CN115768340A - 用于监测气体分析物的系统和方法 - Google Patents
用于监测气体分析物的系统和方法 Download PDFInfo
- Publication number
- CN115768340A CN115768340A CN202180043674.8A CN202180043674A CN115768340A CN 115768340 A CN115768340 A CN 115768340A CN 202180043674 A CN202180043674 A CN 202180043674A CN 115768340 A CN115768340 A CN 115768340A
- Authority
- CN
- China
- Prior art keywords
- gas
- oge
- sensor
- gas sensor
- algorithm
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/082—Evaluation by breath analysis, e.g. determination of the chemical composition of exhaled breath
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/42—Evaluating a particular growth phase or type of persons or animals for laboratory research
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
- A61B2560/02—Operational features
- A61B2560/0204—Operational features of power management
-
- 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
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- General Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Electrochemistry (AREA)
- Combustion & Propulsion (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Evolutionary Computation (AREA)
- Food Science & Technology (AREA)
- Mathematical Physics (AREA)
- Medicinal Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Fuzzy Systems (AREA)
- Pulmonology (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
Abstract
本公开涉及用于通过气体传感器对具有气源的封闭系统中释放的气体进行监测和分类的系统和方法,该气体传感器已先验地预训练以将废气事件(off‑gas event,OGE)或热失控事件(thermal run off event,TRE)与非OGE干扰气体释放区分开。预训练利用机器学习(machine learning,ML)或深度学习(deep learning,DL)算法之一来对气体传感器进行预训练以检测多个已知气体分析物,以生成具有各自独特特性的传感器信号,从传感器信号中提取特征以区别于非OGE类型的干扰气体释放建立OGE或TRE的假阳性释放的决策边界或估计概率。建立的决策边界或概率分布被实现为用于现场部署的候选模型,以对释放的气体进行分类,以区分OGE或TRE是否发生。
Description
相关申请的交叉引用
本申请要求于2020年6月17日提交的题为“Systems And Methods ForMonitoring A Gas Analyte”的美国临时专利申请序列号63/040,260的优先权和权益。本申请还参考了于2017年6月29日提交、于2020年12月29日作为美国专利10,877,011B2发布的美国申请号15/637,381,后者要求于2016年6月29日提交的题为“SYSTEMS AND METHODSFOR ANALYTE DETECTION AND CONTROL”的美国临时申请号62/356,111以及于2017年2月3日提交的题为“SYSTEMS INCLUDING AN ENERGY STORAGE ENCLOSURE AND MONITORINGTHEREOF”的美国临时申请号62/454,516的权益,其内容通过引用整体并入本文。
技术领域
本公开一般涉及通过气体传感器对具有气源的封闭系统中释放的气体进行监测和分类的系统和方法,该气体传感器先验地预训练以将废气事件(off-gas event,OGE)或热失控事件(thermal run off event,TRE)与非OGE干扰气体释放区分开。
背景技术
电池是可以存储高密度电能的电子设备。与任何电池一样,热失控事件(thermalrunaway event,TRE)状况可能在放电和充电期间发生。例如,热失控可能由电池(例如,电池的单元)内的短路、不当的电池使用、物理滥用、制造缺陷或电池暴露于极端外部温度引起。当电池的内部反应速率增加到可以产生的热量多于可以收回的热量的点时,就会发生热失控,从而导致内部反应速率和产生的热量进一步增加。
热失控状况的影响可能取决于电池类型。例如,在诸如铅酸电池之类的淹没式电解质电池中,热失控状况可能导致电解质蒸发,从而导致危险的电解质气体逸出(也称为废气事件(OGE))进入周围环境。在诸如电动汽车、笔记本电脑、手机之类的设备中可以使用的诸如锂离子电池之类的密封电池中,热失控状况可能导致膨胀,这可能导致密封电池爆炸和将危险的电解质气体释放到周围环境中或引起火灾危险。
发明内容
本公开涉及用于通过气体传感器对具有气源的封闭系统中释放的气体进行监测和分类的系统和方法,该气体传感器已先验地预训练以将废气事件(OGE)或热失控事件(TRE)与非OGE干扰气体释放区分开。预训练利用机器学习(machine learning,ML)或深度学习(deep learning,DL)算法之一对气体传感器进行预训练,以检测多个已知气体分析物,以生成具有各自独特特性的传感器信号,从传感器信号中提取特征以区别于非OGE类型的干扰气体释放建立OGE或TRE的假阳性释放的决策边界或估计概率。所建立的决策边界或估计概率可以作为现场部署的候选模型来实现,以将释放的气体分类为OGE或TRE中的一个或两个,以区别于非OGE类型的干扰气体释放。
用于对具有气源的封闭系统中释放的气体进行监测和分类的方法可以包括以下步骤:通过具有一个或更多个感测电极的至少一个气体传感器对用于释放气体分析物的气源进行监测,其中,在传感器的初始现场部署之前,至少一个气体传感器已使用机器学习(ML)或深度学习(DL)算法之一进行了先验预训练,以将释放的气体分析物区别于非OGE干扰气体释放分类为包括以下一个或两个的事件:废气事件(OGE)或热失控事件(TRE)。
在示例中,利用ML或DL算法先验地预训练至少一个气体传感器以对释放的气体分析物进行分类可以至少包括以下步骤:(1)对至少一个气体传感器进行训练,以通过至少一个气体传感器中的一个或更多个感测电极中的每一个,在一段持续时间内检测多个已知气体分析物中的每一个,以生成表示多个已知气体分析物中的每一个的独特特性的相应传感器信号;(2)在该时间段内对生成的各个传感器信号进行预处理,以便提取多个已知气体分析物中的每一个的相应多个特征;(3)对提取的相应多个特征进行处理,以为OGE和TRE中的一个或两个建立假阳性释放的决策边界,并且为剩余每一个非OGE类型的干扰气体释放建立相应的决策边界;以及(4)将在ML或提供估计概率DL算法的预训练神经网络中建立的决策边界存储到存储器中,作为传感器的后现场部署的一个或更多个候选模型,以便将气源释放的气体分析物区别于非OGE干扰气体释放分类为OGE或TRE中的一个或两个。
在另一个实施例中,用于对具有气源的封闭系统中释放的气体进行监测和分类的系统可以包括具有气源的外壳、具有一个或更多个感测电极的至少一个气体传感器,气体传感器被部署以对用于释放气体分析物的气源进行监测,其中,至少一个气体传感器在部署之前已利用机器学习(ML)或深度学习(DL)算法之一进行了先验预训练,ML或DL算法作为程序代码被存储在存储器中以供处理器执行,以便检测释放的气体分析物并分类为包括以下一个或更多个的事件:废气事件(OGE)、干扰气体释放事件和热失控事件(TRE)。
在示例中,利用ML或DL算法先验地预训练至少一个气体传感器以对释放的气体分析物进行分类使得处理器在传感器的初始场地部署之前预训练至少一个气体传感器以:(1)通过至少一个气体传感器中的一个或更多个感测电极中的每一个,在一段持续时间内检测多个已知气体分析物中的每一个,以生成表示多个已知气体分析物中的每一个的独特特性的相应传感器信号;(2)在该时间段内对生成的各个传感器信号进行预处理,以便提取多个已知气体分析物中的每一个的相应多个特征;(3)对提取的相应多个特征进行处理,以为OGE和TRE中的一个或两个建立假阳性释放的决策边界,并为来自多个已知气体分析物的剩余每个非OGE类型的干扰气体建立相应的决策边界;以及(4)将ML或DL算法中建立的决策边界存储到存储器中,作为传感器的后现场部署的一个或更多个候选模型,以便将气源释放的气体分析物分类为OGE、干扰气体事件和TRE中的一个或更多个。
所公开的用于通过气体传感器对具有气源的封闭系统中释放的气体进行监测和分类的系统可以实现为非暂时性存储器以存储机器可读指令,该气体传感器已先验地预训练以将废气事件(OGE)或热失控事件(TRE)与非OGE干扰气体释放区分开。处理器可以访问非暂时性存储器并在机器上执行机器可读指令以执行包括以下的步骤:通过具有一个或更多个感测电极的至少一个气体传感器对用于释放气体分析物的气源进行监测,其中,所述至少一个气体传感器在传感器的初始现场部署之前已利用机器学习(ML)或深度学习(DL)算法进行了先验预训练,以将释放的气体分析物区别于非OGE干扰气体释放分类为包括以下的一个或两个的事件:废气事件(OGE)或热失控事件(TRE)。
在示例中,机器可读指令可以利用ML或DL算法来先验地预训练至少一个气体传感器以对释放的气体分析物进行分类,其可以包括至少以下步骤:
(1)训练至少一个气体传感器,以通过至少一个气体传感器的一个或更多个感测电极中的每一个,在一段持续时间内检测多个已知气体分析物中的每一个,以生成表示多个已知气体分析物中的每一个的独特特性的相应传感器信号;(2)在该时间段内对生成的各个传感器信号进行预处理,以便提取多个已知气体分析物中的每一个的相应多个特征;(3)对提取的相应多个特征进行处理,以为OGE和TRE中的一个或两个建立假阳性释放的决策边界,并且为剩余每个非OGE类型的干扰气体释放建立相应的决策边界;以及(4)将ML或DL算法中已建立的决策边界存储到存储器中,作为传感器的现场部署的一个或更多个候选模型,以便将气源释放的气体分析物区别于非OGE干扰气体释放分类为OGE或TRE中的一个或两个。
附图说明
图1描绘了用于监测废气事件(OGE)的系统100的示例。
图2描绘了气体传感器的等效电路模型的示例,该等效电路模型模拟事件的监测和检测,事件包括废气事件(OGE)、热失控事件(TRE)和干扰(非OGE)气体事件。
图3A和图3B示出了两个单独的废气事件,这两个废气事件被描绘为从如图2所示的气体传感器的等效电路模型提取作为ML特征的阻抗和电容变化。
图4描绘了来自OGE气源的单电极气体传感器的OGE的示例。
图5描绘了来自使用现有算法的单电极气体传感器的干扰气源的假阳性检测的示例。
图6描绘了来自OGE气源的至少一个电极气体传感器的OGE的示例。
图7描绘了来自非OGE气源的至少一个电极气体传感器的干扰气体事件的示例。
图8描绘了机器学习(ML)分类设计过程的示例。
图9描绘了将真实OGE与虚假OGE分开的决策边界的示例,该决策边界是通过经训练ML算法中提取的特征建立的。
图10描绘了使用ML算法训练的决策边界中的真实和虚假的废气事件和其他气体选择性的示例。
图11A和图11B描绘了应用机器学习(ML)或深度学习(DL)算法的示例性气体传感器预训练流程图。
图12描绘了在深度学习(DL)训练中实现卷积神经网络。
图13描绘了在DL训练中实现长短期记忆(Long Short-Term Memory,LSTM)神经网络。
图14描绘了用于时间序列分类的DL框架。
图15描绘了执行DL算法的卷积神经网络架构的示例。
具体实施方式
本公开大体上涉及通过至少一个气体传感器对具有气源(例如,电池)的封闭系统的以下任一项进行监测的系统和方法:废气事件(OGE)、热失控事件(TRE)和干扰(非OGE)气体事件,该至少一个气体传感器在现场初始部署之前已先验预训练(即,在工厂中预训练),使得所部署的气体传感器不需要在现场进行进一步的训练,并且不需要使用参考气体传感器来检测气体释放事件。
电池在其使用寿命期间可能逐渐退化,这可能导致容量、循环寿命和安全性降低。退化的电池可能释放气体,这可能被称为“废气”。在一个示例中,废气可以在循环状况(例如充电和放电循环)期间由电池释放。电池退化的一个或更多个原因可能包括不当的电池使用、物理滥用、制造缺陷、电池暴露于极端外部温度、过度充电等。
本文描述的系统和方法可以检测循环状况期间的废气事件(OGE),并提供热失控事件(TRE)状况的早期警告。在一个示例中,早期警告可以包括逻辑信号输出、声音警报、视觉警报、火灾扑救、与其他系统和用户的通信。循环状况期间检测到的废气可以被解释为电池处于热失控风险中的警告。通过提供早期警告,可以大大减轻响应于热失控状况而引起的火灾、爆炸和伤害。此外,本文描述的系统和方法可以被配置为针对废气状况对任何类型的电池进行监测。因此,本文描述的系统和方法可以用于监测锂离子电池、铅酸电池。在更广泛的应用中,本文描述的系统和方法可以适用于具有用于检测易燃或有毒气体的气体泄漏的气源的任何封闭系统,例如核反应堆环境、油气井钻井平台、煤燃气发电机等。
术语“废气”、“释放气体”和“气体分析物”在本文中可以互换使用,并且指的是气源(例如电池)的化学反应的气体副产物。废气(即,“释放气体”和“气体分析物”)可以包括电解质气体,例如挥发性电解质溶剂、电池的电解质混合物的挥发性组分等。挥发性电解质或废气分析物种类可能至少包括以下易燃性或有毒气体:锂离子电池废气、碳酸二甲酯、碳酸二乙酯、碳酸甲乙酯、碳酸乙烯酯、碳酸丙烯酯、碳酸亚乙烯酯、二氧化碳、一氧化碳、碳氢化合物、甲烷、乙烷、乙烯、丙烯、丙烷、苯、甲苯、氢气、氧气、氮氧化物、挥发性有机化合物、有毒气体、氯化氢、氟化氢、硫化氢、硫氧化物、氨和氯等。此外,术语“电极”和“焊盘”可以互换使用以表示导电端子。
此外,本文描述的系统和方法可以配置有多个电池外壳。因此,本文描述的系统和方法可以用于监测由位于电池外壳内的一个或更多个电池释放的气体分析物(“废气”)。本文使用的术语“电池外壳”指的是可以部分封装一个或更多个电池的任何外壳。在示例中,电池外壳可以包括通风的和非通风的电池外壳。通风的电池外壳可以包括通风系统,该通风系统可以包括进气口和排气口。在更进一步的示例中,电池外壳可以包括电池运输容器。
此外,本文使用的术语“处理器”可以指能够执行机器可读指令的任何设备,例如计算机、控制器、集成电路(integrated circuit,IC)、微芯片或能够实现逻辑的任何其他设备。本文使用的术语“存储器”可以指非暂时性计算机存储介质,例如易失性存储器(例如,随机存取存储器)、非易失性存储器(例如,硬盘驱动器、固态驱动器、闪存等)或它们的组合。
图1示出了用于监测废气事件(OGE)的系统100的示例。系统100包括诸如电池102之类的至少一个气源和至少一个气体传感器104,气体传感器104被部署以监测来自电池102的气体分析物102a的释放。电池102可以是具有外壳(即,用保护壳封装)的锂离子电池。在实施例中,气体传感器104可以是半导体类型的气体传感器或检测从电池102释放的气体分析物102a(例如化学蒸汽)的任何合适气体传感器。
与大多数其他系统不同,部署的气体传感器104消除了在系统100中使用单独的参考传感器来计算来自实时传感器信号104a的移动平均以检测电池102中的废气事件(OGE)的需求。在实现中,气体传感器104可以是具有一个或更多个感测电极104b的传感器,并且已使用存储在存储器108中以供处理器106执行的机器学习(ML)或深度学习(DL)算法(程序代码)之一先验地(例如,在制造期间)预训练,以使气体传感器104能够将任何释放的气体分析物102a实时地检测和分类为包括以下的一个或更多个的事件:废气事件(OGE)、热失控事件(TRE)和干扰气体释放事件(即,非OGE)。在示例中,气体传感器104、处理器106和存储器108可以是集成芯片101,例如ASIC半导体芯片。在其他示例中,气体传感器104、处理器106和存储器108可以各自是通过线束电连接或安装在印刷电路板(printed circuitboard,PCB)上的分立部件。
预训练的气体传感器104可以将ML或DL算法108a作为候选模型存储在存储器108中,以将由气体传感器104检测为OGE和TRE之一的传感器信号104a与非OGE干扰气体事件区分开,而不需要参考气体传感器,也不需要在现场部署后重新训练气体传感器104。
算法108a步骤的机器学习和训练可以在制造过程期间在工厂中先验地执行,或者在系统100中的传感器104的物理调试或安装之前的任何时间离线执行。一旦在系统100中调试了传感器104,无需进行实时调整。然而,替代地,在另一个选项中,ML或DL算法108a可以由传感器104重新训练或更新以学习与未被预先重新训练或在数据库中列出的其他气体分析物的新相遇。这种使用ML或DL算法的预训练的目标不仅是检测OGE,而且还能够识别传感器104检测到的其他气源,从而消除对参考传感器的需要。
在示例中,在至少一个气体传感器104上使用ML或DL算法108a进行先验预训练可以至少包括以下步骤:(1)训练至少一个气体传感器以通过至少一个气体传感器104的一个或更多个感测电极中的每一个在一段持续时间内检测多个已知气体分析物(即,训练气体)中的每一个,以生成表示用于建立数据库的多个已知气体分析物的每一个的独特特性的相应传感器信号104a;(2)在该时间段内对生成的各个传感器信号104a进行预处理,以便提取多个已知气体分析物102a中的每一个的相应多个特征(例如,阻抗和电容,参见图3A、图3B至图7);(3)对提取的相应多个特征进行处理,以为OGE和TRE中的一个或两个建立假阳性释放的决策边界(参见图9和图10),并为剩余的每个非OGE类型的干扰气体释放建立相应的决策边界;以及(4)将ML或DL算法(108a)中建立的决策边界存储到存储器108中,作为传感器的现场部署的一个或更多个候选模型,以便将由气源(例如,电池)释放的气体分析物102a区别于非OGE干扰气体释放分类为OGE或TRE中的一个或两个。可以发送输出信号110,例如警告警报或逻辑信号,以用于警告或用于在屏幕上显示以采取预防措施避免对系统100造成事故或损坏。
在示例中,气源可以是可充电锂离子电池系统或电能存储系统102,其中,在OGE或TRE中释放的气体分析物可以是至少以下易燃或有毒气体的组合:锂离子电池废气、碳酸二甲酯、碳酸二乙酯、碳酸甲乙酯、碳酸乙烯酯、碳酸丙烯酯、碳酸亚乙烯酯、二氧化碳、一氧化碳、碳氢化合物、甲烷、乙烷、乙烯、丙烯、丙烷、苯、甲苯、氢气、氧气、氮氧化物、挥发性有机化合物、有毒气体、氯化氢、氟化氢、硫化氢、硫氧化物、氨和氯等。
实际上,预训练期间的ML或DL学习方法可以基于如图2所示的传感器104的等效电路模型200。为了说明,图2可以表示半导体气体传感器的等效电路模型。然而,其他气体传感器可以使用其他等效电路模型以使用其他传递函数来表达。所示的气体传感器类型和等效电路模型示例是非限制性的。
图2中的等效阻抗电路模型200示出,由至少一个气体传感器104中的一个或更多个感测电极104b中的每一个生成的相应气体传感器信号可以包括基于与第二并联电阻器Rn和电容器CPEs对206串联级联的第一并联电阻器Rn和电容器CPEvr对204的阻抗值。等效电路模型200中的第一并联电阻器和电容器对204可以模拟可暴露于不同释放分析物气体102a的组合的至少一个气体传感器响应104a的动态。传感器104的阻抗等效电路模型200还包括与第一并联电阻器Rn和电容器CPEvr对204串联级联的接触电阻Rc。
给定在拉普拉斯域中具有固定输入电压V的气体传感器104的输出阻抗R,可以为等效电路模型200开发相应的输入/输出传递函数,输入/输出传递函数可以表示为:
其中,Rc是接触电阻,Rn和Rs是电路模型的电阻,CPEvr和CPEs是电路模型中增益的电容。
由电路模型200中的多个已知气体分析物102a中的每一个引起的来自电气元件(Rc、Rn、Rs、CPEvr、CPEs)的阻抗值(即,电阻和电容)随时间的变化(参见图3A、图3B至图7)可以作为用于训练的传感器信号104a来传输,表示检测到的已知气体分析体的独特特性或属性。ML或DL学习方法对检测到的从气源(即,电池102)释放的气体分析物102a的监测和检测进行模拟,从而将气体释放事件分类为废气事件(OGE)、热失控事件(TRE)和干扰(非OGE)气体事件之一或组合。已知的气体分析物可以是用于训练的OGE或TRE中提到的气体,包括但不限于至少以下易燃或有毒气体:锂离子电池废气、碳酸二甲酯、碳酸二乙酯、碳酸甲乙酯、碳酸乙烯酯、碳酸丙烯酯、碳酸亚乙烯酯、二氧化碳、一氧化碳、碳氢化合物、甲烷、乙烷、乙烯、丙烯、丙烷、苯、甲苯、氢气、氧气、氮氧化物、挥发性有机化合物、有毒气体、氯化氢、氟化氢、硫化氢、硫氧化物、氨和氯等。
在示例中,使用诸如最小二乘法和梯度算法的估计技术的数学表示可用于提取气体传感器104的等效模型200中的等效电阻和电容。实际上,ML或DL算法对至少一个气体传感器104进行预训练以检测气体分析物102a的释放可以包括区分由于以下的一个或更多个引起的环境干扰而导致的传感器阻抗变化:温度变化、相对湿度变化、以及影响环境中的导致报告假阳性的氧分压的其他气体。
在示例中,ML算法对至少一个气体传感器104进行预训练(参见图8)以提取多个已知气体分析物的每一个的相应多个特征可以包括利用包括以下特征的任一个或组合:移动平均计算、布林带(Bollinger band)、最小电极阻抗、最大阻抗变化率、至少一个气体传感器104上的至少一个电极104b中的每一个的最大阻抗恢复率、主成分分析(principalcomponent analysis,PCA)、线性判别分析,其中,DL算法对至少一个气体传感器进行预训练以提取多个已知气体分析物中的每一个的相应多个特征被包含在神经网络的隐藏层内(参见图11A、图11B和图12)。
在另一示例中,ML或DL算法对至少一个气体传感器进行预训练以为OGE或TRE建立假阳性释放的决策边界并为剩余的每个类型的非OGE干扰气体释放建立相应决策边界可以包括利用以下确定方法中的任一个来评估生成的传感器信号104a:支持向量机、判别分析或最近邻算法、朴素贝叶斯和神经邻域、线性回归、广义线性模型(Generalized LinearModel,GLM)、支持向量回归、高斯过程回归(Gaussian Process Regression,GPR)、集成方法、决策树和DL神经网络,DL神经网络包括以下至少一个:卷积神经网络(ConvolutionNeural Network,CNN)(图12)和长短期记忆(Long Short Term Memory,LSTM)网络(图11A、图11B)。
图3A和图3B示出了来自接收到的传感器信号104a的两个单独废气事件,这些事件被描绘为从如图2中所示的气体传感器104的等效电路模型提取作为ML特征的阻抗和电容随持续时间的变化(例如,图3A中从区域320A到区域330A、图3B中从区域320B到330B的突然变化)。这些数据可以是用于建立决策边界的ML和DL机器学习算法的训练参数(参见图9、图10)。
图4描绘了用于来自OGE气源的单电极气体传感器104的OGE的示例。在示例中,传感器信号104a参数可以至少包括阻抗值在一段持续时间内的变化、可能导致在输出信号110中产生警报的移动平均。而且,图5描绘了来自使用现有算法的单电极气体传感器的干扰气体源(非OGE)的假阳性检测的示例。
图6描绘了来自OGE气源的至少一个电极气体传感器的OGE的示例。图7描绘了来自非OGE气源的至少一个电极气体传感器的干扰气体事件的示例。气体传感器中每个电极的独特响应为ML学习算法提供区分储能设施中OGE和常见干扰气体的能力。
ML算法具有独特的选择性,允许OGE的识别以及识别存在哪种干扰气体以允许其他诊断能力。相比之下,气体传感器104中电极104b数量的增加实际上提供了更多独特的响应,这些响应可以是独特的特性或属性(例如,指纹)以帮助识别检测到的气体分析物。同样,从一个或更多个感测电极提取的特征可以在更准确地建立OGE、TRE和非OGE类型干扰气体事件的假阳性决策边界时建立一维或更多维的动态响应,从而在识别气体分析物的类型以及事件分类中,(通过减少误差概率)提高训练的候选模型的可靠性和准确性。
图8描绘了机器学习(ML)分类设计过程或如何开发ML算法的示例。预训练(监督学习)方法可以在算法开发阶段的数据预处理步骤中使用启发式和基于物理学的阻抗信息组合(来自气体传感器104的)许多信号特征。它还可能包括环境测量,例如传感器套件中包含的温度、压力、相对湿度。例如,信号特征可以包括移动平均、布林带、最小电极阻抗、最大阻抗变化率、每个电极的最大阻抗恢复率、主成分分析(PCA)和线性判别分析。此外,使用其他技术对气体传感器进行预训练(监督学习)以将OGE或TRE与非OGE区分开也可以包括但不限于分类技术,例如:支持向量机、判别分析或最近邻算法、时间序列值(例如,位置、扩散、高斯性、离群值属性)的分布的基本统计、线性相关性(例如,自相关、功率谱特征)、平稳性(例如滑动窗测量、预测误差)、信息理论和熵/复杂性等。
下表1提供了从多个电极104b中的每一个中的传感器信号104a中提取的不同特征的一些示例,这些特征可以在ML或DL算法108a中用于先验训练和用于建立决策边界以将气体分析物102a分类为OGE、TRE和非OGE干扰气体事件中的一个(如图8和图11A、图11B的过程所示)。机器学习是监督学习技术,可以在训练中利用线性回归、最近邻、支持向量回归和神经网络来建立候选模型854以供在现场部署气体传感器104时使用。
表1
特征1 | 特征2 | 特征3 | 特征4 | 特征5 | 特征6 | 气体类型 |
0.774691 | 0.701516 | 0.674988 | 0.866383 | -0.03044 | -0.03406 | 干扰气体1 |
0.829714 | 0.7555 | 0.838982 | 0.919975 | -0.07514 | -0.07582 | 干扰气体1 |
0.768456 | 0.697034 | 0.675138 | 0.87619 | -0.10458 | -0.11013 | 干扰气体1 |
0.920379 | 0.875693 | 0.958897 | 0.964187 | -0.02719 | -0.03223 | 干扰气体1 |
0.885411 | 0.821586 | 0.952449 | 0.961552 | -0.01485 | -0.01715 | 干扰气体2 |
0.827432 | 0.7544 | 0.833974 | 0.918782 | -0.06566 | -0.06751 | 干扰气体2 |
0.737762 | 0.672099 | 0.610817 | 0.843494 | -0.14042 | -0.13649 | 干扰气体2 |
0.778001 | 0.705386 | 0.698497 | 0.883416 | -0.09282 | -0.11494 | 干扰气体2 |
0.738887 | 0.67214 | 0.616065 | 0.849154 | -0.11429 | -0.11681 | 干扰气体3 |
0.78249 | 0.675069 | 0.699502 | 0.885526 | -0.09325 | -0.11944 | 干扰气体3 |
0.818389 | 0.713922 | 0.814425 | 0.91466 | -0.07889 | -0.11787 | 干扰气体3 |
0.774843 | 0.670419 | 0.692568 | 0.882074 | -0.13414 | -0.1787 | 干扰气体3 |
0.932275 | 0.864262 | 0.964597 | 0.978366 | -0.02777 | -0.04665 | OGE |
0.892163 | 0.806155 | 0.952128 | 0.969763 | -0.01669 | -0.02967 | OGE |
0.845022 | 0.743398 | 0.870444 | 0.934548 | -0.06587 | -0.08874 | OGE |
0.732432 | 0.63537 | 0.610214 | 0.839241 | -0.14826 | -0.20349 | OGE |
表1示出了从前面部分中已提到的每个气体类型的至少一个电极中的每一个提取的特征的一些示例。转换后的数据列在表1中,并且具有从原始数据中提取的各种特征,这些特征用于使用优化过程创建候选模型,该优化过程搜索模型参数(包括使用拟合数据)并使用未用于拟合的测试数据评估模型参数,并调整候选模型,直到达到最佳性能。深度学习中的特征提取可以并入神经网络内部(参见图11A、图11B、图12、图13、图14A和图14B)并且不需要在分类之前执行。
在另一个示例中,作为预训练过程的一部分,从已知气体分析物提取的特征可以用于训练ML或DL算法以充分量化检测到的气体分析物组成中每种识别气体分析物的近似百分比%或百万分之几ppm,这可能有助于将OGE、TRE和非OGE的一个或组合分类为来自气源的干扰气体释放。下表2可以说明检测到的气体分析物组成的一些示例。
表2
图9描绘了将真实OGE 910与虚假OGE 920分开的决策边界930的示例,该决策边界通过在历史持续时间上用经训练的ML算法108a提取的特征建立。在区域910内意味着已检测到OGE,而在区域920内意味着非OGE。实际上,基于时间序列数据,决策边界930将是高维度的(即,远高于三维),使得几乎不可能通过图9和图10中所示的示例描绘所有决策边界图。
图10描绘了用ML算法108a训练的决策边界1030中的真实OGE 1010和虚假OGE和其他气体(1021-1029)选择性的示例。ML或DL算法108a可以包括选择性算法,该算法使用图8中所示的类似过程或技术来训练决策边界的相同思想,只是图8可以示出对应于图中其他提取特征的几个维度的组合,以示出已检测到的每种可能的干扰气体的不同决策边界。使用这两种技术(即,复合维度)背后的想法是更容易检测到假阳性,以及通过识别正在检测的气体向用户提供一些诊断信息。不同的区域(1021-1029)示出了可以如何通过预训练的气体传感器104来检测不同类型的干扰气体。图10示出了真实OGE区域1010与几个假阳性(非OGE)区域(1021-1029),包括使ML或DL算法能够识别假阳性干扰气体的决策边界。
图11A和图11B描绘了通过多个已知气体分析物并利用机器学习(ML)算法来预训练气体传感器104的示例性流程图。例如,在步骤1102中,对于每个已知气体分析物,可以从气体传感器104的多电极104b生成诸如电阻和电容的原始信号104a,并在步骤1104中将其发送到处理器以进行特征提取(例如,阻抗或传递函数随时间的变化)。特征提取步骤1104可以包括时频变换(例如离散余弦变换DCT(discrete cosine transformation)或离散傅里叶变换DFT(discrete Fourier transformation))以将时域模拟信号变换为频域信号。在步骤1106中,提取的特征可以被组织化。步骤1108中,机器学习(ML)算法被应用于组织化的数据以建立候选模型1110(例如多维决策边界构造)。通过对剩余的多个已知气体分析物重复步骤1102至步骤1110,可以更新候选模型1110(参见步骤1111)以建立数据库或构建复合决策边界图以完成存储在存储器108中以由处理器106执行的ML算法108a训练。图11B示出了图11A中的ML学习步骤1108的细节。更具体地,步骤1108可以通过重复训练步骤1108a到训练步骤1108n来完成。训练步骤中的每一个(例如,1108a)可以包括顺序地执行以下操作:卷积、整流线性单元(rectified linear unit,ReLU)和池化操作。当结合多电极气体传感器104工作以执行气体分析物分类时,部署模型1112将是现场就绪的ML算法。
同样,这些期望的分类可以用深度学习(DL)算法来实现,如图11A、图11B所示,利用预训练的卷积神经网络(例如,卷积神经网络CNN和长短期记忆(Long Short-TermMemory,LSTM))和自动信号特征提取,如图12和图13所示。
图14示出了用于时间序列分类的DL框架的示例。图15描绘了使用提取的特征执行DL算法预训练的卷积神经网络架构的示例。深度学习(DL)算法可以由实现非线性函数的多个层(参见图14、图15)组成。每个层都可以从前一层的输出接收输入,并应用计算其输出的非线性变换(即,顺序流水线处理技术)。这些非线性变换可以由拟合过程中的可训练参数确定。一些可以被实施的深度学习架构可以包括卷积神经网络(参见图11B)、起始时间和回声状态网络。
虽然本文已经说明和描述了上面的特定示例,但是应当理解,在不脱离要求保护的主题的精神和范围的情况下,可以进行各种其他改变和修改。此外,尽管本文已经描述了要求保护的主题的各个方面,但是这些方面不需要组合使用。因此,所附权利要求旨在涵盖在要求保护的主题范围内的所有此类改变和修改。
Claims (15)
1.一种方法,包括:
通过具有一个或更多个感测电极的至少一个气体传感器对用于释放气体分析物的气源进行监测,其中,所述至少一个气体传感器在传感器的初始现场部署之前已利用机器学习ML或深度学习DL算法之一进行了先验预训练,以将所释放的气体分析物区别于非OGE干扰气体释放分类为包括以下一个或两个的事件:废气事件OGE或热失控事件TRE,以及
其中,利用所述ML或DL算法对所述至少一个气体传感器进行先验预训练以对所释放的气体分析物进行分类包括:
对所述至少一个气体传感器进行训练以通过所述至少一个气体传感器的所述一个或更多个感测电极中的每一个在一段持续时间内检测多个已知气体分析物中的每一个,以生成表示所述多个已知气体分析物中的每一个的独特特性的相应传感器信号;
在所述一段持续时间内对所生成的相应传感器信号进行预处理,以便提取所述多个已知气体分析物中的每一个的相应多个特征;
对所提取的相应多个特征进行处理,以为所述OGE或TRE中的一个或两个建立假阳性释放的决策边界,并且为剩余的每一个非OGE类型的干扰气体释放建立相应的决策边界;以及
将在所述ML或DL算法中建立的决策边界存储到存储器中,作为用于传感器的后现场部署的一个或更多个候选模型,以便将所述气源释放的气体分析物区别于所述非OGE干扰气体释放分类为所述OGE或TRE中的一个或两个。
2.根据权利要求1所述的方法,其中,所述气源包括可充电锂离子电池系统或电能存储系统,其中,所述OGE或TRE包括至少以下易燃或有毒气体的任一项或组合的释放的检测:锂离子电池废气、碳酸二甲酯、碳酸二乙酯、碳酸甲乙酯、碳酸乙烯酯、碳酸丙烯酯、碳酸亚乙烯酯、二氧化碳、一氧化碳、碳氢化合物、甲烷、乙烷、乙烯、丙烯、丙烷、苯、甲苯、氢气、氧气、氮氧化物、挥发性有机化合物、有毒气体、氯化氢、氟化氢、硫化氢、硫氧化物、氨和氯。
3.根据权利要求1所述的方法,其中,由所述至少一个气体传感器的所述一个或更多个感测电极中的每一个生成的相应气体传感器信号包括基于阻抗等效电路模型的阻抗值,所述阻抗等效电路模型具有与第二并联电阻器和电容器对串联级联的第一并联电阻器和电容器对。
4.根据权利要求3所述的方法,其中,所述等效电路模型中的所述第一并联电阻器和电容器对模拟所述至少一个气体传感器在暴露于不同释放的分析物气体的组合时的响应的动态。
5.根据权利要求4所述的方法,其中,所述传感器的阻抗等效电路模型还包括将接触电阻与所述第一并联电阻器和电容器对串联级联。
7.根据权利要求1所述的方法,其中,通过已由所述ML或DL算法预训练的所述至少一个气体传感器检测来自所述气源的气体分析物的释放消除了参考传感器的使用。
8.根据权利要求1所述的方法,其中,所述ML或DL算法对所述至少一个气体传感器进行预训练以检测所述气体分析物的释放还包括区分由于以下的一个或更多个所引起的环境干扰而引起的传感器阻抗变化:温度变化、相对湿度变化、以及影响环境中的导致报告假阳性的氧分压的其他气体。
9.根据权利要求1所述的方法,其中,所述ML算法对所述至少一个气体传感器进行预训练以提取所述多个已知气体分析物中的每一个的相应多个特征包括利用以下特征的任一个或组合:移动平均计算、布林带、最小电极阻抗、最大阻抗变化率、所述至少一个气体传感器上的至少一个电极中的每一个的最大阻抗恢复率、主成分分析PCA、线性判别分析,其中,所述DL算法对所述至少一个气体传感器进行预训练以提取所述多个已知气体分析物中的每一个的相应多个特征被包含在神经网络的隐藏层内。
10.根据权利要求1所述的方法,其中,所述ML或DL算法对所述至少一个气体传感器进行预训练以为所述OGE或所述TRE建立假阳性释放的决策边界并为剩余的每个类型的非OGE干扰气体释放建立相应决策边界包括利用以下确定方法中的任一个评估所生成的传感器信号:支持向量机、判别分析或最近邻算法、朴素贝叶斯和神经邻域、线性回归、广义线性模型GLM、支持向量回归、高斯过程回归GPR、集成方法、决策树和DL神经网络,所述DL神经网络包括以下至少之一:卷积神经网络CNN、初始时间架构、回声状态网络和长短期记忆LSTM网络。
11.一种系统,包括:
具有气源的外壳;以及
具有一个或更多个感测电极的至少一个气体传感器,所述至少一个气体传感器被部署以监测用于释放气体分析物的气源,其中,所述至少一个气体传感器在部署之前已利用机器学习ML或深度学习DL算法之一进行了先验预训练,所述ML或DL算法作为程序代码被存储在存储器中以供处理器执行,以便将释放的气体分析物区别于非OGE干扰气体释放检测并分类为包括以下一个或两个的事件:废气事件OGE或热失控事件TRE,
其中,利用所述ML或DL算法先验地预训练所述至少一个气体传感器以对所释放的气体分析物进行分类,使得所述处理器在传感器的初始现场部署之前预训练所述至少一个气体传感器以:
通过所述至少一个气体传感器的一个或更多个感测电极中的每一个在一段持续时间内检测多个已知气体分析物中的每一个,以生成表示所述多个已知气体分析物中的每一个的独特特性的相应传感器信号;
在所述时间段内对所生成的相应传感器信号进行预处理,以便提取所述多个已知气体分析物中的每一个的相应多个特征;
对所提取的相应多个特征进行处理,以为所述OGE和TRE中的一个或两个建立假阳性释放的决策边界,并且为剩余的每一个非OGE类型的干扰气体释放建立相应的决策边界;以及
将所述ML或DL算法中所建立的决策边界存储到存储器中,作为用于传感器的后现场部署的一个或更多个候选模型,以便将所述气源释放的气体分析物区别于所述非OGE干扰气体释放分类为所述OGE或所述TRE中的一个或两个。
12.根据权利要求11所述的系统,其中,由所述至少一个气体传感器中的一个或更多个感测电极中的每一个生成的相应气体传感器信号包括基于阻抗等效电路模型的阻抗值,所述阻抗等效电路模型具有与第二并联电阻器和电容器对串联级联的第一并联电阻器和电容器对,并且所述等效电路模型中的所述第一并联电阻器和电容器对模拟所述至少一个气体传感器在暴露于不同释放的气体时的响应的动态。
13.根据权利要求12所述的系统,其中,通过已由所述ML或DL算法预训练的所述至少一个气体传感器检测来自所述气源的气体分析物的释放消除了参考传感器的使用。
14.根据权利要求11所述的系统,其中,所述ML或DL算法对所述至少一个气体传感器进行预训练以提取所述多个已知气体分析物中的每一个的相应多个特征包括利用以下的任一个或组合:移动平均计算、布林带、最小电极阻抗、最大阻抗变化率、所述至少一个气体传感器上的至少一个电极中的每一个的最大阻抗恢复率、主成分分析PCA、线性判别分析。
15.根据权利要求11所述的系统,其中,所述ML或DL算法对所述至少一个气体传感器进行预训练以为所述OGE或所述TRE建立假阳性释放的决策边界并为剩余的每个类型的非OGE干扰气体释放建立相应决策边界包括利用以下确定方法中的任一个评估所生成的传感器信号:支持向量机、判别分析或最近邻算法、朴素贝叶斯和神经邻域、线性回归、广义线性模型GLM、支持向量回归、高斯回归过程GPR、集成方法、决策树和DL神经网络,所述DL神经网络包括以下至少之一:卷积神经网络CNN、初始时间架构、回声状态网络和长短期记忆LSTM网络。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063040260P | 2020-06-17 | 2020-06-17 | |
US63/040,260 | 2020-06-17 | ||
PCT/US2021/037258 WO2021257470A1 (en) | 2020-06-17 | 2021-06-14 | Systems and methods for monitoring a gas analyte |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115768340A true CN115768340A (zh) | 2023-03-07 |
Family
ID=79268331
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180043674.8A Pending CN115768340A (zh) | 2020-06-17 | 2021-06-14 | 用于监测气体分析物的系统和方法 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11486841B2 (zh) |
EP (1) | EP4167837A1 (zh) |
JP (1) | JP2023530436A (zh) |
KR (1) | KR20230038480A (zh) |
CN (1) | CN115768340A (zh) |
WO (1) | WO2021257470A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024031080A1 (en) * | 2022-08-05 | 2024-02-08 | Nexceris Innovation Holdings, Llc | System and method for detecting electrolyte and coolant leakage from lithium-ion battery systems |
TR2022012613A2 (tr) * | 2022-08-10 | 2022-10-21 | Firat Ueniversitesi Rektoerluegue | Canli uterus i̇çi̇ndeki̇ gaz çeşi̇tleri̇ni̇n sensör teknoloji̇si̇yle beli̇rlenmesi̇ni̇ sağlayan karar destek si̇stemi̇ |
CN115856204B (zh) * | 2022-09-06 | 2023-06-23 | 昆明理工大学 | 基于三维回声状态网络的掘进工作面瓦斯浓度预测方法 |
CN117554302B (zh) * | 2024-01-09 | 2024-04-02 | 杉木(深圳)生物科技有限公司 | 液体检测方法、装置、设备及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI458464B (zh) | 2012-02-01 | 2014-11-01 | Nat Univ Tsing Hua | 可早期偵測及辨識肺炎種類之呼吸器、其氣體辨識晶片、及其氣體辨識方法 |
US9553465B2 (en) * | 2014-04-21 | 2017-01-24 | Palo Alto Research Center Incorporated | Battery management based on internal optical sensing |
US10877011B2 (en) * | 2016-06-29 | 2020-12-29 | Nexceris, Llc | Systems and methods for monitoring for a gas analyte |
KR102466332B1 (ko) * | 2018-01-02 | 2022-11-15 | 삼성전자주식회사 | 가스 센서 패키지 |
CN109271700B (zh) * | 2018-09-10 | 2023-01-24 | 深圳市上欧新材料有限公司 | 基于深度学习多层网络建模的电池热管理方法及系统 |
WO2019171363A2 (en) * | 2019-05-07 | 2019-09-12 | Symbiosis International (Deemed University) | A system and a method for detection and classification of gasses |
-
2021
- 2021-06-14 US US17/602,227 patent/US11486841B2/en active Active
- 2021-06-14 JP JP2022576795A patent/JP2023530436A/ja active Pending
- 2021-06-14 WO PCT/US2021/037258 patent/WO2021257470A1/en unknown
- 2021-06-14 EP EP21825953.9A patent/EP4167837A1/en active Pending
- 2021-06-14 KR KR1020237001409A patent/KR20230038480A/ko unknown
- 2021-06-14 CN CN202180043674.8A patent/CN115768340A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2021257470A1 (en) | 2021-12-23 |
EP4167837A1 (en) | 2023-04-26 |
US20220099610A1 (en) | 2022-03-31 |
JP2023530436A (ja) | 2023-07-18 |
US11486841B2 (en) | 2022-11-01 |
KR20230038480A (ko) | 2023-03-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115768340A (zh) | 用于监测气体分析物的系统和方法 | |
Surya | Risk analysis model that uses machine learning to predict the likelihood of a fire occurring at a given property | |
Amado et al. | Development of machine learning-based predictive models for air quality monitoring and characterization | |
Al-Janabi et al. | Design and evaluation of a hybrid system for detection and prediction of faults in electrical transformers | |
Wei et al. | Dissolved gas analysis method based on novel feature prioritisation and support vector machine | |
Ma et al. | Statistical learning techniques and their applications for condition assessment of power transformer | |
US20190197236A1 (en) | Reconstruction-based anomaly detection | |
Rashid et al. | Wireless sensor network for distributed event detection based on machine learning | |
CN107219447B (zh) | 一种基于阻抗特征的直流电弧检测方法及系统 | |
Benouioua et al. | PEMFC stack voltage singularity measurement and fault classification | |
Zhang et al. | Bearing performance degradation assessment based on time-frequency code features and SOM network | |
CN116572747B (zh) | 电池故障检测方法、装置、计算机设备和存储介质 | |
Brown et al. | An evolutionary general regression neural network classifier for intrusion detection | |
CN110418962A (zh) | 用于针对气体分析物进行监测的系统和方法 | |
Olivato et al. | A comparative analysis on the use of autoencoders for robot security anomaly detection | |
CN111639722A (zh) | 基于主成分分析和孪生支持向量机的变压器故障诊断方法 | |
Gu et al. | Remaining useful life prediction using composite health index and hybrid LSTM‐SVR model | |
CN114266284A (zh) | 开关柜绝缘缺陷类型检测方法、装置、设备和程序产品 | |
Ogar et al. | The use of artificial neural network for low latency of fault detection and localisation in transmission line | |
Chen et al. | Using weather and schedule-based pattern matching and feature-based principal component analysis for whole building fault detection—Part I development of the method | |
Dawood et al. | Power quality disturbance classification based on efficient adaptive Arrhenius artificial bee colony feature selection | |
Donat et al. | Data visualization, data reduction and classifier fusion for intelligent fault diagnosis in gas turbine engines | |
US20240053323A1 (en) | Transformer malfunction diagnosis device and malfunction diagnosis method using same | |
US20240047773A1 (en) | System and method for detecting electrolyte and coolant leakage from lithium-ion battery systems | |
Liao et al. | Machine anomaly detection and diagnosis incorporating operational data applied to feed axis health monitoring |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40089619 Country of ref document: HK |