基于机器学习的新能源汽车电池故障诊断方法技术

本发明专利技术提供一种基于机器学习的新能源汽车电池故障诊断方法，包括：使用电池电压预测模型对新能源汽车电池包的单体电压进行预测，将单体电压预测序列与电压故障报警阈值相比较得到单体电压偏差；使用电池温度预测模型对新能源汽车电池表面温度进行预测，将电池表面温度预测序列与温度故障报警阈值相比较得到电池表面温度偏差；将单体电压偏差和电池表面温度偏差按照故障权重进行加权计算得到总偏差度，根据总偏差度确定故障级别

【技术实现步骤摘要】
基于机器学习的新能源汽车电池故障诊断方法


[0001]本专利技术涉及新能源汽车
，具体涉及一种基于机器学习的新能源汽车电池故障诊断方法
。

技术介绍

[0002]动力电池作为新能源汽车的核心部件，一旦发生故障，轻则造成汽车无法正常工作，重则可能会引起自燃从而危及驾乘人员的生命安全
。
因此，对新能源汽车的电池的安全风险评价和故障诊断预警非常重要
。
近年来，人工智能领域的相关技术发展迅猛，基于数据驱动的机器学习算法被广泛应用于新能源汽车故障诊断预警领域
。
[0003]现有技术中，公开号为
CN110308397A
的专利技术专利提供了一种混合卷积神经网络驱动的锂电池多类故障诊断建模方法，该方法利用分数阶傅里叶变换获得实测的和筛选的锂电池精细化故障频谱，构成用于锂电池故障诊断的混合大数据标注样本；设计面向混合锂电池故障样本的全局卷积神经网络，以及分别针对实测的和筛选的锂电池故障数据的局部卷积神经网络，构成混合卷积神经网络锂电池故障诊断模型；通过对卷积神经网络中的全局与局部锂电池故障特征进行学习，并采用全连接分类映射，实现锂电池故障的多分类故障诊断
。
[0004]但是，根据上述专利的技术方案，根据其说明书第
[0034
‑
0041]之记载，是将所有采集到的实测数据全部输入到卷积神经网络中作为训练样本，这种技术方案没有充分考虑各类实测数据与电池故障之间的关联紧密程度，训练模型时需要大量的实车数据，训练花费的算力大
、
耗时长，并且训练出来的模型较为粗糙，对电池故障的诊断结果不够准确
。

技术实现思路

[0005]针对现有技术存在的不足，本专利技术提出一种基于机器学习的新能源汽车电池故障诊断方法，以改善现有技术中存在的电池故障诊断模型的诊断结果不够准确的技术问题
。
[0006]本专利技术采用的技术方案是，一种基于机器学习的新能源汽车电池故障诊断方法，包括：
[0007]使用电池电压预测模型对新能源汽车电池包的单体电压进行预测，得到单体电压预测序列；
[0008]将单体电压预测序列与电压故障报警阈值相比较，得到单体电压偏差；
[0009]使用电池温度预测模型对新能源汽车电池表面温度进行预测，得到电池表面温度预测序列；
[0010]将电池表面温度预测序列与温度故障报警阈值相比较，得到电池表面温度偏差；
[0011]将单体电压偏差和电池表面温度偏差按照故障权重进行加权计算，得到总偏差度，根据总偏差度确定故障级别
。
[0012]进一步的，电池电压预测模型按以下方式进行构建：
[0013]根据新能源汽车电池包的实验室运行数据，获取机器学习的训练样本数据，训练
样本数据包括电池包总电压
、
电池包荷电状态和单体电压；
[0014]设定超参数，将训练样本数据通过随机森林算法进行训练，得到电池电压预测模型
。
[0015]进一步的，电池温度预测模型按以下方式进行构建：
[0016]根据新能源汽车电池包的实验室运行数据，获取机器学习的训练样本数据，训练样本数据包括电池包总电流
、
电池包总电压
、
电池包最大电压
、
电池包最小电压
、
电池表面温度和环境温度；
[0017]设定超参数，将训练样本数据通过
BP
神经网络进行训练，得到电池温度预测模型
。
[0018]进一步的，通过对新能源汽车电池包进行充放电实验，获取新能源汽车电池包的实验室运行数据；
[0019]采用相关系数法对电池包的实验室运行数据进行特征选择，得到机器学习的训练样本数据
。
[0020]进一步的，进行特征选择前，先对电池包实验数据进行数据清洗
。
[0021]进一步的，采用核主成分分析法对电池包实验数据中的单体电压进行降维处理，提取出最关键的多个单体电压数据
。
[0022]进一步的，采用以下计算式确定预测序列中单体电压偏差
、
电池表面温度偏差对应的故障权重：
[0023][0024][0025]其中，
Q
u
为单体电压偏差的故障权重，
Q
t
为单体电压偏差的故障权重，
σ
u
为单体电压预测序列中单体电压预测值的标准差，
σ
t
为电池表面温度预测序列中电池表面温度预测值的标准差；
σ
um
表示单体电压预测序列中第
m
个单体电压预测值与
σ
u
之间的差值，
σ
tn
表示电池表面温度预测序列中第
n
个电池表面温度预测值与
σ
t
之间的差值
。
[0026]进一步的，根据新能源汽车的实车行驶数据，定期对电池电压预测模型和电池温度预测模型增量训练，进行模型迭代
。
[0027]进一步的，还包括：监控云平台会将对电池的故障诊断结果，提醒车主及时安排对电池进行检修
。
[0028]进一步的，当故障等级为最高级别时，根据下式计算结果，向车主发送检修建议：
[0029]F(x)
＝
min(T
11
C
11
,T
12
C
12
,
……
,T
1j
C
1j
,T
22
C
22
,T
23
C
23
,
……
T
ij
C
ij
)
[0030]在上式中，
T
ij
表示对每一个时间点从停靠地出发，去到周边的检修机构时间做出的预测值，
C
ij
表示在汽车行驶过程中电池的平均耗电量预估值；
[0031]检修建议包括何时
、
去何地的汽车电池检修机构检修
。
[0032]由上述技术方案可知，本专利技术的有益技术效果如下：
[0033]1.
通过电池包的实验室运行数据对电池电压预测模型和电池温度预测模型进行训练，可以解决而在新车运行初期，没有充足的历史数据来进行对机器学习的模型进行训练之问题
。
[0034]2.
在对新能源汽车电池进行故障诊断时，将单体电压预测值和电池表面温度预测值之间的相互影响进行了关联性考虑，设置了各自的故障权重，可使得诊断结果更加合理
。
[0035]3.
对于诊断出来的电池故障，根据故障等级，结合车主的车辆使用情况，提供了对电池的检修建议，可本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于机器学习的新能源汽车电池故障诊断方法，其特征在于，包括：使用电池电压预测模型对新能源汽车电池包的单体电压进行预测，得到单体电压预测序列；将单体电压预测序列与电压故障报警阈值相比较，得到单体电压偏差；使用电池温度预测模型对新能源汽车电池表面温度进行预测，得到电池表面温度预测序列；将电池表面温度预测序列与温度故障报警阈值相比较，得到电池表面温度偏差；将单体电压偏差和电池表面温度偏差按照故障权重进行加权计算，得到总偏差度，根据总偏差度确定故障级别
。2.
根据权利要求1所述的新能源汽车电池故障诊断方法，其特征在于，电池电压预测模型按以下方式进行构建：根据新能源汽车电池包的实验室运行数据，获取机器学习的训练样本数据，训练样本数据包括电池包总电压
、
电池包荷电状态和单体电压；设定超参数，将训练样本数据通过随机森林算法进行训练，得到电池电压预测模型
。3.
根据权利要求1所述的新能源汽车电池故障诊断方法，其特征在于，电池温度预测模型按以下方式进行构建：根据新能源汽车电池包的实验室运行数据，获取机器学习的训练样本数据，训练样本数据包括电池包总电流
、
电池包总电压
、
电池包最大电压
、
电池包最小电压
、
电池表面温度和环境温度；设定超参数，将训练样本数据通过
BP
神经网络进行训练，得到电池温度预测模型
。4.
根据权利要求2或3所述的新能源汽车电池故障诊断方法，其特征在于，通过对新能源汽车电池包进行充放电实验，获取新能源汽车电池包的实验室运行数据；采用相关系数法对电池包的实验室运行数据进行特征选择，得到机器学习的训练样本数据
。5.
根据权利要求4所述的新能源汽车电池故障诊断方法，其特征在于，进行特征选择前，先对电池包实验数据进行数据清洗
。6.
根据权利要求2所述的新能源汽车电池故障诊断方法，其特征在于，采用核主成分分析法对电池包实验数据中的单体电压进行降维处理，提取出最关键的多个单体电压数据
。7.
根据权利要求1所述的新能源汽车电池故障诊断方法，其特征在于，采用以下计算式确定预测序列中单体电压偏差
、
电池表面温度偏差对应的故障权重：电池表面温度偏差对应的故障权重：其中，

【专利技术属性】
技术研发人员：马兹林，钟政，张扬，邱昭，陈填，
申请(专利权)人：重庆标能瑞源储能技术研究院有限公司，
类型：发明
国别省市：