CN113085555A - 一种电池包热失控后的警示方法 - Google Patents

一种电池包热失控后的警示方法 Download PDF

Info

Publication number
CN113085555A
CN113085555A CN202110313488.3A CN202110313488A CN113085555A CN 113085555 A CN113085555 A CN 113085555A CN 202110313488 A CN202110313488 A CN 202110313488A CN 113085555 A CN113085555 A CN 113085555A
Authority
CN
China
Prior art keywords
temperature
neural network
battery pack
vehicle
explosion time
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
CN202110313488.3A
Other languages
English (en)
Other versions
CN113085555B (zh
Inventor
梁思慧
倪铮
邢俊亚
怀慧
朱傲男
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.)
Dongfeng Motor Corp
Original Assignee
Dongfeng Motor Corp
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 Dongfeng Motor Corp filed Critical Dongfeng Motor Corp
Priority to CN202110313488.3A priority Critical patent/CN113085555B/zh
Publication of CN113085555A publication Critical patent/CN113085555A/zh
Application granted granted Critical
Publication of CN113085555B publication Critical patent/CN113085555B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • H01M10/486—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte for measuring temperature
    • 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

Abstract

本发明公开一种电池包热失控后的警示方法，包括BMS；监测电池包每个模组温度并将各个模组的实时温度传输给整车控制器的温度传感器；布置在汽车前部的整车控制器；整车控制器根据温度传感器信号判断电池包的热失控状态，若温度传感器的温度大于预设值且温度持续升高，则，整车控制器根据神经网络计算出的预测爆炸时间向外界发出警示信号。本分发明解决了车辆发生热失控报警后，即使电池包的温度传感器损坏，BMS无法工作的情况下，仍能根据车辆电池包的状态给出是否报警的信息，确保爆炸时刻没有人员靠近。同时，可以实现热失控状态下的爆炸倒计时，且可以实时更新倒计时的时间及报警状态。

Description

一种电池包热失控后的警示方法
技术领域
本发明涉及电池包控制技术领域，具体涉及一种电池包热失控后的警示方法。
背景技术
国内外新能源汽车销量逐年上升，然而频繁出现的电动车自燃事件，阻碍了电动汽车的推广，如何提升电动汽车安全性是电动汽车推广一个急需解决的问题。
由于国家法规的加严及频发的新能源车辆自燃等严重问题，行业内已逐步开始进行动力电池热失控的研究，但现阶段关注的重点在于如何提取发现热失控，并提前进行热失控报警，以提醒乘员疏散，保证乘员的安全，提升动力电池包的安全性。
目前的热失控报警策略是基于电池包的温度、温升及电压降等信号进行采集分析后，判断是否发生热失控并置出提前预警信息。然而，由于电池包的温度传感器，电路板在100℃左右就会损坏，而电动汽车一旦发生热失控，其温升速率很大，这就导致BMS(电池管理系统)刚发出热失控报警信号几分钟内，BMS就因温度过高而无法正常工作，从而不能持续报警。
然而，从BMS发出热失控报警到电池爆炸的时间通常需要半个小时左右(不同的电池包时间不一样)，这就导致驾驶员或救援队员在BMS损坏后无法看到热失控报警，误以为电动汽车已经安全而接近车辆，导致在车辆爆炸时刻无法撤离。
公开号CN110161414A、CN109669129A、CN112297848A的中国专利均存在：发生热失控后，若温度上升过快导致BMS无法工作，该系统将会失效，无法对驾驶员或救援人员进行提醒。
发明内容
针对背景技术存在的问题，本发明的目的在于提供一种在BMS失效仍能正常工作的、安全可靠，且可以实时更新倒计时时间的电池包热失控后的警示方法。
为达到上述目的，本发明设计的电池包热失控后的警示方法，包括BMS，其特征在于，还包括：监测电池包每个模组温度并将各个模组的实时温度传输给整车控制器的温度传感器；布置在汽车前部的整车控制器；
整车控制器根据温度传感器信号判断电池包的热失控状态，若温度传感器的温度大于预设值且温度持续升高，则，整车控制器根据神经网络计算出的预测爆炸时间向外界发出警示信号。
作为优选方案，预测爆炸时间的计算方法包括：
S1，建立多个模拟实际不同温度下对应爆炸时间的训练样本；
S2，训练神经网络计算并输出预测爆炸时间；
S3，计算神经网络训练的爆炸时间与实际值的偏差；
S4，利用S3中的偏差代入神经网络调整权重值；
S5，根据S4中的权重值进行下一个样本的神经网络学习；
S6，经一定次数的神经网络训练后，确定神经网络模型并刷入系统；
S7，根据神经网络训练得到的预测爆炸时间T，确定爆炸时间阈值，并向外界发出警示信号。
进一步优选的，S1中，每个所述训练样本包括多个模组构成的温度矩阵，以及电池包爆炸时间T’；分别模拟一个温度t一一对应每个模组。
再进一步优选的，所述神经网络模型包括输入层、隐藏层和输出层；
输入层包括i个节点，i个节点分别一一对应同一训练样本下的模组温度；
隐藏层设有j个节点，j为正整数，由网络训练过程以自适应的方式确定；
输出层输出爆炸时间T。
更进一步优选的，隐藏层与输入层的函数关系为：
Figure BDA0002990885690000021
输出层
Figure BDA0002990885690000022
Figure BDA0002990885690000023
式中：y为隐藏层各节点计算出的值，n为每个温度下对应不同节点的权重值，x为隐藏层每个节点对应输出时间的权重值，i为输入层的节点数，j为隐藏层的节点数。
进一步优选的，S3中，神经网络训练的爆炸时间与实际值的偏差α＝T-T′k，式中：T’k为第k个训练样本的爆炸时间。
进一步优选的，S4中，采用梯度下降法求非线性函数极值，调整权重值。
优选的，每个模组上方均布置有两个温度传感器。
优选的，所述温度传感器为K型热电偶。
优选的，所述警示信号为声音和/或灯光。
本发明的有益效果是：本分发明解决了车辆发生热失控报警后，即使电池包的温度传感器损坏，BMS无法工作的情况下，仍能根据车辆电池包的状态给出是否报警的信息，确保爆炸时刻没有人员靠近。同时，可以实现热失控状态下的爆炸倒计时，且可以实时更新倒计时的时间及报警状态。
本发明增加了一路热失控报警线路，解决车辆发生热失控报警后，即使电池包的温度传感器损坏，BMS无法工作的情况下，仍能根据车辆电池包的状态给出是否报警的信息，确保爆炸时刻没有人员靠近。通过神经训练法，获得最优的爆炸时间，并输出距离爆炸的倒计时和不同等级的警报。给驾驶员及抢救人员预警，以根据不同需要判断是否要到车上抢救人员或者财物。
附图说明
图1是本发明的系统框图
具体实施方式
下面通过图1以及列举本发明的一些可选实施例的方式，对本发明的技术方案(包括优选技术方案)做进一步的详细描述。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有作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。
本发明使用K型热电偶，将其布置在汽车底盘下方与电池包顶部之间，热电偶使用卡扣固定在电池包各个模组的正上方，每个模组上方布置2个热电偶，紧挨着电池包。该热电偶的另一端连接至整车控制器(VCU)，该整车控制器位于电动汽车前仓，由于整车控制器距离电池包较远，即使电池包温度非常高，其整车控制器也能正常工作。
整车控制器接收到BMS发出的热失控信号后，就会发出热失控报警信息，同时监测电池包上方热电偶的温度及其温升速率，即使失去BMS的CAN信号，只要热电偶的温度高于100℃，且温度在持续升高，则整车控制器认为热失控仍在发生，并点亮车辆报警灯，并语音外放“危险！请勿靠近”等提示信息。
利用神经网络训练模型，得到热失控爆炸时间，并设置不同时间下报警的阈值，具体方法如下：
步骤一：确定训练样本(不同温度下对应的爆炸时间)
样本编号 电池包排列方式 爆炸时间
1 温度矩阵1 T'<sub>1</sub>
2 温度矩阵2 T'<sub>2</sub>
3 温度矩阵3 T'<sub>3</sub>
k 温度矩阵k T'<sub>k</sub>
… … …
100 温度矩阵100 T'<sub>100</sub>
步骤二：建立神经网络模型
神经网络模型包括三层结构：输入层，隐藏层和输出层。本例中输入层节点为48，对应表示温度矩阵中48个电池包的温度；隐藏层节点为j(j为正整数)，由网络训练过程以自适应的方式确定，本例中j＝5；输出层节点为1，即输出的爆炸时间T。
输入层：ti＝{t1,t2,…,t48}，t为电池包的温度；
隐藏层：y1＝t1n11+t2n21+…+t48n481
y2＝t1n12+t2n22+…+t48n482
…
y5＝t1n15+t2n25+…+t48n485
即：
Figure BDA0002990885690000041
本例中i＝48，j＝5。式中：y为隐藏层各节点计算出的值；n为每个温度下对应不同节点的权重值。
输出层：T＝y1x1+y2x2+…+y5x5，x为隐藏层每个节点对应输出时间的权重值。
步骤三：计算损失值
神经网络训练的爆炸时间与实际值的偏差α＝T-T′k，T’k为第k个训练样本的爆炸时间。
步骤四：反向计算误差
将α输入至神经网络模型，进行反向计算，采用梯度下降法求非线性函数极值，调整权重值。
步骤五：完成第一次神经网络学习
步骤六：采用样本2的数据，第一次神经网络学习中得到的权重值，再次进行第二次神经网络学习。
步骤七：经过一定次数的神经网络训练，最终得到较优的爆炸时间T
根据神经网络训练得到的爆炸时间T，确定爆炸时间阈值，进行报警。
如距离爆炸时间大于40min，则发出黄色报警信号，报警内容：电池将于T min后爆炸(T指距离预测发生爆炸的时间)，并给出语音提示，车内灯光全部点亮；如距离爆炸时间为20～40min，则发出橙色报警信号，报警内容：电池将于T min后爆炸(T指距离预测发生爆炸的时间)，并给出声光报警，音量开至最大，车内外灯光全部点亮，包括双闪。如距离爆炸时间小于20min，则除了声音提示外，还会降车窗全部降下，播放爆炸的语音信息，打开车内警报器，提示所有人员远离。报警内容：电池将于T min后爆炸，请立即离开车辆，并防止任何人靠近车辆(T指距离预测发生爆炸的时间)，以上报警阈值及对策为参考，根据不同的功能安全要求，可进行标定。
车辆铅酸电池模块给车辆各个子系统提供低压电源，电池管理系统(BMS)收集电池包温度信号及各单体电压信号，通过这些信号的值判断动力电池是否发生了热失控，如判断为发生热失控，则向整车控制器(VCU)发出热失控报警信号，VCU收到该信号后，控制车身控制模块，使车辆报警灯闪烁并发出语音提示，同时VCU会启动对电池包上方热电偶传感器的温度采集，如发现电池温度＞100℃且温度在持续升高，则会持续发出报警，否则停止车辆报警灯闪烁及语音提示。
本领域技术人员容易理解，以上仅为本发明的较佳实施例而已，并不以限制本发明，凡在本发明的精神和原则下所做的任何修改、组合、替换、改进等均包含在本发明的保护范围之内。

Claims (10)

1.一种电池包热失控后的警示方法，包括BMS，其特征在于，还包括：监测电池包每个模组温度并将各个模组的实时温度传输给整车控制器的温度传感器；布置在汽车前部的整车控制器；
整车控制器根据温度传感器信号判断电池包的热失控状态，若温度传感器的温度大于预设值且温度持续升高，则，整车控制器根据神经网络计算出的预测爆炸时间向外界发出警示信号。
2.根据权利要求1所述的电池包热失控后的警示方法，其特征在于：预测爆炸时间的计算方法包括：
S1，建立多个模拟实际不同温度下对应爆炸时间的训练样本；
S2，训练神经网络计算并输出预测爆炸时间；
S3，计算神经网络训练的爆炸时间与实际值的偏差；
S4，利用S3中的偏差代入神经网络调整权重值；
S5，根据S4中的权重值进行下一个样本的神经网络学习；
S6，经一定次数的神经网络训练后，确定神经网络模型并刷入系统；
S7，根据神经网络训练得到的预测爆炸时间T，确定爆炸时间阈值，并向外界发出警示信号。
3.根据权利要求2所述的电池包热失控后的警示方法，其特征在于：S1中，每个所述训练样本包括多个模组构成的温度矩阵，以及电池包爆炸时间T’；分别模拟一个温度t一一对应每个模组。
4.根据权利要求3所述的电池包热失控后的警示方法，其特征在于：所述神经网络模型包括输入层、隐藏层和输出层；
输入层包括i个节点，i个节点分别一一对应同一训练样本下的模组温度；
隐藏层设有j个节点，j为正整数，由网络训练过程以自适应的方式确定；
输出层输出爆炸时间T。
5.根据权利要求4所述的电池包热失控后的警示方法，其特征在于：隐藏层与输入层的函数关系为：
Figure FDA0002990885680000011
输出层
Figure FDA0002990885680000012
式中：y为隐藏层各节点计算出的值，n为每个温度下对应不同节点的权重值，x为隐藏层每个节点对应输出时间的权重值，i为输入层的节点数，j为隐藏层的节点数。
6.根据权利要求1所述的电池包热失控后的警示方法，其特征在于：S3中，神经网络训练的爆炸时间与实际值的偏差α＝T-T′k，式中：T’k为第k个训练样本的爆炸时间。
7.根据权利要求1所述的电池包热失控后的警示方法，其特征在于：S4中，采用梯度下降法求非线性函数极值，调整权重值。
8.根据权利要求1所述的电池包热失控后的警示方法，其特征在于：每个模组上方均布置有两个温度传感器。
9.根据权利要求1所述的电池包热失控后的警示方法，其特征在于：所述温度传感器为K型热电偶。
10.根据权利要求1所述的电池包热失控后的警示方法，其特征在于：所述警示信号为声音和/或灯光。
CN202110313488.3A 2021-03-24 2021-03-24 一种电池包热失控后的警示方法 Active CN113085555B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110313488.3A CN113085555B (zh) 2021-03-24 2021-03-24 一种电池包热失控后的警示方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110313488.3A CN113085555B (zh) 2021-03-24 2021-03-24 一种电池包热失控后的警示方法

Publications (2)

Publication Number Publication Date
CN113085555A true CN113085555A (zh) 2021-07-09
CN113085555B CN113085555B (zh) 2022-06-03

Family

ID=76669582

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110313488.3A Active CN113085555B (zh) 2021-03-24 2021-03-24 一种电池包热失控后的警示方法

Country Status (1)

Country Link
CN (1) CN113085555B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4207432A3 (en) * 2021-12-30 2023-09-06 Chongqing Changan New Energy Vehicles Technology Co., Ltd Method and system for predicting thermal runaway of battery based on machine learning

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101577032A (zh) * 2009-06-02 2009-11-11 汕头大学 早期火灾识别的无线火灾探测器
KR101360773B1 (ko) * 2013-09-13 2014-02-13 리모트솔루션주식회사 에너지 하베스팅 기반 스마트 화재 예측 감지 시스템 및 방법
CN108777051A (zh) * 2018-09-20 2018-11-09 广州通达汽车电气股份有限公司 火灾报警方法、装置、计算机设备和存储介质
CN109685266A (zh) * 2018-12-21 2019-04-26 长安大学 一种基于svm的锂电池仓火灾预测方法和系统
CN110068768A (zh) * 2019-04-30 2019-07-30 北京长城华冠汽车科技股份有限公司 电池热失控检测方法及装置
CN110091751A (zh) * 2019-04-30 2019-08-06 深圳四海万联科技有限公司 基于深度学习的电动汽车续航里程预测方法、设备及介质
CN111572350A (zh) * 2020-05-29 2020-08-25 北京经纬恒润科技有限公司 电动汽车起火预警方法及装置
CN111597747A (zh) * 2020-05-18 2020-08-28 华南理工大学 一种多点触发三元锂动力电池模组热失控仿真及预测方法
CN111736075A (zh) * 2020-07-10 2020-10-02 中国民用航空飞行学院 一种动压变温条件下锂离子电池热安全监测方法
CN112161712A (zh) * 2020-09-29 2021-01-01 上海汽车工业(集团)总公司 一种电动汽车全天候温度监控系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101577032A (zh) * 2009-06-02 2009-11-11 汕头大学 早期火灾识别的无线火灾探测器
KR101360773B1 (ko) * 2013-09-13 2014-02-13 리모트솔루션주식회사 에너지 하베스팅 기반 스마트 화재 예측 감지 시스템 및 방법
CN108777051A (zh) * 2018-09-20 2018-11-09 广州通达汽车电气股份有限公司 火灾报警方法、装置、计算机设备和存储介质
CN109685266A (zh) * 2018-12-21 2019-04-26 长安大学 一种基于svm的锂电池仓火灾预测方法和系统
CN110068768A (zh) * 2019-04-30 2019-07-30 北京长城华冠汽车科技股份有限公司 电池热失控检测方法及装置
CN110091751A (zh) * 2019-04-30 2019-08-06 深圳四海万联科技有限公司 基于深度学习的电动汽车续航里程预测方法、设备及介质
CN111597747A (zh) * 2020-05-18 2020-08-28 华南理工大学 一种多点触发三元锂动力电池模组热失控仿真及预测方法
CN111572350A (zh) * 2020-05-29 2020-08-25 北京经纬恒润科技有限公司 电动汽车起火预警方法及装置
CN111736075A (zh) * 2020-07-10 2020-10-02 中国民用航空飞行学院 一种动压变温条件下锂离子电池热安全监测方法
CN112161712A (zh) * 2020-09-29 2021-01-01 上海汽车工业(集团)总公司 一种电动汽车全天候温度监控系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4207432A3 (en) * 2021-12-30 2023-09-06 Chongqing Changan New Energy Vehicles Technology Co., Ltd Method and system for predicting thermal runaway of battery based on machine learning

Also Published As

Publication number Publication date
CN113085555B (zh) 2022-06-03

Similar Documents

Publication Publication Date Title
CN109786872B (zh) 一种锂离子电池热失控预警系统及方法
CN113506924B (zh) 电池包的热失控预警方法及系统
US10960246B2 (en) Method for responding to a fire-critical battery state in a vehicle, and a vehicle designed to carry out such a method
CN108545082B (zh) 一种汽车变道预警方法
CN110416644A (zh) 一种车载锂离子动力电池隐性损伤监测和热失控早期预警装置及其预警方法
CN102708645B (zh) 一种船舶舱室火灾连锁报警优先级评估方法
CN105759780B (zh) 电动汽车及其通讯故障处理方法和装置
CN106581896A (zh) 一种新能源动力电池箱灭火系统及其灭火方法
CN107611513A (zh) 一种用于监测电动汽车锂离子电池热失控的方法
CN108357361A (zh) 一种电动汽车动力电池安全监控装置及方法
CN113085555B (zh) 一种电池包热失控后的警示方法
CN113013514B (zh) 一种车载锂离子动力电池的热失控气敏报警装置及其检测方法
CN113991200B (zh) 二次电池的监测方法、监测装置、二次电池及车辆
CN112307623A (zh) 电芯热失控预测方法、装置、介质、电池管理系统及车辆
CN109886439A (zh) 电控车辆远程诊断系统及其诊断方法
CN113702833B (zh) 一种楼道电瓶车监测系统及方法
CN113297033B (zh) 基于云端监测数据的车辆电控系统健康评估方法和系统
CN112026583A (zh) 用于检测电池包的方法和系统，车辆
CN116885310A (zh) 一种电动自行车锂离子动力电池热失控监控系统
CN109835333A (zh) 一种保持车辆在车道中间行驶的控制系统及控制方法
CN116973763A (zh) 一种锂电池包热失控预警方法和装置
CN207925620U (zh) 一种动力电池热失控预警系统
CN109572692A (zh) 一种电控车辆防冲撞系统及其控制方法
Xue The road tunnel fire detection of multi-parameters based on BP neural network
CN217794195U (zh) 一种基于多信号融合的车载防火和自动灭火设备

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