CN118863929B - 一种内嵌rfid新能源电池生产质量追溯方法 - Google Patents

Abstract

本发明涉及电性能测试技术领域，提出了一种内嵌RFID新能源电池生产质量追溯方法，包括：获取与存在质量问题的锂电池同一批次的所有锂电池的内阻数据、温度数据和内阻数据的LOF离群因子；对内阻数据进行筛选和聚类，获取聚类簇，获取内阻数据的密度中心聚集程度、确定聚类簇的密度集中度，确定无质量问题的内阻数据和疑似异常内阻数据；获取疑似异常内阻的异常一致性指数，根据异常一致性指数确定第一异常内阻数据；对第一异常内阻数据进行聚类，确定质量问题簇，获取质量问题簇的簇间差异度，根据簇间差异度确定最终的质量问题聚类结果、完成对内嵌RFID的锂电池生产质量追溯。本发明旨在解决电池生产质量追溯效率不高的问题。

Description

一种内嵌RFID新能源电池生产质量追溯方法

技术领域

本发明涉及电性能测试技术领域，具体涉及一种内嵌RFID新能源电池生产质量追溯方法。

背景技术

RFID是一种无线通信技术，用于无线识别和追踪物体。在电池中内嵌RFID标签，可利用射频信号实现对物体的唯一标识和数据传输，将生产流程中的重要数据记录下来，便于电池的质量追溯。其中，生产流程中的重要数据包括生产日期、生产工艺参数、原材料信息、测试数据、质量检测结果、出厂批次等。当发现某一电池出现问题时，可通过这些数据对可能出现同一问题的电池进行快速、全面追溯。

目前对于电池的质量监测，仅限于对单个电池的性能进行测试，当发现电池存在质量问题时，需要在质量追溯过程中对同一批次的电池依次、逐个进行检测，判断出现的质量问题是否为同一批次的共性问题，进而对生产环节进行追溯，以便于及时发现和解决问题。但是，对同一批次的电池依次、逐个进行检测的工作量较大，使生产质量追溯的效率不高。

发明内容

本发明提供一种内嵌RFID新能源电池生产质量追溯方法，以解决电池生产质量追溯过程中忽略电池数据之间的相关性导致的生产质量追溯的效率不高的问题，所采用的技术方案具体如下：

本发明一个实施例提供了一种内嵌RFID新能源电池生产质量追溯方法，该方法包括以下步骤：

根据抽检过程中检测出的存在质量问题的锂电池，获取与存在质量问题的锂电池同一批次的所有锂电池的内阻数据、温度数据和内阻数据的LOF离群因子；

根据内阻数据的LOF离群因子对内阻数据进行筛选和聚类，获取聚类簇，确定聚类簇的半径，根据聚类簇内包含的内阻数据和聚类簇的半径获取内阻数据的密度中心聚集程度，确定聚类簇的密度集中度，根据密度集中度确定无质量问题的内阻数据，确定疑似异常内阻数据；

获取疑似异常内阻的邻域数据，获取疑似异常内阻的内阻距离序列和温度距离序列，获取疑似异常内阻的温度关联程度，获取疑似异常内阻的密度中心聚集程度的变异系数，根据疑似异常内阻的温度关联程度和疑似异常内阻的密度中心聚集程度的变异系数获取疑似异常内阻的局部异常一致性指数，根据所有疑似异常内阻的局部异常一致性指数获取疑似异常内阻的异常一致性指数，根据异常一致性指数确定第一异常内阻数据；

对第一异常内阻数据进行聚类，确定质量问题簇，根据质量问题簇确定邻近质量问题簇，根据质量问题簇和邻近质量问题簇中包含的第一异常内阻数据确定评估数据集，根据评估数据集内包含的第一异常内阻数据确定质量问题簇的划分独立程度，根据质量问题簇的划分独立程度和质量问题簇内包含的第一异常内阻数据获取质量问题簇的簇间差异度，根据簇间差异度确定最终的质量问题聚类结果、完成对内嵌RFID的锂电池生产质量追溯。

进一步，所述根据内阻数据的LOF离群因子对内阻数据进行筛选和聚类，获取聚类簇，包括的具体方法为：

将LOF离群因子大于第一预设阈值的内阻数据剔除，将剩余的内阻数据的方差作为截断距离，对剩余的内阻数据使用密度峰值聚类算法进行聚类，获取聚类簇。

进一步，所述确定聚类簇的半径，根据聚类簇内包含的内阻数据和聚类簇的半径获取内阻数据的密度中心聚集程度，包括的具体方法为：

将聚类簇内包含的所有内阻数据到簇心的欧氏距离的平均值记为聚类簇的半径；

将内阻数据与内阻数据所在的聚类簇的簇心之间的欧式距离与内阻数据所在的聚类簇的半径的乘积记为第一距离；

将内阻数据所在聚类簇中包含的内阻数据的数量与第一距离的比值记为内阻数据的密度中心聚集程度。

进一步，所述确定聚类簇的密度集中度，根据密度集中度确定无质量问题的内阻数据，确定疑似异常内阻数据，包括的具体方法为：

将聚类簇中包含的所有内阻数据的密度中心聚集程度的均值作为聚类簇的密度集中度；

将密度集中度最大的聚类簇中包含的内阻数据作为无质量问题的内阻数据；

将不是无质量问题的内阻数据记为疑似异常内阻数据。

进一步，所述获取疑似异常内阻的邻域数据，包括的具体方法为：

将疑似异常内阻所在的聚类簇中与疑似异常内阻的内阻数据欧氏距离最小的第二预设阈值个内阻数据记为疑似异常内阻的邻域数据。

进一步，所述获取疑似异常内阻的内阻距离序列和温度距离序列，获取疑似异常内阻的温度关联程度，包括的具体方法为：

将疑似异常内阻的内阻数据和疑似异常内阻的邻域数据按照与疑似异常内阻的内阻数据的欧式距离从小到大的顺序进行排序，获取疑似异常内阻的内阻距离序列；

将内阻距离序列内包含的内阻数据对应的温度数据进行排列，获取疑似异常内阻的温度距离序列；

将疑似异常内阻的内阻距离序列和温度距离序列之间的皮尔逊相关系数记为疑似异常内阻的温度关联程度。

进一步，所述根据疑似异常内阻的温度关联程度和疑似异常内阻的密度中心聚集程度的变异系数获取疑似异常内阻的局部异常一致性指数，根据所有疑似异常内阻的局部异常一致性指数获取疑似异常内阻的异常一致性指数，包括的具体方法为：

将疑似异常内阻的温度关联程度与疑似异常内阻的密度中心聚集程度的变异系数的比值记为疑似异常内阻的局部异常一致性指数；

将疑似异常内阻的局部异常一致性指数与所有疑似异常内阻的局部异常一致性指数的最大值的比值记为疑似异常内阻的异常一致性指数。

进一步，所述根据异常一致性指数确定第一异常内阻数据，包括的具体方法为：

将异常一致性指数小于第一异常阈值的锂电池内阻数据记为第一异常内阻数据。

进一步，所述根据质量问题簇确定邻近质量问题簇，根据质量问题簇和邻近质量问题簇中包含的第一异常内阻数据确定评估数据集，包括的具体方法为：

将簇心与质量问题簇的簇心欧式距离最近的质量问题簇记为邻近质量问题簇；

将质量问题簇与邻近质量问题簇中包含的所有的第一异常内阻数据组成的集合记为评估数据集。

进一步，所述根据簇间差异度确定最终的质量问题聚类结果、完成对内嵌RFID的锂电池生产质量追溯，包括的具体方法为：

将簇间差异度小于第一差异度阈值的质量问题簇与质量问题簇确定的邻近质量问题簇进行合并，获得最终的质量问题聚类结果；

将密度中心聚集程度最大的质量问题簇的簇心作为合并后的质量问题簇的簇心，对最终的质量问题聚类结果中每个质量问题簇的簇心对应的锂电池的生产过程进行检查，确定锂电池的生产过程中出现问题环节；

质量问题簇中包含的所有第一异常内阻数据对应的锂电池均在对应环节出现相同的问题，对出现相同问题的锂电池进行召回并集中进行处理。

本发明的有益效果是：

本发明通过不同质量问题对电池内阻数据产生的不同影响对电池的内阻数据进行聚类，根据聚类簇的大小和聚类簇内包含的内阻数据到簇心的距离获取密度中心聚集程度，通过密度中心聚集程度区分正常电池的内阻数据和异常内阻数据；其次，通过分析电池温度对电池内阻数据变化的影响，根据疑似异常内阻的邻域数据的密度中心聚集程度之间的一致性和与电池温度之间的相关性获取异常一致性指数，通过异常一致性指数排除受到温度影响而表现出异常的电池内阻数据；然后，确定质量问题簇，根据不同质量问题簇间的差异对异常数据的聚类结果进行评价，将簇间差异较小的质量问题簇进行合并，防止质量问题簇的划分冗余；最终，根据合并后的质量问题簇确定最终的质量问题聚类结果、完成对内嵌RFID的锂电池生产质量追溯，解决电池生产质量追溯过程中忽略电池数据之间的相关性导致的生产质量追溯的效率不高的问题，提高生产质量追溯的效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一个实施例所提供的一种内嵌RFID新能源电池生产质量追溯方法流程示意图；

图2为第一异常内阻数据获取流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

请参阅图1，其示出了本发明一个实施例所提供的一种内嵌RFID新能源电池生产质量追溯方法流程图，该方法包括以下步骤：

步骤S001、根据抽检过程中检测出的存在质量问题的锂电池，获取与存在质量问题的锂电池同一批次的所有锂电池的内阻数据、温度数据和内阻数据的LOF离群因子。

新能源电池种类多样，本实施例以锂电池为例进行分析。

在锂电池生产过程中，在锂电池中内嵌RFID标签，并通过RFID标签记录锂电池在生产过程中的内阻数据和锂电池温度数据。

在锂电池制造过程中，通常需要对制造完成的锂电池抽检，对抽检到的锂电池进行充放电循环测试，即对锂电池的内阻进行检测，以评估锂电池的性能和寿命是否满足要求。在抽样检测过程中发现存在质量问题的锂电池时，通过RFID标签获取与存在质量问题的锂电池同一批次的所有锂电池的内阻数据和温度数据。

当生产环节出现问题时，同一批次的锂电池的部分内阻数据会出现较大差异，这些锂电池内阻的数值分布较为混乱，波动较大。例如，不同成分的材料具有不同的内阻率，如果部分原材料的质量不均匀或存在杂质，将会导致同一批次的不同锂电池内部正负极的材料成分不一致，进而导致内阻数据出现较大差异。

因此，可通过锂电池的生产质量问题使内阻数据的稳定性发生变化的特征，使用LOF异常检测算法对存在质量问题的锂电池的同一批次的所有锂电池的内阻数据进行异常检测，获取每个内阻数据的LOF离群因子。其中，LOF离群因子是LOF算法计算得出的一个指标，用于表示数据相对于邻近点的异常程度，当LOF离群因子越大时，内阻数据的异常程度越大；LOF异常检测算法为公知技术，不再赘述。

至此，获取与存在质量问题的锂电池同一批次的所有锂电池的内阻数据、温度数据和内阻数据的LOF离群因子。

步骤S002、根据内阻数据的LOF离群因子对内阻数据进行筛选和聚类，获取聚类簇，确定聚类簇的半径，根据聚类簇内包含的内阻数据和聚类簇的半径获取内阻数据的密度中心聚集程度，确定聚类簇的密度集中度，根据密度集中度确定无质量问题的内阻数据，确定疑似异常内阻数据。

为防止生产过程中必然会存在的含有质量问题的锂电池对锂电池生产质量追溯结果产生的影响，将LOF离群因子大于第一预设阈值的内阻数据进行剔除，不在后续步骤进行分析。其中，第一预设阈值的经验取值为0.8。

当锂电池的某一生产环节在一段时间内出现问题时，这段时间内生产的锂电池的内阻数据通常会在一个数据分布范围内波动，在这个数据分布范围内，锂电池的内阻数据的局部密度较高，因此，仅仅使用异常检测算法并不能将异常内阻数据筛选出来，局部密度较高的异常数据易被误判为正常的数据。

对剩余的内阻数据使用密度峰值聚类算法进行聚类，将剔除后的内阻数据的方差作为密度峰值聚类算法的截断距离，获取聚类簇。其中，使用密度峰值聚类算法获取聚类簇为公知技术，不再赘述。

将聚类簇内包含的所有内阻数据到簇心的欧氏距离的平均值记为聚类簇的半径。

根据聚类簇内包含的内阻数据和聚类簇的半径获取内阻数据的密度中心聚集程度。

其中，为第个锂电池的内阻数据的密度中心聚集程度；为内阻数据所在聚类簇中包含的内阻数据的数量；为内阻数据与所在的聚类簇的簇心之间的欧式距离；为内阻数据所在聚类簇的半径。

当内阻数据所在聚类簇中包含的内阻数据的数量越多且聚类簇的半径越小时，内阻数据所在的聚类簇越密集，则内阻数据的密度中心聚集程度越大，此时，内阻数据的聚类结果的可信度越高，内阻数据对应的锂电池不存在质量问题的可能性越大。

至此，获取所有聚类簇中所有内阻数据的密度中心聚集程度。

为了便于区分无质量问题和出现质量问题的锂电池的内阻数据，将聚类簇中包含的所有内阻数据的密度中心聚集程度的均值作为聚类簇的密度集中度。

将密度集中度最大的聚类簇中包含的内阻数据作为无质量问题的内阻数据，将不是无质量问题的内阻数据记为疑似异常内阻数据。

至此，获取所有聚类簇中所有内阻数据的密度中心聚集程度、无质量问题的内阻数据和疑似异常内阻数据。

步骤S003、获取疑似异常内阻的邻域数据，获取疑似异常内阻的内阻距离序列和温度距离序列，获取疑似异常内阻的温度关联程度，获取疑似异常内阻的密度中心聚集程度的变异系数，根据疑似异常内阻的温度关联程度和疑似异常内阻的密度中心聚集程度的变异系数获取疑似异常内阻的局部异常一致性指数，根据所有疑似异常内阻的局部异常一致性指数获取疑似异常内阻的异常一致性指数，根据异常一致性指数确定第一异常内阻数据。

在锂电池制造完成后，需要对锂电池进行质量检测。在进行锂电池的质量检测时，为了对锂电池的内阻进行检测，需要对锂电池进行充放电循环测试、高倍率充放电测试和高温测试等测试。这些测试均涉及到化学反应、物理变化和能量转换等过程，所以，经过质量检测的锂电池会发生不同程度的放热现象，使锂电池自身的温度升高，导致测试的内阻发生变化，影响锂电池内阻的异常程度判断，进而影响锂电池质量溯源。

获取疑似异常内阻数据的数量。

锂电池的电阻与温度之间存在相关性，当锂电池温度较低时，锂电池的内阻通常会增加，当锂电池的温度较高时，锂电池的内阻通常会减小。

基于电阻与温度之间的相关性，将疑似异常内阻所在的聚类簇中与疑似异常内阻的内阻数据欧氏距离最小的第二预设阈值个内阻数据记为疑似异常内阻的邻域数据。其中，第二预设阈值的经验值为5。

将疑似异常内阻的内阻数据和疑似异常内阻的邻域数据按照与疑似异常内阻的内阻数据的欧式距离从小到大的顺序进行排序，获取疑似异常内阻的内阻距离序列。按照相同的顺序对疑似异常内阻的温度数据和疑似异常内阻的邻域数据对应的温度数据进行排列，获取疑似异常内阻的温度距离序列。

将疑似异常内阻的内阻距离序列和温度距离序列之间的皮尔逊相关系数记为疑似异常内阻的温度关联程度。

当疑似异常内阻的温度关联程度越大时，疑似异常内阻的邻域数据对应的内阻数据与锂电池温度的相关性越高，疑似异常内阻为受到温度影响的锂电池内阻数据的可能性越大。

出现同种问题的锂电池内阻数据的密度中心聚集程度应具有较大一致性，所以，当疑似异常内阻的邻域数据的密度中心聚集程度越相近时，这些疑似异常内阻越有可能为出现同种质量问题的锂电池内阻数据。

根据疑似异常内阻和疑似异常内阻的邻域数据的密度中心聚集程度，获取疑似异常内阻的密度中心聚集程度的变异系数。变异系数的计算方法为公知技术，不再赘述。

当疑似异常内阻的密度中心聚集程度的变异系数越大时，疑似异常内阻和其邻域数据的密度中心聚集程度的数值分布越离散，疑似异常内阻和其邻域数据对应的疑似异常内阻为同种问题造成的锂电池内阻数据异常的可能性越小。

根据疑似异常内阻的温度关联程度和疑似异常内阻的密度中心聚集程度的变异系数获取疑似异常内阻的局部异常一致性指数，根据所有疑似异常内阻的局部异常一致性指数获取疑似异常内阻的异常一致性指数。

其中，为疑似异常内阻的局部异常一致性指数；为疑似异常内阻的密度中心聚集程度的变异系数；为疑似异常内阻的温度关联程度；为疑似异常内阻的异常一致性指数；为所有疑似异常内阻的局部异常一致性指数的最大值。

当疑似异常内阻的温度关联程度越大、疑似异常内阻的邻域数据的密度中心聚集程度的变异系数越小时，疑似异常内阻的局部异常一致性指数越大，疑似异常内阻越有可能为受到温度影响被划分到异常数据的正常数据。

当疑似异常内阻的局部异常一致性指数相较于所有疑似异常内阻的局部异常一致性指数的最大值越大时，疑似异常内阻的异常一致性指数越大，即疑似异常内阻越有可能为受到温度影响后得到的异常数据，疑似异常内阻对应的锂电池为正常的、无生产质量问题的锂电池的可能性越大。

设置第一异常阈值，将异常一致性指数小于第一异常阈值的锂电池内阻数据记为第一异常内阻数据。其中，第一异常阈值的经验取值为0.7。第一异常内阻数据获取流程图如图2所示。

至此，获取第一异常内阻数据。

步骤S004、对第一异常内阻数据进行聚类，确定质量问题簇，根据质量问题簇确定邻近质量问题簇，根据质量问题簇和邻近质量问题簇中包含的第一异常内阻数据确定评估数据集，根据评估数据集内包含的第一异常内阻数据确定质量问题簇的划分独立程度，根据质量问题簇的划分独立程度和质量问题簇内包含的第一异常内阻数据获取质量问题簇的簇间差异度，根据簇间差异度确定最终的质量问题聚类结果、完成对内嵌RFID的锂电池生产质量追溯。

当制造锂电池过程中的不同生产环节出现不同的异常问题时，锂电池会出现不同程度和不同特征的质量问题，造成锂电池内阻数据的异常值波动程度和波动方向不同。因此，对第一异常内阻数据进行聚类时，对应不同质量问题的锂电池对应的第一异常内阻数据会被划分到不同的聚类簇中。

对第一异常内阻数据使用密度峰值聚类算法进行聚类，将第一异常内阻数据的方差作为密度峰值聚类算法的截断距离，获得聚类簇。分别将每个包含的数据为第一异常内阻数据的聚类簇记为质量问题簇。其中，使用密度峰值聚类算法进行聚类为公知技术，不再赘述。

为防止质量问题簇的划分冗余，使一个质量问题有多个质量问题簇与之对应，使用Rand指数对聚类结果进行评估。

首先，将簇心与质量问题簇的簇心欧式距离最近的质量问题簇记为邻近质量问题簇。当含有多个簇心与质量问题簇的簇心欧式距离最近的质量问题簇时，仅将簇半径最小的质量问题簇记为邻近质量问题簇。

将质量问题簇与中包含的所有的第一异常内阻数据组成的集合记为评估数据集。

分别以质量问题簇与的簇心为聚类的初始簇心，对评估数据集中包含的所有的第一异常内阻数据使用K-means聚类算法进行聚类，将第一异常内阻数据聚类为两类，获取参照簇，。计算质量问题簇和与参照聚类结果和之间的Rand指数。其中，计算两组独立的聚类结果之间的Rand指数为公知技术，不再赘述。

Rand指数可反映两组聚类结果之间的相似性，Rand指数越大时，两组聚类结果对数据的划分越相似。

将质量问题簇和与参照聚类结果和之间的Rand指数为质量问题簇的划分独立程度。

至此，获取质量问题簇的划分独立程度。

根据质量问题簇的划分独立程度和质量问题簇内包含的第一异常内阻数据获取质量问题簇的簇间差异度。

其中，为质量问题簇的簇间差异度；为质量问题簇的划分独立程度；为质量问题簇内包含的第一异常内阻数据的信息熵；为以自然常数为底数的指数函数。

当质量问题簇内包含的第一异常内阻数据的信息熵越大，质量问题簇内包含的第一异常内阻数据越为杂乱，则质量问题簇与邻近质量问题簇的簇间差异度越小、质量问题簇与邻近质量问题簇的簇内的聚集程度越低，不同质量问题簇之间的差异度越低，聚类结果越不可信。

依次将簇间差异度小于第一差异度阈值的质量问题簇与质量问题簇确定的邻近质量问题簇进行合并，将密度中心聚集程度最大的质量问题簇的簇心作为合并后的质量问题簇的簇心，获得最终的质量问题聚类结果。其中，第一差异度阈值的经验值为0.5。

对最终的质量问题聚类结果中每个质量问题簇的簇心对应的锂电池的生产过程进行检查，确定锂电池的生产过程中出现问题环节。质量问题簇中包含的所有第一异常内阻数据对应的锂电池均在对应环节出现相同的问题，对这些锂电池进行召回并集中进行处理。

至此，完成对内嵌RFID的锂电池生产质量追溯。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种内嵌RFID新能源电池生产质量追溯方法，其特征在于，该方法包括以下步骤：

根据抽检过程中检测出的存在质量问题的锂电池，获取与存在质量问题的锂电池同一批次的所有锂电池的内阻数据、温度数据，对内阻数据使用LOF算法进行异常检测，获取内阻数据的局部离群因子LOF；

根据内阻数据的局部离群因子LOF对内阻数据进行筛选和聚类，获取聚类簇，确定聚类簇的半径，根据聚类簇内包含的内阻数据和聚类簇的半径获取内阻数据的密度中心聚集程度，确定聚类簇的密度集中度，根据密度集中度确定无质量问题的内阻数据，确定疑似异常内阻数据；

获取疑似异常内阻的邻域数据，获取疑似异常内阻的内阻距离序列和温度距离序列，获取疑似异常内阻的温度关联程度，获取疑似异常内阻的密度中心聚集程度的变异系数，根据疑似异常内阻的温度关联程度和疑似异常内阻的密度中心聚集程度的变异系数获取疑似异常内阻的局部异常一致性指数，根据所有疑似异常内阻的局部异常一致性指数获取疑似异常内阻的异常一致性指数，根据异常一致性指数确定第一异常内阻数据；

对第一异常内阻数据进行聚类，确定质量问题簇，根据质量问题簇确定邻近质量问题簇，根据质量问题簇和邻近质量问题簇中包含的第一异常内阻数据确定评估数据集，根据评估数据集内包含的第一异常内阻数据确定质量问题簇的划分独立程度，根据质量问题簇的划分独立程度和质量问题簇内包含的第一异常内阻数据获取质量问题簇的簇间差异度，根据簇间差异度确定最终的质量问题聚类结果、完成对内嵌RFID的锂电池生产质量追溯。

2.根据权利要求1所述的一种内嵌RFID新能源电池生产质量追溯方法，其特征在于，所述根据内阻数据的局部离群因子LOF对内阻数据进行筛选和聚类，获取聚类簇，包括的具体方法为：

将局部离群因子LOF大于第一预设阈值的内阻数据剔除，将剩余的内阻数据的方差作为截断距离，对剩余的内阻数据使用密度峰值聚类算法进行聚类，获取聚类簇。

3.根据权利要求1所述的一种内嵌RFID新能源电池生产质量追溯方法，其特征在于，所述确定聚类簇的半径，根据聚类簇内包含的内阻数据和聚类簇的半径获取内阻数据的密度中心聚集程度，包括的具体方法为：

将聚类簇内包含的所有内阻数据到簇心的欧氏距离的平均值记为聚类簇的半径；

将内阻数据与内阻数据所在的聚类簇的簇心之间的欧式距离与内阻数据所在的聚类簇的半径的乘积记为第一距离；

将内阻数据所在聚类簇中包含的内阻数据的数量与第一距离的比值记为内阻数据的密度中心聚集程度。

4.根据权利要求1所述的一种内嵌RFID新能源电池生产质量追溯方法，其特征在于，所述确定聚类簇的密度集中度，根据密度集中度确定无质量问题的内阻数据，确定疑似异常内阻数据，包括的具体方法为：

将聚类簇中包含的所有内阻数据的密度中心聚集程度的均值作为聚类簇的密度集中度；

将密度集中度最大的聚类簇中包含的内阻数据作为无质量问题的内阻数据；

将不是无质量问题的内阻数据记为疑似异常内阻数据。

5.根据权利要求1所述的一种内嵌RFID新能源电池生产质量追溯方法，其特征在于，所述获取疑似异常内阻的邻域数据，包括的具体方法为：

将疑似异常内阻所在的聚类簇中与疑似异常内阻的内阻数据欧氏距离最小的第二预设阈值个内阻数据记为疑似异常内阻的邻域数据。

6.根据权利要求1所述的一种内嵌RFID新能源电池生产质量追溯方法，其特征在于，所述获取疑似异常内阻的内阻距离序列和温度距离序列，获取疑似异常内阻的温度关联程度，包括的具体方法为：

将疑似异常内阻的内阻数据和疑似异常内阻的邻域数据按照与疑似异常内阻的内阻数据的欧式距离从小到大的顺序进行排序，获取疑似异常内阻的内阻距离序列；

将内阻距离序列内包含的内阻数据对应的温度数据进行排列，获取疑似异常内阻的温度距离序列；

将疑似异常内阻的内阻距离序列和温度距离序列之间的皮尔逊相关系数记为疑似异常内阻的温度关联程度。

7.根据权利要求1所述的一种内嵌RFID新能源电池生产质量追溯方法，其特征在于，所述根据疑似异常内阻的温度关联程度和疑似异常内阻的密度中心聚集程度的变异系数获取疑似异常内阻的局部异常一致性指数，根据所有疑似异常内阻的局部异常一致性指数获取疑似异常内阻的异常一致性指数，包括的具体方法为：

将疑似异常内阻的温度关联程度与疑似异常内阻的密度中心聚集程度的变异系数的比值记为疑似异常内阻的局部异常一致性指数；

将疑似异常内阻的局部异常一致性指数与所有疑似异常内阻的局部异常一致性指数的最大值的比值记为疑似异常内阻的异常一致性指数。

8.根据权利要求1所述的一种内嵌RFID新能源电池生产质量追溯方法，其特征在于，所述根据异常一致性指数确定第一异常内阻数据，包括的具体方法为：

将异常一致性指数小于第一异常阈值的锂电池内阻数据记为第一异常内阻数据。

9.根据权利要求1所述的一种内嵌RFID新能源电池生产质量追溯方法，其特征在于，所述根据质量问题簇确定邻近质量问题簇，根据质量问题簇和邻近质量问题簇中包含的第一异常内阻数据确定评估数据集，包括的具体方法为：

将簇心与质量问题簇的簇心欧式距离最近的质量问题簇记为邻近质量问题簇；

将质量问题簇与邻近质量问题簇中包含的所有的第一异常内阻数据组成的集合记为评估数据集。

10.根据权利要求1所述的一种内嵌RFID新能源电池生产质量追溯方法，其特征在于，所述根据簇间差异度确定最终的质量问题聚类结果、完成对内嵌RFID的锂电池生产质量追溯，包括的具体方法为：

将簇间差异度小于第一差异度阈值的质量问题簇与质量问题簇确定的邻近质量问题簇进行合并，获得最终的质量问题聚类结果；

将密度中心聚集程度最大的质量问题簇的簇心作为合并后的质量问题簇的簇心，对最终的质量问题聚类结果中每个质量问题簇的簇心对应的锂电池的生产过程进行检查，确定锂电池的生产过程中出现问题环节；

质量问题簇中包含的所有第一异常内阻数据对应的锂电池均在对应环节出现相同的问题，对出现相同问题的锂电池进行召回并集中进行处理。