CN114675202A - 电池故障的诊断方法及装置 - Google Patents
电池故障的诊断方法及装置 Download PDFInfo
- Publication number
- CN114675202A CN114675202A CN202210242950.XA CN202210242950A CN114675202A CN 114675202 A CN114675202 A CN 114675202A CN 202210242950 A CN202210242950 A CN 202210242950A CN 114675202 A CN114675202 A CN 114675202A
- Authority
- CN
- China
- Prior art keywords
- battery
- vehicle
- data set
- bms
- diagnosis
- 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.)
- Pending
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
提供电池故障的诊断方法及装置,该方法包括:车辆将采集到的第一原始数据集上传至云端BMS;云端BMS基于第一原始数据集对电池进行初步诊断,基于对电池的初步诊断,向车辆发送风险预警;车辆基于接收到的风险预警,获取第二原始数据集;第二原始数据集从车辆采集得到,第二原始数据集包括的数据项多于第一原始数据集包括的数据项,或,第二原始数据集中数据的采集频率高于第一原始数据集中数据的采集频率;车辆和/或云端BMS基于第二原始数据集对电池进行深度诊断,以确定电池的故障等级。在对电池进行初步诊断确定电池存在故障风险的情况下,基于更丰富的数据对车辆进行深度诊断,能更准确地确定电池的故障等级。
Description
技术领域
本申请涉及新能源汽车领域,尤其涉及电池故障的诊断方法及装置。
背景技术
随着电动汽车的广泛应用,动力电池的故障诊断越来越受到关注。由于电池故障会严重影响到汽车的运行,甚至带来人身和财产安全,因此,需要对电池的实时故障进行预测和诊断,进而根据诊断的结果,对电池进行控制,降低故障可能带来的严重后果,提高安全性。
目前,对电池故障的诊断主要基于行业相关标准,比如GB/T 32960,从车端的电池管理系统(battery management system,BMS)采集数据,并基于采集到的数据进行故障诊断。但是,从BMS采集到的数据有限,基于此而进行的故障诊断可能存在一定的误差,这可能导致对电池故障的处理方案不合理,存在安全隐患,或造成资源浪费等等。
因此,希望提供一种方法,能够提高对电池故障诊断的准确性。
发明内容
本申请实施例提供了电池故障的诊断方法及装置,以期提高对电池故障诊断的准确性。
第一方面,本申请提供了一种电池故障的诊断方法,该方法可以由云端BMS来执行。
示例性地,该方法包括:接收来自车辆的第一原始数据集,所述第一原始数据集从所述车辆采集得到;基于所述第一原始数据集,对所述车辆的电池进行初步诊断,并基于对所述电池的初步诊断,向所述车辆发送风险预警;接收来自所述车辆的数据,所述数据包括:第二原始数据集,或,所述车辆基于所述第二原始数据集得到的第一诊断数据,其中,所述第二原始数据集从所述车辆采集得到,所述第二原始数据集用于对所述电池的深度诊断,所述第二原始数据集包括的数据项多于所述第一原始数据集包括的数据项,或,所述第二原始数据集中数据的采集频率高于所述第一原始数据集中数据的采集频率。
其中,来自车辆的数据可以包括第二原始数据集的部分或全部数据,或,第一诊断数据,或,第一诊断数据和第二原始数据集的部分或全部数据。
第二原始数据集包括的数据项多于所述第一原始数据集包括的数据项;或,第二原始数据集的采集频率高于第一原始数据集的采集频率;或,第二原始数据集包括的数据项多于所述第一原始数据集包括的数据项,且第二原始数据集的采集频率高于第一原始数据集的采集频率。
基于上述方案,云端BMS可以先基于第一原始数据集对电池进行初步诊断,在预判电池具有较高的风险的情况下,可以通过向车辆发送风险预警,以便获取第二原始数据集,用于对电池进行深度诊断。由于深度诊断所基于的第二原始数据集包括的数据项多于第一原始数据集包括的数据项;或,第二原始数据集的采集频率高于第一原始数据集的采集频率;或,第二原始数据集包括的数据项多于第一原始数据集包括的数据项,且第二原始数据集的采集频率高于第一原始数据集的采集频率,也即,深度诊断所基于的数据更丰富、更全面,从而可以对电池进行更深入的诊断,有利于获得更准确的诊断结果,提高电池故障诊断的准确性。
结合第一方面,在第一方面的某些可能的实现方式中,包括:基于所述第二原始数据集,对所述电池进行深度诊断,以确定所述电池的故障等级。
换言之,来自车辆的数据包括第二原始数据集,例如可以是第二数据原始集中的部分或全部数据,本申请对此不作限定。云端BMS可以基于该第二原始数据集中的数据对电池进行深度诊断。
由于第二原始数据集中包括的数据比第一原始数据集中的数据更丰富、更全面,并且第二原始数据集中包括与电池的故障相关性更强的数据,云端BMS基于这些数据对电池进行深度诊断,可以更准确地确定出电池的故障等级。
结合第一方面,在第一方面的某些可能的实现方式中,包括:基于所述第二原始数据集和所述第一诊断数据,对所述电池进行深度诊断,以确定所述电池的故障等级。
换言之,来自车辆的数据包括第二原始数据集和第一诊断数据。其中,第二原始数据集中的部分或全部数据可被上传至云端BMS。第一诊断数据例如可以包括基于第二原始数据集中的部分或全部数据进行深度诊断得到的数据,例如可以是经过特征工程提取到的特征值,等等,该第一诊断数据被上传至云端BMS,可便于云端BMS进行进一步的深度诊断,进而确定出电池的故障等级。
由于第二原始数据集中包括的数据比第一原始数据集中的数据更丰富、更全面,并且第二原始数据集中包括与电池的故障相关性更强的数据,云端BMS基于第二原始数据集中的数据对电池进行深度诊断,得到第二诊断数据,并再基于第二诊断数据和来自车辆的第一诊断数据来确定电池的故障等级,也即云端BMS协同车辆基于第二原始数据集中的数据对电池进行深度诊断,可以更准确地确定出电池的故障等级。
结合第一方面,在第一方面的某些可能的实现方式中,所述第一诊断数据包括所述电池的故障等级。
换言之,车辆可以基于第二原始数据集,对电池进行深度诊断,以确定该电池的故障等级。此情况下,车辆可直接将电池的故障等级上传至云端BMS,而无需云端BMS再去进行深度诊断。
由于第二原始数据集中包括的数据比第一原始数据集中的数据更丰富、更全面,并且第二原始数据集中包括与电池的故障相关性更强的数据,车辆基于第二原始数据集中的数据对电池进行深度诊断,得到包括电池的故障等级在内的第一诊断数据。云端BMS可以从车端获取电池的故障等级,可以减少云端BMS的计算资源的消耗。
结合第一方面,在第一方面的某些可能的实现方式中,基于对所述电池的初步诊断向所述车辆发送风险预警,包括:基于对所述电池的初步诊断,确定诊断结果,所述诊断结果包括所述电池的健康度或所述电池存在的故障的概率值;在所述诊断结果达到预设门限的情况下,向所述车辆发送风险预警。
在初步诊断存在故障风险的情况下,云端BMS可以向车辆发送风险预警,以提示车主关注。如此一来,车主可以在接收到风险预警的情况下,将车辆送往车企进行深度诊断,或者,进行电池更换、保养等操作,以减小事故的发生率。
结合第一方面,在第一方面的某些可能的实现方式中,在所述诊断结果达到预设门限的情况下,所述方法还包括:向所述车辆发送空中下载技术(over-the-airtechnology,OTA)升级包,所述OTA升级包用于车辆的OTA升级。
因此,在预判电池存在故障的情况下,车辆可通过OTA升级的方式,预先对电池进行控制处理,避免电池故障进一步恶化,减小事故的发生率。
可选地,所述OTA升级包包括充放电调整策略,所述充放电调整策略用于调整所述电池的最大充电程度和/或最大放电深度。
在诊断结果达到预设门限的情况下,就可以确定电池可能存在一定的故障风险,在电池可能存在故障风险的情况下,向车辆发送OTA升级包,以使得车辆基于OTA升级包调整电池的最大充电程度和/或最大放电深度,预先对电池进行控制处理,避免电池故障进一步恶化,减小事故的发生率,比如,可以降低电池因存在故障而发生自燃或爆炸的风险。
第二方面,本申请提供了一种电池故障的诊断方法,该方法可以由车辆或车端BMS来执行。
示例性地,该方法包括:将从车辆采集得到的第一原始数据集上传至云端BMS,所述第一原始数据集用于对所述车辆的电池进行初步诊断;在接收到来自所述云端BMS的风险预警的情况下,获取第二原始数据集,所述第二原始数据集用于对所述电池的深度诊断;其中,所述风险预警基于对所述电池的初步诊断发出,所述第二原始数据集从所述车辆采集得到,所述第二原始数据集包括的数据项多于所述第一原始数据集包括的数据项,或,所述第二原始数据集中数据的采集频率高于所述第一原始数据集中数据的采集频率;向所述云端BMS发送数据,所述数据包括:所述第二原始数据集,或,所述车辆基于所述第二原始数据集得到的第一诊断数据。
其中,来自车辆的数据的说明和关于第一原始数据集、第二原始数据集的相关内容可参看第一方面中的相关说明,此处不再赘述。
基于上述方案,车辆可以先将采集到的第一原始数据集上传至云端BMS,以供云端BMS基于第一原始数据集对电池进行初步诊断,车辆在接收到来自云端BMS的风险预警的情况下,可以采集用于深度诊断的第二原始数据集,由于深度诊断所基于的第二原始数据集包括的数据项多于第一原始数据集包括的数据项;或,第二原始数据集的采集频率高于第一原始数据集的采集频率;或,第二原始数据集包括的数据项多于第一原始数据集包括的数据项,且第二原始数据集的采集频率高于第一原始数据集的采集频率,也即,深度诊断所基于的数据更丰富、更全面,从而可以对电池进行更深入的诊断,有利于获得更准确的诊断结果,提高电池故障诊断的准确性。
结合第二方面,在第二方面的某些可能的实现方式中,所述第一诊断数据包括所述电池的故障等级,所述故障等级是所述车辆基于所述第二原始数据集进行深度诊断得到的。
换言之,车辆可以基于第二原始数据集,对电池进行深度诊断,以确定该电池的故障等级。此情况下,车辆可直接将电池的故障等级上传至云端BMS,而无需云端BMS再去进行深度诊断。
由于第二原始数据集中包括的数据比第一原始数据集中的数据更丰富、更全面,并且第二原始数据集中包括与电池的故障相关性更强的数据,车辆可以基于第二原始数据集中的数据对电池进行深度诊断,得到包括电池的故障等级在内的第一诊断数据,并将电池的故障等级上传至云端BMS,可以减少云端BMS的计算资源的消耗。
结合第二方面,在第二方面的某些可能的实现方式中,向所述云端BMS发送数据,包括:向所述云端BMS发送所述第二原始数据集和所述第一诊断数据,所述第二原始数据集和所述第一诊断数据用于所述云端BMS对所述电池进行深度诊断,以确定所述电池的故障等级。
换言之,来自车辆的数据包括第二原始数据集和第一诊断数据。其中,第二原始数据集中的部分或全部数据可被上传至云端BMS。第一诊断数据例如可以包括基于第二原始数据集中的部分或全部数据进行深度诊断得到的数据,例如可以是经过特征工程提取到的特征值,等等,该第一诊断数据被上传至云端BMS,可便于云端BMS进行进一步的深度诊断,进而确定出电池的故障等级。
由于车辆基于第二原始数据集进行深度诊断得到的数据上传至云端BMS后,可以供云端BMS对电池进行深度诊断,也即车辆协助云端BMS对电池进行深度诊断,可以减少云端BMS的计算资源的消耗。由于第二原始数据集中包括的数据比第一原始数据集中的数据更丰富、更全面,并且第二原始数据集中包括与电池故障相关性更强的数据,故基于这些数据对电池进行深度诊断,可以更准确地确定出电池的故障等级。
结合第二方面,在第二方面的某些可能的实现方式中,所述向所述云端BMS发送数据,包括:将所述第二原始数据集中的数据上传至所述云端BMS,所述第二原始数据集用于云端BMS对电池进行深度诊断,以确定电池的故障等级。
换言之,车辆可以对采集到的第二原始数据集不作处理,直接上传云端BMS。云端BMS可以基于该第二原始数据集中的数据对电池进行深度诊断。车辆可以将第二原始数据集中的部分或全部数据上传云端BMS,本申请对此不作限定。
车辆将第二原始数据集上传至云端BMS,为云端BMS对电池的深度诊断提供数据支持。由于第二原始数据集中包括的数据比第一原始数据集中的数据更丰富、更全面,并且第二原始数据集中包括与电池故障相关性更强的数据,云端BMS基于这些数据对电池进行深度诊断,可以更准确地确定出电池的故障等级。
结合第二方面,在第二方面的某些可能的实现方式中,该方法还包括:在接收到来自所述云端BMS的风险预警的情况下,基于OTA升级包,进行OTA升级,所述OTA升级包来自所述云端BMS或所述车辆。
因此,在预判电池存在故障的情况下,车辆可通过OTA升级的方式,预先对电池进行控制处理,避免电池故障进一步恶化,减小事故的发生率。
可选地,所述OTA升级包包括充放电调整策略,所述基于OTA升级包,进行OTA升级,包括:基于充放电调整策略,调整电池的最大充电程度和/或最大放电深度。
车辆在接收到风险预警的情况下,就可以确定电池可能存在一定的故障风险,车辆基于来自云端BMS的OTA升级包调整电池的最大充电程度和/或最大放电深度,预先对电池进行控制处理,避免电池故障进一步恶化,减小事故的发生率,比如,可以降低电池因存在故障而发生自燃或爆炸的风险。
第三方面,本申请提供了一种电池故障的诊断方法,该方法可以由电池故障诊断系统来执行,该系统包括车辆和云端BMS。
示例性地,该方法包括:车辆将采集到的第一原始数据集上传至所述云端BMS;所述云端BMS基于所述第一原始数据集对电池进行初步诊断,并基于对所述电池的初步诊断,向所述车辆发送风险预警;所述车辆基于接收到的风险预警,获取第二原始数据集;其中,所述风险预警是基于对所述电池的诊断发出的,所述第二原始数据集从所述车辆采集得到,所述第二原始数据集包括的数据项多于所述第一原始数据集包括的数据项,或,所述第二原始数据集中数据的采集频率高于所述第一原始数据集中数据的采集频率;所述车辆和/或所述云端BMS基于所述第二原始数据集,对所述电池进行深度诊断,以确定所述电池的故障等级。
其中,来自车辆的数据的说明和关于第一原始数据集、第二原始数据集的相关内容可参看第一方面中的相关说明,此处不再赘述。
基于上述方案,车辆可以先将采集到的第一原始数据集上传至云端BMS,以供云端BMS基于第一原始数据集对电池进行初步诊断,车辆在接收到来自云端BMS的风险预警的情况下,可以采集用于深度诊断的第二原始数据集,由于深度诊断所基于的第二原始数据集包括的数据项多于第一原始数据集包括的数据项;或,第二原始数据集的采集频率高于第一原始数据集的采集频率;或,第二原始数据集包括的数据项多于第一原始数据集包括的数据项,且第二原始数据集的采集频率高于第一原始数据集的采集频率,也即,深度诊断所基于的数据更丰富、更全面,从而可以对电池进行更深入的诊断,有利于获得更准确的诊断结果,提高电池故障诊断的准确性。
结合第三方面,在第三方面的某些可能的实现方式中,基于对所述电池的初步诊断,向所述车辆发送风险预警,包括:在所述电池的健康度或所述电池存在故障的概率值达到预设门限的情况下,向所述车辆发送风险预警。
在初步诊断存在故障风险的情况下,云端BMS可以向车辆发送风险预警,以提示车主关注。如此一来,车主可以在接收到风险预警的情况下,将车辆送往车企进行深度诊断,或者,进行电池更换、保养等操作,以减小事故的发生率。
结合第三方面,在第三方面的某些可能的实现方式中,该方法还包括:所述车辆将所述第二原始数据集上传至所述云端BMS;以及所述车辆和/或云端BMS基于所述第二原始数据集,对所述电池进行深度诊断,以确定所述电池的故障等级,包括:所述云端BMS基于所述第二原始数据集,对所述电池进行深度诊断,以确定所述电池的故障等级。
换言之,车辆可以对采集到的第二原始数据集不作处理,直接上传云端BMS。云端BMS可以基于该第二原始数据集中的数据对电池进行深度诊断。车辆可以将第二原始数据集中的部分或全部数据上传云端BMS,本申请对此不作限定。
车辆将第二原始数据集上传至云端BMS,为云端BMS对电池的深度诊断提供数据支持。由于第二原始数据集中包括的数据比第一原始数据集中的数据更丰富、更全面,并且第二原始数据集中包括与电池故障相关性更强的数据,云端BMS基于来自车辆的第二原始数据集中的数据对电池进行深度诊断,可以更准确地确定出电池的故障等级。
结合第三方面,在第三方面的某些可能的实现方式中,所述车辆和/或云端BMS基于所述第二原始数据集,对所述电池进行深度诊断,以确定所述电池的故障等级,包括:所述车辆将所述第一诊断数据和所述第二原始数据集上传至所述云端BMS;所述云端BMS基于所述第二原始数据集和所述第一诊断数据,对所述电池进行深度诊断,以确定所述电池的故障等级。
换言之,来自车辆的数据包括第二原始数据集和第一诊断数据。其中,第二原始数据集中的部分或全部数据可被上传至云端BMS。第一诊断数据例如可以包括基于第二原始数据集中的部分或全部数据进行深度诊断得到的数据,例如可以是经过特征工程提取到的特征值,等等,该第一诊断数据被上传至云端BMS,可便于云端BMS进行进一步的深度诊断,进而确定出电池的故障等级。
由于车辆基于第二原始数据集进行深度诊断得到的数据上传至云端BMS后,可以供云端BMS对电池进行深度诊断,也即车辆协助云端BMS对电池进行深度诊断,可以减少云端BMS的计算资源的消耗。由于第二原始数据集中包括的数据比第一原始数据集中的数据更丰富、更全面,并且第二原始数据集中包括与电池故障相关性更强的数据,故基于这些数据对电池进行深度诊断,可以更准确地确定出电池的故障等级。
结合第三方面,在第三方面的某些可能的实现方式中,所述车辆和/或云端BMS基于所述第二原始数据集,对所述电池进行深度诊断,以确定所述电池的故障等级,包括:所述车辆基于所述第二原始数据集,对所述电池进行深度诊断,以得到第一诊断数据,所述第一诊断数据包括所述电池的故障等级;以及该方法还包括:所述车辆将所述第一诊断数据上传至所述云端BMS。
换言之,车辆可以基于第二原始数据集,对电池进行深度诊断,以确定该电池的故障等级。此情况下,车辆可直接将电池的故障等级上传至云端BMS,而无需云端BMS再去进行深度诊断。
第二原始数据集中包括的数据比第一原始数据集中的数据更丰富、更全面,并且第二原始数据集中包括与电池故障相关性更强的数据,车辆可以基于第二原始数据集中的数据对电池进行深度诊断,得到包括电池的故障等级在内的第一诊断数据,并将电池的故障等级上传至云端BMS,可以减少云端BMS的计算资源的消耗。
结合第三方面,在第三方面的某些可能的实现方式中,所述车辆基于接收到的所述风险预警的情况下,该方法还包括:所述车辆基于OTA升级包,进行OTA升级,所述OTA升级包来自所述云端BMS或车辆。
因此,在预判电池存在故障的情况下,车辆可通过OTA升级的方式,预先对电池进行控制处理,避免电池故障进一步恶化,减小事故的发生率。
可选地,所述OTA升级包包括充放电调整策略,所述车辆基于OTA升级包,进行OTA升级,包括:所述车辆基于充放电调整策略,调整所述电池的最大充电程度和/或最大放电深度。
车辆在接收到风险预警的情况下,就可以确定电池可能存在一定的故障风险,车辆基于来自云端BMS的OTA升级包调整电池的最大充电程度和/或最大放电深度,预先对电池进行控制处理,避免电池故障进一步恶化,减小事故的发生率,比如,可以降低电池因存在故障而发生自燃或爆炸的风险。
结合第三方面,在第三方面的某些可能的实现方式中,车辆和/或云端BMS基于第二原始数据集,对电池进行深度诊断,包括:车辆和/或云端BMS基于电池的故障类型,通过所对应的诊断模型基于第二原始数据集,对电池进行深度诊断。
基于电池的故障类型,可以更有针对性地对电池进行深度诊断,可以更准确地确定出电池的故障类型的故障等级。
第四方面,本申请提供了一种电池故障的诊断方法,该方法可以由电池故障诊断系统来执行,该系统包括车端BMS和云端BMS。
示例性地,该方法包括:车端BMS将从车辆采集得到的第一原始数据集上传至云端BMS;云端BMS基于第一原始数据集对所述电池进行初步诊断,并基于对电池的初步诊断,向车端BMS发送风险预警;车端BMS基于接收到的风险预警,获取第二原始数据集;其中,风险预警是基于对电池的诊断发出的,第二原始数据集从车辆采集得到,第二原始数据集包括的数据项多于第一原始数据集,和/或,第二原始数据集中数据的采集频率高于第一原始数据集;车端BMS和/或云端BMS基于第二原始数据集,对电池进行深度诊断,以确定电池的故障等级。
应理解,该车端BMS可以是配置于车辆中的BMS,可用于实现第二方面及第二方面任一种可能实现方式中的方法,或第三方面及第三方面任一种可能实现方式中车辆执行的方法,进而获得与之相同的有益效果。为了简洁,此处不再赘述。
结合上述各方面,在某些可能的实现方式中,第一原始数据集中的数据可以包括GB/T32960标准中的数据。
例如,第一原始数据集中的数据可以包含整车数据、驱动电机数据、燃料电池数据、发动机数据、车辆位置数据、极值数据、报警数据和一些预留自定义数据项。
结合上述各方面,在某些可能的实现方式中,所述第一原始数据集和所述第二原始数据集包括来自所述车辆的车内通信链路的数据,且所述第二原始数据集中来自所述车辆的车内通信链路的数据项多于所述第一原始数据集中来自所述车辆的车内通信链路的数据项。
作为示例而非限定,车内通信链路例如可以是控制器局域网络(controller areanetwork,CAN)。
结合上述各方面,在某些可能的实现方式中,第二原始数据集中的数据还包括:电化学阻抗谱(electrochemical impedance spectroscopy,EIS)芯片采集的数据和/或测试环境数据。
由此可见,第二原始数据集中包括的数据比第一原始数据集中的数据更丰富、更全面,并且第二原始数据集中包括与电池故障相关性更强的数据,云端BMS基于这些数据对电池进行深度诊断,可以更准确地判断电池是否存在故障,以及更准确地确定出电池的故障等级。
结合上述各方面,在某些可能的实现方式中,风险预警用于指示电池存在的风险等级和/或所述电池的故障类型。
云端BMS可以通过向车辆发送风险预警,提示车主关注。如此一来,车主可以在接收到风险预警的情况下,将车辆送往车企进行深度诊断,或者,进行电池更换、保养等操作,以减小事故的发生率。
可选地,所述风险等级用于确定深度诊断的紧急程度,不同的风险等级对应于不同的紧急程度。一种可能的实现方式是,针对不同的风险等级,设计不同的时限。比如,高风险等级对应的时限较低风险等级对应的时限更短。所述时限具体是指将车辆送往车企进行深度诊断的时限。
通过不同的风险等级可提示车主采取相应的应对措施。比如在紧急程度较高的情况下,第一时间将车辆送往车企进行深度诊断;在紧急程度较低的情况下,可以暂不送往车企进行深度诊断,但可执行电池更换、保养等操作,从而可以提供较好的用户体验。
可选地,所述故障类型包括如下一种或多种:热失控、内短路、一致性差、过温、欠压或过压。
通过风险预警可以让驾驶员了解到电池的故障类型和/或电池存在故障的风险等级,帮助驾驶员做出正确的处理决策,以尽量降低因电池故障给驾驶员带来的安全风险。
结合上述各方面,在某些可能的实现方式中,每种故障类型对应于一个诊断模型,每个诊断模型用于对电池进行所对应的故障类型的初步诊断。
进一步地,所述基于第二原始数据集,对电池进行深度诊断,包括:基于电池的故障类型,通过所对应的诊断模型基于第二原始数据集,对电池进行深度诊断。
基于电池的故障类型,可以更有针对性地对电池进行深度诊断,可以更准确地确定出电池的故障类型的故障等级,且对于不存在故障风险的故障类型,不额外进行深度诊断,可以减少不必要的计算开销。
结合上述各方面,在某些可能的实现方式中,所述初步诊断或所述深度诊断采用机理分析、知识图谱和推理、大数据分析、数字孪生或仿真模拟中的一种或多种算法。
通过采用多种算法来进行诊断,可以综合各种算法的优势,有利于获得更为准确的诊断结果。
第五方面,本申请提供了一种电池故障的诊断装置,该装置可用于实现上述第一方面及第一方面任意一种可能实现方式中的方法,或者,该装置可用于实现上述第二方面及第二方面任意一种可能实现方式中的方法。该装置包括用于执行上述方法的相应的模块。该装置包括的模块可以通过软件和/或硬件方式实现。
第六方面,本申请提供了一种电池故障的诊断装置,包括处理器,该处理器与存储器耦合,可用于执行存储器中的计算机程序,以实现上述第一方面及第一方面任意一种可能的实现方式中的方法,或者,以实现上述第二方面及第二方面任意一种可能的实现方式中的方法。
可选地,该电池故障的诊断装置还包括存储器。
可选地,该电池故障的诊断装置还包括通信接口,处理器与通信接口耦合。
结合第五方面和第六方面,在某些可能的实现方式中,所述诊断装置为云端BMS,或可用于云端BMS的功能的芯片、芯片系统等。
结合第五方面和第六方面,在某些可能的实现方式中,所述诊断装置为车辆、车端BMS,或可用于车端BMS的功能的芯片、芯片系统等。
第七方面,本申请提供了一种云端BMS,该云端BMS包括存储器与处理器,该存储器用于存储程序代码;该处理器用于调用程序代码以用于实现上述第一方面及第一方面任意一种可能的实现方式中的方法。
第八方面,本申请提供了一种车端BMS,该云端BMS包括存储器与处理器,该存储器用于存储程序代码;该处理器用于调用程序代码以用于实现上述第二方面及第二方面任意一种可能实现方式中的方法。
第九方面,本申请提供了一种车辆,该车辆包括存储器与处理器,该存储器用于存储程序代码;该处理器用于调用程序代码以用于实现上述第二方面及第二方面任意一种可能实现方式中的方法。
可选地,该车辆包括第八方面中所述的车端BMS,以用于实现上述第二方面及第二方面任意一种可能实现方式中的方法。
第十方面,本申请提供了一种电池故障诊断系统,该系统包括车辆和云端BMS,该系统用于实现上述第三方面及第三方面任意一种可能的实现方式中的方法。
其中,所述车辆例如可以为第九方面中所述的车辆,所述云端BMS例如可以为第七方面中所述的云端BMS。
第十一方面,本申请提供了一种电池故障诊断系统,该系统包括车端BMS和云端BMS,该系统用于实现上述第四方面及第四方面任意一种可能的实现方式中的方法。
其中,所述车端BMS例如可以为第八方面中所述的车端BMS,所述云端BMS例如可以为第七方面中所述的云端BMS。
第十二方面,本申请提供了一种芯片系统,该芯片系统包括至少一个处理器,用于支持实现上述第一方面至第四方面和第一方面任一种可能的实现方式至第四方面任一种可能的实现方式中所涉及的功能,例如,接收或处理上述方法中所涉及的数据和/或信息。
在一种可能的设计中,所述芯片系统还包括存储器,所述存储器用于保存程序指令和数据,存储器位于处理器之内或处理器之外。
该芯片系统可以由芯片构成,也可以包含芯片和其他分立器件。
第十三方面,本申请提供了一种计算机可读存储介质,所述计算机存储介质上存储有计算机程序(也可以称为代码,或指令),当所述计算机程序在被处理器运行时,使得上述第一方面至第四方面和第一方面任一种可能的实现方式至第四方面任一种可能的实现方式中的方法被执行。
第十四方面,本申请提供了一种计算机程序产品,所述计算机程序产品包括:计算机程序(也可以称为代码,或指令),当所述计算机程序被运行时,使得上述第一方面至第四方面和第一方面任一种可能的实现方式至第四方面任一种可能的实现方式中的方法被执行。
应当理解的是,本申请的第五方面至第十四方面与本申请的第一方面至第四方面的技术方案相对应,各方面及对应的可行实施方式所取得的有益效果相似,不再赘述。
附图说明
图1是适用于本申请实施例的系统架构;
图2是本申请实施例提供的一种电池故障的诊断方法的流程示意图;
图3是适用于本申请实施例的云端BMS与车辆协同工作的示意图;
图4是适用于本申请实施例的一种基于算法进行诊断的示意图;
图5是本申请实施例提供的电池故障的诊断装置的一种示意性框图;
图6是本申请实施例提供的电池故障的诊断装置的另一种示意性框图;
图7是本申请实施例提供的电池故障的诊断装置的又一种示意性框图。
具体实施方式
下面将结合附图,对本申请中的技术方案进行描述。
为便于清楚描述本申请实施例的技术方案,首先做出如下说明。
第一,在本申请实施例中,采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。例如,第一原始数据集、第二原始数据集是为了区分不同的原始数据集,并不对其先后顺序进行限定。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定,并且“第一”、“第二”等字样也并不限定一定不同。
第二,在本申请实施例中,“至少一种(个)”是指一种(个)或者多种(个)。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B的情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系,但并不排除表示前后关联对象是一种“和”的关系的情况,具体表示的含义可以结合上下文进行理解。
第三,在本申请实施例中,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先对本申请中涉及到的术语作简单说明。
1、机理分析:通过对系统内部原因(机理)的分析研究,从而找出其发展变化规律的一种科学研究方法。
机理分析方法立足于揭示事物内在规律。根据对现实对象特性的认识,分析其因果关系,找出反映内部机理的规律。其中,现实对象特性例如包括与问题相关的物理、化学等方面的知识。通过对数据和现象的分析得出事务内在的规律。
2、知识图谱:是通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合,并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的的现代理论。
知识图谱可以由一些相互连接的实体和它们的属性构成。知识图谱也可称为知识域可视化或知识领域映射地图,是显示知识发展进程与结构关系的一系列各种不同的图形,用可视化技术描述知识资源及其载体,挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。
3、知识推理:可以简称为推理,基于已知事实推出未知事实的计算过程。通过各种方法获取新的知识或者结论。
4、数字孪生:也称为数字双胞胎或数字化映射。数字孪生是采用信息技术对物理实体的组成、特征、功能和性能进行数字化定义和建模的过程。数字孪生体是指在计算机虚拟空间存在的与物理实体完全等价的信息模型,可以基于数字孪生体对物理实体进行仿真分析和优化。数字孪生是技术、过程、方法,数字孪体是对象、模型和数据。
5、OTA升级:指的是系统的升级,包括固件升级和软件升级。OTA升级可以是改善、修复漏洞或者获得更多的功能、性能提升,又或者是视觉效果的改善,且这种更新是通过联网后在线检测、匹配版本、下载新的代码到本地进而执行安装、校验等程序。
6、控制器局域网(controller area network,CAN)总线:车内通信链路的一个示例。CAN总线是一种有效支持分布式控制或实时控制的串行通信网络。CAN总线用于车辆的部件之间的连接,例如,CAN总线可以连接包括CAN控制器芯片、数据接收器和数据发送器等在内的部件。
7、中央网关:可以简称为网关(gateway,GW),GW作为整车网络的数据交互枢纽,使数据在车辆内部的多个网络(例如CAN、局部互联网络(local interconnect network,LIN)、汽车光纤线(media oriented system transport,MOST)、拐射线(FlexRay)等)可以安全可靠得进行传输。GW的相关硬件可以包括交换器、各类网络类型(CAN、LIN、MOST、FlexRay等)收发器和系统芯片等。
8、整车控制器(vehicle control unit,VCU):是实现整车控制决策的核心电子控制单元,相当于汽车的大脑。VCU作为汽车的指挥管理中心,其主要功能包括驱动力矩控制、制动能量的优化控制、整车的能量管理、CAN的维护和管理、故障的诊断和处理、车辆状态监视等,它起着控制车辆运行的作用。
在本申请实施例中,VCU可以将采集的相关数据上报到GW,还可以向下发送执行命令。VCU的相关硬件可以包括VCU外壳、标准化核心模块电路(例如处理器、电源、存储器、CAN)和VCU专用电路(例如采集器、传感器等)。
9、远程信息处理器(telematics box,T-BOX):车辆对外通信的接口,可提供远程控制、远程查询和安防等服务功能。T-BOX的硬件可以包括:T-BOX外壳、内部无线保真(wireless fidelity,Wi-Fi)模块、射频电感、功率电感、晶体谐振器、陶瓷谐振器、热敏电阻、电池等。
10、BMS:BMS俗称为电池保姆或电池管家,可以智能化管理及维护各个电池单元,防止电池出现过充电和过放电,延长电池的使用寿命,监控电池的状态。
车端的BMS由各类传感器、执行器、控制器以及信号线等组成,为满足相关的标准或规范,车端的BMS应该具有以下功能:
(1)电池参数检测:
示例性地,电池参数可以包括总电压、总电流、单体电池电压、温度、烟雾、绝缘、碰撞检测等。
(2)电池状态估计:
示例性地,电池状态可以包括电池荷电状态(state of charge,SOC)或放电深度(depth of discharge,DOD)、电池健康度(state of health,SOH)、功能状态(state offunction,SOF)、能量状态(state of energy,SOE)、故障及安全状态(state of security,SOS)等。
其中,SOH可表示为电池当前的容量与出厂容量的百分比,可用于描述电池的老化程度,因此,是用于表示电池健康程度的一个量化指标。在本申请实施例中,SOH可用于作为初步诊断的输出,以用于确定是否需要发出预警提示。下文中为方便说明,将电池健康度简称为健康度。
(3)在线故障诊断:
示例性地,在线故障诊断可以包括故障检测、故障类型判断、故障定位、故障信息输出等。
(4)电池安全控制与报警:
示例性地,BMS诊断到故障后进行报警,以防止高温、低温、过充、过放、过流、漏电等对电池和人身的损害。
(5)充电控制:
示例性地,BMS根据电池的特性、温度高低以及充电机的功率等级,控制充电机给电池进行安全充电。
(6)电池均衡:
示例性地,不一致性的存在使得电池组的容量小于组中最小单体的容量。电池均衡是根据单体电池信息,采用主动或被动、耗散或非耗散等均衡方式,尽可能使电池组容量接近于最小单体的容量。
(7)热管理:
示例性地,BMS根据电池组内温度分布信息及充放电需求,决定主动加热/散热的强度,使得电池尽可能工作在最适合的温度,充分发挥电池的性能。
(8)网络通讯:
示例性地,BMS需要与系统其他模块进行通讯,以便数据传输与控制。
(9)信息存储:
示例性地,用于存储关键数据,如SOC、SOH、SOF、SOE、累积充放电的安时(amperehours,Ah)数、故障码和一致性等。
车端的BMS可以包括电池管理模组、控制模组、显示模组、无线通信模组、电气设备、用于为电气设备供电的电池组以及用于采集电池组的电池信息的采集模组等。
在本申请实施例中,车端的BMS的相关硬件可以包括用于进行数据采集工作的器件和保障BMS核心功能的器件,例如继电器驱动、状态采样器件、电芯均衡器件、功率器件、SOE器件、SOC采集器件、交/直流充电器件、充电器状态检测器件、热状态器件、冷却器件和休眠/唤醒器件等等。
11、EIS:通过对电池施加不同频率的交流激励观测电池的响应方式,获取电池在不同频率下的内部阻抗频响特性。EIS能够反映出电池的健康状态、故障状态、内温状态等,但具有强耦合性,可在云端BMS通过大数据处理进行学习。
图1是适用于本申请实施例的系统架构。如图1所示的系统架构,云端BMS和车辆可以进行通信,例如可以利用4G/5G/蜂窝网络车联万物(cellular vehicle-to-everything,C-V2X)等标准协议进行数据传输。车辆向云端BMS传输数据的过程可以称为上行数据传输,云端BMS向车辆传输数据的过程可以称为下行数据传输。
如图1所示,车辆可以包括T-BOX、GW、VCU和BMS等。其中,T-BOX可以包括解密原始设备制造商(original equipment manufacturer,OEM)签名、OTA管理器、电子控制单元(electronic control unit,ECU)安装和安全刷写等模块,本申请对此不作限定。
需要说明的是,在实际应用场景中,车辆还可以包括车身控制模块(body controlmodule,BCM)、紧急刹车警示系统(emergency signal system,ESS)、车身稳定系统(electronic stability program,ESP)、电源分配单元(power distribution unit,PDU)、电机控制单元(motor control unit,MCU)和运输管理系统(transportation managementsystem,TMS)等,本申请对此不作限定。
车辆也可以包括BMS,为便于区分,可称为车端BMS。车辆(如,车端BMS)可以采集数据,并将采集到的数据统一上报到VCU,VCU模块可以对数据进行管理和处置,例如,VCU可以通过以太网把这些数据上报给GW。GW可以进行数据的汇聚处理,例如,GW可以通过以太网把数据上报给T-BOX,T-BOX可以通过4G/5G/C-V2X等标准协议将数据传输给云端。
云端BMS可以包括OTA服务、数据分析与预测模块和数据存储与治理模块等。其中,OTA服务可以包括OTA车辆/型管理、差分管理、软件及版本管理、参数/策略管理、升级任务管理、OTA任务管理、作业平台管理和OEM签名加密等模块,本申请对此不作限定。云端BMS接收到来自车辆的数据后,可以通过OTA服务、数据分析与预测模块和数据存储与治理模块等对这些数据进行OTA升级、数据分析和预测、数据存储与治理模块等处理,云端BMS可以将云端BMS的数据进行OEM签名加密,以保障数据的完整性和安全性。云端BMS可以通过4G/5G/C-V2X等标准协议将云端BMS的数据传输给车辆。
车辆基于T-BOX接收到来云端BMS的数据后,T-BOX可以对这些数据进行解密解OEM签名等处理,确认数据的完整性和安全性。在确认数据的安全性通过后,进行安全刷写,并通过以太网将这些数据发送到GW;如果数据的安全性不通过,可以对这些数据进行包括丢弃、记录、告警等处理。GW在接收到来自T-BOX的数据后,可以对这些数据进行识别、判断,例如,与动力域相关的数据可以被安全访问刷写到VCU中,VCU完成数据处理后,可以再将这些数据安全访问刷写到BMS中。
随着电动汽车的广泛应用,动力电池的故障诊断越来越受到关注。由于电池故障会严重影响到汽车的运行,甚至带来人身和财产安全,因此,需要对电池的实时故障进行预测和诊断,进而根据诊断的结果,对电池进行控制,降低故障可能带来的严重后果,提高安全性。
目前,对电池故障的诊断主要基于行业相关标准,比如GB/T 32960,从车辆的BMS采集数据,并基于采集到的数据进行故障诊断,例如,上文述及的车辆采集BMS上的数据并上传至云端BMS,云端BMS对来自车辆的这些数据进行处理后,向车辆传输一些数据。但是,从车辆的BMS采集到的数据有限,基于此而进行的故障诊断可能存在一定的误差,这可能导致对电池故障的处理方案不合理,存在安全隐患,或造成资源浪费等等。
因此,本申请实施例提供一种电池故障的诊断方法和装置,云端BMS可以先基于少量数据对电池进行初步诊断,在预判电池具有故障风险的情况下,基于更多维度的数据,和/或,以更高频率采集到的数据,对电池进行深度诊断,从而提高对电池故障诊断的准确性。
图2是本申请实施例提供的一种电池故障的诊断方法的流程示意图。
该方法可以由电池故障诊断系统来执行,该系统包括车辆和云端电池管理系统BMS。其中,车辆执行的步骤具体可以由车端BMS来执行,也可以由其他模块来执行,本申请对此不作限定。
如图2所示,方法200包括步骤210至步骤240。以下对各个步骤进行详细说明。
在步骤210中,车辆将第一原始数据集上传至云端BMS。相应地,云端BMS接收来自车辆的第一原始数据集。
其中,第一原始数据集从车辆采集得到。示例性地,第一原始数据集中的数据可以包括GB/T 32960标准中的数据。例如,第一原始数据集中的数据可以包含整车数据、驱动电机数据、燃料电池数据、发动机数据、车辆位置数据、极值数据、报警数据和一些预留自定义数据项。
需要说明的是,第一原始数据集可以包括来自车内通信链路的数据。作为示例而非限定,车内通信链路包括CAN总线。
在步骤220中,云端BMS基于第一原始数据集对电池进行初步诊断,并基于对电池的初步诊断,向车辆发送风险预警。相应地,车辆接收来自云端BMS的风险预警。
应理解,风险预警是基于对电池的初步诊断发出的。
在本申请实施例中,云端BMS可以基于第一原始数据集进行分析和推理,以对电池进行初步诊断,得到电池的健康度,或电池存在故障的概率,进而根据电池的健康度或电池存在故障的概率,可以初步确定电池是否存在风险。若是,则可以向车辆发送风险预警,以邀约车辆进站进行深度诊断。
如前所述,健康度是用于表示电池健康程度的一个量化指标。健康度的值越高,则说明健康状况越好;健康度的值越低,则说明健康状况越差。与之对应,用于判断电池是否存在风险的预设门限记为第一预设门限。健康度达到第一预设门限,可以是指健康度低于第一预设门限。
与之相对,电池存在故障的概率值越高,则说明电池存在故障的可能性越大;电池存在故障的概率值越低,则说明电池存在故障的可能性越小。与之对应,用于判断电池是否存在风险的预设门限记为第二预设门限。电池存在故障的概率达到第二预设门限,可以是指电池存在故障的概率高于第二预设门限。
可选地,基于对电池的初步诊断,向车辆发送风险预警,可以包括:在电池的健康度低于第一预设门限的情况下,向车辆发送风险预警。
云端BMS可以基于对电池的初步诊断,确定诊断结果,诊断结果包括电池的健康度;在健康度低于第一预设门限的情况下,向车辆发送风险预警,以警示驾驶员进行相应地处理。
一示例,诊断结果为电池的健康度,且电池的健康度为百分制,第一预设门限为90分。在电池的健康度≥90分的情况下,可以判定电池没有故障,云端BMS可以不向车辆发送风险预警;在电池的健康度<90分的情况下,可以判定电池存在一定的故障风险,云端BMS可以向车辆发送风险预警。
可选地,基于对电池的初步诊断,向车辆发送风险预警,可以包括:在电池存在故障的概率高于第二预设门限的情况下,向车辆发送风险预警。
又一示例,诊断结果为电池存在故障的概率,第一预设门限为10%。在电池存在故障的概率≤10%的情况下,可以判定电池没有故障,云端BMS可以不向车辆发送风险预警;在电池存在故障的概率>10%的情况下,可以判定电池存在一定的故障风险,云端BMS可以向车辆发送风险预警。
应理解,上文结合不同门限来判定电池是否存在故障风险的方式仅为示例,不应对本申请构成任何限定。
可选地,风险预警可以用于指示电池存在的风险等级,风险等级用于确定深度诊断的紧急程度,不同的风险等级对应于不同的紧急程度。
云端可以对基于第一原始数据集分析得到的电池的健康度或电池存在故障的概率值进行进一步地分析和处理,得出用于指示电池存在的风险等级的风险预警,以使得驾驶员可以基于电池存在的风险等级,确定深度诊断的紧急程度。
风险等级与云端BMS对电池的初步诊断的诊断结果相关,不同取值范围的诊断结果对应于不同的风险等级。
例如,风险等级可以分为3个等级:风险一级、风险二级和风险三级。
一示例,诊断结果为电池的健康度,且电池的健康度为百分制,在70分≤电池的健康度<90分的情况下,云端BMS可以判定电池存在的风险等级为风险一级;在50分≤电池的健康度<70分的情况下,云端BMS可以判定电池存在的风险等级为风险二级;云端BMS在0分≤电池的健康度<50分的情况下,可以判定电池存在的风险等级为风险三级。
又一示例,诊断结果为电池存在故障的概率,在10%<电池存在故障的概率≤30%的情况下,云端BMS可以判定电池存在的风险等级为风险一级;在30%<电池存在故障的概率≤50%的情况下,云端BMS可以判定电池存在的风险等级为风险二级;在50%<电池存在故障的概率≤100%的情况下,云端BMS可以判定电池存在的风险等级为风险三级。
不同的风险等级可以对应不同的紧急程度。示例性地,风险一级的紧急程度最低,风险三级的紧急程度最高。例如,风险一级可以警示驾驶员在下次进行车辆的常规检查时进站对车辆进行深度诊断即可;风险二级可以警示驾驶员几日内进站对车辆进行深度诊断;风险三级可以警示驾驶员立即进站对车辆进行深度诊断。
应理解,上述将风险等级划分为三个等级只是一示例,本申请对此不作限定。还应理解,各车企对于风险等级的划分标准互不相同,上文仅为示例,不应构成任何限定。
可选地,风险预警可以用于指示电池的故障类型。
作为示例而非限定,上述故障类型包括如下一种或多种:热失控、内短路、一致性差、过温、欠压或过压。
例如,风险预警可以指示电池可能存在热失控故障和过温故障。又例如,风险预警可以指示电池可能存在内短路故障。再例如,风险预警可以指示电池可能存在热失控、内短路和欠压这三种故障。
可选地,电池的故障类型可以基于对电池的初步诊断确定。
云端BMS可以基于第一原始数据集对电池的初步诊断,确定出电池的故障类型。
在一种可能的实现方式中,每种故障类型对应于一个诊断模型,每个诊断模型用于对电池进行所对应的故障类型的初步诊断。
示例性地,热失控故障可以对应一种诊断模型,内短路故障可以对应一种诊断模型,一致性差故障可以对应一种诊断模型,过温故障可以对应一种诊断模型,欠压故障可以对应于一种诊断模型,过压故障可以对应于一种诊断模型。
云端BMS可以基于第一原始数据集,利用热失控故障所对应的诊断模型初步诊断电池是否具有热失控故障;云端BMS可以基于第一原始数据集,利用内短路故障所对应的诊断模型初步诊断电池是否具有内短路故障;云端BMS可以基于第一原始数据集,利用一致性故障所对应的诊断模型初步诊断电池是否具有一致性差故障;云端BMS可以基于第一原始数据集,利用过温故障所对应的诊断模型初步诊断电池是否具有过温故障;云端BMS可以基于第一原始数据集,利用欠压故障所对应的诊断模型初步诊断电池是否具有欠压故障;云端BMS可以基于第一原始数据集,利用过压故障所对应的诊断模型初步诊断电池是否具有过压故障。
若根据上述多个故障类型分别对应的诊断模型初步诊断出电池具有一种或多种故障,则可以在用风险预警指示出电池的故障类型。
为了及时地对电池进行控制处理,避免电池故障进一步恶化,减小事故的发生率,车辆还可以在进场测试前进行OTA升级。
可选地,在车辆接收到风险预警的情况下,方法200还可以包括:车辆基于OTA升级包,进行OTA升级。
其中,OTA升级包可以来自云端BMS或车辆。
一示例,云端BMS在经初步诊断确定电池的健康度或存在故障的概率达到预设门限的情况下,向车辆发送了OTA升级包,车辆可以基于来自云端的OTA升级包进行OTA升级。云端BMS可以将OTA升级包与风险预警一同下发到车辆,或者,也可以在发送风险预警之前或之后向车辆发送OTA升级包,本申请对此不作限定。
又一示例,车辆中可以预存OTA升级包。在接收到风险预警的情况下,车辆可以获取预存的OTA升级包,并基于该OTA升级包进行OTA升级。
在一种可能的设计中,OTA升级包可以包括充放电调整策略。上述基于OTA升级包,进行OTA升级,可以包括:基于充放电调整策略,调整电池的最大充电程度和/或最大放电深度。
车辆可以基于OTA升级包中包括的充放电调整策略,调整电池的最大充电程度,或者,调整电池的最大放电深度,或者,调整电池的最大充电程度和最大放电深度。
示例性地,车辆可以基于充放电调整策略,将电池的最大充电程度和/或最大放电深度调小。例如,车辆可以将电池的最大充放电程度从100%调整到85%,和/或,可以将电池的最大放电深度从100%调整到90%。本申请对此不作具体限定。
示例性地,在云端BMS基于第一原始数据集对电池进行初步诊断后,确定电池存在热失控故障,并向车辆发送风险预警指示电池可能存在包括热失控在内的故障的情况下,车辆可以基于OTA升级包中包括的充放电调整策略,调整电池的最大充电程度和/或最大放电深度。
需要说明的是,若云端BMS基于第一原始数据集对电池进行初步诊断后,确定电池存在内短路、一致性差、过温、欠压或过压等故障,云端可以向车辆发送指示电池存在内短路、一致性差、过温、欠压或过压等故障的风险预警,云端BMS和车辆可以基于目前已有的对内短路、一致性差、过温、欠压或过压等故障的处理策略进行处理,比如提示定期保养或更换电池等,本申请对此不作限定。
在步骤230中,车辆基于接收到的风险预警,获取第二原始数据集。
其中,第二原始数据集从车辆采集得到。在本申请实施例中,第一原始数据集和第二原始数据集均包括从车辆采集得到的数据,所不同的是,第一原始数据集可用于对电池的初步诊断,第二原始数据集可用于对电池的深度诊断。具体来说,第二原始数据集包括的数据项多于第一原始数据集包括的数据项;或,第二原始数据集中数据的采集频率高于第一原始数据集中数据的采集频率;或,第二原始数据集包括的数据项多于第一原始数据集包括的数据项,且第二原始数据集中数据的采集频率高于第一原始数据集中数据的采集频率。
示例性地,车辆可以基于接收到的风险预警所指示的信息,比如电池存在的风险等级和/或电池的故障类型,采取相应的处理策略。例如,车辆可以基于电池存在的风险等级确定进行深度诊断的紧急程度,也即,确定获取第二原始数据集的紧急程度;也可以基于电池的故障类型,获取与故障类型相关的数据作为第二原始数据集,用于深度诊断。
可选地,第一原始数据集和第二原始数据集包括来自该车辆的车内通信链路的数据,且第二原始数据集中来自车辆的车内通信链路的数据项多于第一原始数据集中来自车辆的车内通信链路的数据项。
上文已述及,车内通信链路可以包括CAN总线。示例性地,车辆可以通过BMS利用CAN总线联动PDU、MCU、TMS、ESS、ESP和BCM等采集包括电池的相关数据在内的该车辆的数据,或者,也可以说,第二原始数据集中的数据可以包括来自CAN总线的数据,例如,BMS总包电压、电流、电量以及功率;BMS的系统状态;BMS的温度;BMS国标数据报警;BMS单体电压;BMS故障告警信息;BMS极值数据;BMS国标数据绝缘电阻、充电状态;电池的SOE、SOC和SOH;前电机和后电机的转速、扭矩、电流、电压、状态和温度等;VCU的状态;电池包进/出水口的温度;MCU国标数据;热失控传感器状态、标志位、气溶胶等数据;直流变换器状态、车载充电机状态、车载充电机互冲状态;MCU故障告警信息等等。
可选地,第二原始数据集中的数据还包括:EIS芯片采集的数据和/或测试环境数据。
第二原始数据集还可以包括ESI芯片采集的数据。由于ESI芯片采集到的数据与电池的热失控故障具有强相关性,所以基于ESI芯片采集到的数据对电池进行诊断,可以准确地判断电池是否存在热失控故障,进而可以提高对电池的故障判断地准确性。
需要说明的是,可以配置ESI芯片的车辆能够获取到ESI芯片采集到的数据。对于无法配置ESI芯片的车辆,可以不通过ESI芯片采集数据。
第二原始数据集中还可以包括测试环境数据,例如,测试的地理位置、环境温度、环境湿度、季节等。
另外,第二原始数据集中还可以包括驾驶员的相关信息,例如,驾驶员的年龄、行为习惯等。第二原始数据集中还可以包括充电站数据,例如,充电站的环境区域、充电开始时间和充电结束时间、充电电流、充电电压和充电时的荷电状态等。第二原始数据集中还可以包括电池的使用记录,例如,电池的使用区域、环境温度和充频率等。本申请对此不作限定。
除此之外,第二原始数据集的采集频率还可以高于第一原始数据集的采集频率。比如,在具体实施中,对于同一项数据,车辆可能以不同的频率进行采集;或者,车辆可以在上传第一原始数据集时,对采集到的数据进行了下采样,而在上传第二原始数据集时,将采集到的全部数据全部上传。
综上可以看出,第二原始数据集比第一数据中的数据更丰富、更全面,基于第二数据对电池进行诊断能够更准确地判断电池是否存在故障,以及确定电池的故障等级。
在步骤240中,车辆和/或云端BMS基于第二原始数据集,对电池进行深度诊断,以确定电池的故障等级。
示例性地,可以将电池的每种故障类型都划分为3个故障等级:故障一级、故障二级和故障三级。每种故障类型都可以对应于多个故障等级。例如,热失控、内短路、一致性差、过温、欠压和过压等故障都可以具有3个故障等级。
其中,故障一级和故障二级为需要继续观察的故障等级,对于故障一级和故障二级的处理策略可以是提醒客户电池存在潜在故障风险,并建议进行定期检查;对于故障三级的处理策略可以是建议客户立刻更换电池包。
应理解,对于故障等级的划分及相应的处理策略可以由各车企自行决定,上文示例仅为便于理解而示出,不应对本申请构成任何限定。
上文已述及,一种故障类型可以对应一种诊断模型,可选地,步骤240可以包括:车辆和/或云端BMS基于电池的故障类型,通过所对应的诊断模型基于第二原始数据集,对电池进行深度诊断。
车辆和/或云端BMS可以根据风险预警指示的电池的故障类型,确定对应的诊断模型;通过诊断模型基于第二原始数据集,对电池进行深度诊断。也就是说,车辆和/或云端BMS可以先通过初步诊断确定出的电池的故障类型,再基于故障类型和模型的对应关系确定出进行深度诊断的诊断模型,再通过确定出的诊断模型基于第二原始数据集中的数据,对电池进行深度诊断,以最终确定电池的存在故障的故障等级。
可选地,上述初步诊断或深度诊断采用机理分析、知识图谱和推理、大数据分析、孪生数字或仿真模拟中的一种或多种算法。
换言之,初步诊断和深度诊断中的任意一个诊断过程均可采用机理分析、知识图谱和推理、大数据分析、孪生数字或仿真模拟中的一种或多种算法。
应理解,上文所列举的知识图谱和推理、大数据分析、孪生数字均为AI算法。因此,上述初步诊断或深度诊断均可采用AI算法、机理分析或仿真模拟中的一种或多种算法。当然,AI算法并不限于上文所列举的几种算法,本申请对此不作限定。
一示例,云端BMS可以采用机理分析、知识图谱和推理、大数据分析、孪生数字或仿真模拟中的一种或多种算法,基于第一原始数据集对电池进行初步诊断。
又一示例,车端和/或云端BMS可以采用机理分析、知识图谱和推理、大数据分析、孪生数字或仿真模拟中的一种或多种算法,基于第二原始数据集对电池进行深度诊断。
再一示例,云端BMS可以先采用机理分析、知识图谱和推理、大数据分析、孪生数字或仿真模拟中的一种或多种算法,基于第一原始数据集对电池进行初步诊断。在初步诊断后,车端和/或云端BMS可以采用机理分析、知识图谱和推理、大数据分析或仿真模拟、孪生数字中的一种或多种算法,基于第二原始数据集对电池进行深度诊断。
其中,AI算法的模型训练可以有如下几种方式:
方式一、全局模型,即所有车都是同一个模型,这个模型是面向具体的任务或功能的,比如故障预警或者容量估计等,模型可以直接用于这些场景的结果决策处理。提取训练样本车中的特征信息(例如故障或者容量相关特征),训练一个模型,基于该模型在云端BMS上对每台车的数据进行决策处理预测,得到决策处理结果(故障预警等)作为策略呈现给车企运维人员,以使得车企运维人员可以基于决策处理结果对车辆进行控制处理。
也就是说,云端BMS训练全局模型,该模型基于所有采集的车辆数据训练,基于该模型并给出每个车辆决策处理结果,车辆可以不做训练决策处理。
方式二、局部模型,即一类车一个模型或者一车一模型,跟全局模型一样,这些模型也是面向具体任务的。云端BMS基于某一类车或者每台车的数据进行提取特征并训练AI算法模型,再基于这些模型对相应的车进行决策处理。
也就是说,云端BMS训练局部模型,局部模型可能是某个型号的车甚至是某个车,基于该模型给出每个车端决策处理结果,车辆可以不做训练决策处理。
需要说明的是,上述全局模型或者局部模型可以是云端BMS事先训练好的,上线后可以定期增量训练,不需要实时刷新。
方式三、预训练模型,即不面向具体的任务或功能,从海量数据中学习车辆的各个数据维度及其特征在一定时序及工况中的关系,形成预训练模型,车辆结合一定标注数据对模型进行微调,在低资源消耗下实现风险预警、容量估计等任务。示例性地,云端BMS储存了大量的时序、工况、驾驶行为、位置、总电流、总电压、单体电压、温度、电机状态、风险等级、故障类型及等级等数据,预训练模型通过自监督学习这些维度及其衍生特征之间的关系,车辆在做类似3级风险预警等任务时只需在预训练模型上结合自身有标签的风险数据进行微调即可得到该车面向3级风险预警任务的模型,这个模型既有大数据学到通用信息,又有自身独有的信息。
上述预训练模型的训练具有为:从海量数据中学习各种电池的各个数据维度特征在各种工况下的相互关系。其中,数据维度可以包括时序、车速、电流、电压、温度、容量、故障类型等,预训练学习的关系就是上述数据维度以及衍生特征之间的互相关系,比如故障类型与车速、电流、电压和时序之间的关系。
如图3所示,可以在车辆新增算力,这样一来,云端BMS基于车辆上传至云端BMS的数据进行大数据处理和训练得到的全局或局部模型作为预训练模型,云端BMS可以将预训练模型的参数下发至车辆,车辆将预训练模型的参数作为车辆本地模型训练的初始化参数,并基于采集的少量数据进行模型参数寻优,即微调或迁移学习过程,车辆便可以基于本地训练的模型进行决策推理。
需要说明的是:方式三中预训练模型比全局模型和局部模型要复杂。预训练模型的优点在于用少量的硬件成本使得车辆也具备AI模型训练和决策推理能力,提升准确度和可靠性。
如图4所示,深度学习模型、决策树模型和异常检测模型均为AI算法模型的具体示例。
图4示例性地给出了基于第一原始数据集进行初步诊断的过程。第一原始数据集中的数据可以分为三路数据,第一路数据作为机理分析模型的输入数据,这部分数据经过机理分析算法的处理后,可以得到一部分特征值,可以将这部分特征值输入至影响因子库中;第二路数据经过大数据分析,可转换得到一部分特征值,也可以将这部分特征值输出到影响因子库中;第三路数据可以输入到异常检测模型中,得到车辆的异常度评分。将上述影响因子库中的基于第一路数据得到得的特征值和基于第二路数据得到的特征值,以及基于第三路数据得到的异常度评分作为深度学习模型和决策树模型的输入数据,深度学习模型和决策树模型对这些数据进行处理后,可以输出电池的健康度或电池存在的故障的概率值,对这两个模型分别输出的电池的健康度进行加权计算,得到最终的电池健康度,或者,对这两个模型分别输出的电池存在故障的概率值进行加权计算,得到最终的电池存在故障的概率值。进而可以基于电池的健康度或电池存在的故障的概率值确定电池是否存在故障,以及可以确定电池存在故障的风险等级,从而完成对电池的初步诊断,也即完成对电池的初步故障预测。
需要说明的是,上述每一路数据都可以是第一原始数据集中的部分或全部数据,主要根据每一个模型所需要的数据项来确定,不同的模型需要的数据项可以相同,也可以不同,本申请对此不作限定。
又一示例,基于第二原始数据集进行深度诊断,可以基于初步诊断确定的电池的故障类型,从第二原始数据集中确定出与诊断该故障类型相关的数据,这些相关数据可以是第二原始数据集中的全部数据,也可以是第二原始数据集中的部分数据。类似地,与诊断该故障类型相关的数据也可以分为三路数据,这三路数据可以参看上述第一原始数据集中的数据分成的三路数据,为了简洁,此处不再赘述。将上述影响因子库中的基于第一路数据得到得的特征值和基于第二路数据得到的特征值,以及基于第三路数据得到的异常度评分作为深度学习模型和决策树模型的输入数据,深度学习模型和决策树模型对这些数据进行处理后,可以输出电池存在这种故障的概率值,对这两个模型分别输出的电池存在这种故障的概率值进行加权计算,得到最终的电池存在这种故障的概率值。进而可以基于电池存在这种故障的概率值与这种故障的故障等级的对应关系,确定出电池存在这种故障的故障等级,从而完成对电池的深度诊断,也即完成对电池的进一步故障预测。
需要说明的是,上述每一路数据都可以是第二原始数据集中的部分或全部数据,主要根据每一个模型所需要的数据项来确定,不同的模型需要得的数据项可以相同,也可以不同,本申请对此不作限定。
应理解,上文结合图4所示例的初步诊断和深度诊断的过程仅为示例。如前所述,初步诊断或深度诊断均可采用机理分析、知识图谱和推理、大数据分析、孪生数字或仿真模拟中的一种或多种算法来实现。关于各算法的具体实现为设备的内部实现,其具体的算法逻辑可参考已有技术,为了简洁,此处不再一一举例说明。
下文提供了车辆和/或云端BMS基于第二原始数据集进行深度诊断的几种可能的实现方式。
在第一种可能的实现方式中,云端BMS自主进行深度诊断。
可选地,方法200还可以包括:车辆将第二原始数据集上传至云端BMS;相应地,车辆和/或云端BMS基于第二原始数据集,对电池进行深度诊断,以确定电池的故障等级,可以包括:云端BMS基于接收到的数据,对电池进行深度诊断,以确定电池的故障等级。
示例性地,车端可以基于风险预警中指示的电池的故障类型,有针对性地将第二原始数据集中,诊断电池是否具有风险预警中指示的故障类型所需的相关数据上传至云端BMS,上传至云端BMS的数据可能是第二原始数据集中的全部数据,也可能是第二原始数据集中的部分数据;云端BMS可以基于接收到的来自车辆的数据,对电池进行深度诊断,以确定电池的故障等级。
例如,云端BMS可以基于接收到的数据,采用如图4中所示的算法诊断过程对电池进行深度诊断,以确定出电池的故障等级。
在第二种可能的实现方式中,车辆和云端BMS可以协同工作,对电池进行深度诊断。
可选地,车辆和/或云端BMS基于第二原始数据集,对电池进行深度诊断,以确定电池的故障等级,可以包括:车辆基于第二原始数据集,得到第一诊断数据;车辆将第一诊断数据和第二原始数据集上传至云端BMS;云端BMS基于第二原始数据集和第一诊断数据和第二诊断数据,对电池进行深度诊断,以确定电池的故障等级。
云端BMS基于第二原始数据集和第一诊断数据,对电池进行深度诊断,以确定电池的故障等级的一种可能的实现方式是,云端BMS基于第二原始数据集进行处理,得到第二诊断数据,并基于第一诊断数据和第二诊断数据进行分析,确定电池的故障等级。其中,基于第二原始数据集进行处理的过程,以及基于第一诊断数据和第二诊断数据进行分析的过程均可视为深度诊断的具体实现。
示例性地,如图3所示,车辆可以新增算力,车辆可以基于第二原始数据集进行分析得到第一诊断数据,第一诊断数据中可以包括上文所述及到的特征值;车辆可以将第一诊断数据和第二原始数据集中的部分或全部数据上传至云端BMS,再由云端BMS基于第二原始数据集中的数据,对电池进行如图4所示的算法诊断过程,得到第二诊断数据,进而,云端BMS可以基于第一诊断数据和第二诊断数据分析得出电池的故障等级。
在第三种可能的实现方式中,车辆自主进行深度诊断。
可选地,车辆和/或云端BMS基于第二原始数据集,对电池进行深度诊断,以确定电池的故障等级,可以包括:车辆基于第二原始数据集,对电池进行深度诊断,以得到第一诊断数据,第一诊断数据包括电池的故障等级;以及方法200还包括:车辆将第一诊断数据上传至云端BMS。
示例性地,车辆可以基于第二原始数据集,采用如图4中所示的算法诊断过程对电池进行深度诊断,以得到包括有电池的故障等级在内的第一诊断数据,并可以将第一诊断数据上传至云端BMS。
在上述三种可能的实现方式中,云端BMS可以基于显示模组,将确定出的电池的故障等级呈现给车企运维人员,以使得车企运维人员可以基于电池的故障等级对车辆进行控制处理,以保证车辆的安全性。另外,对于初步诊断时判断出车辆可能存在热失控故障的车辆,车辆在基于OTA升级包中的充放电调整策略,调整电池的最大充电程度和/或最大放电深度后,再基于第二原始数据集进行深度诊断后,确定无故障的车辆,可以在解除充放电限制后交还车主;对经过深度诊断后确定存在故障的车辆进行拆包分析,并可以将分析结果返回到算法中,对算法进行进一步地优化,以进一步提高诊断的准确性。
基于上述方案,车辆可以先将第一原始数据集上传至云端BMS,以供云端BMS基于第一原始数据集对电池进行初步诊断,车辆在接收到来自云端BMS的风险预警的情况下,可以采集用于深度诊断的第二原始数据集,由于深度诊断所基于的第二原始数据集包括的数据项多于第一原始数据集包括的数据项;或,第二原始数据集的采集频率高于第一原始数据集的采集频率;或,第二原始数据集包括的数据项多于第一原始数据集包括的数据项,且第二原始数据集的采集频率高于第一原始数据集的采集频率,也即,深度诊断所基于的数据更丰富、更全面,从而可以对电池进行更深入的诊断,有利于获得更准确的诊断结果,提高电池故障诊断的准确性;进而使得运维人员可以根据电池的故障等级对电池进行处理,以降低电池故障带来的严重后果,提高车辆的安全性。
图5是本申请实施例提供的电池故障的诊断装置的一种示意性框图。如图5所示,该电池故障的诊断装置500可以包括:收发模块510和处理模块520。该电池故障的诊断装置500可以用于执行方法200中云端BMS的执行步骤。可选地,该装置可以为云端BMS,或者配置在云端BMS中的部件,如芯片、芯片系统等。
示例性地,收发模块510可以用于接收来自车辆的第一原始数据集,该第一原始数据集从所述车辆采集得到;处理模块520可以用于基于该第一原始数据集,对车辆的电池进行初步诊断;收发模块510还可用于基于对电池的初步诊断,向车辆发送风险预警;并用于接收来自车辆的数据,所述数据包括:第二原始数据集,或,车辆基于第二原始数据集得到的第一诊断数据,其中,第二原始数据集从车辆采集得到,第二原始数据集用于对电池的深度诊断,第二原始数据集包括的数据项多于第一原始数据集包括的数据项,或,第二原始数据集中数据的采集频率高于第一原始数据集中数据的采集频率。
可选地,处理模块520具体还用于基于第二原始数据集,对电池进行深度诊断,以确定电池的故障等级。
可选地,处理模块520具体可以用于基于第二原始数据集和第一诊断数据,对电池进行深度诊断,以确定电池的故障等级。
可选地,第一诊断数据包括电池的故障等级,来自所述车辆的数据包括第一诊断数据。
可选地,处理模块520具体可以用于基于对电池的初步诊断,确定诊断结果,诊断结果包括电池的健康度或所述电池存在的故障的概率值;在诊断结果达到预设门限的情况下,收发模块510还可以用于向车辆发送风险预警。
可选地,收发模块510还可以用于向车辆发送OTA升级包,OTA升级包用于车辆的OTA升级。
可选地,OTA升级包包括充放电调整策略,充放电调整策略用于调整电池的最大充电程度和/或最大放电深度。
可选地,风险预警用于指示电池存在的风险等级和/或电池的故障类型;其中,所述风险等级用于确定深度诊断的紧急程度,不同的风险等级对应于不同的紧急程度;所述故障类型包括如下一种或多种:热失控、内短路、一致性差、过温、欠压或过压。
可选地,电池的故障类型基于对电池的初步诊断确定。
可选地,每种故障类型对应于一个诊断模型,每个诊断模型用于对所述电池进行所对应的故障类型的初步诊断。
可选地,处理模块520具体可以用于基于电池的故障类型,通过所对应的诊断模型基于第二原始数据集,对电池进行深度诊断。
可选地,初步诊断和/或深度诊断采用机理分析、知识图谱和推理、大数据分析、数字孪生或仿真模拟中的一种或多种算法。
可选地,第一原始数据集和所述第二原始数据集中的数据包括来自车内通信链路的数据,且第二原始数据集中来自所述车辆的车内通信链路的数据项多于所述第一原始数据集中来自所述车辆的车内通信链路的数据项。
可选地,第二原始数据集中的数据还包括:EIS芯片采集的数据和/或测试环境数据。
图6是本申请实施例提供的电池故障的诊断装置的另一种示意性框图。如图6所示,该电池故障的诊断装置600可以包括:收发模块610和获取模块620。该电池故障的诊断装置600可以用于执行方法200中车辆的执行步骤。可选地,该装置可以为车辆,或者车端BMS,或者配置在车辆或车端BMS中的部件,如芯片、芯片系统等。
示例性地,收发模块610可以用于将从车辆采集得到的第一原始数据集上传至云端BMS,该第一原始数据集用于对车辆的电池进行初步诊断;在接收到来自云端BMS的风险预警的情况下,获取模块620可以用于获取第二原始数据集,第二原始数据集用于对电池的深度诊断;其中,风险预警基于对电池的初步诊断发出,该第二原始数据集从车辆采集得到,第二原始数据集包括的数据项多于第一原始数据集包括的数据项,或,第二原始数据集中数据的采集频率高于第一原始数据集中数据的采集频率;收发模块610还可以用于向云端BMS发送数据,所述数据包括:第二原始数据集,或,车辆基于第二原始数据集得到的第一诊断数据。
可选地,第一诊断数据包括电池的故障等级;以及该电池故障的诊断装置600还包括处理模块630,该处理模块630可以用于基于第二原始数据集对电池进行深度诊断,所述故障等级是所述装置600基于第二原始数据集进行深度诊断得到的。
可选地,收发模块610还可以用于将第二原始数据集和第一诊断数据上传至云端BMS,第二原始数据集和第一诊断数据用于云端BMS对电池进行深度诊断,以确定电池的故障等级。
可选地,收发模块610还可以用于将第二原始数据集上传至云端BMS,第二原始数据集用于云端BMS对电池进行深度诊断,以确定电池的故障等级。
可选地,风险预警用于指示电池存在的风险等级和/或电池的故障类型;其中,所述风险等级用于确定深度诊断的紧急程度,不同的风险等级对应于不同的紧急程度;所述故障类型包括如下一种或多种:热失控、内短路、一致性差、过温、欠压或过压。
可选地,每种故障类型对应于一个诊断模型;处理模块630还可以用于根据风险预警指示的电池的故障类型,确定对应的诊断模型;通过诊断模型基于第二原始数据集,对电池进行深度诊断。
可选地,在接收到来自云端BMS的风险预警的情况下,处理模块630还可以用于基于OTA升级包,进行OTA升级,OTA升级包来自云端BMS或车辆。
可选地,OTA升级包包括充放电调整策略,处理模块630还可以用于基于充放电调整策略,调整电池的最大充电程度和/或最大放电深度。
可选地,初步诊断和/或深度诊断采用机理分析、知识图谱和推理、大数据分析、数字孪生或仿真模拟中的一种或多种算法。
可选地,第一原始数据集和所述第二原始数据集中包括来自车内通信链路的数据,且第二原始数据集中来自所述车辆的车内通信链路的数据项多于所述第一原始数据集中来自所述车辆的车内通信链路的数据项。
可选地,第二原始数据集中的数据还包括:EIS芯片采集的数据和/或测试环境数据。
图7是本申请实施例提供的电池故障的诊断装置的又一种示意性框图。该电池故障的诊断装置700可用于实现本申请实施例中云端BMS或车辆(或车端BMS)的功能。该电池故障的诊断装置700可以为芯片或芯片系统。芯片系统可以由芯片构成,也可以包含芯片和其他分立器件。
如图7所示,该电池故障的诊断装置700可以包括至少一个处理器710,用于实现本申请实施例提供的方法中云端BMS、车辆或车端BMS的功能。
示例性地,当该电池故障的诊断装置700用于实现本申请实施例提供的方法200中云端BMS的功能时,处理器710可以用于控制通信接口730接收来自车辆的第一原始数据集,该第一原始数据集从车辆采集得到;并可用于基于第一原始数据集,对车辆的电池进行初步诊断,并基于对电池的初步诊断,控制通信接口730向车辆发送风险预警;还可用于控制通信接口730接收来自车辆的数据,所述数据包括:第二原始数据集,或,车辆基于第二原始数据集得到的第一诊断数据,其中,第二原始数据集从车辆采集得到,第二原始数据集用于对电池的深度诊断,第二原始数据集包括的数据项多于第一原始数据集包括的数据项,或,第二原始数据集中数据的采集频率高于第一原始数据集中数据的采集频率。具体参见方法实施例中的详细描述,此处不做赘述。
示例性地,当该电池故障的诊断装置700用于实现本申请实施例提供的方法200中车辆(或车端BMS)的功能时,处理器710可以用于控制通信接口730将从车辆采集得到的第一原始数据集上传至云端BMS,该第一原始数据集用于对车辆的电池进行初步诊断;还可用于在接收到来自云端BMS的风险预警的情况下,获取第二原始数据集,第二原始数据集用于对电池的深度诊断;其中,风险预警基于对电池的初步诊断发出,第二原始数据集从车辆采集得到,第二原始数据集包括的数据项多于第一原始数据集包括的数据项,或,第二原始数据集中数据的采集频率高于第一原始数据集中数据的采集频率;并可用于控制通信接口730向云端BMS发送数据,所述数据包括:第二原始数据集,或,车辆基于第二原始数据集得到的第一诊断数据。具体参见方法实施例中的详细描述,此处不做赘述。
该电池故障的诊断装置700还可以包括至少一个存储器720,用于存储程序指令和/或数据。存储器720和处理器710耦合。本申请实施例中的耦合是装置、单元或模块之间的间接耦合或通信连接,可以是电性,机械或其它的形式,用于装置、单元或模块之间的信息交互。处理器710可能和存储器720协同操作。处理器710可能执行存储器720中存储的程序指令。所述至少一个存储器中的至少一个可以包括于处理器中。
该电池故障的诊断装置700还可以包括通信接口730,用于通过传输介质和其它设备进行通信,从而用于电池故障的诊断装置700中的装置可以和其它设备进行通信。示例性地,当该电池故障的诊断装置700用于实现本申请实施例提供的方法中云端BMS的功能时,该其他设备可以是车辆;当该电池故障的诊断装置700用于实现本申请实施例提供的方法中车辆的功能时,该其他设备可以是云端BMS。所述通信接口730例如可以是收发器、接口、总线、电路或者能够实现收发功能的装置。处理器710可利用通信接口730收发数据和/或信息,并用于实现图2中对应的实施例中所述的云端BMS或车辆(或车端BMS)所执行的方法。
本申请实施例中不限定上述处理器710、存储器720以及通信接口730之间的具体连接介质。本申请实施例在图7中以处理器710、存储器720以及通信接口730之间通过总线740连接。总线740在图7中以粗线表示,其它部件之间的连接方式,仅是进行示意性说明,并不引以为限。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图7中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
本申请提供了一种云端BMS,该云端BMS包括存储器与处理器,该存储器用于存储程序代码;该处理器用于调用程序代码以用于实现上述图2所示实施例中云端BMS执行的方法。
本申请提供了一种车端BMS,该车端BMS包括存储器与处理器,该存储器用于存储程序代码;该处理器用于调用程序代码以用于实现上述图2所示实施例中车辆(或车端BMS)执行的方法。
本申请提供了一种车辆,该车辆包括存储器与处理器,该存储器用于存储程序代码;该处理器用于调用程序代码以用于实现上述图2所示实施例中车辆执行的方法。
本申请还提供了一种电池故障的诊断系统,包括前述的云端BMS和车端BMS。
本申请还提供了一种电池故障的诊断系统,包括前述的云端BMS和车辆。
本申请还提供了一种芯片系统,所述芯片系统包括至少一个处理器,用于实现上述图2所示实施例中云端BMS或车辆执行的方法中所涉及的功能,例如,接收或处理上述方法中所涉及的数据和/或信息。
在一种可能的设计中,所述芯片系统还包括存储器,所述存储器用于保存程序指令和数据,存储器位于处理器之内或处理器之外。
该芯片系统可以由芯片构成,也可以包含芯片和其他分立器件。
本申请还提供了一种计算机可读存储介质,所述计算机存储介质上存储有计算机程序(也可以称为代码,或指令),当所述计算机程序在被处理器运行时,使得上述图2所示实施例中云端BMS或车辆(或车端BMS)执行的方法被执行。
本申请还提供一种计算机程序产品,所述计算机程序产品包括:计算机程序(也可以称为代码,或指令),当所述计算机程序被运行时,使得计算机执行图2所示实施例中云端BMS或车辆(或车端BMS)执行的方法。
本申请实施例中的处理器可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(digital signalprocessor,DSP)、专用集成电路(application specific integrated circuit,ASIC)、现场可编程门阵列(field programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
本申请实施例中的存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(read-only memory,ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasablePROM,EPROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory,RAM)。通过举例说明但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(dynamic RAM,DRAM)、同步动态随机存取存储器(synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synchlinkDRAM,SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM,DR RAM)。应注意,本文描述的系统和方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
本说明书中使用的术语“单元”、“模块”等,可用于表示计算机相关的实体、硬件、固件、硬件和软件的组合、软件、或执行中的软件。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各种说明性逻辑块(illustrative logical block)和步骤(step),能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。在本申请所提供的几个实施例中,应该理解到,所揭露的装置、设备和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
在上述实施例中,各功能单元的功能可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令(程序)。在计算机上加载和执行所述计算机程序指令(程序)时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,数字通用光盘(digital video disc,DVD))、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
所述功能如果以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,本申请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)执行本申请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、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (26)
1.一种电池故障的诊断方法,其特征在于,包括:
接收来自车辆的第一原始数据集,所述第一原始数据集从所述车辆采集得到;
基于所述第一原始数据集,对所述车辆的电池进行初步诊断,并基于对所述电池的初步诊断,向所述车辆发送风险预警;
接收来自所述车辆的数据,所述数据包括:第二原始数据集,或,所述车辆基于所述第二原始数据集得到的第一诊断数据,其中,所述第二原始数据集从所述车辆采集得到,所述第二原始数据集用于对所述电池的深度诊断,所述第二原始数据集包括的数据项多于所述第一原始数据集包括的数据项,或,所述第二原始数据集中数据的采集频率高于所述第一原始数据集中数据的采集频率。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
基于所述第二原始数据集,对所述电池进行深度诊断,以确定所述电池的故障等级。
3.如权利要求1所述的方法,其特征在于,所述方法还包括:
基于所述第二原始数据集和所述第一诊断数据,对所述电池进行深度诊断,以确定所述电池的故障等级。
4.如权利要求1所述的方法,其特征在于,所述第一诊断数据包括所述电池的故障等级。
5.如权利要求1至4中任一项所述的方法,其特征在于,所述基于对所述电池的初步诊断,向所述车辆发送风险预警,包括:
基于对所述电池的初步诊断,确定诊断结果,所述诊断结果包括所述电池的健康度或所述电池存在故障的概率值;
在所述诊断结果达到预设门限的情况下,向所述车辆发送所述风险预警。
6.如权利要求5所述的方法,其特征在于,在所述诊断结果达到预设门限的情况下,所述方法还包括:
向所述车辆发送空中下载技术OTA升级包,所述OTA升级包用于所述车辆的OTA升级。
7.如权利要求6所述的方法,其特征在于,所述OTA升级包包括充放电调整策略,所述充放电调整策略用于调整所述电池的最大充电程度和/或最大放电深度。
8.如权利要求1至7中任一项所述的方法,其特征在于,所述风险预警用于指示所述电池存在的风险等级和/或所述电池的故障类型;其中,所述风险等级用于确定所述深度诊断的紧急程度,不同的风险等级对应于不同的紧急程度;所述故障类型包括如下一种或多种:热失控、内短路、一致性差、过温、欠压或者过压。
9.如权利要求1至8中任一项所述的方法,其特征在于,所述初步诊断或所述深度诊断采用机理分析、知识图谱和推理、大数据分析、数字孪生或仿真模拟中的一种或多种算法。
10.如权利要求1至9中任一项所述的方法,其特征在于,所述第一原始数据集和所述第二原始数据集包括来自所述车辆的车内通信链路的数据,且所述第二原始数据集中来自所述车辆的车内通信链路的数据项多于所述第一原始数据集中来自所述车辆的车内通信链路的数据项。
11.如权利要求10所述的方法,其特征在于,所述第二原始数据集中的数据还包括:电化学阻抗谱EIS芯片采集的数据和/或测试环境数据。
12.一种电池故障的诊断方法,其特征在于,包括:
将从车辆采集得到的第一原始数据集上传至云端电池管理系统BMS,所述第一原始数据集用于对所述车辆的电池进行初步诊断;
在接收到来自所述云端BMS的风险预警的情况下,获取第二原始数据集,所述第二原始数据集用于对所述电池的深度诊断;其中,所述风险预警基于对所述电池的初步诊断发出,所述第二原始数据集从所述车辆采集得到,所述第二原始数据集包括的数据项多于所述第一原始数据集包括的数据项,或,所述第二原始数据集中数据的采集频率高于所述第一原始数据集中数据的采集频率;
向所述云端BMS发送数据,所述数据包括:所述第二原始数据集中的数据,或,所述车辆基于所述第二原始数据集得到的第一诊断数据。
13.如权利要求12所述的方法,其特征在于,所述第一诊断数据包括所述电池的故障等级,所述故障等级是所述车辆基于所述第二原始数据集进行深度诊断得到的。
14.如权利要求12所述的方法,其特征在于,所述向所述云端BMS发送数据,包括;
向所述云端BMS发送所述第二原始数据集和所述第一诊断数据,所述第二原始数据集和所述第一诊断数据用于所述云端BMS对所述电池进行深度诊断,以确定所述电池的故障等级。
15.如权利要求12所述的方法,其特征在于,所述向所述云端BMS发送数据,包括:
将所述第二原始数据集上传至所述云端BMS,所述第二原始数据集用于云端BMS对电池进行深度诊断,以确定电池的故障等级。
16.如权利要求12至15中任一项所述的方法,其特征在于,所述风险预警用于指示所述电池存在的风险等级和/或所述电池的故障类型;其中,所述风险等级用于确定所述深度诊断的紧急程度,不同的风险等级对应于不同的紧急程度;所述故障类型包括如下一种或多种:热失控、内短路、一致性差、过温、欠压或者过压。
17.如权利要求12至16中任一项所述的方法,其特征在于,所述方法还包括:
在接收到来自所述云端BMS的风险预警的情况下,基于空中下载技术OTA升级包,进行所述OTA升级,所述OTA升级包来自所述云端BMS或所述车辆。
18.如权利要求17所述的方法,其特征在于,所述OTA升级包包括充放电调整策略,所述基于OTA升级包,进行OTA升级,包括:
基于所述充放电调整策略,调整所述电池的最大充电程度和/或最大放电深度。
19.如权利要求12至18中任一项所述的方法,其特征在于,对所述电池的所述深度诊断采用机理分析、知识图谱和推理、大数据分析、数字孪生或仿真模拟中的一种或多种算法。
20.如权利要求12至19中任一项所述的方法,其特征在于,所述第一原始数据集和所述第二原始数据集中包括来自所述车辆的车内通信链路的数据,且所述第二原始数据集中来自所述车辆的车内通信链路的数据项多于所述第一原始数据集中来自所述车辆的车内通信链路的数据项。
21.如权利要求20所述的方法,其特征在于,所述第二原始数据集中的数据还包括:电化学阻抗谱EIS芯片采集的数据和/或测试环境数据。
22.一种计算机程序产品,其特征在于,包括计算机程序,当所述计算机程序被运行时,实现如权利要求1至11中任一项所述的方法。
23.一种云端电池管理系统BMS,其特征在于,包括存储器与处理器;其中,
所述存储器用于存储程序代码;
所述处理器用于调用所述程序代码以用于实现如权利要求1至11中任一项所述的方法。
24.一种计算机程序产品,其特征在于,包括计算机程序,当所述计算机程序被运行时,实现如权利要求12至21中任一项所述的方法。
25.一种车端电池管理系统BMS,其特征在于,包括存储器与处理器;其中,
所述存储器用于存储程序代码;
所述处理器用于调用所述程序代码以用于实现如权利要求12至21中任一项所述的方法。
26.一种车辆,其特征在于,包括如权利要求25所述的车端电池管理系统BMS。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210242950.XA CN114675202A (zh) | 2022-03-11 | 2022-03-11 | 电池故障的诊断方法及装置 |
US18/181,869 US20230288490A1 (en) | 2022-03-11 | 2023-03-10 | Battery fault diagnosis method and apparatus |
EP23161119.5A EP4243438A1 (en) | 2022-03-11 | 2023-03-10 | Battery fault diagnosis method and apparatus |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210242950.XA CN114675202A (zh) | 2022-03-11 | 2022-03-11 | 电池故障的诊断方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114675202A true CN114675202A (zh) | 2022-06-28 |
Family
ID=82074385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210242950.XA Pending CN114675202A (zh) | 2022-03-11 | 2022-03-11 | 电池故障的诊断方法及装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230288490A1 (zh) |
EP (1) | EP4243438A1 (zh) |
CN (1) | CN114675202A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114844769A (zh) * | 2022-04-29 | 2022-08-02 | 重庆长安汽车股份有限公司 | 一种车辆馈电风险监测的方法 |
CN116954657A (zh) * | 2023-07-19 | 2023-10-27 | 红石阳光(深圳)科技有限公司 | 一种汽车ota升级的策略控制方法及系统 |
CN117289145A (zh) * | 2023-11-27 | 2023-12-26 | 宁德时代新能源科技股份有限公司 | 故障分析方法、数据采集方法、装置、设备、系统和介质 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117388716B (zh) * | 2023-12-11 | 2024-02-13 | 四川长园工程勘察设计有限公司 | 基于时序数据的电池组故障诊断方法、系统及存储介质 |
CN117520787B (zh) * | 2024-01-04 | 2024-03-19 | 四川省公路规划勘察设计研究院有限公司 | 基于数字孪生的高速公路智慧化数据故障分析方法和系统 |
CN117930027A (zh) * | 2024-03-18 | 2024-04-26 | 中国汽车技术研究中心有限公司 | 一种动力电池容量异常检测方法、装置及平台 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110324394A (zh) * | 2018-03-30 | 2019-10-11 | 比亚迪股份有限公司 | 云服务器、电动汽车及其提示系统、方法 |
CN114137428B (zh) * | 2021-11-25 | 2023-05-02 | 中国汽车工程研究院股份有限公司 | 一种便携式动力电池安全性检测系统及装置 |
-
2022
- 2022-03-11 CN CN202210242950.XA patent/CN114675202A/zh active Pending
-
2023
- 2023-03-10 US US18/181,869 patent/US20230288490A1/en active Pending
- 2023-03-10 EP EP23161119.5A patent/EP4243438A1/en active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114844769A (zh) * | 2022-04-29 | 2022-08-02 | 重庆长安汽车股份有限公司 | 一种车辆馈电风险监测的方法 |
CN116954657A (zh) * | 2023-07-19 | 2023-10-27 | 红石阳光(深圳)科技有限公司 | 一种汽车ota升级的策略控制方法及系统 |
CN116954657B (zh) * | 2023-07-19 | 2024-04-12 | 红石阳光(深圳)科技有限公司 | 一种汽车ota升级的策略控制方法及系统 |
CN117289145A (zh) * | 2023-11-27 | 2023-12-26 | 宁德时代新能源科技股份有限公司 | 故障分析方法、数据采集方法、装置、设备、系统和介质 |
CN117289145B (zh) * | 2023-11-27 | 2024-04-19 | 宁德时代新能源科技股份有限公司 | 故障分析方法、数据采集方法、装置、设备、系统和介质 |
Also Published As
Publication number | Publication date |
---|---|
US20230288490A1 (en) | 2023-09-14 |
EP4243438A1 (en) | 2023-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114675202A (zh) | 电池故障的诊断方法及装置 | |
US11813962B2 (en) | Supplying power to an electric vehicle | |
JP6830540B2 (ja) | クラウドベースの車両故障診断方法、装置およびシステム | |
CN109459702B (zh) | 基于车联网的电池状态分析方法及装置 | |
CN104297691A (zh) | 电池组健康状态诊断系统和方法 | |
EP4059769A1 (en) | Cloud-device synergy-based battery management system, vehicle, and battery management method | |
US20220373609A1 (en) | State Value for Rechargeable Batteries | |
CN115257457A (zh) | 车辆电池单体一致性评估方法、装置、设备及存储介质 | |
CN116609676A (zh) | 一种基于大数据处理的混合储能电池状态监控方法及系统 | |
CN115718258A (zh) | 电池故障检测 | |
Li et al. | IoB: Internet-of-Batteries for Electric Vehicles–Architectures, Opportunities, and Challenges | |
CN114631032A (zh) | 用于监控电池组健康状况的方法和系统 | |
CN116736157A (zh) | 动力电池的预警方法、装置、设备及存储介质 | |
WO2022188760A1 (zh) | 动力电池包热量估计方法和装置 | |
WO2014018048A1 (en) | Battery management system | |
CN113567874B (zh) | 动力电池安全状态的监控检测方法及装置 | |
Du et al. | Development of robust fault signatures for battery and starter failure prognosis | |
CN113459898A (zh) | 一种电动汽车电池过充智能远程诊断方法及系统 | |
CN114636946A (zh) | 用于特定于机器地改善在电池组供电的机器中的设备电池组的使用寿命的方法和装置 | |
US11718200B2 (en) | Facilitating battery maintenance | |
US20230298395A1 (en) | Battery diagnosis apparatus for vehicle and method thereof | |
US20240175933A1 (en) | Predictive battery health detection from pack soaking behavior | |
US20240133969A1 (en) | Method and system for reconfiguring an electrical energy storage system comprising multiple electrical energy storage packs | |
KR102576987B1 (ko) | 차량 데이터 기반 배터리 상태 판단장치 및 그 방법 | |
CN111610459B (zh) | 用于预测电池组的放电曲线的系统、方法和存储介质 |
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 |