可盲插多节锂电池充放电系统及检测方法与流程

1.本技术涉及智能化电池技术领域，并且更具体地，涉及一种可盲插多节锂电池充放电系统及检测方法。


背景技术：

2.随着移动设备的广泛应用，多节锂电池系统作为一种常见的电源供应方式被广泛采用。然而，多节锂电池的充放电过程中存在一些潜在的问题，例如充电状态异常等，这些问题可能会影响设备的正常运行和用户的使用体验。
3.可见，针对多节锂电池充放电系统，需要对其进行检测，以及时发现充电过程中的问题。目前，对多节锂电池充放电系统进行检测的方法主要是基于对物理参数的测量，并通过比较与预设阈值的差异来判断充电状态是否正常。
4.然而，这种方法存在一些问题，例如，由于电池的内部结构和化学特性的差异，以及充放电过程中的电池老化等因素，单一参数的测量往往无法全面准确地反映充电状态。因此，期待一种优化的方案。


技术实现要素：

5.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可盲插多节锂电池充放电系统及检测方法，其检测设备的电池舱是否插入电池；检测所述设备是否插入充电接口；检测所述设备的充电状态是否正常；以及，显示检测结果。这样，可以提供更全面的充电状态判断，如充电中、充满以及可能的异常状态。
6.第一方面，提供了一种可盲插多节锂电池充放系统，其包括：
7.电池检测模块，用于检测设备的电池舱是否插入电池；
8.设备检测模块，用于检测所述设备是否插入充电接口；
9.充电状态检测模块，用于检测所述设备的充电状态是否正常；
10.以及显示模块，用于显示所述充电状态检测模块的检测结果。
11.第二方面，提供了一种可盲插多节锂电池充放电系统的检测方法，其包括：
12.检测设备的电池舱是否插入电池；
13.检测所述设备是否插入充电接口；
14.检测所述设备的充电状态是否正常；
15.以及显示检测结果。
附图说明
16.为了更清楚地说明本技术实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
17.图1为根据本技术实施例的可盲插多节锂电池充放系统的框图。
18.图2为根据本技术实施例的可盲插多节锂电池充放系统中所述充电状态检测模块的框图。
19.图3为根据本技术实施例的可盲插多节锂电池充放电系统的检测方法的流程图。
20.图4为根据本技术实施例的可盲插多节锂电池充放电系统的检测方法架构的示意图。
21.图5a为根据本技术实施例的原理图。
22.图5b为根据本技术实施例的电路图。
23.图5c、5d、5e、5f为根据本技术实施例的编号1部分的原理图。
24.图6a为根据本技术实施例的编号4部分的电路图。
25.图6b、6c为根据本技术实施例的编号4部分的流程图。
26.图6d、6e、6f、6g为根据本技术实施例的电路图。
27.图7为根据本技术实施例的可盲插多节锂电池充放系统的应用场景图。
具体实施方式
28.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
29.除非另有说明，本技术实施例所使用的所有技术和科学术语与本技术的技术领域的技术人员通常理解的含义相同。本技术中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本技术的范围。
30.在本技术实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
31.需要说明的是，本技术实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本技术的实施例可以除了在这里图示或描述的那些以外的顺序实施。
32.在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
33.多节锂电池是由多个单体锂电池组成的电池组，用于需要高能量密度和长时间供电的设备中，每个单体锂电池通常由正极、负极和电解质组成，正极材料通常是氧化物（如锰酸锂、钴酸锂或三元材料等），负极材料通常是石墨。电解质则是一种导电液体或固体，用于离子在正负极之间的传输。
34.多节锂电池的优点包括高能量密度、轻量化、长寿命和低自放电率，在移动设备（如智能手机、平板电脑）、电动工具、电动车辆和储能系统等领域得到广泛应用。
35.多节锂电池的电压与单体锂电池的电压有关，通常每个单体锂电池的标称电压为
3.6v或3.7v。因此，多节锂电池的总电压将取决于其中单体锂电池的数量和连接方式。常见的多节锂电池包括2节、3节、4节等，其总电压分别为7.2v、10.8v、14.4v等。
36.在使用多节锂电池时，需要注意以下几点：
37.1. 充放电保护：为了确保多节锂电池的安全性和寿命，通常会在电池组中加入充放电保护电路，以监测和控制电池的电压、电流和温度等参数。
38.2. 充电器选择：使用适当的充电器对多节锂电池进行充电，确保充电器的输出电压和电流符合电池组的要求。
39.3. 安全使用：避免过度充放电、高温环境和物理损坏等情况，以确保多节锂电池的安全性和性能。
40.多节锂电池是由多个单体锂电池组成的电池组，具有高能量密度和长寿命等优点，广泛应用于各种便携式设备和电动系统中。多节锂电池充放电系统是用于管理和控制多节锂电池组的充电和放电过程的系统，包括电池管理单元（battery management system，简称bms）和充放电控制模块。
41.电池管理单元（bms）是多节锂电池充放电系统的核心部分，负责监测和控制每个单体锂电池的状态。bms通常包括以下功能：
42.电池状态监测：监测每个单体锂电池的电压、电流、温度等参数，以实时了解电池的状态和健康状况。
43.平衡充电：对多个单体锂电池进行平衡充电，确保每个单体锂电池的电压保持在合适的范围内，以延长整个电池组的寿命。
44.充电保护：监测充电过程中的电压和温度，防止过充和过热，保护电池的安全性。
45.放电保护：监测放电过程中的电压和电流，防止过放和过载，保护电池的安全性。
46.故障诊断和报警：检测电池组中的故障情况，并及时报警，以便采取相应的措施。
47.充放电控制模块负责控制充电和放电过程中的电流和电压，以满足设备的需求，并确保充放电的安全性。充放电控制模块通常包括充电器、放电器、电流和电压传感器等。多节锂电池充放电系统的设计和实施需要考虑电池组的容量、电压要求、充放电速率、安全性等因素。正确的充放电管理可以提高电池组的使用寿命、安全性和性能稳定性，确保电池组的可靠运行。
48.在本技术的一个实施例中，图1为根据本技术实施例的可盲插多节锂电池充放系统的框图。如图1所示，根据本技术实施例的可盲插多节锂电池充放系统100，包括：电池检测模块110，用于检测设备的电池舱是否插入电池；设备检测模块120，用于检测所述设备是否插入充电接口；充电状态检测模块130，用于检测所述设备的充电状态是否正常；以及，显示模块140，用于显示所述充电状态检测模块的检测结果。
49.在所述电池检测模块110中，确保电池舱正确插入电池，避免反向插入或插入不当导致的电池损坏或安全问题。通过检测电池的插入状态，可以提醒用户正确插入电池，避免不必要的损坏或故障。
50.在所述设备检测模块120中，检测设备是否插入充电接口，确保设备与充电系统连接正确，避免插入错误接口或松动连接导致的充电失败或安全问题。通过检测设备的插入状态，可以确保充电只在正确的接口上进行，提高充电的可靠性和安全性。
51.在所述充电状态检测模块130中，检测设备的充电状态，包括充电中、充满、异常等
状态，确保充电过程正常并及时发现异常情况。通过监测充电状态，可以提供实时的充电信息，帮助用户了解设备的充电进度和状态，同时及时发现充电异常，如过热、过充等，以保护电池和设备的安全。
52.在所述显示模块140中，将充电状态检测模块的检测结果显示给用户，确保用户能够清楚地了解充电状态和问题。通过显示检测结果，用户可以方便地获取充电状态信息，包括充电中、充满或异常状态，以便及时采取相应的措施，如拔掉电源、检查设备或更换电池等。
53.可盲插多节锂电池充放系统的设计和实现旨在提供方便、安全的充电操作，通过电池检测模块、设备检测模块、充电状态检测模块和显示模块的协同工作，用户可以插入电池和连接设备而无需担心错误操作或安全问题。同时，检测模块的功能能够提供实时的充电状态信息，帮助用户了解充电进度和异常情况，以保护电池和设备的安全性。显示模块则将这些信息直观地展示给用户，提供便捷的操作和监控体验。
54.其中，所述系统在运行过程中，装入可充电电池时，可以不用明确区分充电电池的正负极，将可充电电池装入设备即可正常工作。通过设备type-c接口为设备充电时，也可以正常工作，不会导致设备或者电池损坏无法工作的问题。
55.特别地，所述充电状态检测模块作为系统中最为关键的模块之一，起着举足轻重的作用。为了能够准确地对充电状态的进行检测，本技术的技术构思是：基于充电状态引脚输出的脉冲信号来判断充电状态是否正常。应可以理解，脉冲信号包含了充电状态的特定信息，可以提供更全面的充电状态判断，如充电中、充满以及可能的异常状态。此外，该方法可以适应不同型号和品牌的电池系统，具有较好的兼容性和灵活性。
56.图2为根据本技术实施例的可盲插多节锂电池充放系统中所述充电状态检测模块的框图。如图2所示，所述充电状态检测模块130，包括：信号获取单元131，用于获取由充电状态引脚输出的脉冲信号；波形特征提取单元132，用于对所述脉冲信号进行波形特征提取以得到脉冲信号波形全局上下文特征向量；以及，充电状态确定单元133，用于基于所述脉冲信号波形全局上下文特征向量，确定充电状态是否正常。
57.在所述信号获取单元131中，获取由充电状态引脚输出的脉冲信号。注意确保正确连接和读取充电状态引脚的信号，以获取准确的充电状态信息。通过获取充电状态引脚输出的脉冲信号，可以实时获得设备的充电状态信息，为后续的充电状态确定提供数据基础。
58.在所述波形特征提取单元132中，对脉冲信号进行波形特征提取，以得到脉冲信号波形的全局上下文特征向量。注意选择适当的特征提取算法和参数，确保提取到的特征能够准确反映充电状态的特征。通过对脉冲信号进行波形特征提取，可以将复杂的波形信号转化为具有可比性的特征向量，方便后续的充电状态确定单元进行状态判断和分类。
59.在所述充电状态确定单元133中，基于脉冲信号波形的全局上下文特征向量，确定充电状态是否正常。注意建立准确的充电状态判断模型，考虑各种充电状态的特征和边界条件，以提高判断的准确性和可靠性。通过充电状态确定单元的判断，可以准确地确定设备的充电状态是否正常，如充电中、充满或异常状态。这有助于用户了解设备的充电进度和状态，并及时采取相应的措施，保护电池和设备的安全。
60.充电状态检测模块的设计和实现旨在通过信号获取、特征提取和状态确定的流程，实现对充电状态的准确检测。信号获取单元负责获取充电状态引脚的脉冲信号，波形特
征提取单元将脉冲信号转化为可比较的特征向量，充电状态确定单元基于这些特征向量进行状态判断。这样的设计能够提供可靠的充电状态信息，帮助用户了解设备的充电状态并及时处理异常情况。
61.具体地，所述信号获取单元131，用于获取由充电状态引脚输出的脉冲信号。在本技术的技术方案中，首先，获取由充电状态引脚输出的脉冲信号。获取由充电状态引脚输出的脉冲信号在最后确定充电状态是否正常的过程中起着关键作用。
62.其中，充电状态引脚通常被设计为在不同的充电状态下输出不同的脉冲信号。例如，充电中可以输出连续的脉冲，充满时可能输出不连续的脉冲，异常状态可能导致脉冲信号的变化或停止输出。这些脉冲信号的特征可以反映设备的充电状态，通过读取和解析这些信号，可以获取关于充电状态的信息。
63.利用从充电状态引脚获取的脉冲信号作为输入，根据脉冲信号的特征进行状态判断。例如，根据脉冲信号的频率、间隔、持续时间等特征来确定充电状态。预先定义一些规则或模型，用于将脉冲信号与特定的充电状态相匹配，通过分析脉冲信号的波形特征，充电状态确定单元可以确定充电状态是否正常。
64.输出结果将指示充电状态是否正常。如果脉冲信号的特征与预期的充电状态匹配，那么充电状态被确定为正常。如果脉冲信号的特征与预期的充电状态不匹配，那么充电状态可能被确定为异常。这样的判断结果可以用于进一步的操作，例如提醒用户、调整充电策略或采取其他必要的措施来处理异常情况。
65.获取由充电状态引脚输出的脉冲信号是确定最后充电状态是否正常的重要依据。通过读取并分析脉冲信号的特征，充电状态确定单元可以判断充电状态是否符合预期，从而提供准确的充电状态信息，帮助用户了解设备的充电状态并及时处理异常情况。
66.具体地，所述波形特征提取单元132，用于对所述脉冲信号进行波形特征提取以得到脉冲信号波形全局上下文特征向量。所述波形特征提取单元132，用于：对所述脉冲信号进行切分以得到脉冲信号片段的序列；将所述脉冲信号片段的序列分别通过基于卷积神经网络模型的波形特征提取器以得到脉冲信号片段波形特征向量的序列；以及，将所述脉冲信号片段波形特征向量的序列通过基于转换器的波形上下文关联编码器以得到所述脉冲信号波形全局上下文特征向量。
67.首先，通过对脉冲信号进行切分，将连续的脉冲信号分割成多个片段，每个片段代表一个脉冲信号的特定时间段。这样做的好处是可以更精细地分析每个脉冲信号片段的特征，以便更准确地提取波形特征和判断充电状态。
68.然后，将脉冲信号片段的序列通过基于卷积神经网络模型的波形特征提取器以得到脉冲信号片段波形特征向量的序列。使用基于卷积神经网络（cnn）模型的波形特征提取器对每个脉冲信号片段进行处理，提取其波形特征。波形特征提取器可以学习脉冲信号片段中的局部和全局特征，例如振幅、频率、时间间隔等，将其转化为特征向量的序列。
69.接着，将脉冲信号片段波形特征向量的序列通过基于转换器的波形上下文关联编码器以得到脉冲信号波形全局上下文特征向量。使用基于转换器的波形上下文关联编码器对脉冲信号片段波形特征向量的序列进行处理，以捕捉脉冲信号的全局上下文关联信息。转换器模型可以对序列中的特征向量进行编码和上下文关联，从而生成脉冲信号波形的全局上下文特征向量。
70.应可以理解，通过对脉冲信号进行切分和提取波形特征，可以更细致地分析和表示每个脉冲信号片段的特征，提高特征的准确性和表征能力。使用基于卷积神经网络模型的波形特征提取器，可以自动学习和提取脉冲信号片段的局部特征，减少手工特征设计的工作量，并提高特征的鲁棒性和可泛化性。基于转换器的波形上下文关联编码器可以捕捉脉冲信号片段之间的关联信息，将局部特征整合为全局上下文特征，提供更全面的波形特征表示，有助于准确判断充电状态。
71.通过脉冲信号的切分、波形特征提取和波形上下文关联编码，可以得到脉冲信号的全局上下文特征向量，提高充电状态的准确判断和充电系统的性能。
72.接着，对所述脉冲信号进行波形特征提取以得到脉冲信号波形全局上下文特征向量。在本技术的一个具体示例中，对所述脉冲信号进行波形特征提取以得到脉冲信号波形全局上下文特征向量的编码过程，包括：先对所述脉冲信号进行切分以得到脉冲信号片段的序列；随后，将所述脉冲信号片段的序列分别通过基于卷积神经网络模型的波形特征提取器以得到脉冲信号片段波形特征向量的序列；再将所述脉冲信号片段波形特征向量的序列通过基于转换器的波形上下文关联编码器以得到脉冲信号波形全局上下文特征向量。
73.也就是，先将所述脉冲信号切分，以在一定程度上凸显脉冲信号中的局部细节信息；再利用卷积神经网络模型构建所述波形特征提取器，以捕捉各个脉冲信号片段中的波形隐含特征分布；并利用所述波形上下文关联编码器将各个脉冲信号片段中的波形隐含特征分布联系起来，使得所述脉冲信号波形全局上下文特征向量具有更为出色的特征表达能力。
74.具体地，在所述充电状态确定单元133，用于：将所述脉冲信号波形全局上下文特征向量通过分类器以得到分类结果，所述分类结果用于表示充电状态是否正常。通过使用分类器，可以将脉冲信号波形全局上下文特征向量与已知的充电状态进行比较和分类。分类器可以学习并识别不同充电状态下的特征模式，从而准确地判断充电状态是否正常。
75.通过将脉冲信号波形特征向量输入分类器，可以实时地监测充电状态，这使得用户能够及时了解设备的充电进度和状态，并及时采取必要的措施，例如及时拔掉充电器或调整充电策略，以确保充电过程的安全性和有效性。
76.将分类结果用于表示充电状态是否正常，可以与自动化充电管理系统集成。系统可以根据分类结果自动采取相应的操作，例如发出警报、停止充电或调整充电参数，从而保护电池和设备的安全。
77.通过分类结果，系统可以向用户提供友好的操作提示。例如，如果充电状态被判断为异常，系统可以向用户发出警告并提供相关建议，以帮助用户采取正确的措施，避免潜在的安全风险。
78.通过将脉冲信号波形全局上下文特征向量通过分类器进行分类，可以准确地判断充电状态是否正常，并带来实时的状态监测、自动化的充电管理和用户友好的操作提示等有益效果。这样的系统设计可以提供方便、安全的充电操作，保护电池和设备的安全性。
79.进一步地，将所述脉冲信号波形全局上下文特征向量通过分类器以得到分类结果，所述分类结果用于表示充电状态是否正常。
80.在本技术的一个实施例中，所述可盲插多节锂电池充放系统，还包括用于对所述基于卷积神经网络模型的波形特征提取器、所述基于转换器的波形上下文关联编码器和所
述分类器进行训练的训练模块；
81.训练模块负责准备用于训练的数据集，这些数据集包括已知充电状态下的脉冲信号样本，以及相应的标签或类别信息，这些数据集应该涵盖各种充电状态的样本，以便训练模型能够学习到不同状态下的特征模式。训练模块使用准备好的数据集对波形特征提取器、波形上下文关联编码器和分类器进行训练。在训练过程中，模型通过反向传播算法和优化方法，不断调整模型参数，以最大程度地减小训练数据与标签之间的差距，这样，模型可以学习到适合于脉冲信号分类的特征表示和决策规则。训练模块还可以进行超参数的调优，以找到最佳的模型配置。超参数包括学习率、批量大小、网络结构的层数和节点数等，通过尝试不同的超参数组合，训练模块可以找到最优的模型配置，以提高模型的性能和泛化能力。训练模块在训练完成后，会对训练好的模型进行评估。评估的目的是验证模型在未见过的数据上的性能表现，以检查模型是否过拟合或欠拟合，并评估其准确性、召回率、精确度等指标，根据评估结果，可以进一步调整模型或数据集，以提高模型的性能。
82.通过训练模块的作用，可以有效地训练和优化基于卷积神经网络模型的波形特征提取器、基于转换器的波形上下文关联编码器和分类器，使其能够准确地判断充电状态，提高充放电系统的性能和可靠性。
83.其中，所述训练模块，包括：训练数据获取单元，用于获取训练数据，所述训练数据包括由充电状态引脚输出的训练脉冲信号，以及，充电状态是否正常的真实值；训练切分单元，用于对所述训练脉冲信号进行切分以得到训练脉冲信号片段的序列；训练特征提取单元，用于将所述训练脉冲信号片段的序列分别通过所述基于卷积神经网络模型的波形特征提取器以得到训练脉冲信号片段波形特征向量的序列；训练上下文关联编码单元，用于将所述训练脉冲信号片段波形特征向量的序列通过所述基于转换器的波形上下文关联编码器以得到训练脉冲信号波形全局上下文特征向量；训练分类单元，用于将所述训练脉冲信号波形全局上下文特征向量通过分类器以得到分类损失函数值；以及，训练单元，用于以所述分类损失函数值来对所述基于卷积神经网络模型的波形特征提取器、所述基于转换器的波形上下文关联编码器和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述脉冲信号波形全局上下文特征向量进行权重空间的细粒度密度预测搜索优化迭代。
84.在本技术的技术方案中，将所述脉冲信号片段的序列分别通过基于卷积神经网络模型的波形特征提取器以得到脉冲信号片段波形特征向量的序列时，所述脉冲信号片段波形特征向量的每个特征值表达由卷积神经网络模型的二维卷积核从相应的脉冲信号片段的波形图提取出的图像语义特征，由此，再将所述脉冲信号片段波形特征向量的序列通过基于转换器的波形上下文关联编码器后，会对每个脉冲信号片段波形特征向量表达的相应的脉冲信号片段的波形图的图像语义特征进行基于向量尺度的上下文关联编码，使得所述脉冲信号波形全局上下文特征向量在特征值粒度的图像片段内语义表达维度之外，还具有向量粒度的图像片段间语义表达维度，也就是，所述脉冲信号波形全局上下文特征向量具有多维度上下文下的超分辨率表达特性，这会影响通过分类器进行分类时的训练效率。
85.因此，在将所述脉冲信号波形全局上下文特征向量通过分类器进行分类器的训练时，在每次迭代中，对所述脉冲信号波形全局上下文特征向量，例如记为，进行权重空间的细粒度密度预测搜索优化，表示为：在所述训练的每一轮迭代中，对所述脉冲信号波形全局上下文特征向量进行权重空间的细粒度密度预测搜索优化迭代，包括：以如下优化公式
对所述脉冲信号波形全局上下文特征向量进行权重空间的细粒度密度预测搜索优化迭代；其中，所述优化公式为：
[0086][0087][0088][0089]
其中，和分别是上次和本次迭代的权重矩阵，是所述脉冲信号波形全局上下文特征向量，和分别表示特征向量和的全局均值，且是偏置向量，表示迭代后的所述脉冲信号波形全局上下文特征向量，表示矩阵乘法，表示矩阵加法，表示按位置点乘。
[0090]
这里，针对所述脉冲信号波形全局上下文特征向量在多维度上下文下的超分辨率表达特性，所述权重空间的细粒度密度预测搜索优化可以通过所述脉冲信号波形全局上下文特征向量的投影的向量空间的前馈序列化映射，在对于权重搜索空间内的密集预测任务提供相应的细粒度权重搜索策略的同时，降低权重搜索空间内的所述脉冲信号波形全局上下文特征向量的表示的总序列复杂性（overall sequential complexity），从而提升训练效率。
[0091]
综上，基于本技术实施例的可盲插多节锂电池充放系统100被阐明，其基于充电状态引脚输出的脉冲信号来判断充电状态是否正常。应可以理解，脉冲信号包含了充电状态的特定信息，可以提供更全面的充电状态判断，如充电中、充满以及可能的异常状态。此外，该方法可以适应不同型号和品牌的电池系统，具有较好的兼容性和灵活性。
[0092]
如上所述，根据本技术实施例的可盲插多节锂电池充放系统100可以实现在各种终端设备中，例如用于可盲插多节锂电池充放的服务器等。在一个示例中，根据本技术实施例的可盲插多节锂电池充放系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该可盲插多节锂电池充放系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该可盲插多节锂电池充放系统100同样可以是该终端设备的众多硬件模块之一。
[0093]
替换地，在另一示例中，该可盲插多节锂电池充放系统100与该终端设备也可以是分立的设备，并且该可盲插多节锂电池充放系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0094]
在本技术的一个实施例中，图3为根据本技术实施例的可盲插多节锂电池充放电系统的检测方法的流程图。如图3所示，所述可盲插多节锂电池充放电系统的检测方法，包括：210，检测设备的电池舱是否插入电池；220，检测所述设备是否插入充电接口；230，检测所述设备的充电状态是否正常；以及，240，显示检测结果。
[0095]
图4为根据本技术实施例的可盲插多节锂电池充放电系统的检测方法架构的示意图。如图4所示，检测所述设备的充电状态是否正常，包括：获取由充电状态引脚输出的脉冲信号；对所述脉冲信号进行波形特征提取以得到脉冲信号波形全局上下文特征向量；以及，基于所述脉冲信号波形全局上下文特征向量，确定充电状态是否正常。
[0096]
具体地，在所述可盲插多节锂电池充放电系统的检测方法中，对所述脉冲信号进行波形特征提取以得到脉冲信号波形全局上下文特征向量，包括：对所述脉冲信号进行切
分以得到脉冲信号片段的序列；将所述脉冲信号片段的序列分别通过基于卷积神经网络模型的波形特征提取器以得到脉冲信号片段波形特征向量的序列；以及，将所述脉冲信号片段波形特征向量的序列通过基于转换器的波形上下文关联编码器以得到所述脉冲信号波形全局上下文特征向量。
[0097]
具体地，在所述可盲插多节锂电池充放电系统的检测方法中，基于所述脉冲信号波形全局上下文特征向量，确定充电状态是否正常，包括：将所述脉冲信号波形全局上下文特征向量通过分类器以得到分类结果，所述分类结果用于表示充电状态是否正常。
[0098]
本领域技术人员可以理解，上述可盲插多节锂电池充放电系统的检测方法中的各个步骤的具体操作已经在上面参考图1到图2的可盲插多节锂电池充放系统的描述中得到了详细介绍，并因此，将省略其重复描述。
[0099]
在本技术一具体示例中，图5a为根据本技术实施例的原理图。图5b为根据本技术实施例的电路图，如图5b所示，其中编号1、2、3号分别为电池充放电部分，这3个部分电路一致，编号4为充电管理部分。
[0100]
图5c、5d、5e、5f为根据本技术实施例的编号1部分的原理图，现将编号1部分如图5c至图5f说明如下：如图5c所示，j8电池方向，左边为可充电电池正极，右边为可充电电池负极。当在充电状态时，vbat与gnd之间加载4.2v充电电压，其中正极经过f2保险，过q15接入可充电电池正极；经由可充电电池负极后，通过q14接入充电电路gnd，形成充电电路回路。
[0101]
将电池正负极调换后，如图5d所示，将可充电电池正负极调换接入电路：电池j8左边为可充电电池正极，右边为可充电电池负极。当在充电状态时，vbat与gnd之间加载4.2v充电电压，正极经过f2保险，经过q13接入可充电电池正极，经由可充电电池负极后，通过q13接入充电电路gnd，形成充电回路。
[0102]
未在充电状态下，可充电电池为设备供电时，如图5e所示，可充电电池j8，左边为正极，右边为负极。正极通过q15，经过f2接入设备负载的正极；负极经过q14，接入设备负载的负极，形成回路，为设备负载供电。
[0103]
调整电池正负极方向后，按照如图5f接入：可充电电池j8按照如上图接入设备，左边为可充电电池负极，右边为可充电电池正极。电池正极通过q13，经过f2保险接入设备负载的正极；电池负极通过q16，接入设备负载负极，形成回路为设备负载供电。
[0104]
图6a为根据本技术实施例的编号4部分的电路图。图6b、6c为根据本技术实施例的编号4部分的流程图。图6d、6e、6f、6g为根据本技术实施例的电路图，如图6d至图6g所示：
[0105]
（1）当设备电池舱未放入电池，在dcin与gnd之间接入type-c充电，此时充电管理电路充电状态引脚bat_chrg会一直输出脉冲信号，设备程序根据此脉冲信号判定为无电池状态，屏幕电池图标显示满电状态。脉冲信号如图6d所示。
[0106]
（2）在第一步的状态下，装入电池，此时设备给电池充电；充电管理电路充电状态引脚输出低电平，设备屏幕电池图标根据此信号显示充电状态，充电指示信号动态滚动显示，如图6e所示。
[0107]
（3）在设备未接type-c充电情况，设备使用电池供电（电池非满电状态），然后使用type-c接口给设备电池充电，此时如果设备未在休眠状态，充电管理电路充电状态引脚输出低电平，设备屏幕电池图标根据此信号显示充电状态，充电指示信号动态滚动显示，如图
6f所示。
[0108]
（4）在设备电池充满电状态，设备充电管理电路两路充电状态引脚，bat_chrg为高阻态；bat_stdby管脚为被拉低为低电平。设备根据此信号判定充电电池已经充满电，如图6g所示。
[0109]
以上两部分为可充电电池在充/放电状态时，对于放入的可充电电池，不用考虑电池的正负极。不用做防呆设计，即可实现电池的盲插接入。减少设备的维护及使用成本，客户的学习成本。大大增强了设备的可用性，稳定性。增强用户使用设备的粘性。
[0110]
图7为根据本技术实施例的可盲插多节锂电池充放系统的应用场景图。如图7所示，在该应用场景中，首先，获取由充电状态引脚输出的脉冲信号（例如，如图7中所示意的c）；然后，将获取的脉冲信号输入至部署有可盲插多节锂电池充放算法的服务器（例如，如图7中所示意的s）中，其中所述服务器能够基于可盲插多节锂电池充放算法对所述脉冲信号进行处理，以确定充电状态是否正常。
[0111]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0112]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0113]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
[0114]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

技术特征：
1.一种可盲插多节锂电池充放系统，其特征在于，包括：电池检测模块，用于检测设备的电池舱是否插入电池；设备检测模块，用于检测所述设备是否插入充电接口；充电状态检测模块，用于检测所述设备的充电状态是否正常；以及显示模块，用于显示所述充电状态检测模块的检测结果。2.根据权利要求1所述的可盲插多节锂电池充放系统，其特征在于，所述充电状态检测模块，包括：信号获取单元，用于获取由充电状态引脚输出的脉冲信号；波形特征提取单元，用于对所述脉冲信号进行波形特征提取以得到脉冲信号波形全局上下文特征向量；以及充电状态确定单元，用于基于所述脉冲信号波形全局上下文特征向量，确定充电状态是否正常。3.根据权利要求2所述的可盲插多节锂电池充放系统，其特征在于，所述波形特征提取单元，用于：对所述脉冲信号进行切分以得到脉冲信号片段的序列；将所述脉冲信号片段的序列分别通过基于卷积神经网络模型的波形特征提取器以得到脉冲信号片段波形特征向量的序列；以及将所述脉冲信号片段波形特征向量的序列通过基于转换器的波形上下文关联编码器以得到脉冲信号波形全局上下文特征向量。4.根据权利要求3所述的可盲插多节锂电池充放系统，其特征在于，所述充电状态确定单元，用于：将所述脉冲信号波形全局上下文特征向量通过分类器以得到分类结果，所述分类结果用于表示充电状态是否正常。5.根据权利要求4所述的可盲插多节锂电池充放系统，其特征在于，还包括用于对所述基于卷积神经网络模型的波形特征提取器、所述基于转换器的波形上下文关联编码器和所述分类器进行训练的训练模块；其中，所述训练模块，包括：训练数据获取单元，用于获取训练数据，所述训练数据包括由充电状态引脚输出的训练脉冲信号，以及，充电状态是否正常的真实值；训练切分单元，用于对所述训练脉冲信号进行切分以得到训练脉冲信号片段的序列；训练特征提取单元，用于将所述训练脉冲信号片段的序列分别通过所述基于卷积神经网络模型的波形特征提取器以得到训练脉冲信号片段波形特征向量的序列；训练上下文关联编码单元，用于将所述训练脉冲信号片段波形特征向量的序列通过所述基于转换器的波形上下文关联编码器以得到训练脉冲信号波形全局上下文特征向量；训练分类单元，用于将所述训练脉冲信号波形全局上下文特征向量通过分类器以得到分类损失函数值；以及训练单元，用于以所述分类损失函数值来对所述基于卷积神经网络模型的波形特征提取器、所述基于转换器的波形上下文关联编码器和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述脉冲信号波形全局上下文特征向量进行权重空间的细粒度密
度预测搜索优化迭代。6.根据权利要求5所述的可盲插多节锂电池充放系统，其特征在于，在所述训练的每一轮迭代中，对所述脉冲信号波形全局上下文特征向量进行权重空间的细粒度密度预测搜索优化迭代，包括：以如下优化公式对所述脉冲信号波形全局上下文特征向量进行权重空间的细粒度密度预测搜索优化迭代；其中，所述优化公式为：；；；其中，和分别是上次和本次迭代的权重矩阵，是所述脉冲信号波形全局上下文特征向量，和分别表示特征向量和的全局均值，且是偏置向量，表示迭代后的所述脉冲信号波形全局上下文特征向量，表示矩阵乘法，表示矩阵加法，表示按位置点乘。7.一种可盲插多节锂电池充放电系统的检测方法，其特征在于，包括：检测设备的电池舱是否插入电池；检测所述设备是否插入充电接口；检测所述设备的充电状态是否正常；以及显示检测结果。8.根据权利要求7所述的可盲插多节锂电池充放电系统的检测方法，其特征在于，检测所述设备的充电状态是否正常，包括：获取由充电状态引脚输出的脉冲信号；对所述脉冲信号进行波形特征提取以得到脉冲信号波形全局上下文特征向量；以及基于所述脉冲信号波形全局上下文特征向量，确定充电状态是否正常。9.根据权利要求8所述的可盲插多节锂电池充放电系统的检测方法，其特征在于，对所述脉冲信号进行波形特征提取以得到脉冲信号波形全局上下文特征向量，包括：对所述脉冲信号进行切分以得到脉冲信号片段的序列；将所述脉冲信号片段的序列分别通过基于卷积神经网络模型的波形特征提取器以得到脉冲信号片段波形特征向量的序列；以及将所述脉冲信号片段波形特征向量的序列通过基于转换器的波形上下文关联编码器以得到所述脉冲信号波形全局上下文特征向量。10.根据权利要求9所述的可盲插多节锂电池充放电系统的检测方法，其特征在于，基于所述脉冲信号波形全局上下文特征向量，确定充电状态是否正常，包括：将所述脉冲信号波形全局上下文特征向量通过分类器以得到分类结果，所述分类结果用于表示充电状态是否正常。

技术总结
本申请公开了一种可盲插多节锂电池充放电系统及检测方法，其检测设备的电池舱是否插入电池；检测所述设备是否插入充电接口；检测所述设备的充电状态是否正常；以及，显示检测结果。这样，可以提供更全面的充电状态判断，如充电中、充满以及可能的异常状态。充满以及可能的异常状态。充满以及可能的异常状态。


技术研发人员：佟帅 牛作常 熊建设 张俊起
受保护的技术使用者：晓雨（北京）科技有限公司
技术研发日：2023.09.04
技术公布日：2023/10/11