基于多模态的电池内短路检测方法、系统、装置及介质与流程

1.本技术涉及一种大数据处理技术领域，尤其涉及一种基于多模态的电池内短路检测方法、系统、装置及介质。


背景技术：

2.当前获取锂电池特征时仅考虑电压、电流等传统参数，而忽略了其他模态的信息。这种情况下，对于自引发型内短路等电池故障的检测效果可能会受限，无法充分保障锂电池的使用安全。且目前判断锂离子电池自引发型内短路故障存在以下困难和缺陷：（1）由于内短路初期电池电压、温度等特征参数变化不明显，无法有效识别电池内短路；（2）电池故障数据稀缺，导致基于机器学习方法的准确性较低；（3）检测电池内短路的设备成本高，影响电池动态一致性。
3.因此，需要提出一种能够准确判断锂离子自引发型内短路故障的方法，以保障锂离子电池的使用安全。


技术实现要素：

4.本技术的目的在于提供一种基于多模态的电池内短路检测方法、系统、装置及介质，以至少解决相关技术中无法有效识别电池内短路、基于机器学习方法的准确性较低的问题。
5.本技术第一方面提供一种基于多模态的电池内短路检测方法，方法包括：获取当前电池数据，采用预训练transformer模型提取当前电池数据的图像特征和序列特征；将图像特征和序列特征进行多模态融合，得到当前多模态融合特征；采用基于电池的历史多模态融合特征预先训练好的电池数据模型，对当前多模态融合特征进行自引发型内短路检测，得到电池内短路检测结果。
6.在一个实施例中，获取当前电池数据，采用预训练transformer模型提取当前电池数据的图像特征，包括：获取当前电池数据中的电池图像数据，通过预训练的vision transformer模型提取电池图像数据的图像特征。
7.在一个实施例中，获取当前电池数据，采用预训练transformer模型提取当前电池数据的序列特征，包括：获取当前电池数据中不同时间的电池序列数据，通过预训练的基于transformer优化的convtrans模型提取电池序列数据的序列特征。
8.在一个实施例中，电池序列数据的类型包括电压、电流、内阻值、压差、自放电率和/或容量。
9.在一个实施例中，将图像特征和序列特征进行多模态融合，得到当前多模态融合特征，包括：
根据图像特征和序列特征进行拼接处理，得到拼接特征；根据拼接特征确定查询向量、键向量和值向量；基于查询向量、键向量和预先设置的矩阵维度，通过softmax逻辑回归函数处理，得到多模态注意力矩阵；将多模态注意力矩阵与值向量进行矩阵相乘，得到当前多模态融合特征。
10.在一个实施例中，基于电池的历史多模态融合特征预先训练好的电池数据模型，包括：构建以历史多模态融合特征为输入，以预测电池内是否发生自引发型内短路的结果为输出的电池数据模型；根据历史多模态融合特征对电池数据模型进行训练，直至满足预设条件，得到预先训练好的电池数据模型。
11.在一个实施例中，对当前多模态融合特征进行自引发型内短路检测，得到电池内短路检测结果，包括：根据当前多模态融合特征输入至电池数据模型中的全连接层，确定全连接层的权重矩阵；根据权重矩阵和预先设置的偏置值进行求和处理，得到初始检测结果；基于预先配置的函数模型，对初始检测结果进行处理，得到电池内短路检测结果。
12.本技术第二方面提供一种基于多模态的电池内短路检测系统，系统包括：特征提取模块，用于获取当前电池数据，采用预训练transformer模型提取当前电池数据的图像特征和序列特征；融合特征获取模块，用于将图像特征和序列特征进行多模态融合，得到当前多模态融合特征；检测结果获取模块，用于采用基于电池的历史多模态融合特征预先训练好的电池数据模型，对当前多模态融合特征进行自引发型内短路检测，得到电池内短路检测结果。
13.本技术第三方面提供一种基于多模态的电池内短路检测装置，包括存储器和一个或多个处理器，存储器中存储有可执行代码，一个或多个处理器执行可执行代码时，用于实现上述任一项的基于多模态的电池内短路检测方法。
14.本技术第四方面提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述任一项的基于多模态的电池内短路检测方法。
15.本技术实施例提供的一种基于多模态的电池内短路检测方法、系统、装置及介质至少具有以下技术效果。
16.本技术基于多模态数据融合的方法，通过融合不同模态的信息，丰富了电池的特征。同时，采用transformer模型，使算法在处理少数据样本和长序列信息时具备更好的特征提取能力。这种方法可以更加灵活和更早地识别电池的状况，以保障电池的使用安全，并提高对锂电池自引发型内短路的检测准确率。相较于现有的基于知识和基于模型的方法，本技术的方法具有显著的优势。
17.本技术的一个或多个实施例的细节在以下附图和描述中提出，以使本技术的其他特征、目的和优点更加简明易懂。
附图说明
18.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：图1为本技术实施例提供的基于多模态的电池内短路检测方法的流程示意图；图2为本技术实施例提供的提取图像特征的流程示意图；图3为本技术实施例提供的提取序列特征的流程示意图；图4为本技术实施例提供的获取当前多模态融合特征的流程示意图；图5为本技术实施例提供的构建电池数据模型的流程示意图；图6为本技术实施例提供的自引发型内短路检测的流程示意图；图7为本技术实施例提供的基于多模态的电池内短路检测系统的框图；图8为本技术实施例提供的电子设备的内部结构示意图。
具体实施方式
19.以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本技术及其应用或使用的任何限制。基于本技术中的实施例，本领域普通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例，都属于本技术保护的范围。
20.显而易见地，下面描述中的附图仅仅是本技术的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本技术应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本技术公开的内容相关的本领域的普通技术人员而言，在本技术揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本技术公开的内容不充分。
21.在本技术中提及“实施例”意味着，结合实施例描述的特定持征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本技术所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
22.除非另作定义，本技术所涉及的技术术语或者科学术语应当为本技术所属技术领域内具有一般技能的人士所理解的通常意义。本技术所涉及的”一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本技术所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块（单元）的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本技术所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本技术所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本技术所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
23.目前，对于电池内短路识别方法可以总结为3类：基于知识的方法、基于模型的方法以及基于数据驱动的方法。
24.1、基于知识的方法依赖长期的知识经验积累。这种方法利用电池系统的知识和观测信息进行诊断，无需使用故障树、图论、模糊逻辑和专家系统等方法建立模型。但是获取知识和建立规则非常困难。
25.2、基于模型的方法严重依赖建模技术，模型精度要求较高。这种方法主要基于对系统模型的精确设计，通过处理系统模型的输入和输出信号生成残差信号，并通过评估方法诊断故障。虽然能准确描述电池在正常和故障条件下的状态发展，但存在几个缺点：一是诊断结果很大程度上取决于建模技术，对模型的准确性要求较高；二是在很多情况下，这些模型只适用于诊断某些类型的故障；三是难以预先设置合适的阈值来确定电池状态是否异常。
26.3、基于数据驱动的方法特征数据获取较难。信号处理方法是一种基于数据的方法，通过从电池测量数据中检测误差来直接获得有用的误差函数。这种方法不需要建立准确的电池分析模型，适用于广泛的应用。常见的信号处理方法包括熵理论、相关系数分析、光谱分析和微波变换。另一种基于数据的方法是机器学习，它从大量的电池训练样本中学习故障发生的潜在模式，以诊断电池故障。然而，由于难以获得大量的电池故障数据，目前该方法在电池故障诊断方面的应用较少。机器学习的主要方法包括人工神经网络、支持向量机等。
27.基于上述情况，本技术实施例提供了一种基于多模态的电池内短路检测方法、系统、装置及介质。
28.第一方面，本技术实施例提供了一种基于多模态的电池内短路检测方法，图1为本技术实施例提供的基于多模态的电池内短路检测方法的流程示意图，如图1所示，该方法包括以下步骤：步骤s101、获取当前电池数据，采用预训练transformer模型提取当前电池数据的图像特征和序列特征。
29.图2为本技术实施例提供的提取图像特征的流程示意图，如图2所示，在图1所示流程的基础上，步骤s101包括以下步骤：步骤s201、获取当前电池数据中的电池图像数据，通过预训练的vision transformer模型提取电池图像数据的图像特征。
30.需要说明的是，vision transformer（vit）是一种应用于计算机视觉任务的深度学习模型。vit通过将图像转换为一系列小的图像块，并将这些图像块视为序列来处理。vit的基本结构包括一个编码器和一个解码器。编码器由多个transformer块组成，每个块都包含了多头注意力机制和前馈神经网络。在输入图像中，像素被划分成固定大小的图像块，并通过嵌入层将每个图像块转换为向量表示。这些向量作为输入序列传递给编码器，以进行特征提取和建模。
31.具体的，步骤s201中预训练的vision transformer模型首先对电池图像数据进行预处理操作，例如缩放，标准化等。然后，对预处理后的电池图像数据进行特征提取。在vision transformer模型中，通过序列化图像块并利用transformer编码器来捕获图像的特征关系。使得在提取图像特征方面具有强大的能力，并能够应对训练样本有限和泛化性
较差的问题。最后，通过预训练的vision transformer模型提取的图像特征表示为，其中，r表示实数域，k表示特征的维度。
32.图3为本技术实施例提供的提取序列特征的流程示意图，如图3所示，在图1所示流程的基础上，步骤s101包括以下步骤：步骤s301、获取当前电池数据中不同时间的电池序列数据，通过预训练的基于transformer优化的convtrans模型提取电池序列数据的序列特征。
33.在一个实施例中，电池序列数据的类型包括电压、电流、内阻值、压差、自放电率和/或容量。
34.需要说明的是，convtrans模型是一种在transformer的基础上改进了attention的计算方式以适应时序数据，同时能够解决transformer拓展性差的问题。该预训练的基于transformer优化的convtrans模型可以建模长期依赖和短期依赖，并具有更强的长期依赖建模能力，在长序列上效果更好，解决了基于rnn的方法面对长序列时无法完全消除梯度消失和梯度爆炸的问题。
35.具体的，步骤s301中预训练的基于transformer优化的convtrans模型首先对电池序列数据进行预处理操作，例如去除异常值、填充缺失值等。然后，对预处理后的电池序列数据进行特征提取。最后，通过预训练的基于transformer优化的convtrans模型提取的序列特征表示为，其中，r表示实数域，k表示特征的维度。
36.继续参照图1，在步骤s101之后执行步骤s102，具体如下。
37.步骤s102、将图像特征和序列特征进行多模态融合，得到当前多模态融合特征。
38.图4为本技术实施例提供的获取当前多模态融合特征的流程示意图，如图4所示，在图1所示流程的基础上，步骤s102包括以下步骤：步骤s401、根据图像特征和序列特征进行拼接处理，得到拼接特征。
39.具体的，将图像特征和序列特征进行拼接处理，得到拼接特征vc=concat(vg,vs)，，其中，r表示实数域，k表示特征的维度。本技术实施例中拼接特征可以将图像和序列的关联信息同时考虑。例如，在图像分类任务中，拼接特征可以更好地捕捉到图像中的电池以及与之相关的电池特征描述，从而提高分类准确性。
40.步骤s402、根据拼接特征确定查询向量、键向量和值向量。
41.步骤s403、基于查询向量、键向量和预先设置的矩阵维度，通过softmax逻辑回归函数处理，得到多模态注意力矩阵。
42.步骤s404、将多模态注意力矩阵与值向量进行矩阵相乘，得到当前多模态融合特征。
43.步骤s402至步骤s404中，引入一个自注意力机制来赋予拼接特征中重要和高质量特征更高的权重。下面是使用自注意力机制进行多模态融合的步骤：首先，确定查询向量qm：通过将拼接特征vc与参数矩阵相乘得到，。
44.确定键向量km：通过将拼接特征vc与参数矩阵相乘得到，。
45.确定值向量vm：通过将拼接特征vc与参数矩阵相乘得到，。其中，m表示模态，参数矩阵，和需要具有相同的维度，参数矩阵最初的每个值是随机从0到1选取的数。
46.其次，计算多模态注意力矩阵，使用查询向量qm和键向量km计算注意力权重矩阵（a），具体计算公式为，其中，dk为注意力权重矩阵的维度。
47.最后，将注意力权重矩阵（a）与值向量vm相乘，得到加权求和的结果，即，其中，va为经过自注意力机制处理后的多模态融合特征。
48.通过引入自注意力机制，可以给予拼接特征中的重要和高质量特征更高的权重，从而实现多模态融合。该机制利用查询向量、键向量和值向量的关系来计算注意力权重，并将权重应用于值向量上，最终得到多模态融合特征。
49.继续参照图1，在步骤s102之后执行步骤s103，具体如下。
50.步骤s103、采用基于电池的历史多模态融合特征预先训练好的电池数据模型，对当前多模态融合特征进行自引发型内短路检测，得到电池内短路检测结果。
51.图5为本技术实施例提供的构建电池数据模型的流程示意图，如图5所示，在图1所示流程的基础上，基于电池的历史多模态融合特征预先训练好的电池数据模型，包括：步骤s501、构建以历史多模态融合特征为输入，以预测电池内是否发生自引发型内短路的结果为输出的电池数据模型；步骤s502、根据历史多模态融合特征对电池数据模型进行训练，直至满足预设条件，得到预先训练好的电池数据模型。
52.步骤s501至步骤s502中，收集包括电池图像、电压、电流、内阻值、压差、自放电率和/或容量等多个模态的历史电池数据，以及关于电池是否发生自引发型内短路的标签。使用上述提到的自注意力机制对历史电池数据中的多个模态进行融合，得到历史多模态融合特征。选择一个全连接层和一个激活函数，将历史多模态融合特征作为输入，以预测电池内是否发生自引发型内短路的结果为输出，具体训练模型采用的公式为y=σ(wva+b)，其中w为全连接层的权重参数，b为偏置，σ为sigmoid激活函数。以发生自引发型内短路视为1，正常视为0。
53.将收集到的历史电池数据划分为训练集和验证集，使用交叉熵损失函数作为目标函数，其中，为模型预测的结果，y是真实的结果，两者都是0或1值。基于训练集进行模型的训练过程。如果训练结果的目标值不太好，自动调整上述的参数矩阵，和，使损失函数不断减小，从而提高模型的性能。重复步骤s501和s502，直至满足预设条件，得到预先训练好的电池数据模型。
54.通过收集多个模态的历史电池数据，并使用自注意力机制进行融合，可以将不同模态的信息有效地结合起来。这可以提供更全面和准确的特征表示，有助于提高模型的性能。
55.图6为本技术实施例提供的自引发型内短路检测的流程示意图，如图6所示，在图1所示流程的基础上，对当前多模态融合特征进行自引发型内短路检测，得到电池内短路检
测结果，包括：步骤s601、根据当前多模态融合特征输入至电池数据模型中的全连接层，确定全连接层的权重矩阵。
56.步骤s602、根据权重矩阵和预先设置的偏置值进行求和处理，得到初始检测结果。
57.步骤s603、基于预先配置的函数模型，对初始检测结果进行处理，得到电池内短路检测结果。
58.步骤s601至步骤s603中，确定全连接层的权重矩阵b=wva，其中w为全连接层的权重参数，然后根据权重矩阵和预先设置的偏置值进行求和处理，得到初始检测结果x=wva+b，其中，b为预先设置的偏置值。以预先配置的函数模型为sigmoid激活函数为例，基于sigmoid激活函数，对初始检测结果进行处理，得到电池内短路检测结果y=σ(wva+b)，其中，σ为sigmoid激活函数，sigmoid函数是指一种映射，把小于0.5的值转为0，大于0.5的值转为1，电池内短路检测结果中0对应的电池内短路，1对应的电池正常。
59.综上所述，本技术实施例提供的一种基于多模态的电池内短路检测方法，基于多模态数据融合的方法，通过融合不同模态的信息，丰富了电池的特征。同时，采用transformer模型，使算法在处理少数据样本和长序列信息时具备更好的特征提取能力。这种方法可以更加灵活和更早地识别电池的状况，以保障电池的使用安全，并提高对锂电池自引发型内短路的检测准确率。相较于现有的基于知识和基于模型的方法，本技术的方法具有显著的优势。
60.需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
61.第二方面，本技术实施例提供了一种基于多模态的电池内短路检测系统，该系统用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
62.图7为本技术实施例提供的基于多模态的电池内短路检测系统的框图，如图7所示，该系统包括：特征提取模块701，用于获取当前电池数据，采用预训练transformer模型提取当前电池数据的图像特征和序列特征。
63.融合特征获取模块702，用于将图像特征和序列特征进行多模态融合，得到当前多模态融合特征。
64.检测结果获取模块703，用于采用基于电池的历史多模态融合特征预先训练好的电池数据模型，对当前多模态融合特征进行自引发型内短路检测，得到电池内短路检测结果。
65.需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
66.第三方面，本技术实施例提供了一种基于多模态的电池内短路检测装置，包括存储器和一个或多个处理器，存储器中存储有可执行代码，一个或多个处理器执行可执行代码时，用于实现上述任一项方法实施例中的步骤。
67.可选地，上述基于多模态的电池内短路检测装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
68.需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
69.另外，结合上述实施例中的基于多模态的电池内短路检测方法，本技术实施例可提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意基于多模态的电池内短路检测方法。
70.在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现基于多模态的电池内短路检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
71.在一个实施例中，图8为本技术实施例提供的电子设备的内部结构示意图，如图8所示，提供了一种电子设备，该电子设备可以是服务器，其内部结构图可以如图8所示。该电子设备包括通过内部总线连接的处理器、网络接口、内存储器和非易失性存储器，其中，该非易失性存储器存储有操作系统、计算机程序和数据库。处理器用于提供计算和控制能力，网络接口用于与外部的终端通过网络连接通信，内存储器用于为操作系统和计算机程序的运行提供环境，计算机程序被处理器执行时以实现基于多模态的电池内短路检测方法，数据库用于存储数据。
72.本领域技术人员可以理解，图8中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
73.本领域普通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，该计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（rom）、可编程rom（prom）、电可编程rom（eprom）、电可擦除可编程rom（eeprom）或闪存。易失性存储器可包括随机存取存储器（ram）或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram（sram）、动态ram（dram）、同步dram（sdram）、双数据率sdram（ddrsdram）、增强型sdram（esdram）、同步链路（synchlink）dram（sldram）、存储器总线（rambus）直接ram（rdram）、直接存储器总线动态ram（drdram）、以及存储器总线动态ram（rdram）等。
74.本领域的技术人员应该明白，以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
75.以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。

技术特征：
1.一种基于多模态的电池内短路检测方法，其特征在于，所述方法包括：获取当前电池数据，采用预训练transformer模型提取所述当前电池数据的图像特征和序列特征，所述当前电池数据包括所述当前电池数据中不同时间的电池序列数据，所述序列特征是根据所述电池序列数据提取得到；将所述图像特征和所述序列特征进行多模态融合，得到当前多模态融合特征；采用基于所述电池的历史多模态融合特征预先训练好的电池数据模型，对所述当前多模态融合特征进行自引发型内短路检测，得到电池内短路检测结果。2.根据权利要求1所述的基于多模态的电池内短路检测方法，其特征在于，所述获取当前电池数据，采用预训练transformer模型提取所述当前电池数据的图像特征，包括：获取所述当前电池数据中的电池图像数据，通过预训练的vision transformer模型提取所述电池图像数据的图像特征。3.根据权利要求1所述的基于多模态的电池内短路检测方法，其特征在于，所述获取当前电池数据，采用预训练transformer模型提取所述当前电池数据的序列特征，包括：获取所述当前电池数据中不同时间的电池序列数据，通过预训练的基于transformer优化的convtrans模型提取所述电池序列数据的序列特征。4.根据权利要求3所述的基于多模态的电池内短路检测方法，其特征在于，所述电池序列数据的类型包括电压、电流、内阻值、压差、自放电率和/或容量。5.根据权利要求1所述的基于多模态的电池内短路检测方法，其特征在于，所述将所述图像特征和所述序列特征进行多模态融合，得到当前多模态融合特征，包括：根据所述图像特征和所述序列特征进行拼接处理，得到拼接特征；根据所述拼接特征确定查询向量、键向量和值向量；基于所述查询向量、所述键向量和预先设置的矩阵维度，通过softmax逻辑回归函数处理，得到多模态注意力矩阵；将所述多模态注意力矩阵与所述值向量进行矩阵相乘，得到所述当前多模态融合特征。6.根据权利要求1所述的基于多模态的电池内短路检测方法，其特征在于，所述基于所述电池的历史多模态融合特征预先训练好的电池数据模型，包括：构建以所述历史多模态融合特征为输入，以预测电池内是否发生自引发型内短路的结果为输出的电池数据模型；根据所述历史多模态融合特征对所述电池数据模型进行训练，直至满足预设条件，得到所述预先训练好的电池数据模型。7.根据权利要求1所述的基于多模态的电池内短路检测方法，其特征在于，所述对所述当前多模态融合特征进行自引发型内短路检测，得到电池内短路检测结果，包括：根据所述当前多模态融合特征输入至所述电池数据模型中的全连接层，确定所述全连接层的权重矩阵；根据所述权重矩阵和预先设置的偏置值进行求和处理，得到初始检测结果；基于预先配置的函数模型，对所述初始检测结果进行处理，得到所述电池内短路检测结果。8.一种基于多模态的电池内短路检测系统，其特征在于，所述系统包括：
特征提取模块，用于获取当前电池数据，采用预训练transformer模型提取所述当前电池数据的图像特征和序列特征；融合特征获取模块，用于将所述图像特征和所述序列特征进行多模态融合，得到当前多模态融合特征；检测结果获取模块，用于采用基于所述电池的历史多模态融合特征预先训练好的电池数据模型，对所述当前多模态融合特征进行自引发型内短路检测，得到电池内短路检测结果。9.一种基于多模态的电池内短路检测装置，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1-7中任一项所述的基于多模态的电池内短路检测方法。10.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1-7中任一项所述的基于多模态的电池内短路检测方法。

技术总结
本发明公开了基于多模态的电池内短路检测方法、系统、装置及介质，包括：获取当前电池数据，采用预训练Transformer模型提取当前电池数据的图像特征和序列特征；将图像特征和序列特征进行多模态融合，得到当前多模态融合特征；采用基于电池的历史多模态融合特征预先训练好的电池数据模型，对当前多模态融合特征进行自引发型内短路检测，得到电池内短路检测结果。基于多模态数据融合的方法，通过融合不同模态的信息，丰富了电池的特征。同时，采用Transformer模型，使算法在处理少数据样本和长序列信息时具备更好的特征提取能力。这种方法可以更加灵活和更早地识别电池的状况，以保障电池的使用安全，并提高对锂电池自引发型内短路的检测准确率。短路的检测准确率。短路的检测准确率。


技术研发人员：李朝 丁东辉 胡始昌 肖劼 杨斌
受保护的技术使用者：杭州宇谷科技股份有限公司
技术研发日：2023.09.06
技术公布日：2023/10/15