CN110715678B - 一种传感器异常检测方法及装置 - Google Patents

Abstract

本申请公开了一种传感器异常检测方法及装置，在获取目标车辆中电池包内部目标传感器的当前数据后，通过将目标传感器的当前数据与目标数据进行比较，确定目标传感器是否异常。其中，由于目标数据可以包括目标传感器的历史数据、目标车辆中电池包内部同类型其他传感器的当前数据、同类型其他车辆中电池包内部同类型传感器的数据和目标传感器的预测数据等能够表征目标传感器正常数据的数据中的至少一种，因而，比较目标数据与目标传感器的当前数据，能够确定目标传感器的当前数据与目标传感器的正常数据之间的差距，从而能够根据该差距准确地确定该目标传感器是否发生了异常，以便于能够及时地处理发生异常的传感器，提高了电池包的安全性。

Description

一种传感器异常检测方法及装置

技术领域

本申请涉及车辆技术领域，尤其涉及一种传感器异常检测方法及装置。

背景技术

随着电动汽车的普及，电池包异常的检测越来越重要。电池包异常的种类较多，其中，电池包内部传感器发生异常是一种重要的电池包异常。

传感器分布在电池包内部，可以用于采集电池包的电池数据，并将采集的电池数据发送给电池管理系统(battery management system，BMS)，以便BMS能够根据接收的电池数据进行分析处理。然而，当电池包内部传感器发生异常时，可能会导致该传感器无法准确地采集到(甚至无法采集)电池包的电池数据，使得BMS因接收到错误电池数据(甚至无法接收到电池数据)而发生异常。至今，如何对电池包内部传感器进行异常检测仍是一个亟待解决的问题。

发明内容

为了解决现有技术中存在的以上技术问题，本申请提供一种传感器异常检测方法及装置，能够准确地检测出传感器是否发生异常，以便于能够及时地处理发生异常的传感器，提高了电池包的安全性。

为了实现上述目的，本申请提供的技术方案如下：

本申请提供一种传感器异常检测方法，包括：

获取目标车辆中电池包内部目标传感器的当前数据；

比较所述目标传感器的当前数据和目标数据，确定所述目标传感器是否异常；其中，所述目标数据包括目标传感器的历史数据、目标车辆中电池包内部同类型其他传感器的当前数据、同类型其他车辆中电池包内部同类型传感器的数据和目标传感器的预测数据中的至少一个；所述目标传感器的预测数据为由预测模型根据所述目标传感器的当前数据预测得到的数据。

可选的，当所述目标数据包括目标车辆中电池包内部同类型其他传感器的当前数据时，则所述比较所述目标传感器的当前数据和目标数据，确定所述目标传感器是否异常，具体包括：

利用第一预设算法对所述目标传感器的当前数据和目标车辆中电池包内部同类型其他传感器的当前数据进行分析，并根据分析结果确定所述目标传感器是否异常；

其中，所述第一预设算法包括聚类算法、异常检测算法和统计分析算法中的至少一个。

可选的，当所述第一预设算法包括聚类算法、异常检测算法和统计分析算法时，所述利用第一预设算法对所述目标传感器的当前数据和目标车辆中电池包内部同类型其他传感器的当前数据进行分析，并根据分析结果确定所述目标传感器是否异常，具体包括：

利用所述聚类算法对所述目标传感器的当前数据和目标车辆中电池包内部同类型其他传感器的当前数据进行聚类，并根据聚类结果得到第一判定结果；

利用所述统计分析算法对所述目标传感器的当前数据和目标车辆中电池包内部同类型其他传感器的当前数据进行统计分析，并根据统计分析结果得到第二判定结果；

利用所述异常检测算法对所述目标传感器的当前数据和目标车辆中电池包内部同类型其他传感器的当前数据进行分析，并根据分析结果得到第三判定结果；

根据第一判定结果、第二判定结果和第三判定结果，利用投票方式确定所述目标传感器是否异常。

可选的，还包括：

根据所述分析结果确定所述同类型其他传感器是否异常。

可选的，当所述目标数据包括同类型其他车辆中电池包内部同类型传感器的数据时，则所述比较所述目标传感器的当前数据和目标数据，确定所述目标传感器是否异常，具体包括：

利用第二预设算法对所述目标传感器的当前数据和同类型其他车辆中电池包内部同类型传感器的数据进行分析，并根据分析结果确定所述目标传感器是否异常；

其中，所述第二预设算法包括聚类算法、异常检测算法和统计分析算法中的至少一个。

可选的，当所述第二预设算法包括聚类算法、异常检测算法和统计分析算法时，所述利用第二预设算法对所述目标传感器的当前数据和同类型其他车辆中电池包内部同类型传感器的数据进行分析，并根据分析结果确定所述目标传感器是否异常，具体包括：

利用所述聚类算法对所述目标传感器的当前数据和同类型其他车辆中电池包内部同类型传感器的数据进行聚类，并根据聚类结果得到第四判定结果；

利用所述统计分析算法对所述目标传感器的当前数据和同类型其他车辆中电池包内部同类型传感器的数据进行统计分析，并根据统计分析结果得到第五判定结果；

利用所述异常检测算法对所述目标传感器的当前数据和同类型其他车辆中电池包内部同类型传感器的数据进行分析，并根据分析结果得到第六判定结果；

根据第四判定结果、第五判定结果和第六判定结果，利用投票方式确定所述目标传感器是否异常。

可选的，当所述目标数据包括目标传感器的预测数据时，则所述比较所述目标传感器的当前数据和目标数据，确定所述目标传感器是否异常，具体包括：

将所述目标传感器的当前数据与目标传感器的预测数据进行作差，得到第一差值；

若所述第一差值达到第一阈值，则确定所述传感器异常；若所述第一差值低于第一阈值，则确定所述传感器正常。

可选的，当所述目标数据包括目标传感器的历史数据、目标车辆中电池包内部同类型其他传感器的当前数据、同类型其他车辆中电池包内部同类型传感器的数据和所述目标传感器的预测数据时，所述比较所述目标传感器的当前数据和目标数据，确定所述目标传感器是否异常，具体包括：

比较所述目标传感器的当前数据和目标传感器的历史数据，得到第七判定结果；

比较所述目标传感器的当前数据和目标车辆中电池包内部同类型其他传感器的当前数据，得到第八判定结果；

比较所述目标传感器的当前数据和同类型其他车辆中电池包内部同类型传感器的数据，得到第九判定结果；

比较所述目标传感器的当前数据和目标传感器的预测数据，得到第十判定结果；

根据第七判定结果、第八判定结果、第九判定结果和第十判定结果，确定所述目标传感器是否异常。

可选的，还包括：

在确定所述目标传感器异常后，利用所述目标传感器的预测数据代替所述目标传感器的当前数据发送至电池管理系统BMS。

本申请还提供了一种传感器异常检测装置，包括：

获取单元，用于获取目标车辆中电池包内部目标传感器的当前数据；

判定单元，用于比较所述目标传感器的当前数据和目标数据，确定所述目标传感器是否异常；其中，所述目标数据包括目标传感器的历史数据、目标车辆中电池包内部同类型其他传感器的当前数据、同类型其他车辆中电池包内部同类型传感器的数据和目标传感器的预测数据中的至少一个；所述目标传感器的预测数据为由预测模型根据所述目标传感器的当前数据预测得到的数据。

本申请还提供了一种设备，所述设备包括处理器以及存储器：

所述存储器用于存储计算机程序；

所述处理器用于根据所述计算机程序执行上述提供的传感器异常检测方法的任一实施方式。

本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序用于执行上述提供的传感器异常检测方法的任一实施方式。

与现有技术相比，本申请至少具有以下优点：

本申请提供的传感器异常检测方法中，在获取目标车辆中电池包内部目标传感器的当前数据后，通过将目标传感器的当前数据与目标传感器的历史数据、目标车辆中电池包内部同类型其他传感器的当前数据、同类型其他车辆中电池包内部同类型传感器的数据和目标传感器的预测数据中的至少一个数据进行比较，从而确定所述目标传感器是否异常。其中，由于目标传感器的历史数据、目标车辆中电池包内部同类型其他传感器的当前数据、同类型其他车辆中电池包内部同类型传感器的数据和目标传感器的预测数据中的任一种数据均能够代表目标传感器的正常数据，因而，通过将目标传感器的当前数据与目标传感器的历史数据、目标车辆中电池包内部同类型其他传感器的当前数据、同类型其他车辆中电池包内部同类型传感器的数据和目标传感器的预测数据中的至少一个数据进行比较，能够确定目标传感器的当前数据与目标传感器的正常数据之间的差距，从而能够根据该差距准确地确定该目标传感器是否发生了异常，以便于能够及时地处理发生异常的传感器，提高了电池包的安全性。

附图说明

为了更清楚地说明本申请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申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本申请实施例提供的传感器异常检测方法的流程图；

图2为本申请实施例提供的传感器异常检测装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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。

方法实施例

参见图1，该图为本申请实施例提供的传感器异常检测方法的流程图。

本申请实施例提供的传感器异常检测方法，包括步骤S1-S2：

S1：获取目标车辆中电池包内部目标传感器的当前数据。

目标传感器位于电池包内部，而且，目标传感器可以包括至少一个传感器。

需要说明的是，由于在本申请实施例中，每个传感器可以采用相同的异常检测方法，因而，为了便于理解和解释，后续步骤均将以目标传感器包括一个传感器为例进行说明。

当前数据是指目标传感器在当前时间下采集的数据。例如，若目标传感器为电压传感器，则当前数据为在当前时间下电池包中的电压相关参数；若目标传感器为温度传感器，则当前数据为在当前时间下电池包中的温度相关参数。另外，本申请不限定目标传感器的类型，例如，目标传感器可以是电压传感器，也可以是温度传感器。

当前数据可以是一个时间点对应的数据，例如，若当前时间为10点20分，则当前数据可以是10点20分对应的采集数据。另外，当前数据也可以是一个时间段对应的数据，例如，若当前时间为10点20分至10点40分，则当前数据可以是10点20分至10点40分这一时间段对应的所有采集数据。

S2：比较所述目标传感器的当前数据和目标数据，确定所述目标传感器是否异常。

其中，目标数据用于表征目标传感器在当前时间下的正常数据。例如，若目标传感器为电压传感器，则目标数据可以用于表征在当前时间下目标传感器采集的正常电压相关参数。

另外，在本申请实施例中，目标数据可以采用多种数据进行表示，为了便于理解和解释目标数据，下面结合五个示例进行说明。

作为第一示例：由于在实际应用过程中，电池包内部的数据参数(例如，电压和温度)变化较小，使得目标传感器采集到的数据变化也较小，因而，当前时间下目标传感器的正常数据可以利用目标传感器的历史数据进行表征，此时，目标数据可以包括目标传感器的历史数据。

作为第二示例：由于在实际应用过程中，电池包内部包括多个同类型传感器，而且，该多个同类型传感器(例如，电压传感器)均用于采集电池包内部的相同数据参数(例如，电压相关参数)，使得在同一时间下该多个同类型传感器所采集的数据值基本相同，因而，当前时间下目标传感器的正常数据可以利用目标车辆中电池包内部同类型其他传感器的当前数据进行表征，此时，目标数据可以包括目标车辆中电池包内部同类型其他传感器的当前数据。

作为第三示例：由于在实际应用过程中，同类型车辆中电池包在相似工作环境下可以对应于相同的电池参数，使得多个同类型车辆中电池包内部同类型传感器采集到的数据基本相似，因而，当前时间下目标传感器的正常数据可以利用同类型其他车辆中电池包内部同类型传感器的数据进行表征，此时，目标数据可以包括同类型其他车辆中电池包内部同类型传感器的数据。此外，为了进一步使得目标数据能够更准确地表征正常数据，目标数据还可以利用同类型其他车辆中电池包内部同类型传感器在相似工作环境下的数据进行表征，此时，目标数据可以包括同类型其他车辆中电池包内部同类型传感器在相似工作环境下的数据。

作为第四示例，由于在实际应用过程中，电池包内部的数据参数(例如，电压参数)的变化是有规律可寻的，使得该电池包内部的数据参数是可以预测的，从而使得目标传感器采集的数据也是可以预测的，因而，当前时间下目标传感器的正常数据可以由预测模型根据所述目标传感器的当前数据预测得到的目标传感器的预测数据进行表征，此时，目标数据可以是目标传感器的预测数据，且该目标传感器的预测数据为利用预测模型根据所述目标传感器的当前数据预测得到的数据。

作为第五示例，目标数据还可以基于多个角度的数据对正常数据进行表征，因而，基于上述第一示例至第四示例的内容可知，目标数据可以包括目标传感器的历史数据、目标车辆中电池包内部同类型其他传感器的当前数据、同类型其他车辆中电池包内部同类型传感器的数据和目标传感器的预测数据中的至少一个；所述目标传感器的预测数据为由预测模型根据所述目标传感器的当前数据预测得到的数据。

需要说明的是，在上述示例中，目标车辆中电池包内部同类型其他传感器是指位于目标车辆中电池包内部，且与目标传感器类型相同的传感器。另外，同类型其他车辆是指与目标车辆类型相同的车辆；同类型传感器是指与目标传感器类型相同的传感器。

基于上述目标数据的介绍，下面将结合两种实施方式对步骤S2进行详细介绍。

作为第一种实施方式，S2具体可以包括以下步骤S21-S24中的至少一个步骤：

S21：比较目标传感器的当前数据和目标传感器的历史数据，确定目标传感器是否异常。

由于目标传感器的历史数据，尤其是距离当前时间较近的历史数据能够较好地表征目标传感器在当前时间下的正常数据，因而，可以根据目标传感器的历史数据确定目标传感器的当前数据是否为异常数据，以便确定目标传感器是否异常。

为了便于理解和解释步骤S21，下面结合两种实施方式进行解释和说明。

作为第一种实施方式，S21具体可以包括步骤S21A1-S21A2：

S21A1：根据目标传感器的历史数据，生成目标传感器对应的数据变化趋势图。

目标传感器对应的数据变化趋势图，用于记录目标传感器在不同条件(例如，时间或工作环境等条件)下的变化趋势。

本申请实施例不限定目标传感器对应的数据变化趋势图的生成方式，例如，可以采用拟合的方式生成目标传感器对应的数据变化趋势图，也可以采用其他的方式。

S21A2：根据目标传感器对应的数据变化趋势图，得到目标传感器的当前理论值。

当前理论值用于表征目标传感器在当前时刻的理论数值，而且，目标传感器的当前理论值与目标传感器的当前数据相对应。

S21A3：判断目标传感器的当前数据和目标传感器的当前理论值之间的差值是否小于第二阈值，若是，则确定目标传感器正常；若否，则确定目标传感器异常。

第二阈值可以预先设定，尤其可以根据实际应用场景设定。例如，第二阈值可以为0，也可以是其他数值，本申请对此不做具体限定。

在上述S21的第一种实施方式中，通过先根据目标传感器的历史数据生成目标传感器的对应的数据变化趋势图，再判断目标传感器的当前数据是否符合该数据变化趋势图中所记录的变化趋势，若符合，则表示目标传感器正常；若不符合，则表示目标传感器异常。

作为第二种实施方式，S21具体可以包括S21B1-S21B2：

S21B1：计算目标传感器的当前数据与目标传感器的历史数据之间的差值，作为第二差值。

第二差值用于表征目标传感器的当前数据与目标传感器的历史数据之间的差异性。

为了便于理解和解释步骤S21B1，下面结合示例进行解释和说明。

作为示例，当目标传感器的历史数据包括N个数据，且该N个数据为第1个数据、第2个数据、……、第N个数据时，则S21B1具体可以为：将目标传感器的当前数据与第1个数据作差，得到第1个初始差值；将目标传感器的当前数据与第2个数据作差，得到第2个初始差值；……；将目标传感器的当前数据与第N个数据作差，得到第N个初始差值；根据第1个初始差值、第2个初始差值、……、第N个初始差值，得到第二差值。

其中，第二差值可以是第1个初始差值、第2个初始差值、……、第N个初始差值的平均值，也可以是第1个初始差值、第2个初始差值、……、第N个初始差值中的中间值，也可以是第1个初始差值、第2个初始差值、……、第N个初始差值中的最大值(或最小值)。

需要说明的是，在上述示例中，1个数据可以是指某个时间点采集的数据，也可以是某个时间段采集的数据，本申请对1个数据不做具体限定。

S21B2：判断第二差值是否小于第三阈值，若是，则确定目标传感器正常；若否，则确定目标传感器异常。

其中，第三阈值可以预先设定，尤其可以根据实际应用场景设定。例如，第三阈值可以为0，也可以是其他数值，本申请对此不做具体限定。

在上述S21的第二种实施方式中，可以通过将目标传感器的当前数据和目标传感器的历史数据之间的差值与第三阈值进行比较，确定目标传感器是否异常。

以上为步骤S21的具体实施方式。

S22：比较目标传感器的当前数据和目标车辆中电池包内部同类型其他传感器的当前数据，确定目标传感器是否异常。

目标车辆中电池包内部同类型其他传感器是指位于目标车辆中电池包内部，且与目标传感器类型相同的传感器。

目标车辆中电池包内部同类型其他传感器的当前数据是指与目标传感器的当前数据的采集时间邻近(甚至相同)的数据。

电池包内部包括多个同类型传感器，而且，这些同类型传感器均用于采集电池包内部的相同参数，例如，多个电压传感器均用于采集电池包内部的电压相关参数。由此可知，目标车辆中电池包内部同类型其他传感器的当前数据与目标传感器的当前数据是基本相同的，使得目标车辆中电池包内部同类型其他传感器的当前数据能够较好地表征目标传感器在当前时间下的正常数据，因而，可以根据目标车辆中电池包内部同类型其他传感器的当前数据确定目标传感器的当前数据是否为异常数据，以便确定目标传感器是否异常。

为了便于理解和解释步骤S22，下面结合两种实施方式进行解释和说明。

作为第一种实施方式，S22具体可以包括S22A1-S22A2：

S22A1：计算目标传感器的当前数据与目标车辆中电池包内部同类型其他传感器的当前数据之间的差值，作为第三差值。

第三差值用于表征目标传感器的当前数据与目标车辆中电池包内部同类型其他传感器的当前数据之间的差异性。

为了便于理解和解释步骤S22A1，下面结合示例进行解释和说明。

作为示例，假设目标车辆中电池包内部包括M个同类型其他传感器，则同类型其他传感器的当前数据为为第1个传感器的当前数据、第2个传感器的当前数据、……、第M个传感器的当前数据时，则S22A1具体可以为：将目标传感器的当前数据与第1个传感器的当前数据作差，得到第1个初始差值；将目标传感器的当前数据与第2个传感器的当前数据作差，得到第2个初始差值；……；将目标传感器的当前数据与第M个传感器的当前数据作差，得到第M个初始差值；根据第1个初始差值、第2个初始差值、……、第M个初始差值，得到第三差值。

其中，第三差值可以是第1个初始差值、第2个初始差值、……、第N个初始差值的平均值，也可以是第1个初始差值、第2个初始差值、……、第N个初始差值中的中间值，也可以是第1个初始差值、第2个初始差值、……、第N个初始差值中的最大值(或最小值)。

需要说明的是，在上述示例中，1个传感器的当前数据可以是指某个时间点采集的数据，也可以是某个时间段采集的数据，本申请对1个传感器的当前数据不做具体限定。

S22A2：判断第三差值是否小于第四阈值，若是，则确定目标传感器正常；若否，则确定目标传感器异常。

其中，第四阈值可以预先设定，尤其可以根据实际应用场景设定。例如，第四阈值可以为0，也可以是其他数值，本申请对此不做具体限定。

在上述S22的第一种实施方式中，可以通过将目标传感器的当前数据和目标车辆中电池包内部同类型其他传感器的当前数据之间的差值与第四阈值进行比较，确定目标传感器是否异常。

作为第二种实施方式，S22具体可以为：利用第一预设算法对所述目标传感器的当前数据和目标车辆中电池包内部同类型其他传感器的当前数据进行分析，并根据分析结果确定所述目标传感器是否异常。

其中，第一预设算法用于从目标传感器的当前数据和目标车辆中电池包内部同类型其他传感器的当前数据中找出异常数据；而且，本申请不限定第一预设算法的具体实施方式，例如，第一预设算法可以包括聚类算法、异常检测算法和统计分析算法中的至少一个。

为了便于理解和解释S22的第二种实施方式，下面结合四个示例进行解释说明。

作为第一示例，当第一预设算法包括聚类算法时，则S22具体可以为：利用所述聚类算法对所述目标传感器的当前数据和目标车辆中电池包内部同类型其他传感器的当前数据进行聚类，并根据聚类结果确定所述目标传感器是否异常。

本申请不限定聚类算法的具体实施方式，聚类算法可以采用现有或未来出现的任一种聚类算法。

由于聚类算法能够将相似度高的数据划分到同一类中，将相似度低的数据划分到不同类中，因而，在使用聚类算法对目标传感器的当前数据和目标车辆中电池包内部同类型其他传感器的当前数据进行聚类时，能够将大部分数据聚集到同一类(可以称为正常数据类)中，且少数几个数据作为其他类游离在该正常数据类之外。此时，由于该正常数据类中所包括的数据均为正常数据，且该几个游离在该正常数据类以外的数据与该正常数据类中所包括的正常数据差异较大，因而，该几个游离数据就是异常数据，从而确定该几个游离数据所对应的传感器发生了异常。

在第一示例中，若根据聚类结果确定目标传感器的当前数据是游离在正常数据类以外的数据，则可以确定该目标传感器异常；若根据聚类结果确定目标传感器的当前数据是位于正常数据类中的数据，则可以确定该目标传感器正常。

需要说明的是，在第一示例中，不仅能够根据聚类结果确定目标传感器是否异常，还能够根据聚类结果确定目标车辆中电池包内部同类型其他传感器是否异常。

作为第二示例，当第一预设算法为统计分析算法时，则S22具体可以为：利用所述统计分析算法对所述目标传感器的当前数据和目标车辆中电池包内部同类型其他传感器的当前数据进行统计分析，并根据统计分析结果确定所述目标传感器是否异常。

本申请不限定统计分析算法的具体实施方式，统计分析算法可以采用现有或未来出现的任一种统计分析算法。

由于统计分析算法能够从许多数据中获取这些数据的分布规律，因而，在使用统计分析算法对目标传感器的当前数据和目标车辆中电池包内部同类型其他传感器的当前数据进行统计分析时，能够获取数据分布规律，以便根据该数据分布规律确定不满足该数据分布规律的数据，且将该不满足该数据分布规律的数据所对应的传感器确定为异常传感器。

在第二示例中，若根据统计分析结果确定目标传感器的当前数据是不满足该数据分布规律的数据时，则可以确定该目标传感器异常；若根据统计分析结果确定目标传感器的当前数据是满足该数据分布规律的数据时，则可以确定该目标传感器正常。

需要说明的是，在第二示例中，不仅能够根据统计分析结果确定目标传感器是否异常，还能够根据统计分析结果确定目标车辆中电池包内部同类型其他传感器是否异常。

作为第三示例，当第一预设算法为异常检测算法时，则S22具体可以为：利用所述异常检测算法对所述目标传感器的当前数据和目标车辆中电池包内部同类型其他传感器的当前数据进行分析，并根据分析结果确定所述目标传感器是否异常。

本申请不限定异常检测算法的具体实施方式，异常检测算法可以采用现有或未来出现的任一种异常检测算法。例如，异常检测算法可以是独立森林算法。

由于异常检测算法能够从许多数据中筛选出异常数据，因而，在使用异常检测算法对目标传感器的当前数据和目标车辆中电池包内部同类型其他传感器的当前数据进行分析时，能够找出异常数据，以便将异常数据对应的传感器确定为异常传感器。

在第三示例中，若根据分析结果确定目标传感器的当前数据是异常数据时，则可以确定该目标传感器异常；若根据分析结果确定目标传感器的当前数据是非异常数据时，则可以确定该目标传感器正常。

需要说明的是，在第三示例中，不仅能够根据分析结果确定目标传感器是否异常，还能够根据分析结果确定目标车辆中电池包内部同类型其他传感器是否异常。

基于上述三个示例的相关内容，在步骤S22的具体实施中，步骤S22可以同时采用上述三个示例中提供的至少一种异常确定方式进行实施。另外，在同时采用至少上述三个示例中提供的至少两种异常确定方式进行实施时，需要综合各种异常确定方式得到的异常结果来确定目标传感器是否异常。因而，基于上述第一示例至第三示例，本申请还提供了另一种异常确定方式，下面结合第四示例对该异常确定方式进行解释和说明。

作为第四示例，当所述第一预设算法包括聚类算法、异常检测算法和统计分析算法时，S22具体可以包括S22B1-S22B4：

S22B1：利用所述聚类算法对所述目标传感器的当前数据和目标车辆中电池包内部同类型其他传感器的当前数据进行聚类，并根据聚类结果得到第一判定结果。

其中，第一判定结果用于表示在根据聚类结果确定目标传感器是否异常时所得到的结果。

需要说明的是，S22B1技术详情请参照上述第一示例。

S22B2：利用所述统计分析算法对所述目标传感器的当前数据和目标车辆中电池包内部同类型其他传感器的当前数据进行统计分析，并根据统计分析结果得到第二判定结果。

其中，第二判定结果用于表示在根据统计分析结果确定目标传感器是否异常时所得到的结果。

需要说明的是，S22B2技术详情请参照上述第二示例。

S22B3：利用所述异常检测算法对所述目标传感器的当前数据和目标车辆中电池包内部同类型其他传感器的当前数据进行分析，并根据分析结果得到第三判定结果。

其中，第三判定结果用于表示在根据分析结果确定目标传感器是否异常时所得到的结果。

需要说明的是，S22B3技术详情请参照上述第三示例。

S22B4：根据第一判定结果、第二判定结果和第三判定结果，利用投票方式确定所述目标传感器是否异常。

为了便于理解和解释S22B4，下面结合示例进行说明。

作为示例，当第一判定结果为目标传感器异常，第二判定结果为目标传感器正常，且第三判定结果为目标传感器异常时，则S22B4具体可以为：由于第一判定结果和第三判定结果均向“目标传感器异常”投了一票，而第二判定结果向“目标传感器正常”投了一票，因而，“目标传感器异常”为两票，但是“目标传感器正常”为一票，从而确定目标传感器异常。

需要说明的是，本申请实施例不限定步骤S22B1-S22B3之间没有固定的执行顺序。例如，可以依次执行步骤S22B1、S22B2和S22B3，也可以依次执行步骤S22B2、S22B1和S22B3，也可以依次执行步骤S22B3、S22B2和S22B1，也可以按照其他顺序依次执行步骤S22B1、S22B2和S22B3，还可以同时执行步骤S22B1、S22B2和S22B3中的至少两步。

还需要说明的是，第四示例是以包括第一示例至第三示例提供的三种异常确定方式为例进行说明的。然而，在本申请实施例中，S22还可以利用第一示例至第三示例提供的至少两种异常确定方式进行实施，且该实施方式与上述第四示例相似，为了简要起见，在此不再赘述。

在上述S22的第二种实施方式中，可以利用第一预设算法对目标传感器的当前数据和目标车辆中电池包内部同类型其他传感器的当前数据进行分析，以便根据分析结果确定目标传感器是否异常。

另外，由于利用第一预设算法得到分析结果不仅能够确定目标传感器是否异常，还能够确定目标车辆中电池包内部同类型其他传感器是否异常，因而，为了提高异常传感器的检测效率，本申请还提供了传感器异常检测方法的另一种实施方式，在该实施方式中，在利用第一预设算法对所述目标传感器的当前数据和目标车辆中电池包内部同类型其他传感器的当前数据进行分析并得到分析结果之后，还包括：根据该分析结果确定所述同类型其他传感器是否异常。

在该实施方式中，确定同类型其他传感器是否异常的实施方式与上述确定目标传感器是否异常的实施方式相同，因而，为了简要起见，在此不再赘述，其技术详情请参见上述S22的第二种实施方式中的实施方式。

以上为步骤S22的具体实施方式。

S23：比较目标传感器的当前数据和同类型其他车辆中电池包内部同类型传感器的数据，确定目标传感器是否异常。

同类型其他车辆是指与目标车辆类型相同的其他车辆。

同类型传感器是指与目标传感器类型相同的传感器。

同类型其他车辆中电池包内部同类型传感器的数据可以是同类型其他车辆中电池包内部同类型传感器对应的任一数据，尤其可以是同类型其他车辆中电池包内部同类型传感器在相同工作环境(例如，相同剩余电量(State of Charge，SOC)条件)下的数据。

相同类型的车辆所使用的电池包具有相同或相似的数据参数，使得相同类型的车辆中电池包内部同类型传感器所采集的数据是相同或相似的，由此可知，同类型其他车辆中电池包内部同类型传感器的数据能够较好地表征目标传感器在当前时间下的正常数据，因而，可以根据同类型其他车辆中电池包内部同类型传感器的数据确定目标传感器的当前数据是否为异常数据，以便确定目标传感器是否异常。

需要说明的是，为了提高目标传感器是否异常的判定准确性，同类型其他车辆中电池包内部同类型传感器的数据可以全部是正常数据，也可以包括大量的正常数据以及少量的异常数据，本申请对此不做具体限定。

为了便于理解和解释步骤S23，下面结合两种实施方式进行解释和说明。

作为第一种实施方式，S23具体可以包括S23A1-S23A2：

S23A1：计算目标传感器的当前数据与同类型其他车辆中电池包内部同类型传感器的数据之间的差值，作为第四差值。

需要说明的是，步骤S23A1可以采用上述步骤S22的第一种实施方式中步骤S22A1的任一实施方式，需将上述步骤S22的第一种实施方式中步骤S22A1的任一实施方式中的“目标车辆中电池包内部同类型其他传感器的当前数据”相关内容替换为“同类型其他车辆中电池包内部同类型传感器的数据”相关内容，以及将“第三差值”替换为“第四差值”即可，技术详情请参照上述步骤S22的第一种实施方式中步骤S22A1。

S23A2：判断第四差值是否小于第五阈值，若是，则确定目标传感器正常；若否，则确定目标传感器异常。

需要说明的是，步骤S23A2可以采用上述步骤S22的第一种实施方式中步骤S22A2的任一实施方式，需将上述步骤S22的第一种实施方式中步骤S22A2的任一实施方式中“第三差值”替换为“第四差值”即可，技术详情请参照上述步骤S22的第一种实施方式中步骤S22A2。

在上述S23的第一种实施方式中，可以通过将目标传感器的当前数据和同类型其他车辆中电池包内部同类型传感器的数据之间的差值与第五阈值进行比较，确定目标传感器是否异常。

作为第二种实施方式，S23具体可以为：利用第二预设算法对所述目标传感器的当前数据和同类型其他车辆中电池包内部同类型传感器的数据进行分析，并根据分析结果确定所述目标传感器是否异常。

其中，第二预设算法用于从目标传感器的当前数据和同类型其他车辆中电池包内部同类型传感器的数据找出异常数据；而且，本申请不限定第二预设算法的具体实施方式，例如，第二预设算法可以包括聚类算法、异常检测算法和统计分析算法中的至少一个。

为了便于理解和解释S23的第二种实施方式，下面结合四个示例进行解释说明。

作为第一示例，当第二预设算法包括聚类算法时，则S23具体可以为：利用所述聚类算法对所述目标传感器的当前数据和同类型其他车辆中电池包内部同类型传感器的数据进行聚类，并根据聚类结果确定所述目标传感器是否异常。

本申请不限定聚类算法的具体实施方式，聚类算法可以采用现有或未来出现的任一种聚类算法。

由于聚类算法能够将相似度高的数据划分到同一类中，将相似度低的数据划分到不同类中，因而，在使用聚类算法对目标传感器的当前数据和同类型其他车辆中电池包内部同类型传感器的数据进行聚类时，能够将大部分数据聚集到同一类(可以称为正常数据类)中，且少数几个数据作为其他类游离在该正常数据类之外。此时，由于该正常数据类中所包括的数据均为正常数据，且该几个游离在该正常数据类以外的数据与该正常数据类中所包括的正常数据差异较大，因而，该几个游离数据就是异常数据，从而确定该几个游离数据所对应的传感器发生了异常。

在上述第一示例中，若根据聚类结果确定目标传感器的当前数据是游离在正常数据类以外的数据，则可以确定该目标传感器异常；若根据聚类结果确定目标传感器的当前数据是位于正常数据类中的数据，则可以确定该目标传感器正常。

作为第二示例，当第二预设算法为统计分析算法时，则S23具体可以为：利用所述统计分析算法对所述目标传感器的当前数据和同类型其他车辆中电池包内部同类型传感器的数据进行统计分析，并根据统计分析结果确定所述目标传感器是否异常。

本申请不限定统计分析算法的具体实施方式，统计分析算法可以采用现有或未来出现的任一种统计分析算法。

由于统计分析算法能够从许多数据中获取这些数据的分布规律，因而，在使用统计分析算法对目标传感器的当前数据和同类型其他车辆中电池包内部同类型传感器的数据进行统计分析时，能够获取数据分布规律，以便根据该数据分布规律确定不满足该数据分布规律的数据，且将该不满足该数据分布规律的数据所对应的传感器确定为异常传感器。

在上述第二示例中，若根据统计分析结果确定目标传感器的当前数据是不满足该数据分布规律的数据时，则可以确定该目标传感器异常；若根据统计分析结果确定目标传感器的当前数据是满足该数据分布规律的数据时，则可以确定该目标传感器正常。

作为第三示例，当第二预设算法为异常检测算法时，则S23具体可以为：利用所述异常检测算法对所述目标传感器的当前数据和同类型其他车辆中电池包内部同类型传感器的数据进行分析，并根据分析结果确定所述目标传感器是否异常。

本申请不限定异常检测算法的具体实施方式，异常检测算法可以采用现有或未来出现的任一种异常检测算法。例如，异常检测算法可以是独立森林算法。

由于异常检测算法能够从许多数据中筛选出异常数据，因而，在使用异常检测算法对目标传感器的当前数据和同类型其他车辆中电池包内部同类型传感器的数据进行分析时，能够找出异常数据，以便将异常数据对应的传感器确定为异常传感器。

在上述第三示例中，若根据分析结果确定目标传感器的当前数据是异常数据时，则可以确定该目标传感器异常；若根据分析结果确定目标传感器的当前数据是非异常数据时，则可以确定该目标传感器正常。

基于上述三个示例的相关内容，在步骤S23的具体实施中，步骤S23可以同时采用上述三个示例中提供的至少一种异常确定方式进行实施。另外，在同时采用至少上述三个示例中提供的至少两种异常确定方式进行实施时，需要综合各种异常确定方式得到的异常结果来确定目标传感器是否异常。因而，基于上述第一示例至第三示例，本申请还提供了另一种异常确定方式，下面结合第四示例对该异常确定方式进行解释和说明。

作为第四示例，当所述第二预设算法包括聚类算法、异常检测算法和统计分析算法时，S23具体可以包括S23B1-S23B4：

S23B1：利用所述聚类算法对所述目标传感器的当前数据和同类型其他车辆中电池包内部同类型传感器的数据进行聚类，并根据聚类结果得到第四判定结果。

其中，第四判定结果用于表示在根据聚类结果确定目标传感器是否异常时所得到的结果。

需要说明的是，S23B1技术详情请参照上述第一示例。

S23B2：利用所述统计分析算法对所述目标传感器的当前数据和同类型其他车辆中电池包内部同类型传感器的数据进行统计分析，并根据统计分析结果得到第五判定结果。

其中，第五判定结果用于表示在根据统计分析结果确定目标传感器是否异常时所得到的结果。

需要说明的是，S23B2技术详情请参照上述第二示例。

S23B3：利用所述异常检测算法对所述目标传感器的当前数据和同类型其他车辆中电池包内部同类型传感器的数据进行分析，并根据分析结果得到第六判定结果。

其中，第六判定结果用于表示在根据分析结果确定目标传感器是否异常时所得到的结果。

需要说明的是，S23B3技术详情请参照上述第三示例。

S23B4：根据第四判定结果、第五判定结果和第六判定结果，利用投票方式确定所述目标传感器是否异常。

为了便于理解和解释S23B4，下面结合示例进行说明。

作为示例，当第四判定结果为目标传感器异常，第五判定结果为目标传感器正常，且第六判定结果为目标传感器异常时，则S23B4具体可以为：由于第四判定结果和第六判定结果均向“目标传感器异常”投了一票，而第五判定结果向“目标传感器正常”投了一票，因而，“目标传感器异常”为两票，但是“目标传感器正常”为一票，从而确定目标传感器异常。

需要说明的是，本申请实施例不限定步骤S23B1-S23B3之间没有固定的执行顺序。例如，可以依次执行步骤S23B1、S23B2和S23B3，也可以依次执行步骤S23B2、S23B1和S23B3，也可以依次执行步骤S23B3、S23B2和S23B1，也可以按照其他顺序依次执行步骤S23B1、S23B2和S23B3，还可以同时执行步骤S23B1、S23B2和S23B3中的至少两步。

还需要说明的是，第四示例是以包括第一示例至第三示例提供的三种异常确定方式为例进行说明的。然而，在本申请中，S23还可以利用第一示例至第三示例提供的至少两种异常确定方式进行实施，且该实施方式与上述第四示例相似，为了简要起见，在此不再赘述。

在上述S23的第二种实施方式中，可以利用第二预设算法对目标传感器的当前数据和目标车辆中电池包内部同类型其他传感器的当前数据进行分析，以便根据分析结果确定目标传感器是否异常。

S24：比较目标传感器的当前数据和目标传感器的预测数据，确定目标传感器是否异常。

目标传感器的预测数据，用于表征目标传感器在当前时间下对应的预测数据；而且，目标传感器的预测数据可以由预测模型根据目标传感器的当前数据预测得到的数据。

本申请实施例不限定预测模型的具体实施方式，例如，预测模型可以是深度学习模型，也可以是机器学习模型，还可以是统计分析模型。

需要说明的是，在利用预测模型根据目标传感器的当前数据进行预测之前，还需要对预测模型进行训练；而且，为了提高预测模型的预测准确性，可以利用目标车辆的历史数据堆预测模型进行训练。另外，预测模型也可以利用目标车辆的同类型车辆的历史数据进行训练。

作为一种实施方式，S24具体可以包括步骤S241-S242：

S241：将所述目标传感器的当前数据与目标传感器的预测数据进行作差，得到第一差值。

S242：若所述第一差值达到第一阈值，则确定所述传感器异常；若所述第一差值低于第一阈值，则确定所述传感器正常。

其中，第一阈值可以预先设定，尤其可以根据应用场景设定。例如，第一阈值可以为0，也可以是其他数值，本申请对此不做具体限定。

以上为步骤S24的具体实施方式。

需要说明的是，在本申请实施例中不限定步骤S21-S24之间的执行顺序。作为示例，可以按照预设顺序执行步骤S21、S22、S23和S24，其中，预设顺序可以预先设定。例如，可以依次执行步骤S21、S22、S23和S24，也可以依次执行步骤S22、S21、S23和S24，还可以同时执行步骤S21、S22、S23和S24中的至少一个步骤。

基于上述S2的第一种实施方式内容，当S2包括步骤S21-S24中的至少两个步骤时，需要结合不同步骤所得的异常判定结果来综合判定目标传感器是否异常。因而，本申请实施例提供了步骤S2的第二种实施方式，在该实施方式中，S2具体可以包括步骤S2A-S2E：

S2A：比较所述目标传感器的当前数据和目标传感器的历史数据，得到第七判定结果。

其中，第七判定结果用于表示在根据目标传感器的历史数据确定目标传感器是否异常时所得到的结果。

S2B：比较所述目标传感器的当前数据和目标车辆中电池包内部同类型其他传感器的当前数据，得到第八判定结果。

其中，第八判定结果用于表示在根据目标车辆中电池包内部同类型其他传感器的当前数据确定目标传感器是否异常时所得到的结果。

S2C：比较所述目标传感器的当前数据和同类型其他车辆中电池包内部同类型传感器的数据，得到第九判定结果。

其中，第九判定结果用于表示在根据同类型其他车辆中电池包内部同类型传感器的数据确定目标传感器是否异常时所得到的结果。

S2D：比较所述目标传感器的当前数据和目标传感器的预测数据，得到第十判定结果。

其中，第十判定结果用于表示在根据目标传感器的预测数据确定目标传感器是否异常时所得到的结果。

S2E：根据第七判定结果、第八判定结果、第九判定结果和第十判定结果，确定所述目标传感器是否异常。

作为一种实施方式，S2E具体可以为：根据第七判定结果、第八判定结果、第九判定结果和第十判定结果，利用预设综合方法，确定所述目标传感器是否异常。

本申请实施例不限定预设综合方法的具体实施方式，例如，预设综合方法可以是投票方式；而且，预设综合方法还可以是只要第七判定结果、第八判定结果、第九判定结果和第十判定结果中存在一个结果为“目标传感器异常”时，则确定目标传感器异常。

为了便于理解和解释S2E，下面以预设综合方法为投票方式为例进行说明。

作为示例，当预设综合方法为投票方式，且第七判定结果为目标传感器异常，第八判定结果为目标传感器正常，第九判定结果为目标传感器异常，第十判定结果为目标传感器异常时，则S22B4具体可以为：由于第七判定结果、第九判定结果和第十判定结果均向“目标传感器异常”投了一票，而第八判定结果向“目标传感器正常”投了一票，因而，“目标传感器异常”为三票，但是“目标传感器正常”为一票，从而确定目标传感器异常。

需要说明的是，若“目标传感器异常”和“目标传感器正常”均为两票，可以利用预设判定结果作为最终判定结果。例如，为了安全起见，可以将预设判定结果设定为目标传感器异常，此时，当“目标传感器异常”和“目标传感器正常”均为两票时，可以确定目标传感器异常。

以上为S2E的具体实施方式。

需要说明的是，在本申请中，步骤S2A-S2D分别与步骤S21-S24相同，技术详情请分别参照步骤步骤S21-S24。

还需要说明的是，在本申请实施例中不限定步骤S2A-S2D之间的执行顺序。作为示例，可以按照预设顺序执行步骤S2A、S2B、S2C和S2D，其中，预设顺序可以预先设定。例如，可以依次执行步骤S2A、S2B、S2C和S2D，也可以依次执行步骤S2B、S2A、S2C和S2D，还可以同时执行步骤S2A、S2B、S2C和S2D中的至少一个步骤。

还需要说明的是，上述S2的第二种实施方式是以包括S2A-S2D为例进行说明的。然而，在本申请实施例中，S2还可以包括S2A-S2D中的至少两个步骤进行实施，且该该实施方式与上述S2的第二种实施方式相似，为了简要起见，在此不再赘述。

另外，在确定目标传感器反生异常后，为了避免BMS因接收到错误电池数据(甚至无法接收到电池数据)而发生异常，使得能够BMS更好地管理电池包，本申请还提供了传感器异常检测方法的另一种实施方式，在该实施方式中，传感器异常检测方法除了包括步骤S1和S2以外，还包括S3：

S3：在确定所述目标传感器异常后，利用所述目标传感器的预测数据代替所述目标传感器的当前数据发送至电池管理系统BMS。

在步骤S3中的，“目标传感器的预测数据”与上述步骤S2中的“目标传感器的预测数据”相同，技术详情请参照步骤S3。

以上为方法实施例提供的传感器异常检测方法的具体实施方式，在该实施方式中，在获取目标车辆中电池包内部目标传感器的当前数据后，通过将目标传感器的当前数据与目标传感器的历史数据、目标车辆中电池包内部同类型其他传感器的当前数据、同类型其他车辆中电池包内部同类型传感器的数据和目标传感器的预测数据中的至少一个数据进行比较，从而确定所述目标传感器是否异常。其中，由于目标传感器的历史数据、目标车辆中电池包内部同类型其他传感器的当前数据、同类型其他车辆中电池包内部同类型传感器的数据和目标传感器的预测数据中的任一种数据均能够代表目标传感器的正常数据，因而，通过将目标传感器的当前数据与目标传感器的历史数据、目标车辆中电池包内部同类型其他传感器的当前数据、同类型其他车辆中电池包内部同类型传感器的数据和目标传感器的预测数据中的至少一个数据进行比较，能够确定目标传感器的当前数据与目标传感器的正常数据之间的差距，从而能够根据该差距准确地确定该目标传感器是否发生了异常，以便于能够及时地处理发生异常的传感器，提高了电池包的安全性。

需要说明的是，本申请实施例不限定上述方法实施例提供的传感器异常检测方法的执行主体，例如，上述方法实施例提供的传感器异常检测方法可以应用于车辆端，也可以应用于服务器端，还可以同时应用于车辆端和服务器端。另外，本申请实施例不限定上述方法实施例提供的传感器异常检测方法的执行主体个数，例如，传感器异常检测方法可以由车辆端和服务器端配合执行，具体为：车辆端执行部分步骤(例如，车辆端执行“比较所述目标传感器的当前数据和目标传感器的历史数据，确定所述目标传感器是否异常”和“比较所述目标传感器的当前数据和目标车辆中电池包内部同类型其他传感器的当前数据，确定所述目标传感器是否异常”)，而且，服务器端执行剩余部分步骤(例如，服务器端执行“比较所述目标传感器的当前数据和同类型其他车辆中电池包内部同类型传感器的数据，确定所述目标传感器是否异常”和“比较所述目标传感器的当前数据和目标传感器的预测数据，确定所述目标传感器是否异常”)。

基于上述方法实施例提供的传感器异常检测方法，本申请实施例还提供了一种传感器异常检测装置，下面结合附图进行解释和说明。

装置实施例

参见图2，该图为本申请实施例提供的传感器异常检测装置的结构示意图。

本申请实施例提供的传感器异常检测装置，包括：

获取单元21，用于获取目标车辆中电池包内部目标传感器的当前数据；

判定单元22，用于比较所述目标传感器的当前数据和目标数据，确定所述目标传感器是否异常；其中，所述目标数据包括目标传感器的历史数据、目标车辆中电池包内部同类型其他传感器的当前数据、同类型其他车辆中电池包内部同类型传感器的数据和目标传感器的预测数据中的至少一个；所述目标传感器的预测数据为由预测模型根据所述目标传感器的当前数据预测得到的数据。

作为一种实施方式，为了能够提高异常检测准确率，所述判定单元22，具体用于：当所述目标数据包括目标车辆中电池包内部同类型其他传感器的当前数据时，利用第一预设算法对所述目标传感器的当前数据和目标车辆中电池包内部同类型其他传感器的当前数据进行分析，并根据分析结果确定所述目标传感器是否异常；

其中，所述第一预设算法包括聚类算法、异常检测算法和统计分析算法中的至少一个。

作为一种实施方式，为了能够提高异常检测准确率，所述判定单元22，具体用于：

第一确定子单元，用于当所述第一预设算法包括聚类算法、异常检测算法和统计分析算法时，利用所述聚类算法对所述目标传感器的当前数据和目标车辆中电池包内部同类型其他传感器的当前数据进行聚类，并根据聚类结果得到第一判定结果；

第二确定子单元，用于利用所述统计分析算法对所述目标传感器的当前数据和目标车辆中电池包内部同类型其他传感器的当前数据进行统计分析，并根据统计分析结果得到第二判定结果；

第三确定子单元，用于利用所述异常检测算法对所述目标传感器的当前数据和目标车辆中电池包内部同类型其他传感器的当前数据进行分析，并根据分析结果得到第三判定结果；

第四确定子单元，用于根据第一判定结果、第二判定结果和第三判定结果，利用投票方式确定所述目标传感器是否异常。

作为一种实施方式，为了能够提高异常检测准确率，所述传感器异常检测装置，还包括：

第五确定子单元，用于根据分析结果确定所述同类型其他传感器是否异常。

作为一种实施方式，为了能够提高异常检测准确率，所述判定单元22，具体用于：当所述目标数据包括同类型其他车辆中电池包内部同类型传感器的数据时，利用第二预设算法对所述目标传感器的当前数据和同类型其他车辆中电池包内部同类型传感器的数据进行分析，并根据分析结果确定所述目标传感器是否异常；

其中，所述第二预设算法包括聚类算法、异常检测算法和统计分析算法中的至少一个。

作为一种实施方式，为了能够提高异常检测准确率，所述判定单元22，具体用于：

第六确定子单元，用于当所述第二预设算法包括聚类算法、异常检测算法和统计分析算法时，利用所述聚类算法对所述目标传感器的当前数据和同类型其他车辆中电池包内部同类型传感器的数据进行聚类，并根据聚类结果得到第四判定结果；

第七确定子单元，用于利用所述统计分析算法对所述目标传感器的当前数据和同类型其他车辆中电池包内部同类型传感器的数据进行统计分析，并根据统计分析结果得到第五判定结果；

第八确定子单元，用于利用所述异常检测算法对所述目标传感器的当前数据和同类型其他车辆中电池包内部同类型传感器的数据进行分析，并根据分析结果得到第六判定结果；

第九确定子单元，用于根据第四判定结果、第五判定结果和第六判定结果，利用投票方式确定所述目标传感器是否异常。

作为一种实施方式，为了能够提高异常检测准确率，所述判定单元22，具体用于：当所述目标数据包括目标传感器的预测数据时，将所述目标传感器的当前数据与目标传感器的预测数据进行作差，得到第一差值；若所述第一差值达到第一阈值，则确定所述传感器异常；若所述第一差值低于第一阈值，则确定所述传感器正常。

作为一种实施方式，为了能够提高异常检测准确率，所述判定单元22，具体用于：

第一比较子单元，用于当所述目标数据包括目标传感器的历史数据、目标车辆中电池包内部同类型其他传感器的当前数据、同类型其他车辆中电池包内部同类型传感器的数据和所述目标传感器的预测数据时，比较所述目标传感器的当前数据和目标传感器的历史数据，得到第七判定结果；

第二比较子单元，用于比较所述目标传感器的当前数据和目标车辆中电池包内部同类型其他传感器的当前数据，得到第八判定结果；

第三比较子单元，用于比较所述目标传感器的当前数据和同类型其他车辆中电池包内部同类型传感器的数据，得到第九判定结果；

第四比较子单元，用于比较所述目标传感器的当前数据和目标传感器的预测数据，得到第十判定结果；

第十确定子单元，用于根据第七判定结果、第八判定结果、第九判定结果和第十判定结果，确定所述目标传感器是否异常。

作为一种实施方式，为了能够提高异常检测准确率，所述传感器异常检测装置，还包括：

替换单元，用于在确定所述目标传感器异常后，利用所述目标传感器的预测数据代替所述目标传感器的当前数据发送至电池管理系统BMS。

以上为本申请装置实施例提供的感器异常检测装置的具体实施方式，在该实施方式中，在获取目标车辆中电池包内部目标传感器的当前数据后，通过将目标传感器的当前数据与目标传感器的历史数据、目标车辆中电池包内部同类型其他传感器的当前数据、同类型其他车辆中电池包内部同类型传感器的数据和目标传感器的预测数据中的至少一个数据进行比较，从而确定所述目标传感器是否异常。其中，由于目标传感器的历史数据、目标车辆中电池包内部同类型其他传感器的当前数据、同类型其他车辆中电池包内部同类型传感器的数据和目标传感器的预测数据中的任一种数据均能够代表目标传感器的正常数据，因而，通过将目标传感器的当前数据与目标传感器的历史数据、目标车辆中电池包内部同类型其他传感器的当前数据、同类型其他车辆中电池包内部同类型传感器的数据和目标传感器的预测数据中的至少一个数据进行比较，能够确定目标传感器的当前数据与目标传感器的正常数据之间的差距，从而能够根据该差距准确地确定该目标传感器是否发生了异常，以便于能够及时地处理发生异常的传感器，提高了电池包的安全性。

另外，基于上述方法实施例提供的传感器异常检测方法的任一实施方式，本申请实施例还提供了一种设备，所述设备包括处理器以及存储器：

所述存储器用于存储计算机程序；

所述处理器用于根据所述计算机程序执行上述方法实施例提供的传感器异常检测方法的任一实施方式。

此外，基于上述方法实施例提供的传感器异常检测方法的任一实施方式，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序用于执行上述方法实施例提供的传感器异常检测方法的任一实施方式。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。任何熟悉本领域的技术人员，在不脱离本发明技术方案范围情况下，都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。

Claims (10)

1.一种传感器异常检测方法，其特征在于，包括：

获取目标车辆中电池包内部目标传感器的当前数据；

比较所述目标传感器的当前数据和目标数据，确定所述目标传感器是否异常；其中，所述目标数据包括目标传感器的历史数据、目标车辆中电池包内部同类型其他传感器的当前数据、同类型其他车辆中电池包内部同类型传感器的数据和目标传感器的预测数据中的至少一个；所述目标传感器的预测数据为由预测模型根据所述目标传感器的当前数据预测得到的数据；

其中，当所述目标数据包括目标车辆中电池包内部同类型其他传感器的当前数据时，则所述比较所述目标传感器的当前数据和目标数据，确定所述目标传感器是否异常，具体包括：

利用第一预设算法对所述目标传感器的当前数据和目标车辆中电池包内部同类型其他传感器的当前数据进行分析，并根据分析结果确定所述目标传感器是否异常；其中，所述第一预设算法包括聚类算法、异常检测算法和统计分析算法中的至少一个；

当所述第一预设算法包括聚类算法、异常检测算法和统计分析算法时，所述利用第一预设算法对所述目标传感器的当前数据和目标车辆中电池包内部同类型其他传感器的当前数据进行分析，并根据分析结果确定所述目标传感器是否异常，具体包括：

利用所述聚类算法对所述目标传感器的当前数据和目标车辆中电池包内部同类型其他传感器的当前数据进行聚类，并根据聚类结果得到第一判定结果；

利用所述统计分析算法对所述目标传感器的当前数据和目标车辆中电池包内部同类型其他传感器的当前数据进行统计分析，并根据统计分析结果得到第二判定结果；

利用所述异常检测算法对所述目标传感器的当前数据和目标车辆中电池包内部同类型其他传感器的当前数据进行分析，并根据分析结果得到第三判定结果；

根据第一判定结果、第二判定结果和第三判定结果，利用投票方式确定所述目标传感器是否异常。

2.根据权利要求1所述的方法，其特征在于，还包括：

根据所述分析结果确定所述同类型其他传感器是否异常。

3.根据权利要求1所述的方法，其特征在于，当所述目标数据包括同类型其他车辆中电池包内部同类型传感器的数据时，则所述比较所述目标传感器的当前数据和目标数据，确定所述目标传感器是否异常，具体包括：

利用第二预设算法对所述目标传感器的当前数据和同类型其他车辆中电池包内部同类型传感器的数据进行分析，并根据分析结果确定所述目标传感器是否异常；

其中，所述第二预设算法包括聚类算法、异常检测算法和统计分析算法中的至少一个。

4.根据权利要求3所述的方法，其特征在于，当所述第二预设算法包括聚类算法、异常检测算法和统计分析算法时，所述利用第二预设算法对所述目标传感器的当前数据和同类型其他车辆中电池包内部同类型传感器的数据进行分析，并根据分析结果确定所述目标传感器是否异常，具体包括：

利用所述聚类算法对所述目标传感器的当前数据和同类型其他车辆中电池包内部同类型传感器的数据进行聚类，并根据聚类结果得到第四判定结果；

利用所述统计分析算法对所述目标传感器的当前数据和同类型其他车辆中电池包内部同类型传感器的数据进行统计分析，并根据统计分析结果得到第五判定结果；

利用所述异常检测算法对所述目标传感器的当前数据和同类型其他车辆中电池包内部同类型传感器的数据进行分析，并根据分析结果得到第六判定结果；

根据第四判定结果、第五判定结果和第六判定结果，利用投票方式确定所述目标传感器是否异常。

5.根据权利要求1所述的方法，其特征在于，当所述目标数据包括目标传感器的预测数据时，则所述比较所述目标传感器的当前数据和目标数据，确定所述目标传感器是否异常，具体包括：

将所述目标传感器的当前数据与目标传感器的预测数据进行作差，得到第一差值；

若所述第一差值达到第一阈值，则确定所述传感器异常；若所述第一差值低于第一阈值，则确定所述传感器正常。

6.根据权利要求1所述的方法，其特征在于，当所述目标数据包括目标传感器的历史数据、目标车辆中电池包内部同类型其他传感器的当前数据、同类型其他车辆中电池包内部同类型传感器的数据和所述目标传感器的预测数据时，所述比较所述目标传感器的当前数据和目标数据，确定所述目标传感器是否异常，具体包括：

比较所述目标传感器的当前数据和目标传感器的历史数据，得到第七判定结果；

比较所述目标传感器的当前数据和目标车辆中电池包内部同类型其他传感器的当前数据，得到第八判定结果；

比较所述目标传感器的当前数据和同类型其他车辆中电池包内部同类型传感器的数据，得到第九判定结果；

比较所述目标传感器的当前数据和目标传感器的预测数据，得到第十判定结果；

根据第七判定结果、第八判定结果、第九判定结果和第十判定结果，确定所述目标传感器是否异常。

7.根据权利要求1-6中任一项所述的方法，其特征在于，还包括：

在确定所述目标传感器异常后，利用所述目标传感器的预测数据代替所述目标传感器的当前数据发送至电池管理系统BMS。

8.一种传感器异常检测装置，其特征在于，包括：

获取单元，用于获取目标车辆中电池包内部目标传感器的当前数据；

判定单元，用于比较所述目标传感器的当前数据和目标数据，确定所述目标传感器是否异常；其中，所述目标数据包括目标传感器的历史数据、目标车辆中电池包内部同类型其他传感器的当前数据、同类型其他车辆中电池包内部同类型传感器的数据和目标传感器的预测数据中的至少一个；所述目标传感器的预测数据为由预测模型根据所述目标传感器的当前数据预测得到的数据；

其中，所述判定单元，具体用于：当所述目标数据包括目标车辆中电池包内部同类型其他传感器的当前数据时，利用第一预设算法对所述目标传感器的当前数据和目标车辆中电池包内部同类型其他传感器的当前数据进行分析，并根据分析结果确定所述目标传感器是否异常；其中，所述第一预设算法包括聚类算法、异常检测算法和统计分析算法中的至少一个；

所述判定单元，具体用于：

第一确定子单元，用于当所述第一预设算法包括聚类算法、异常检测算法和统计分析算法时，利用所述聚类算法对所述目标传感器的当前数据和目标车辆中电池包内部同类型其他传感器的当前数据进行聚类，并根据聚类结果得到第一判定结果；

第二确定子单元，用于利用所述统计分析算法对所述目标传感器的当前数据和目标车辆中电池包内部同类型其他传感器的当前数据进行统计分析，并根据统计分析结果得到第二判定结果；

第三确定子单元，用于利用所述异常检测算法对所述目标传感器的当前数据和目标车辆中电池包内部同类型其他传感器的当前数据进行分析，并根据分析结果得到第三判定结果；

第四确定子单元，用于根据第一判定结果、第二判定结果和第三判定结果，利用投票方式确定所述目标传感器是否异常。

9.一种设备，其特征在于，所述设备包括处理器以及存储器：

所述存储器用于存储计算机程序；

所述处理器用于根据所述计算机程序执行权利要求1-7中任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储计算机程序，所述计算机程序用于执行权利要求1-7中任一项所述的方法。

Images