CN115312891A - 一种基于云端机械损伤预测模型的电池保护方法及系统 - Google Patents
一种基于云端机械损伤预测模型的电池保护方法及系统 Download PDFInfo
- Publication number
- CN115312891A CN115312891A CN202211127389.7A CN202211127389A CN115312891A CN 115312891 A CN115312891 A CN 115312891A CN 202211127389 A CN202211127389 A CN 202211127389A CN 115312891 A CN115312891 A CN 115312891A
- Authority
- CN
- China
- Prior art keywords
- battery
- short circuit
- vehicle end
- battery module
- receiving
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000006378 damage Effects 0.000 title claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 35
- 238000011156 evaluation Methods 0.000 claims abstract description 15
- 230000005540 biological transmission Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000000265 homogenisation Methods 0.000 claims description 3
- 239000004065 semiconductor Substances 0.000 claims description 3
- 239000000178 monomer Substances 0.000 claims description 2
- 239000010409 thin film Substances 0.000 claims 1
- 230000007246 mechanism Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 10
- 238000012502 risk assessment Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000001681 protective effect Effects 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
- H01M2010/4271—Battery management systems including electronic circuits, e.g. control of current or voltage to keep battery in healthy state, cell balancing
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
- H01M2010/4278—Systems for data transfer from batteries, e.g. transfer of battery parameters to a controller, data transferred between battery controller and main controller
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M2220/00—Batteries for particular applications
- H01M2220/20—Batteries in motive systems, e.g. vehicle, ship, plane
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Secondary Cells (AREA)
Abstract
本发明适用于电池保护领域，提供了一种基于云端机械损伤预测模型的电池保护方法及系统，方法包括以下步骤：接收实时采集到的电池模组表面所受应力分布数据，接收车辆端电池模组SOC估计值以及接收车辆端传统内短路在线检测结果；将应力分布数据和电池模组SOC估计值发送给经过训练后的支持向量回归模型，支持向量回归模型根据传入的数据实时评估电池内短路风险等级；对车辆端传统内短路在线检测结果和支持向量回归模型评估的电池内短路风险等级进行加权处理后，根据评估结果按照相应的保护策略将控制指令发送给相应的车辆端控制器。本发明可从机理层面对机械损伤导致的电池内短路进行实时在线预测，并根据风险评估结果对动力电池组进行实时保护。
Description
技术领域
本发明属于电池保护领域，尤其涉及一种基于云端机械损伤预测模型的电池保护方法及系统。
背景技术
车辆/汽车在行驶的过程中，因其自身动力电池的结构特性，车辆即使受到轻微的碰撞也可能会诱发动力电池单体内短路。大多数锂离子电池内短路从产生到引起热失控是一个长期的过程，因此及时、准确的内短路检测对确保电池安全起着至关重要的作用。
一方面，目前绝大多数动力电池管理系统采用两种传统车辆端方法进行在线检测：
1)基于电池异常行为的内短路检测方法。电池内部状态会因为发生内短路而变化，并相应地改变热电特性；因此可通过监测相关的参数来判断电池内短路的产生。
2)基于模型的内短路检测方法。将内短路检测问题转化为模型参数和状态估计，通过将可测量的参数或状态与模型生成的参数或状态进行比较可以判断内短路的程度。
上述最常用的两种内短路在线检测方法仍存在不足：对于基于电池异常行为的内短路检测方法来说，直接利用电池参数的响应不能直接判断内短路，也不能准确判断内短路的严重程度；对于基于模型的内短路检测方法来说，检测中使用的模型参数是由等效电路模型估计的，其准确性取决于模型和算法，由于电芯是一个非线性时变系统，外部因素也有影响，等效电路模型必然会产生相应的误差。因此，内短路的定量判断是粗略的。
另一方面，学术界通常使用有限元建模的方法，通过模拟各种机械滥用工况下电池的力、电化学以及热响应，以研究机械滥用下电池内短路的产生机理。
上述有限元建模方法，虽然可以有效预测机械滥用下动力电池机械损伤风险，然而所建立的有限元模型通常规模较大，需要很大的计算量(通常需要数小时来进行求解)，无法及时预测内短路的发生，再加上目前车辆上搭载的芯片算力远远不足以支撑如此大规模的计算，因此有限元建模方法仍局限于实验室的学术研究，在实车运行中难以应用。
因此，针对以上现状，本发明提出一种将有限元模型与车辆行驶过程中内短路在线检测相结合的方法，可以从机理层面对机械损伤导致的电池内短路进行实时在线预测，并根据风险评估结果对动力电池组进行实时保护。
发明内容
本发明实施例的目的在于提供一种基于云端机械损伤预测模型的电池保护方法，旨在解决背景技术中确定的现有技术存在的技术问题。
本发明实施例是这样实现的，一种基于云端机械损伤预测模型的电池保护方法，包括以下步骤：
接收实时采集到的电池模组表面所受应力分布数据，接收车辆端电池模组SOC估计值以及接收车辆端传统内短路在线检测结果；
将应力分布数据以及电池模组SOC估计值发送给经过训练后的支持向量回归模型，支持向量回归模型根据传入的数据实时评估电池内短路风险等级；
对车辆端传统内短路在线检测结果和支持向量回归模型评估的电池内短路风险等级进行加权处理后，根据评估结果按照相应的保护策略将控制指令发送给相应的车辆端控制器，从而实现保护功能。
进一步的技术方案，所述接收实时采集到的电池模组表面所受应力分布数据的步骤，具体包括：
在车辆端的电池模组表面布置应力传感器；
接收所述应力传感器实时采集到的电池模组表面所受应力分布数据。
进一步的技术方案，所述应力传感器布置在电池包底部和侧面对应的电池模组外壳表面以及各电池模组缝隙的其中一侧，应力传感器采用三维多点应力传感器，用于测量电池模组危险表面三个方向的应力。
进一步的技术方案，所述应力传感器具体为半导体材料薄膜压力传感器。
进一步的技术方案，所述接收车辆端传统内短路在线检测结果的步骤，具体包括：
与车辆端之间通过T-BOX进行数据传输。
进一步的技术方案，所述T-BOX与应力传感器和车辆端控制器之间均通过CAN总线进行数据采集和发送。
进一步的技术方案，所述将应力分布数据发送给经过训练后的支持向量回归模型的步骤，具体包括：
建立考虑SOC影响的电池模组层级力学模型，该模型中各电池单体采用均质化模型；
对该模型施加各种不同机械滥用工况对应的负载和边界条件进行数值模拟；
使用电池模组表面应力分布状态及SOC值表征内短路安全风险，将相关数据经过处理后作为支持向量回归模型的数据集进行训练，训练完成后的支持向量回归模型即可用于实车在线运行。
本发明的另一目的在于，一种基于云端机械损伤预测模型的电池保护系统，包括：
接收模块，用于接收实时采集到的电池模组表面所受应力分布数据，接收车辆端电池模组SOC估计值以及接收车辆端传统内短路在线检测结果；
风险等级评估模块，用于将所述应力分布数据以及电池模组SOC估计值发送给经过训练后的支持向量回归模型，支持向量回归模型根据传入的数据实时评估电池内短路风险等级；
处理模块，用于对车辆端传统内短路在线检测结果和支持向量回归模型评估的电池内短路风险等级进行加权处理后，根据评估结果按照相应的保护策略将控制指令发送给相应的车辆端控制器，从而实现保护功能。
进一步的技术方案，所述接收模块还包括应力传感器，所述应力传感器布置在车辆端的电池模组表面，所述应力传感器用于实时采集电池模组表面所受的应力分布数据。
进一步的技术方案，所述接收模块还包括T-BOX，所述接收模块与车辆端之间通过T-BOX进行数据传输；所述T-BOX与应力传感器和车辆端控制器之间均通过CAN总线进行数据采集和发送。
本发明实施例的有益效果是：
1)可实现车辆行驶过程中遭受外部冲击(如车辆碰撞、托底等)时，电池内部短路的及时风险评估及保护，避免发生更大的危害；
2)通过云端收集电池危险应力分布历史数据，可了解电池的机械损伤健康状态，有利于电池的梯次利用；
3)相比于车辆端传统内短路在线检测，本发明所设计的内短路风险评估系统结果更可靠，可以在电池未发生内短路时进行内短路的风险预测，并且更能反映电池内部的机械损伤程度。
附图说明
图1为本发明实施例提供的基于云端机械损伤预测模型的电池保护方法的工作流程图；
图2为本发明实施例提供的电池模组应力传感器布置方案结构示意图；
图3为本发明实施例提供的各个电池模组应力传感器位置分布结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，在一个实施例中，提出了一种基于云端机械损伤预测模型的电池保护方法，应用于云端，包括以下步骤：
接收实时采集到的电池模组表面所受应力分布数据，接收车辆端电池模组SOC估计值以及接收车辆端传统内短路在线检测结果；
将所述应力分布数据以及电池模组SOC估计值发送给经过训练后的支持向量回归模型(SVR)，支持向量回归模型根据传入的数据实时评估电池内短路风险等级；
对车辆端传统内短路在线检测结果和支持向量回归模型评估的电池内短路风险等级进行加权处理后，根据评估结果按照相应的保护策略将控制指令发送给相应的车辆端控制器，从而实现保护功能。
上述方法主要采用应力分布数据的采集方案，云端机械损伤预测模型评估结果与车端传统内短路在线检测结果相结合的保护策略，以及云端机械损伤预测模型与实车在线检测相结合的系统方案，可以从机理层面对机械损伤导致的电池内短路进行实时在线预测，并根据风险评估结果对动力电池组进行实时保护。
在该实施例中，所述接收实时采集到的电池模组表面所受应力分布数据的步骤，具体包括：
在车辆端的电池模组表面布置应力传感器；
接收所述应力传感器实时采集到的电池模组表面所受应力分布数据。
具体的，如图2和3所示，可在不改变电池包基本结构的条件下，通过在电池包中电池模组相应位置布置应力传感器即可实现本发明，一般分别在电池包底部和侧面对应的电池模组外壳表面以及各电池模组缝隙的其中一侧布置三维多点应力传感器，该应力传感器采用半导体材料薄膜压力传感器，可测量电池模组危险表面三个方向的应力(σx，σy，σz)，并将其数据通过CAN总线发送到T-BOX，最后上传到云端平台。通过在图3所示编号1-20位置的平面区域布置三维多点应力传感器，可将电池模组表面应力分布数据通过T-BOX上传到云端，云端机械损伤预测模型可根据传入的应力分布数据以及电池模组SOC估计值进行内短路风险评估，其结果与车辆端原有的传统内短路检测结果经过加权处理后可判断电池模组所处的内短路风险等级，进而采取相应的保护措施。
相比于车辆端传统内短路在线检测，本发明可以更有效反映电池内部机械损伤情况，并且可以在电池未发生内短路时进行内短路的风险预测。
应用场景主要为：
1)当车辆发生轻微碰撞或托底时，可根据本发明中的电池保护系统决定车辆是否可以继续行驶或者必须立即远离车辆等待救援；
2)当电池包进行回收处理时，可根据应力分布历史数据判断电池的机械损伤程度，对电池的健康状态有更好的掌握。
在该实施例中，所述接收车辆端传统内短路在线检测结果的步骤，具体包括：
与车辆端之间通过T-BOX(Telematics BOX，简称车载T-BOX)进行数据传输。
另外，所述T-BOX与应力传感器和车辆端控制器之间均通过CAN(控制器局域网络，Controller Area Network，简称CAN)总线进行数据采集和发送。
在该实施例中，支持向量回归模型(SVR)的训练过程如下：
首先需要建立考虑SOC(电池荷电状态，State of Charge，也有称为：剩余电量)的电池模组层级力学模型，该模型中各电池单体采用均质化模型，其材料具有各向异性。对该模型施加各种不同机械滥用工况(包括不同SOC)对应的负载和边界条件进行数值模拟。使用电池模组表面应力分布状态及SOC值表征内短路安全风险，将相关数据经过处理后作为支持向量回归模型(SVR)的数据集进行训练，训练完成后的支持向量回归模型即可用于实车在线运行。其中：
1)内短路安全风险的表征方法：
在数值模拟的过程中，以发生内短路时的负载力F作为判断值。对于同一种机械滥用工况进行多次重复模拟，记录每一次发生内短路时的负载力Fi并假设其为正态分布，求其平均值μ以及标准差σ。在单次模拟过程中，以最大位移的1/10为步长，存储每一节点的表面应力分布数据(σx，σy，σz)、电池模组SOC值以及负载力Fi。假设触发内短路的负载力为FISC，则每一步长节点发生内短路的概率可由如下公式得到：
当概率P≤60％时，定义风险等级为0；当概率60％＜P≤80％时，定义风险等级为1；当概率P＞80％时，定义风险等级为2。
经过上述处理后，即可得到每一步长节点对应的应力分布数据(σx，σy，σz)、电池模组SOC值以及风险等级。
2)力学模型数值模拟数据处理方法：
将上述过程中得到的每一步长节点的应力分布数据(σx，σy，σz)以及电池模组SOC值作为支持向量回归模型(SVR)数据集的vector X，将对应的风险等级作为vector Y，对SVR进行训练。
在该实施例中，保护策略如下：
对车辆端传统内短路在线检测结果与SVR评估结果进行加权处理，其加权方法分别如下表1和2所示：
| 在线检测结果 | 加权值 |
| 未发生内短路 | 0 |
| 发生内短路 | 2 |
表1车辆端传统内短路在线检测结果加权
| 风险评估结果 | 加权值 |
| 0 | 0 |
| 1 | 1 |
| 2 | 2 |
表2 SVR评估结果加权
将两项加权值相加，根据下表3可得最终风险等级判断结果并进行相应保护措施。
表3最终风险等级判断结果以及相应保护措施
如图1所示，在另一个实施例中，提出了一种基于云端机械损伤预测模型的电池保护系统，包括：
接收模块，用于接收实时采集到的电池模组表面所受应力分布数据，接收车辆端电池模组SOC估计值以及接收车辆端传统内短路在线检测结果；
风险等级评估模块，用于将所述应力分布数据以及电池模组SOC估计值发送给经过训练后的支持向量回归模型，支持向量回归模型根据传入的数据实时评估电池内短路风险等级；
处理模块，用于对车辆端传统内短路在线检测结果和支持向量回归模型评估的电池内短路风险等级进行加权处理后，根据评估结果按照相应的保护策略将控制指令发送给相应的车辆端控制器，从而实现保护功能。
在该实施例中，所述接收模块还包括应力传感器，所述应力传感器布置在车辆端的电池模组表面，所述应力传感器用于实时采集电池模组表面所受的应力分布数据。
在该实施例中，所述接收模块还包括T-BOX，所述接收模块与车辆端之间通过T-BOX进行数据传输；所述T-BOX与应力传感器和车辆端控制器之间均通过CAN总线进行数据采集和发送。
本发明的优点如下：
1)可实现车辆行驶过程中遭受外部冲击(如车辆碰撞、托底等)时，电池内部短路的及时风险评估及保护，避免发生更大的危害；
2)通过云端收集电池危险应力分布历史数据，可了解电池的机械损伤健康状态，有利于电池的梯次利用；
3)相比于车辆端传统内短路在线检测，本发明所设计的内短路风险评估系统结果更可靠，可以在电池未发生内短路时进行内短路的风险预测，并且更能反映电池内部的机械损伤程度。
应该理解的是，虽然本发明实施例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，这些步骤可以以其它的顺序执行。而且，各实施例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，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它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。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于云端机械损伤预测模型的电池保护方法，其特征在于，包括以下步骤：
接收实时采集到的电池模组表面所受应力分布数据，接收车辆端电池模组SOC估计值以及接收车辆端传统内短路在线检测结果；
将应力分布数据以及电池模组SOC估计值发送给经过训练后的支持向量回归模型，支持向量回归模型根据传入的数据实时评估电池内短路风险等级；
对车辆端传统内短路在线检测结果和支持向量回归模型评估的电池内短路风险等级进行加权处理后，根据评估结果按照相应的保护策略将控制指令发送给相应的车辆端控制器，从而实现保护功能。
2.根据权利要求1所述的方法，其特征在于，所述接收实时采集到的电池模组表面所受应力分布数据的步骤，具体包括：
在车辆端的电池模组表面布置应力传感器；
接收所述应力传感器实时采集到的电池模组表面所受应力分布数据。
3.根据权利要求2所述的方法，其特征在于，所述应力传感器布置在电池包底部和侧面对应的电池模组外壳表面以及各电池模组缝隙的其中一侧；
所述应力传感器采用三维多点应力传感器，用于测量电池模组危险表面三个方向的应力。
4.根据权利要求3所述的方法，其特征在于，所述应力传感器具体为半导体材料薄膜压力传感器。
5.根据权利要求1所述的方法，其特征在于，所述接收车辆端传统内短路在线检测结果的步骤，具体包括：
与车辆端之间通过T-BOX进行数据传输。
6.根据权利要求5所述的方法，其特征在于，所述T-BOX与应力传感器和车辆端控制器之间均通过CAN总线进行数据采集和发送。
7.根据权利要求1所述的方法，其特征在于，所述将应力分布数据发送给经过训练后的支持向量回归模型的步骤，具体包括：
建立考虑SOC影响的电池模组层级力学模型，该模型中各电池单体采用均质化模型；
对该模型施加各种不同机械滥用工况对应的负载和边界条件进行数值模拟；
使用电池模组表面应力分布状态及SOC值表征内短路安全风险，将相关数据经过处理后作为支持向量回归模型的数据集进行训练，训练完成后的支持向量回归模型即可用于实车在线运行。
8.一种基于云端机械损伤预测模型的电池保护系统，其特征在于，包括：
接收模块，用于接收实时采集到的电池模组表面所受应力分布数据，接收车辆端电池模组SOC估计值以及接收车辆端传统内短路在线检测结果；
风险等级评估模块，用于将所述应力分布数据以及电池模组SOC估计值发送给经过训练后的支持向量回归模型，支持向量回归模型根据传入的数据实时评估电池内短路风险等级；
处理模块，用于对车辆端传统内短路在线检测结果和支持向量回归模型评估的电池内短路风险等级进行加权处理后，根据评估结果按照相应的保护策略将控制指令发送给相应的车辆端控制器，从而实现保护功能。
9.根据权利要求8所述的系统，其特征在于，所述接收模块还包括应力传感器；
所述应力传感器布置在车辆端的电池模组表面；
所述应力传感器用于实时采集电池模组表面所受的应力分布数据。
10.根据权利要求8所述的系统，其特征在于，所述接收模块还包括T-BOX；
所述接收模块与车辆端之间通过T-BOX进行数据传输；
所述T-BOX与应力传感器和车辆端控制器之间均通过CAN总线进行数据采集和发送。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211127389.7A CN115312891B (zh) | 2022-09-16 | 2022-09-16 | 一种基于云端机械损伤预测模型的电池保护方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211127389.7A CN115312891B (zh) | 2022-09-16 | 2022-09-16 | 一种基于云端机械损伤预测模型的电池保护方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115312891A true CN115312891A (zh) | 2022-11-08 |
| CN115312891B CN115312891B (zh) | 2024-04-19 |
Family
ID=83867019
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211127389.7A Active CN115312891B (zh) | 2022-09-16 | 2022-09-16 | 一种基于云端机械损伤预测模型的电池保护方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115312891B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170082693A1 (en) * | 2014-03-18 | 2017-03-23 | Robert Bosch Gmbh | Method for detecting anomalies in a battery cell, and short-circuit sensor system |
| US20200164763A1 (en) * | 2017-07-21 | 2020-05-28 | Quantumscape Corporation | Predictive model for estimating battery states |
| US20200313152A1 (en) * | 2018-05-11 | 2020-10-01 | The Regents Of The University Of Michigan | Detection of an Internal Short Circuit in a Battery |
| JP2020184516A (ja) * | 2019-04-26 | 2020-11-12 | パナソニックＩｐマネジメント株式会社 | 電池の安全性推定装置および電池の安全性推定方法 |
| WO2021185308A1 (zh) * | 2020-03-18 | 2021-09-23 | 北京理工大学 | 一种电动汽车动力电池组健康状态在线确定方法和系统 |
| CN114148173A (zh) * | 2021-12-29 | 2022-03-08 | 湖南省怀化工业中等专业学校(湖南省怀化工业高级技工学校) | 一种电动汽车动力电池包碰撞预警与安全保护系统及方法 |
| JP2022061709A (ja) * | 2020-10-07 | 2022-04-19 | 株式会社Ｇｓユアサ | 検出装置、蓄電装置、移動体、内部短絡の検出方法 |
| US20220123559A1 (en) * | 2020-10-16 | 2022-04-21 | The Regents Of The University Of Michigan | System For Detecting, Assessing, and Displaying Battery Faults |
-
2022
- 2022-09-16 CN CN202211127389.7A patent/CN115312891B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170082693A1 (en) * | 2014-03-18 | 2017-03-23 | Robert Bosch Gmbh | Method for detecting anomalies in a battery cell, and short-circuit sensor system |
| US20200164763A1 (en) * | 2017-07-21 | 2020-05-28 | Quantumscape Corporation | Predictive model for estimating battery states |
| US20200313152A1 (en) * | 2018-05-11 | 2020-10-01 | The Regents Of The University Of Michigan | Detection of an Internal Short Circuit in a Battery |
| JP2020184516A (ja) * | 2019-04-26 | 2020-11-12 | パナソニックＩｐマネジメント株式会社 | 電池の安全性推定装置および電池の安全性推定方法 |
| WO2021185308A1 (zh) * | 2020-03-18 | 2021-09-23 | 北京理工大学 | 一种电动汽车动力电池组健康状态在线确定方法和系统 |
| JP2022061709A (ja) * | 2020-10-07 | 2022-04-19 | 株式会社Ｇｓユアサ | 検出装置、蓄電装置、移動体、内部短絡の検出方法 |
| US20220123559A1 (en) * | 2020-10-16 | 2022-04-21 | The Regents Of The University Of Michigan | System For Detecting, Assessing, and Displaying Battery Faults |
| CN114148173A (zh) * | 2021-12-29 | 2022-03-08 | 湖南省怀化工业中等专业学校(湖南省怀化工业高级技工学校) | 一种电动汽车动力电池包碰撞预警与安全保护系统及方法 |
Non-Patent Citations (3)
| Title |
|---|
| 张宇;周玉凤;陈晓平;: "方形锂电池碰撞测试及分析", 智能计算机与应用, no. 04, 1 April 2020 (2020-04-01) * |
| 郑文杰: "《车用动力电池的挤压力学响应特性研究及碰撞安全性分析》", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, 31 December 2018 (2018-12-31) * |
| 高菲;肖阳;张文华;祁锦轩;李子樵;马骁远;: "高温和荷电状态对锂离子电池单体力学响应的耦合影响", 吉林大学学报(工学版), no. 05, 15 September 2020 (2020-09-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115312891B (zh) | 2024-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jiang et al. | Data-driven fault diagnosis and thermal runaway warning for battery packs using real-world vehicle data | |
| WO2021169486A1 (zh) | 基于充电过程监控电池阻抗异常的方法、系统以及装置 | |
| Caliwag et al. | Hybrid VARMA and LSTM method for lithium-ion battery state-of-charge and output voltage forecasting in electric motorcycle applications | |
| CN112331941A (zh) | 云端辅助电池管理系统及方法 | |
| Zhang et al. | An early soft internal short-circuit fault diagnosis method for lithium-ion battery packs in electric vehicles | |
| Mishra et al. | A Review on Battery Management system and its Application in Electric vehicle | |
| CN113777515A (zh) | 一种电动汽车充电安全预警方法 | |
| Qiu et al. | Fault diagnosis for lithium-ion battery energy storage systems based on local outlier factor | |
| CN112186275A (zh) | 一种基于云端的bms体系 | |
| WO2021052540A1 (de) | Zustandswert für wiederaufladbare batterien | |
| CN117719345B (zh) | 一种基于ic曲线考虑老化的电池微短路量化方法 | |
| CN113459894A (zh) | 一种电动汽车电池安全预警方法及系统 | |
| CN115214424A (zh) | 电池热管理系统的温度确定方法、装置及电子设备 | |
| CN114523878B (zh) | 一种锂离子电池析锂安全预警方法及装置 | |
| CN205621815U (zh) | 一种基于plc的铅酸动力电池管理系统 | |
| CN113406524A (zh) | 一种动力电池系统的不一致性故障诊断方法及系统 | |
| CN114734873B (zh) | 一种基于云端在线数据的动力电池单体热失控预警方法 | |
| CN114578251A (zh) | 基于卷积神经网络的电池模组安全状态评估方法及装置 | |
| CN115542176A (zh) | 电池模组中电压一致性监测方法、系统、存储介质及终端 | |
| Jain et al. | Novel method to estimate SoH of lithium-ion batteries | |
| CN113935423A (zh) | 耦合模糊控制规则与Elman神经网络的动力电池故障预警方法与系统 | |
| CN115312891B (zh) | 一种基于云端机械损伤预测模型的电池保护方法及系统 | |
| CN107632267A (zh) | 一种电池异常单体定位方法及系统 | |
| CN115469226B (zh) | 一种基于运行大数据的电动汽车动力电池实时安全预警方法 | |
| CN116901707A (zh) | 一种动力电池组故障预警方法、系统及车辆 |
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 |