王春媚，李云梅

（天津輕工職業(yè)技術(shù)學(xué)院 科研處，天津 300350）

電池在現(xiàn)代電子信息產(chǎn)業(yè)中的能源供應(yīng)中起著非常重要的作用，在當(dāng)前的電池技術(shù)中，電池具有更高的能量密度，更小的體積和更久使用壽命。隨著電池技術(shù)的飛速發(fā)展和更新，電池材料的成分也越來越多樣化。在三元正級材料中，主要以鎳鹽、鈷鹽和錳鹽為原料。近年來，石墨晶材料被廣泛地應(yīng)用于電池的陽極材料中，但是石墨晶材料存在破壞環(huán)境的問題。目前電子陶瓷材料作為一種新型材料得到廣泛的應(yīng)用，其在性能上具有一定優(yōu)勢。隨著大型電子設(shè)備在商業(yè)產(chǎn)品中的廣泛應(yīng)用，其供電的電池設(shè)備研發(fā)和應(yīng)用也得到進(jìn)一步發(fā)展。因此，檢測電子陶瓷復(fù)合材料成分，將電子陶瓷復(fù)合材料替換石墨晶電池，對于減少稀土金屬的需求，提高電池的可持續(xù)性使用和環(huán)境保護(hù)具有主要意義。

目前，復(fù)合材料成分檢測的研究取得了快速的發(fā)展和進(jìn)步。常用的方法有多元線性回歸、主程序分析法與最小二乘分析法對電池的主要成分?jǐn)?shù)據(jù)進(jìn)行擬合和分析，建立相關(guān)的分析函數(shù)。根據(jù)相關(guān)函數(shù)，對電池的成分進(jìn)行定量分析，并且得出樣品的有效成分和含量，對電池成分進(jìn)行定性分類。近年來隨著深度學(xué)習(xí)和人工神經(jīng)網(wǎng)絡(luò)算法的普及應(yīng)用，CNN卷積神經(jīng)網(wǎng)絡(luò)具有模擬人腦處理信息的特性，具有分布式處理和自適應(yīng)學(xué)習(xí)的特點(diǎn)，并且具有一定魯棒性，其處理非線性系統(tǒng)信息具有一定的優(yōu)勢。

綜上所述，提出一種基于深度學(xué)習(xí)算法的CNN卷積神經(jīng)網(wǎng)絡(luò)算法進(jìn)行電池中電子陶瓷復(fù)合材料中的成分檢測，采用機(jī)器學(xué)習(xí)算法進(jìn)行電池中的電子陶瓷復(fù)合材料成分的分析，并將分析得到的結(jié)果與傳統(tǒng)的方法進(jìn)行對比和實(shí)驗(yàn)。

1 基于卷積神經(jīng)網(wǎng)絡(luò)的電池電子陶瓷復(fù)合材料檢測

1.1 電子陶瓷復(fù)合材料的無損區(qū)域確定

采用孫曉剛等[1]的方法收集電子陶瓷復(fù)合材料的檢測信號，定位到復(fù)合材料的無損區(qū)域。將音頻信號傳輸?shù)缴衔粰C(jī)器中得到電子陶瓷復(fù)合材料產(chǎn)生的音頻振動響應(yīng)，并將音頻信號進(jìn)行預(yù)處理。音頻信號在傳輸過程中會受到很大的破壞，需要在處理過程中進(jìn)行信號補(bǔ)償處理。通過濾波器進(jìn)行高頻分量的補(bǔ)償，增強(qiáng)電子陶瓷復(fù)合音頻信號的高頻部分，減少基頻對信號共振峰的干擾，并使信號頻譜平坦。具體公式為

式中：H為音頻信號的強(qiáng)調(diào)處理格式；u為預(yù)強(qiáng)調(diào)系數(shù)；z為音頻信號動態(tài)范圍的振幅；l為預(yù)加重系數(shù)。將電子陶瓷復(fù)合材料的能量信息傳輸?shù)接嬎銠C(jī)，對音頻信號進(jìn)行處理，并進(jìn)一步觀察頻域曲線的偏差，用李松波等[2]的方法以確定建筑材料是否存在缺陷。利用電子陶瓷復(fù)合材料缺陷的音頻信號分布特征，對材料缺陷進(jìn)行定量分析，區(qū)分材料內(nèi)部的水平裂紋、傾斜裂紋和縱向裂紋，提取裂紋不同路徑上的頻域變化趨勢，由于信號通過裂紋中心線，因此振幅較大，可以根據(jù)頻域中的密度變化來判斷電子陶瓷復(fù)合材料缺陷的中心位置。根據(jù)頻域的變化可以得到頻域變化的波谷，并且通過增強(qiáng)信號的提取可以確定電子陶瓷復(fù)合材料缺陷邊緣的實(shí)際位置。根據(jù)材料缺陷的信號特征圖和波峰值可以判斷電子陶瓷復(fù)合材料的內(nèi)部缺陷角度，并進(jìn)行缺陷材料的定量分析，具體公式為

式中：y為定量分析；w為缺陷信號的固有振動頻率；M為材料缺陷的歸一化處理函數(shù)；k為電子陶瓷復(fù)合材料的剛度矩陣。

1.2 電子陶瓷復(fù)合材料在高溫下的紅外圖像

為了收集到電池?zé)o損區(qū)域的近紅外圖像，將電池處于高溫狀態(tài)，進(jìn)一步獲得電池?zé)o損區(qū)域的近紅外圖像電子陶瓷復(fù)合材料。首先利用激光誘導(dǎo)熒光技術(shù)快速獲得電子陶瓷復(fù)合材料的熒光光譜，具體采用四倍頻固體激光器作為激發(fā)光源；其次，通過幾何校正激光掃描圖形，三維激光掃描電子陶瓷復(fù)合材料時，發(fā)射脈沖信號，測量電子陶瓷復(fù)合材料的表面形貌信息，并使用內(nèi)置在激光掃描儀中的接收器接收發(fā)射的激光信號，以獲得電子陶瓷。最后，掃描材料表面后，將多個激光發(fā)射器排列成激光陣列，調(diào)整激光掃描角度，對激光掃描圖像進(jìn)行幾何校正，并計算材料表面上掃描圖像的歸一化焦距。具體公式為

式中：Au和Av為水平軸的標(biāo)準(zhǔn)化焦距u垂直軸v掃描的圖像；Bu和Bv為圖像的單位像素大小u軸心和v軸心；L為激光發(fā)射器的焦距。對掃描圖形的每條扭曲直線進(jìn)行二次曲線近似擬合，并在原始直線的每一點(diǎn)扭曲后獲得扭曲變量，并在直線的相反方向添加一個畸變變量，對每個掃描圖像進(jìn)行校正，最后匹配掃描圖形的特征點(diǎn)，檢查每個激光掃描圖形的坐標(biāo)空間，對應(yīng)的轉(zhuǎn)換關(guān)系是否準(zhǔn)確，并采集具有精確轉(zhuǎn)換關(guān)系的近紅外圖像。

1.3 電子陶瓷復(fù)合材料近紅外圖像的預(yù)處理

對采集到的圖像進(jìn)行預(yù)處理，校正電子陶瓷復(fù)合材料近紅外圖像的顏色，確保整體圖像顏色的一致性。在激光掃描過程中，使用雙波長組合濾光片和RGB三元組將3種原色組合成1束。激光發(fā)散角f的計算公式為

式中：d為光輸出直徑；b為光斑直徑；Q為組合投影距離。激光發(fā)散角f的計算公式為

通過擬合掃描圖像的灰度值，并以一定的灰度值間隔掃描圖形，得到單個激光器組合光路的掃描圖像，并將灰度值平均分配到多個區(qū)域。進(jìn)行該點(diǎn)的灰度值擬合，并建立多條擬合曲線[3]，根據(jù)擬合曲線的灰度值，計算亮度分布j在掃描的顯示區(qū)域中，公式為

式中：i為擬合曲線的數(shù)量；ai和ai-1分別為i和i-1曲線的斜率；ci和ci-1分別為i和i-1曲線的平移距離；G為多個區(qū)域中心點(diǎn)之間的距離；S為掃描圖像的灰度值。

使用均值濾波方法對二維圖像進(jìn)行去噪，選擇一個3×3的模板，模板中心對應(yīng)待處理的圖像像素，計算每個像素和周圍像素的平均值，并將其替換為新的像素值原始像素。計算公式為

式中：F（x，y）表示像素坐標(biāo)為像素（x，y）計算出的新像素值；（i，j）表示模板坐標(biāo)；f（i，j）表示要獲取的像素的3×3區(qū)域中每個像素的像素值。使用高斯濾波方法，選擇3×3區(qū)域中的所有像素，對像素的新像素值進(jìn)行排序，將像素分配到高斯濾波模板，并根據(jù)高斯函數(shù)的形狀選擇鄰域中像素的權(quán)重值，以便權(quán)重根據(jù)位置變化而變化[4-5]。

1.4 提取電子陶瓷復(fù)合材料的近紅外圖像特征

在進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練之前，需要提取電子陶瓷復(fù)合材料預(yù)處理后的近紅外圖像特征，其中的特征包括灰度特征、形狀特征和幾何特征等。在提取特征時，首先提取近紅外圖像的灰度特征，遍歷近紅外圖像的矩形區(qū)域，記錄區(qū)域中像素值為255的像素的位置信息，并訪問灰度圖像中記錄的位置。計算平均灰度值W，具體計算公式如下所示

式中：Z（x，y）為在灰度圖像中位置處像素的像素值（x，y）；D為近紅外圖像矩形區(qū)域中輪廓像素的集合；N為圖像中的輪廓像素數(shù)。進(jìn)行圖像的提取灰度特征后，提取圖像區(qū)域的形狀特征，直接統(tǒng)計輪廓區(qū)域中的目標(biāo)像素數(shù)，得到圖像區(qū)域的面積。

根據(jù)區(qū)域圖像的灰度直方圖，提取紋理特征，并對紋理特征進(jìn)行一階統(tǒng)計測量。直方圖中計算平均值ε公式為

式中：I為灰度級；U為灰度級的總數(shù)。ε越大，則判斷紋理的平均亮度越高，反之亦然。根據(jù)灰度直方圖的灰度一致性，判斷標(biāo)準(zhǔn)差和平滑度的取值范圍，標(biāo)準(zhǔn)差作為紋理的平均對比度，平滑度作為紋理亮度的相對平滑度。測量直方圖的偏度和隨機(jī)性，確定區(qū)域圖像的熵和三階矩陣，得到與紋理對應(yīng)的信息量。

1.5 基于CNN卷積神經(jīng)網(wǎng)絡(luò)的電子陶瓷復(fù)合材料成分檢測

將上述步驟中得到的紅外圖像特征值輸入深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，以檢測電子陶瓷復(fù)合材料的主要成分，具體使用的神經(jīng)網(wǎng)絡(luò)算法是基于CNN的卷積神經(jīng)網(wǎng)絡(luò)算法來進(jìn)行圖像特征的神經(jīng)網(wǎng)絡(luò)訓(xùn)練，在進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練前需要對圖像進(jìn)行歸一化處理，在訓(xùn)練過程中通過反向傳播和梯度下降的方法對訓(xùn)練參數(shù)進(jìn)行最優(yōu)化處理。最終得到最優(yōu)化的神經(jīng)網(wǎng)絡(luò)訓(xùn)練最優(yōu)特征向量，并將向量作為學(xué)習(xí)后的數(shù)據(jù)集，并最終通過轉(zhuǎn)換形成特征向量。

式中：t和O分別代表輸出值和預(yù)期值；q代表輸入特征。

為了進(jìn)一步減少神經(jīng)網(wǎng)絡(luò)不穩(wěn)定性，加快算法收斂的速度和學(xué)習(xí)訓(xùn)練的時間。在卷積層中采用傅里葉變換操作，通過旋轉(zhuǎn)和平移，將變換后的特征向量隨機(jī)組合，當(dāng)訓(xùn)練結(jié)束后，將歸一化特征保存到樣本容器中，使用訓(xùn)練好的CNN卷積神經(jīng)網(wǎng)絡(luò)分類器對樣本容器的樣本特征進(jìn)行分類，采樣器提取輸出檢測信息，記錄檢測結(jié)果，然后判斷電子陶瓷復(fù)合材料元件。

2 實(shí)驗(yàn)和效果分析

將該上述基于神經(jīng)網(wǎng)絡(luò)的電池陶瓷復(fù)合材料成分檢測與2種常用電池中電子陶瓷復(fù)合材料的檢測方法進(jìn)行了比較。

2.1 實(shí)驗(yàn)準(zhǔn)備

為了驗(yàn)證本文在電池陶瓷復(fù)合材料成分檢測的有效性，選擇富鋰離子電池作為研究對象，并對電池進(jìn)行編號。在溶膠緩慢聚合條件下形成三維網(wǎng)絡(luò)結(jié)構(gòu)凝膠，形成穩(wěn)定的透明溶膠體系。正極材料由黏結(jié)劑（聚偏氟乙烯PVDF）、導(dǎo)電劑（乙炔黑）和溶劑（N-甲基-2-吡咯烷酮NMP）組成，陽極材料由石墨和黏結(jié)劑（PVDF）、導(dǎo)電劑（炭黑）、溶劑（NMP）和電子陶瓷復(fù)合材料組成。電解液使用碳酸乙烯酯和碳酸二甲酯的體積比為1∶1的電解液，隔膜使用Celgard 2400微孔聚丙烯膜。電池正極材料的比容量為253 mAh/g，放電電壓為4 V，電池放電容量為47.5 Ah。這3種方法用于檢測電池中電子陶瓷復(fù)合材料的成分。用設(shè)計方法構(gòu)造的CNN卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)見表1。

表1 CNN卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)

2.2 實(shí)驗(yàn)結(jié)果與分析

比較了3種檢測電子陶瓷復(fù)合材料精度的方法，設(shè)計了由該方法構(gòu)造的CNN卷積神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)輸出層包含10個神經(jīng)元，對應(yīng)于10種不同的復(fù)合材料成分類別，并設(shè)置神經(jīng)網(wǎng)絡(luò)的訓(xùn)練次數(shù)為200次，訓(xùn)練誤差閾值為0.11，學(xué)習(xí)率為0.02，輸出復(fù)合材料構(gòu)件類別。統(tǒng)計3種方法的檢測結(jié)果，檢測精度實(shí)驗(yàn)結(jié)果見表2。

表2 復(fù)合材料成份檢測準(zhǔn)確率 %

從表2可以看出，設(shè)計方法的平均檢測準(zhǔn)確率為96.63%，普通方法1和普通方法2的平均檢測準(zhǔn)確率分別為92.93%和91.11%，設(shè)計方法的檢測準(zhǔn)確率分別提高了3.70%和5.52%。綜上所述，該設(shè)計方法提高了電子陶瓷復(fù)合材料的檢測效率，充分保證了檢測精度。