CN114154252A - 新能源汽车动力电池系统失效模式的风险评估方法及装置 - Google Patents

新能源汽车动力电池系统失效模式的风险评估方法及装置 Download PDF

Info

Publication number
CN114154252A
CN114154252A CN202210119973.1A CN202210119973A CN114154252A CN 114154252 A CN114154252 A CN 114154252A CN 202210119973 A CN202210119973 A CN 202210119973A CN 114154252 A CN114154252 A CN 114154252A
Authority
CN
China
Prior art keywords
failure mode
evaluated
risk factor
historical
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
Application number
CN202210119973.1A
Other languages
English (en)
Other versions
CN114154252B (zh
Inventor
宋文燕
何思锐
郑嘉宁
汤宇琦
周才博
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.)
Beihang University
Original Assignee
Beihang University
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 Beihang University filed Critical Beihang University
Priority to CN202210119973.1A priority Critical patent/CN114154252B/zh
Publication of CN114154252A publication Critical patent/CN114154252A/zh
Application granted granted Critical
Publication of CN114154252B publication Critical patent/CN114154252B/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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/194—Calculation of difference between files
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Geometry (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Operations Research (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Secondary Cells (AREA)

Abstract

本发明提供一种新能源汽车动力电池系统失效模式的风险评估方法及装置，可用于计算机技术领域。所述方法包括：对于新能源汽车动力电池系统的失效模式，获取历史失效模式中描述文本与待评估失效模式的描述文本之间的相似度大于目标阈值的历史失效模式；根据所述历史失效模式的描述文本与所述待评估失效模式的描述文本之间的相似度、以及所述历史失效模式的风险因子值，确定所述待评估失效模式的风险因子值。所述装置用于执行上述方法。本发明实施例提供的新能源汽车动力电池系统失效模式的风险评估方法，能够自动确定待评估失效模式的风险因子值，无需进行复杂的专家评审，解决了传统的专家评审法存在耗时长、成本高、专家打分存在主观性等问题。

Description

新能源汽车动力电池系统失效模式的风险评估方法及装置
技术领域
本发明涉及计算机技术领域，具体涉及一种新能源汽车动力电池系统失效模式的风险评估方法及装置。
背景技术
失效模式与影响分析即“潜在失效模式及后果分析”，或简称为FMEA。FMEA是在产品设计阶段和过程设计阶段，对构成产品的子系统、零件，对构成过程的各个工序逐一进行分析，找出所有潜在的失效模式，并分析其可能的后果，从而预先采取必要的措施，以提高产品的质量和可靠性的一种系统化的活动。
目前，新能源汽车动力锂电池系统新的失效模式的风险分析，一般是采用专家评审法，对新能源汽车动力锂电池系统新的失效模式的严重度(S, Severity)、发生度（O,Occurrence）、难检度（D, Detection）进行评估，然而传统的专家评审法存在耗时长、成本高、专家打分存在主观性等问题。
发明内容
针对现有技术中的问题，本发明实施例提供一种新能源汽车动力电池系统失效模式的风险评估方法及装置，能够至少部分地解决现有技术中存在的问题。
本发明提出一种新能源汽车动力电池系统失效模式的风险评估方法及装置，所述方法包括：对于新能源汽车动力电池系统的失效模式，获取历史失效模式中描述文本与待评估失效模式的描述文本之间的相似度大于目标阈值的历史失效模式；根据所述历史失效模式的描述文本与所述待评估失效模式的描述文本之间的相似度、以及所述历史失效模式的风险因子值，确定所述待评估失效模式的风险因子值。
本发明实施例提供的新能源汽车动力电池系统失效模式的风险评估方法及装置，对于新能源汽车动力电池系统的失效模式，获取历史失效模式中描述文本与待评估失效模式的描述文本之间的相似度大于目标阈值的历史失效模式，根据所述历史失效模式的描述文本与所述待评估失效模式的描述文本之间的相似度、以及所述历史失效模式的风险因子值，确定所述待评估失效模式的风险因子值。这样，能够自动根据新能源汽车动力电池系统的历史失效模式快速确定所述新能源汽车动力电池系统待评估失效模式的风险因子值，无需进行复杂的专家评审，解决了传统的专家评审法存在耗时长、成本高、专家打分存在主观性等问题。
附图说明
为了更清楚地说明本发明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发明的一些实施例，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。在附图中：
图1是本发明一实施例提供的新能源汽车动力电池系统失效模式的风险评估方法的流程示意图。
图2是本发明一实施例提供的新能源汽车动力电池系统失效模式的风险评估方法的部分流程示意图。
图3是本发明一实施例提供的CBOW神经网络模型示意图。
图4是本发明一实施例提供的新能源汽车动力电池系统失效模式的风险评估方法的部分流程示意图。
图5是本发明一实施例提供的新能源汽车动力电池系统失效模式的风险评估方法的部分流程示意图。
图6是本发明一实施例提供的新能源汽车动力电池系统失效模式的风险评估方法的部分流程示意图。
图7是本发明一实施例提供的新能源汽车动力电池系统失效模式的风险评估方法的部分流程示意图。
图8是本发明一具体实施例在确定目标阈值时计算得到的各相似度阈值下S、O、D总的MAE。
图9是本发明一具体实施例中计算得到的待评估失效模式与历史失效模式之间在严重度（S）这一维度的相似度。
图10是本发明一具体实施例中计算得到的待评估失效模式与历史失效模式之间在发生度（O）这一维度的相似度。
图11是本发明一具体实施例中计算得到的待评估失效模式与历史失效模式之间在难检度（D）这一维度的相似度。
图12是本发明一具体实施例中计算得到的待评估失效模式的严重度、发生度、难检度预测结果。
图13是本发明一具体实施例中计算得到的待预测失效模式的S、O、D预测值及风险优先度评估结果示意图。
图14是本发明一实施例提供的新能源汽车动力电池系统失效模式的风险评估装置的结构示意图。
图15是本发明另一实施例提供的新能源汽车动力电池系统失效模式的风险评估装置的结构示意图。
图16是本发明一实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
本发明实施例提供的新能源汽车动力电池系统失效模式的风险评估方法的执行主体包括但不限于计算机。
图1是本发明一实施例提供的新能源汽车动力电池系统失效模式的风险评估方法的流程示意图，如图1所示，本发明实施例提供的新能源汽车动力电池系统失效模式的风险评估方法，包括：
S101、对于新能源汽车动力电池系统的失效模式，获取历史失效模式中描述文本与待评估失效模式的描述文本之间的相似度大于目标阈值的历史失效模式；
本步骤，获取的所述历史失效模式与所述待评估失效模式属于同一新能源汽车动力电池系统的失效模式；可以从所述新能源汽车动力电池系统的历史FMEA表中获取所述新能源汽车动力电池系统的历史失效模式的描述文本以及该历史失效模式的三种风险因子（严重度(S)、发生度（O）、难检度（D））的评分。
所述对于新能源汽车动力电池系统的失效模式，获取历史失效模式中描述文本与待评估失效模式的描述文本之间的相似度大于目标阈值的历史失效模式具体可以包括：计算所述新能源汽车动力电池系统的各历史失效模式的描述文本与所述待评估失效模式的描述文本之间的相似度，在所述历史失效模式中获取描述文本与所述待评估失效模式的描述文本之间的相似度大于目标阈值的历史失效模式。
S102、根据所述历史失效模式的描述文本与所述待评估失效模式的描述文本之间的相似度、以及所述历史失效模式的风险因子值，确定所述待评估失效模式的风险因子值。
本步骤，对于步骤S101中获取到的至少一个历史失效模式，可以通过每个历史失效模式所对应的所述相似度对该历史失效模式的三个风险因子值进行加权计算，从而得到待评估失效模式的三个风险因子值。
举例而言，具体的，可根据每个所述历史失效模式的描述文本与所述待评估失效模式的描述文本之间的相似度，对所述历史失效模式的三个风险因子值进行加权计算，得到所述历史失效模式的每个风险因子的加权值；对每种所述风险因子，将各所述历史失效模式的该风险因子的加权值相加，得到所述所述待评估失效模式的各风险因子值。
本发明实施例提供的新能源汽车动力电池系统失效模式的风险评估方法，对于新能源汽车动力电池系统的失效模式，获取历史失效模式中描述文本与待评估失效模式的描述文本之间的相似度大于目标阈值的历史失效模式，根据所述历史失效模式的描述文本与所述待评估失效模式的描述文本之间的相似度、以及所述历史失效模式的风险因子值，确定所述待评估失效模式的风险因子值。这样，能够自动根据新能源汽车动力电池系统的历史失效模式快速确定所述新能源汽车动力电池系统待评估失效模式的风险因子值，无需进行复杂的专家评审，解决了传统的专家评审法存在耗时长、成本高、专家打分存在主观性等问题。
如图2所示，可选的，所述对于新能源汽车动力电池系统的失效模式，获取历史失效模式中描述文本与待评估失效模式的描述文本之间的相似度大于目标阈值的历史失效模式可以包括：
S1011、分别对所述新能源汽车动力电池系统待评估失效模式的描述文本以及历史失效模式的描述文本进行向量化处理，得到所述待评估失效模式的文本向量以及所述历史失效模式的文本向量；
本步骤，对于每一个失效模式，可先使用分词工具（例如pyhanlp）对其描述文本进行分词处理，得到所述描述文本的每一个分词，然后利用词向量模型（例如word2vec词向量工具中的连续词袋模型(Continuous Bag-Of-Words Model, CBOW)）对每个所述分词进行向量化处理，得到每个所述分词的词向量；再将各所述分词的词向量进行拼接，即可得到所述描述文本的文本向量。
举例而言，使用word2vec词向量工具中的连续词袋模型(Continuous Bag-Of-Words Model, CBOW)对每个所述分词进行向量化，得到每个所述分词的词向量的过程如下：
在对所述新能源汽车动力电池系统的全部失效模式描述文本进行分词处理后，基于共得到的V个词构成的语料库，对于所述语料库中的
Figure 515014DEST_PATH_IMAGE001
个词，用如下方式训练图3中的神经网络：已知一个词的上下文，预测这个词在当前上下文情境中出现的概率。图3中，待预测词为
Figure 200073DEST_PATH_IMAGE002
，该词的上文c个词分别为
Figure 816999DEST_PATH_IMAGE003
，下文的c个词为
Figure 638324DEST_PATH_IMAGE004
。在输入层，输入上下文共计2c个词的one-hot向量：
Figure 49714DEST_PATH_IMAGE005
及
Figure 205758DEST_PATH_IMAGE006
，输入层、隐藏层、输出层向量维度为
Figure 626375DEST_PATH_IMAGE001
。接着进行式(1)的线性运算得到隐藏层向量：
Figure 302207DEST_PATH_IMAGE007
式（1）；
其中，
Figure 150077DEST_PATH_IMAGE008
是神经网络的参数矩阵。
接着在从隐层到输出层，继续使用参数矩阵
Figure 809729DEST_PATH_IMAGE009
对隐层向量做线性变换得到输出层关于
Figure 253611DEST_PATH_IMAGE010
的输出向量
Figure 315108DEST_PATH_IMAGE011
。
Figure 333879DEST_PATH_IMAGE012
式（2）；
模型的目标是最大化在当前情境下，
Figure 949668DEST_PATH_IMAGE013
的输出概率，由softmax函数计算得到：
Figure 446509DEST_PATH_IMAGE014
式中，
Figure 362512DEST_PATH_IMAGE015
是指当前待预测的词
Figure 801453DEST_PATH_IMAGE016
的词向量；
Figure 170117DEST_PATH_IMAGE017
指的是所述语料库中的V个词的词向量（V个词的词向量中包括
Figure 939490DEST_PATH_IMAGE018
）。
即：
Figure 661065DEST_PATH_IMAGE019
式（3）；
由此目标函数为：
Figure 490481DEST_PATH_IMAGE020
式（4）；
通过最小化目标函数，训练得到网络中的参数矩阵
Figure 815283DEST_PATH_IMAGE021
，其中V是语料中词的个数，是参数矩阵维度，由此得到的参数矩阵
Figure 903193DEST_PATH_IMAGE022
中的每一行就是每一个词的词向量
Figure 262630DEST_PATH_IMAGE023
。
S1012、获取文本向量与所述待评估失效模式的文本向量之间的相似度大于目标阈值的历史失效模式。
本步骤，可先计算所述新能源汽车动力电池系统的每个历史失效模式所对应的文本向量与所述待评估失效模式所对应的文本向量之间的相似度，然后再获取文本向量与所述待评估失效模式的文本向量之间的相似度大于目标阈值的历史失效模式。具体的，可采用余弦相似度计算公式计算所述文本向量之间的相似度。
可选的，在上述实施例中，所述分别对所述新能源汽车动力电池系统待评估失效模式的描述文本以及历史失效模式的描述文本进行向量化处理，得到所述待评估失效模式的文本向量以及所述历史失效模式的文本向量可以包括：
分别对所述待评估失效模式的描述文本中的失效模式名称文本、失效模式后果文本、失效模式原因及预防性控制文本以及失效模式探测性设计控制文本进行向量化处理，得到失效模式名称句向量、失效模式后果句向量、失效模式原因及预防性控制句向量以及失效模式探测性设计控制句向量；将所述失效模式名称句向量分别与所述失效模式后果句向量、失效模式原因及预防性控制句向量以及失效模式探测性设计控制句向量进行拼接，得到所述待评估失效模式的失效模式后果语义向量、失效模式原因语义向量以及失效模式控制语义向量；
分别对所述历史失效模式的描述文本中的失效模式名称文本、失效模式后果文本、失效模式原因及预防性控制文本以及失效模式探测性设计控制文本进行向量化处理，得到失效模式名称句向量、失效模式后果句向量、失效模式原因及预防性控制句向量以及失效模式探测性设计控制句向量；将所述失效模式名称句向量分别与所述失效模式后果句向量、失效模式原因及预防性控制句向量以及失效模式探测性设计控制句向量进行拼接，得到所述历史失效模式的失效模式后果语义向量、失效模式原因语义向量以及失效模式控制语义向量。
本实施例，所述新能源汽车动力电池系统的每个失效模式的描述文本中包括以下4种文本：失效模式名称文本、失效模式后果文本、失效模式原因及预防性控制文本、失效模式探测性设计文本。在对每个所述失效模式的描述文本进行向量化处理时，可对描述文本中上述4种文本分别进行向量化处理，分别得到上述4种文本的句向量。
具体的，可首先按照上述实施例中所提供的方法对描述文本中的4种文本分别进行分词处理，然后再对每种文本的每个分词进行向量化处理，得到每种文本的每个分词的词向量；最后通过对每种文本的所有词的词向量进行平均拼接实现该种文本的向量化，进而得到上述4种文本的向量化表示
Figure 748101DEST_PATH_IMAGE024
，见式(5)，其中，
Figure 560199DEST_PATH_IMAGE025
表示每种文本中的分词的个数。
Figure 405795DEST_PATH_IMAGE026
式（5）；
在得到上述4种文本的句向量之后，再将失效模式名称句向量分别与失效模式后果句向量、失效模式原因及预防性控制句向量以及失效模式探测性设计控制句向量进行拼接，得到每种失效模式的失效模式后果语义向量、失效模式原因语义向量以及失效模式控制语义向量。
具体的，记失效模式名称句向量为
Figure 869006DEST_PATH_IMAGE027
、失效模式后果句向量为
Figure 305804DEST_PATH_IMAGE028
、失效模式原因及预防性控制句向量为
Figure 87422DEST_PATH_IMAGE029
以及失效模式探测性设计控制句向量为
Figure 267867DEST_PATH_IMAGE030
。然后通过最大池化实现
Figure 133055DEST_PATH_IMAGE031
与其他三个句向量的拼接，见式(6)-式(8)，将拼接得到的向量分别作为失效模式后果语义向量，失效模式原因语义向量以及失效模式控制语义向量。
Figure 740754DEST_PATH_IMAGE032
式（6）；
Figure 793024DEST_PATH_IMAGE033
式（7）；
Figure 42739DEST_PATH_IMAGE034
式（8）；
如图4所示，可选的，在上述实施例中，所述获取文本向量与所述待评估失效模式的文本向量之间的相似度大于目标阈值的历史失效模式包括：
S10121、计算所述待评估失效模式的每种语义向量与各所述历史失效模式相应类型的语义向量之间的相似度；
本步骤，对于待评估失效模式的三种语义向量（失效模式后果语义向量、失效模式原因语义向量以及失效模式控制语义向量）中的每一种语义向量，计算该语义向量与各历史失效模式的相应类型的语义向量之间的相似度；具体的，记待评估失效模式的失效模式后果语义向量为
Figure 746122DEST_PATH_IMAGE035
、失效模式原因语义向量为
Figure 790301DEST_PATH_IMAGE036
以及失效模式控制语义向量为
Figure 64288DEST_PATH_IMAGE037
，记历史失效模式的失效模式后果语义向量为
Figure 852115DEST_PATH_IMAGE038
、失效模式原因语义向量为
Figure 426316DEST_PATH_IMAGE039
以及失效模式控制语义向量为
Figure 126550DEST_PATH_IMAGE040
，则可按照以下相似度计算公式计算每个待评估失效模式与每个历史失效模式相对应类型的语义向量之间的相似度：
Figure 418991DEST_PATH_IMAGE041
式（9）；
Figure 479351DEST_PATH_IMAGE042
式（10）；
Figure 173638DEST_PATH_IMAGE043
式（11）；
式中，
Figure 294040DEST_PATH_IMAGE044
表示待评估失效模式的失效模式后果语义向量与历史失效模式的失效模式后果语义向量之间的相似度；
Figure 808198DEST_PATH_IMAGE045
表示待评估失效模式的失效模式原因语义向量与历史失效模式的失效模式原因语义向量之间的相似度；
Figure 187096DEST_PATH_IMAGE046
表示待评估失效模式的失效模式控制语义向量与历史失效模式的失效模式控制语义向量之间的相似度。
S10122、对于所述待评估失效模式的每种语义向量，获取所述历史失效模式中相应类型的语义向量与所述待评估失效模式的该种语义向量之间的相似度大于目标阈值的历史失效模式。
本步骤，分别获取所述历史失效模式中失效模式后果语义向量与所述待评估失效模式的失效模式后果语义向量的相似度大于目标阈值的历史失效模式，获取所述历史失效模式中失效模式原因语义向量与所述待评估失效模式的失效模式原因语义向量的相似度大于目标阈值的历史失效模式；获取所述历史失效模式中失效模式控制语义向量与所述待评估失效模式的失效模式控制语义向量的相似度大于目标阈值的历史失效模式。
可选的，在上述步骤S10122之后，所述根据所述历史失效模式的描述文本与所述待评估失效模式的描述文本之间的相似度、以及所述历史失效模式的风险因子值，确定所述待评估失效模式的风险因子值可以包括：
按照以下风险因子值计算公式计算所述待评估失效模式的风险因子值：
Figure 735889DEST_PATH_IMAGE047
式（12）；
Figure 27193DEST_PATH_IMAGE048
式（13）；
Figure 28647DEST_PATH_IMAGE049
式（14）；
式中，
Figure 961968DEST_PATH_IMAGE050
表示第j个待评估失效模式的严重度；
Figure 99688DEST_PATH_IMAGE051
表示第j个待评估失效模式的发生度；
Figure 575276DEST_PATH_IMAGE052
表示第j个待评估失效模式的难检度；
Figure 64026DEST_PATH_IMAGE053
表示第i个历史失效模式的失效模式后果语义向量与所述第j个待评估失效模式的失效模式后果语义向量之间的相似度；
Figure 535458DEST_PATH_IMAGE054
表示第i个历史失效模式的失效模式原因语义向量与所述第j个待评估失效模式的失效模式原因语义向量之间的相似度；
Figure 793264DEST_PATH_IMAGE055
表示第i个历史失效模式的失效模式控制语义向量与所述第j个待评估失效模式的失效模式控制语义向量之间的相似度；
Figure 426371DEST_PATH_IMAGE056
表示第i个历史失效模式的严重度；
Figure 402417DEST_PATH_IMAGE057
表示第i个历史失效模式的发生度；
Figure 926808DEST_PATH_IMAGE058
表示第i个历史失效模式的难检度；
Figure 773542DEST_PATH_IMAGE059
表示失效模式后果语义向量与所述第j个待评估失效模式的失效模式后果语义向量之间的相似度大于
Figure 108708DEST_PATH_IMAGE060
的历史失效模式的个数；
Figure 40892DEST_PATH_IMAGE061
表示失效模式原因语义向量与所述第j个待评估失效模式的失效模式原因语义向量之间的相似度大于
Figure 119706DEST_PATH_IMAGE062
的历史失效模式的个数；
Figure 86525DEST_PATH_IMAGE063
表示失效模式控制语义向量与所述第j个待评估失效模式的失效模式控制语义向量之间的相似度大于
Figure 77746DEST_PATH_IMAGE064
的历史失效模式的个数；
Figure 762806DEST_PATH_IMAGE064
表示目标阈值。
可选的，在上述任一实施例中，所述目标阈值可以根据如下方法确定：
（1）初步确定目标阈值
Figure 379732DEST_PATH_IMAGE065
的取值空间
Figure 201057DEST_PATH_IMAGE066
。例如取值空间具体可以为{0.5，0.6，0.7，0.8，0.9，1}。
（2）将所述新能源汽车动力电池系统的历史失效模式随机平均划分为5份，每次将1份作为新进失效模式，其他4份作为已有失效模式，并从上述取值空间中取一
Figure 878026DEST_PATH_IMAGE067
作为测试阈值。确定在阈值
Figure 50381DEST_PATH_IMAGE067
下，当前这份新进失效模式的S，O，D预测值，进一步计算该份新进失效模式的S，O，D预测值与S，O，D实际值的总MAE（平均绝对误差之和）。将5份失效模式依次作为已有失效模式，得到在阈值
Figure 454687DEST_PATH_IMAGE067
下的预测结果的平均MAE。
（3）对取值空间
Figure 396098DEST_PATH_IMAGE066
中每一
Figure 243968DEST_PATH_IMAGE067
重复上述步骤（2），得到每一
Figure 638041DEST_PATH_IMAGE067
下的平均MAE，选择平均MAE最小的阈值
Figure 596769DEST_PATH_IMAGE067
作为目标阈值
Figure 658266DEST_PATH_IMAGE065
。
本实施例，目标阈值
Figure 893682DEST_PATH_IMAGE065
的设定可以确保与待评估失效模式相似度过低的历史失效模式不会对待评估失效模式的风险因子值评估结果产生干扰，并确保参与加权计算的历史失效模式包含与待评估失效模式相关的知识。
如图5所示，可选的，在上述任一实施例中，在确定所述待评估失效模式的风险因子值之后，所述方法还可以包括：
S103、对所述待评估失效模式的各风险因子进行赋权，得到所述待评估失效模式各风险因子的权重值；
本步骤，在所述新能源汽车动力电池系统待评估失效模式中，各风险因子对所述待评估失效模式的总的风险的影响程序可能是不同的，故可以预先设置一定的赋权规则，对各所述待评估失效模式的各风险因子进行赋权，得到所述待评估失效模式的各种风险因子的权重值。
S104、根据所述待评估失效模式的每种所述风险因子的权重值和风险因子值，确定所述待评估失效模式的风险优先度。
本步骤，结合所述待评估失效模式的每种所述风险因子的权重值和风险因子值，确定所述待评估失效模式的风险优先度。例如可以将所述待评估失效模式的每种所述风险因子的权重值和风险因子值进行相乘后，再与所述待评估失效模式的其他风险因子的权重值和风险因子值的乘积相加，得到所述待评估失效模式的风险优先度。
如图6所示，可选的，在上述实施例中，所述对所述待评估失效模式的各风险因子进行赋权，得到所述待评估失效模式各风险因子的权重值可以包括：
S1031、根据待排序的失效模式的各风险因子值，构建所述待排序的失效模式的风险因子矩阵，其中，所述待排序的失效模式包括所述待评估失效模式；
本步骤，所述待排序的失效模式的数量至少为两个，所述待排序的失效模式还可以包括所述新能源汽车动力电池系统的历史失效模式；所述根据待排序的失效模式的各风险因子值，构建所述待排序的失效模式的风险因子矩阵具体可以如下：
将各待排序的失效模式的S，O，D值排列成如下风险因子矩阵X，其中
Figure 40630DEST_PATH_IMAGE068
表示各待排序的失效模式中第i个待排序的失效模式的第j种风险因子的风险因子值，j=1时为风险因子S，j=2时为风险因子O，j=3时为风险因子D。风险因子矩阵X的表示如下，其中m为待排序的失效模式的个数：
Figure 537470DEST_PATH_IMAGE069
。
S1032、根据所述风险因子矩阵中的每个风险因子值，确定所述风险因子矩阵中每种风险因子的变异系数、每种风险因子与其他风险因子的冲突性量化指标值；
本步骤，在根据所述风险因子矩阵中的每个风险因子值，确定所述风险因子矩阵中每种风险因子的变异系数、每种风险因子与其他风险因子的冲突性量化指标值之前，为消除不同失效模式之间数量级的差异，可先对风险因子矩阵X中的各风险因子值进行标准化处理。考虑到S，O，D综合越高的失效模式应具有更高的风险优先度，这里对风险因子矩阵X中的风险因子值
Figure 453474DEST_PATH_IMAGE070
做如下标准化处理：
Figure 643146DEST_PATH_IMAGE071
式（15）。
在对风险因子矩阵X中的各风险因子值进行标准化处理之后，可按照以下步骤确定所述每种风险因子的变异系数、每种风险因子与其他风险因子的冲突性量化指标值：
（1）计算对标强度
Figure 995499DEST_PATH_IMAGE072
式（16）；
式中，
Figure 296031DEST_PATH_IMAGE073
是第j种风险因子的变异系数，也称为标准差系数，
Figure 332120DEST_PATH_IMAGE074
是所有待排序的失效模式的第j种风险因子的风险因子值的标准差，
Figure 427115DEST_PATH_IMAGE075
是所有待排序的失效模式的第j种风险因子的风险因子值的平均数。
（2）计算相关系数和冲突性量化指标值
第h种风险因子和第j种风险因子之间的相关系数
Figure 283075DEST_PATH_IMAGE076
为：
Figure 387297DEST_PATH_IMAGE077
式（17）；
式中，
Figure 763046DEST_PATH_IMAGE078
和
Figure 294522DEST_PATH_IMAGE079
分别是第i个待排序的失效模式的第h种风险因子的风险因子值和第j种风险因子的风险因子值，
Figure 637778DEST_PATH_IMAGE080
和
Figure 14533DEST_PATH_IMAGE081
分别是n个待排序的失效模式的第h种风险因子的风险因子值的均值和第j种风险因子的风险因子值的均值。
第j种风险因子与其它风险因子的冲突性量化指标值为：
Figure 494056DEST_PATH_IMAGE082
式（18）。
S1033、根据每种风险因子的变异系数以及每种风险因子与其他风险因子的冲突性量化指标值，确定所述风险因子矩阵中每种风险因子的权重值。
本步骤，首先根据每种风险因子的变异系数以及每种风险因子与其他风险因子的冲突性量化指标值，计算每种风险因子的信息量：
各种风险因子的客观权重是以对标强度和冲突性来综合衡量的，设
Figure 196433DEST_PATH_IMAGE083
表示第
Figure 276253DEST_PATH_IMAGE084
种风险因子所包含的信息量，则
Figure 456699DEST_PATH_IMAGE085
可以表示为：
Figure 56307DEST_PATH_IMAGE086
式（19）；
式中，
Figure 664006DEST_PATH_IMAGE087
越大，第
Figure 981855DEST_PATH_IMAGE084
种风险因子所包含的信息量越大，该种风险因子的相对重要性也越大，即权重越大。
然后根据计算得到的风险因子的信息量计算风险因子权重值：
Figure 231571DEST_PATH_IMAGE088
式（20）；
式中，
Figure 167909DEST_PATH_IMAGE089
表示第
Figure 212089DEST_PATH_IMAGE084
种风险因子的权重值。此时，客观赋权得到的权重向量为
Figure 751654DEST_PATH_IMAGE090
。
如图7所示，可选的，在上述实施例中，所述根据所述待评估失效模式的每种所述风险因子的权重值和风险因子值，确定所述待评估失效模式的风险优先度包括：
S1041、根据每种所述风险因子的权重值以及所述风险因子矩阵中的每个风险因子的风险因子值，确定所述风险因子矩阵中的每个风险因子的乘积型带权综合评分以及指数型带权综合评分；
本步骤，可先对风险因子矩阵X中的各风险因子值进行如下标准化处理、或者直接利用上述实施例中对风险因子矩阵X中的各风险因子值进行标准化处理后得到的标准化风险因子矩阵X进行如下处理：
（1）计算每个风险因子的乘积型带权综合评分
Figure 539482DEST_PATH_IMAGE091
式（21）；
（2）计算每个风险因子的指数型带权综合评分
Figure 848103DEST_PATH_IMAGE092
式（22）；
式中，
Figure 312452DEST_PATH_IMAGE093
为第
Figure 339314DEST_PATH_IMAGE084
种风险因子的权重值。
S1042、根据每个风险因子的乘积型带权综合评分以及指数型带权综合评分，确定所述风险因子的平均相对风险评分、最大相对风险评分以及最小相对风险评分；
本步骤，按照以下公式计算锂电池系统失效模式平均相对风险评分：
Figure 399673DEST_PATH_IMAGE094
式（23）；
按照以下公式计算锂电池系统失效模式最大相对风险评分：
Figure 782376DEST_PATH_IMAGE095
式（24）；
按照以下公式计算锂电池系统失效模式最小相对风险评分：
Figure 902778DEST_PATH_IMAGE096
式（25）。
S1043、根据所述待评估失效模式的每个风险因子的平均相对风险评分、最大相对风险评分以及最小相对风险评分，确定所述待评估失效模式的风险优先度。
本步骤，按照以下公式计算所述待评估失效模式的风险优先度：
Figure 885778DEST_PATH_IMAGE097
式（26）。
本发明实施例提供的新能源汽车动力电池系统失效模式的风险评估方法，至少具有如下技术效果：
(1) 自动对历史失效模式和待评估失效模式的描述文本进行分析，解决了传统专家评审法耗时长、成本高、专家打分存在主观性的问题，实现了对新能源汽车动力电池系统失效模式的三种风险因子的客观评估。
(2) 通过使用客观赋权法，解决了传统的专家赋权法中由于专家主观经验带来的偏差问题，实现了对新能源汽车动力电池系统失效模式三种风险因子的客观赋权。
(3) 通过风险优先度排序，解决了用传统FMEA方法得出的RPN值粒度较粗、存在偏差的问题，采用多种带权评估方法，更细粒度地实现了对待评估失效模式风险优先度的客观、准确的评估。
(4) 通过对新能源汽车动力电池系统失效模式的自动评估，结合客观的打分和评价方法，实现了新能源汽车动力电池系统故障知识库的智能动态更新，减少了人工干预，保障了失效模式分析结果的准确性。
以下通过一具体算例对本发明实施例提供的新能源汽车动力电池系统失效模式的风险评估方法的有效性进行说明：
一.某新能源汽车动力锂电池系统失效数据集介绍
从106条原始数据中随机抽取90条数据作为历史失效模式，剩余16条数据作为待评估失效模式。部分示例见表1与表2。
表1.历史失效模式示例
Figure 999096DEST_PATH_IMAGE098
表2. 待识别失效模式示例
Figure 16731DEST_PATH_IMAGE099
二、待评估失效模式相似度计算结果
2.1 确定目标阈值
将初始阈值设为0.5，以0.05为步长，按照上述实施例中提供的目标阈值的确定方法确定相似度阈值的取值空间。图8展示了在每个阈值下的平均MAE。在阈值较低时，大量相似度较低的失效模式对预测造成了干扰，噪声较大；而在阈值较高时，只有较少的已有失效模式参与加权，过多有效信息被过滤。故根据图8，将0.75作为最佳目标阈值，而非0.9。
2.2 各类型风险因子相似度计算结果
确定目标阈值后，通过计算待评估失效模式与历史失效模式文本向量的余弦相似度，分别得到待评估模式S，O，D三个维度的历史失效模式，图9、图10、图11分别展示了在S，O，D三个维度上与各待评估失效模式相似度排名前五的历史失效模式id及相似度。对于少数待评估失效模式，没有相似度高于阈值的历史失效模式，我们认为历史失效模式中没有关于这些待评估失效模式的知识，故无法对其风险因子值进行预测。
三.待评估失效模式风险因子值预测结果
对16条待评估失效模式的S，O，D的预测结果如图12所示：
三种风险因子的平均MAE：
MAE_S = 0.13950198， MAE_O = 0.788990223,MAE_D = 0.45369243
四.对各待评估失效模式进行综合评价
我们将S，O，D预测部分存在缺失值的行去除，记作矩阵X，对X的各列做标准化得到
Figure 42456DEST_PATH_IMAGE100
。基于矩阵
Figure 260554DEST_PATH_IMAGE101
进行综合评价，矩阵
Figure 662716DEST_PATH_IMAGE101
表示如下：
Figure 534857DEST_PATH_IMAGE102
4.1 确定各类风险因子的权重
基于
Figure 980751DEST_PATH_IMAGE103
分别计算S，O，D三个维度的对标强度(
Figure 938343DEST_PATH_IMAGE104
)、冲突性(
Figure 144196DEST_PATH_IMAGE105
)以及信息量(
Figure 887155DEST_PATH_IMAGE106
)。计算结果如表3：
表3：对标强度、冲突性以及信息量结果展示
S O D
V 0.74 0.48 0.51
R 2.18 1.58 1.53
C 1.61 0.75 0.78
在得到信息量后，将各维度信息量在总信息量中的占比作为各维度权重，结果如下：
Figure 51421DEST_PATH_IMAGE107
4.2 对各失效模式的风险优先度进行综合评价
结合4.1中得到的各类风险因子的权重，对各失效模式的风险优先度进行综合评价。首先计算
Figure 27467DEST_PATH_IMAGE108
以及
Figure 771432DEST_PATH_IMAGE109
，再对
Figure 149324DEST_PATH_IMAGE110
，
Figure 202599DEST_PATH_IMAGE111
选择三种不同的加权方式，得到
Figure 665942DEST_PATH_IMAGE112
结果如表4所示。
表4.相对风险评分和相对风险评分计算结果
失效模式id
Figure 479177DEST_PATH_IMAGE113
Figure 445996DEST_PATH_IMAGE114
Figure 952063DEST_PATH_IMAGE115
Figure 637123DEST_PATH_IMAGE116
Figure 759710DEST_PATH_IMAGE117
2 0.37 1.49 0.05 0.05 0.51
10 0.37 1.49 0.05 0.05 0.51
16 0.61 2.53 0.09 0.09 0.87
22 0.22 1.80 0.06 0.06 0.56
24 0.23 1.82 0.06 0.06 0.57
60 0.37 1.85 0.06 0.06 0.61
68 0.35 1.96 0.06 0.06 0.64
75 0.70 2.57 0.09 0.09 0.90
76 0.73 2.64 0.09 0.09 0.93
85 0.82 2.79 0.10 0.10 1.00
98 0.77 2.70 0.10 0.10 0.96
99 0.83 2.80 0.10 0.10 1.00
105 0.82 2.79 0.10 0.10 1.00
获得以上中间量后，基于公式（26），得到各失效模式的风险优先值，我们对风险优先度以及各风险因子的预测值进行展示，结果如表5及图13所示。
表5. 待预测失效模式的S，O，D预测值及风险优先度评估结果
id 风险优先度 S O D
99 1.02 10 2.7 2.9
85 1.01 10 2.72 2.83
105 1.01 10 2.72 2.83
98 0.95 10 2.69 2.26
76 0.91 10 2.6 1.98
75 0.88 10 2.63 1.68
16 0.81 7 3 3.51
68 0.53 5.09 2.88 3
60 0.52 5 3.85 2.3
24 0.44 5.25 2.24 2.17
2 0.44 8 2 1
10 0.44 8 1.35 1.65
22 0.43 5.25 2.12 2.18
最后，挑选出风险优先度排名前5的失效模式给出改进或预防措施，结果如表6所示：
表6. 对风险优先度排名前5的失效模式的建议采取措施
Figure 846615DEST_PATH_IMAGE118
图14是本发明一实施例提供的新能源汽车动力电池系统失效模式的风险评估装置的结构示意图，如图14所示，本发明实施例提供的新能源汽车动力电池系统失效模式的风险评估装置，包括：
获取模块21，用于对于新能源汽车动力电池系统的失效模式，获取历史失效模式中描述文本与待评估失效模式的描述文本之间的相似度大于目标阈值的历史失效模式；
第一确定模块22，用于根据所述历史失效模式的描述文本与所述待评估失效模式的描述文本之间的相似度、以及所述历史失效模式的风险因子值，确定所述待评估失效模式的风险因子值。
本发明实施例提供的新能源汽车动力电池系统失效模式的风险评估装置，对于新能源汽车动力电池系统的失效模式，获取历史失效模式中描述文本与待评估失效模式的描述文本之间的相似度大于目标阈值的历史失效模式，根据所述历史失效模式的描述文本与所述待评估失效模式的描述文本之间的相似度、以及所述历史失效模式的风险因子值，确定所述待评估失效模式的风险因子值。这样，能够自动根据新能源汽车动力电池系统的历史失效模式快速确定所述新能源汽车动力电池系统待评估失效模式的风险因子值，无需进行复杂的专家评审，解决了传统的专家评审法存在耗时长、成本高、专家打分存在主观性等问题。
可选的，所述获取模块具体用于：
分别对所述新能源汽车动力电池系统待评估失效模式的描述文本以及历史失效模式的描述文本进行向量化处理，得到所述待评估失效模式的文本向量以及所述历史失效模式的文本向量；
获取文本向量与所述待评估失效模式的文本向量之间的相似度大于目标阈值的历史失效模式。
可选的，所述获取模块分别对所述新能源汽车动力电池系统待评估失效模式的描述文本以及历史失效模式的描述文本进行向量化处理，得到所述待评估失效模式的文本向量以及所述历史失效模式的文本向量包括：
分别对所述待评估失效模式的描述文本中的失效模式名称文本、失效模式后果文本、失效模式原因及预防性控制文本以及失效模式探测性设计控制文本进行向量化处理，得到失效模式名称句向量、失效模式后果句向量、失效模式原因及预防性控制句向量以及失效模式探测性设计控制句向量；将所述失效模式名称句向量分别与所述失效模式后果句向量、失效模式原因及预防性控制句向量以及失效模式探测性设计控制句向量进行拼接，得到所述待评估失效模式的失效模式后果语义向量、失效模式原因语义向量以及失效模式控制语义向量；
分别对所述历史失效模式的描述文本中的失效模式名称文本、失效模式后果文本、失效模式原因及预防性控制文本以及失效模式探测性设计控制文本进行向量化处理，得到失效模式名称句向量、失效模式后果句向量、失效模式原因及预防性控制句向量以及失效模式探测性设计控制句向量；将所述失效模式名称句向量分别与所述失效模式后果句向量、失效模式原因及预防性控制句向量以及失效模式探测性设计控制句向量进行拼接，得到所述历史失效模式的失效模式后果语义向量、失效模式原因语义向量以及失效模式控制语义向量。
可选的，所述获取模块获取文本向量与所述待评估失效模式的文本向量之间的相似度大于目标阈值的历史失效模式包括：
计算所述待评估失效模式的每种语义向量与各所述历史失效模式相应类型的语义向量之间的相似度；
对于所述待评估失效模式的每种语义向量，获取所述历史失效模式中相应类型的语义向量与所述待评估失效模式的该种语义向量之间的相似度大于目标阈值的历史失效模式。
可选的，所述第一确定模块具体用于：
按照以下风险因子值计算公式计算所述待评估失效模式的风险因子值：
Figure 258004DEST_PATH_IMAGE119
式中，
Figure 430360DEST_PATH_IMAGE120
表示第j个待评估失效模式的严重度；
Figure 585397DEST_PATH_IMAGE121
表示第j个待评估失效模式的发生度；
Figure 526809DEST_PATH_IMAGE122
表示第j个待评估失效模式的难检度；
Figure 623947DEST_PATH_IMAGE053
表示第i个历史失效模式的失效模式后果语义向量与所述第j个待评估失效模式的失效模式后果语义向量之间的相似度；
Figure 283598DEST_PATH_IMAGE123
表示第i个历史失效模式的失效模式原因语义向量与所述第j个待评估失效模式的失效模式原因语义向量之间的相似度；
Figure 976748DEST_PATH_IMAGE055
表示第i个历史失效模式的失效模式控制语义向量与所述第j个待评估失效模式的失效模式控制语义向量之间的相似度；
Figure 772665DEST_PATH_IMAGE124
表示第i个历史失效模式的严重度；
Figure 525858DEST_PATH_IMAGE125
表示第i个历史失效模式的发生度；
Figure 672805DEST_PATH_IMAGE126
表示第i个历史失效模式的难检度；
Figure 389220DEST_PATH_IMAGE127
表示失效模式后果语义向量与所述第j个待评估失效模式的失效模式后果语义向量之间的相似度大于
Figure 305223DEST_PATH_IMAGE128
的历史失效模式的个数；
Figure 963737DEST_PATH_IMAGE129
表示失效模式原因语义向量与所述第j个待评估失效模式的失效模式原因语义向量之间的相似度大于
Figure 597981DEST_PATH_IMAGE128
的历史失效模式的个数；
Figure 882201DEST_PATH_IMAGE130
表示失效模式控制语义向量与所述第j个待评估失效模式的失效模式控制语义向量之间的相似度大于
Figure 918290DEST_PATH_IMAGE128
的历史失效模式的个数；
Figure 13285DEST_PATH_IMAGE128
表示目标阈值。
如图15所示，可选的，所述装置还包括：
赋权模块23，用于对所述待评估失效模式的各风险因子进行赋权，得到所述待评估失效模式各风险因子的权重值；
第二确定模块24，用于根据所述待评估失效模式的每种所述风险因子的权重值和风险因子值，确定所述待评估失效模式的风险优先度。
可选的，所述赋权模块具体用于：
根据待排序的失效模式的各风险因子值，构建所述待排序的失效模式的风险因子矩阵，其中，所述待排序的失效模式包括所述待评估失效模式；
根据所述风险因子矩阵中的每个风险因子值，确定所述风险因子矩阵中每种风险因子的变异系数、每种风险因子与其他风险因子的冲突性量化指标值；
根据每种风险因子的变异系数以及每种风险因子与其他风险因子的冲突性量化指标值，确定所述风险因子矩阵中每种风险因子的权重值。
可选的，所述第二确定模块具体用于：
根据每种所述风险因子的权重值以及所述风险因子矩阵中的每个风险因子的风险因子值，确定所述风险因子矩阵中的每个风险因子的乘积型带权综合评分以及指数型带权综合评分；
根据每个风险因子的乘积型带权综合评分以及指数型带权综合评分，确定所述风险因子的平均相对风险评分、最大相对风险评分以及最小相对风险评分；
根据所述待评估失效模式的每个风险因子的平均相对风险评分、最大相对风险评分以及最小相对风险评分，确定所述待评估失效模式的风险优先度。
本发明实施例提供的装置的实施例具体可以用于执行上述各方法实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。
图16为本发明一实施例提供的电子设备的实体结构示意图，如图16所示，该电子设备可以包括：处理器(processor)301、通信接口(Communications Interface)302、存储器(memory)303和通信总线304，其中，处理器301，通信接口302，存储器303通过通信总线304完成相互间的通信。处理器301可以调用存储器303中的逻辑指令，以执行如下方法：对于新能源汽车动力电池系统的失效模式，获取历史失效模式中描述文本与待评估失效模式的描述文本之间的相似度大于目标阈值的历史失效模式；根据所述历史失效模式的描述文本与所述待评估失效模式的描述文本之间的相似度、以及所述历史失效模式的风险因子值，确定所述待评估失效模式的风险因子值。
此外，上述的存储器303中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法。
本实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，所述计算机程序使所述计算机执行上述各方法实施例所提供的方法。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在本说明书的描述中，参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”、“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。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种新能源汽车动力电池系统失效模式的风险评估方法，其特征在于，包括：
对于新能源汽车动力电池系统的失效模式，获取历史失效模式中描述文本与待评估失效模式的描述文本之间的相似度大于目标阈值的历史失效模式；
根据所述历史失效模式的描述文本与所述待评估失效模式的描述文本之间的相似度、以及所述历史失效模式的风险因子值，确定所述待评估失效模式的风险因子值。
2.根据权利要求1所述的方法，其特征在于，所述对于新能源汽车动力电池系统的失效模式，获取历史失效模式中描述文本与待评估失效模式的描述文本之间的相似度大于目标阈值的历史失效模式包括：
分别对所述新能源汽车动力电池系统待评估失效模式的描述文本以及历史失效模式的描述文本进行向量化处理，得到所述待评估失效模式的文本向量以及所述历史失效模式的文本向量；
获取文本向量与所述待评估失效模式的文本向量之间的相似度大于目标阈值的历史失效模式。
3.根据权利要求2所述的方法，其特征在于，所述分别对所述新能源汽车动力电池系统待评估失效模式的描述文本以及历史失效模式的描述文本进行向量化处理，得到所述待评估失效模式的文本向量以及所述历史失效模式的文本向量包括：
分别对所述待评估失效模式的描述文本中的失效模式名称文本、失效模式后果文本、失效模式原因及预防性控制文本以及失效模式探测性设计控制文本进行向量化处理，得到失效模式名称句向量、失效模式后果句向量、失效模式原因及预防性控制句向量以及失效模式探测性设计控制句向量；将所述失效模式名称句向量分别与所述失效模式后果句向量、失效模式原因及预防性控制句向量以及失效模式探测性设计控制句向量进行拼接，得到所述待评估失效模式的失效模式后果语义向量、失效模式原因语义向量以及失效模式控制语义向量；
分别对所述历史失效模式的描述文本中的失效模式名称文本、失效模式后果文本、失效模式原因及预防性控制文本以及失效模式探测性设计控制文本进行向量化处理，得到失效模式名称句向量、失效模式后果句向量、失效模式原因及预防性控制句向量以及失效模式探测性设计控制句向量；将所述失效模式名称句向量分别与所述失效模式后果句向量、失效模式原因及预防性控制句向量以及失效模式探测性设计控制句向量进行拼接，得到所述历史失效模式的失效模式后果语义向量、失效模式原因语义向量以及失效模式控制语义向量。
4.根据权利要求3所述的方法，其特征在于，所述获取文本向量与所述待评估失效模式的文本向量之间的相似度大于目标阈值的历史失效模式包括：
计算所述待评估失效模式的每种语义向量与各所述历史失效模式相应类型的语义向量之间的相似度；
对于所述待评估失效模式的每种语义向量，获取所述历史失效模式中相应类型的语义向量与所述待评估失效模式的该种语义向量之间的相似度大于目标阈值的历史失效模式。
5.根据权利要求4所述的方法，其特征在于，所述根据所述历史失效模式的描述文本与所述待评估失效模式的描述文本之间的相似度、以及所述历史失效模式的风险因子值，确定所述待评估失效模式的风险因子值包括：
按照以下风险因子值计算公式计算所述待评估失效模式的风险因子值：
Figure 251539DEST_PATH_IMAGE001
式中，
Figure 339450DEST_PATH_IMAGE002
表示第j个待评估失效模式的严重度；
Figure 964466DEST_PATH_IMAGE003
表示第j个待评估失效模式的发生度；
Figure 230362DEST_PATH_IMAGE004
表示第j个待评估失效模式的难检度；
Figure 573619DEST_PATH_IMAGE005
表示第i个历史失效模式的失效模式后果语义向量与所述第j个待评估失效模式的失效模式后果语义向量之间的相似度；
Figure 215953DEST_PATH_IMAGE006
表示第i个历史失效模式的失效模式原因语义向量与所述第j个待评估失效模式的失效模式原因语义向量之间的相似度；
Figure 443278DEST_PATH_IMAGE007
表示第i个历史失效模式的失效模式控制语义向量与所述第j个待评估失效模式的失效模式控制语义向量之间的相似度；
Figure 880076DEST_PATH_IMAGE008
表示第i个历史失效模式的严重度；
Figure 445050DEST_PATH_IMAGE009
表示第i个历史失效模式的发生度；
Figure 891074DEST_PATH_IMAGE010
表示第i个历史失效模式的难检度；
Figure 474371DEST_PATH_IMAGE011
表示失效模式后果语义向量与所述第j个待评估失效模式的失效模式后果语义向量之间的相似度大于
Figure 82070DEST_PATH_IMAGE012
的历史失效模式的个数；
Figure 134340DEST_PATH_IMAGE013
表示失效模式原因语义向量与所述第j个待评估失效模式的失效模式原因语义向量之间的相似度大于
Figure 852897DEST_PATH_IMAGE012
的历史失效模式的个数；
Figure 792165DEST_PATH_IMAGE014
表示失效模式控制语义向量与所述第j个待评估失效模式的失效模式控制语义向量之间的相似度大于
Figure 305186DEST_PATH_IMAGE012
的历史失效模式的个数；
Figure 579173DEST_PATH_IMAGE012
表示目标阈值。
6.根据权利要求1至5任一项所述的方法，其特征在于，所述方法还包括：
对所述待评估失效模式的各风险因子进行赋权，得到所述待评估失效模式各风险因子的权重值；
根据所述待评估失效模式的每种所述风险因子的权重值和风险因子值，确定所述待评估失效模式的风险优先度。
7.根据权利要求6所述的方法，其特征在于，所述对所述待评估失效模式的各风险因子进行赋权，得到所述待评估失效模式各风险因子的权重值包括：
根据待排序的失效模式的各风险因子值，构建所述待排序的失效模式的风险因子矩阵，其中，所述待排序的失效模式包括所述待评估失效模式；
根据所述风险因子矩阵中的每个风险因子值，确定所述风险因子矩阵中每种风险因子的变异系数、每种风险因子与其他风险因子的冲突性量化指标值；
根据每种风险因子的变异系数以及每种风险因子与其他风险因子的冲突性量化指标值，确定所述风险因子矩阵中每种风险因子的权重值；
所述根据所述待评估失效模式的每种所述风险因子的权重值和风险因子值，确定所述待评估失效模式的风险优先度包括：
根据每种所述风险因子的权重值以及所述风险因子矩阵中的每个风险因子的风险因子值，确定所述风险因子矩阵中的每个风险因子的乘积型带权综合评分以及指数型带权综合评分；
根据每个风险因子的乘积型带权综合评分以及指数型带权综合评分，确定所述风险因子的平均相对风险评分、最大相对风险评分以及最小相对风险评分；
根据所述待评估失效模式的每个风险因子的平均相对风险评分、最大相对风险评分以及最小相对风险评分，确定所述待评估失效模式的风险优先度。
8.一种新能源汽车动力电池系统失效模式的风险评估装置，其特征在于，包括：
获取模块，用于对于新能源汽车动力电池系统的失效模式，获取历史失效模式中描述文本与待评估失效模式的描述文本之间的相似度大于目标阈值的历史失效模式；
第一确定模块，用于根据所述历史失效模式的描述文本与所述待评估失效模式的描述文本之间的相似度、以及所述历史失效模式的风险因子值，确定所述待评估失效模式的风险因子值。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述方法的步骤。
CN202210119973.1A 2022-02-09 2022-02-09 新能源汽车动力电池系统失效模式的风险评估方法及装置 Active CN114154252B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210119973.1A CN114154252B (zh) 2022-02-09 2022-02-09 新能源汽车动力电池系统失效模式的风险评估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210119973.1A CN114154252B (zh) 2022-02-09 2022-02-09 新能源汽车动力电池系统失效模式的风险评估方法及装置

Publications (2)

Publication Number Publication Date
CN114154252A true CN114154252A (zh) 2022-03-08
CN114154252B CN114154252B (zh) 2022-04-19

Family

ID=80450083

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210119973.1A Active CN114154252B (zh) 2022-02-09 2022-02-09 新能源汽车动力电池系统失效模式的风险评估方法及装置

Country Status (1)

Country Link
CN (1) CN114154252B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115392134A (zh) * 2022-09-23 2022-11-25 四川新能源汽车创新中心有限公司 车辆动力电池综合性能评估方法及相关装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108038631A (zh) * 2017-12-29 2018-05-15 中国科学技术大学 一种锂离子电池危险性评估方法
CN109033615A (zh) * 2018-07-23 2018-12-18 太原科技大学 基于潜在失效模式的汽车起重机臂架结构风险评估方法
WO2020261262A1 (en) * 2019-06-24 2020-12-30 Cymotive Technologies Ltd. Systems and methods for assessing risk in networked vehicle components
CN113306449A (zh) * 2021-06-15 2021-08-27 安徽信息工程学院 一种新能源汽车的电池健康提醒方法及系统
CN113887994A (zh) * 2021-10-18 2022-01-04 北京航空航天大学 基于互联网评论挖掘的失效模式风险评估方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108038631A (zh) * 2017-12-29 2018-05-15 中国科学技术大学 一种锂离子电池危险性评估方法
CN109033615A (zh) * 2018-07-23 2018-12-18 太原科技大学 基于潜在失效模式的汽车起重机臂架结构风险评估方法
WO2020261262A1 (en) * 2019-06-24 2020-12-30 Cymotive Technologies Ltd. Systems and methods for assessing risk in networked vehicle components
CN113306449A (zh) * 2021-06-15 2021-08-27 安徽信息工程学院 一种新能源汽车的电池健康提醒方法及系统
CN113887994A (zh) * 2021-10-18 2022-01-04 北京航空航天大学 基于互联网评论挖掘的失效模式风险评估方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
李畅 等: "电动汽车整车控制系统FMEA分析方法", 《汽车文摘》 *
林娅 等: "锂离子电池剩余寿命预测研究综述", 《电子测量技术》 *
陶秋香等: "基于PFMEA技术及专家群决策的工艺失效风险评估", 《计算机应用与软件》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115392134A (zh) * 2022-09-23 2022-11-25 四川新能源汽车创新中心有限公司 车辆动力电池综合性能评估方法及相关装置
CN115392134B (zh) * 2022-09-23 2023-09-12 四川新能源汽车创新中心有限公司 车辆动力电池综合性能评估方法及相关装置

Also Published As

Publication number Publication date
CN114154252B (zh) 2022-04-19

Similar Documents

Publication Publication Date Title
US8990145B2 (en) Probabilistic data mining model comparison
Parra et al. A methodology for the classification of quality of requirements using machine learning techniques
CN110084271B (zh) 一种图片类别的识别方法和装置
EP3716165A1 (en) Esg criteria-based enterprise evaluation device and operation method thereof
CN110796270A (zh) 一种机器学习模型选择方法
CN111738589B (zh) 基于内容推荐的大数据项目工作量评估方法、装置及设备
CN111625516A (zh) 检测数据状态的方法、装置、计算机设备和存储介质
CN113837596B (zh) 一种故障确定方法、装置、电子设备及存储介质
Long et al. A new approach for construction of geodemographic segmentation model and prediction analysis
CN113610552A (zh) 一种用户流失预测方法及装置
CN114154252B (zh) 新能源汽车动力电池系统失效模式的风险评估方法及装置
CN113902260A (zh) 信息预测方法、装置、电子设备和介质
US20210357699A1 (en) Data quality assessment for data analytics
Bidyuk et al. Methodology of Constructing Statistical Models for Nonlinear Non-stationary Processes in Medical Diagnostic Systems.
CN109460474B (zh) 用户偏好趋势挖掘方法
Lo et al. Comparative study on logical analysis of data (LAD), artificial neural networks (ANN), and proportional hazards model (PHM) for maintenance prognostics
CN115600102B (zh) 基于船舶数据的异常点检测方法及装置、电子设备、介质
CN110634006A (zh) 广告点击率的预测方法、装置、设备及可读存储介质
CN114118526A (zh) 一种企业风险预测方法、装置、设备及存储介质
CN108053266A (zh) 一种专利价值预估方法以及装置
Pei Construction of a legal system of corporate social responsibility based on big data analysis technology
Mani et al. An investigation of wine quality testing using machine learning techniques
CN112348584A (zh) 一种车辆估值方法、装置及设备
CN115034400B (zh) 一种业务数据处理方法、装置、电子设备及存储介质
JP2020204703A (ja) 能力測定装置、プログラム、及び方法

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