CN112487031A - 单体电池故障检测方法、装置、可读存储介质及电子设备 - Google Patents
单体电池故障检测方法、装置、可读存储介质及电子设备 Download PDFInfo
- Publication number
- CN112487031A CN112487031A CN202011357752.5A CN202011357752A CN112487031A CN 112487031 A CN112487031 A CN 112487031A CN 202011357752 A CN202011357752 A CN 202011357752A CN 112487031 A CN112487031 A CN 112487031A
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- single battery
- entropy
- diagnosis database
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- 238000005259 measurement Methods 0.000 claims abstract description 84
- 238000003745 diagnosis Methods 0.000 claims abstract description 67
- 238000011156 evaluation Methods 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 41
- 230000008859 change Effects 0.000 claims abstract description 32
- 230000010287 polarization Effects 0.000 claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000013139 quantization Methods 0.000 claims description 7
- 208000032953 Device battery issue Diseases 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 abstract description 17
- 230000008569 process Effects 0.000 description 5
- 238000004880 explosion Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
- B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
- B60L3/0046—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to electric energy storage systems, e.g. batteries or capacitors
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Power Engineering (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pure & Applied Mathematics (AREA)
- Sustainable Development (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Mathematics (AREA)
- Evolutionary Biology (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Sustainable Energy (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
一种单体电池故障检测方法、装置、可读存储介质及电子设备,该方法包括:获取预设时间段内单体电池的多个测量参数,所述多个测量参数包括电压变化率、内阻和极化电压;对各个所述测量参数别进行熵计算,以得到各个测量参数对应的熵数据;分别对各个所述测量参数对应的熵数据进行量化处理,以得到对应的故障评估数据;将所述故障评估数据分别与各个故障诊断数据库中的条件进行比对,每个故障诊断数据库对应一种故障类型;当所述故障评估数据满足当前故障诊断数据库中的条件时,确定所述单体电池为故障,以及确定所述单体电池的故障类型为故障诊断数据库对应的类型。本发明可提前发现动力电池系统的异常问题,在安全问题发生前发现故障问题。
Description
技术领域
本发明涉及电池领域,特别是涉及一种单体电池故障检测方法、装置、可读存储介质及电子设备。
背景技术
随着汽车行业的快速发展,人们对汽车的安全性能要求越来越高,电池系统是汽车的重要组成部分,其安全问题是限制汽车行业的快速发展的瓶颈。受自身抗滥用性差、外界环境和使用条件的影响,电池系统可能出现各种故障,引起动力电池加速退化,甚至是电解液泄露、起火、爆炸等安全事故。因此故障诊断研究对提高电池系统安全性至关重要。
目前大多数车企对电池系统的异常或故障判断都是基于电压、压差、温度、温差等参数进行判断,当由这些参数体现出异常而做出判断时,车辆往往处于安全问题和故障比较严重的时候或动力电池已经发生了起火和爆炸等安全事故,不能提前对电池系统的异常情况做出判断,提前做好措施避免电动汽车安全问题和故障的发生。
发明内容
鉴于上述状况,有必要针对现有技术中无法提前检测出电池故障的问题,提供一种单体电池故障检测方法、装置、可读存储介质及电子设备。
一种单体电池故障检测方法,包括:
获取预设时间段内单体电池的多个测量参数,所述多个测量参数包括电压变化率、内阻和极化电压;
对各个所述测量参数别进行熵计算,以得到各个所述测量参数对应的熵数据;
分别对各个所述测量参数对应的熵数据进行量化处理,以得到对应的故障评估数据;
将所述故障评估数据分别与各个故障诊断数据库中的条件进行比对,每个故障诊断数据库对应一种故障类型;
当所述故障评估数据满足当前故障诊断数据库中的条件时,确定所述单体电池为故障,以及确定所述单体电池的故障类型为故障诊断数据库对应的类型。
进一步的,上述单体电池故障检测方法,其中,所述对各个所述测量参数别进行熵计算,以得到各个所述测量参数对应的熵数据的步骤包括:
将所述预设时间段内的当前测量参数的数据以预设的时间长度进行划分,得到多个时间段的数据片段;
分别针对每个所述时间段的数据片段,确定预设数量个数据区间;
计算各个所述时间段中所述当前测量参数的数据分别落入对应的各个数据区间的概率;
根据所述概率计算所述当前测量参数在各个时间段的熵。
进一步的,上述单体电池故障检测方法,其中,当前时间段中,当前测量参数的熵的计算公式为:
进一步的,上述单体电池故障检测方法,其中,对熵数据进行量化处理的公式为:
其中,AE(w)j为第j个时间段下当前测量参数w对应的故障评估数据,E(w)表示当前测量参数w在第j个时间片段的熵数据,Eave(w)为所述预设时间段内测量参数w的熵数据的均值,σE(w)为当前测量参数w的熵数据的方差。
进一步的,上述单体电池故障检测方法,其中,每个所述故障诊断数据库包括多个故障等级条件,所述将所述故障评估数据分别与各个故障诊断数据库中的条件进行比对的步骤包括:
将所述故障评估数据分别与每个故障诊断数据库中的各个故障等级条件进行比对;
所述确定所述单体电池为故障,且所述单体电池的故障类型为故障诊断数据库对应的类型的步骤之后还包括:
当所述熵数据满足当前故障诊断数据库中的当前故障条件时,确定所述单体电池的故障等级为当前故障等级条件对应的等级,并发出所述等级对应的故障提示。
进一步的,上述单体电池故障检测方法,其中,所述确定所述单体电池为故障,以及确定所述单体电池的故障类型为故障诊断数据库对应的类型的步骤包括:
当所述故障评估数据中大于阈值占比的数据满足当前故障诊断数据库中的条件时,确定所述单体电池为故障,以及确定所述单体电池的故障类型为故障诊断数据库对应的类型。
进一步的,上述单体电池故障检测方法,其中,所述获取预设时间段内的单体电池的测量参数的步骤包括:
获取预设时间段内的行车数据,所述行车数据包括各个时刻的单体电池的电流和电压,所述预设时间段包含车辆启动和熄火两个状态的时间段;
根据所述行车数据计算各个时刻的单体电池的电压变化率、内阻和极化电压。
本发明技术方案还公开了一种电池故障检测装置,包括:
获取模块,用于获取预设时间段内单体电池的多个测量参数,所述多个测量参数包括电压变化率、内阻和极化电压;
熵计算模块,用于对各个所述测量参数别进行熵计算,以得到各个所述测量参数对应的熵数据;
量化处理模块,用于分别对各个所述测量参数对应的熵数据进行量化处理,以得到对应的故障评估数据;
比对模块,用于将所述故障评估数据分别与各个故障诊断数据库中的条件进行比对,每个故障诊断数据库对应一种故障类型;
确定模块,用于当所述故障评估数据满足当前故障诊断数据库中的条件时,确定所述单体电池为故障,以及确定所述单体电池的故障类型为故障诊断数据库对应的类型。
本发明技术方案还公开了一种可读存储介质,其上存储有程序,其特征在于,所述程序被处理器执行时实现上述任一所述的方法。
本发明技术方案还公开了一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现上述任意一项所述的方法。
本发明通过计算电池电压变化率、电池内阻、极化电压,计算熵值对参数熵值进行分析并实时监控电池状态。通过本实施例提出的单体电池的故障检测方法,可提前发现动力电池系统的异常问题,在安全问题和故障发生前发现故障问题和故障类型,能够有效地减少电动汽车起火和爆炸等安全事故的发生,避免了生命和财产巨大经济的损失。
附图说明
图1为本发明第一实施例中的单体电池故障检测方法的流程图;
图2为本发明第二实施例中的单体电池故障检测方法的流程图;
图3为本发明第三实施例中的单体电池故障检测装置的结构框图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
参照下面的描述和附图,将清楚本发明的实施例的这些和其他方面。在这些描述和附图中,具体公开了本发明的实施例中的一些特定实施方式,来表示实施本发明的实施例的原理的一些方式,但是应当理解,本发明的实施例的范围不受此限制。相反,本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
本发明实施例中的单体电池故障检测方法,主要用于对电池系统的各个单体电池进出故障监测。相较于传统的电池故障检测方法,本实施例采用熵值对电压变化率、电阻和极化电压参数波动进行分析,从而识别异常波动。其中,电压变化率、电阻和极化电压参数为表现电池故障的显著特征。该电压变化率、电阻和极化电压参数可以从辆联网平台上提取出的数据计算得到。
而熵值被用于对系统的混乱程度进行描述,因此,本发明通过熵值识别到的异动来对电池异常情况进行提前预警。由熵值的原理可知,熵值远早于电压将异常问题体现出来。由此,可以通过熵值计算来达到提前预判异常单体,做出提前预警。相比于目前大多数车企采用的电池出异常或故障判断的方法更早做出判断,有效防止电动汽车安全问题和故障的发生。
请参阅图1,为本发明第一实施例中的单体电池故障检测方法,包括步骤S11~S15。
步骤S11,获取预设时间段内单体电池的多个测量参数,所述多个测量参数包括电压变化率、内阻和极化电压。
从辆联网平台上提取出车辆的运行数据,并获取历史数据中,预设时间段内的单体电池的参数的数据。该预设时间段例如为汽车启过程中的一段时长的数据和/或汽车熄火过程中的一段时长的数据。
本施例中选取单体电池中具有显著性的三个测量参数,即电压变化率、内阻和极化电压。一般来说车联网上的测量数据为以预设时间间隔采集的数据,例如每秒采集一次数据。因此,在该预设时间段内可得到三个数据组,即电压变化率数组、内阻数组和极化电压数组。
步骤S12,对各个所述测量参数别进行熵计算,以得到各个所述测量参数对应的熵数据。
对电压变化率、内阻和极化电压分别进行熵值计算,分别得到电压变化率、内阻和极化电压的熵。其具体计算步骤包括:
将所述预设时间段内的当前测量参数的数据以预设的时间长度进行划分,得到多个时间段的数据片段;
分别针对每个所述时间段的数据片段,确定预设数量个数据区间;
计算各个所述时间段中所述当前测量参数的数据分别落入对应各个数据区间的概率;
根据所述概率计算所述当前测量参数在各个时间段的熵。
将获取到的测量参数的数据按照时间长度进行划分,得到N个时间长度下的数据片段。举例来说,采集1个小时的电压变化率的数据,以10min为时间长度进行数据划分,可得到0~10min、10~20min,20~30min,30~40min、40~50min和50~60min六个时间段的数据片段。针对每个时间段中的数据片段,确认预设数量个数据区间,该预设数量L根据经验或试验得到的数据,一般可设置为10。当前时间段下的当前数据片段为例,其对应的数据区间为:
其中,L设置的数据区间的数量,Pmax、Pmin分别为该当前数据片段中的电压变化率的最大值和最小值,A为常数,A∈[0,9]。即该当前时间段下的10个数据区间分别为:
……
通过划数据区间的方式,可以将大量的数据分割开来计算,减少芯片计算数据量,提高运算效率和运行速度;同时也是一个聚类分析过程,将特征相近的数据放在一起,更容县发现其中的共性特性。
进一步的,该当前时间段中,当前测量参数的数据分别落入各个数据区间的概率的计算公式如下:
该当前时间段下,当前参数w的熵E(w)计算公式如下:
由上述计算方法可分别得到电压变化率、内阻和极化电压对应的熵数据,即得到三组熵数据,根据时间片段的数量N,可知每组熵数据包括N个熵值。
步骤S13,分别对各个所述测量参数对应的熵数据进行量化处理,以得到对应的故障评估数据。
为了使熵数据更具代表性,需要对各个测量参数的熵数据进行量化处理,得到对应的故障评估数据,其处理方式如下:
AE(w)j为第j个时间段下当前测量参数w对应的故障评估数据,E(w)表示当前测量参数w在第j个时间片段的熵数据,Eave(w)为所述预设时间段内测量参数w的熵数据的均值,σE(w)为当前测量参数w的熵数据的方差。
该测量参数w为电压变化率、内阻或极化电压,根据上述量化处理过程,可得到每个测量参数对应的熵数据,将该量化后的熵数据作为单体电池的故障评估数据。
步骤S14,将所述故障评估数据分别与各个故障诊断数据库中的条件进行比对,每个故障诊断数据库对应一种故障类型。
步骤S15,当所述故障评估数据满足当前故障诊断数据库中的条件时,确定所述单体电池为故障,以及确定所述单体电池的故障类型为故障诊断数据库对应的类型。
具体实施时,通过构建的模型对发生不同类型故障的车辆进行大量数据训练,得到电池故障状态和异常的故障评估数据之间的关系,建立单体电池的故障诊断数据库。如,电池过压诊断数据库、电池欠压诊断数据库、电池压差诊断数据库、电池温差诊断数据库、电池绝缘诊断数据库、电池老化诊断数据库等。
每个故障诊断数据库中包含有满足对应故障类型的条件,当该故障评估数据满足当前故障诊断数据库中的条件时,确定该单体电池为故障,以及该单体电池的故障类型为故障诊断数据库对应的类型。例如当前故障诊断数据库对应的条件为:
电压变化率对应的故障评估数据在范围(a1~b1)内,和内阻对应的故障评估数据在范围为(a2~b2)内,以及极化电压对应的故障参数在范围(a3~b3)内。
当该单体电池的故障评估数据满足上述条件时,即可确定该单体电池的故障类型。当该评估参数均不满足各个故障诊断数据库中的条件时,则说明该单体电池处于健康状态。
具体实施时,可对每一个单体电池参照本实施例中的单体电池的故障检测方法分别进行故障检测。
可以理解的,在本发明的其他实施例中,由于受到整车性能以及其他功率器件运行的影响,获取到测量参数的数据并非完美,允许有部分异常故障诊断参数的存在。
因此,只需要当该故障评估数据中大于阈值占比的数据满足当前故障诊断数据库中的条件时,确定该单体电池为故障,以及该单体电池的故障类型为故障诊断数据库对应的类型。该阈值占比例如为95%,其取值可根据经验来确定或经过大量试验后确定。
本实施例通过计算电池电压变化率、电池内阻、极化电压,计算熵值对参数熵值进行分析并实时监控电池状态。通过本实施例提出的单体电池的故障检测方法,可提前发现动力电池系统的异常问题,在安全问题和故障发生前发现电池的故障问题和故障类型,能够有效地减少电动汽车起火和爆炸等安全事故的发生,避免了生命和财产巨大经济的损失。
请参阅图2,为本发明第二实施例中的单体电池故障检测方法,包括步骤S21~S26。
步骤S21,获取预设时间段内的行车数据,所述行车数据包括各个时刻的单体电池的电流和电压,所述预设时间段包含车辆启动和熄火两个状态的时间段。
汽车的启动和熄火两个状态时电池分别处于充电和放电的状态,此处电池的电压、电流等都处于较稳定的状态,其数据较为可信。因此,获取车辆启动和熄火两个状态下的行车数据。同时,一次只提取一辆车的行车数据,且放电和充电过程数据不少于100条。
进一步的,获取的行车数据要求电压值在2.5~5V,若超过该范围可初步说明该单体电池或整个电池系统处于异常,同时要求该行车数据中电流值在0~5A之间数据不少于20条,以保障数据的可靠性。
进一步的,由于数据传输环境的复杂性和数据输入端可能存在干扰等原因,往往车联网平台上记录的数据中会存在一些无效或异常的数据,比较常见的有数据不全、数据异常和空数据等。基于此,首先对车联网上异常、无效的数据进行处理,得到有用和车辆真实的数据,消除数据问题对预警结果的干扰。
步骤S22,根据所述行车数据计算各个时刻的单体电池的电压变化率、内阻和极化电压。
其中,单体电池的电压变化率的计算公式为:
u′是指单体电池的电压变化率,du是单体电池相邻采样时刻电压的电压差,dt是采样时间间隔。
单体电池的内阻的计算公式为:
Ri为电池单体在i时刻的内阻,ui为电池单体在i时刻的电压,Ii为i时刻的电流。
由单体电池的静置特性计算极化电压:
Upol=ut1-ut2;
Upol为采样时刻t1采集的单体电池的极化电压,ut1和,ut2分别为相邻采样时刻t1和t2采集的单体电池的端电压。
步骤S23,对各个所述测量参数别进行熵计算,以得到各个所述测量参数对应的熵数据。
具体实施时,将该预设时间段以预测时间长度进行划分,得到N个时间段,并确定每个时间段对应的测量参数的数据片段。即单体电池的电压变化率、内阻和极化电压各有N个数据片段。再针对每个数据片段,确定L个数据区间,并计算每个时间段中测量参数w分别落入对应的各个数据区间的概率,根据计算得到概率计算测量参数w分别在各个时间段的熵。
步骤S24,分别对各个所述测量参数对应的熵数据进行量化处理,以得到对应的故障评估数据。
步骤S25,将所述故障评估数据分别与每个故障诊断数据库中的各个故障等级条件进行比对。
步骤S26,当所述熵数据满足当前故障诊断数据库中的当前故障条件时,确定所述单体电池的故障等级为当前故障等级条件对应的等级,并发出所述等级对应的故障提示。
本实施例中,预先设置有多个故障诊断数据库,每个故障诊断数据库对应一种故障类型,例如电池过压诊断数据库、电池欠压诊断数据库、电池压差诊断数据库、电池温差诊断数据库、电池绝缘诊断数据库、电池老化诊断数据库等。并且,每个故障诊断数据库对应多种等级,每个故障等级设置有对应的故障等级条件。例如,该电池过压诊断数据库中设置有三个故障等级,该三个故障等级按照紧急程度从高至低依次为第一故障等级、第二故障等级和第三故障等级。该第一故障等级对应的故障等级条件为:
电压变化率对应的故障评估数据中有80%~100%的数值属于范围(a1~b1);
内阻对应的故障评估数据中有80%~100%的数值属于范围为(a2~b2);
极化电压对应的故障参数中有80%~100%的数值属于范围(a3~b3)。
该第二故障等级对应的故障等级条件为:
电压变化率对应的故障评估数据中有30%~90%的数值属于范围(a1~b1);
内阻对应的故障评估数据中有30%~90%的数值属于范围为(a2~b2);
极化电压对应的故障参数中有30%~90%的数值属于范围(a3~b3)。
该第三故障等级对应的故障等级条件为:
电压变化率对应的故障评估数据中有5%~30%的数值属于范围(a1~b1);
内阻对应的故障评估数据中有5%~3%的数值属于范围为(a2~b2);
极化电压对应的故障参数中有5%~30%的数值属于范围(a3~b3)。
可以理解的,各个测量参数对应的故障评估数据允许有一定的误差,即当故障评估数据中有小于5%的数据落入对应的取值范围内时,可认为该单体电池为健康状态。
需要说明的是,故障诊断数据库中各个故障等级中的故障评估数据的百分占比可根据实际情况进行设置,不限于本实施例中列举的占比。
不同故障等级对应的故障提示不同,以用于提示用户该车辆的单体电池处于哪种等级的故障,以便于用户作出相应的应对措施。
本实施例通过熵值识别到的异动来对电池异常情况进行提前预警。由熵值的原理可知,熵值远早于电压将异常问题体现出来。由此,可以通过熵值计算来达到提前预判异常单体,做出提前预警。相比于目前大多数车企采用的电池出异常或故障判断的方法更早做出判断,有效防止电动汽车安全问题和故障的发生。
另外,车企通过预警信息,可以提前知道可能发生故障的车辆,提前更换故障电池,在提高售后服务质量的同时增加顾客对客车企的满意度,对车企提高销量和市场占有率具有巨大的推动作用。
请参阅图3,为本发明第三实施例中的电池故障检测装置,包括:
获取模块10,用于获取预设时间段内单体电池的多个测量参数,所述多个测量参数包括电压变化率、内阻和极化电压;
熵计算模块20,用于对各个所述测量参数别进行熵计算,以得到各个所述测量参数对应的熵数据;
量化处理模块30,用于分别对各个所述测量参数对应的熵数据进行量化处理,以得到对应的故障评估数据;
比对模块40,用于将所述故障评估数据分别与各个故障诊断数据库中的条件进行比对,每个故障诊断数据库对应一种故障类型;
确定模块50,用于当所述故障评估数据满足当前故障诊断数据库中的条件时,确定所述单体电池为故障,以及确定所述单体电池的故障类型为故障诊断数据库对应的类型。
需要说明的是,上述各个模块可以是功能模块也可以是程序模块,既可以通过软件来实现,也可以通过硬件来实现。对于通过硬件来实现的模块而言,上述各个模块可以位于同一处理器中;或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
本发明实施例所提供的电池故障检测装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种单体电池故障检测方法,其特征在于,包括:
获取预设时间段内单体电池的多个测量参数,所述多个测量参数包括电压变化率、内阻和极化电压;
对各个所述测量参数别进行熵计算,以得到各个所述测量参数对应的熵数据;
分别对各个所述测量参数对应的熵数据进行量化处理,以得到对应的故障评估数据;
将所述故障评估数据分别与各个故障诊断数据库中的条件进行比对,每个故障诊断数据库对应一种故障类型;
当所述故障评估数据满足当前故障诊断数据库中的条件时,确定所述单体电池为故障,以及确定所述单体电池的故障类型为故障诊断数据库对应的类型。
2.如权利要求1所述的单体电池故障检测方法,其特征在于,所述对各个所述测量参数别进行熵计算,以得到各个所述测量参数对应的熵数据的步骤包括:
将所述预设时间段内的当前测量参数的数据以预设的时间长度进行划分,得到多个时间段的数据片段;
分别针对每个所述时间段的数据片段,确定预设数量个数据区间;
计算各个所述时间段中所述当前测量参数的数据分别落入对应的各个数据区间的概率;
根据所述概率计算所述当前测量参数在各个时间段的熵。
5.如权利要求1所述的单体电池故障检测方法,其特征在于,每个所述故障诊断数据库包括多个故障等级条件,所述将所述故障评估数据分别与各个故障诊断数据库中的条件进行比对的步骤包括:
将所述故障评估数据分别与每个故障诊断数据库中的各个故障等级条件进行比对;
所述确定所述单体电池为故障,且所述单体电池的故障类型为故障诊断数据库对应的类型的步骤之后还包括:
当所述熵数据满足当前故障诊断数据库中的当前故障条件时,确定所述单体电池的故障等级为当前故障等级条件对应的等级,并发出所述等级对应的故障提示。
6.如权利要求1所述的单体电池故障检测方法,其特征在于,所述确定所述单体电池为故障,以及确定所述单体电池的故障类型为故障诊断数据库对应的类型的步骤包括:
当所述故障评估数据中大于阈值占比的数据满足当前故障诊断数据库中的条件时,确定所述单体电池为故障,以及确定所述单体电池的故障类型为故障诊断数据库对应的类型。
7.如权利要求1所述的单体电池故障检测方法,其特征在于,所述获取预设时间段内的单体电池的测量参数的步骤包括:
获取预设时间段内的行车数据,所述行车数据包括各个时刻的单体电池的电流和电压,所述预设时间段包含车辆启动和熄火两个状态的时间段;
根据所述行车数据计算各个时刻的单体电池的电压变化率、内阻和极化电压。
8.一种电池故障检测装置,其特征在于,包括:
获取模块,用于获取预设时间段内单体电池的多个测量参数,所述多个测量参数包括电压变化率、内阻和极化电压;
熵计算模块,用于对各个所述测量参数别进行熵计算,以得到各个所述测量参数对应的熵数据;
量化处理模块,用于分别对各个所述测量参数对应的熵数据进行量化处理,以得到对应的故障评估数据;
比对模块,用于将所述故障评估数据分别与各个故障诊断数据库中的条件进行比对,每个故障诊断数据库对应一种故障类型;
确定模块,用于当所述故障评估数据满足当前故障诊断数据库中的条件时,确定所述单体电池为故障,以及确定所述单体电池的故障类型为故障诊断数据库对应的类型。
9.一种可读存储介质,其上存储有程序,其特征在于,所述程序被处理器执行时实现如权利要求1-7任一所述的方法。
10.一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011357752.5A CN112487031B (zh) | 2020-11-27 | 2020-11-27 | 单体电池故障检测方法、装置、可读存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011357752.5A CN112487031B (zh) | 2020-11-27 | 2020-11-27 | 单体电池故障检测方法、装置、可读存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112487031A true CN112487031A (zh) | 2021-03-12 |
CN112487031B CN112487031B (zh) | 2024-06-04 |
Family
ID=74936204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011357752.5A Active CN112487031B (zh) | 2020-11-27 | 2020-11-27 | 单体电池故障检测方法、装置、可读存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112487031B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343633A (zh) * | 2021-06-10 | 2021-09-03 | 上海交通大学 | 动力锂电池热失控故障分类及风险预测方法、系统 |
CN114415032A (zh) * | 2022-01-25 | 2022-04-29 | 中国汽车工程研究院股份有限公司 | 一种动力电池安全性检测方法、系统及存储介质 |
CN115615343A (zh) * | 2022-12-05 | 2023-01-17 | 中汽数据有限公司 | 动力电池安全监测方法、电子设备和存储介质 |
CN115877230A (zh) * | 2022-11-30 | 2023-03-31 | 上海玫克生储能科技有限公司 | 电池模组的故障确定方法、系统、设备和介质 |
CN116224091A (zh) * | 2022-12-01 | 2023-06-06 | 伏瓦科技(苏州)有限公司 | 电池的电芯故障检测方法、装置、电子设备及存储介质 |
CN117312927A (zh) * | 2023-11-28 | 2023-12-29 | 湖南省银峰新能源有限公司 | 全钒液流电池储能系统的电解液泄露故障预测方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180292465A1 (en) * | 2017-04-07 | 2018-10-11 | Board Of Regents, The University Of Texas System | Systems and methods for degradation analysis |
CN109165242A (zh) * | 2018-08-01 | 2019-01-08 | 西安西热电站信息技术有限公司 | 一种基于熵排序与时空分析的故障诊断及预警方法 |
CN110703109A (zh) * | 2019-10-25 | 2020-01-17 | 山东大学 | 一种基于修正样本熵的电池串多故障诊断方法及系统 |
CN110794305A (zh) * | 2019-10-14 | 2020-02-14 | 北京理工大学 | 一种动力电池故障诊断方法和系统 |
-
2020
- 2020-11-27 CN CN202011357752.5A patent/CN112487031B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180292465A1 (en) * | 2017-04-07 | 2018-10-11 | Board Of Regents, The University Of Texas System | Systems and methods for degradation analysis |
CN109165242A (zh) * | 2018-08-01 | 2019-01-08 | 西安西热电站信息技术有限公司 | 一种基于熵排序与时空分析的故障诊断及预警方法 |
CN110794305A (zh) * | 2019-10-14 | 2020-02-14 | 北京理工大学 | 一种动力电池故障诊断方法和系统 |
CN110703109A (zh) * | 2019-10-25 | 2020-01-17 | 山东大学 | 一种基于修正样本熵的电池串多故障诊断方法及系统 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343633A (zh) * | 2021-06-10 | 2021-09-03 | 上海交通大学 | 动力锂电池热失控故障分类及风险预测方法、系统 |
CN113343633B (zh) * | 2021-06-10 | 2022-04-26 | 上海交通大学 | 动力锂电池热失控故障分类及风险预测方法、系统 |
CN114415032A (zh) * | 2022-01-25 | 2022-04-29 | 中国汽车工程研究院股份有限公司 | 一种动力电池安全性检测方法、系统及存储介质 |
CN115877230A (zh) * | 2022-11-30 | 2023-03-31 | 上海玫克生储能科技有限公司 | 电池模组的故障确定方法、系统、设备和介质 |
CN116224091A (zh) * | 2022-12-01 | 2023-06-06 | 伏瓦科技(苏州)有限公司 | 电池的电芯故障检测方法、装置、电子设备及存储介质 |
CN116224091B (zh) * | 2022-12-01 | 2024-02-02 | 伏瓦科技(苏州)有限公司 | 电池的电芯故障检测方法、装置、电子设备及存储介质 |
CN115615343A (zh) * | 2022-12-05 | 2023-01-17 | 中汽数据有限公司 | 动力电池安全监测方法、电子设备和存储介质 |
CN117312927A (zh) * | 2023-11-28 | 2023-12-29 | 湖南省银峰新能源有限公司 | 全钒液流电池储能系统的电解液泄露故障预测方法及装置 |
CN117312927B (zh) * | 2023-11-28 | 2024-03-12 | 湖南省银峰新能源有限公司 | 全钒液流电池储能系统的电解液泄露故障预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112487031B (zh) | 2024-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112487031A (zh) | 单体电池故障检测方法、装置、可读存储介质及电子设备 | |
CN110794305B (zh) | 一种动力电池故障诊断方法和系统 | |
CN112092675B (zh) | 一种电池热失控预警方法、系统及服务器 | |
CN110018425B (zh) | 一种动力电池故障诊断方法及系统 | |
CN111257775A (zh) | 基于充电过程监控电池阻抗异常的方法、系统以及装置 | |
EP3676625B1 (en) | Apparatus and methods for identifying anomaly(ies) in re-chargeable battery of equipment and connected component(s) | |
CN112924887B (zh) | 电池包健康检测方法、装置、可读存储介质及电子设备 | |
CN114430080A (zh) | 一种基于运行数据的动力电池电芯异常自放电的识别方法 | |
KR20220061863A (ko) | 배터리 진단 시스템 및 그 방법 | |
CN107528095B (zh) | 基于新能源车辆存储卡数据的低压蓄电池失效预测方法 | |
CN113933732A (zh) | 新能源汽车动力电池健康状态分析方法、系统及存储介质 | |
CN112946485A (zh) | 车辆电池检测方法、存储介质及设备 | |
CN112345955B (zh) | 一种动力电池多故障在线诊断方法与系统 | |
CN110036305A (zh) | 用于运行机动车的牵引电池组的方法和为此的电池组管理设备 | |
CN113687234A (zh) | 电池异常识别方法、装置、设备、介质及程序产品 | |
CN115384311A (zh) | 诊断动力电池绝缘故障方法、系统、车辆及存储介质 | |
CN116664015A (zh) | 一种智能充电桩管理系统及其方法 | |
CN115166555A (zh) | 一种电池大数据平台电池模块内阻异常识别方法及系统 | |
CN112415401B (zh) | 应用于车辆的电池监控方法、装置和设备 | |
WO2022016862A1 (zh) | 用于监控电池组健康状况的方法和系统 | |
CN115972982A (zh) | 热失控预警方法、装置、设备及可读存储介质 | |
CN113581015B (zh) | 燃料电池系统的安全预警方法及装置 | |
CN115327400A (zh) | 锂电池和模组的析锂检测装置及方法 | |
CN113335068A (zh) | 故障诊断方法、装置、电子设备和可读存储介质 | |
CN111584966A (zh) | 基于大数据分析的动力电池包中单体电池过压预警方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |