CN113343633A - 动力锂电池热失控故障分类及风险预测方法、系统 - Google Patents
动力锂电池热失控故障分类及风险预测方法、系统 Download PDFInfo
- Publication number
- CN113343633A CN113343633A CN202110648800.4A CN202110648800A CN113343633A CN 113343633 A CN113343633 A CN 113343633A CN 202110648800 A CN202110648800 A CN 202110648800A CN 113343633 A CN113343633 A CN 113343633A
- Authority
- CN
- China
- Prior art keywords
- fault
- battery
- model
- module
- vector
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 20
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 20
- 238000002347 injection Methods 0.000 claims abstract description 28
- 239000007924 injection Substances 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000013526 transfer learning Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 132
- 239000000178 monomer Substances 0.000 claims description 82
- 238000013528 artificial neural network Methods 0.000 claims description 26
- 230000008878 coupling Effects 0.000 claims description 26
- 238000010168 coupling process Methods 0.000 claims description 26
- 238000005859 coupling reaction Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 25
- 238000010606 normalization Methods 0.000 claims description 25
- 238000013136 deep learning model Methods 0.000 claims description 19
- 238000004519 manufacturing process Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 230000007246 mechanism Effects 0.000 claims description 16
- 230000020169 heat generation Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 230000008034 disappearance Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000008014 freezing Effects 0.000 claims description 4
- 238000007710 freezing Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 abstract description 6
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 abstract description 5
- 229910001416 lithium ion Inorganic materials 0.000 abstract description 5
- 238000013145 classification model Methods 0.000 abstract description 3
- 238000006243 chemical reaction Methods 0.000 abstract description 2
- 238000002372 labelling Methods 0.000 abstract description 2
- 238000012546 transfer Methods 0.000 abstract description 2
- 239000000306 component Substances 0.000 description 15
- 238000003745 diagnosis Methods 0.000 description 15
- 238000005070 sampling Methods 0.000 description 6
- 230000032683 aging Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000001143 conditioned effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/39—Circuit design at the physical level
- G06F30/392—Floor-planning or layout, e.g. partitioning or placement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/39—Circuit design at the physical level
- G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2115/00—Details relating to the type of the circuit
- G06F2115/02—System on chip [SoC] design
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Geometry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Secondary Cells (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Architecture (AREA)
Abstract
本发明提供了一种动力锂电池热失控故障分类及风险预测方法、系统,包括:模组级的动力电池模型故障注入方式,随机故障的生成和标注方式,基于深度学习方法的动力锂离子电池故障多分类模型以及将模型应用于实车的迁移学习方法。本发明可以准确地表达电池的真实故障状况,并迁移到具体实车工况。经过训练的深度学习算法模型可以通过数学处理和代码转换成功地部署到实车环境中并对故障进行实时诊断,并且不会增加电池管理系统地额外的计算量,同时达到了较高估计精度。
Description
技术领域
本发明涉及迁移学习和电动汽车电池管理技术领域,具体地,涉及一种基于深度学习的动力锂电池热失控故障分类及风险预测方法、系统。
背景技术
当今社会能源问题和环境问题日益严重,新能源汽车尤其是纯电动汽车正逐渐成为汽车行业的主流。锂离子电池是电动汽车的重要核心组件,而电池管理系统(BMS)起到了保障电池安全稳定运行的作用。针对电动汽车动力在充放电过程中对动力锂离子电池进行在线监测和故障诊断是保证电动汽车能够稳定正常运行的关键点。
当前针对动力电池的故障诊断算法通常部署在车端和云端。电动汽车电池管理系统针对电池的车端在线诊断策略多采用带有延时的阈值比较法,若检测到的电池可观测参数如温度等在一定的延迟时间内处于故障范围内,就可以判断故障的发生。但是阈值的设定主要基于设定者的主观经验,此外延迟时间即检测数据滑动窗口的长度选择也会直接影响电池故障诊断的稳定性和灵敏性。另外一点值得注意的是,随着汽车的使用,电池循环使用次数增加,电池对外特性发生改变,既定的故障诊断阈值会产生诊断不及时的现象。
由于数据采样频率和采样精度的限制,基于云端数据的动力锂离子电池的故障诊断手段基本基于统计学方法,提取可观测数据的统计学特征并设定异常值阈值,将异常值点直接定义为可能发生故障的点,且无法准确判断故障发生的类型。
专利文献CN111090050A公开了一种基于支持向量机和K-means算法的锂电池故障诊断方法,其基本步骤如下:(1)通过电池工况获取原始数据集,选取电池故障征兆;(2)对诊断变量数据进行预处理,包括归一化和PCA;(3)将预处理后的数据输入K-means聚类中,选出与实际标签相同的聚类结果作为故障样本集;(4)将故障样本集随机拆分为训练集和测试集,把训练样本送入SVM模型中进行学习,输出SVM分类模型,同时将测试样本送入SVM分类模型进行测试。
专利文献CN111007401A一种基于人工智能的电动汽车电池故障诊断方法及设备及专利文献CN110308397A一种混合卷积神经网络驱动的锂电池多类故障诊断建模方法分别提出基于LSTM神经网络和全局卷积神经网络的故障诊断方法,其技术路线类似,都是提取已标注故障数据的特征训练深度学习模型,将待预测故障的数据输入训练好的模型进行预测,得到其类标签。
但是以上的专利存在以上两个问题,一是故障数据的采集和标注,二是模型训练时的并行计算和长期依赖问题。对于实验室环境,可以容易地人工构造故障,如构造短时间的内外短路,认为设定初始SOC等等,同时获得该故障类型对应的故障标签,但是对于实车数据,尤其是针对云端较低质量的数据,显然没有足够的故障数据及其已知的标签对深度学习算法进行训练。故在实际应用过程中无法获得令人满意的结果。
其次,针对时间序列数据,存在着长期依赖特性消失的问题,对于通用LSTM神经网络,虽然引入了门控机制来抑制梯度消失和爆炸问题,但是不同时间段之间的信息交互距离在时间维度上是O(n),且无法实现并行计算,在使用海量数据进行预测的时候,训练性能不佳。对于将卷积神经网络模型应用到时间序列的方法,避免了LSTM无法并行计算的缺陷,但是时间维度上的信息交互距离依旧是O(logn)。
因此,针对以上共有问题,使用深度学习模型锂电池故障诊断方法仍然有完善的空间。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种动力锂电池热失控故障分类及风险预测方法、系统。
根据本发明提供的一种动力锂电池热失控故障分类及风险预测方法,包括:
步骤1:获取非故障电池单体数据集,获取电池故障单体数据集;
步骤2:利用带迟滞效应的二阶RC等效电路模型对非故障电池单体数据集和特定故障的电池故障单体数据集进行参数辨识,获得无故障电池和对应故障电池的等效电路参数,从而构建正常电池单体模型和故障电池单体的参数;
步骤3:将正常电池单体模型与电池产热模型进行耦合,并进行串联,结合外界环境对流换热情况,得到仿真热耦合模组级电池模型;
步骤4:对仿真热耦合模组级电池模型进行多种故障的注入,同时生成电池故障数据集和故障标签;
步骤5:将所述电池故障数据集作为深度学习模型的输入,将所述故障标签作为深度学习模型的输出,划分对应的训练集和测试集;
步骤6:使用所述深度学习模型建立电池在使用过程中参数与故障标签的对应关系,得到源模型;
步骤7:用迁移学习方法对所述源模型用实车数据和对应的故障标签进行微调,用微调后的所述源模型进行热失控故障分类及风险预测。
优选地,所述步骤4包括:
步骤4.1:确定需要进行故障注入的种类,和故障注入在时间序列上的发生频率,生成故障发生矩阵;
步骤4.2:注入初始SOC不准确故障:将初始SOC加上一个随机数,增加的位置和值的大小是随机的,SOC的值的范围限制在0%-100%之间;
步骤4.3:以预设概率随机注入电池单体内短路和电池外短路的故障:注入电池内短路故障的具体操作是在电池单体内部并联第一可变电阻,在未发生故障的时候阻值为无穷,在发生故障时,为一个浮动的值;
注入电池外短路故障的具体操作为在电池模型间并联第二可变电阻,在未发生故障的时候阻值为无穷,在发生故障时,为一个浮动的值;
步骤4.4:注入电池内阻过高的故障:在正常电池单体模型内部串联第三可变电阻,依概率变为阻值对电池内阻过高进行模拟,第三可变电阻产热计入电池单体产热;
步骤4.5:注入电池电压异常下降的故障:在电池单体内部串联一个可变电压源,按概率造成电压降;
步骤4.6:注入实车故障数据中的电芯异常故障:将步骤2中对电池故障单体的参数辨识结果按概率对二阶RC迟滞等效电路中的R1,R2,C1,C2参数进行修改以模拟电池内部机理相关的故障并统一确定标签。
优选地,所述步骤5还包括:
进行数据清洗,将数据中偏离的数据点删除,对于缺失的数据点,采用线性差值的方法进行填充,具体公式如下,
将数据集进行归一化处理,采用最大最小归一化方法:
式中:X指当前样本某一个状态分量的值,Xmin是所有样本的该状态分量的最小值,Xmax是所有样本的该状态分量的最大值。
优选地,所述步骤6包括:
步骤6.1:对于输入数据,将每一个时刻的值进行编码,对于传感器数据,不对输入数据进行编码,对输入信息的位置信息进行编码,采用正弦函数公式对位置信息进行编码,如下所示:
其中:pos指的是想要预测故障所属类型的时刻在所有时间步的位置;
2i指的是输入特征向量的偶数维度;
2i+1指的是输入特征向量的奇数维度;
PE指的是pos位置上奇数或者偶数维度上的位置编码的值;
dmodel指的是模型输入特征向量的维度;
观测特征向量和位置向量直接拼接组成新的每一个时间步上的输入向量;
步骤6.2:将步骤6.1中得到的包含真实输入信息和每个观测量所对应的位置信息的向量输入encoder模块,encoder模块由多个编码器层相用来提取序列更高层的特征;
每个编码器层包括两个子层:多头注意力层、前馈神经网络层,将处理后的数据输入下一个编码器层之前需要结合上一个编码器层的输入并进行层标准化,残差连接有助于避免深度网络的梯度消失;
多头注意力层由多个字注意力层组成,通过三个随机初始化的权重矩阵WQ,WK,WV与输入向量Xi相乘,从而生成三个向量,查询向量Qi,键向量Ki和值向量Vi。要判断所选定的待检测时间序列对某个待预测时间点故障标签的关联程度,就需要拿每一个输入向量Xj(j=1,2,3…n)对指定向量Xi的关注程度,如下式所示:
其中:dk=dmodel/h
将得到的值按照编码器层进行拼接,得到多头注意力机制下的输出向量;
步骤6.3:将输出向量通过残差连接和标准化层,接入前向传播神经网络进行计算,将得到的向量再次通过残差连接和标准化层,从而出入下一个编码器层;
步骤6.4:将最后一个编码器层的输出向量用前向神经网络进行连接,建立到目标故障向量之间的联系,前向神经网络有两层,第一层是线性激活函数,第二层的激活函数采用ReLU,表示为:
y_predicted=max(0,xW1+b1)W2+b2
步骤6.5:选用MSE用来衡量预测故障向量和真实故障标签之间的差距,使用Adam优化算法对可调参数进行学习。
优选地,所述步骤7包括:
步骤7.1:对于用模组级热耦合故障注入模型产生故障数据和对应标签训练出来的模型作为待迁移模型;
步骤7.2:对于各编码器层,采用Pre-training+Fine-tuning的方式,将训练好的待迁移模型的前几个编码器层的训练过的参数进行冻结,而上层编码器层的参数设定为可训练,使用实车故障数据对参数冻结的待迁移模型进行微调。
根据本发明提供的一种动力锂电池热失控故障分类及风险预测系统,包括:
模块M1:获取非故障电池单体数据集,获取电池故障单体数据集;
模块M2:利用带迟滞效应的二阶RC等效电路模型对非故障电池单体数据集和特定故障的电池故障单体数据集进行参数辨识,获得无故障电池和对应故障电池的等效电路参数,从而构建正常电池单体模型和故障电池单体的参数;
模块M3:将正常电池单体模型与电池产热模型进行耦合,并进行串联,结合外界环境对流换热情况,得到仿真热耦合模组级电池模型;
模块M4:对仿真热耦合模组级电池模型进行多种故障的注入,同时生成电池故障数据集和故障标签;
模块M5:将所述电池故障数据集作为深度学习模型的输入,将所述故障标签作为深度学习模型的输出,划分对应的训练集和测试集;
模块M6:使用所述深度学习模型建立电池在使用过程中参数与故障标签的对应关系,得到源模型;
模块M7:用迁移学习方法对所述源模型用实车数据和对应的故障标签进行微调,用微调后的所述源模型进行热失控故障分类及风险预测。
优选地,所述模块M4包括:
模块M4.1:确定需要进行故障注入的种类,和故障注入在时间序列上的发生频率,生成故障发生矩阵;
模块M4.2:注入初始SOC不准确故障:将初始SOC加上一个随机数,增加的位置和值的大小是随机的,SOC的值的范围限制在0%-100%之间;
模块M4.3:以预设概率随机注入电池单体内短路和电池外短路的故障:注入电池内短路故障的具体操作是在电池单体内部并联第一可变电阻,在未发生故障的时候阻值为无穷,在发生故障时,为一个浮动的值;
注入电池外短路故障的具体操作为在电池模型间并联第二可变电阻,在未发生故障的时候阻值为无穷,在发生故障时,为一个浮动的值;
模块M4.4:注入电池内阻过高的故障:在正常电池单体模型内部串联第三可变电阻,依概率变为阻值对电池内阻过高进行模拟,第三可变电阻产热计入电池单体产热;
模块M4.5:注入电池电压异常下降的故障:在电池单体内部串联一个可变电压源,按概率造成电压降;
模块M4.6:注入实车故障数据中的电芯异常故障:将模块M2中对电池故障单体的参数辨识结果按概率对二阶RC迟滞等效电路中的R1,R2,C1,C2参数进行修改以模拟电池内部机理相关的故障并统一确定标签。
优选地,所述模块M5还包括:
进行数据清洗,将数据中偏离的数据点删除,对于缺失的数据点,采用线性差值的方法进行填充,具体公式如下,
将数据集进行归一化处理,采用最大最小归一化方法:
式中:X指当前样本某一个状态分量的值,Xmin是所有样本的该状态分量的最小值,Xmax是所有样本的该状态分量的最大值。
优选地,所述模块M6包括:
模块M6.1:对于输入数据,将每一个时刻的值进行编码,对于传感器数据,不对输入数据进行编码,对输入信息的位置信息进行编码,采用正弦函数公式对位置信息进行编码,如下所示:
其中:pos指的是想要预测故障所属类型的时刻在所有时间步的位置;
2i指的是输入特征向量的偶数维度;
2i+1指的是输入特征向量的奇数维度;
PE指的是pos位置上奇数或者偶数维度上的位置编码的值;
dmodel指的是模型输入特征向量的维度;
观测特征向量和位置向量直接拼接组成新的每一个时间步上的输入向量;
模块M6.2:将模块M6.1中得到的包含真实输入信息和每个观测量所对应的位置信息的向量输入encoder模块,encoder模块由多个编码器层相用来提取序列更高层的特征;
每个编码器层包括两个子层:多头注意力层、前馈神经网络层,将处理后的数据输入下一个编码器层之前需要结合上一个编码器层的输入并进行层标准化,残差连接有助于避免深度网络的梯度消失;
多头注意力层由多个字注意力层组成,通过三个随机初始化的权重矩阵WQ,WK,WV与输入向量Xi相乘,从而生成三个向量,查询向量Qi,键向量Ki和值向量Vi。要判断所选定的待检测时间序列对某个待预测时间点故障标签的关联程度,就需要拿每一个输入向量Xj(j=1,2,3…n)对指定向量Xi的关注程度,如下式所示:
其中:dk=dmodel/h
将得到的值按照编码器层进行拼接,得到多头注意力机制下的输出向量;
模块M6.3:将输出向量通过残差连接和标准化层,接入前向传播神经网络进行计算,将得到的向量再次通过残差连接和标准化层,从而出入下一个编码器层;
模块M6.4:将最后一个编码器层的输出向量用前向神经网络进行连接,建立到目标故障向量之间的联系,前向神经网络有两层,第一层是线性激活函数,第二层的激活函数采用ReLU,表示为:
y_predicted=max(0,xW1+b1)W2+b2
模块M6.5:选用MSE用来衡量预测故障向量和真实故障标签之间的差距,使用Adam优化算法对可调参数进行学习。
优选地,所述模块M7包括:
模块M7.1:对于用模组级热耦合故障注入模型产生故障数据和对应标签训练出来的模型作为待迁移模型;
模块M7.2:对于各编码器层,采用Pre-training+Fine-tuning的方式,将训练好的待迁移模型的前几个编码器层的训练过的参数进行冻结,而上层编码器层的参数设定为可训练,使用实车故障数据对参数冻结的待迁移模型进行微调。
与现有技术相比,本发明具有如下的有益效果:
本发明可以准确地表达电池的真实故障状况,并迁移到具体实车工况。经过训练的深度学习算法模型可以通过数学处理和代码转换成功地部署到实车环境中并对故障进行实时诊断,并且不会增加电池管理系统地额外的计算量,同时达到了较高估计精度。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明的方法流程示意图;
图2为本发明电池单体带迟滞效应的二阶RC等效电路模型;
图3为本发明电池单体等效电路和热耦合模型;
图4为本发明电池模组模型;
图5为本发明深度学习算法流程图;
图6为本发明迁移学习算法流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对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,还可以做出若干变化和改进。这些都属于本发明的保护范围。
如图1所示,一种基于模组级热耦合故障注入模型和Transformer模型的锂离子电池在线故障诊断方法,该方法包括下列顺序的步骤:
步骤1:获得非故障电池单体全气候原始数据集,包括电池电流,电压,温度,SOC等,获得同种型号电池故障单体数据集,进行数据清洗。
步骤2:利用带迟滞效应的二阶RC等效电路模型对非故障电池数据和特定故障的电池进行参数辨识,获得无故障电池和对应故障电池的等效电路参数,从而构建正常电池单体模型和故障电池单体RC等参数。
步骤3:将电池单体模型与电池产热模型进行耦合,并进行串联,结合外界环境对流换热情况,得到仿真热耦合模组级电池模型。
步骤4:对电池模型进行多种故障的随机注入,同时生成电池故障数据集和故障标签。
步骤5:对生成的数据进行数据清洗,去除数据的异常点,补齐数据的缺失点,并对数据进行归一化处理。将上述仿真模型生成的电池故障数据集作为Transformer模型的输入,将步骤4中同时生成的列标签作为深度学习模型的输出,划分训练集和测试集。
步骤6:使用深度学习模型Transformer建立电池在使用过程中观测参数与故障分类标签的对应关系,使用滑动窗口取出的定长历史电池可观测数据对电池的故障状态进行估计。
步骤7:对于步骤6所生成的模型,使用迁移学习方法,使用现有的实车数据和对应的故障标签对原模型进行微调,使之适应同种类型电池特定工况和环境下的故障分类。
步骤1包括:
步骤1.1:对于某一款无故障的动力电池单体,进行多温度下动态放电实验。得到不同温度下的电池放电数据集,该数据集包括(温度,电流,电压,SOC等)。
步骤1.2:在云端收集使用该电池的车型在实际使用过程中的故障数据和相对应的故障类型,需要保证电池种类一致,电池老化状态应大致相同,电池可观测数据的采样频率相同。
步骤4包括:
步骤4.1:确定需要进行故障注入的种类,和故障注入在时间序列上的发生频率,生成故障发生矩阵。
步骤4.2:注入初始SOC不准确故障:将初始SOC加上一个随机数,增加的位置和值的大小是随机的,但是要注意SOC的值的范围,应该限制在0%-100%之间。
步骤4.3:以一定概率随机注入电池单体内短路和电池外短路的故障:注入电池内短路故障的具体操作是在电池单体内部并联一个可变电阻,在未发生故障的时候其值为无穷的,在发生故障时,为一个浮动的较小值。注入电池外短路故障的具体操作为在电池模型间并联一个可变电阻,在未发生故障的时候其值为无穷的,在发生故障时,为一个浮动的较小值。需要注意的是,这两种故障的区别在于,内短路故障注入时,并联电阻仅与一个电池单体模型进行并联,而外短路故障模型则没有该限制。此外,内短路模型并联电阻产热计入电池单体产热,直接影响被短路电池单体的温度,继而进入电池模组和环境的对流换热网络中,从而影响电池模组整体的温度,而电池外短路电阻产生的热流直接传入电池单体外部模组间的对流换热网络中,对电池模组的温度进行影响。
步骤4.4:注入电池内阻过高的故障:在电池单体等效电路模型内部串联一个可变电阻,依概率变为较小值对电池内阻过高进行模拟,该电阻产热计入电池单体产热。
步骤4.5:注入电池电压异常下降的故障,在电池单体内部串联一个可变电压源按概率造成电压降。
步骤4.6:注入实车故障数据中的电芯异常故障,将步骤2中对非正常电池的参数辨识结果按概率对二阶RC迟滞等效电路中的R1,R2,C1,C2参数进行修改以模拟电池内部机理相关的故障并统一确定标签。
步骤5包括:
步骤5.1:进行数据清洗,将数据序列中严重偏离的数据点删除,对于缺失的数据点,采用线性差值的方法进行填充,具体公式如下,
步骤5.2:将数据集进行归一化处理,采用最大最小归一化方法:
式中:X指当前样本某一个状态分量的值,Xmin是所有样本的该状态分量的最小值,Xmax是所有样本的该状态分量的最大值。
步骤6包括:
使用两种构架(encoder/encoder+decoder)对故障模型分类进行建模,最终目的都是对于每一个时间步,对故障类别标签进行预测。
步骤6.1:对于输入数据,将每一个时刻的值进行编码,对于传感器数据,不需要对输入数据进行编码。但是因为注意力机制没有抓取输入时间序列输入顺序的能力,所以对输入信息的位置信息进行编码。采用正弦函数公式对位置信息进行编码,如下所示:
其中:pos指的是想要预测故障所属类型的时刻在所有时间步的位置;
2i指的是输入特征向量的偶数维度;
2i+1指的是输入特征向量的奇数维度;
需要注意的是,观测特征向量和位置向量直接拼接组成新的每一个时间步上的输入向量。
步骤6.2:将步骤6.1中得到的包含真实输入信息和每个观测量所对应的位置信息的向量输入encoder模块,该模块实际由多个编码器层(encoder layer)相用来提取序列更高层的特征;
每个编码器层包括两个子层,(1)多头注意力层,(2)前馈神经网络层,将处理后的数据输入下一个编码器层之前需要结合上一个编码器层的输入并进行层标准化,残差连接有助于避免深度网络的梯度消失。
多头注意力层由多个字注意力层组成,通过三个随机初始化的权重矩WQ,WK,WV与输入向量Xi相乘,从而生成三个向量,查询向量(Qi),键向量(Ki)和值向量(Vi)。要判断所选定的待检测时间序列对某个待预测时间点故障标签的关联程度,就需要拿每一个输入向量Xj(j=1,2,3…n)对指定向量Xi的关注程度,如下式所示:
其中:dk=dmodel/h
将得到的值按照编码器层进行拼接,得到多头注意力机制下的输出向量。
步骤6.3:将该输出向量通过残差连接(add)和标准化(norm)层,接入前向传播神经网络进行计算,将得到的向量再次通过残差连接和标准化层,从而出入下一个编码器层。
步骤6.4:将最后一个编码器层的输出向量用前向神经网络进行连接,建立到目标故障向量之间的联系。前向神经网络有两层,第一层是线性激活函数,第二层的激活函数采用Relu。可以表示为:
y_predicted=max(0,xW1+b1)W2+b2
步骤6.5:选用MSE用来衡量预测故障向量和真实故障标签之间的差距,使用Adam优化算法对可调参数进行学习。最终得到的深度学习模型对给定电池观测序列的故障标签有很好的预测能力。
步骤7包括:
步骤7.1:对于用模组级热耦合故障注入模型产生故障数据和对应标签训练出来的模型作为待迁移模型。
步骤7.2:对于各编码器层,采用Pre-training+Fine-tuning的方式,将训练好的待迁移Transformer模型的前几个编码器层的训练过的参数进行冻结,而上层编码器层的参数是可以调整的,使用实车故障数据对参数冻结的待迁移模型进行小学习率的微调。使之能够对其他类似状况的电池实现故障诊断。
具体地,在一个实例中,首先确定要进行故障诊断的是哪一款电池。取某一老化状态下的无故障电池单体的数据,用以训练模组级热耦合模型中的无故障电池单体等效电路模型参数,同时收集该型号电池实车采集故障数据及对应的故障状态类别。对模组级热耦合模型中的电池进行故障注入,使用Transformer深度学习模型学习注入各类故障动力电池产生的数据和对应的故障类别标签之间的对应关系,并将该模型作为待训练模型。最后采用迁移学习方法,利用Pre-training+Fine-tuning技巧利用相同电池型号的实车故障数据使得模型适用于不同电动汽车的电池。
具体步骤如下:
获得非故障电池单体全气候原始数据集,取某一老化状态下的电池在不同的温度下进行全SOC周期的HPPC测试,用以捕捉动力电池在不同温度和SOC下的电池动态放电特性包括电池电流,电压,温度,SOC等,获得同种型号电池故障单体数据集。
电池数据获取的通用流程如下:电动汽车电池组上相应位置布置有电流,电压,温度传感器,传感器数据通过CAN有线网络传输给车载电池管理系统(BMS)。
从云端或者车端收集同种类电池的实车包含故障的数据,进行数据清洗,需要注意的是,对于车端的数据,可以很容易地得到满足采样精度和采样频率的数据。云端如各地新能源数据中心的数据通常由企业上传,相关参数和仅能保证国家标准,正常时以低频率(1/30Hz)进行采集,而检测到故障的时候以高频率(1Hz)进行采集,这里仅收集云端高频率的故障数据及其对应的故障类标签,恰好能够满足实际数据的采集需求。
进行数据清洗,首先将数据从序列中严重偏离的数据点删除。当该点处的数值与之前一个时刻的差值大于前一个时刻值的2倍时,认为该点是异常数据点,这时该点的值由前后两个点进行线性差值得到,公式如下:
x:待求插值点自变量
x1,x0:已知函数值点的自变量
y0,y1:已知函数值点的因变量
针对实验采集的不同温度全SOC下非故障电池数据,建立电池单体带迟滞效应的二阶RC等效电路模型,如图2所示。
其中参数M,M0,R0,R1,R2,C1,C2均受温度和电池SOC的影响,所以需要利用采集的非故障实验动态放电池实验对不同温度,不同SOC下的电池进行参数辨识,得到与其对应的上述7个等效电路参数,从而实现覆盖全温度,全SOC的lookup table。
其中:
M=M(SOC,T):表示瞬态迟滞系数
M0=M0(SOC,T):表示稳态迟滞系数
R0=R0(SOC,T):表示直流内阻
R1=R1(SOC,T),R2=R2(SOC,T):表示极化内阻
C1=C1(SOC,T),C2=C2(SOC,T):表示极化电容
一种切实可行的参数辨识方法是利用MATLAB中Simulink部分的ParameterEstimation功能对上述七个等效电路参数进行参数辨识
在得到无故障电池单体的迟滞RC等效电路参数后,建立模组级的热耦合电池包模型,该模型由上述等效电路模型,电池单体产热模型,串联连接和电池间和外界的对流换热部分所组成。
对电池单体产热模型,将电池内部容性和阻性元件的能量损失根据输入电流进行计算,然后输入电池产热模块转换为热流密度,根据标定的基准参考温度和查阅得到的电池热容计算得到电池的温度上升,温度上升又反作用于电池单体内部等效电路参数的选取,从而形成了电热耦合的电池单体模型如图3所示。需要注意的是,电池单体产热不仅受到电池内部自产热的影响,还受到与电池外部环境直接的对流换热影响。
对电池模组模型,是由多个电池单体串联而成,每个电池单体收到自产热和外界对流换热的影响,电池组模组模型如图4所示。
在建立好无故障电池模组模型后,对其中无故障电池进行故障注入。
对于电芯故障,利用在云端或者车端采集到的符合采样频率要求的故障数据和故障标签(非电路故障及传感器故障)对其进行故障电池单体的参数辨识,方法及模型等同上述非故障电池。得到故障时的等效电路参数和对应故障标签。
首先定需要进行故障注入的种类,和故障注入在时间序列上的发生频率,生成故障发生矩阵。
(1)注入初始SOC不准确故障:将初始SOC加上一个随机数,增加的位置和值的大小是随机的,但是要注意SOC的值的范围,应该限制在0%-100%之间。
(2)以一定概率随机注入电池单体内短路和电池外短路的故障:注入电池内短路故障的具体操作是在电池单体内部并联一个可变电阻,在未发生故障的时候其值为无穷的,在发生故障时,为一个浮动的较小值。注入电池外短路故障的具体操作为在电池模型间并联一个可变电阻,在未发生故障的时候其值为无穷的,在发生故障时,为一个浮动的较小值。需要注意的是,这两种故障的区别在于,内短路故障注入时,并联电阻仅与一个电池单体模型进行并联,而外短路故障模型则没有该限制。此外,内短路模型并联电阻产热计入电池单体产热,直接影响被短路电池单体的温度,继而进入电池模组和环境的对流换热网络中,从而影响电池模组整体的温度,而电池外短路电阻产生的热流直接传入电池单体外部模组间的对流换热网络中,对电池模组的温度进行影响。
(3)注入电池内阻过高的故障:在电池单体等效电路模型内部串联一个可变电阻,依概率变为较小值对电池内阻过高进行模拟,该电阻产热计入电池单体产热。
(4)注入电池电压异常下降的故障,在电池单体内部串联一个可变电压源按概率造成电压降。
(5)注入实车故障数据中的电芯异常故障,将非正常电池的参数辨识结果按概率对二阶RC迟滞等效电路中的R1,R2,C1,C2参数进行修改以模拟电池内部机理相关的故障并统一确定标签。
接下来使用优选的Transformer模型建立电池单体在热耦合模组环境下的故障数据和对应故障类别标签的对应关系。
首先进行数据清洗,将数据序列中严重偏离的数据点删除,对于缺失的数据点,采用线性差值的方法进行填充,具体公式如下,
将数据集进行归一化处理,采用最大最小归一化方法:
式中:X指当前样本某一个状态分量的值,Xmin是所有样本的该状态分量的最小值,Xmax是所有样本的该状态分量的最大值。
使用Transformer中的encoder构架对故障类别标签进行预测。
对于输入数据,将每一个时刻的值进行编码,对于传感器数据,不需要对输入数据进行另外的编码,直接采用归一化后的数据作为模型的输入。但是因为注意力机制没有抓取输入时间序列输入顺序的能力,所以对输入信息的位置信息进行编码。采用正弦函数公式对位置信息进行编码,如下所示:
其中,pos:想要预测故障所属类型的时刻在所有时间步的位置;
2i:入特征向量的偶数维度;
2i+1:入特征向量的奇数维度;
需要注意的是,观测特征向量和位置向量直接拼接组成新的每一个时间步上的输入向量x(t)=[I(t),V(t),Temp(t),SOC(t),position vector],而不是对应相加或者其他的操作。
将上述过程中得到的包含真实输入信息和每个观测量所对应的位置信息的向量输入encoder模块,该模块实际由多个编码器层(encoder layer)相用来提取序列更高层的特征,其具体结构示意图如图5所示。
每个编码器层包括两个子层,(1)多头注意力层,(2)前馈神经网络层,将处理后的数据输入下一个编码器层之前需要结合上一个编码器层的输入并进行层标准化,残差连接有助于避免深度网络的梯度消失。
多头注意力层由多个自注意力层组成。为了提高模型的能力,采用查询-键-值模式,对整个时间上的输入序列的计算过程如下所示:
通过三个随机初始化的权重矩WQ,WK,WV与输入向量Xi相乘,从而生成三个向量,查询向量(Qi),键向量(Ki)和值向量(Vi)。
其中,Q更多保留输入电池数据序列自身的消息称,即在不考虑前后信息时候该时间步的输入信息。K是在计算相似度的时候,为了调整不同时间步的输入数据的异同而构建的向量。V是为了使得模型更加灵活,没有直接将注意力打分乘以原来的输入向量,而是构建了新的值向量进行加权求和。
(2)对于每一个查询向量qi∈Q,使用注意力函数的注意力机制从而得到输出向量hi。(K,V)=[(k1,v1),(k2,v2),…,(kN,vN)]表示N组输入信息给定任务相关的查询向量q时,注意力函数可以用公式如下所示:
其中,s(ki,q)为打分函数,可以采用加性模型,点积模型,双线性模型或者缩放点积模型。这里采用缩放点积模型,较好得解决输入向量维度较高的时候点积模型通常具有大方差的问题,其公式如下所示:
对于上述公式,WQ,WK,WV为可以学习的参数,dk是输入向量的维度除以多头注意力头数。
这样,将第k个自注意力头的输出向量序列进行如下的汇总:
将上述公式得到的输出Hk作为第k个单注意力头的输出,记为headk,将自注意力头(共计h个)进行拼接,得到多头注意力机制下的输出向量如下所示:
MultiHead(H)=W0[head1,head2,…,headh]
其中,W0是多个自注意力值的输出投影矩阵。
将该输出向量通过残差连接(add)和归一化(norm)层,接入前向传播神经网络进行计算,将得到的向量再次通过残差连接和归一化层,从而出入下一个编码器层。
具体地,给定第l-1个编码器层的输出H(l-1),有如下计算流程:
Z(l)=norm(H(l-1)+MultiHead(H(l-1)))
H(l)=norm(Z(l)+FFN(Z(l)))
其中,norm表示层归一化,FFN表示逐位置的前馈神经网络,是一个简单的两层网络,对于输入序列中每个位置上的向量z∈Z(l),有:
FFN(z)=W2Relu(W1z+b1)+b2
其中,W1,W2,b1,b2是网络参数
将最后一个编码器层的输出向量用前向神经网络进行连接,建立到目标故障向量之间的联系。
应为故障可能同时发生,所以无法完全将学习任务看作是一个多分类问题,所以用MSE来衡量预测故障向量和真实故障标签之间的差距,如下所示:
使用Adam优化算法对可调参数进行学习,使用变学习率对MSE进行最小化。
训练后得到的深度学习模型对给定电池观测序列的故障标签有很好的预测能力。
最后,对于用模组级热耦合故障注入模型产生故障数据和对应标签训练出来的Transformer模型作为待迁移源模型。利用实车故障数据对源模型进行迁移,具体步骤如下。
对于各编码器层,采用Pre-training+Fine-tuning的方式,将训练好的待迁移Transformer模型的前几个编码器层的训练过的参数进行冻结,而上层编码器层的参数是可以调整的,使用实车故障数据对参数冻结的待迁移模型进行小学习率的微调。使之能够对其他类似状况的电池实现故障诊断。、
需要注意的是,究竟多少层应该在预训练之后被固定是值得探讨的,在实际应用的时候,需要对每一种层数的可能性进行探究,选取那个迁移效果最好的。
本质上,这种尝试是在试图量化某一个编码器层所提取的特征是通用的还是特殊的,并且希望能够找到这个层。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种动力锂电池热失控故障分类及风险预测方法,其特征在于,包括:
步骤1:获取非故障电池单体数据集,获取电池故障单体数据集;
步骤2:利用带迟滞效应的二阶RC等效电路模型对非故障电池单体数据集和特定故障的电池故障单体数据集进行参数辨识,获得无故障电池和对应故障电池的等效电路参数,从而构建正常电池单体模型和故障电池单体的参数;
步骤3:将正常电池单体模型与电池产热模型进行耦合,并进行串联,结合外界环境对流换热情况,得到仿真热耦合模组级电池模型;
步骤4:对仿真热耦合模组级电池模型进行多种故障的注入,同时生成电池故障数据集和故障标签;
步骤5:将所述电池故障数据集作为深度学习模型的输入,将所述故障标签作为深度学习模型的输出,划分对应的训练集和测试集;
步骤6:使用所述深度学习模型建立电池在使用过程中参数与故障标签的对应关系,得到源模型;
步骤7:用迁移学习方法对所述源模型用实车数据和对应的故障标签进行微调,用微调后的所述源模型进行热失控故障分类及风险预测。
2.根据权利要求1所述的动力锂电池热失控故障分类及风险预测方法,其特征在于,所述步骤4包括:
步骤4.1:确定需要进行故障注入的种类,和故障注入在时间序列上的发生频率,生成故障发生矩阵;
步骤4.2:注入初始SOC不准确故障:将初始SOC加上一个随机数,增加的位置和值的大小是随机的,SOC的值的范围限制在0%-100%之间;
步骤4.3:以预设概率随机注入电池单体内短路和电池外短路的故障:注入电池内短路故障的具体操作是在电池单体内部并联第一可变电阻,在未发生故障的时候阻值为无穷,在发生故障时,为一个浮动的值;
注入电池外短路故障的具体操作为在电池模型间并联第二可变电阻,在未发生故障的时候阻值为无穷,在发生故障时,为一个浮动的值;
步骤4.4:注入电池内阻过高的故障:在正常电池单体模型内部串联第三可变电阻,依概率变为阻值对电池内阻过高进行模拟,第三可变电阻产热计入电池单体产热;
步骤4.5:注入电池电压异常下降的故障:在电池单体内部串联一个可变电压源,按概率造成电压降;
步骤4.6:注入实车故障数据中的电芯异常故障:将步骤2中对电池故障单体的参数辨识结果按概率对二阶RC迟滞等效电路中的R1,R2,C1,C2参数进行修改以模拟电池内部机理相关的故障并统一确定标签。
4.根据权利要求1所述的动力锂电池热失控故障分类及风险预测方法,其特征在于,所述步骤6包括:
步骤6.1:对于输入数据,将每一个时刻的值进行编码,对于传感器数据,不对输入数据进行编码,对输入信息的位置信息进行编码,采用正弦函数公式对位置信息进行编码,如下所示:
其中:pos指的是想要预测故障所属类型的时刻在所有时间步的位置;
2i指的是输入特征向量的偶数维度;
2i+1指的是输入特征向量的奇数维度;
PE指的是pos位置上奇数或者偶数维度上的位置编码的值;
dmodel指的是模型输入特征向量的维度;
观测特征向量和位置向量直接拼接组成新的每一个时间步上的输入向量;
步骤6.2:将步骤6.1中得到的包含真实输入信息和每个观测量所对应的位置信息的向量输入encoder模块,encoder模块由多个编码器层相用来提取序列更高层的特征;
每个编码器层包括两个子层:多头注意力层、前馈神经网络层,将处理后的数据输入下一个编码器层之前需要结合上一个编码器层的输入并进行层标准化,残差连接有助于避免深度网络的梯度消失;
多头注意力层由多个字注意力层组成,通过三个随机初始化的权重矩阵WQ,WK,WV与输入向量Xi相乘,从而生成三个向量,查询向量Qi,键向量Ki和值向量Vi;要判断所选定的待检测时间序列对某个待预测时间点故障标签的关联程度,就需要拿每一个输入向量Xj(j=1,2,3…n)对指定向量Xi的关注程度,如下式所示:
其中:dk=dmodel/h
将得到的值按照编码器层进行拼接,得到多头注意力机制下的输出向量;
步骤6.3:将输出向量通过残差连接和标准化层,接入前向传播神经网络进行计算,将得到的向量再次通过残差连接和标准化层,从而出入下一个编码器层;
步骤6.4:将最后一个编码器层的输出向量用前向神经网络进行连接,建立到目标故障向量之间的联系,前向神经网络有两层,第一层是线性激活函数,第二层的激活函数采用ReLU,表示为:
y_predicted=max(0,xW1+b1)W2+b2
步骤6.5:选用MSE用来衡量预测故障向量和真实故障标签之间的差距,使用Adam优化算法对可调参数进行学习。
5.根据权利要求1所述的动力锂电池热失控故障分类及风险预测方法,其特征在于,所述步骤7包括:
步骤7.1:对于用模组级热耦合故障注入模型产生故障数据和对应标签训练出来的模型作为待迁移模型;
步骤7.2:对于各编码器层,采用Pre-training+Fine-tuning的方式,将训练好的待迁移模型的前几个编码器层的训练过的参数进行冻结,而上层编码器层的参数设定为可训练,使用实车故障数据对参数冻结的待迁移模型进行微调。
6.一种动力锂电池热失控故障分类及风险预测系统,其特征在于,包括:
模块M1:获取非故障电池单体数据集,获取电池故障单体数据集;
模块M2:利用带迟滞效应的二阶RC等效电路模型对非故障电池单体数据集和特定故障的电池故障单体数据集进行参数辨识,获得无故障电池和对应故障电池的等效电路参数,从而构建正常电池单体模型和故障电池单体的参数;
模块M3:将正常电池单体模型与电池产热模型进行耦合,并进行串联,结合外界环境对流换热情况,得到仿真热耦合模组级电池模型;
模块M4:对仿真热耦合模组级电池模型进行多种故障的注入,同时生成电池故障数据集和故障标签;
模块M5:将所述电池故障数据集作为深度学习模型的输入,将所述故障标签作为深度学习模型的输出,划分对应的训练集和测试集;
模块M6:使用所述深度学习模型建立电池在使用过程中参数与故障标签的对应关系,得到源模型;
模块M7:用迁移学习方法对所述源模型用实车数据和对应的故障标签进行微调,用微调后的所述源模型进行热失控故障分类及风险预测。
7.根据权利要求6所述的动力锂电池热失控故障分类及风险预测系统,其特征在于,所述模块M4包括:
模块M4.1:确定需要进行故障注入的种类,和故障注入在时间序列上的发生频率,生成故障发生矩阵;
模块M4.2:注入初始SOC不准确故障:将初始SOC加上一个随机数,增加的位置和值的大小是随机的,SOC的值的范围限制在0%-100%之间;
模块M4.3:以预设概率随机注入电池单体内短路和电池外短路的故障:注入电池内短路故障的具体操作是在电池单体内部并联第一可变电阻,在未发生故障的时候阻值为无穷,在发生故障时,为一个浮动的值;
注入电池外短路故障的具体操作为在电池模型间并联第二可变电阻,在未发生故障的时候阻值为无穷,在发生故障时,为一个浮动的值;
模块M4.4:注入电池内阻过高的故障:在正常电池单体模型内部串联第三可变电阻,依概率变为阻值对电池内阻过高进行模拟,第三可变电阻产热计入电池单体产热;
模块M4.5:注入电池电压异常下降的故障:在电池单体内部串联一个可变电压源,按概率造成电压降;
模块M4.6:注入实车故障数据中的电芯异常故障:将模块M2中对电池故障单体的参数辨识结果按概率对二阶RC迟滞等效电路中的R1,R2,C1,C2参数进行修改以模拟电池内部机理相关的故障并统一确定标签。
9.根据权利要求6所述的动力锂电池热失控故障分类及风险预测系统,其特征在于,所述模块M6包括:
模块M6.1:对于输入数据,将每一个时刻的值进行编码,对于传感器数据,不对输入数据进行编码,对输入信息的位置信息进行编码,采用正弦函数公式对位置信息进行编码,如下所示:
其中:pos指的是想要预测故障所属类型的时刻在所有时间步的位置;
2i指的是输入特征向量的偶数维度;
2i+1指的是输入特征向量的奇数维度;
PE指的是pos位置上奇数或者偶数维度上的位置编码的值;
dmodel指的是模型输入特征向量的维度;
观测特征向量和位置向量直接拼接组成新的每一个时间步上的输入向量;
模块M6.2:将模块M6.1中得到的包含真实输入信息和每个观测量所对应的位置信息的向量输入encoder模块,encoder模块由多个编码器层相用来提取序列更高层的特征;
每个编码器层包括两个子层:多头注意力层、前馈神经网络层,将处理后的数据输入下一个编码器层之前需要结合上一个编码器层的输入并进行层标准化,残差连接有助于避免深度网络的梯度消失;
多头注意力层由多个字注意力层组成,通过三个随机初始化的权重矩阵WQ,WK,WV与输入向量Xi相乘,从而生成三个向量,查询向量Qi,键向量Ki和值向量Vi;要判断所选定的待检测时间序列对某个待预测时间点故障标签的关联程度,就需要拿每一个输入向量Xj(j=1,2,3…n)对指定向量Xi的关注程度,如下式所示:
其中:dk=dmodel/h
将得到的值按照编码器层进行拼接,得到多头注意力机制下的输出向量;
模块M6.3:将输出向量通过残差连接和标准化层,接入前向传播神经网络进行计算,将得到的向量再次通过残差连接和标准化层,从而出入下一个编码器层;
模块M6.4:将最后一个编码器层的输出向量用前向神经网络进行连接,建立到目标故障向量之间的联系,前向神经网络有两层,第一层是线性激活函数,第二层的激活函数采用ReLU,表示为:
y_predicted=max(0,xW1+b1)W2+b2
模块M6.5:选用MSE用来衡量预测故障向量和真实故障标签之间的差距,使用Adam优化算法对可调参数进行学习。
10.根据权利要求6所述的动力锂电池热失控故障分类及风险预测系统,其特征在于,所述模块M7包括:
模块M7.1:对于用模组级热耦合故障注入模型产生故障数据和对应标签训练出来的模型作为待迁移模型;
模块M7.2:对于各编码器层,采用Pre-training+Fine-tuning的方式,将训练好的待迁移模型的前几个编码器层的训练过的参数进行冻结,而上层编码器层的参数设定为可训练,使用实车故障数据对参数冻结的待迁移模型进行微调。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110648800.4A CN113343633B (zh) | 2021-06-10 | 2021-06-10 | 动力锂电池热失控故障分类及风险预测方法、系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110648800.4A CN113343633B (zh) | 2021-06-10 | 2021-06-10 | 动力锂电池热失控故障分类及风险预测方法、系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113343633A true CN113343633A (zh) | 2021-09-03 |
CN113343633B CN113343633B (zh) | 2022-04-26 |
Family
ID=77476410
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110648800.4A Active CN113343633B (zh) | 2021-06-10 | 2021-06-10 | 动力锂电池热失控故障分类及风险预测方法、系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113343633B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113591404A (zh) * | 2021-09-29 | 2021-11-02 | 杭州宇谷科技有限公司 | 一种基于深度学习的电池异常检测系统及方法 |
CN113807031A (zh) * | 2021-11-18 | 2021-12-17 | 广东智云工程科技有限公司 | 基于lstm与深度残差神经网络的基坑灾害预测预警方法 |
CN113988202A (zh) * | 2021-11-04 | 2022-01-28 | 季华实验室 | 一种基于深度学习的机械臂异常振动检测方法 |
CN114091404A (zh) * | 2022-01-20 | 2022-02-25 | 天津力神电池股份有限公司 | 一种锂离子电池的电-热模型 |
CN114152880A (zh) * | 2022-02-08 | 2022-03-08 | 湖南大学 | 一种软包电池传感器故障在线检测方法 |
CN114236409A (zh) * | 2021-11-09 | 2022-03-25 | 长安大学 | 一种动力电池组故障诊断装置及方法及系统 |
CN114742297A (zh) * | 2022-04-11 | 2022-07-12 | 中国第一汽车股份有限公司 | 动力电池的处理方法 |
CN114791993A (zh) * | 2022-05-16 | 2022-07-26 | 江苏大学 | 一种动力电池组soh预测方法及系统 |
CN114818835A (zh) * | 2022-06-27 | 2022-07-29 | 山东大学 | 基于差异特征提取及融合的旋转机械故障诊断方法及系统 |
CN115366683A (zh) * | 2022-08-09 | 2022-11-22 | 北京理工大学 | 一种新能源汽车动力电池多维模型融合的故障诊断策略 |
CN116205638A (zh) * | 2023-05-04 | 2023-06-02 | 深圳市锂谷科技有限公司 | 一种基于bms的工商业能源管理系统及其管理方法 |
WO2023109444A1 (zh) * | 2021-12-18 | 2023-06-22 | 金旭 | 一种传感元件和智能传感器/节点 |
CN116359747A (zh) * | 2023-05-31 | 2023-06-30 | 苏州精控能源科技有限公司 | 基于dcr的圆柱锂电池热失控预测方法、装置 |
CN116520817A (zh) * | 2023-07-05 | 2023-08-01 | 贵州宏信达高新科技有限责任公司 | 基于高速公路的etc系统运行状态实时监控系统及方法 |
CN117648661A (zh) * | 2024-01-30 | 2024-03-05 | 长春汽车工业高等专科学校 | 一种基于大数据的电池故障分类识别方法及系统 |
Citations (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021238A (zh) * | 2014-03-25 | 2014-09-03 | 重庆邮电大学 | 一种铅酸动力电池系统故障诊断方法 |
US20160018472A1 (en) * | 2014-07-18 | 2016-01-21 | Samsung Electronics Co., Ltd. | Method and apparatus for estimating state of battery |
CN106058987A (zh) * | 2016-06-29 | 2016-10-26 | 浙江万马新能源有限公司 | 基于蓄电池组监控与故障诊断的电动汽车充电方法及装置 |
WO2017024105A1 (en) * | 2015-08-06 | 2017-02-09 | The Regents Of The University Of Michigan | Fault tolerant voltage measurement method |
CN106526493A (zh) * | 2016-11-01 | 2017-03-22 | 北京理工大学 | 基于bp神经网络的动力电池外部短路故障诊断及温升预测方法和系统 |
CN106555788A (zh) * | 2016-11-11 | 2017-04-05 | 河北工业大学 | 基于模糊处理的深度学习在液压装备故障诊断中的应用 |
CN108182551A (zh) * | 2018-02-02 | 2018-06-19 | 域通全球成都科技有限责任公司 | 一种基于大数据的锂电池巡检排期系统 |
CN108344947A (zh) * | 2018-01-11 | 2018-07-31 | 西南交通大学 | 一种非侵入式的燃料电池故障诊断方法 |
CN109165687A (zh) * | 2018-08-28 | 2019-01-08 | 哈尔滨理工大学 | 基于多分类支持向量机算法的车用锂电池故障诊断方法 |
CN109724812A (zh) * | 2018-12-29 | 2019-05-07 | 彩虹无线(北京)新技术有限公司 | 车辆故障预警的方法、装置、存储介质和终端设备 |
CN109918752A (zh) * | 2019-02-26 | 2019-06-21 | 华南理工大学 | 基于迁移卷积神经网络的机械故障诊断方法、设备及介质 |
WO2019119997A1 (zh) * | 2017-12-18 | 2019-06-27 | 清华大学 | 电动车用动力电池组安全防控系统及控制方法 |
CN109978229A (zh) * | 2019-02-12 | 2019-07-05 | 常伟 | 一种对动力电池组全电芯多点温度及连接点温度进行热失控预测的方法 |
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 |
CN110879917A (zh) * | 2019-11-08 | 2020-03-13 | 北京交通大学 | 一种基于迁移学习的电力系统暂态稳定自适应评估方法 |
CN110995475A (zh) * | 2019-11-20 | 2020-04-10 | 国网湖北省电力有限公司信息通信公司 | 一种基于迁移学习的电力通信网故障检测方法 |
CN111007401A (zh) * | 2019-12-16 | 2020-04-14 | 国网江苏省电力有限公司电力科学研究院 | 一种基于人工智能的电动汽车电池故障诊断方法及设备 |
CN111090050A (zh) * | 2020-01-21 | 2020-05-01 | 合肥工业大学 | 一种基于支持向量机和k均值的锂电池故障诊断方法 |
CN112098850A (zh) * | 2020-09-21 | 2020-12-18 | 山东工商学院 | 基于sdo算法的锂离子电池电压故障诊断方法及系统 |
CN112114268A (zh) * | 2020-08-26 | 2020-12-22 | 昆山贝思泰智能科技有限公司 | 基于嵌入式ai算法的批量电芯外特征故障预测方法 |
CN112380630A (zh) * | 2020-11-27 | 2021-02-19 | 重庆长安新能源汽车科技有限公司 | 基于车联网数据的新能源汽车电池热失控风险的预测方法 |
CN112487031A (zh) * | 2020-11-27 | 2021-03-12 | 江西江铃集团新能源汽车有限公司 | 单体电池故障检测方法、装置、可读存储介质及电子设备 |
US20210088591A1 (en) * | 2019-09-19 | 2021-03-25 | Samsung Electronics Co., Ltd. | Method and system for battery-management in devices |
CN112632972A (zh) * | 2020-12-25 | 2021-04-09 | 浙江国际海运职业技术学院 | 一种电网设备故障报告内故障信息的快速提取方法 |
CN112630660A (zh) * | 2020-12-14 | 2021-04-09 | 湖北工业大学 | 一种基于支持向量机的电池故障识别方法 |
CN112639495A (zh) * | 2020-04-24 | 2021-04-09 | 华为技术有限公司 | 一种电池检测的方法和装置 |
US10992149B1 (en) * | 2020-10-08 | 2021-04-27 | Element Energy, Inc. | Safe battery energy management systems, battery management system nodes, and methods |
CN112816898A (zh) * | 2021-01-26 | 2021-05-18 | 三一重工股份有限公司 | 电瓶故障预测方法、装置、电子设备和存储介质 |
CN112906744A (zh) * | 2021-01-20 | 2021-06-04 | 湖北工业大学 | 一种基于孤立森林算法的故障单体电池识别方法 |
-
2021
- 2021-06-10 CN CN202110648800.4A patent/CN113343633B/zh active Active
Patent Citations (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021238A (zh) * | 2014-03-25 | 2014-09-03 | 重庆邮电大学 | 一种铅酸动力电池系统故障诊断方法 |
US20160018472A1 (en) * | 2014-07-18 | 2016-01-21 | Samsung Electronics Co., Ltd. | Method and apparatus for estimating state of battery |
WO2017024105A1 (en) * | 2015-08-06 | 2017-02-09 | The Regents Of The University Of Michigan | Fault tolerant voltage measurement method |
CN106058987A (zh) * | 2016-06-29 | 2016-10-26 | 浙江万马新能源有限公司 | 基于蓄电池组监控与故障诊断的电动汽车充电方法及装置 |
CN106526493A (zh) * | 2016-11-01 | 2017-03-22 | 北京理工大学 | 基于bp神经网络的动力电池外部短路故障诊断及温升预测方法和系统 |
CN106555788A (zh) * | 2016-11-11 | 2017-04-05 | 河北工业大学 | 基于模糊处理的深度学习在液压装备故障诊断中的应用 |
WO2019119997A1 (zh) * | 2017-12-18 | 2019-06-27 | 清华大学 | 电动车用动力电池组安全防控系统及控制方法 |
CN108344947A (zh) * | 2018-01-11 | 2018-07-31 | 西南交通大学 | 一种非侵入式的燃料电池故障诊断方法 |
CN108182551A (zh) * | 2018-02-02 | 2018-06-19 | 域通全球成都科技有限责任公司 | 一种基于大数据的锂电池巡检排期系统 |
CN109165687A (zh) * | 2018-08-28 | 2019-01-08 | 哈尔滨理工大学 | 基于多分类支持向量机算法的车用锂电池故障诊断方法 |
CN109724812A (zh) * | 2018-12-29 | 2019-05-07 | 彩虹无线(北京)新技术有限公司 | 车辆故障预警的方法、装置、存储介质和终端设备 |
CN109978229A (zh) * | 2019-02-12 | 2019-07-05 | 常伟 | 一种对动力电池组全电芯多点温度及连接点温度进行热失控预测的方法 |
CN109918752A (zh) * | 2019-02-26 | 2019-06-21 | 华南理工大学 | 基于迁移卷积神经网络的机械故障诊断方法、设备及介质 |
US20210088591A1 (en) * | 2019-09-19 | 2021-03-25 | Samsung Electronics Co., Ltd. | Method and system for battery-management in devices |
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 |
CN110879917A (zh) * | 2019-11-08 | 2020-03-13 | 北京交通大学 | 一种基于迁移学习的电力系统暂态稳定自适应评估方法 |
CN110995475A (zh) * | 2019-11-20 | 2020-04-10 | 国网湖北省电力有限公司信息通信公司 | 一种基于迁移学习的电力通信网故障检测方法 |
CN111007401A (zh) * | 2019-12-16 | 2020-04-14 | 国网江苏省电力有限公司电力科学研究院 | 一种基于人工智能的电动汽车电池故障诊断方法及设备 |
CN111090050A (zh) * | 2020-01-21 | 2020-05-01 | 合肥工业大学 | 一种基于支持向量机和k均值的锂电池故障诊断方法 |
CN112639495A (zh) * | 2020-04-24 | 2021-04-09 | 华为技术有限公司 | 一种电池检测的方法和装置 |
CN112114268A (zh) * | 2020-08-26 | 2020-12-22 | 昆山贝思泰智能科技有限公司 | 基于嵌入式ai算法的批量电芯外特征故障预测方法 |
CN112098850A (zh) * | 2020-09-21 | 2020-12-18 | 山东工商学院 | 基于sdo算法的锂离子电池电压故障诊断方法及系统 |
US10992149B1 (en) * | 2020-10-08 | 2021-04-27 | Element Energy, Inc. | Safe battery energy management systems, battery management system nodes, and methods |
CN112380630A (zh) * | 2020-11-27 | 2021-02-19 | 重庆长安新能源汽车科技有限公司 | 基于车联网数据的新能源汽车电池热失控风险的预测方法 |
CN112487031A (zh) * | 2020-11-27 | 2021-03-12 | 江西江铃集团新能源汽车有限公司 | 单体电池故障检测方法、装置、可读存储介质及电子设备 |
CN112630660A (zh) * | 2020-12-14 | 2021-04-09 | 湖北工业大学 | 一种基于支持向量机的电池故障识别方法 |
CN112632972A (zh) * | 2020-12-25 | 2021-04-09 | 浙江国际海运职业技术学院 | 一种电网设备故障报告内故障信息的快速提取方法 |
CN112906744A (zh) * | 2021-01-20 | 2021-06-04 | 湖北工业大学 | 一种基于孤立森林算法的故障单体电池识别方法 |
CN112816898A (zh) * | 2021-01-26 | 2021-05-18 | 三一重工股份有限公司 | 电瓶故障预测方法、装置、电子设备和存储介质 |
Non-Patent Citations (4)
Title |
---|
刘宏阳等: "基于长短期记忆网络的电动汽车电池故障诊断", 《机电一体化》 * |
刘鹏等: "基于热模型的动力电池热故障诊断系统", 《上海交通大学学报》 * |
李钊等: "锂离子电池热失控早期预警特征参数分析", 《消防科学与技术》 * |
柏云耀等: "基于数据分析方法的动力电池系统滥用故障诊断", 《新能源进展》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113591404B (zh) * | 2021-09-29 | 2021-12-07 | 杭州宇谷科技有限公司 | 一种基于深度学习的电池异常检测系统及方法 |
CN113591404A (zh) * | 2021-09-29 | 2021-11-02 | 杭州宇谷科技有限公司 | 一种基于深度学习的电池异常检测系统及方法 |
CN113988202A (zh) * | 2021-11-04 | 2022-01-28 | 季华实验室 | 一种基于深度学习的机械臂异常振动检测方法 |
CN114236409A (zh) * | 2021-11-09 | 2022-03-25 | 长安大学 | 一种动力电池组故障诊断装置及方法及系统 |
CN114236409B (zh) * | 2021-11-09 | 2024-01-19 | 长安大学 | 一种动力电池组故障诊断装置及方法及系统 |
CN113807031A (zh) * | 2021-11-18 | 2021-12-17 | 广东智云工程科技有限公司 | 基于lstm与深度残差神经网络的基坑灾害预测预警方法 |
WO2023109444A1 (zh) * | 2021-12-18 | 2023-06-22 | 金旭 | 一种传感元件和智能传感器/节点 |
CN114091404A (zh) * | 2022-01-20 | 2022-02-25 | 天津力神电池股份有限公司 | 一种锂离子电池的电-热模型 |
CN114152880A (zh) * | 2022-02-08 | 2022-03-08 | 湖南大学 | 一种软包电池传感器故障在线检测方法 |
CN114152880B (zh) * | 2022-02-08 | 2022-04-12 | 湖南大学 | 一种软包电池传感器故障在线检测方法 |
CN114742297A (zh) * | 2022-04-11 | 2022-07-12 | 中国第一汽车股份有限公司 | 动力电池的处理方法 |
CN114742297B (zh) * | 2022-04-11 | 2024-05-24 | 中国第一汽车股份有限公司 | 动力电池的处理方法 |
CN114791993A (zh) * | 2022-05-16 | 2022-07-26 | 江苏大学 | 一种动力电池组soh预测方法及系统 |
CN114818835A (zh) * | 2022-06-27 | 2022-07-29 | 山东大学 | 基于差异特征提取及融合的旋转机械故障诊断方法及系统 |
CN114818835B (zh) * | 2022-06-27 | 2022-09-23 | 山东大学 | 基于差异特征提取及融合的旋转机械故障诊断方法及系统 |
CN115366683A (zh) * | 2022-08-09 | 2022-11-22 | 北京理工大学 | 一种新能源汽车动力电池多维模型融合的故障诊断策略 |
CN115366683B (zh) * | 2022-08-09 | 2024-05-24 | 北京理工大学 | 一种新能源汽车动力电池多维模型融合的故障诊断策略 |
CN116205638B (zh) * | 2023-05-04 | 2023-07-21 | 深圳市锂谷科技有限公司 | 一种基于bms的工商业能源管理系统及其管理方法 |
CN116205638A (zh) * | 2023-05-04 | 2023-06-02 | 深圳市锂谷科技有限公司 | 一种基于bms的工商业能源管理系统及其管理方法 |
CN116359747A (zh) * | 2023-05-31 | 2023-06-30 | 苏州精控能源科技有限公司 | 基于dcr的圆柱锂电池热失控预测方法、装置 |
CN116520817A (zh) * | 2023-07-05 | 2023-08-01 | 贵州宏信达高新科技有限责任公司 | 基于高速公路的etc系统运行状态实时监控系统及方法 |
CN116520817B (zh) * | 2023-07-05 | 2023-08-29 | 贵州宏信达高新科技有限责任公司 | 基于高速公路的etc系统运行状态实时监控系统及方法 |
CN117648661A (zh) * | 2024-01-30 | 2024-03-05 | 长春汽车工业高等专科学校 | 一种基于大数据的电池故障分类识别方法及系统 |
CN117648661B (zh) * | 2024-01-30 | 2024-04-19 | 长春汽车工业高等专科学校 | 一种基于大数据的电池故障分类识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113343633B (zh) | 2022-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113343633B (zh) | 动力锂电池热失控故障分类及风险预测方法、系统 | |
Zhang et al. | Prognostics and health management of Lithium-ion battery using deep learning methods: A review | |
US11830991B2 (en) | Method and apparatus based on neural network for pre-diagnosing defect and fire in battery cell | |
WO2021017416A1 (zh) | 一种感知对抗生成下的深度压缩动力锂电池故障诊断方法 | |
CN113156917A (zh) | 基于人工智能的电网设备故障诊断方法及系统 | |
CN112434390B (zh) | 基于多层网格搜索的pca-lstm轴承剩余寿命预测方法 | |
CN115656857A (zh) | 一种锂离子电池剩余使用寿命的多尺度融合预测方法 | |
CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
CN115792637A (zh) | 一种锂电池健康状态估算方法 | |
CN116610998A (zh) | 一种基于多模态数据融合的开关柜故障诊断方法和系统 | |
Yao et al. | Fault identification of lithium-ion battery pack for electric vehicle based on ga optimized ELM neural network | |
CN116523177A (zh) | 融合机理和深度学习模型的车辆能耗预测方法及装置 | |
CN116298936A (zh) | 在不完全电压范围内的锂离子电池智能健康状态预测方法 | |
CN116186633A (zh) | 一种基于小样本学习的用电异常诊断方法和系统 | |
Li et al. | A novel method for lithium-ion battery fault diagnosis of electric vehicle based on real-time voltage | |
CN114460481A (zh) | 基于Bi-LSTM和注意力机制的储能电池热失控预警方法 | |
Myilsamy et al. | State-of-Health Prediction for Li-ion Batteries for Efficient Battery Management System Using Hybrid Machine Learning Model | |
Wang et al. | Remaining useful life prediction of lithium-ion battery based on cycle-consistency learning | |
Song et al. | Capacity estimation method of lithium-ion batteries based on deep convolution neural network | |
CN113884903B (zh) | 一种基于多层感知器神经网络的电池故障诊断方法 | |
CN116643190A (zh) | 一种锂电池健康状态实时监测方法及系统 | |
Yu et al. | Aero-engine residual life prediction based on time-series residual neural networks | |
Peng et al. | Remaining useful life prediction for aircraft engines based on grey model | |
CN114137915A (zh) | 一种工业设备的故障诊断方法 | |
Saleem et al. | Investigation of Deep Learning Based Techniques for Prognostic and Health Management of Lithium-Ion Battery |
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 |