【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 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。