CN112765726A - 一种寿命预测方法及装置 - Google Patents

一种寿命预测方法及装置 Download PDF

Info

Publication number
CN112765726A
CN112765726A CN202011637108.3A CN202011637108A CN112765726A CN 112765726 A CN112765726 A CN 112765726A CN 202011637108 A CN202011637108 A CN 202011637108A CN 112765726 A CN112765726 A CN 112765726A
Authority
CN
China
Prior art keywords
information
training data
service life
working condition
life prediction
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
Application number
CN202011637108.3A
Other languages
English (en)
Other versions
CN112765726B (zh
Inventor
高雁飞
郭毅
王尧峰
刘美亿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Neusoft Reach Automotive Technology Shenyang Co Ltd
Original Assignee
Neusoft Reach Automotive Technology Shenyang Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Neusoft Reach Automotive Technology Shenyang Co Ltd filed Critical Neusoft Reach Automotive Technology Shenyang Co Ltd
Priority to CN202011637108.3A priority Critical patent/CN112765726B/zh
Publication of CN112765726A publication Critical patent/CN112765726A/zh
Application granted granted Critical
Publication of CN112765726B publication Critical patent/CN112765726B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例提供了一种寿命预测方法及装置，可以先获取第一零件的工况信息和用途信息。其中，第一零件的工况信息包括第一零件的历史工作环境的信息和历史工作参数的信息，第一零件的用途信息能够体现第一零件的历史用途。接着，可以根据对应关系确定第一零件的用途信息对应的寿命预测模型。该对应关系包括至少一种用途信息和至少一个寿命预测模型之间的对应关系。最后，可以利用寿命预测模型根据第一零件的工况信息确定第一零件的寿命信息。如此，考虑到第一零件的工作用途、工作环境和工作条件，使得寿命预测的结果更加接近第一零件的实际情况，从而提高了寿命预测的准确性。此外，本申请实施例还提供了对应的模型建立方法及装置。

Description

一种寿命预测方法及装置
技术领域
本申请涉及计算机技术领域，尤其涉及一种寿命预测方法及装置。
背景技术
在车辆寿命评估、二手车回收等领域，往往需要对车辆中关键零件的寿命进行估计。例如，在车辆二次售卖时，往往需要对车辆的发动机、变速箱、电瓶等零件的寿命进行估计，从而根据车辆的寿命信息确定车辆的价值。在传统的寿命预测方法中，可以根据零件的型号和车辆的使用时长预测零件的寿命，从而确定零件的价值。
但是，这种寿命预测方法大多仅根据零件的型号和车辆的生成时间确定，得到的结果并不准确，没有考虑到零件的实际工作环境的影响。因此，目前可以基于零件的基本信息和维修保养信息确定零件的剩余寿命。如此，一定程度上提高预测的零件的寿命的准确度。
但是，传统的寿命预测方法仅考虑到了零件的理论参数和外在表现，并没有考虑到零件的实际工作情况，导致对零件的寿命估计的结果仍然不够准确、不够合理。
发明内容
有鉴于此，本申请实施例提供了一种寿命预测方法及装置，旨在提供一种能够准确估计零件寿命的技术方案。
第一方面，本申请实施例提供了一种寿命预测方法，所述方法包括：
获取第一零件的工况信息和用途信息，所述工况信息包括所述第一零件的历史工作环境的信息和历史工作参数的信息，所述用途信息表示所述第一零件的历史用途；
根据对应关系确定所述用途信息对应的寿命预测模型，所述对应关系包括至少一种用途信息和至少一个寿命预测模型的对应关系；
通过寿命预测模型根据所述工况信息确定所述第一零件的寿命信息。
可选地，所述用途信息包括运营用途和/或个人用途；所述第一零件的寿命信息包括所述第一零件的剩余使用时长和/或剩余使用里程；
当所述第一零件为电池包时，所述第一零件的历史工作参数的信息包括所述第一零件的充电电流、放电电流、充电频率中的至少一种；所述第一零件的历史工作环境的信息包括静止时间占比、静止温度分布中的至少一种。
第二方面，本申请实施例提供了一种模型建立方法所述方法包括：
获取训练数据集，所述训练数据集包括第一零件对应的至少一个训练数据组合，所述第一零件的训练数据组合包括第一零件的寿命信息、工况信息和用途信息；
根据所述用途信息对所述第一零件对应的至少一个训练数据组合进行分类，得到至少一个工况信息中每个工况信息对应的训练数据集，所述训练数据集包括至少一个训练数据组合，所述至少一个训练数据组合中任意两个训练数据组合的用途信息相同；
根据所述至少一个训练数据集训练得到至少一个寿命预测模型。
可选地，所述训练数据集包括第一训练数据集，所述第一训练数据集包括至少一个第一训练数据组合，所述至少一个第一训练数据组合中每个第一训练数据组合包括第一用途信息；
在得到至少一个寿命预测模型后，所述方法还包括：
记录第一训练模型和所述第一用途信息之间的对应关系，所述第一训练模型是根据第一训练数据集训练得到的。
可选地，所述用途信息包括自有用途和/或运营用途；所述第一零件的寿命信息包括所述第一零件的剩余使用时长和/或剩余使用里程；
当所述第一零件为电池包时，所述第一零件的工况信息包括所述第一零件的充电电流、放电电流、充电频率、静止时间占比、静止温度分布中的至少一种。
第三方面，本申请实施例提供了一种寿命预测装置，，所述装置包括：
获取模块，用于获取第一零件的工况信息和用途信息，所述工况信息包括所述第一零件的历史工作环境的信息和历史工作参数的信息，所述用途信息表示所述第一零件的历史用途；
确定模块，用于根据对应关系确定所述用途信息对应的寿命预测模型，所述对应关系包括至少一种用途信息和至少一个寿命预测模型的对应关系；
预测模块，用于通过寿命预测模型根据所述工况信息确定所述第一零件的寿命信息。
可选地，所述用途信息包括自有用途和/或运营用途；所述第一零件的寿命信息包括所述第一零件的剩余使用时长和/或剩余使用里程；
当所述第一零件为电池包时，所述第一零件的工况信息包括所述第一零件的充电电流、放电电流、充电频率、静止时间占比、静止温度分布中的至少一种。
第四方面，本申请实施例提供了一种模型建立装置，所述装置包括：
获取模块，用于获取训练数据集，所述训练数据集包括第一零件对应的至少一个训练数据组合，所述第一零件的训练数据组合包括第一零件的寿命信息、工况信息和用途信息；
分类模块，用于根据所述用途信息对所述第一零件对应的至少一个训练数据组合进行分类，得到至少一个工况信息中每个工况信息对应的训练数据集，所述训练数据集包括至少一个训练数据组合，所述至少一个训练数据组合中任意两个训练数据组合的用途信息相同；
训练模块，用于根据所述至少一个训练数据集训练得到至少一个寿命预测模型。
可选地，所述训练数据集包括第一训练数据子集，所述第一训练数据子集包括至少一个第一训练数据组合，所述至少一个第一训练数据组合中每个第一训练数据组合包括第一用途信息；
所述装置还包括记录模块；
所述记录模块，用于记录第一训练模型和所述第一用途信息之间的对应关系，所述第一训练模型是根据第一训练数据子集训练得到的。
可选地，所述用途信息包括自有用途和/或运营用途；所述第一零件的寿命信息包括所述第一零件的剩余使用时长和/或剩余使用里程；
当所述第一零件为电池包时，所述第一零件的历史工作参数的信息包括所述第一零件的充电电流、放电电流、充电频率中的至少一种；所述第一零件的历史工作环境的信息包括静止时间占比、静止温度分布中的至少一种。
第五方面，本申请实施例还提供了一种设备，所述设备包括存储器和处理器，所述存储器用于存储指令，所述处理器用于运行所述存储器存储的所述指令，以使所述设备执行前述第一方面所述的寿命预测方法或前述第二方面所述的模型建立方法。
第六方面，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储机制用于存储计算机程序，所述计算机程序用于控制计算机执行述第一方面所述的寿命预测方法或前述第二方面所述的模型建立方法。
本申请实施例提供了一种寿命预测方法及装置，在预测第一零件的寿命时，可以先获取第一零件的工况信息和用途信息。其中，第一零件的工况信息能够体现所述第一零件的历史工作环境的信息和历史工作参数的信息，第一零件的用途信息能够体现所述第一零件的历史用途。接着，可以根据对应关系确定第一零件的用途信息对应的寿命预测模型。该对应关系包括至少一种用途信息和至少一个寿命预测模型之间的对应关系。在确定第一零件对应的寿命预测模型后，可以利用寿命预测模型根据所述第一零件的工况信息确定所述第一零件的寿命信息。这样，先根据第一零件的用途信息确定对应的寿命预测模型，可以找到最符合第一零件实际的工作状态的寿命预测模型，再根据找到的寿命预测模型和第一零件的工况信息对第一零件的寿命进行预测。如此，相较于传统技术，考虑到了第一零件的工作用途、工作环境和工作条件，使得预测得到的结果更加接近第一零件的实际情况，提高了寿命预测的准确性。此外，本申请实施例还提供了对应的模型建立方法及装置。
附图说明
为更清楚地说明本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他的附图。
图1为本申请实施例提供的寿命预测方法的方法流程图；
图2为本申请实施例提供的模型建立方法的方法流程图；
图3为本申请实施例提供的寿命预测装置的一种结构示意图；
图4为本申请实施例提供的模型建立装置的一种结构示意图；
图5为本申请实施例提供的模型建立装置的另一种结构示意图。
具体实施方式
随着汽车业的飞速发展，我国汽车的保有量越来越多。相应地，二手车交易和汽车零件回收也越来越多。显然，在进行二手车交易或零件回收前，需要对二手车或汽车零件的剩余寿命进行预测，才能更好地确定车辆的价值。其中，二手车价值的往往由车辆的某些关键零件(例如发动机、变速箱等)决定。因此，如何更准确地确定车辆内某些零件的剩余寿命是需要解决的一个关键问题。
传统的寿命计算方法可以获取零件的理论寿命，并根据车辆零件的生产时间、车辆的实际时间进行计算，得到该零件的剩余寿命。这种方法虽然计算简单，但是没有考虑车辆的实际工作情况，导致计算的理论寿命并不准确。在这种寿命计算方法的基础上，现有技术还可以通过人工智能模型预测零件的理论寿命。其中，人工智能模型可以是利用训练数据进行训练得到的。该训练数据例如可以包括零件的型号、理论寿命、行驶里程等车辆基本信息，还可以包括零件所在车辆的维修保养信息，例如车辆的维修次数，维修部件等信息。这样，一定程度上可以提高预测得到的结果的准确度
但是，由于传统的寿命预测方法都没有考虑到零件的实际用途，也没有考虑到零件的实际工作状况，导致结果仍然存在较高的误差。例如，对于出租车、公交车等运营车辆的实际行驶时间往往相对较长；而私家车往往实际行驶时间较短。大城市的车辆大多长时间处于低速行驶状态，而小城市的车辆处于低速行驶状态的时间较短。另外，地区的零件所在的地理位置的气候也可能影响零件的寿命。
为了给出能够更加准确地确定零件的寿命，本申请实施例提供了，一种寿命预测方法和一种模型生成方法及装置。以下结合说明书附图，从计算机软件的角度对本申请实施例提供的寿命预测方法和模型生成方进行说明。需要说明的是，所述计算机软件可以是运行于服务器(或服务器集群)的软件，也可以是运行于计算机的软件，本申请实施例对此不作限定。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
参见图1，图1为本申请实施例提供的寿命预测方法的方法流程图，包括：
S101：获取第一零件的工况信息和用途信息。
在本申请实施例中，软件可以先获取第一零件的工况信息和用途信息。其中，第一零件的工况信息能够体现第一零件的历史工作环境的信息和历史工作参数的信息。第一零件的用途信息能够体现第一零件的历史用途。历史工作环境为第一零件所在的汽车的工作环境。历史工作环境的信息可以包括第一零件所在的地理位置的平均温度、平均湿度等环境信息，也可以包括第一零件的静止温度等第一零件的相关信息。历史工作参数可以是第一零件在工作是的相关参数。用途信息表示第一零件所属车辆的历史用途，例如可以包括运营用途(表示车辆属于运营车辆)、个人用途(表示车辆属于个人车辆)等。
由于不同规模城市的交通状况不同，而交通状况往往也会影响车辆两件的寿命，在一些可能的实现方式中，用途信息还可以包括第一零件所属的车辆的地理位置信息。
对于电动汽车，影响其使用寿命的往往是电动汽车的储能模块，即电动汽车的电池包。因此，对于电池包的寿命预测大多需要具有较高的准确性。当第一零件为电池包时，所述第一零件的历史工作参数的信息可以包括第一零件的充电电流、放电电流、充电频率和静止荷电状态(state of charge，SOC)等电池包的工作参数中的任意一种或多种。第一零件的历史工作环境的信息包括第一零件的静止时间占比、静止温度分布等信息中的任意一种或多种。
在本申请实施例中，软件可以通过软件查询第一零件的工况信息和用途信息，也可以接收技术人员发送的工况信息和用途信息，本申请实施例对获取工况信息和用途信息的具体方法不作限定。
S102：根据对应关系确定所述用途信息对应的寿命预测模型。
在接收到第一零件的工况信息和用途信息后，计算机软件可以根据对应关系确定第一零件的用途信息对应的寿命预测模型。其中，该对应关系包括至少一个用途信息和至少一个寿命预测模型之间的对应关系。即，至少一个寿命预测模型中每个寿命预测模型分别对应一个用途信息。那么，根据用途信息和寿命一寸模型之间的对应关系，计算机软件可以确定与第一零件的用途信息相对应的寿命预测模型，即符合第一零件的实际用途的寿命预测模型，以便利用该寿命预测模型预测第一零件的剩余寿命。
举例说明，假设用途信息包括运营用途和个人用途，第一零件为电池包。那么寿命预测模型可以包括第一寿命预测模型和第二寿命预测模型，分别对应运营用途和个人用途。这样，计算机软件可以根据对应关系确定用途信息对应的寿命预测模型。显然，用于运营的车辆(例如出租车、公交车)等往往启停次数较多，充放电次数也相对较多，对电池包的寿命影响也相对较大。那么，相同的工况信息下，根据第一寿命预测模型得到的寿命短于根据第二寿命预测模型得到的寿命。
关于得到寿命预测模型和对应关系的方法可以参见图2对应实施例的描述，这里不再介绍。
S103：通过寿命预测模型根据所述工况信息确定所述第一零件的寿命信息。
在确定第一零件的用途信息对应的寿命预测模型后，计算机软件可以利用寿命预测模型预测与第一零件的工况信息对应的寿命信息。可选地，当第一零件为电池包时，该寿命信息可以是第一零件的剩余使用时长和/或剩余行驶里程。
上面介绍了本申请实施例提供的寿命预测方法，下面介绍本申请实施例提供的模型建立方法。
参见图2，图2为本申请实施例提供的模型建立方法的方法流程图，包括：
S201：获取训练数据集。
在建立寿命预测模型时，可以先获取训练数据集。该训练数据集可以包括至少一个零件对应的训练数据组合，每个训练数据组合包括该训练数据组合对应的零件的寿命信息、工况信息和用途信息。可选地，训练数据集中的数据可以是对车辆中的零件进行检测得到的。关于寿命信息、工况信息和用途信息的介绍可以参见上文，这里不再赘述。
举例说明，假设所述至少一个零件包括第一零件和第二零件。那么训练数据集可以包括第一零件对应的至少一个训练数据组合和第二零件对应的至少一个训练数据组合。每个训练数据组合中包括第一零件的寿命信息、工况信息合和用途信息。
S202：根据所述用途信息对所述至少一个零件对应的至少一个训练数据组合进行分类，得到至少一个工况信息中每个工况信息对应的训练数据集。
在得到训练数据集后，可以根据零件的用途信息对第一零件对应的至少一个训练数据组合进行分类，得到至少一个工况信息中每个工况信息对应的训练数据集，每个训练数据集可以包括一个或多个训练数据组合。同一个训练数据集中训练数据组合中的用途信息相同。即，按照用途信息对第一零件的多组训练数据组合进行分类，得到每个用途信息对应的训练数据集。
可选地，在得到至少一个训练数据集后，可以记录训练数据集与用途信息的对应关系。如此，可以得到寿命预测模型和用途信息的对应关系，即步骤S102中的对应关系。
S203：根据所述至少一个训练数据集训练得到至少一个寿命预测模型。
在根据用途信息将训练数据组合分为至少一个训练数据集合后，可以分别针对至少一个训练数据集中每个训练数据集训练一个寿命预测模型。在训练寿命预测模型时，可以获取训练数据集包括的一个或多个训练数据组合，并提取其中的寿命信息和工况信息。接着，可以利用寿命信息和工况信息之间的映射关系进行训练，得到该训练数据集的寿命预测模型。
本申请实施例提供了一种寿命预测方法，在预测第一零件的寿命时，可以先获取第一零件的工况信息和用途信息。其中，第一零件的工况信息能够体现所述第一零件的历史工作环境的信息和历史工作参数的信息，第一零件的用途信息能够体现所述第一零件的历史用途。接着，可以根据对应关系确定第一零件的用途信息对应的寿命预测模型。该对应关系包括至少一种用途信息和至少一个寿命预测模型之间的对应关系。在确定第一零件对应的寿命预测模型后，可以利用寿命预测模型根据所述第一零件的工况信息确定所述第一零件的寿命信息。这样，先根据第一零件的用途信息确定对应的寿命预测模型，可以找到最符合第一零件实际的工作状态的寿命预测模型，再根据找到的寿命预测模型和第一零件的工况信息对第一零件的寿命进行预测。如此，相较于传统技术，考虑到了第一零件的工作用途、工作环境和工作条件，使得预测得到的结果更加接近第一零件的实际情况，提高了寿命预测的准确性。此外，本申请实施例还提供了对应的模型建立方法。
以上为本申请实施例提供寿命预测方法和模型建立方法的一些具体实现方式，基于此，本申请还提供了对应的装置。下面将从功能模块化的角度对本申请实施例提供的上述装置进行介绍。
参见图3所示的寿命预测装置的结构示意图，该装置300包括：
获取模块310，用于获取第一零件的工况信息和用途信息，所述工况信息包括所述第一零件的历史工作环境的信息和历史工作参数的信息，所述用途信息表示所述第一零件的历史用途。
确定模块320，用于根据对应关系确定所述用途信息对应的寿命预测模型，所述对应关系包括至少一种用途信息和至少一个寿命预测模型的对应关系。
预测模块330，用于通过寿命预测模型根据所述工况信息确定所述第一零件的寿命信息。
本申请实施例提供了一种寿命预测装置，在预测第一零件的寿命时，可以先获取第一零件的工况信息和用途信息。其中，第一零件的工况信息能够体现所述第一零件的历史工作环境的信息和历史工作参数的信息，第一零件的用途信息能够体现所述第一零件的历史用途。接着，可以根据对应关系确定第一零件的用途信息对应的寿命预测模型。该对应关系包括至少一种用途信息和至少一个寿命预测模型之间的对应关系。在确定第一零件对应的寿命预测模型后，可以利用寿命预测模型根据所述第一零件的工况信息确定所述第一零件的寿命信息。这样，先根据第一零件的用途信息确定对应的寿命预测模型，可以找到最符合第一零件实际的工作状态的寿命预测模型，再根据找到的寿命预测模型和第一零件的工况信息对第一零件的寿命进行预测。如此，相较于传统技术，考虑到了第一零件的工作用途、工作环境和工作条件，使得预测得到的结果更加接近第一零件的实际情况，提高了寿命预测的准确性。此外，本申请实施例还提供了对应的模型建立装置。
可选地，所述用途信息包括自有用途和/或运营用途；所述第一零件的寿命信息包括所述第一零件的剩余使用时长和/或剩余使用里程。
当所述第一零件为电池包时，所述第一零件的工况信息包括所述第一零件的充电电流、放电电流、充电频率、静止时间占比、静止温度分布中的至少一种。
参见图4所示的模型建立装置的结构示意图，该装置400包括：
获取模块410，用于获取训练数据集，所述训练数据集包括第一零件对应的至少一个训练数据组合，所述第一零件的训练数据组合包括第一零件的寿命信息、工况信息和用途信息。
分类模块420，用于根据所述用途信息对所述第一零件对应的至少一个训练数据组合进行分类，得到至少一个工况信息中每个工况信息对应的训练数据集，所述训练数据集包括至少一个训练数据组合，所述至少一个训练数据组合中任意两个训练数据组合的用途信息相同。
训练模块430，用于根据所述至少一个训练数据集训练得到至少一个寿命预测模型。
可选地，参见图5，在图4所示装置的基础上，当所述训练数据集包括第一训练数据子集，所述第一训练数据子集包括至少一个第一训练数据组合，所述至少一个第一训练数据组合中每个第一训练数据组合包括第一用途信息时，所述装置400还包括记录模块440。
所述记录模块440，用于记录第一训练模型和所述第一用途信息之间的对应关系，所述第一训练模型是根据第一训练数据子集训练得到的。
可选地，所述用途信息包括自有用途和/或运营用途；所述第一零件的寿命信息包括所述第一零件的剩余使用时长和/或剩余使用里程。
当所述第一零件为电池包时，所述第一零件的历史工作参数的信息包括所述第一零件的充电电流、放电电流、充电频率中的至少一种；所述第一零件的历史工作环境的信息包括静止时间占比、静止温度分布中的至少一种。
本申请实施例中提到的“第一零件”等名称中的“第一”、“第二”只是用来做名字标识，并不代表顺序上的第一、第二。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如只读存储器(英文：read-only memory，ROM)/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者诸如路由器等网络通信设备)执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述仅是本申请示例性的实施方式，并非用于限定本申请的保护范围。

Claims (10)

1.一种寿命预测方法，其特征在于，所述方法包括：
获取第一零件的工况信息和用途信息，所述工况信息包括所述第一零件的历史工作环境的信息和历史工作参数的信息，所述用途信息表示所述第一零件的历史用途；
根据对应关系确定所述用途信息对应的寿命预测模型，所述对应关系包括至少一种用途信息和至少一个寿命预测模型的对应关系；
通过寿命预测模型根据所述工况信息确定所述第一零件的寿命信息。
2.根据权利要求1所述的方法，其特征在于，所述用途信息包括运营用途和/或个人用途；所述第一零件的寿命信息包括所述第一零件的剩余使用时长和/或剩余使用里程；
当所述第一零件为电池包时，所述第一零件的历史工作参数的信息包括所述第一零件的充电电流、放电电流、充电频率中的至少一种；所述第一零件的历史工作环境的信息包括静止时间占比、静止温度分布中的至少一种。
3.一种模型建立方法，其特征在于，所述方法包括：
获取训练数据集，所述训练数据集包括第一零件对应的至少一个训练数据组合，所述第一零件的训练数据组合包括第一零件的寿命信息、工况信息和用途信息；
根据所述用途信息对所述第一零件对应的至少一个训练数据组合进行分类，得到至少一个工况信息中每个工况信息对应的训练数据集，所述训练数据集包括至少一个训练数据组合，所述至少一个训练数据组合中任意两个训练数据组合的用途信息相同；
根据所述至少一个训练数据集训练得到至少一个寿命预测模型。
4.根据权利要求3所述的方法，其特征在于，所述训练数据集包括第一训练数据集，所述第一训练数据集包括至少一个第一训练数据组合，所述至少一个第一训练数据组合中每个第一训练数据组合包括第一用途信息；
在得到至少一个寿命预测模型后，所述方法还包括：
记录第一训练模型和所述第一用途信息之间的对应关系，所述第一训练模型是根据第一训练数据集训练得到的。
5.根据权利要求3所述的方法，其特征在于，所述用途信息包括自有用途和/或运营用途；所述第一零件的寿命信息包括所述第一零件的剩余使用时长和/或剩余使用里程；
当所述第一零件为电池包时，所述第一零件的工况信息包括所述第一零件的充电电流、放电电流、充电频率、静止时间占比、静止温度分布中的至少一种。
6.一种寿命预测装置，其特征在于，所述装置包括：
获取模块，用于获取第一零件的工况信息和用途信息，所述工况信息包括所述第一零件的历史工作环境的信息和历史工作参数的信息，所述用途信息表示所述第一零件的历史用途；
确定模块，用于根据对应关系确定所述用途信息对应的寿命预测模型，所述对应关系包括至少一种用途信息和至少一个寿命预测模型的对应关系；
预测模块，用于通过寿命预测模型根据所述工况信息确定所述第一零件的寿命信息。
7.根据权利要求6所述的装置，其特征在于，所述用途信息包括自有用途和/或运营用途；所述第一零件的寿命信息包括所述第一零件的剩余使用时长和/或剩余使用里程；
当所述第一零件为电池包时，所述第一零件的工况信息包括所述第一零件的充电电流、放电电流、充电频率、静止时间占比、静止温度分布中的至少一种。
8.一种模型建立装置，其特征在于，所述装置包括：
获取模块，用于获取训练数据集，所述训练数据集包括第一零件对应的至少一个训练数据组合，所述第一零件的训练数据组合包括第一零件的寿命信息、工况信息和用途信息；
分类模块，用于根据所述用途信息对所述第一零件对应的至少一个训练数据组合进行分类，得到至少一个工况信息中每个工况信息对应的训练数据集，所述训练数据集包括至少一个训练数据组合，所述至少一个训练数据组合中任意两个训练数据组合的用途信息相同；
训练模块，用于根据所述至少一个训练数据集训练得到至少一个寿命预测模型。
9.一种设备，其特征在于，所述设备包括存储器和处理器，所述存储器用于存储指令，所述处理器用于运行所述存储器存储的所述指令，以使所述设备执行如权利要求1或权利要求2所述的寿命预测方法或权利要求3-5任一项所述的模型建立方法。
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机制用于存储计算机程序，所述计算机程序用于控制计算机执执行如权利要求1或权利要求2所述的寿命预测方法或权利要求3-5任一项所述的模型建立方法。
CN202011637108.3A 2020-12-31 2020-12-31 一种寿命预测方法及装置 Active CN112765726B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011637108.3A CN112765726B (zh) 2020-12-31 2020-12-31 一种寿命预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011637108.3A CN112765726B (zh) 2020-12-31 2020-12-31 一种寿命预测方法及装置

Publications (2)

Publication Number Publication Date
CN112765726A true CN112765726A (zh) 2021-05-07
CN112765726B CN112765726B (zh) 2024-10-15

Family

ID=75698047

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011637108.3A Active CN112765726B (zh) 2020-12-31 2020-12-31 一种寿命预测方法及装置

Country Status (1)

Country Link
CN (1) CN112765726B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113570160A (zh) * 2021-08-27 2021-10-29 三一石油智能装备有限公司 一种混砂车砂泵的寿命预测方法及装置
CN115310240A (zh) * 2022-10-11 2022-11-08 烟台杰瑞石油装备技术有限公司 油气压裂泵设备寿命预测方法、装置及非易失性存储介质

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090027056A1 (en) * 2007-07-23 2009-01-29 Yung-Sheng Huang Battery performance monitor
US20110082621A1 (en) * 2009-10-02 2011-04-07 Eric Berkobin Method and system for predicting battery life based on vehicle battery, usage, and environmental data
US20160209472A1 (en) * 2015-01-21 2016-07-21 North Carolina State University Method and apparatus for estimating battery life
US20160349330A1 (en) * 2015-06-01 2016-12-01 Verizon Patent And Licensing Inc. Systems and methods for determining vehicle battery health
CN106926725A (zh) * 2017-03-21 2017-07-07 上汽通用汽车有限公司 车辆用蓄电池的使用寿命预测方法和装置
CN108279383A (zh) * 2017-11-30 2018-07-13 深圳市科列技术股份有限公司 电池寿命预测方法、电池数据服务器及电池数据处理系统
CN109492832A (zh) * 2018-12-24 2019-03-19 斑马网络技术有限公司 蓄电池的寿命预测方法、装置、设备以及存储介质
CN109683093A (zh) * 2019-02-01 2019-04-26 清华大学 燃料电池寿命预测方法、预测装置及计算机可读存储介质
CN110648428A (zh) * 2018-06-07 2020-01-03 通用汽车环球科技运作有限责任公司 车辆剩余使用寿命预测
CN110781592A (zh) * 2019-10-25 2020-02-11 中国人民解放军火箭军工程大学 一种设备剩余寿命的预测方法及系统
CN110806544A (zh) * 2018-07-18 2020-02-18 北汽福田汽车股份有限公司 电池剩余寿命的预测方法和装置
CN111191400A (zh) * 2019-12-31 2020-05-22 上海钧正网络科技有限公司 基于用户报障数据的车辆零部件寿命预测方法及系统
US20200164763A1 (en) * 2017-07-21 2020-05-28 Quantumscape Corporation Predictive model for estimating battery states
CN111504662A (zh) * 2020-03-23 2020-08-07 上海博泰悦臻电子设备制造有限公司 一种轮胎使用寿命的预测方法、装置及计算机存储介质
CN111898325A (zh) * 2020-08-14 2020-11-06 天津大学 一种电动汽车动力电池剩余使用寿命预测方法
CN111999657A (zh) * 2020-10-29 2020-11-27 北京航空航天大学 一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090027056A1 (en) * 2007-07-23 2009-01-29 Yung-Sheng Huang Battery performance monitor
US20110082621A1 (en) * 2009-10-02 2011-04-07 Eric Berkobin Method and system for predicting battery life based on vehicle battery, usage, and environmental data
US20160209472A1 (en) * 2015-01-21 2016-07-21 North Carolina State University Method and apparatus for estimating battery life
US20160349330A1 (en) * 2015-06-01 2016-12-01 Verizon Patent And Licensing Inc. Systems and methods for determining vehicle battery health
CN106926725A (zh) * 2017-03-21 2017-07-07 上汽通用汽车有限公司 车辆用蓄电池的使用寿命预测方法和装置
US20200164763A1 (en) * 2017-07-21 2020-05-28 Quantumscape Corporation Predictive model for estimating battery states
CN108279383A (zh) * 2017-11-30 2018-07-13 深圳市科列技术股份有限公司 电池寿命预测方法、电池数据服务器及电池数据处理系统
CN110648428A (zh) * 2018-06-07 2020-01-03 通用汽车环球科技运作有限责任公司 车辆剩余使用寿命预测
CN110806544A (zh) * 2018-07-18 2020-02-18 北汽福田汽车股份有限公司 电池剩余寿命的预测方法和装置
CN109492832A (zh) * 2018-12-24 2019-03-19 斑马网络技术有限公司 蓄电池的寿命预测方法、装置、设备以及存储介质
CN109683093A (zh) * 2019-02-01 2019-04-26 清华大学 燃料电池寿命预测方法、预测装置及计算机可读存储介质
CN110781592A (zh) * 2019-10-25 2020-02-11 中国人民解放军火箭军工程大学 一种设备剩余寿命的预测方法及系统
CN111191400A (zh) * 2019-12-31 2020-05-22 上海钧正网络科技有限公司 基于用户报障数据的车辆零部件寿命预测方法及系统
CN111504662A (zh) * 2020-03-23 2020-08-07 上海博泰悦臻电子设备制造有限公司 一种轮胎使用寿命的预测方法、装置及计算机存储介质
CN111898325A (zh) * 2020-08-14 2020-11-06 天津大学 一种电动汽车动力电池剩余使用寿命预测方法
CN111999657A (zh) * 2020-10-29 2020-11-27 北京航空航天大学 一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
E.SARASKETA-ZABALA ET AL.: "Realistic lifetime prediction approach for Li-ion batteries", 《APPLIED ENERGY》, vol. 162, 15 February 2016 (2016-02-15), pages 839 - 852, XP029327368, DOI: 10.1016/j.apenergy.2015.10.115 *
YAOMING: "汽车零部件剩余寿命预测方法及质保理论研究", Retrieved from the Internet <URL:https://www.docin.com/p-825577358.html> *
徐莹: "纯电动汽车锂离子电池剩余寿命预测研究", 《工程科技Ⅱ辑》, 15 March 2018 (2018-03-15), pages 035 - 372 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113570160A (zh) * 2021-08-27 2021-10-29 三一石油智能装备有限公司 一种混砂车砂泵的寿命预测方法及装置
CN115310240A (zh) * 2022-10-11 2022-11-08 烟台杰瑞石油装备技术有限公司 油气压裂泵设备寿命预测方法、装置及非易失性存储介质

Also Published As

Publication number Publication date
CN112765726B (zh) 2024-10-15

Similar Documents

Publication Publication Date Title
Bi et al. Estimating remaining driving range of battery electric vehicles based on real-world data: A case study of Beijing, China
KR20210149626A (ko) 배터리 서비스 제공 시스템 및 방법
JP5343168B2 (ja) 電池の劣化度を取得するための方法及びそのシステム
KR102627949B1 (ko) 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템 및 방법
CN103745111B (zh) 纯电动乘用车续驶里程预测方法
JP7269437B2 (ja) 電気車充電ステーションを用いたバッテリー性能管理システム及び方法
CN110658460B (zh) 一种电池包的电池寿命预测方法及装置
US11201486B2 (en) Battery control device, charge and discharge system, parking lot system, secondary battery reuse system, battery control method, and non-transitory storage medium
CN112765726A (zh) 一种寿命预测方法及装置
JP2014013245A (ja) 電池劣化度モデルの生成及び更新方法
JP2021124419A (ja) バッテリ劣化判定装置、バッテリ劣化判定方法、及びバッテリ劣化判定プログラム
CN111191824A (zh) 一种动力电池容量衰减预测方法及系统
CN117863886B (zh) 增程车辆的续航预测方法、装置、电子设备及介质
CN114879070A (zh) 一种电池状态评估方法及相关设备
CN112417767A (zh) 一种衰减趋势确定模型构建方法、衰减趋势确定方法
Li et al. Eco-routing for plug-in hybrid electric vehicles
CN116542377A (zh) 一种电动汽车充电站的规划方法
CN115583153A (zh) 一种续航里程计算方法、装置及计算机设备
CN112950030B (zh) 电动汽车的残差评估方法、装置、电子设备及存储介质
CN117172516B (zh) 充电桩动态调度决策方法、装置、设备及存储介质
US20240062310A1 (en) Automated method and system for determining an expected damage of an electrically powered vehicle
Staudt et al. Applying Data Reduction Methods to Battery Degradation Prediction Models for Electric Vehicles
Cejudo et al. Electric vehicle battery consumption estimation model based on simulated environments
Blades et al. Predicting energy consumption of zero emission buses using route feature selection methods
CN116523085A (zh) 换电站排队数的确定方法及装置、换电站和存储介质

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