CN115542172A - 动力电池故障检测方法、系统、装置及存储介质 - Google Patents

动力电池故障检测方法、系统、装置及存储介质 Download PDF

Info

Publication number
CN115542172A
CN115542172A CN202211526661.9A CN202211526661A CN115542172A CN 115542172 A CN115542172 A CN 115542172A CN 202211526661 A CN202211526661 A CN 202211526661A CN 115542172 A CN115542172 A CN 115542172A
Authority
CN
China
Prior art keywords
matrix
network
convolution
data
time
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
Application number
CN202211526661.9A
Other languages
English (en)
Inventor
王娟
叶永钢
武明虎
张则涛
杜万银
陈明
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.)
Hubei University of Technology
Original Assignee
Hubei University of Technology
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 Hubei University of Technology filed Critical Hubei University of Technology
Priority to CN202211526661.9A priority Critical patent/CN115542172A/zh
Publication of CN115542172A publication Critical patent/CN115542172A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/18—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries of two or more battery modules
    • 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
    • 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
    • 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
    • H01M10/4285—Testing apparatus
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了一种动力电池故障检测方法、系统、装置及存储介质，包含对电池时序数据构建签名矩阵、基于卷积自编码器提取空间特征、基于卷积长短期记忆网络捕获数据时序特征、基于编码器提取的空间特征和卷积长短期记忆网络提取的时序特征利用解码器进行签名矩阵的重构、利用初始签名矩阵与重构矩阵之间残差对异常进行检测和诊断，在电动汽车监控平台对动力电池组进行监控与分析，有效助力电池系统的安全。

Description

动力电池故障检测方法、系统、装置及存储介质
技术领域
本发明属于电动车辆动力装置技术领域，具体涉及一种动力电池故障检测方法、系统、装置及存储介质。
背景技术
近年来，全世界面临的能源问题日渐突出，电动汽车在能源性价比以及清洁环保等方面，都逐渐展现了比传统燃油车更加明显的优势。动力电池的安全性对电动汽车的发展起着至关重要的作用，因此及时检测故障，并反馈给电池管理系统，以确保驾驶人员的安全，对电动汽车的发展起到很重要的作用。电动汽车的动力电池组由几百个电池串并联而成，这样复杂的连接方式常常会由于其中某一个电池出现故障，最后影响整个动力电池系统。
目前动力电池的故障检测基于深度学习的算法大多都是以序列数据作为输入，这类算法不具备特征之间的关联性，可能会存在一定的误报，会导致驾驶员对故障警告降低信任度，同时还依赖一定的历史经验，需要设置阈值以规定电池安全数据范围。
发明内容
本发明提出一种数据关联性强的动力电池故障检测方法、系统、装置及存储介质，通过关联不同数据特征之间的影响，并结合空间特征与时序特征进一步加强对数据的分析，以提高故障的检测能力，保障动力电池系统的安全。
本发明提出一种数据关联性强的动力电池故障检测方法、系统、装置及存储介质，主要特点如下：（1）加强了数据中不同特征之间的关联性，通过相关性识别故障，识别效果强、误判率低；（2）对数据的空间特征和时序特征进行无监督识别，监督范围广，识别更有一定的历史依据。
本发明提供一种数据关联性强的动力电池故障检测方法、系统、装置及存储介质，包含对电池时序数据构建签名矩阵、基于卷积自编码器提取空间特征、基于卷积长短期记忆网络捕获数据时序特征、基于编码器提取的空间特征和卷积长短期记忆网络提取的时序特征利用解码器进行签名矩阵的重构、利用初始签名矩阵与重构矩阵之间残差对异常进行检测和诊断，在电动汽车监控平台对动力电池组进行监控与分析，有效助力电池系统的安全。
第一方面，提供一种动力电池故障检测方法，包括：
获取正常工作下电动汽车的数据集，数据集包含由动力电池数据和行驶数据组成 的N个特征，将其记为
Figure 719616DEST_PATH_IMAGE001
，其中i为第i个特征，t为t时刻；
设置时间步，由数据集得到每个时间步下每个特征i所对应的特征向量，对同一个时间步下的两两特征向量进行内积求和运算，得到签名矩阵；
签名矩阵划分数据集分为训练集和验证集；
将签名矩阵的训练集输入到网络中，通过网络生成重构矩阵；
重构矩阵跟输入的签名矩阵进行相减运算得出残差矩阵；
根据残差矩阵计算损失函数；
开始训练网络直至网络总损失降为最低，使用验证集验证，不同数据集下，通过经验确定残差特征矩阵中大于给定阈值θ的元素个数和θ，对应元素的位置表示出现故障的位置；
获取电动汽车的数据集，将其转换为签名矩阵后输入到训练好的网络中对故障进行在线预测。
第二方面，提供一种动力电池故障检测系统，包括：
数据获取模块，被配置为获取正常工作下电动汽车的数据集，数据集包含由动力 电池数据和行驶数据组成的N个特征，将其记为
Figure 371177DEST_PATH_IMAGE001
，其中i为第i个特征，t为t时刻；
数据转换模块，被配置为通过设置的时间步，由数据集得到每个时间步下每个特征i所对应的特征向量，对同一个时间步下的两两特征向量进行内积求和运算，得到签名矩阵；
数据划分模块，被配置为将签名矩阵划分数据集分为训练集和验证集；
重构矩阵生成模块，被配置为将签名矩阵的训练集输入到网络中，通过网络生成重构矩阵；
残差矩阵生产模块，被配置为将重构矩阵跟输入的签名矩阵进行相减运算得出残差矩阵；
损失函数计算模块，被配置为根据残差矩阵计算损失函数；
网络训练模块，被配置为训练网络直至网络总损失降为最低，使用验证集验证，不同数据集下，通过经验确定残差特征矩阵中大于给定阈值θ的元素个数和θ，对应元素的位置表示出现故障的位置；
故障在线预测模块，被配置为将获取的新的数据集转换为签名矩阵后输入到训练好的网络中对故障进行在线预测。
在上述第一方面和第二方面，重构矩阵生成方法包括：将签名矩阵输入到网络中，对每个时刻做多层卷积，得到空间特征图；将每次卷积后得到的空间特征图输入到卷积长短期记忆神经网络中，卷积长短期记忆神经网络结合本时段及本时段之前所有时序空间特征获取到每次卷积计算后的时空特征图；将最后一次从卷积长短期记忆神经网络输出的特征图进行反卷积计算，得到与前一次从卷积长短期记忆神经网络输出的特征图相同形状的特征图，再将两张特征图进行融合，将融合后的特征图再次进行反卷积计算，得到与前两次从卷积长短期记忆神经网络输出的特征图相同形状的特征图，再将两张特征图融合，以此反复，最后得到与输入的签名矩阵尺寸形状完全相同的重构矩阵。
第三方面，提供一种动力电池故障检测装置，包括：处理器；存储器，包括一个或多个程序模块；其中，所述一个或多个程序模块被存储在所述存储器中并被配置为由所述处理器执行，所述一个或多个程序模块包括用于实现所述的动力电池故障检测方法的指令。
第四方面，提供一种存储介质，用于存储非暂时性指令，当所述非暂时性指令由处理器执行时能够实现所述的动力电池故障检测方法。
本发明的有益效果是：（1）基于动力电池组各单体电池数据相互关联的检测和诊断，对动力电池故障有更强的判断依据；（2）结合电池数据的空间特征和时序特征，全面性更广、准确性更强。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单的介绍。
图1为本发明一实施例提供的重构矩阵网络示意图。
图2为本发明一实施例提供的ConvLSTM原理图。
具体实施方式
一种数据关联性强的动力电池故障检测方法包括两部分，第一部分为数据处理，将电动汽车云平台上采集的数据转换成签名矩阵，第二部分为模型训练，将转换好后的签名矩阵输入到网络中，通过网络生成的重构矩阵跟输入的签名矩阵进行残差计算，得出残差矩阵，再根据残差矩阵计算损失函数，最后判断是否为异常。下面对这两个部分进行详细说明。
（a）先获取正常工作一定时长下的电动汽车的数据集，一定时长可以是两个月及 以上，采集间隔可以为10s，数据集包括但不限于里程（Km）、车速（Km/h）、总电压（V）、总电流 （A）、SOC（%）、电池绝缘电阻（kΩ）、各单体电池电压（V）以及各单体探测温度（℃）等，共计N 个特征，将其记为
Figure 17492DEST_PATH_IMAGE001
，其中i为第i个特征，t为t时刻。
（b）设置3个时间步：10、20、30，记为
Figure 209439DEST_PATH_IMAGE002
。从t=30开始，每次步进10，取
Figure 368019DEST_PATH_IMAGE003
），表示从第t=30时刻向前回溯
Figure 924902DEST_PATH_IMAGE002
个时间 步作为第i个特征的向量，且取下一次的
Figure 395197DEST_PATH_IMAGE004
应当从t=30+10=40开始取特征向量，一共3个时 间步，因此在t时段下，一个特征i所对应的特征向量为
Figure 141568DEST_PATH_IMAGE005
、
Figure 872763DEST_PATH_IMAGE006
、
Figure 410668DEST_PATH_IMAGE007
。一共有N个特征，因 此就有3组特征向量分别是
Figure 758472DEST_PATH_IMAGE008
、
Figure 777375DEST_PATH_IMAGE009
、...、
Figure 176126DEST_PATH_IMAGE010
；
Figure 12495DEST_PATH_IMAGE011
、
Figure 988542DEST_PATH_IMAGE012
、...、
Figure 857141DEST_PATH_IMAGE013
；
Figure 519853DEST_PATH_IMAGE014
、
Figure 730385DEST_PATH_IMAGE015
、...、
Figure 131411DEST_PATH_IMAGE016
，对同一个时间步下的两两特征向量进行内积求和运算，公式如下：
Figure 6963DEST_PATH_IMAGE017
其中当i≠j时，称两个不同特征的互感特征值，当i＝j时，称同一个特征的自感特征值。
通过计算可得到
Figure 973782DEST_PATH_IMAGE018
、
Figure 89637DEST_PATH_IMAGE019
、...、
Figure 178291DEST_PATH_IMAGE020
、
Figure 139425DEST_PATH_IMAGE021
...、
Figure 85384DEST_PATH_IMAGE022
，按照下标排列可组成 对应处于t时段的N×N的签名矩阵，而一共3个时间步，则处于t时刻就有3个N×N签名矩阵。 假若该数据一共有1036个时间序列，从t=30开始，则一共存在（1036-30）/10≈100（向下取 整）个3×N×N签名矩阵。
（c）将转换好后的签名矩阵划分数据集，按顺序取前80%、后20%作为训练集和验证集，训练集作为训练模型的输入，将训练好的模型用验证集进行评估验证。
（d）将签名矩阵输入到如图1所示网络中，对每个时刻做多层卷积，以图1为例，假设N=30，先将3×30×30的签名矩阵进行增加通道数，进行卷积得到32×30×30的特征图，再进行步长为2的卷积计算（Conv），卷积前后尺寸计算公式如下：
Figure 762353DEST_PATH_IMAGE023
其中
Figure 544495DEST_PATH_IMAGE024
为输入特征图尺寸大小，
Figure 574899DEST_PATH_IMAGE025
为输出特征图尺寸大小，
Figure 844207DEST_PATH_IMAGE026
为输入特 征图四边填充大小，kernel为卷积核大小，stride为步长。
按照如图1所示分别卷积得到32×30×30、64×15×15、128×8×8和256×4×4的空间特征图。
（e）由步骤（d）得到的特征图，将每次卷积后得到的特征图输入到卷积长短期记忆（ConvLSTM）神经网络中，ConvLSTM的原理如图2所示，公式如下：
Figure 378829DEST_PATH_IMAGE027
Figure 851530DEST_PATH_IMAGE028
Figure 810259DEST_PATH_IMAGE029
Figure 278280DEST_PATH_IMAGE030
Figure 437997DEST_PATH_IMAGE031
Figure 116103DEST_PATH_IMAGE032
（
Figure 750960DEST_PATH_IMAGE033
）
其中
Figure 729280DEST_PATH_IMAGE034
为t时段输入特征矩阵；
Figure 732002DEST_PATH_IMAGE033
为t时段细胞状态；
Figure 507191DEST_PATH_IMAGE035
为t时段隐藏状态；
Figure 948668DEST_PATH_IMAGE036
为卷 积运算；
Figure 719178DEST_PATH_IMAGE037
为矩阵对应元素相乘；
Figure 938807DEST_PATH_IMAGE038
为sigmoid函数；tanh为双曲正切函数；
Figure 794767DEST_PATH_IMAGE039
为遗忘门，将上 个时段的无用信息遗忘，有用信息保留；
Figure 42865DEST_PATH_IMAGE040
和
Figure 887455DEST_PATH_IMAGE041
为更新门，将本次时段的新信息进行更新；
Figure 153351DEST_PATH_IMAGE042
和
Figure 621242DEST_PATH_IMAGE035
为输出门，将更新后的信息进行输出。
ConvLSTM会结合本时段及本时段之前所有时序空间特征获取到最新时序空间特征，即得到每次卷积计算后的时空特征图，按照如图1所示分别得到32×30×30、64×15×15、128×8×8和256×4×4的时空特征图。
（f）然后开始反卷积还原操作，反卷积前后尺寸计算公式如下：
Figure 263576DEST_PATH_IMAGE043
*
将最后一次从ConvLSTM神经网络输出的特征图进行反卷积（DeConv）计算，得到与前一次从ConvLSTM神经网络输出的特征图相同形状的特征图，如图1所示为128×8×8，再将两张特征图进行融合（Concat），得到256×8×8，将融合后的特征图再次进行反卷积计算，得到与前两次从ConvLSTM神经网络输出的特征图相同形状的特征图，即64×15×15。再将两张特征图融合，以此反复，最后得到64×30×30的特征图，最后将此特征图再进行反卷积得到3×30×30的重构矩阵，该矩阵尺寸形状与输入的签名矩阵尺寸形状完全相同。
（g）将得到的重构矩阵与输入的签名矩阵进行相减运算，得到该时段下的残差矩阵，然后计算其损失误差，公式如下所示：
Figure 680782DEST_PATH_IMAGE044
其中
Figure 521174DEST_PATH_IMAGE045
为t时段下输入签名矩阵的第C张特征图；
Figure 492672DEST_PATH_IMAGE046
为t时段下重构矩阵的第C 张特征图；
Figure 751746DEST_PATH_IMAGE047
为矩阵A的Frobenius范数的平方，表示
Figure 679251DEST_PATH_IMAGE048
该网络总损失定义为：
Figure 365579DEST_PATH_IMAGE049
（h）开始训练直至网络总损失降为最低，使用验证集验证。不同数据集下，通过经验确定残差特征矩阵中大于给定阈值θ的元素个数和θ，对应元素的位置可确定是哪个位置出现故障，实现精确定位。不同特征数量的数据集需要构建不同的网络层数，但归根结底还是以此网络思想为主。训练好的模型，可以进行在线预测，只需要训练好训练集后，就可以预测测试集的效果。
在一实施例中，还提供一种数据关联性强的动力电池故障检测系统，包括：数据获取模块、数据转换模块、数据划分模块、重构矩阵生成模块、残差矩阵生产模块、损失函数计算模块、网络训练模块和故障在线预测模块。
数据获取模块被配置为获取正常工作下电动汽车的数据集，数据集包含由动力电 池数据和行驶数据组成的N个特征，将其记为
Figure 745744DEST_PATH_IMAGE001
，其中i为第i个特征，t为t时刻。
数据转换模块被配置为通过设置的时间步，由数据集得到每个时间步下每个特征i所对应的特征向量，对同一个时间步下的两两特征向量进行内积求和运算，得到签名矩阵。
数据划分模块被配置为将签名矩阵划分数据集分为训练集和验证集。
重构矩阵生成模块被配置为将签名矩阵的训练集输入到网络中，通过网络生成重构矩阵。
残差矩阵生产模块被配置为将重构矩阵跟输入的签名矩阵进行相减运算得出残差矩阵。
损失函数计算模块被配置为根据残差矩阵计算损失函数。
网络训练模块被配置为训练网络直至网络总损失降为最低，使用验证集验证，不同数据集下，通过经验确定残差特征矩阵中大于给定阈值θ的元素个数和θ，对应元素的位置表示出现故障的位置。
故障在线预测模块被配置为将获取的新的数据集转换为签名矩阵后输入到训练好的网络中对故障进行在线预测。
上述动力电池故障检测系统各个模块更详细的实现方法，参考上文步骤（a）～步骤（h）。
在一些实施例中，还提供一种动力电池故障检测装置，其包括处理器和存储器。存储器用于存储非暂时性指令(例如一个或多个程序模块)。处理器用于运行非暂时性指令，非暂时性指令被处理器运行时可以执行上文所述的数据关联性强的动力电池故障检测方法中的一个或多个步骤。存储器和处理器可以通过总线系统和/或其它形式的连接机构互连。
例如，处理器可以是中央处理单元(CPU)、图形处理单元(GPU)或者具有数据处理能力和/或程序执行能力的其它形式的处理单元。例如，中央处理单元(CPU)可以为X86或ARM架构等。处理器可以为通用处理器或专用处理器，可以控制电子设备中的其它组件以执行期望的功能。
例如，存储器可以是易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、可擦除可编程只读存储器(EPROM)、紧凑型光盘只读储存器(CD-ROM)、USB存储器、闪存等。在存存储器上可以存储一个或多个程序模块，处理器可以运行一个或多个程序模块，以实现动力电池故障检测装置的各种功能。
在一些实施例中，还提供一种存储介质，该存储介质用于存储非暂时性指令，当非暂时性指令由动力电池故障检测装置执行时可以实现上述的数据关联性强的动力电池故障检测方法中的一个或多个步骤。也就是本申请实施例提供的数据关联性强的动力电池故障检测方法以软件的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。关于存储介质的相关说明可以参考上文电子设备的存储器的相应描述，此处不再赘述。

Claims (8)

1.一种动力电池故障检测方法，其特征在于，包括：
获取正常工作下电动汽车的数据集，数据集包含由动力电池数据和行驶数据组成的N 个特征，将其记为
Figure DEST_PATH_IMAGE001
，其中i为第i个特征，t为t时刻；
设置时间步，由数据集得到每个时间步下每个特征i所对应的特征向量，对同一个时间步下的两两特征向量进行内积求和运算，得到签名矩阵；
签名矩阵划分数据集分为训练集和验证集；
将签名矩阵的训练集输入到网络中，通过网络生成重构矩阵；
重构矩阵跟输入的签名矩阵进行相减运算得出残差矩阵；
根据残差矩阵计算损失函数；
开始训练网络直至网络总损失降为最低，使用验证集验证，不同数据集下，通过经验确定残差特征矩阵中大于给定阈值θ的元素个数和θ，对应元素的位置表示出现故障的位置；
获取电动汽车的数据集，将其转换为签名矩阵后输入到训练好的网络中对故障进行在线预测。
2.根据权利要求1所述的动力电池故障检测方法，其特征在于，重构矩阵生成方法包括：将签名矩阵输入到网络中，对每个时刻做多层卷积，得到空间特征图；将每次卷积后得到的空间特征图输入到卷积长短期记忆神经网络中，卷积长短期记忆神经网络结合本时段及本时段之前所有时序空间特征获取到每次卷积计算后的时空特征图；将最后一次从卷积长短期记忆神经网络输出的特征图进行反卷积计算，得到与前一次从卷积长短期记忆神经网络输出的特征图相同形状的特征图，再将两张特征图进行融合，将融合后的特征图再次进行反卷积计算，得到与前两次从卷积长短期记忆神经网络输出的特征图相同形状的特征图，再将两张特征图融合，以此反复，最后得到与输入的签名矩阵尺寸形状完全相同的重构矩阵。
3.根据权利要求1所述的动力电池故障检测模型训练方法，其特征在于，数据集包含里程、车速、总电压、总电流、SOC、电池绝缘电阻、各单体电池电压以及各单体探测温度。
4.一种动力电池故障检测系统，其特征在于，包括：
数据获取模块，被配置为获取正常工作下电动汽车的数据集，数据集包含由动力电池 数据和行驶数据组成的N个特征，将其记为
Figure 252696DEST_PATH_IMAGE001
，其中i为第i个特征，t为t时刻；
数据转换模块，被配置为通过设置的时间步，由数据集得到每个时间步下每个特征i所对应的特征向量，对同一个时间步下的两两特征向量进行内积求和运算，得到签名矩阵；
数据划分模块，被配置为将签名矩阵划分数据集分为训练集和验证集；
重构矩阵生成模块，被配置为将签名矩阵的训练集输入到网络中，通过网络生成重构矩阵；
残差矩阵生产模块，被配置为将重构矩阵跟输入的签名矩阵进行相减运算得出残差矩阵；
损失函数计算模块，被配置为根据残差矩阵计算损失函数；
网络训练模块，被配置为训练网络直至网络总损失降为最低，使用验证集验证，不同数据集下，通过经验确定残差特征矩阵中大于给定阈值θ的元素个数和θ，对应元素的位置表示出现故障的位置；
故障在线预测模块，被配置为将获取的新的数据集转换为签名矩阵后输入到训练好的网络中对故障进行在线预测。
5.根据权利要求4所述的动力电池故障检测系统，其特征在于，重构矩阵生成方法包括：将签名矩阵输入到网络中，对每个时刻做多层卷积，得到空间特征图；将每次卷积后得到的空间特征图输入到卷积长短期记忆神经网络中，卷积长短期记忆神经网络结合本时段及本时段之前所有时序空间特征获取到每次卷积计算后的时空特征图；将最后一次从卷积长短期记忆神经网络输出的特征图进行反卷积计算，得到与前一次从卷积长短期记忆神经网络输出的特征图相同形状的特征图，再将两张特征图进行融合，将融合后的特征图再次进行反卷积计算，得到与前两次从卷积长短期记忆神经网络输出的特征图相同形状的特征图，再将两张特征图融合，以此反复，最后得到与输入的签名矩阵尺寸形状完全相同的重构矩阵。
6.根据权利要求4所述的动力电池故障检测系统，其特征在于，数据集包含里程、车速、总电压、总电流、SOC、电池绝缘电阻、各单体电池电压以及各单体探测温度。
7.一种动力电池故障检测装置，其特征在于，包括：
处理器；
存储器，包括一个或多个程序模块；
其中，所述一个或多个程序模块被存储在所述存储器中并被配置为由所述处理器执行，所述一个或多个程序模块包括用于实现权利要求1-3任一项所述的动力电池故障检测方法的指令。
8.一种存储介质，用于存储非暂时性指令，其特征在于，当所述非暂时性指令由处理器执行时能够实现权利要求1-3任一项所述的动力电池故障检测方法。
CN202211526661.9A 2022-12-01 2022-12-01 动力电池故障检测方法、系统、装置及存储介质 Pending CN115542172A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211526661.9A CN115542172A (zh) 2022-12-01 2022-12-01 动力电池故障检测方法、系统、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211526661.9A CN115542172A (zh) 2022-12-01 2022-12-01 动力电池故障检测方法、系统、装置及存储介质

Publications (1)

Publication Number Publication Date
CN115542172A true CN115542172A (zh) 2022-12-30

Family

ID=84722607

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211526661.9A Pending CN115542172A (zh) 2022-12-01 2022-12-01 动力电池故障检测方法、系统、装置及存储介质

Country Status (1)

Country Link
CN (1) CN115542172A (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109977920A (zh) * 2019-04-11 2019-07-05 福州大学 基于时频谱图及卷积神经网络的水轮机组故障诊断方法
CN111723527A (zh) * 2020-06-28 2020-09-29 重庆大学 基于鸡尾酒长短期记忆神经网络的齿轮剩余寿命的预测方法
CN112183593A (zh) * 2020-09-16 2021-01-05 太原理工大学 一种基于dssd算法的道路损伤检测方法
CN112461537A (zh) * 2020-10-16 2021-03-09 浙江工业大学 基于长短时神经网络与自动编码机的风电齿轮箱状态监测方法
CN112731159A (zh) * 2020-12-23 2021-04-30 江苏省电力试验研究院有限公司 一种储能电站电池舱电池故障预判及定位的方法
CN112766303A (zh) * 2020-12-23 2021-05-07 湖南大学 一种基于cnn的航空发动机故障诊断方法
CN112782589A (zh) * 2021-01-26 2021-05-11 武汉理工大学 车载燃料电池远程故障分类诊断方法、装置和存储介质
CN113533995A (zh) * 2021-07-05 2021-10-22 上海电享信息科技有限公司 一种动力电池一致性检测方法
CN114007132A (zh) * 2020-07-28 2022-02-01 中国电信股份有限公司 异常检测方法、装置及计算机可读存储介质
CN114201989A (zh) * 2021-11-29 2022-03-18 江苏大学 一种采用卷积神经网络和双向长短时记忆网络的交流电机轴承故障诊断方法
CN114509685A (zh) * 2022-02-21 2022-05-17 重庆工商大学 一种构建锂离子电池热失控预测模型的方法及预测系统
CN114742203A (zh) * 2022-03-31 2022-07-12 武汉理工大学 基于混合机器学习方法的锂电池状态预测方法、系统和介质
CN114966436A (zh) * 2022-01-06 2022-08-30 湖北理工学院 锂电池荷电状态预测方法、装置、设备及可读存储介质
CN115115019A (zh) * 2021-03-19 2022-09-27 复旦大学 基于神经网络的异常检测方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109977920A (zh) * 2019-04-11 2019-07-05 福州大学 基于时频谱图及卷积神经网络的水轮机组故障诊断方法
CN111723527A (zh) * 2020-06-28 2020-09-29 重庆大学 基于鸡尾酒长短期记忆神经网络的齿轮剩余寿命的预测方法
CN114007132A (zh) * 2020-07-28 2022-02-01 中国电信股份有限公司 异常检测方法、装置及计算机可读存储介质
CN112183593A (zh) * 2020-09-16 2021-01-05 太原理工大学 一种基于dssd算法的道路损伤检测方法
CN112461537A (zh) * 2020-10-16 2021-03-09 浙江工业大学 基于长短时神经网络与自动编码机的风电齿轮箱状态监测方法
CN112731159A (zh) * 2020-12-23 2021-04-30 江苏省电力试验研究院有限公司 一种储能电站电池舱电池故障预判及定位的方法
CN112766303A (zh) * 2020-12-23 2021-05-07 湖南大学 一种基于cnn的航空发动机故障诊断方法
CN112782589A (zh) * 2021-01-26 2021-05-11 武汉理工大学 车载燃料电池远程故障分类诊断方法、装置和存储介质
CN115115019A (zh) * 2021-03-19 2022-09-27 复旦大学 基于神经网络的异常检测方法
CN113533995A (zh) * 2021-07-05 2021-10-22 上海电享信息科技有限公司 一种动力电池一致性检测方法
CN114201989A (zh) * 2021-11-29 2022-03-18 江苏大学 一种采用卷积神经网络和双向长短时记忆网络的交流电机轴承故障诊断方法
CN114966436A (zh) * 2022-01-06 2022-08-30 湖北理工学院 锂电池荷电状态预测方法、装置、设备及可读存储介质
CN114509685A (zh) * 2022-02-21 2022-05-17 重庆工商大学 一种构建锂离子电池热失控预测模型的方法及预测系统
CN114742203A (zh) * 2022-03-31 2022-07-12 武汉理工大学 基于混合机器学习方法的锂电池状态预测方法、系统和介质

Similar Documents

Publication Publication Date Title
Wang et al. A data-driven method for battery charging capacity abnormality diagnosis in electric vehicle applications
Kim et al. Data-driven state of health estimation of li-ion batteries with RPT-reduced experimental data
CN113343633A (zh) 动力锂电池热失控故障分类及风险预测方法、系统
CN114559819B (zh) 一种基于信号处理的电动汽车电池安全预警方法
CN116572747B (zh) 电池故障检测方法、装置、计算机设备和存储介质
CN114417948A (zh) 一种基于神经网络预测电池热失控的方法
CN113255764A (zh) 利用机器学习检测电化学储能系统故障的方法、系统和装置
CN116184210A (zh) 电池异常检测方法、装置、系统和电子装置
CN115563503A (zh) 基于车辆历史数据的故障预测方法、系统和存储介质
CN113095739A (zh) 一种电网数据异常检测方法及装置
WO2023052910A1 (en) System and method for estimating state of health and remaining useful life of a battery
JP7115346B2 (ja) 異常検知装置
Wei et al. Multiscale dynamic construction for abnormality detection and localization of Li-ion batteries
CN117184086A (zh) 一种基于脑电波的智能驾驶系统
CN116127354A (zh) 基于深度学习的高压电缆局部放电故障定位方法及系统
Liu et al. A novel method for fault diagnosis and type identification of cell voltage inconsistency in electric vehicles using weighted Euclidean distance evaluation and statistical analysis
Shete et al. Fault diagnosis of electric vehicle’s battery by deploying neural network
Li et al. Multi-time-step and multi-parameter prediction for real-world proton exchange membrane fuel cell vehicles (PEMFCVs) toward fault prognosis and energy consumption prediction
CN115542172A (zh) 动力电池故障检测方法、系统、装置及存储介质
Ren et al. Multi-fault diagnosis strategy based on a non-redundant interleaved measurement circuit and improved fuzzy entropy for the battery system
CN114841222B (zh) 构建高压断路器故障检测模型的方法、检测方法及配电系统
US20240037296A1 (en) Comparison of digital representations of driving situations of a vehicle
CN115788793A (zh) 全局监控预警方法及其系统
Xie et al. A Fault Prognosis Model of Battery Packs of Electric Vehicles based on Long Short-term Memory Neural Networks
CN118425812A (zh) 电池多故障融合预警方法、装置、车辆和存储介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20221230

RJ01 Rejection of invention patent application after publication