首页 > 论文范文 > 工程工业论文 > 电力工业论文 > 电能论文 > 基于神经网络的锂电池极耳焊缝微缺陷判别系统设计

基于神经网络的锂电池极耳焊缝微缺陷判别系统设计

2023-11-22 142 上传者：管理员

摘要：针对锂电池极耳焊缝微缺陷识别问题，提出基于多频差分涡流传感器阵列测量磁数据的方法，并对获得的检测数据采用神经网络训练模型进行分类。实验结果表明，相较于单通道单一频率的检测方式，多频励磁阵列检测效率更高，且能够同时检测极耳焊缝表面和内部缺陷以实现层析成像。此外，所使用的神经网络训练模型解决了多频涡流阵列数据处理问题，识别准确率达到96%以上。

关键词：
多频差分涡流
层析成像
微缺陷
极耳焊缝
神经网络
加入收藏

生活中锂电池使用非常广泛，造成的安全事故也频频出现，因此对电池进行无损检测具有重要意义，而极耳焊缝微缺陷检测是锂电池探伤领域的重要研究方向。电池极耳一般使用激光焊接，焊接后可能会产生缺焊、多焊、气泡、微孔等问题，而极耳焊缝存在缺陷会导致局部电阻变化，在充放电过程中严重影响电池性能，致使事故发生。目前，已知极耳焊缝主要依靠人工检测，即将极板进行人工掰弯再掰回去，判断极耳焊接是否牢固。人工检测存在低效率、高漏检率、无法发现微缺陷等问题，且在检测后对电池极耳焊缝存在破坏，属于有损检测。从目前掌握的文献来看，针对极耳焊缝缺陷检测方法的研究不多，常用的无损检测方法包括机器视觉、超声波检测和涡流检测等。机器视觉[1,2]只能检测极耳焊缝表面可视缺陷；超声波检测需要耦合剂，而耦合剂的使用易造成电池短路，且耦合剂会在高温等一些条件下发生融化，严重影响检测质量，给电池和检测设备造成极大的损坏；涡流检测[3]目前主要使用常规的单频涡流检测，对于复杂结构件的检测，单频涡流会受到干扰，需要增加信号鉴别元器件来提高涡流在试验过程中的检测效率与精度。

神经网络最初由McCulloch-Pitts神经元模型使用一元一次线性函数模拟神经元的树突和轴突[4],后期伴随神经网络的发展，训练模型预估准确率也随之提升。He K M[5]和Xie S N[6]等通过加入identity解决了神经网络层数增加训练效果反而不好的问题，极大地促进了神经网络的发展。Badmos等[7]提出将改进的卷积神经网络模型用于电极微结构瑕疵检测；刘涵等[8]通过边缘检测拟合方法和卷积神经网络用于焊缝缺陷检测和识别；程燕岷等[9]将多层神经网络算法应用于PAUT图像缺陷识别。上述神经网络算法的应用主要面向图像处理，无法完成空间磁场解析，缺陷分类效率较低。本研究在阅读大量文献后确定基于差分线圈的多频涡流阵列检测方法，搭建整机电路系统并结合神经网络深度学习算法自动分类测量得到的磁数据，从而判断极耳焊缝微缺陷类别，可大幅度降低神经网络的计算量，加快缺陷判别速度，对比目前已知的机器视觉等方法有明显优势。

1、多通道电路组成及工作原理

多通道电路的实现方式是通过开关电源输出±5V电压，经电压转换芯片给整机系统供电，并使用直接数字频率合成器(Direct Digital Frequency Synthesis, DDS)芯片生成正弦多频信号，经功率放大电路加载至励磁线圈中，以提供激励信号。基于金属在交变磁场中会产生涡流的原理，在极耳焊缝表面会产生对应频率的涡流信号，通过拾取差分线圈输出信号并将其传输给前级低噪声高速精密放大电路，后经锁相电路得到幅值及相位差信息，系统实时采集多路涡流信号并上传至上位机，再通过PC端提前训练好的分类模型输出对应标签(缺陷类别),以判别信号是否存在缺陷。

锁相电路是基于锁相环原理设计，锁相环一般分为三个环节，分别是鉴相器、低通滤波器(环路滤波器)和压控振荡器。若输入信号与参考信号存在差异，则鉴相器鉴别该差异并输出相应信号。假设外界输入的信号为ui(t),压控振荡器输出的信号电压为uo(t),具体表述为：

ui(t)=Umsin[ait+θi(t)] (1)

uo(t)=Uomcos[a0t+θ0(t)] (2)

则鉴相器的输出为：

将该信号通过低通滤波器滤除高频信号，得到：

uC(t)=0.5KUmUomsin{[ait+θi(t)]-[a0t+θ0(t)]}(4)

压控振荡器的振荡频率wu(t)以w0为中心，随输入信号电压uC(t)的变化而变化。该特性的表达式为：

wu(t)=w0+K0uC(t)(5)

近似为一条直线，将压控振荡器的输出反馈到鉴相器，锁相环经过反复鉴相和调整，最终压控振荡器输出信号和外部输入信号频率一致，锁相环电路进入锁定状态。图1是多通道电路系统框架图，主要基于STM32最小系统控制整机电路，图2为检测效果图，展示了单通道差分涡流传感器扫描磁数据曲线。

图1 多通道电路组成框图

图2 检测效果图

2、神经网络算法判别程序

程序流程见图3。

在测量得到极耳焊缝磁数据后，最初使用传统机器学习方法进行判别分类，给有缺陷数据打上标签1,给无缺陷数据打上标签0,通过传统机器学习算法如knn、svm、Logistic回归、GaussianNB、Decision Tree等进行判别，但将上述训练模型应用于本系统后并没有达到较好的效果。基于此，采用深度学习的方法对极耳极板焊缝磁数据进行分析，使用框架keras进行二分类，对初始标记的数据进行了随机打乱，学习率设置为lr=0.001,loss使用的是二分类损失函数，优化器的优化方案使用随机梯度下降。最初使用keras中的dense神经网络对全连接神经网络进行判别，使用较少的网络层数，层数分别为256、128、64、32、16、8、4、2、1,且采用sigmoid作为该网络的激活函数。但在训练中发现sigmoid函数在趋于无穷远的区域，对应的梯度变化很小极易造成梯度消失现象，很难找到最优解，进而导致损失值无法收敛。进一步通过实验对比，将激活函数改为relu,损失值收敛且收敛速度较快。基于该算法模型将训练次数提升至1万次，准确率达到了95%以上。后期在实验中发现dense神经网络训练次数较长，且鲁棒性不稳定，于是采用三种不同结构神经网络分别进行缺陷分类，并对标签使用了onehot编码，且数据进行随机打乱处理，激活函数依旧使用relu函数，优化器为Adam,学习率值lr设置为0.0001。

图3 程序流程图

针对极耳焊缝磁数据设计了三种神经网络实验。在第一种神经网络实验中，采用类似VGG的网络模型，卷积核尺寸采用3或5,padding使用same,并基于Dropout[10]进行随机损失神经元数目；在第二种神经网络实验中，采用并行连接高维特征率到低维特征子网，并进行重复多尺度融合搭建网络模型，在该网络中加入深度可分离卷积，该操作是使用跨通道的卷积核尺寸为1的卷积来提升模型效果。在深度可分离卷积中，图片是由三基色组成，分别使用不同的卷积核处理不同的三基色，再通过卷积核尺寸为1的卷积进行融合。本研究借鉴深度可分离卷积分解和解耦思想，先基于depthwise卷积核处理空间变化信号，再采取变频方式重复扫描同一焊缝，分别处理对应位置不同频率信号，以确定不同集肤深度信号源数据，并作为极耳焊缝表面微缺陷判别依据。图4是神经网络结构图，其中虚线箭头向上表示上采样，对应 UpSampling1D操作，虚线箭头水平表示进行卷积核尺寸为3的卷积操作，虚线箭头向下表示使用最大池化进行下采样。最后通过flatten层将卷积平铺成全连接层输出对应有无缺陷的标签；相对于第二种神经网络实验，第三种的改进点在于自适应学习率，通过实验证明融合自适应学习率后所形成的模型分类效果更好，具体准确率由表1给出。

图4 神经网络结构图

基于上述三种神经网络实验，该判别系统既可以检测极耳焊缝表面缺陷，也能通过改变励磁频率检测对应位置的内部缺陷。

3、结论

面对锂电池极耳焊缝磁数据分类问题，本文阐述了基于神经网络锂电池极耳焊缝微缺陷判别系统的设计方案，通过分析三种神经网络实验结果，主要得出以下结论：

表1 传统机器学习和神经网络准确率表

(1)在面对较大数据分类问题时，传统的机器学习分类算法相较于神经网络分类算法，分类效果较差，通过对比传统机器学习和神经网络分类算法，可认为最简易的全连接神经网络分类效果都好于传统机器学习分类算法；

(2)基于深度可分离卷积的思维(分解和解耦)解决信号分类问题，实验中第二种神经网络训练得到的模型分类效果要好于已知的众多分类算法，为相关磁数据分类提供了新的思路；

(3)通过对比分类结果，发现嵌入自适应学习率的第三种神经网络训练模型能够在本实验中小幅提升分类效果，但具体优化方案仍需进一步研究，以寻求最优解。

参考文献:

[1]苑玮琦,郭绍陶.圆柱型覆膜锂电池圆周面凹坑检测方法研究[J].仪器仪表学报,2020,41(2):146-156.

[3]黄平,杨理践,高松巍,等.利兹线在低频脉冲涡流检测技术中的应用[J].仪表技术与传感器,2021(6):95-99.

[8]刘涵,郭润元.基于X射线图像和卷积神经网络的石油钢管焊缝缺陷检测与识别[J].仪器仪表学报,2018,39(4):247-256.