CN114818831A - 基于多源感知的双向锂离子电池故障检测方法及系统 - Google Patents

基于多源感知的双向锂离子电池故障检测方法及系统 Download PDF

Info

Publication number
CN114818831A
CN114818831A CN202210586138.9A CN202210586138A CN114818831A CN 114818831 A CN114818831 A CN 114818831A CN 202210586138 A CN202210586138 A CN 202210586138A CN 114818831 A CN114818831 A CN 114818831A
Authority
CN
China
Prior art keywords
data
battery
simulation
type
fault detection
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
CN202210586138.9A
Other languages
English (en)
Other versions
CN114818831B (zh
Inventor
郭媛君
安钊
杨之乐
刘祥飞
胡天宇
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.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
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 Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN202210586138.9A priority Critical patent/CN114818831B/zh
Publication of CN114818831A publication Critical patent/CN114818831A/zh
Priority to PCT/CN2022/136948 priority patent/WO2023226355A1/zh
Application granted granted Critical
Publication of CN114818831B publication Critical patent/CN114818831B/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
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了一种基于多源感知的双向锂离子电池故障检测方法及系统，方法包括：获取待检测电池在目标时间段内的使用状态数据，其中，上述目标时间段的时间长度为预设时长，上述目标时间段的终点时刻是当前时刻，上述使用状态数据包括第一类型数据和第二类型数据；对上述第一类型数据进行主成分分析处理并获得目标特征数据；对上述目标特征数据进行小波变换，获取目标时频数据；将上述目标时频数据和上述第二类型数据输入预先训练好的故障检测模型，通过上述故障检测模型获取上述待检测电池在上述当前时刻对应的故障类别。与现有技术相比，本发明有利于提高双向锂离子电池故障检测的准确性。

Description

基于多源感知的双向锂离子电池故障检测方法及系统
技术领域
本发明涉及电池故障诊断技术领域，尤其涉及的是一种基于多源感知的双向锂离子电池故障检测方法及系统。
背景技术
随着科学技术的发展，电池的应用越来越广泛，而锂离子电池因其工作电压高、比能量大、循环寿命长等特点得到了较多的应用和关注，进一步的，目前对于双向锂离子电池的研究和应用也越来越多。实际使用过程中，锂离子电池(例如双向锂离子电池)可能会出现故障，从而导致无法正常使用，因此需要对其进行故障诊断。
现有技术中，需要采集双向锂离子电池的运行数据，然后根据预先建立的专家系统来进行推理并确定双向锂离子电池的故障。现有技术的问题在于，通过专家系统进行推理准确度不高，无法综合多种信息进行故障检测，不利于提高双向锂离子电池故障检测的准确性。
因此，现有技术还有待改进和发展。
发明内容
本发明的主要目的在于提供一种基于多源感知的双向锂离子电池故障检测方法及系统，旨在解决现有技术中通过专家系统进行推理准确度不高，无法综合多种信息进行故障检测，不利于提高双向锂离子电池故障检测的准确性的问题。
为了实现上述目的，本发明第一方面提供一种基于多源感知的双向锂离子电池故障检测方法，其中，上述基于多源感知的双向锂离子电池故障检测方法包括：
获取待检测电池在目标时间段内的使用状态数据，其中，上述目标时间段的时间长度为预设时长，上述目标时间段的终点时刻是当前时刻，上述使用状态数据包括第一类型数据和第二类型数据，上述第一类型数据包括上述待检测电池的电池热分布数据、充放电电压数据和电池温度变化数据，上述第二类型数据包括上述待检测电池的电池型号数据、电池容量数据、电池使用时长数据、环境温度数据和环境湿度数据；
对上述第一类型数据进行主成分分析处理并获得目标特征数据，其中，上述目标特征数据是上述第一类型数据中的任意一种，或者上述目标特征数据是由上述第一类型数据中的多种数据组合成的综合特征数据；
对上述目标特征数据进行小波变换，获取目标时频数据；
将上述目标时频数据和上述第二类型数据输入预先训练好的故障检测模型，通过上述故障检测模型获取上述待检测电池在上述当前时刻对应的故障类别。
可选的，上述第一类型数据通过在上述目标时间段内对上述待检测电池进行多次数据采集获得，上述电池热分布数据包括上述待检测电池对应的多张热分布图。
可选的，上述目标时频数据包括目标时频图，上述目标时频图的横轴代表时域，纵轴代表频域。
可选的，上述故障检测模型根据如下步骤进行预先训练：
对多个训练电池进行多源信息采集，获取上述训练电池对应的多个真实样本数据，其中，各上述真实样本数据包括第一类型真实数据、第二类型真实数据和故障标签数据，上述第一类型真实数据包括上述训练电池在训练时间段内的电池热分布数据、充放电电压数据和电池温度变化数据，上述第二类型真实数据包括上述训练电池在上述训练时间段内的电池型号数据、电池容量数据、电池使用时长数据、环境温度数据和环境湿度数据；
根据各上述真实样本数据进行样本模拟扩充获得多个模拟样本数据，其中，一个上述模拟样本数据包括第一类型模拟数据、第二类型模拟数据和模拟标签数据，上述第二类型模拟数据与目标真实样本数据的第二类型真实数据相同，上述模拟标签数据与上述目标真实样本数据的故障标签数据相同，上述目标真实样本数据是与该模拟样本数据对应的真实样本数据；
根据上述真实样本数据和上述模拟样本数据对上述故障检测模型进行训练。
可选的，上述根据各上述真实样本数据进行样本模拟扩充获得多个模拟样本数据，包括：
对于任意一个真实样本数据，获取上述真实样本数据对应的每一种待处理数据，根据预设的数据模拟步骤以及上述待处理数据的统计特征对上述待处理数据进行数据模拟，获得各上述待处理数据对应的目标模拟数据，并将一个上述真实样本数据对应的所有目标模拟数据作为与该真实样本数据对应的模拟样本数据的第一类型模拟数据，其中，上述待处理数据包括上述真实样本数据中的电池热分布数据、充放电电压数据和电池温度变化数据。
可选的，上述预设的数据模拟步骤包括：
将上述待处理数据对应的时间长度进行分段，获得多个时间分段；
获取各上述时间分段对应的分段统计特征，其中，上述分段统计特征是上述待处理数据在各上述时间分段内的统计特征，上述统计特征包括平均值、最大值和最小值；
根据上述待处理数据在各上述时间分段内对应的数据值的个数和各上述时间分段对应的分段统计特征，在各上述时间分段内通过均匀分布生成一组模拟数据值，获得上述待处理数据对应的模拟处理数据；
根据预设的权重系数将上述模拟处理数据与上述待处理数据进行加权求和，获得上述待处理数据对应的目标模拟数据。
可选的，一个上述真实样本数据对应有多个模拟样本数据，上述根据各上述真实样本数据进行样本模拟扩充获得多个模拟样本数据，还包括：
根据预设的分段方式对一个上述真实样本数据对应的待处理数据进行时间长度分段并获得多种不同的分段结果，分别根据每一种分段结果获取该真实样本数据对应的一个模拟样本数据。
可选的，上述预设的分段方式包括随机分段、均匀分段和根据数据波动性分段。
可选的，上述根据上述真实样本数据和上述模拟样本数据对上述故障检测模型进行训练，包括：
将上述第一类型真实数据和上述第一类型模拟数据作为待降维数据，对各上述待降维数据进行主成分分析处理并获得待处理特征数据；
对各上述待处理特征数据进行小波变换获得待处理时频数据，将上述待处理时频数据划分为训练时频数据和测试时频数据；
根据上述训练时频数据和上述测试时频数据分别获取训练数据集和测试数据集；
根据上述训练数据集对上述故障检测模型进行训练，并根据上述测试数据集对上述故障检测模型进行测试，直到上述故障检测模型训练完成，其中，上述故障检测模型是卷积神级网络模型。
本发明第二方面提供一种基于多源感知的双向锂离子电池故障检测系统，其中，上述基于多源感知的双向锂离子电池故障检测系统包括：
使用状态数据获取模块，用于获取待检测电池在目标时间段内的使用状态数据，其中，上述目标时间段的时间长度为预设时长，上述目标时间段的终点时刻是当前时刻，上述使用状态数据包括第一类型数据和第二类型数据，上述第一类型数据包括上述待检测电池的电池热分布数据、充放电电压数据和电池温度变化数据，上述第二类型数据包括上述待检测电池的电池型号数据、电池容量数据、电池使用时长数据、环境温度数据和环境湿度数据；
第一数据处理模块，用于对上述第一类型数据进行主成分分析处理并获得目标特征数据，其中，上述目标特征数据是上述第一类型数据中的任意一种，或者上述目标特征数据是由上述第一类型数据中的多种数据组合成的综合特征数据；
第二数据处理模块，用于对上述目标特征数据进行小波变换，获取目标时频数据；
故障检测模块，用于将上述目标时频数据和上述第二类型数据输入预先训练好的故障检测模型，通过上述故障检测模型获取上述待检测电池在上述当前时刻对应的故障类别。
由上可见，本发明方案中，获取待检测电池在目标时间段内的使用状态数据，其中，上述目标时间段的时间长度为预设时长，上述目标时间段的终点时刻是当前时刻，上述使用状态数据包括第一类型数据和第二类型数据，上述第一类型数据包括上述待检测电池的电池热分布数据、充放电电压数据和电池温度变化数据，上述第二类型数据包括上述待检测电池的电池型号数据、电池容量数据、电池使用时长数据、环境温度数据和环境湿度数据；对上述第一类型数据进行主成分分析处理并获得目标特征数据，其中，上述目标特征数据是上述第一类型数据中的任意一种，或者上述目标特征数据是由上述第一类型数据中的多种数据组合成的综合特征数据；对上述目标特征数据进行小波变换，获取目标时频数据；将上述目标时频数据和上述第二类型数据输入预先训练好的故障检测模型，通过上述故障检测模型获取上述待检测电池在上述当前时刻对应的故障类别。
与现有技术相比，本发明方案中预先建立和训练获得了针对双向锂离子电池的故障检测模型，从而可以通过故障检测模型对电池的故障进行检测。具体的，对上述待检测电池对应的使用状态数据中的第一类型数据进行主成分分析处理并获得目标特征数据，然后进行小波变换得到目标时频数据，进而结合目标时频数据和第二类型数据，通过故障检测模型获得对应的故障类别。如此，无需使用专家系统进行推理，并且可以综合多种不同的使用状态数据对双向锂离子电池当前可能存在的故障进行检测，有利于提高双向锂离子电池故障检测的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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性的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例提供的一种基于多源感知的双向锂离子电池故障检测方法的流程示意图；
图2是本发明实施例提供的一种基于多源感知的双向锂离子电池故障检测系统的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况下，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当…时”或“一旦”或“响应于确定”或“响应于检测到”。类似的，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述的条件或事件]”或“响应于检测到[所描述条件或事件]”。
下面结合本发明实施例的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其它不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
随着科学技术的发展，电池的应用越来越广泛，而锂离子电池因其工作电压高、比能量大、循环寿命长等特点得到了较多的应用和关注，进一步的，目前对于双向锂离子电池的研究和应用也越来越多。实际使用过程中，锂离子电池(例如双向锂离子电池)可能会出现故障，从而导致无法正常使用，因此需要对其进行故障诊断。
现有技术中，需要采集双向锂离子电池的运行数据，然后根据预先建立的专家系统来进行推理并确定双向锂离子电池的故障。现有技术的问题在于，通过专家系统进行推理准确度不高，无法综合多种信息进行故障检测，不利于提高双向锂离子电池故障检测的准确性。
其中，上述双向锂离子电池即为双离子电池，双离子电池在充电过程中，正极石墨发生阴离子插层反应，而铝负极发生铝—锂合金化反应，放电过程则相反。有利于提高电池的工作电压，同时可以降低电池的质量、体积及制造成本，从而全面提升电池的能量密度，并提高电池的续航时间。但目前，关于双向锂离子电池的研究还在发展之中，因此可以获取的用于训练模型的双向锂离子电池的相关故障样本数据较少，不利于进行模型的训练。
进一步的，现有技术中，专家系统是一种通过现有知识来推理实际问题的程序，建立在专家库之上，根据输入的故障信息结合相应计算机算法进行推理分类，完成故障诊断和决策，准确度依赖于专家库的完善程度，即需要大量的工程经验知识，存在专家系统中容错率低，对于不确定信息的诊断准确率低、专家知识经验获取困难，以及维护难度大等问题。同时，专家系统在进行故障检测时，通常是一个类型的数据对应一种故障，使用的数据类型较少，无法综合多源感知的数据进行判断。
为了解决上述多个问题中的至少一个问题，本发明方案中，获取待检测电池在目标时间段内的使用状态数据，其中，上述目标时间段的时间长度为预设时长，上述目标时间段的终点时刻是当前时刻，上述使用状态数据包括第一类型数据和第二类型数据，上述第一类型数据包括上述待检测电池的电池热分布数据、充放电电压数据和电池温度变化数据，上述第二类型数据包括上述待检测电池的电池型号数据、电池容量数据、电池使用时长数据、环境温度数据和环境湿度数据；对上述第一类型数据进行主成分分析处理并获得目标特征数据，其中，上述目标特征数据是上述第一类型数据中的任意一种，或者上述目标特征数据是由上述第一类型数据中的多种数据组合成的综合特征数据；对上述目标特征数据进行小波变换，获取目标时频数据；将上述目标时频数据和上述第二类型数据输入预先训练好的故障检测模型，通过上述故障检测模型获取上述待检测电池在上述当前时刻对应的故障类别。
与现有技术相比，本发明方案中预先建立和训练获得了针对双向锂离子电池的故障检测模型，从而可以通过故障检测模型对电池的故障进行检测。具体的，对上述待检测电池对应的使用状态数据中的第一类型数据进行主成分分析处理并获得目标特征数据，然后进行小波变换得到目标时频数据，进而结合目标时频数据和第二类型数据，通过故障检测模型获得对应的故障类别。如此，无需使用专家系统进行推理，并且可以综合多种不同的使用状态数据对双向锂离子电池当前可能存在的故障进行检测，有利于提高双向锂离子电池故障检测的准确性。
进一步的，本发明中，还提供了对用于训练的真实样本数据的扩充方案，可以根据真实样本数据获得模拟样本数据，从而提高对故障检测模型的训练效率。并且使得模型训练过程中无需花费过多的时间进行数据采集，有利于提高模型训练速度。
示例性方法
如图1所示，本发明实施例提供一种基于多源感知的双向锂离子电池故障检测方法，具体的，上述方法包括如下步骤：
步骤S100，获取待检测电池在目标时间段内的使用状态数据，其中，上述目标时间段的时间长度为预设时长，上述目标时间段的终点时刻是当前时刻，上述使用状态数据包括第一类型数据和第二类型数据，上述第一类型数据包括上述待检测电池的电池热分布数据、充放电电压数据和电池温度变化数据，上述第二类型数据包括上述待检测电池的电池型号数据、电池容量数据、电池使用时长数据、环境温度数据和环境湿度数据。
其中，上述待检测电池是需要进行故障检测的双向锂离子电池(即双离子电池)，上述目标时间段是对待检测电池进行监测和数据测量的时间段，目标时间段的时间长度可以根据实际需求进行设置和调整，在此不作具体。
需要说明的是，对上述待检测电池进行数据采集并采集到的状态数据包括第一类型数据和第二类型数据。第一类型数据是会随电池的故障情况而进行改变的动态数据，例如待检测电池的电池热分布数据、充放电电压数据和电池温度变化数据。第二类型数据是不会随电池的故障情况而进行改变的静态数据，例如电池型号数据、电池容量数据、电池使用时长数据、环境温度数据和环境湿度数据。其中，上述电池容量数据是电池的标定容量。其中，上述电池温度变化数据可以是采集的电池温度与预先设置的温度标准值的差值。或者是目标时间段内的一组连续的温度差值数据，其中，一个温度差值数据是该时刻的温度值与前一时刻的温度值的差值，电池温度可以通过设置在电池上的一个温度传感器采集获得。
具体的，上述第一类型数据通过在上述目标时间段内对上述待检测电池进行多次数据采集获得，上述电池热分布数据包括上述待检测电池对应的多张热分布图。
本实施例中，上述第一类型数据是对待检测电池进行连续多次采集获得的，采集频率可以根据实际需求预先设置和调整。需要说明的是，对于热分布图，在进行模型训练时的样本扩充模拟时，是针对每一个像素点的值进行模拟，例如，多张热分布图中对应的同一像素点的像素值具有连续性，根据多张热分布图中对应的各个像素点进行样本扩充和模拟。
步骤S200，对上述第一类型数据进行主成分分析处理并获得目标特征数据，其中，上述目标特征数据是上述第一类型数据中的任意一种，或者上述目标特征数据是由上述第一类型数据中的多种数据组合成的综合特征数据。
具体的，对于上述第一类型数据进行主成分分析处理以实现数据降维，并且获得与电池发生故障最为相关的一种特征。上述第一类型数据中包括多种不同类型的数据，通过主成分分析处理获得一种目标特征数据。本实施例中，上述目标特征数据是由第一类型数据中的多种数据(或所有种类的数据)通过线性组合形成一个新的综合特征数据，上述目标特征数据可以综合多种数据的特点，并且实现降维，既能综合考虑不同数据的特征，又能降低计算量，有利于提高双向锂离子电池故障检测的准确性和效率。
步骤S300，对上述目标特征数据进行小波变换，获取目标时频数据。
其中，上述目标时频数据包括多组一一对应的时刻和频率值数据。
需要说明的是，经过主成分分析处理获得的目标特征数据是一维的时间序列信号，且综合了多种数据的信息。进一步的，对上述目标特征数据进行小波变换，将一维的时间序列信号转化为二维时频图，获得目标时频数据，上述目标时频图的横轴代表时域，纵轴代表频域。如此，将不同类别的故障信号对应的综合信号通过小波变换进行转换，将故障信息特征放大，有利于进一步进行故障分析和检测。
步骤S400，将上述目标时频数据和上述第二类型数据输入预先训练好的故障检测模型，通过上述故障检测模型获取上述待检测电池在上述当前时刻对应的故障类别。
其中，上述预先训练好的故障检测模型是预先训练好的卷积神经网络模型，被预先训练成根据输入的目标时频数据和第二类型数据进行故障检测，并且输出待检测电池在上述当前时刻对应的故障类别。
上述故障类别可以包括温度传感器故障、霍尔反装、过充电、BMU故障中的一种或多种，还可以包括其它类别的故障，在此不作具体限定。
本实施例中，上述故障检测模型根据如下步骤进行预先训练：
对多个训练电池进行多源信息采集，获取上述训练电池对应的多个真实样本数据，其中，各上述真实样本数据包括第一类型真实数据、第二类型真实数据和故障标签数据，上述第一类型真实数据包括上述训练电池在训练时间段内的电池热分布数据、充放电电压数据和电池温度变化数据，上述第二类型真实数据包括上述训练电池在上述训练时间段内的电池型号数据、电池容量数据、电池使用时长数据、环境温度数据和环境湿度数据；
根据各上述真实样本数据进行样本模拟扩充获得多个模拟样本数据，其中，一个上述模拟样本数据包括第一类型模拟数据、第二类型模拟数据和模拟标签数据，上述第二类型模拟数据与目标真实样本数据的第二类型真实数据相同，上述模拟标签数据与上述目标真实样本数据的故障标签数据相同，上述目标真实样本数据是与该模拟样本数据对应的真实样本数据；
根据上述真实样本数据和上述模拟样本数据对上述故障检测模型进行训练。
在一种应用场景中，对多个不同型号的训练电池进行多源信息采集，并且其中至少有一个训练电池的型号与上述待处理电池的型号相同。如此，可以使得训练出来的模型适用于不同型号的待检测电池。同时，对于各个训练电池，采集其对应的多个不同时段，或者对应发生不同种类的故障时的数据。
需要说明的是，上述训练时间段是进行一次训练样本数据(即真实样本数据)采集的时间段，其时间长度与上述目标时间段的时间长度相同。
本实施例中，采集获得真实样本数据后，可以进行样本模拟扩充以获得多个模拟样本数据，获得更多可以用于进行模型训练的样本数据，从而提高模型的训练效率。
本实施例中，上述根据各上述真实样本数据进行样本模拟扩充获得多个模拟样本数据，包括：对于任意一个真实样本数据，获取上述真实样本数据对应的每一种待处理数据，根据预设的数据模拟步骤以及上述待处理数据的统计特征对上述待处理数据进行数据模拟，获得各上述待处理数据对应的目标模拟数据，并将一个上述真实样本数据对应的所有目标模拟数据作为与该真实样本数据对应的模拟样本数据的第一类型模拟数据，其中，上述待处理数据包括上述真实样本数据中的电池热分布数据、充放电电压数据和电池温度变化数据。
在一种应用场景中，上述预设的模拟步骤可以是预设的线性组合步骤，或者加权平均步骤。本实施例中，上述预设的数据模拟步骤包括：
将上述待处理数据对应的时间长度进行分段，获得多个时间分段；
获取各上述时间分段对应的分段统计特征，其中，上述分段统计特征是上述待处理数据在各上述时间分段内的统计特征，上述统计特征包括平均值、最大值和最小值；
根据上述待处理数据在各上述时间分段内对应的数据值的个数和各上述时间分段对应的分段统计特征，在各上述时间分段内通过均匀分布生成一组模拟数据值，获得上述待处理数据对应的模拟处理数据；
根据预设的权重系数将上述模拟处理数据与上述待处理数据进行加权求和，获得上述待处理数据对应的目标模拟数据。
其中，上述模拟处理数据是将所有分段的模拟数据值按照时间顺序组合成的数据。
本实施例中，在对上述模拟处理数据和上述待处理数据进行加权求和时，预先设置的两者的权重系数之和为1，具体的权重比例可以根据实际需求进行设置和调整。如此，在本实施例中将模拟处理数据和上述待处理数据进行加权求和，在进行数据模拟的同时，充分考虑到真实数据的影响，有利于提高训练获得的模型的准确性。
进一步的，本实施例中，一个上述真实样本数据对应有多个模拟样本数据，上述根据各上述真实样本数据进行样本模拟扩充获得多个模拟样本数据，还包括：根据预设的分段方式对一个上述真实样本数据对应的待处理数据进行时间长度分段并获得多种不同的分段结果，分别根据每一种分段结果获取该真实样本数据对应的一个模拟样本数据。
上述预设的分段方式包括随机分段、均匀分段和根据数据波动性分段。
需要说明的是，对时间长度进行分段时，可以采用随机分段的方式，也可以采用平均分段的方式，还可以采用根据数据的变化波动情况进行分段，即变化快或波动大的地方划分更多的小段，或者还可以根据斜率进行分段，即斜率大的地方划分出更多的小段。进一步的，对于同一个真实样本数据，可以采用多种分段方式获得多个对应的模拟样本数据，进一步扩大样本数量。
进一步的，上述根据上述真实样本数据和上述模拟样本数据对上述故障检测模型进行训练，包括：
将上述第一类型真实数据和上述第一类型模拟数据作为待降维数据，对各上述待降维数据进行主成分分析处理并获得待处理特征数据；
对各上述待处理特征数据进行小波变换获得待处理时频数据，将上述待处理时频数据划分为训练时频数据和测试时频数据；
根据上述训练时频数据和上述测试时频数据分别获取训练数据集和测试数据集；
根据上述训练数据集对上述故障检测模型进行训练，并根据上述测试数据集对上述故障检测模型进行测试，直到上述故障检测模型训练完成，其中，上述故障检测模型是卷积神级网络模型。在一种应用场景中，划分的训练数据集和测试数据集中都可以包括真实的样本数据和模拟的样本数据，以提高训练效率。此时，上述训练数据集包括上述训练时频数据以及训练辅助数据，上述训练辅助数据包括与上述训练时频数据对应的第二类型真实数据、故障标签数据、第二类型模拟数据和模拟标签数据，上述测试数据集包括上述测试时频数据和测试辅助数据，上述测试辅助数据包括与上述测试时频数据对应的第二类型真实数据、故障标签数据、第二类型模拟数据和模拟标签数据。其中，一个训练时频数据与一个训练辅助数据对应，一个训练辅助数据包括对应的一个第二类型真实数据和一个故障标签数据，代表真实样本数据，或者一个训练辅助数据包括对应的一个第二类型模拟数据和一个模拟标签数据，代表模拟样本数据。一个训练时频数据与一个第二类型真实数据或一个模拟标签数据对应，测试时频数据同理，在此不再赘述。
在另一种应用场景中，测试时频数据可以仅包括第一类型真实数据对应的待处理时频数据，即测试数据集仅与真实样本对应，以提高模型的准确性。
在通过上述训练数据集对上述故障检测模型进行训练的过程中，将一组对应的训练时频数据和训练辅助数据输入到上述故障检测模型中，故障检测模型输出预测的故障类别，根据预测的故障类别与训练时频数据对应的故障标签数据(或标签模拟数据)对模型的参数进行调整，直到模型训练完成。
其中，达到预设的迭代次数阈值，或者模型在测试数据集上的损失值小于预设的损失阈值时，故障检测模型训练完成。
由上可见，本实施例中，预先建立和训练获得了针对双向锂离子电池的故障检测模型，从而可以通过故障检测模型对电池的故障进行检测。具体的，对上述待检测电池对应的使用状态数据中的第一类型数据进行主成分分析处理并获得目标特征数据，然后进行小波变换得到目标时频数据，进而结合目标时频数据和第二类型数据，通过故障检测模型获得对应的故障类别。如此，无需使用专家系统进行推理，并且可以综合多种不同的使用状态数据对双向锂离子电池当前可能存在的故障进行检测，有利于提高双向锂离子电池故障检测的准确性。
进一步的，本实施例中，还提供了对用于训练的真实样本数据的扩充方案，可以根据真实样本数据获得模拟样本数据，从而提高对故障检测模型的训练效率。并且使得模型训练过程中无需花费过多的时间进行数据采集，有利于提高模型训练速度。
示例性设备
如图2中所示，对应于上述基于多源感知的双向锂离子电池故障检测方法，本发明实施例还提供一种基于多源感知的双向锂离子电池故障检测系统，上述基于多源感知的双向锂离子电池故障检测系统包括：
使用状态数据获取模块510，用于获取待检测电池在目标时间段内的使用状态数据，其中，上述目标时间段的时间长度为预设时长，上述目标时间段的终点时刻是当前时刻，上述使用状态数据包括第一类型数据和第二类型数据，上述第一类型数据包括上述待检测电池的电池热分布数据、充放电电压数据和电池温度变化数据，上述第二类型数据包括上述待检测电池的电池型号数据、电池容量数据、电池使用时长数据、环境温度数据和环境湿度数据。
第一数据处理模块520，用于对上述第一类型数据进行主成分分析处理并获得目标特征数据，其中，上述目标特征数据是上述第一类型数据中的任意一种，或者上述目标特征数据是由上述第一类型数据中的多种数据组合成的综合特征数据。
第二数据处理模块530，用于对上述目标特征数据进行小波变换，获取目标时频数据。
故障检测模块540，用于将上述目标时频数据和上述第二类型数据输入预先训练好的故障检测模型，通过上述故障检测模型获取上述待检测电池在上述当前时刻对应的故障类别。
具体的，本实施例中，上述基于多源感知的双向锂离子电池故障检测系统及其各模块的具体功能可以参照上述基于多源感知的双向锂离子电池故障检测方法中的对应描述，在此不再赘述。
需要说明的是，上述基于多源感知的双向锂离子电池故障检测系统的各个模块的划分方式并不唯一，在此也不作为具体限定。
应理解，上述实施例中各步骤的序号大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将上述系统的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
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实例的单元及算法步骤，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。这些功能究竟是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法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的系统/智能终端和方法，可以通过其它的方式实现。例如，以上所描述的系统/智能终端实施例仅仅是示意性的，例如，上述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以由另外的划分方式，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。
上述集成的模块/单元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存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，上述计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，上述计算机程序包括计算机程序代码，上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质可以包括：能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，上述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不是相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于多源感知的双向锂离子电池故障检测方法，其特征在于，所述方法包括：
获取待检测电池在目标时间段内的使用状态数据，其中，所述目标时间段的时间长度为预设时长，所述目标时间段的终点时刻是当前时刻，所述使用状态数据包括第一类型数据和第二类型数据，所述第一类型数据包括所述待检测电池的电池热分布数据、充放电电压数据和电池温度变化数据，所述第二类型数据包括所述待检测电池的电池型号数据、电池容量数据、电池使用时长数据、环境温度数据和环境湿度数据；
对所述第一类型数据进行主成分分析处理并获得目标特征数据，其中，所述目标特征数据是所述第一类型数据中的任意一种，或者所述目标特征数据是由所述第一类型数据中的多种数据组合成的综合特征数据；
对所述目标特征数据进行小波变换，获取目标时频数据；
将所述目标时频数据和所述第二类型数据输入预先训练好的故障检测模型，通过所述故障检测模型获取所述待检测电池在所述当前时刻对应的故障类别。
2.根据权利要求1所述的基于多源感知的双向锂离子电池故障检测方法，其特征在于，所述第一类型数据通过在所述目标时间段内对所述待检测电池进行多次数据采集获得，所述电池热分布数据包括所述待检测电池对应的多张热分布图。
3.根据权利要求1所述的基于多源感知的双向锂离子电池故障检测方法，其特征在于，所述目标时频数据包括目标时频图，所述目标时频图的横轴代表时域，纵轴代表频域。
4.根据权利要求1-3任意一项所述的基于多源感知的双向锂离子电池故障检测方法，其特征在于，所述故障检测模型根据如下步骤进行预先训练：
对多个训练电池进行多源信息采集，获取所述训练电池对应的多个真实样本数据，其中，各所述真实样本数据包括第一类型真实数据、第二类型真实数据和故障标签数据，所述第一类型真实数据包括所述训练电池在训练时间段内的电池热分布数据、充放电电压数据和电池温度变化数据，所述第二类型真实数据包括所述训练电池在所述训练时间段内的电池型号数据、电池容量数据、电池使用时长数据、环境温度数据和环境湿度数据；
根据各所述真实样本数据进行样本模拟扩充获得多个模拟样本数据，其中，一个所述模拟样本数据包括第一类型模拟数据、第二类型模拟数据和模拟标签数据，所述第二类型模拟数据与目标真实样本数据的第二类型真实数据相同，所述模拟标签数据与所述目标真实样本数据的故障标签数据相同，所述目标真实样本数据是与该模拟样本数据对应的真实样本数据；
根据所述真实样本数据和所述模拟样本数据对所述故障检测模型进行训练。
5.根据权利要求4所述的基于多源感知的双向锂离子电池故障检测方法，其特征在于，所述根据各所述真实样本数据进行样本模拟扩充获得多个模拟样本数据，包括：
对于任意一个真实样本数据，获取所述真实样本数据对应的每一种待处理数据，根据预设的数据模拟步骤以及所述待处理数据的统计特征对所述待处理数据进行数据模拟，获得各所述待处理数据对应的目标模拟数据，并将一个所述真实样本数据对应的所有目标模拟数据作为与该真实样本数据对应的模拟样本数据的第一类型模拟数据，其中，所述待处理数据包括所述真实样本数据中的电池热分布数据、充放电电压数据和电池温度变化数据。
6.根据权利要求5所述的基于多源感知的双向锂离子电池故障检测方法，其特征在于，所述预设的数据模拟步骤包括：
将所述待处理数据对应的时间长度进行分段，获得多个时间分段；
获取各所述时间分段对应的分段统计特征，其中，所述分段统计特征是所述待处理数据在各所述时间分段内的统计特征，所述统计特征包括平均值、最大值和最小值；
根据所述待处理数据在各所述时间分段内对应的数据值的个数和各所述时间分段对应的分段统计特征，在各所述时间分段内通过均匀分布生成一组模拟数据值，获得所述待处理数据对应的模拟处理数据；
根据预设的权重系数将所述模拟处理数据与所述待处理数据进行加权求和，获得所述待处理数据对应的目标模拟数据。
7.根据权利要求6所述的基于多源感知的双向锂离子电池故障检测方法，其特征在于，一个所述真实样本数据对应有多个模拟样本数据，所述根据各所述真实样本数据进行样本模拟扩充获得多个模拟样本数据，还包括：
根据预设的分段方式对一个所述真实样本数据对应的待处理数据进行时间长度分段并获得多种不同的分段结果，分别根据每一种分段结果获取该真实样本数据对应的一个模拟样本数据。
8.根据权利要求7所述的基于多源感知的双向锂离子电池故障检测方法，其特征在于，所述预设的分段方式包括随机分段、均匀分段和根据数据波动性分段。
9.根据权利要求4所述的基于多源感知的双向锂离子电池故障检测方法，其特征在于，所述根据所述真实样本数据和所述模拟样本数据对所述故障检测模型进行训练，包括：
将所述第一类型真实数据和所述第一类型模拟数据作为待降维数据，对各所述待降维数据进行主成分分析处理并获得待处理特征数据；
对各所述待处理特征数据进行小波变换获得待处理时频数据，将所述待处理时频数据划分为训练时频数据和测试时频数据；
根据所述训练时频数据和所述测试时频数据分别获取训练数据集和测试数据集；
根据所述训练数据集对所述故障检测模型进行训练，并根据所述测试数据集对所述故障检测模型进行测试，直到所述故障检测模型训练完成，其中，所述故障检测模型是卷积神级网络模型。
10.一种基于多源感知的双向锂离子电池故障检测系统，其特征在于，所述系统包括：
使用状态数据获取模块，用于获取待检测电池在目标时间段内的使用状态数据，其中，所述目标时间段的时间长度为预设时长，所述目标时间段的终点时刻是当前时刻，所述使用状态数据包括第一类型数据和第二类型数据，所述第一类型数据包括所述待检测电池的电池热分布数据、充放电电压数据和电池温度变化数据，所述第二类型数据包括所述待检测电池的电池型号数据、电池容量数据、电池使用时长数据、环境温度数据和环境湿度数据；
第一数据处理模块，用于对所述第一类型数据进行主成分分析处理并获得目标特征数据，其中，所述目标特征数据是所述第一类型数据中的任意一种，或者所述目标特征数据是由所述第一类型数据中的多种数据组合成的综合特征数据；
第二数据处理模块，用于对所述目标特征数据进行小波变换，获取目标时频数据；
故障检测模块，用于将所述目标时频数据和所述第二类型数据输入预先训练好的故障检测模型，通过所述故障检测模型获取所述待检测电池在所述当前时刻对应的故障类别。
CN202210586138.9A 2022-05-27 2022-05-27 基于多源感知的双向锂离子电池故障检测方法及系统 Active CN114818831B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210586138.9A CN114818831B (zh) 2022-05-27 2022-05-27 基于多源感知的双向锂离子电池故障检测方法及系统
PCT/CN2022/136948 WO2023226355A1 (zh) 2022-05-27 2022-12-06 基于多源感知的双向锂离子电池故障检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210586138.9A CN114818831B (zh) 2022-05-27 2022-05-27 基于多源感知的双向锂离子电池故障检测方法及系统

Publications (2)

Publication Number Publication Date
CN114818831A true CN114818831A (zh) 2022-07-29
CN114818831B CN114818831B (zh) 2023-04-07

Family

ID=82520089

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210586138.9A Active CN114818831B (zh) 2022-05-27 2022-05-27 基于多源感知的双向锂离子电池故障检测方法及系统

Country Status (2)

Country Link
CN (1) CN114818831B (zh)
WO (1) WO2023226355A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116520270A (zh) * 2023-07-04 2023-08-01 四川天中星航空科技有限公司 一种基于评估模型的雷达电子战测试方法
CN117110896A (zh) * 2023-10-24 2023-11-24 湖北工业大学 一种基于知识图谱的锂离子电池故障检测方法及系统
WO2023226355A1 (zh) * 2022-05-27 2023-11-30 深圳先进技术研究院 基于多源感知的双向锂离子电池故障检测方法及系统

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118070023B (zh) * 2024-04-24 2024-09-03 宁德时代新能源科技股份有限公司 电池故障预测方法、训练方法、装置、设备、介质及产品
CN118656758B (zh) * 2024-08-16 2024-10-25 浙江大学 基于孪生数据多域挖掘的装备部件状态可信感知方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102014222694A1 (de) * 2014-11-06 2016-05-12 Robert Bosch Gmbh Vorrichtung und Verfahren zur Erkennung eines Kontaktfehlers bei einer Batteriezelle sowie Batteriemodul, Batterie, Batteriesystem, Fahrzeug, Computerprogramm und Computerprogrammprodukt
CN108387850A (zh) * 2018-05-04 2018-08-10 金卡智能集团股份有限公司 一种基于物联网的电池监测统计系统及其方法
CN111562503A (zh) * 2020-04-07 2020-08-21 天津力神电池股份有限公司 一种锂离子电池充放电设备未做故障的分析处理方法
CN112881915A (zh) * 2021-01-18 2021-06-01 恒大新能源汽车投资控股集团有限公司 锂电池的故障识别方法、识别装置及计算机可读存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2770336A2 (en) * 2013-02-21 2014-08-27 Samsung SDI Co., Ltd. Apparatus for detecting faults in battery system
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
CN113670610B (zh) * 2021-06-09 2022-10-04 广州大学 基于小波变换与神经网络的故障检测方法、系统及介质
CN113311348A (zh) * 2021-06-09 2021-08-27 湖北工业大学 一种基于小波分解和包络谱分析的电池故障识别方法
CN113821976A (zh) * 2021-09-26 2021-12-21 中国华能集团清洁能源技术研究院有限公司 一种基于集成算法的锂电池故障诊断建模方法
CN114386537B (zh) * 2022-03-23 2023-02-07 中国华能集团清洁能源技术研究院有限公司 基于CatBoost的锂电池故障诊断方法、装置及电子设备
CN114818831B (zh) * 2022-05-27 2023-04-07 深圳先进技术研究院 基于多源感知的双向锂离子电池故障检测方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102014222694A1 (de) * 2014-11-06 2016-05-12 Robert Bosch Gmbh Vorrichtung und Verfahren zur Erkennung eines Kontaktfehlers bei einer Batteriezelle sowie Batteriemodul, Batterie, Batteriesystem, Fahrzeug, Computerprogramm und Computerprogrammprodukt
CN108387850A (zh) * 2018-05-04 2018-08-10 金卡智能集团股份有限公司 一种基于物联网的电池监测统计系统及其方法
CN111562503A (zh) * 2020-04-07 2020-08-21 天津力神电池股份有限公司 一种锂离子电池充放电设备未做故障的分析处理方法
CN112881915A (zh) * 2021-01-18 2021-06-01 恒大新能源汽车投资控股集团有限公司 锂电池的故障识别方法、识别装置及计算机可读存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023226355A1 (zh) * 2022-05-27 2023-11-30 深圳先进技术研究院 基于多源感知的双向锂离子电池故障检测方法及系统
CN116520270A (zh) * 2023-07-04 2023-08-01 四川天中星航空科技有限公司 一种基于评估模型的雷达电子战测试方法
CN116520270B (zh) * 2023-07-04 2023-09-05 四川天中星航空科技有限公司 一种基于评估模型的雷达电子战测试方法
CN117110896A (zh) * 2023-10-24 2023-11-24 湖北工业大学 一种基于知识图谱的锂离子电池故障检测方法及系统
CN117110896B (zh) * 2023-10-24 2024-01-05 湖北工业大学 一种基于知识图谱的锂离子电池故障检测方法及系统

Also Published As

Publication number Publication date
WO2023226355A1 (zh) 2023-11-30
CN114818831B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN114818831B (zh) 基于多源感知的双向锂离子电池故障检测方法及系统
CN111707951B (zh) 一种电池组一致性评估方法及系统
CN112092675B (zh) 一种电池热失控预警方法、系统及服务器
CN111157897B (zh) 评估动力电池的方法、装置、存储介质及处理器
CN110146822B (zh) 一种基于恒流充电过程的车用动力电池容量在线估计方法
CN113158947B (zh) 一种动力电池健康评分方法、系统及存储介质
CN109100655B (zh) 一种动力电池的数据处理方法和装置
CN114280479B (zh) 一种基于电化学阻抗谱的退役电池快速分选方法
CN111191824B (zh) 一种动力电池容量衰减预测方法及系统
Khaleghi et al. Towards machine-learning driven prognostics and health management of Li-ion batteries. A comprehensive review
CN113554200B (zh) 动力电池电压不一致性预测方法、系统及设备
Chen et al. A novel battery health indicator and PSO-LSSVR for LiFePO4 battery SOH estimation during constant current charging
CN112345956A (zh) 一种电池组荷电状态检测方法和装置
CN116953547A (zh) 一种储能电池健康度评估方法、系统、设备及存储介质
CN112686380A (zh) 基于神经网络的梯次动力电芯一致性评估方法和系统
CN112287980B (zh) 基于典型特征向量的动力电池筛选方法
Yao et al. Fault identification of lithium-ion battery pack for electric vehicle based on ga optimized ELM neural network
CN115600728A (zh) 一种动力电池的年度碳排放量估算方法及装置
CN114355218A (zh) 一种基于多特征量筛选的锂离子电池荷电状态预测方法
Ouyang et al. Combined Meta-Learning with CNN-LSTM Algorithms for State-of-Health Estimation of Lithium-ion Battery
CN117330987B (zh) 基于时间的电池健康状态评估的方法、系统、介质和设备
CN109738807B (zh) 基于蚁群算法优化后的bp神经网络来估算soc的方法
CN116774053A (zh) 一种电池剩余使用寿命的预测方法、系统及存储介质
CN116008815A (zh) 一种电芯内短路检测方法、装置、设备、存储介质及车辆
CN112485694B (zh) 电池组的检测方法及装置

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