CN116154332A - 一种电池包泄露源定位方法、设备及介质 - Google Patents

一种电池包泄露源定位方法、设备及介质 Download PDF

Info

Publication number
CN116154332A
CN116154332A CN202310408761.XA CN202310408761A CN116154332A CN 116154332 A CN116154332 A CN 116154332A CN 202310408761 A CN202310408761 A CN 202310408761A CN 116154332 A CN116154332 A CN 116154332A
Authority
CN
China
Prior art keywords
concentration
vertex
prediction
vertex angle
storage
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
CN202310408761.XA
Other languages
English (en)
Other versions
CN116154332B (zh
Inventor
王芳
刘仕强
王文斌
王晓杰
杨亮
常宏
马小乐
姜成龙
韩丽琼
韦振
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.)
China Automobile Information Technology Tianjin Co ltd
China Automotive Research New Energy Vehicle Inspection Center Tianjin Co ltd
Original Assignee
China Automobile Information Technology Tianjin Co ltd
China Automotive Research New Energy Vehicle Inspection Center Tianjin Co ltd
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 China Automobile Information Technology Tianjin Co ltd, China Automotive Research New Energy Vehicle Inspection Center Tianjin Co ltd filed Critical China Automobile Information Technology Tianjin Co ltd
Priority to CN202310408761.XA priority Critical patent/CN116154332B/zh
Publication of CN116154332A publication Critical patent/CN116154332A/zh
Application granted granted Critical
Publication of CN116154332B publication Critical patent/CN116154332B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H01M10/4228—Leak testing of cells or batteries
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M3/00—Investigating fluid-tightness of structures
    • G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Chemical & Material Sciences (AREA)
  • Electrochemistry (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Examining Or Testing Airtightness (AREA)

Abstract

本发明实施例公开了一种电池包泄露源定位方法、设备及介质。方法包括：对电池包储运空间内四个顶角的有害气体浓度进行实时检测，其中，所述储运空间为长方体，所述四个顶角位于同一平面内；当检测到任一顶角的实测浓度达到设定阈值后，将各时刻所述四个顶角的实测浓度作为样本，对基于深度学习的有害气体浓度分布预测模型进行训练；利用训练好的模型，确定所述储运空间内的泄露源。本实施例能够快速定位发生危险的电池包。

Description

一种电池包泄露源定位方法、设备及介质
技术领域
本发明实施例涉及人工智能领域，尤其涉及一种电池包泄露源定位方法、设备及介质。
背景技术
新能源电池仓储和运输过程中，需要在库房或集装箱内堆积大量的动力电池包。而动力电池的原料多数属于危险化学品，例如碳酸二甲酯、碳酸甲乙酯、碳酸丙烯酯、六氟碳酸锂、有机溶剂等，且容易受到外界环境变化以及本身化学性质的影响，造成电池液泄露、起火、人员中毒，以及燃烧爆炸等危害。
现有技术中尚没有一种好的方法，能够实时监测库房或集装箱内的电池液泄露现象，更不能及时对发生泄露的电池包进行定位。
发明内容
本发明实施例提供一种电池包泄露源定位方法、设备及介质，通过储运空间内的有害气体浓度对深度学习网络进行无监督训练，快速定位发生泄露的电池包。
第一方面，本发明实施例提供了一种电池包泄露源定位方法，包括：
对电池包储运空间内四个顶角的有害气体浓度进行实时检测，其中，所述储运空间为长方体，所述四个顶角位于同一平面内；
当检测到任一顶角的实测浓度达到设定阈值后，将各时刻所述四个顶角的实测浓度作为样本，对基于深度学习的有害气体浓度分布预测模型进行训练，其中，所述设定阈值为判定发生电池液泄露的最小浓度；
利用训练好的模型，确定所述储运空间内的泄露源；
其中，所述训练好的模型用于：根据所述四个顶角中部分顶角的实测浓度，预测所述平面内的有害气体浓度分布；
训练过程中，选取所述四个顶角中的不同顶角组合对同一时刻的有害气体浓度分布分别进行预测，通过约束不同顶角组合下的预测结果一致，以及约束各顶角组合下的预测结果与所述组合之外其它顶角的实测浓度匹配，来完成模型训练。
第二方面，本发明实施例还提供了一种电子设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现任一实施例所述的电池包泄露源定位方法。
第三方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一实施例所述的电池包泄露源定位方法。
本发明实施例在电池包储运空间内安装传感器阵列，对电池液泄露产生的有害气体进行实时检测，通过实测浓度对深度学习网络进行无监督训练，预测空间内的有毒气体浓度分布情况。为了保证结果的鲁棒性和准确性，训练过程中对不同顶点组合下的预测结果进行对比，通过约束不同顶角组合下的预测结果一致，以及约束各顶角组合下的预测结果与所述组合之外其它顶角的实测浓度匹配，来完成模型训练。最后利用训练好的模型确定发生危险的电池包，有利于及时消除电池储运过程中的安全隐患。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种电池包泄露源定位方法的流程图。
图2是本发明实施例的提供的一种传感器位置的示意图。
图3是本发明实施例的提供的一种平面划分的示意图。
图4是本发明实施例的提供的一种模型预测的示意图。
图5是本发明实施例的提供的另一种模型预测的示意图。
图6为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行清楚、完整的描述。显然，所描述的实施例仅是本发明一部分实施例，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的前提下所得到的所有其它实施例，都属于本发明所保护的范围。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
图1是本发明实施例提供的一种电池包泄露源定位方法的流程图。该方法适用于对储运空间内的电池液泄露进行监测定位的情况，由电子设备执行。如图1所示，该方法具体包括：
S110、对电池包储运空间内四个顶角的有害气体浓度进行实时检测，其中，所述储运空间为长方体，所述四个顶角位于同一平面内。
所述长方体储运空间包括库房、集装箱等。长方体的各条边可以相等，也可以不相等，本实施例不作限制。所述四个顶角指长方体内部位于同一平面内的四个顶点。当所述储运空间为库房时，所述平面可以为库房的顶面、侧面或底面。当所述储运空间为集装箱时，所述平面可以为集装箱的顶面、侧面或底面。优选的，所述储运空间为密闭空间。
可选的，有害气体浓度通过传感器来测量。如图2所示，将四个传感器A、B、C、D分别安装在库房或集装箱内的四个顶角处，实时检测当前位置的有害气体浓度，作为后续判断危险的依据。
S120、当检测到任一顶角的实测浓度满足设定阈值后，将各时刻所述四个顶角的实测浓度作为样本，对基于深度学习的有害气体浓度分布预测模型进行训练，其中，所述设定阈值为判定发生电池液泄露的最小浓度。
为了便于描述，本实施例将传感器测量得到的有害气体浓度称为实测浓度。当任一顶角的实测浓度大于设定阈值时，认为有电池包发生电池液泄露，这时继续检测四个顶角的实测浓度。结合图2，将传感器A、B、C和D检测到的实测浓度分别记为RA、RB、RC和RD，则将同一时刻的实测浓度[RA,RB,RC,RD]作为一个样本，继续监测的过程中会得到多个样本。利用所述多个样本对基于深度学习的有害气体浓度分布预测模型进行无监督训练，使得将一个样本中的部分浓度值输入该模型后，模型能够输出同一时刻所述平面内的有害气体浓度分布。
为了实现这一目的，本实施例在训练过程中选取所述四个顶角中的不同顶角组合对同一时刻的有害气体浓度分布分别进行预测，通过约束不同顶角组合下的预测结果一致，以及约束各顶角组合下的预测结果与所述组合之外其它顶角的实测浓度匹配，来完成模型训练。
可选的，所述温度预测模型可以采用5层卷积神经网络来提取数据特征，每层的卷积核是3*3；卷积神经网络后使用全连接层生成特定尺寸的结果。根据输入、输出数据尺寸调整输出层和输出层维度即可。
在一具体实施方式中，上述训练过程包括如下步骤：
首先，从所述四个顶角中选取三个顶角构成不同顶角组合，其中，各顶角组合中的三个顶角具有相同的空间位置关系。以图2为例，可以选取如下四种顶角组合[A,B,C]、[B,C,D]、[C,D,A]和[D,A,B]，各顶角组合中三个顶角的空间位置关系均为：沿顺时针方向以90°为间隔依次排列。
然后，将各顶角组合在同一时刻的实测浓度分别输入所述模型，预测各顶角组合对应的、所述平面在所述时刻的有害气体浓度分布，其中，各预测结果由所述平面内各空间位置处的气体浓度排布而成。为了与实测浓度区分，本实施例将预测结果中的气体浓度称为预测浓度。继续以图2为例，如果将平面ABCD沿长度X和宽度Y方向分别划分为K段，则该平面被划分为K×K个网格（见图3），将各网格节点（图中用五角星或黑色圆点表示）处的预测浓度排布为(K+1)×(K+1)的矩阵，构成所述模型的输出。矩阵中各元素R(i,j)表示空间位置(i,j)处的预测浓度，其中，i、j均为0到K之间的整数。基于以上矩阵形式，本步骤将四种顶角组合在同一时刻的实测浓度[RA,RB,RC]、[RB,RC,RD]、[RC,RD,RA]和[RD,RA,RB]分别输入所述模型，分别得到四个分布矩阵MABC、MBCD、MCDA和MDAB，如图4所示。结合图3，各矩阵的具体数据如下：
Figure SMS_1
（1）
Figure SMS_2
（2）
Figure SMS_3
（3）
Figure SMS_4
（4）
为了便于区分和描述，本实施例将储运空间内的某一位置称为一“空间位置”，将一空间位置处的预测浓度在预测结果中的位置称为“排布位置”。当预测结果以上述矩阵形式表示时，排布位置即指矩阵中的行列位置。通过公式（1）-（4）可以看出，各顶角组合对应的预测结果具有以下两方面特征：
一方面，各顶角组合中的三个顶角的预测浓度在对应的预测结果中具有相同的排布位置。例如，顶角组合[A,B,C]中三个顶角的预测浓度[R(0,0),R(K,0),R(K,K)]在对应的分布矩阵MABC中的行列位置分别为第1行第1列、第1行第K+1列、第K+1行第K+1列，顶角组合[B,C,D]中三个顶角的预测浓度[R(K,0),R(K,K),R(0,K)]在对应的分布矩阵MBCD中的行列位置也分别为第1行第1列、第1行第K+1列、第K+1行第K+1列，顶角组合[C,D,A]和[D,A,B]类似，均对应第1行第1列、第1行第K+1列、第K+1行第K+1列三个行列位置。这是因为，各顶角组合中的三个顶角的预测浓度在预测结果中的排布位置，反映了模型输入与输出之间的数据规律，而相同的深度学习模型所学习的数据规律应当一致。
另一方面，各预测结果之间的变换关系与各顶角组合之间的变换关系一致。例如，顶角组合[A,B,C]与[B,C,D]之间的变换关系为逆时针旋转90°，即：将顶角平面ABCD逆时针旋转90°后，在相同空间位置（即图2中的左上角、右上角、右下角）上的顶角由[A,B,C]变为[B,C,D]；而MABC和MBCD之间的变换关系同样为逆时针旋转90°，即：将预测结果逆时针旋转90°后，MABC变为MBCD。这是因为，模型输入与输出之间的数据规律一致，当模型输入发生空间变换后，模型输出应发生一致的空间变换。
得到各顶角组合对应的、所述平面在所述时刻的有害气体浓度分布后，本实施例通过如下两种方式分别实现“不同顶角组合下的预测结果一致”以及“各顶角组合下的预测结果与所述组合之外其它顶角的实测浓度匹配”两种约束条件，来完成模型训练。
第一种方式，用于约束不同顶角组合下的预测结果一致。可选的，该方式包括如下步骤：
步骤一、根据所述变换关系对各预测结果进行变换，使各空间位置的预测浓度在各变换后的预测结果中具有相同的排布位置。可选的，在预测结果采用矩阵表示的情况下，可以根据所述变换关系的逆变换，对各预测结果进行矩阵旋转，使各空间位置的预测浓度在各变换后的矩阵中具有相同的行列位置。仍以公式（1）-（4）中的有害气体浓度分布矩阵MABC、MBCD、MCDA和MDAB为例，顶角组合[A,B,C]与[B,C,D]之间的变换关系为逆时针旋转90°，其逆变换为顺时针旋转90°，则对MBCD进行顺时针90°的矩阵旋转得到NBCD，旋转后各空间位置的预测浓度在NBCD与MABC中具有一致的行列位置，例如，空间位置(0,0)的预测浓度R(0,0)在NBCD与MABC中的行列位置均为第1行第1列。同理，顶角组合[A,B,C]与[C,D,A]之间的变换关系为逆时针旋转180°，则对MCDA进行顺时针180°的矩阵旋转得到NCDA，旋转后各空间位置的预测浓度在NCDA与MABC中具有一致的行列位置。而顶角组合[A,B,C]与[D,A,B]之间的变换关系为顺时针旋转90°，则对MDAB进行逆时针90°的矩阵旋转得到NDAB。
步骤二、通过约束各变换后的预测结果一致，来完成模型训练。可选的，从各变换后的预测结果中，提取同一排布位置处的预测浓度；通过各提取结果的差异最小化，来完成模型训练。在一具体实施方式中，构建如下损失函数：
Figure SMS_5
其中，NABC[i][j]、NBCD[i][j]、NCDA[i][j]和NDAB[i][j]分别表示矩阵NABC、NBCD、NCDA和NDAB的第i+1行第j+1列元素。通过Loss1的最小化，能够保证同一空间位置在不同预测结果MABC、MBCD、MCDA和MDAB中的预测浓度差异是最小的，从而实现不同顶角组合下的预测结果一致。
第二种方式，用于约束各顶角组合下的预测结果与所述组合之外其它顶角的实测浓度匹配。可选的，该方式包括：从任一顶角组合对应的预测结果中，提取所述组合之外其它顶角的预测浓度；通过约束所述其它顶角的预测浓度与实测浓度一致，来完成模型训练。以顶角组合[A,B,C]为例，[A,B,C]之外的其它顶角为D，则从对应的预测结果MABC中提取顶角D的预测浓度MABC[0][K]；通过约束预测浓度MABC[0][K]和实测浓度RD一致，来完成模型训练。在一具体实施方式中，可以构建如下损失函数：
Figure SMS_6
其中，MABC[0][K]、MBCD[0][K]、MCDA[0][K]和MDAB[0][K]分别表示矩阵MABC、MBCD、MCDA和MDAB的第1行第K+1列元素。通过Loss2的最小化，能够保证各顶角组合下的预测结果与所述组合之外其它顶角的实测浓度匹配。
需要说明的是，本实施例中第一种方式和第二种方式是同时存在的，同时实现模型训练中的两种约束条件。在一具体实施方式中，可以将公式（5）（6）融合，构建如下损失函数：
Figure SMS_7
通过Loss的最小化，能够同时保证“不同顶角组合下的预测结果一致”以及“各顶角组合下的预测结果与所述组合之外其它顶角的实测浓度匹配”，使预测结果不断逼近有害气体浓度的真实分布。
S130、利用训练好的模型，确定所述储运空间内的泄露源。
模型训练完毕后，继续通过传感器获取所述四个顶角的实测浓度，并将不同的顶角组合在新时刻的实测浓度分别输入训练好的模型，预测各顶角组合对应的、所述平面内的有害气体浓度分布。此处各顶角组合中顶角之间的空间位置关系，与训练阶段保持一致。
然后，将各空间位置的预测浓度在各预测结果中的排布位置变换一致。具体过程与上述第一种方式的步骤一一致，此处不再赘述。变换完毕后，将各变换后的预测结果相加求平均，平均值最高的排布位置对应泄露源的二维空间位置(i m ,j m )。在各空间位置采用图3所示的网格节点表示的情况下，根据所述平面的长度X和宽度Y对(i m ,j m )进行变换，可以得到对应的二维空间坐标
Figure SMS_8
。
需要说明的是，该(i m ,j m )是一个二维空间位置，可以通过该位置进一步确定泄露源在储运空间内的三维空间位置。通常情况下，电池包在储运空间内有序的堆叠放置，电池包之间相互平行，因此可以确定所述平面的多个平行面；确定所述平均值最高的空间位置在各平行面上的投影，覆盖各投影点的电池包即为可能发生危险的电池包。然后，通过警报提示对这些电池包进行检查，从而确定真正的泄露源。
本实施例在库房或集装箱等储运空间内安装传感器阵列，对电池液泄露产生的有害气体进行实时检测，通过实测浓度对深度学习网络进行无监督训练，预测空间内的有毒气体浓度分布情况。为了保证结果的鲁棒性和准确性，训练过程中对不同顶点组合下的预测结果进行旋转和对比，通过约束不同顶角组合下的预测结果一致，以及约束各顶角组合下的预测结果与所述组合之外其它顶角的实测浓度匹配，来完成模型训练；最后通过浓度最高的点实现泄露源快速定位，有利于及时消除电池储运过程中的安全隐患。
特别的，本实施例充分利用了电池包在储运空间内有序堆叠的特性，将平面内的二维浓度分布作为预测对象，通过浓度最高的点锁定泄露源电池包的二维空间位置，沿该空间位置依次检查，即可快速找到发生危险的电池包。与将整个空间内的三维浓度分布作为预测对象相比，本实施例的方法减少了模型训练的计算量，加快模型收敛，是快速定位并排除危险的关键。
图6为本发明实施例提供的一种电子设备的结构示意图，如图6所示，该设备包括处理器60、存储器61、输入装置62和输出装置63；设备中处理器60的数量可以是一个或多个，图6中以一个处理器60为例；设备中的处理器60、存储器61、输入装置62和输出装置63可以通过总线或其他方式连接，图6中以通过总线连接为例。
存储器61作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的电池包泄露源定位方法对应的程序指令/模块。处理器60通过运行存储在存储器61中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的电池包泄露源定位方法。
存储器61可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器61可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器61可进一步包括相对于处理器60远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置62可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置63可包括显示屏等显示设备。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一实施例的电池包泄露源定位方法。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器（RAM）、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案。

Claims (10)

1.一种电池包泄露源定位方法，其特征在于，包括：
对电池包储运空间内四个顶角的有害气体浓度进行实时检测，其中，所述储运空间为长方体，所述四个顶角位于同一平面内；
当检测到任一顶角的实测浓度达到设定阈值后，将各时刻所述四个顶角的实测浓度作为样本，对基于深度学习的有害气体浓度分布预测模型进行训练，其中，所述设定阈值为判定发生电池液泄露的最小浓度；
利用训练好的模型，确定所述储运空间内的泄露源；
其中，所述训练好的模型用于：根据所述四个顶角中部分顶角的实测浓度，预测所述平面内的有害气体浓度分布；
训练过程中，选取所述四个顶角中的不同顶角组合对同一时刻的有害气体浓度分布分别进行预测，通过约束不同顶角组合下的预测结果一致，以及约束各顶角组合下的预测结果与所述组合之外其它顶角的实测浓度匹配，来完成模型训练。
2.根据权利要求1所述的方法，其特征在于，所述储运空间包括：库房或集装箱；
所述平面包括：所述库房的顶面、侧面或底面，或集装箱的顶面、侧面或底面。
3.根据权利要求1所述的方法，其特征在于，所述选取所述四个顶角中的不同顶角组合对同一时刻的有害气体浓度分布分别进行预测，通过约束不同顶角组合下的预测结果一致，来完成模型训练，包括：
从所述四个顶角中选取三个顶角构成不同顶角组合，其中，各顶角组合中的三个顶角具有相同的空间位置关系；
将各顶角组合在同一时刻的实测浓度分别输入所述模型，预测各顶角组合对应的、所述平面在所述时刻的有害气体浓度分布，其中，各预测结果由所述平面内各空间位置的预测浓度排布而成，各预测结果之间的变换关系与各顶角组合之间的变换关系一致；
根据所述变换关系对各预测结果进行变换，使各空间位置的预测浓度在各变换后的预测结果中具有相同的排布位置；
通过约束各变换后的预测结果一致，来完成模型训练。
4.根据权利要求3所述的方法，其特征在于，所述平面沿长度和宽度方向分别划分为K段，各预测结果表现为(K+1)×(K+1)的矩阵，其中，K为大于1的自然数；
所述根据所述变换关系对各预测结果进行变换，使各空间位置的预测浓度在各变换后的预测结果中具有相同的排布位置，包括：
根据所述变换关系的逆变换，对各预测结果进行矩阵旋转，使各空间位置的预测浓度在各变换后的矩阵中具有相同的行列位置。
5.根据权利要求3所述的方法，其特征在于，所述通过约束各变换后的预测结果一致，来完成模型训练，包括：
从各变换后的预测结果中，提取同一排布位置处的预测浓度；
通过各提取结果的差异最小化，来完成模型训练。
6.根据权利要求1所述的方法，其特征在于，所述选取所述四个顶角中的不同顶角组合对同一时刻的有害气体浓度分布分别进行预测，通过约束各顶角组合下的预测结果与所述组合之外其它顶角的实测浓度匹配，来完成模型训练，包括：
从所述四个顶角中选取三个顶角构成不同顶角组合，其中，各顶角组合中的三个顶角具有相同的空间位置关系；
将各顶角组合在同一时刻的实测浓度分别输入所述模型，预测各顶角组合对应的、所述平面在所述时刻的有害气体浓度分布；
从任一顶角组合对应的预测结果中，提取所述组合之外其它顶角的预测浓度；
通过约束所述其它顶角的预测浓度与实测浓度一致，来完成模型训练。
7.根据权利要求1所述的方法，其特征在于，所述利用训练好的模型，确定所述储运空间内的泄露源，包括：
将各顶角组合在新时刻的实测浓度分别输入训练好的模型，预测各顶角组合对应的、所述平面内的有害气体浓度分布；
将各空间位置的预测浓度在各预测结果中的排布位置变换一致；
将各变换后的预测结果相加求平均；
根据平均值最高的空间位置，确定所述储运空间内的泄露源。
8.根据权利要求7所述的方法，其特征在于，多个电池包在所述储运空间内堆叠放置；
所述根据平均值最高的空间位置，确定所述储运空间内的泄露源，包括：
确定所述平面的多个平行面；
根据所述平均值最高的空间位置在各平行面上的投影，确定可能发生危险的电池包；
提示对各可能发生危险的电池包进行检查，从而确定泄露源。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现权利要求1-8任一所述的电池包泄露源定位方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，该程序被处理器执行时实现权利要求1-8任一所述的电池包泄露源定位方法。
CN202310408761.XA 2023-04-18 2023-04-18 一种电池包泄露源定位方法、设备及介质 Active CN116154332B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310408761.XA CN116154332B (zh) 2023-04-18 2023-04-18 一种电池包泄露源定位方法、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310408761.XA CN116154332B (zh) 2023-04-18 2023-04-18 一种电池包泄露源定位方法、设备及介质

Publications (2)

Publication Number Publication Date
CN116154332A true CN116154332A (zh) 2023-05-23
CN116154332B CN116154332B (zh) 2023-06-23

Family

ID=86352716

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310408761.XA Active CN116154332B (zh) 2023-04-18 2023-04-18 一种电池包泄露源定位方法、设备及介质

Country Status (1)

Country Link
CN (1) CN116154332B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104598738A (zh) * 2015-01-26 2015-05-06 辽宁工程技术大学 一种上隅角瓦斯浓度预测方法
KR20170124124A (ko) * 2016-04-29 2017-11-10 중앙대학교 산학협력단 밀폐공간에서 발생되는 가스 누출 농도 예측 방법
CN109190828A (zh) * 2018-09-07 2019-01-11 苏州大学 泄漏气体浓度分布确定方法、装置、设备及可读存储介质
CN111144055A (zh) * 2019-12-27 2020-05-12 苏州大学 城市环境中有毒重气泄漏浓度分布确定方法、装置及介质
CN115719460A (zh) * 2022-07-20 2023-02-28 贵州大学 一种基于深度学习的气体泄露检测方法、系统及终端设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104598738A (zh) * 2015-01-26 2015-05-06 辽宁工程技术大学 一种上隅角瓦斯浓度预测方法
KR20170124124A (ko) * 2016-04-29 2017-11-10 중앙대학교 산학협력단 밀폐공간에서 발생되는 가스 누출 농도 예측 방법
CN109190828A (zh) * 2018-09-07 2019-01-11 苏州大学 泄漏气体浓度分布确定方法、装置、设备及可读存储介质
CN111144055A (zh) * 2019-12-27 2020-05-12 苏州大学 城市环境中有毒重气泄漏浓度分布确定方法、装置及介质
CN115719460A (zh) * 2022-07-20 2023-02-28 贵州大学 一种基于深度学习的气体泄露检测方法、系统及终端设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
倪婧: "基于深度学习的有毒重气点源扩散浓度实时预测研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 *

Also Published As

Publication number Publication date
CN116154332B (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
Jokar et al. An inverse method for estimating the electrochemical parameters of lithium-ion batteries
Zhou et al. A matrix-based modeling and analysis approach for fire-induced domino effects
Duquesnoy et al. Machine learning-assisted multi-objective optimization of battery manufacturing from synthetic data generated by physics-based simulations
Men et al. A multi-objective emergency rescue facilities location model for catastrophic interlocking chemical accidents in chemical parks
Craparo et al. Sensor placement in active multistatic sonar networks
CN116681292B (zh) 基于深度学习的石化港区安全风险分析及责任划分方法
Reeger et al. Numerical quadrature over the surface of a sphere
CN116154332B (zh) 一种电池包泄露源定位方法、设备及介质
Yang et al. A random chemical reaction optimization algorithm based on dual containers strategy for multi‐rotor UAV path planning in transmission line inspection
Berghout et al. EL-NAHL: Exploring labels autoencoding in augmented hidden layers of feedforward neural networks for cybersecurity in smart grids
US20170186145A1 (en) Method for determining reusability, apparatus for displaying boundary sample, and method for displaying boundary sample
US9251191B2 (en) System and method for indexing of geospatial data using three-dimensional Cartesian space
CN113506293A (zh) 一种图像处理方法、装置、设备及存储介质
CN112710623A (zh) 遥感监测有毒有害气体扩散范围和浓度的方法和设备
CN107995630B (zh) 一种无线网络覆盖的信号数据计算方法及装置
Byun et al. Bounds on reliability of larger systems by linear programming with delayed column generation
Johri et al. System Assurances: Modeling and Management
CN116151037B (zh) 电池包储运空间温度预测模型构建及危险源定位方法
EP3824597B1 (en) Quantitative analysis of physical risk due to geospatial proximity of network infrastructure
Chagnes et al. Ion–dipole interactions in concentrated organic electrolytes
Haque et al. Wireless Sensor Networks Data Anomaly Detection: A Smart Approach
CN117689215B (zh) 危险货物集装箱的港区装卸仓储安全风险评估系统、方法
Wang et al. Optimal decision for the satellite navigation system under navigation countermeasures based on spoofing effect evaluation results
Yu et al. Bayesian-based search decision framework and search strategy analysis in probabilistic search
CN117783886B (zh) 动力电池异常状态识别方法、装置、电子设备及存储介质

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
GR01 Patent grant
GR01 Patent grant