System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及深度学习,具体而言,涉及一种电池故障诊断方法、模型训练方法、系统及程序产品。
技术介绍
1、随着新能源汽车行业的快速发展,动力电池的性能和安全性越来越受到关注。在相关技术中,电池故障诊断技术主要依赖于车端传感器采集的即时数据,结合简单的诊断算法来实现对电池的故障检测。然而这样的检测方法难以有效诊断出复杂的故障类型,导致故障诊断的准确性有待提升。
技术实现思路
1、本申请实施例的目的在于提供一种电池故障诊断方法、模型训练方法、系统及程序产品,用以实现提高故障诊断准确性的技术效果。
2、本申请实施例第一方面提供了一种电池故障诊断方法,所述方法包括:
3、从多个电池单体中确定存在故障风险的目标电池单体;
4、获取所述目标电池单体分别在多个时间窗口下的当前状态特征,所述当前状态特征与所述目标电池单体的工作电压和/或工作温度相关;每个所述时间窗口的大小不同;
5、将多个所述时间窗口下的当前状态特征输入已训练的故障诊断模型,得到输出的所述目标电池单体的故障类型。
6、在上述实现过程中,结合了目标电池单体在不同时间尺度下的状态特征进行分析,因此能够识别出在不同时间尺度下所体现的电池故障,同时能够更好地适应电池性能的变化和新出现的故障模式。从而弥补了相关技术中通过监测瞬时的基础状态与阈值比较的诊断方式准确性较低的缺点,为复杂的故障类型提供了有效的诊断手段。
7、进一步地,所述从多个电池单体中确定存在故障风险的目标电池
8、确定电池单体对的电压变化趋势的相关性,所述电池单体对包括相邻的两个所述电池单体;
9、基于所述电压变化趋势的相关性,从多个所述电池单体中确定存在故障风险的目标电池单体。
10、在上述实现过程中,基于每相邻的两个电池单体间的电压变化趋势的相关性,初步筛选出存在故障风险的目标电池单体,然后再对目标电池单体在不同时间窗口下的当前状态特征进行深入分析,诊断目标电池单体是否存在故障以及故障类型,弥补了相关技术中电池故障诊断诊断方式准确性较低的缺点。
11、进一步地,所述确定电池单体对的电压变化趋势的相关性,包括:
12、获取每个所述电池单体的电压时间序列;
13、基于相邻的两个电池单体的所述电压时间序列,确定所述相邻的两个电池单体间的电压相关系数;所述电压相关系数用于表征所述电池单体对的电压变化趋势的相关性。
14、在上述实现过程中,通过电池单体对的电压相关系数表征相邻的两个电池单体间的电压变化趋势是否相关,从而基于电压变化趋势的相关性初步筛选出存在故障风险的目标电池单体。然后再对目标电池单体在不同时间窗口下的当前状态特征进行深入分析,诊断目标电池单体是否存在故障以及故障类型,弥补了相关技术中电池故障诊断方法准确性较低的缺点。
15、进一步地,所述从多个电池单体中确定存在故障风险的目标电池单体,包括:
16、获取每个所述电池单体的温度;
17、从多个所述电池单体中确定温度异常的目标电池单体。
18、在上述实现过程中,通过监测各电池单体在各时刻下的温度是否异常,能够确定出存在故障风险的目标电池单体。然后再对目标电池单体在不同时间窗口下的当前状态特征进行深入分析,诊断目标电池单体是否存在故障以及故障类型,弥补了相关技术中电池故障诊断诊断方式准确性较低的缺点。
19、进一步地,所述方法应用于与车辆通信连接的云端;所述从多个电池单体中确定存在故障风险的目标电池单体,包括:
20、接收所述车辆发送的故障事件;所述故障事件携带所述目标电池单体的身份标识;
21、基于所述身份标识从多个所述电池单体中确定所述目标电池单体。
22、在上述实现过程中,建立了一种车云协同的工作模式,由车辆通过监测电压变化趋势的相关性和/或异常温度初步筛选出存在故障风险的目标电池单体,再向云端上报故障事件,触发云端利用故障诊断模型诊断故障类型。从而将车端的实时检测与云端的数据分析紧密结合,用于车辆电池的故障诊断。
23、进一步地,多个所述时间窗口包括窗口大小依次增加的短期窗口、中期窗口与长期窗口;其中,所述短期窗口下的当前状态数据用于表征状态的瞬时变化;所述中期窗口下的当前状态数据用于表征状态的中期变化趋势;所述长期窗口下的当前状态数据用于表征状态的长期变化趋势。
24、在上述实现过程中,通过设置期、中期、长期等多个时间窗口,综合分析在不同时间尺度上电池性能的变化,提取出关键的故障特征。
25、进一步地,所述故障诊断模型包括基于集成学习的分类模型;所述分类模型是基于多个基模型对历史状态特征输出的预测结果进行训练的;所述基模型与所述时间窗口对应;所述历史状态特征是从所述电池单体的历史工况数据中提取的;所述历史工况数据包括电池单体的历史工作电压和/或历史工作温度。
26、本申请实施例第二方面提供了一种故障诊断模型的训练方法,所述方法包括:
27、获取电池单体的历史工况数据,所述历史工况数据包括电池单体的历史工作电压和/或历史工作温度;
28、从所述历史工况数据中提取在多个时间窗口下的历史状态特征;每个所述时间窗口的大小不同;
29、针对所述多个时间窗口中的每个,利用所述时间窗口下的历史状态特征对所述时间窗口对应的基模型进行有监督训练,得到输出的预测结果;
30、基于多个所述基模型输出的预测结果对元模型进行有监督训练,得到训练后的元模型为所述故障诊断模型。
31、在上述实现过程中,有效利用了云计算等手段对海量历史数据进行深入挖掘,充分利用历史数据结合集成学习来训练模型,从而结合了不同机器学习模型的优势,可以提高故障诊断模型在识别电池故障类型时的准确性和鲁棒性。
32、进一步地,所述多个时间窗口包括窗口大小依次增加的短期窗口、中期窗口与长期窗口;所述基模型包括与所述短期窗口对应的随机森林模型、与所述中期窗口对应的支持向量机模型、以及与所述长期窗口对应的长短期记忆网络模型。
33、在上述实现过程中,结合了不同及其学习模型的优势,提高了故障诊断模型在识别动力电池故障类型时的准确性和鲁棒性。根据不同时间尺度上电池故障特征的特点,采用适合的机器学习算法分别构建基学习器。在短期、中期、与长期时间窗口分别采用rf、svm、lstm三种基学习器。元模型则使用逻辑回归模型,结合one-vs-all策略将基学习器的预测结果进行综合,通过集成后的结果进行故障类型的最终识别。
34、本申请实施例第三方面提供了一种车云协同系统,包括通信连接的车辆与云端;
35、其中,所述车辆包括多个电池单体,所述车辆用于向所述云端发送电池单体的故障事件;
36、所述云端用于基于所述故障事件,从所述多个电池单体中确定存在故障风险的目标电池单体;获取所述目标电池单体分别在多本文档来自技高网...
【技术保护点】
1.一种电池故障诊断方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述从多个电池单体中确定存在故障风险的目标电池单体,包括:
3.根据权利要求2所述的方法,其特征在于,所述确定电池单体对的电压变化趋势的相关性,包括:
4.根据权利要求1所述的方法,其特征在于,所述从多个电池单体中确定存在故障风险的目标电池单体,包括:
5.根据权利要求1所述的方法,其特征在于,所述方法应用于与车辆通信连接的云端;所述从多个电池单体中确定存在故障风险的目标电池单体,包括:
6.根据权利要求1所述的方法,其特征在于,多个所述时间窗口包括窗口大小依次增加的短期窗口、中期窗口与长期窗口;其中,所述短期窗口下的当前状态数据用于表征状态的瞬时变化;所述中期窗口下的当前状态数据用于表征状态的中期变化趋势;所述长期窗口下的当前状态数据用于表征状态的长期变化趋势。
7.根据权利要求1所述的方法,其特征在于,所述故障诊断模型包括基于集成学习的分类模型;所述分类模型是基于多个基模型对历史状态特征输出的预测结果进行训练的
8.一种故障诊断模型的训练方法,其特征在于,所述方法包括:
9.根据权利要求8所述的方法,其特征在于,所述多个时间窗口包括窗口大小依次增加的短期窗口、中期窗口与长期窗口;所述基模型包括与所述短期窗口对应的随机森林模型、与所述中期窗口对应的支持向量机模型、以及与所述长期窗口对应的长短期记忆网络模型。
10.一种车云协同系统,其特征在于,包括通信连接的车辆与云端;
11.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现权利要求1-9中任意一项权利要求所述的方法。
12.一种计算机可读存储介质,其特征在于,其上存储有计算机指令,所述计算机指令被处理器执行时实现权利要求1-9任一所述方法的步骤。
...【技术特征摘要】
1.一种电池故障诊断方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述从多个电池单体中确定存在故障风险的目标电池单体,包括:
3.根据权利要求2所述的方法,其特征在于,所述确定电池单体对的电压变化趋势的相关性,包括:
4.根据权利要求1所述的方法,其特征在于,所述从多个电池单体中确定存在故障风险的目标电池单体,包括:
5.根据权利要求1所述的方法,其特征在于,所述方法应用于与车辆通信连接的云端;所述从多个电池单体中确定存在故障风险的目标电池单体,包括:
6.根据权利要求1所述的方法,其特征在于,多个所述时间窗口包括窗口大小依次增加的短期窗口、中期窗口与长期窗口;其中,所述短期窗口下的当前状态数据用于表征状态的瞬时变化;所述中期窗口下的当前状态数据用于表征状态的中期变化趋势;所述长期窗口下的当前状态数据用于表征状态的长期变化趋势。
7.根据权利要求1所述的方法,其特征在于,所述故障诊断模型包括基于集成学习的分类模型...
【专利技术属性】
技术研发人员:赵海贺,李雪,李学达,张志,黄程,潘垂宇,陈鹏宇,高胜寒,
申请(专利权)人:中国第一汽车股份有限公司,
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。