特性學習數據也被配置為至少兩種數據 的集合。例如，如果長期特性學習數據是使用電池的每個充電電壓或每個充電時間的充電容量變化數據——其通過第300個循環的充電/放電過程而獲得——而被配置的，長期特 性學習數據就包括在第300個循環的電池充電過程中所獲得的、相應于多個充電電壓和充 電時間的多個充電容量值。這里，用于測量充電容量的充電電壓和充電時間被提前確定，它 們與獲得初始特性學習數據時的充電電壓或測量時間相同。
同時，相關于電池的初始特性和長期特性的參數不限于本發明中的上述內容，對 于本領域普通技術人員顯然的是，任何可識別為電池特性的特性都應解釋為被包括在初始 特性學習數據和長期特性學習數據的范圍內。所述初始特性測量數據是借助于循環充電/放電過程而從以下電池直接測得 的初始特性數據，所述電池為其長期特性將要被估計的電池，該初始特性數據的屬性 (attribute)和種類基本相同于初始特性學習數據的屬性和種類。也就是說，初始特性測 量數據是在循環充電/放電過程的開始部分中的循環處所獲得的電池的特性數據，例如在 1-10個循環內所獲得的電池的充電特性變化數據、放電特性變化數據、厚度變化數據或開 路電壓變化數據。所述長期特性估計數據是由人工神經網絡操作單元30所計算的數據，它不是通 過循環充電/放電過程實際測得的數據，而是由人工神經網絡所估計的數據。長期特性估 計數據的屬性和種類基本相同于長期特性學習數據的屬性和種類。也就是說，長期特性估 計數據是，針對例如第300個循環所估計的電池的充電特性變化數據、放電特性變化數據、 厚度變化數據或開路電壓變化數據。圖2是示出根據本發明的一個實施方案的通過人工神經網絡操作單元30而具有 學習能力的人工神經網絡的框圖。參照圖2，通過人工神經網絡操作單元30而具有學習能力的人工神經網絡包括串 聯連接布置的神經元層(層1，層2，層3)。在附圖中，布置了三個神經元層，但是本發明對 神經元層的數目不進行限制。為了方便，所述神經元層(層1，層2，層3)將被分別稱為第 一神經元層、第二神經元層和第三神經元層。人工神經網絡操作單元30從測量數據輸入單元20接收初始特性測量數據Pm，并 將該數據轉換為初始特性測量矢量#，然后將該矢量輸入至第一神經元層(層1)。這里， 初始特性測量矢量具有的維數是R行X1列。R是包括在初始特性測量數據內的單元數據 的數目。例如，假設初始特性測量數據是在1-10個循環的充電/放電過程中以規則間隔 所測量的電池的充電容量變化數據，在每個循環所獲得的充電容量數據的數目是20，則R 是“20X10 = 100”。在這種情況下，初始特性測量矢量戶具有的維數是100行Xl列，則
1-20行、21-40行、41-60行........181-200行分別代表第1個循環、第2個循環、第3個
循環........第10個循環的充電容量變化數據。在第一神經元層(層1)中，初始特性測量矢量盧與作為權矩陣W1中的一個元的 權相乘，然后還對其增加一個作為偏差矢量廠1的元的偏差值。此時的結果——即中間結果 η ‘——通過一神經元傳遞函數f1被計算為相應層的結果矢量5 \然后被輸出至第二神經 元層(層2)。下面的等式1表示關于第一神經元層(層1)的數值公式等式1a x= f^W1^+ b上述第一神經元層(層1)的操作方法被同樣應用于第二神經元層(層2)和第三神經元層(層3)。然而，被輸入到每個層的輸入矢量都是最后一層的輸出矢量。被應用至 第二神經元層(層2)和第三神經元層(層3)的操作方法分別如下等式2a 2=f2(W2 '+b 2)等式3a3=f3(W3a2+b3)在等式1-3中，權矢量W1J2和W3分別具有的維數為S行X 1列、S行XS列以及 S行XS列，偏差矢量廣、f2和P具有的維數為S行Xl列。這里，S是由人工神經網絡 所計算的最終輸出矢量S3中的行數。在最終輸出矢量53中的行數相同于被包括在長期特 性估計數據中的單元數據的數目。在本發明中，人工神經網絡的學習意味著獲得權矩陣W1、W2和W3以及偏差矢量 5、ε2和^ %從而使最終輸出矢量5 3和通過將長期特性學習數據Tt矢量化所獲得的長期 特性學習矢量之間的差值最小化或優化。為此，人工神經網絡操作單元30使用初始特 性學習矢量戶,和長期特性學習矢量Tri,所述兩個矢量是通過將初始特性學習數據Pt和長 期特性學習數據Tt進行矢量化而獲得的。例如，假設每個循環的R/k數目個初始特性數據是對要作為學習對象的N個電池 的k個循環期間獲得的，則將其用作初始特性學習數據，對第300個循環總計獲得S個長期 特性數據，然后將其用作長期特性學習數據，而權矩陣W1I2和W3，以及偏差矢量i1、F2和 廠3是通過允許人工神經網絡使用盧,=。1、02、.......pN) [R行XN列，Pl、ρ2........ρΝ
是列矢量]以及尹i=(tl、t2........ tN) ^行χΝ列，t”t2........tN是列矢量]進
行學習而獲得的。這里，關于人工神經網絡學習的技術在本領域中是眾所周知的。例如，Jure Zupan, Johann Gasteiger在第二版的《Neural Networksin Chemistry and Drug Design》 (ffeinheim ；New York ；Chichester ；Brisbane ；Singapore ；Toronto :ffiIey-VCH, 1999)中 公開了借助于在輸入數據和輸出數據之間的相關度來計算權矩陣W和偏差矢量f的方法。 因此，這里就不再詳細解釋人工神經網絡使用盧,和:r,的詳細學習算法。神經元傳遞函數f是在人工神經網絡的領域中公知的傳遞函數。例如，可采用 Competλ Hard-limit、Symmetric Hard-Limit、Log-Sigmoid、Positive Linear、Linear、 Radial Basis、Satlin、Satlins、Softmax、Tan_Sigmoid、Triangular Basis 以及 Netinv 等 傳遞函數可作為神經元傳遞函數f。然而，本發明對此不進行限制。再參照圖1，如果最終輸出矢量萬3是由人工神經網絡計算的，則人工神經網絡操 作單元30將最終輸出矢量(該矢量相應于一長期特性估計矢量)輸出作為電池的長期特 性估計數據。然后，顯示器40接收該長期特性估計數據，并將該長期特性估計數據通過一 顯示設備顯示在圖形-用戶界面中。例如，如果長期特性估計數據是第300次循環的充電 時間或充電電壓所對應的電池的充電容量變化數據，則顯示器40可通過一顯示設備以圖 形形式將該對于長達300次循環所估計的電池的充電容量變化數據輸出。在這種情況下， 盡管循環充電/放電過程沒有進行長達300次循環，但可輕易估計出電池的長期特性。
在另一實施方案中，如果最終輸出矢量3 3是由人工神經網絡計算的，則人工神經 網絡操作單元30可將該最終輸出矢量輸出至一估計電池的長期特性的長期特性估計單元 50。然后，該長期特性估計單元50將人工神經網絡所計算的長期特性估計數據與預定的標 準的長期特性數據進行比較，那么，如果其誤差大于閾值，所述長期特性估計單元50就判 斷該電池具有不良的長期特性。在該情況下，長期特性估計單元50確定相應的電池在長期 特性方面是劣質的，然后可通過顯示設備將該結果顯示在一圖形-用戶界面中。例如，如果長期特性估計數據相關于第300個循環所估計的、電池的每個充電時間或充電電壓的充電容量，則僅當人工神經網絡所估計的充電容量大于每個充電時間或充 電電壓的預定的標準的充電容量時，長期特性估計單元50可確定相應電池的長期特性是 卓越的。然而，在確定電池的長期特性的卓越性方面，本發明并不進行限制。同時，如果初始特性測量數據在用于人工神經網絡的學習的初始特性學習數據的范圍之外，則通過人工神經網絡所計算的長期特性估計數值的可靠性被降低。為了解決該問題，在本發明的另一實施方案中，將初始特性學習數據和長期特性學習數據的數據結構不同地限定，使得對每個數據結構而言人工神經網絡的學習被不同地 執行。圖3示出初始特性學習數據和長期特性學習數據被限定在第一數據結構中的情 況圖4示出初始特性學習數據和長期特性學習數據被限定在第二數據結構中的情況。參照圖3的第一數據結構，對要作為學習對象的N個電池所獲得的同一循環的初始特性學習數據被沿著橫向布置。例如，在初始特性學習數據的第一行中，布置了電池1至 電池N的第1個循環的充電/放電過程中所獲得的初始特性學習數據。其它行被以相同方 式布置。此外，在長期特性學習數據的第一行中，布置了對電池1至電池N的第300個循環 的充電/放電過程中所獲得的長期特性學習數據。這里，正如對于本領域普通技術人員顯 然的，可以改變在其中獲得初始特性學習數據和長期特性學習數據的循環的范圍或數目。 如果每個循環所獲得的學習數據的數目是k，則具有第一數據結構的初始特性學習數據變 成具有10行X (k*N)列的維數的矩陣，長期特性學習數據變成具有1行X (k*N)列的維數 的矩陣。然后，參照圖4的第二數據結構，初始特性學習數據是通過對要作為學習對象的N 個數目的電池執行1-10個循環的充電/放電過程而獲得的，但對每個電池所獲得的1-10 個循環的初始特性學習數據被沿著垂直方向相繼布置。從而，在初始特性學習數據的第一 列，在對電池1的1-10個循環的充電/放電過程中所獲得的初始特性學習數據被相繼布 置。其它列被以相同方式布置。此外，在長期特性學習數據的每一列中，在電池1-電池N 的第300個循環的充電/放電過程中所獲得的長期特性學習數據被沿著垂直方向布置。這 里，正如對于本領域普通技術人員顯然的，可以改變在其中獲得初始特性學習數據和長期 特性學習數據的循環的范圍或數目。如果對于每個循環所獲得的學習數據的數目是k，則具 有第二數據結構的初始特性學習數據會變成具有(k*10)行XN列的維數的矩陣，長期特性 學習數據變成具有k行XN列的維數的矩陣。人工神經網絡操作單元30將初始特性學習數據和長期特性學習數據轉換為第一 和第二數據結構，然后允許人工神經網絡基于所述數據結構單獨學習。這里，允許人工神經網絡基于數據結構單獨學習的含義是，基于第一和第二數據結構獨立地計算人工神經網絡的權矩陣w^w2和w3，以及偏差矢量b1、b2、b3.如果允許人工神經網絡基于第一數據結構進行學習，則可計算權矩陣和偏差矢 量，使得在300個循環內的一個相應循環處所測量的長期特性值可以通過基于要作為學習 對象的同一電池的在1-10個循環內的一個特定循環處所測量的初始特性值的列矢量(沿 垂直方向)而被估計。另外，如果允許人工神經網絡基于第二數據結構進行學習，則可計算 權矩陣和偏差矢量，使得整300次循環的長期特性值，可通過基于要作為學習對象的同一 電池的在整個1-10循環內的初始特性值的列矢量(沿垂直方向)而被估計。在人工神經網絡基于數據結構的單獨學習完成之后，如果其長期特性應被確定的 電池的初始特性測量數據被輸入，則人工神經網絡操作單元30將該初始特性測量數據的 數據結構轉換為第一數據結構和第二數據結構，然后應用基于每個數據結構已學習過的人 工神經網絡，來計算兩種長期特性估計數據。此時，當根據具有第一數據結構的初始特性測量數據來計算長期特性估計數據 時，人工神經網絡操作單元30通過使用由1-10個循環的每個測量時間的初始特性值所組 成的列矢量，來估計相應于列矢量位置的第300個循環的長期特性值。在這種方法中，初始 特性值與彼此不同的10個循環相關聯以依次對300個循環的長期特性數據進行估計。同 時，在根據具有第二數據結構的初始特性測量數據計算長期特性估計數據的情況下，由整 1-10個循環的初始特性值所組成的列矢量被用于估計整300個循環的長期特性值。在這種 方法中，參照整10個循環的初始特性值來一次估計第300個循環的長期特性值。如果人工神經網絡使用不同的方法估計長達300個循環的長期特性數據，盡管應 用的是基于不同數據結構進行學習的人工神經網絡，如果初始特性測量數據不偏離初始特 性學習數據的范圍，則在兩種長期特性估計數據之間基本上不存在偏差。這是因為，人工 神經網絡已充分學會用于估計基本上相同的長期特性學習數據，而不管用于學習的初始特 性學習數據的范圍內的初始特性測量數據的數據結構如何。換言之，如果初始特性測量數 據偏離初始特性學習數據的范圍，如果應用的是基于不同數據結構進行學習的人工神經網 絡，則兩種長期特性估計數據之間的誤差會增加。從而，通過利用這種現象，可以輕易估計 出長期特性估計數據的可靠性。也就是說，人工神經網絡操作單元30從具有不同數據結構的初始特性測量數據 中獲得兩種長期特性估計數據，然后將其輸出至長期特性估計單元50。然后，該長期特性估 計單元50計算在兩種長期特性估計數據之間的誤差，由此，如果該誤差超過閾值，則長期 特性估計單元50就確定所述用于估計電池的長期特性的初始特性測量數據位于用于人工 神經網絡的學習的初始特性學習數據的定性范圍和定量范圍之外。在這種情況下，長期特 性估計單元50可通過顯示設備在一圖形_用戶界面中通知關于長期特性估計數據的可靠 性低的消息。相反，如果該兩種長期特性估計數據之間的誤差小于閾值，則長期特性估計單元 50就確定用于估計電池的長期特性的初始特性測量數據位于用于人工神經網絡的學習的 初始特性學習數據的定性范圍和定量范圍內。在這種情況下，長期特性估計單元50最終確 定將所述兩種長期特性估計數據中的任一個的矢量或者將所述兩種長期特性估計數據的 矢量平均數據作為長期特性估計數據，然后將該長期特性估計數據的變化圖樣通過一顯示 設備顯示在圖形-用戶界面中。另外，長期特性估計單元50可將最終確定的長期特性估計數據與標準長期特性數據進行比較，以確定電池的長期特性是否卓越，然后通過一顯示設 備將結果顯示在圖形-用戶界面中。
根據如上所述的用于估計電池的長期特性的系統，在電池制造完成之后對于每批 電池取樣出將要對其長期特性進行估計的多個電池，然后對于每個所取樣的電池進行循環 充電/放電過程以獲得初始特性測量數據，然后通過使用所獲得的初始特性測量數據來測 試每個所取樣電池的長期特性，因此該系統對于取樣檢查一批電池的長期特性質量是有用 的。圖5是示出根據本發明第二實施方案的用于估計電池的長期特性的系統的框圖。根據第二實施方案的用于估計電池的長期特性的系統，是用于通過使用在電池激 活過程中所測量的電池的充電特性來估計電池的長期特性的。該系統將電池激活過程中當電池被初始充電時的關于電池的充電電壓變化數據、 充電電流變化數據或充電容量變化數據作為電池的初始特性測量數據。由此，與第一實施方案不同，根據第二實施方案的系統還包括一初始特性測量傳 感器60。當進入激活過程的電池被初始充電時，所述初始特性測量傳感器60以規則間隔檢 測電池的兩個端子的充電電壓、被引入電池的充電電流，或者電池的充電容量，然后將其輸 出至測量數據輸入單元20。然后，測量數據輸入單元20將輸出自初始特性測量傳感器60 的初始特性測量數據輸入到人工神經網絡操作單元30。人工神經網絡操作單元30接收在被選定為學習對象的電池的激活過程中所測量 的關于電池的充電電壓變化數據、充電電流變化數據或者充電容量變化數據作為初始特性 學習數據，并且在定下一選定為學習對象的電池之后，還通過學習數據輸入單元10接收對 于一預定循環——例如，第300個循環——所測量的充電特性變化數據、放電特性變化數 據、厚度變化數據或開路電壓變化數據作為長期特性學習數據，然后允許人工神經網絡學 習。此外，每當從測量數據輸入單元20中輸入在電池激活過程中所測量的初始特性測量數據時，人工神經網絡操作單元30通過應用已學習過的人工神經網絡來計算并輸出長期特 性估計數據。第二實施方案的系統具有一個初始特性測量傳感器60，從而其可從激活過程實時 地獲取初始特性測量數據。由此，第二實施方案的系統可被應用于在電池激活過程對電池 的長期特性進行全數檢查。此外，第二實施方案的用于計算初始特性學習數據的初始特性 測量數據的種類、和用于人工神經網絡的學習的長期特性估計數據的種類不同于第一實施 方案的所述兩種數據的種類。除了上述以外，第二實施方案的系統基本相同于第一實施方 案的系統。現在，將解釋根據本發明的一個實施方案的用于估計電池的長期特性的方法。圖6是示出根據本發明的第一實施方案的用于估計電池的長期特性的系統的操 作順序的示意流程圖。參照圖1和圖6，首先，人工神經網絡操作單元30通過學習數據輸入單元10收集 要作為學習對象的電池的初始特性學習數據和長期特性學習數據(Sioo)。這里，初始特性 學習數據和長期特性學習數據已在上面解釋過。接下來，人工神經網絡操作單元30允許人工神經網絡使用所收集的初始特性學 習數據和所收集的長期特性學習數據進行學習(Slio)。
在人工神經網絡的學習完成之后，人工神經網絡操作單元30通過測量數據輸入 單元20接收要作為估計長期特性的對象的電池的初始特性測量數據(S120)。該初始特性 測量數據可通過如下方式獲得從完整制造的一批電池中取樣出預定數量的電池，然后對 所取樣的電池執行循環充電/放電過程。作為一種替代方案，初始特性測量數據可通過當 進入激活過程的電池被初始充電時、使用初始特性測量傳感器60獲得(參見圖5)。此后，人工神經網絡操作單元30通過將已學習過的人工神經網絡應用至輸入初 始特性測量數據，計算預定的長期循環的長期特性估計數據。然后，人工神經網絡操作單元30將所計算的長期特性估計數據顯示到顯示器40上。然后，顯示器40通過一顯示設備將該長期特性估計數據顯示在圖形-用戶界面中 (S140)。作為一種替代方案，人工神經網絡操作單元30將所計算的長期特性估計數據輸 出至長期特性估計單元50。然后，長期特性估計單元50通過將所計算的長期特性估計數據 與標準長期特性數據進行比較來估計電池的長期特性質量，然后將結果通過顯示設備顯示 在圖形-用戶界面中(S150)。圖7是示出根據本發明的第二實施方案的用于估計電池的長期特性的系統的操 作順序的示意流程圖。參照圖1和圖7，首先，人工神經網絡操作單元30通過學習數據輸入單元10收集 作為學習對象的電池的初始特性學習數據和長期特性學習數據(S200)。這里，初始特性學 習數據和長期特性學習數據已在上面解釋過。接下來，人工神經網絡操作單元30將所收集的初始特性學習數據和所收集的長 期特性學習數據轉換到第一數據結構和第二數據結構中(S210)。在此之后，人工神經網絡 被允許基于每個數據結構進行學習(S220)。這里，第一數據結構和第二數據結構已被參照 圖3和圖4詳細解釋如上。在人工神經網絡基于每個數據結構的學習已完成之后，人工神經網絡操作單元30 通過測量數據輸入單元20接收要作為估計長期特性的對象的電池的初始特性測量數據 (S230)。初始特性測量數據可通過如下方式獲得即從所完整制造的一批電池中取樣出預 定數目個電池，然后對所取樣的電池執行循環充電/放電過程。作為一種替代方案，所述初 始特性測量數據可通過在當進入激活過程的電池被初始充電時、由初始特性測量傳感器60 獲得(參見圖5)。在此之后，人工神經網絡操作單元30將輸入的初始特性測量數據轉換到第一數 據結構和第二數據結構(S240)中。然后，根據第一數據結構和第二數據結構，將基于每個 數據結構已學習的人工神經網絡應用至輸入初始特性測量數據，由此計算對于預定的長期 循環的兩種長期特性估計數據(S250)。然后，人工神經網絡操作單元30將所計算的兩種長期特性估計數據顯示在顯示 器40中。從而，顯示器40通過一顯示設備將所述兩種長期特性估計數據顯示到圖形-用 戶界面中(S260)。作為一種替代方案，人工神經網絡操作單元30將所計算的兩種長期特性估計數 據輸出至長期特性估計單元50。然后，該長期特性估計單元50通過將二者互相比較來計算 在兩種長期特性估計數據之間的誤差，根據該誤差是否超出閾值來確定長期特性估計數據的可靠性，然后通過一顯示設備將結果顯示在圖形-用戶界面中(S270)。另外，長期特性估計單元50確定將所述兩種長期特性估計數據中的任一個或者該兩種長期特性估計數據的矢量平均數據選擇作為長期特性估計數據，以及通過將所確定 的長期特性估計數據與標準的長期特性數據進行比較來估計電池的長期特性質量，然后將 該結果通過一顯示設備顯示在圖形用戶界面中(S280)。根據本發明的用于估計電池的長期特性的系統和方法，可以以一種能夠被各種計 算機裝置執行的并被記錄在一計算機可讀介質中的程序指令形式實現。所述計算機可讀 介質可包括單一的或組合的程序指令、數據文檔或數據結構。記錄在介質中的程序指令可 以是為了本發明專門設計并配置的，或者是在計算機程序領域眾所周知的任何其它可使 用的程序指令。計算機可讀記錄介質包括，例如，諸如硬盤、軟盤和磁帶等的磁介質；諸如 CD-ROM和DVD的光學介質；諸如光磁軟盤的磁-光介質；以及諸如ROM、RAM和閃存的專門 被配置用于存儲并執行程序指令的硬件設備。所述介質還可以是如下的傳輸介質，諸如波 導管以及具有載體的光學導線或金屬導線等，這種傳輸介質傳送表示程序指令或數據結構 的信號。所述程序指令包括，例如，由編譯器生成的機器代碼、或者由使用解碼器等的計算 機可執行的高級程序語言代碼。所述硬件設備可被配置為作為用于執行本發明的操作的至 少一個軟件模塊而被運行，反之亦然。圖8是一個示出了可用于執行根據本發明的用于估計電池長期特性的系統的操 作方法的通用計算機系統的框圖。參照圖8，通用目的計算機系統400包括連接至具有RAM 420和ROM 430的主存儲 器的至少一個處理器410。處理器410還被稱為CPU。如本領域公知的，ROM 430用于向處 理器410單方面地傳輸數據和指令。RAM 420通常被用于雙向地向處理器410傳輸數據和指 令。RAM 420和ROM 430可具有計算機可讀介質的任意合適形狀。海量存儲器(massstorage device)440被雙向連接至處理器410從而為其提供額外的數據存儲能力，并且其可以是上 述計算機可讀介質中的任一種。海量存儲器440被用于存儲程序、數據等，并且其通常是諸 如硬盤等的輔助存儲器，輔助存儲器的速度低于主存儲器。還可使用諸如CD-ROM 460的特 定海量存儲器。處理器410連接到至少一個1/0接口 450，該1/0接口諸如視頻監視器、跟 蹤球鼠標、鍵盤、麥克風、觸屏式顯示器、讀卡器、磁帶或紙帶閱讀器、語音或書寫識別器、操 縱桿或其它公知的計算機1/0設備。最后，處理器410可通過網絡接口 470連接至有線或 無線通信網絡。上述方法還可通過聯網進行。上述設備和工具對于計算機硬件和軟件領域 的普通技術人員是眾所周知的。同時，硬件設備還可被配置運行為至少一種軟件模式用以 執行本發明的操作。本發明已被詳細描述如上。然而，應理解的是，盡管給出了本發明的優選實施方 案，但詳細說明和具體實施例僅是通過示例方式給出的，因為根據本詳細說明書，在本發明 主旨和范圍內的各種變化和修改對于本領域技術人員而言將是顯而易見的。工業適用性根據本發明，可利用電池的初始特性快速估計電池的可靠的長期特性，因此可解 決常規的后發貨長期特性估計方法的各種問題。也就是說，可以降低用于召回被確定為具有不良質量的電池批次的成本。此外，由 于長期特性的劣質因素可被快速識別并去除，從而可以防止額外制造具有劣質長期特性的電池。另外，可以僅向消費者提供具有卓越長期特性的電池，并且還可減輕用于電池的循環充電/放電過程的設備上的負荷。 在本發明的另一方面，由于使用了電池被制造時對所有電池所測量的特性，例如 在激活過程中的充電數據，從而可以實現電池的全數檢查。
權利要求
用于估計電池的長期特性的系統，包括學習數據輸入單元，其用于接收要作為學習對象的電池的初始特性學習數據和長期特性學習數據；測量數據輸入單元，其用于接收要作為估計長期特性的對象的電池的初始特性測量數據；人工神經網絡操作單元，其用于將所述初始特性學習數據和長期特性學習數據轉換到第一數據結構和第二數據結構中，允許人工神經網絡基于每一數據結構學習所述初始特性學習數據和長期特性學習數據，將所輸入的初始特性測量數據轉換到第一和第二數據結構中，并獨立地應用相應于每一數據結構的已學習過的人工神經網絡來計算并輸出基于每一數據結構的長期特性估計數據；以及長期特性估計單元，其用于計算每一數據結構的輸出的長期特性估計數據的誤差，并根據該誤差確定長期特性估計數據的可靠性。
2.根據權利要求1所述的系統，其中基于每一數據結構的已學習過的人工神經網絡具 有串聯布置的至少一個神經元層，其中該神經元層將輸入矢量轉換為輸出矢量以使通過人工神經網絡的學習計算的偏 移矢量和權矩陣被反映在輸入矢量上，偏移矢量和權矩陣被反映在其上的輸入矢量通過神 經元傳遞函數處理，接著神經元傳遞函數的結果被作為輸出矢量輸出。
3.根據權利要求2所述的系統，其中在神經元層的串聯布置中，第一神經元層具有由 初始特性測量數據組成的輸入矢量。
4.根據權利要求1所述的系統，其中關聯于初始特性的數據包括在電池激活過程中測 量的電池的充電特性變化數據；或通過測量初始循環特性而獲取的電池的充電特性變化數 據、放電特性變化數據、厚度變化數據，或者開路電壓變化數據，以及其中關聯于長期特性的數據包括預定的長期循環上的電池的充電特性變化數據、放電 特性變化數據、厚度變化數據，或者開路電壓變化數據。
5.根據權利要求1所述的系統，其中還包括初始特性測量傳感器，其用于測量置于激 活過程的電池的充電特性，并接著將所測量的充電特性輸出作為初始特性測量數據，其中測量數據輸入單元從初始特性測量傳感器接收初始特性測量數據。
6.根據權利要求1所述的系統，其中還包括顯示器，該顯示器用于從人工神經網絡操 作單元接收基于每一數據結構計算的長期特性估計數據，以通過顯示裝置在圖形_用戶界 面上顯示長期特性估計數據。
7.根據權利要求1所述的系統，其中在誤差小于標準值的情況下，長期特性估計單元 確定基于每一數據結構計算的長期特性估計數據中的任一個或所述長期特性估計數據的 平均數據作為長期特性估計數據，并接著輸出該長期特性估計數據。
8.根據權利要求7所述的系統，其中長期特性估計單元通過將所確定的長期特性估計 數據與標準的長期特性數據相比較，來確定電池的長期特性質量。
9.根據權利要求8所述的系統，其中長期特性估計單元將電池的長期特性質量的確定 結果通過顯示裝置輸出至圖形_用戶界面上。
10.用于估計電池的長期特性的方法，包括(a)接收要作為學習對象的電池的初始特性學習數據和長期特性學習數據；(b)將所接收的初始特性學習數據和所接收的長期特性學習數據轉換到第一和第二數 據結構中，并接著獨立地允許人工神經網絡基于每一數據結構而學習； (C)接收要作為估計長期特性的對象的電池的初始特性測量數據；(d)將所接收的初始特性測量數據轉換到第一和第二數據結構中，接著將對應于每一 數據結構的已學習過的人工神經網絡應用至其上，并接著基于每一數據結構計算和輸出長 期特性估計數據；以及(e)基于每一數據結構計算所輸出的長期特性估計數據的誤差，并接著依據該誤差確 定長期特性估計數據的可靠性。
11.根據權利要求10的方法，其中基于每一數據結構的已學習過的人工神經網絡具有 串聯布置的至少一個神經元層，以及其中在步驟(d)中，基于每一數據結構應用已學習過的人工神經網絡的過程包括 (dl)將初始特性測量數據轉換到輸入矢量中； (d2)將所轉換的輸入矢量輸入至神經元層布置的第一神經元層； (d3)神經元層布置的每一神經元層將通過人工神經網絡的學習計算的偏移矢量和權 矩陣反映到輸入矢量上，接著通過神經元傳遞函數處理輸入矢量，以使輸入矢量被轉換為 輸出矢量，并接著被輸出；以及(d4)神經元層布置的最末神經元層將長期特性估計矢量作為輸出矢量輸出。
12.根據權利要求10的方法，其中關聯于初始特性的數據包括在電池激活過程中測 量的電池的充電特性變化數據；或通過測量初始循環特性而獲取的電池的充電特性變化數 據、放電特性變化數據、厚度變化數據，或者開路電壓變化數據，以及其中關聯于長期特性的數據包括預定的長期循環上的電池的充電特性變化數據、放電 特性變化數據、厚度變化數據，或者開路電壓變化數據。
13.根據權利要求10的方法，其中初始特性學習數據是置于電池激活過程中的要作為 學習對象的電池的充電特性變化數據，而長期特性學習數據是預定的長期循環上的電池的 充電特性變化數據、放電特性變化數據、厚度變化數據，或者開路電壓變化數據，以及其中步驟(c)包括將要作為估計長期特性的對象的電池置于電池激活過程中； 從電池上測量充電特性變化；以及將所測量的充電特性變化數據接收作為初始特性測量數據。
14.根據權利要求10的方法，其中還包括 可視地顯示長期特性估計數據。
15.根據權利要求10的方法，其中還包括確定基于每一數據結構計算的長期特性估計數據中的任一個或所述長期特性估計數 據的平均數據作為長期特性估計數據；將所確定的長期特性估計數據與標準的長期特性數據相比較，以確定電池的長期特性質量。
16.根據權利要求15的方法，其中還包括 可視地顯示電池的長期特性質量的確定結果。
全文摘要
一種系統，包括其包括學習數據輸入單元，其用于接收要作為學習對象的電池的初始特性學習數據和長期特性學習數據；測量數據輸入單元，其用于接收要作為估計長期特性的對象的電池的初始特性測量數據；人工神經網絡操作單元，其用于將所述初始特性學習數據和長期特性學習數據轉換到第一數據結構和第二數據結構中，允許人工神經網絡基于每一數據結構學習所述初始特性學習數據和長期特性學習數據，將所輸入的初始特性測量數據轉換到第一和第二數據結構中，并獨立地應用相應于每一數據結構的已學習過的人工神經網絡來計算并輸出基于每一數據結構的長期特性估計數據；以及長期特性估計單元，其用于計算每一數據結構的輸出的長期特性估計數據的誤差，并根據該誤差確定長期特性估計數據的可靠性。
文檔編號H01M10/48GK101803104SQ200880106937
公開日2010年8月11日 申請日期2008年9月12日 優先權日2007年9月13日
發明者孫美暎, 宋炫坤, 曹正柱, 李鎬春, 秋淵旭 申請人:株式會社Lg化學