CN115018194A - 电动汽车故障等级预测的方法、系统、电子设备和存储介质 - Google Patents
电动汽车故障等级预测的方法、系统、电子设备和存储介质 Download PDFInfo
- Publication number
- CN115018194A CN115018194A CN202210767642.9A CN202210767642A CN115018194A CN 115018194 A CN115018194 A CN 115018194A CN 202210767642 A CN202210767642 A CN 202210767642A CN 115018194 A CN115018194 A CN 115018194A
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- vehicle operation
- operation data
- standardized
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本申请提供了电动汽车故障等级预测的方法、系统、电子设备和存储介质,包括:获取车辆运行数据和故障等级数据;对所述车辆运行数据和故障等级数据进行标准化处理,获取标准化车辆运行数据和标准化故障等级数据;通过预设的one‑hot编码对所述标准化故障等级数据进行分类;获取不同故障等级对应的所述标准化车辆运行数据,建立故障等级对应标准化车辆运行数据的特征向量;通过所述特征向量对预设的GRU模型进行训练,获取训练后的GRU模型;将待预测故障输入所述训练后GRU模型,获取所述待预测故障的故障等级。使得根据车载传感器上传的车辆状态数据即可预测电动汽车的故障等级,降低了故障发生的概率。
Description
技术领域
本申请属于故障预测领域,尤其涉及电动汽车故障等级预测的方法、系统、电子设备和存储介质。
背景技术
电动汽车故障预测是现有技术中经常用到的技术,其通过采集电动汽车在运行时产生的各项与运行相关的数据来判断预测电动汽车的状态,进而推测电动汽车发生故障的概率,以及概率的等级,并在概率较高时预先提醒用户,保证用户的人身安全。
现有技术在采集汽车数据时需要安装额外的专业传感器,这不仅增加用户的成本,而且额外的传感器需要对汽车进行额外的设计。
发明内容
本发明实施例的主要目的在于提供行电动汽车故障等级预测的方法、系统、电子设备和存储介质,使得根据车载传感器上传的车辆状态数据即可预测电动汽车的故障等级,降低了故障发生的概率。
第一方面,提供了电动汽车故障等级预测的方法,所述方法包括:
获取车辆运行数据和故障等级数据;
对所述车辆运行数据和故障等级数据进行标准化处理,获取标准化车辆运行数据和标准化故障等级数据;
通过预设的one-hot编码对所述标准化故障等级数据进行分类;
获取不同故障等级对应的所述标准化车辆运行数据,建立故障等级对应标准化车辆运行数据的特征向量;
通过所述特征向量对预设的GRU模型进行训练,获取训练后的GRU模型;
将待预测故障输入所述训练后GRU模型,获取所述待预测故障的故障等级。
在一个可能的实现方式中,所述车辆运行数据包括:速度、总里程、荷电SOC、总电压、总电流、最大电池电压、最小电池电流、最大电池温度、最小电池温度。
在另一个可能的实现方式中,所述对所述车辆运行数据和故障等级数据进行标准化处理,包括:通过Z-score标准化对所述车辆运行数据和故障等级数据进行标准化处理。
第二方面,提供了电动汽车故障等级预测的系统,所述系统包括:
数据获取模块,用于获取车辆运行数据和故障等级数据;
标准化处理模块,用于对所述车辆运行数据和故障等级数据进行标准化处理,获取标准化车辆运行数据和标准化故障等级数据;
分类模块,用于通过预设的one-hot编码对所述标准化故障等级数据进行分类;
特征向量获取模块,用于获取不同故障等级对应的所述标准化车辆运行数据,建立故障等级对应标准化车辆运行数据的特征向量;
训练模块,用于通过所述特征向量对预设的GRU模型进行训练,获取训练后的GRU模型;
预测模块,用于将待预测故障输入所述训练后GRU模型,获取所述待预测故障的故障等级。
在一个可能的实现方式中,所述车辆运行数据包括:速度、总里程、荷电SOC、总电压、总电流、最大电池电压、最小电池电流、最大电池温度、最小电池温度。
在另一个可能的实现方式中,所述对所述车辆运行数据和故障等级数据进行标准化处理,包括:通过Z-score标准化对所述车辆运行数据和故障等级数据进行标准化处理。
第三方面,提供了一种电子设备,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,处理器执行程序时实现如第一方面提供的电动汽车故障等级预测的方法。
第四方面,提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如第一方面提供的电动汽车故障等级预测的方法。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1为本发明一个实施例提供的电动汽车故障等级预测的方法的流程图;
图2为本发明一个实施例提供的电动汽车故障等级预测的系统的结构图;
图3为本发明一种电子设备的实体结构示意图。
具体实现方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的模块或具有相同或类似功能的模块。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、模块和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、模块、组件和/或它们的组。应该理解,当我们称模块被“连接”或“耦接”到另一模块时,它可以直接连接或耦接到其他模块,或者也可以存在中间模块。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一模块和全部组合。
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实现方式作进一步地详细描述。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如和解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
如图1所示为本发明一个实施例提供的电动汽车故障等级预测的方法的流程图,所述方法包括:
步骤101,获取车辆运行数据和故障等级数据;
步骤102,对所述车辆运行数据和故障等级数据进行标准化处理,获取标准化车辆运行数据和标准化故障等级数据;
步骤103,通过预设的one-hot编码对所述标准化故障等级数据进行分类;
步骤104,获取不同故障等级对应的所述标准化车辆运行数据,建立故障等级对应标准化车辆运行数据的特征向量;
步骤105,通过所述特征向量对预设的GRU模型进行训练,获取训练后的GRU模型;
步骤106,将待预测故障输入所述训练后GRU模型,获取所述待预测故障的故障等级。
在本发明实施例中,车辆运行数据和故障等级数据为GB32960标准协议中规定的传感器采集数据,根据预测的需要,选择了其中相关度最高的9类数据,包括但不限于:速度、总里程、荷电SOC、总电压、总电流、最大电池电压、最小电池电流、最大电池温度、最小电池温度。
对于标准化处理,通过Z-score标准化方法实现。Z-score标准化给予原始数据的均值(mean)和标准差(standard deviation)进行数据的标准化。经过处理的数据符合标准正态分布,即均值为0、标准差为1,转化函数为:其中,μ为所有样本的均值,σ为所有样本的标准差。标准化处理后的数据的范围都在0到1之间,对于标准化处理后的数据即可进行编码,得到标签列。
One-hot编码可以对标准化故障等级数据进行分类处理,类别数量可以根据实际使用的需要进行设置。本发明优选的类别数量为四种。
预测的标签是故障发生时的故障等级,一共四种标签为:一级、二级、三级、无,表示为y。
对每辆车根据故障等级信号进行切分,每个片段属于上述故障等级一级、二级、三级中的一种。
假设我们用故障发生前100个时刻(timestep=100)(此称为窗口大小s)的信号作为x,并获取每一个时间点的9个信号作为特征向量。那么针对某一个故障等级,x是一个二维向量,大小为100,9]。
对于故障标签为“无”的样本数据,其获取方式为:根据故障时刻t,设计窗口滑动步长k,需保证k<=s,则选取t+k时刻为无故障的样本。同理该无故障样本向前回溯s=100的时刻长度作为x,获取每一时刻对应的9个信号特征量数据,产生[100,9]维度的二维向量作为该样本x。
按照上述“滑动窗口”逻辑选取正样本(即无故障样本),如此实验总计11401条故障等级数据,所有故障标签及其对应的前100个时刻的信号就构成了特征集X。
对于预测使用的模型,使用GRU模型。GRU模型采用一个GRU层和一个全连接层。GRU层的激活函数为tanh,全连接层的激活函数为softmax。优化器使用Adam优化器。按照模型训练数据量大小,可计算得到该训练模型的数据维度.以此作为模型输入。softmax为归一化指数函数,将最终输出4个预测值之和等于1,具体地样本向量x属于第j个分类的概率为
通过(X,y)训练该GRU模型,训练损失选择交叉熵,衡量标准为准确率。迭代一定次数后得到最终模型。该GRU模型用于解决多分类问题,在模型代码实现中,将损失函数(交叉熵)做以下参数设定:
loss='categorical_crossentropy'
categorical_crossentropy损失函数的公式如下(通常搭配softmax激活函数使用):
Loss=-yi log fi(x)
其中,yi表示真实值,fi(x)表示预测值。
本发明实施例,获取车辆运行数据和故障等级数据;对所述车辆运行数据和故障等级数据进行标准化处理,获取标准化车辆运行数据和标准化故障等级数据;通过预设的one-hot编码对所述标准化故障等级数据进行分类;获取不同故障等级对应的所述标准化车辆运行数据,建立故障等级对应标准化车辆运行数据的特征向量;通过所述特征向量对预设的GRU模型进行训练,获取训练后的GRU模型;将待预测故障输入所述训练后GRU模型,获取所述待预测故障的故障等级。使得根据车载传感器上传的车辆状态数据即可预测电动汽车的故障等级,降低了故障发生的概率。
如图2所示为本发明一个实施例提供的电动汽车故障等级预测的系统的结构图,所述系统包括:
数据获取模块201,用于获取车辆运行数据和故障等级数据;
标准化处理模块202,用于对所述车辆运行数据和故障等级数据进行标准化处理,获取标准化车辆运行数据和标准化故障等级数据;
分类模块203,用于通过预设的one-hot编码对所述标准化故障等级数据进行分类;
特征向量获取模块204,用于获取不同故障等级对应的所述标准化车辆运行数据,建立故障等级对应标准化车辆运行数据的特征向量;
训练模块205,用于通过所述特征向量对预设的GRU模型进行训练,获取训练后的GRU模型;
预测模块206,用于将待预测故障输入所述训练后GRU模型,获取所述待预测故障的故障等级。
在本发明实施例中,车辆运行数据和故障等级数据为GB32960标准协议中规定的传感器采集数据,根据预测的需要,选择了其中相关度最高的9类数据,包括但不限于:速度、总里程、荷电SOC、总电压、总电流、最大电池电压、最小电池电流、最大电池温度、最小电池温度。
对于标准化处理,通过Z-score标准化方法实现。Z-score标准化给予原始数据的均值(mean)和标准差(standard deviation)进行数据的标准化。经过处理的数据符合标准正态分布,即均值为0、标准差为1,转化函数为:其中,μ为所有样本的均值,σ为所有样本的标准差。标准化处理后的数据的范围都在0到1之间,对于标准化处理后的数据即可进行编码,得到标签列。
One-hot编码可以对标准化故障等级数据进行分类处理,类别数量可以根据实际使用的需要进行设置。本发明优选的类别数量为四种。
预测的标签是故障发生时的故障等级,一共四种标签为:一级、二级、三级、无,表示为y。
对每辆车根据故障等级信号进行切分,每个片段属于上述故障等级一级、二级、三级中的一种。
假设我们用故障发生前100个时刻(timestep=100)(此称为窗口大小s)的信号作为x,并获取每一个时间点的9个信号作为特征向量。那么针对某一个故障等级,x是一个二维向量,大小为100,9]。
对于故障标签为“无”的样本数据,其获取方式为:根据故障时刻t,设计窗口滑动步长k,需保证k<=s,则选取t+k时刻为无故障的样本。同理该无故障样本向前回溯s=100的时刻长度作为x,获取每一时刻对应的9个信号特征量数据,产生[100,9]维度的二维向量作为该样本x。
按照上述“滑动窗口”逻辑选取正样本(即无故障样本),如此实验总计11401条故障等级数据,所有故障标签及其对应的前100个时刻的信号就构成了特征集X。
对于预测使用的模型,使用GRU模型。GRU模型采用一个GRU层和一个全连接层。GRU层的激活函数为tanh,全连接层的激活函数为softmax。优化器使用Adam优化器。按照模型训练数据量大小,可计算得到该训练模型的数据维度.以此作为模型输入。softmax为归一化指数函数,将最终输出4个预测值之和等于1,具体地样本向量x属于第j个分类的概率为
通过(X,y)训练该GRU模型,训练损失选择交叉熵,衡量标准为准确率。迭代一定次数后得到最终模型。该GRU模型用于解决多分类问题,在模型代码实现中,将损失函数(交叉熵)做以下参数设定:
loss='categorical_crossentropy'
categorical_crossentropy损失函数的公式如下(通常搭配softmax激活函数使用):
Loss=-yilogfi(x)
其中,yi表示真实值,fi(x)表示预测值。
本发明实施例,获取车辆运行数据和故障等级数据;对所述车辆运行数据和故障等级数据进行标准化处理,获取标准化车辆运行数据和标准化故障等级数据;通过预设的one-hot编码对所述标准化故障等级数据进行分类;获取不同故障等级对应的所述标准化车辆运行数据,建立故障等级对应标准化车辆运行数据的特征向量;通过所述特征向量对预设的GRU模型进行训练,获取训练后的GRU模型;将待预测故障输入所述训练后GRU模型,获取所述待预测故障的故障等级。使得根据车载传感器上传的车辆状态数据即可预测电动汽车的故障等级,降低了故障发生的概率。
图3示例了一种电子设备的实体结构示意图,如图3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,通信接口,存储器通过通信总线完成相互间的通信。处理器可以调用存储器中的逻辑指令,以执行电动汽车故障等级预测的方法,该方法包括:获取车辆运行数据和故障等级数据;对所述车辆运行数据和故障等级数据进行标准化处理,获取标准化车辆运行数据和标准化故障等级数据;通过预设的one-hot编码对所述标准化故障等级数据进行分类;获取不同故障等级对应的所述标准化车辆运行数据,建立故障等级对应标准化车辆运行数据的特征向量;通过所述特征向量对预设的GRU模型进行训练,获取训练后的GRU模型;将待预测故障输入所述训练后GRU模型,获取所述待预测故障的故障等级。
此外,上述的存储器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。
另一方面,本发明实施例还提供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电动汽车故障等级预测的方法,该方法包括:获取车辆运行数据和故障等级数据;对所述车辆运行数据和故障等级数据进行标准化处理,获取标准化车辆运行数据和标准化故障等级数据;通过预设的one-hot编码对所述标准化故障等级数据进行分类;获取不同故障等级对应的所述标准化车辆运行数据,建立故障等级对应标准化车辆运行数据的特征向量;通过所述特征向量对预设的GRU模型进行训练,获取训练后的GRU模型;将待预测故障输入所述训练后GRU模型,获取所述待预测故障的故障等级。
又一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的电动汽车故障等级预测的方法,该方法包括:获取车辆运行数据和故障等级数据;对所述车辆运行数据和故障等级数据进行标准化处理,获取标准化车辆运行数据和标准化故障等级数据;通过预设的one-hot编码对所述标准化故障等级数据进行分类;获取不同故障等级对应的所述标准化车辆运行数据,建立故障等级对应标准化车辆运行数据的特征向量;通过所述特征向量对预设的GRU模型进行训练,获取训练后的GRU模型;将待预测故障输入所述训练后GRU模型,获取所述待预测故障的故障等级。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本发明的部分实现方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种电动汽车故障等级预测的方法,其特征在于,所述方法包括:
获取车辆运行数据和故障等级数据;
对所述车辆运行数据和故障等级数据进行标准化处理,获取标准化车辆运行数据和标准化故障等级数据;
通过预设的one-hot编码对所述标准化故障等级数据进行分类;
获取不同故障等级对应的所述标准化车辆运行数据,建立故障等级对应标准化车辆运行数据的特征向量;
通过所述特征向量对预设的GRU模型进行训练,获取训练后的GRU模型;
将待预测故障输入所述训练后GRU模型,获取所述待预测故障的故障等级。
2.如权利要求1所述的方法,其特征在于,所述车辆运行数据包括:速度、总里程、荷电SOC、总电压、总电流、最大电池电压、最小电池电流、最大电池温度、最小电池温度。
3.如权利要求1所述的方法,其特征在于,所述对所述车辆运行数据和故障等级数据进行标准化处理,包括:通过Z-score标准化对所述车辆运行数据和故障等级数据进行标准化处理。
4.一种电动汽车故障等级预测的系统,其特征在于,所述系统包括:
数据获取模块,用于获取车辆运行数据和故障等级数据;
标准化处理模块,用于对所述车辆运行数据和故障等级数据进行标准化处理,获取标准化车辆运行数据和标准化故障等级数据;
分类模块,用于通过预设的one-hot编码对所述标准化故障等级数据进行分类;
特征向量获取模块,用于获取不同故障等级对应的所述标准化车辆运行数据,建立故障等级对应标准化车辆运行数据的特征向量;
训练模块,用于通过所述特征向量对预设的GRU模型进行训练,获取训练后的GRU模型;
预测模块,用于将待预测故障输入所述训练后GRU模型,获取所述待预测故障的故障等级。
5.如权利要求4所述的系统,其特征在于,所述车辆运行数据包括:速度、总里程、荷电SOC、总电压、总电流、最大电池电压、最小电池电流、最大电池温度、最小电池温度。
6.如权利要求4所述的系统,其特征在于,所述对所述车辆运行数据和故障等级数据进行标准化处理,包括:通过Z-score标准化对所述车辆运行数据和故障等级数据进行标准化处理。
7.一种电子设备,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程序时实现如权利要求1-3任一项所述的电动汽车故障等级预测的方法。
8.一种非暂态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如权利要求1-3任一项所述的电动汽车故障等级预测的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210767642.9A CN115018194A (zh) | 2022-06-30 | 2022-06-30 | 电动汽车故障等级预测的方法、系统、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210767642.9A CN115018194A (zh) | 2022-06-30 | 2022-06-30 | 电动汽车故障等级预测的方法、系统、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115018194A true CN115018194A (zh) | 2022-09-06 |
Family
ID=83078596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210767642.9A Pending CN115018194A (zh) | 2022-06-30 | 2022-06-30 | 电动汽车故障等级预测的方法、系统、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115018194A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117540199A (zh) * | 2024-01-05 | 2024-02-09 | 中国汽车技术研究中心有限公司 | 燃料电池汽车的故障预测方法、设备和存储介质 |
-
2022
- 2022-06-30 CN CN202210767642.9A patent/CN115018194A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117540199A (zh) * | 2024-01-05 | 2024-02-09 | 中国汽车技术研究中心有限公司 | 燃料电池汽车的故障预测方法、设备和存储介质 |
CN117540199B (zh) * | 2024-01-05 | 2024-05-07 | 中国汽车技术研究中心有限公司 | 燃料电池汽车的故障预测方法、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116639010A (zh) | 充电桩的智能控制系统及其方法 | |
CN109472209B (zh) | 一种图像识别方法、装置和存储介质 | |
CN113884961B (zh) | Soc校准方法、建模方法、建模装置、计算机设备及介质 | |
CN109446804B (zh) | 一种基于多尺度特征连接卷积神经网络的入侵检测方法 | |
CN113376526A (zh) | 汽车电池容量预测方法、寿命预测方法、装置及存储介质 | |
CN115018194A (zh) | 电动汽车故障等级预测的方法、系统、电子设备和存储介质 | |
CN112613617A (zh) | 基于回归模型的不确定性估计方法和装置 | |
CN115146676A (zh) | 电路故障检测方法及其系统 | |
CN115935276A (zh) | 环境水质监测系统及其监测方法 | |
CN117154263A (zh) | 锂电池梯次利用充放电系统及控制方法 | |
CN115374822A (zh) | 基于多级特征融合的故障诊断方法及其系统 | |
CN116523177A (zh) | 融合机理和深度学习模型的车辆能耗预测方法及装置 | |
CN115038091A (zh) | 一种北极海上无线通信频谱感知方法及系统 | |
CN112836967A (zh) | 新能源汽车电池安全风险评估系统 | |
CN110579708B (zh) | 电池容量识别方法、装置、计算设备及计算机存储介质 | |
CN116977834A (zh) | 一种开放条件下分布内外图像识别方法 | |
CN116338454A (zh) | 一种新能源汽车的电性能检测方法及装置 | |
CN116400244A (zh) | 储能电池的异常检测方法及装置 | |
CN116503354A (zh) | 基于多模态融合的光伏电池热斑检测及评估方法与装置 | |
CN115891741A (zh) | 一种适用于电动汽车充电过程的远程故障预警方法及装置 | |
CN113139520B (zh) | 用于工业互联网的设备膜片性能监测方法 | |
CN112862160B (zh) | 一种基于深度学习的电单车剩余里程估计方法及系统 | |
CN115788793A (zh) | 全局监控预警方法及其系统 | |
CN115130520A (zh) | 基于多线路关联的电路故障诊断方法及其系统 | |
CN114663959A (zh) | 报警管理系统及其工作方法 |
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 |