CN116429339B - 一种新能源电池盒泄露检测方法及系统 - Google Patents
一种新能源电池盒泄露检测方法及系统 Download PDFInfo
- Publication number
- CN116429339B CN116429339B CN202310664634.6A CN202310664634A CN116429339B CN 116429339 B CN116429339 B CN 116429339B CN 202310664634 A CN202310664634 A CN 202310664634A CN 116429339 B CN116429339 B CN 116429339B
- Authority
- CN
- China
- Prior art keywords
- data set
- detection data
- leakage
- sensing
- type
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 206
- 230000035945 sensitivity Effects 0.000 claims abstract description 68
- 238000013507 mapping Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 32
- 230000008859 change Effects 0.000 claims description 23
- 230000004927 fusion Effects 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000002547 anomalous effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000003792 electrolyte Substances 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
Classifications
-
- 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
- G01M3/04—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point
- G01M3/16—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point using electric detection means
- G01M3/18—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point using electric detection means for pipes, cables or tubes; for pipe joints or seals; for valves; for welds; for containers, e.g. radiators
- G01M3/186—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point using electric detection means for pipes, cables or tubes; for pipe joints or seals; for valves; for welds; for containers, e.g. radiators for containers, e.g. radiators
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
- G01R29/24—Arrangements for measuring quantities of charge
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
-
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- 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)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及智能检测技术领域,提供了一种新能源电池盒泄露检测方法及系统,方法包括:划分电荷检测区域,检测得到电荷检测数据集;设置传感器,构建集成传感器模组,得到传感检测数据集,结合电荷检测数据集,建立映射样本数据集,得到基于数据灵敏度特征的分类结果,输出第一类传感检测数据集,结合电荷检测数据集进行数据异常识别,输出预警信息并进行电池盒存在泄露情况提醒,解决了仅支持在已产生的发生明显泄漏现象后发出电池盒泄露预警,无法及时检测发现新能源电池盒泄露的技术问题,采集实时的电荷数据,合理分布设置传感器,同时,按照灵敏度特征在泄漏现象初期发出电池盒泄露预警,达到了及时检测发现新能源电池盒泄露的技术效果。
Description
技术领域
本发明涉及智能检测相关技术领域,具体涉及一种新能源电池盒泄露检测方法及系统。
背景技术
在新能源电池盒的使用过程中,由于操作不当、外部环境温度变化、电池老化、压力变化等因素,都可能导致电池盒出现泄漏现象,若出现新能源电池盒泄露问题,可能导致电池损坏、电池系统性能下降,以及可能造成的安全事故。
电池盒自身结构上的缺陷或损坏,就会导致电池中的电解液泄漏出来,影响电池性能和寿命;同时,在高温环境下,电池内部的压强增大,也容易引起气体和电解液的泄漏,因此,进行电池盒泄露检测可以及时发现并解决潜在的问题,保障电池的正常运行和用户的安全,常见的,可以利用高分辨率摄像头拍摄电池盒表面图像,并借助计算机图像处理算法进行分析和识别,判断电池盒表面是否有裂痕、渗漏物、变形等异常情况,但图像处理算法仅用于确定已产生的发生明显泄漏现象,无法保证电池盒的使用安全。
综上所述,现有技术中存在仅支持在已产生的发生明显泄漏现象后发出电池盒泄露预警,无法及时检测发现新能源电池盒泄露的技术问题。
发明内容
本申请通过提供了一种新能源电池盒泄露检测方法及系统,旨在解决现有技术中的仅支持在已产生的发生明显泄漏现象后发出电池盒泄露预警,无法及时检测发现新能源电池盒泄露的技术问题。
鉴于上述问题,本申请实施例提供了一种新能源电池盒泄露检测方法及系统。
本申请公开的第一个方面,提供了一种新能源电池盒泄露检测方法,其中,所述方法包括:根据目标电池盒的第一电池组分布信息,划分电荷检测区域;按照所述电荷检测区域对应检测电荷变化,得到电荷检测数据集;对所述目标电池盒进行传感器分布,构建集成传感器模组,以所述集成传感器模组进行传感,得到传感检测数据集;基于所述电荷检测数据集和所述传感检测数据集,建立映射样本数据集,根据所述映射样本数据集,得到基于数据灵敏度特征的分类结果;根据所述数据灵敏度特征的分类结果,输出第一类传感检测数据集,其中,所述第一类传感检测数据集标识在所述电荷检测数据集变化时,所述传感检测数据集中数据灵敏度变化最大的传感数据集;以所述电荷检测数据集和所述第一类传感检测数据集进行数据异常识别,输出第一预警信息,用于提醒所述目标电池盒存在泄露情况。
本申请公开的另一个方面,提供了一种新能源电池盒泄露检测系统,其中,所述系统包括:电荷检测区域划分模块,用于根据目标电池盒的第一电池组分布信息,划分电荷检测区域;电荷检测数据集得到模块,用于按照所述电荷检测区域对应检测电荷变化,得到电荷检测数据集;传感检测数据集得到模块,用于对所述目标电池盒进行传感器分布,构建集成传感器模组,以所述集成传感器模组进行传感,得到传感检测数据集;映射样本数据集建立模块,用于基于所述电荷检测数据集和所述传感检测数据集,建立映射样本数据集,根据所述映射样本数据集,得到基于数据灵敏度特征的分类结果;第一类传感检测数据集输出模块,用于根据所述数据灵敏度特征的分类结果,输出第一类传感检测数据集,其中,所述第一类传感检测数据集标识在所述电荷检测数据集变化时,所述传感检测数据集中数据灵敏度变化最大的传感数据集;第一预警信息输出模块,用于以所述电荷检测数据集和所述第一类传感检测数据集进行数据异常识别,输出第一预警信息,用于提醒所述目标电池盒存在泄露情况。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了根据目标电池盒的第一电池组分布信息,划分电荷检测区域,检测电荷变化,得到电荷检测数据集;对目标电池盒进行传感器分布,构建集成传感器模组,以集成传感器模组进行传感,得到传感检测数据集,结合电荷检测数据集,建立映射样本数据集,得到基于数据灵敏度特征的分类结果,输出第一类传感检测数据集,结合电荷检测数据集进行数据异常识别,输出第一预警信息并进行电池盒存在泄露情况提醒,采集实时的电荷数据,合理分布设置传感器,同时,按照灵敏度特征在泄漏现象初期发出电池盒泄露预警,达到了及时检测发现新能源电池盒泄露的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种新能源电池盒泄露检测方法可能的流程示意图;
图2为本申请实施例提供了一种新能源电池盒泄露检测方法中得到集成传感器模组可能的流程示意图;
图3为本申请实施例提供了一种新能源电池盒泄露检测方法中获取基于数据灵敏度特征的分类结果可能的流程示意图;
图4为本申请实施例提供了一种新能源电池盒泄露检测系统可能的结构示意图。
附图标记说明:电荷检测区域划分模块100,电荷检测数据集得到模块200,传感检测数据集得到模块300,映射样本数据集建立模块400,第一类传感检测数据集输出模块500,第一预警信息输出模块600。
具体实施方式
本申请实施例提供了一种新能源电池盒泄露检测方法及系统,解决了仅支持在已产生的发生明显泄漏现象后发出电池盒泄露预警,无法及时检测发现新能源电池盒泄露的技术问题,采集实时的电荷数据,合理分布设置传感器,同时,按照灵敏度特征在泄漏现象初期发出电池盒泄露预警,达到了及时检测发现新能源电池盒泄露的技术效果。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种新能源电池盒泄露检测方法,其中,所述方法包括:
S10:根据目标电池盒的第一电池组分布信息,划分电荷检测区域;
S20:按照所述电荷检测区域对应检测电荷变化,得到电荷检测数据集;
具体而言,所述目标电池盒为待检测电池盒,所述第一电池组分布信息包括电池数量、电池容量、连通关系等一系列基础信息,在所述第一电池组充电/放电的时候,根据目标电池盒的第一电池组分布信息中的连通关系,设置电荷量采集点,一般的,所述连通关系为串联,所述电荷量采集点为电池组串联对应的连接点,以所述电荷量采集点为中心,将可以检测到电荷量变化的区域定义为所述电荷检测区域;
按照所述电荷检测区域设置电荷量采集点,利用电荷量测量仪器采集对应检测电荷变化,得到电荷检测数据集,所述电荷检测数据集中的元素为电荷量采集点的电荷检测数据,所述电荷检测数据集中的元素与所述电荷量采集点一一对应,为进行后续分析提供数据基础。
S30:对所述目标电池盒进行传感器分布,构建集成传感器模组,以所述集成传感器模组进行传感,得到传感检测数据集;
如图2所示,步骤S30包括步骤:
S31:获取所述目标电池盒的应用环境信息;
S32:根据所述应用环境信息作为传感器筛选特征,确定基于传感类型集合的n个传感器类型;
S33:以所述n个传感器类型进行传感器分布,基于每一传感器对应的传感数据传输终端对应一个传感器模组,输出n个传感器模组;
S34:将所述n个传感器模组进行集成,得到集成传感器模组。
具体而言,对所述目标电池盒进行传感器分布,构建集成传感器模组,以所述集成传感器模组进行传感,得到传感检测数据集,包括,外部环境温度变化、压力变化等因素,都可能导致电池盒出现泄漏现象,基于此,获取所述目标电池盒的应用环境信息,所述应用环境信息包括应用环境温度;
所述传感类型集合至少包括温度检测传感器、压强检测传感器,将所述应用环境信息作为传感器筛选特征:若所述所述应用环境信息中产生较大的外部环境温度变化,筛选所得传感器类型为温度检测传感器;若所述应用环境信息中产生较大的压力变化,筛选所得传感器类型为压强检测传感器,由此,确定基于传感类型集合的n个传感器类型,其中,N为正整数,所述传感类型集合的n个传感器类型与所述应用环境信息变化对应;
基于每一传感器对应的传感数据传输终端对应一个传感器模组,对照所述n个传感器类型进行传感器分布设置,输出n个传感器模组,所述n个传感器模组与所述n个传感器类型一一对应,即将所有的温度检测传感器采集所得数据通过传感数据传输终端输送至温度传感器模组、将所有的压强检测传感器采集所得数据通过传感数据传输终端输送至压强传感器模组;将所述n个传感器类型作为标记信息,对所述n个传感器模组进行标识集成,得到集成传感器模组,为进行实时检测提供支持。
S40:基于所述电荷检测数据集和所述传感检测数据集,建立映射样本数据集,根据所述映射样本数据集,得到基于数据灵敏度特征的分类结果;
如图3所示,步骤S40包括步骤:
S41:获取所述传感检测数据集,其中,所述传感检测数据集包括n个传感器模组输出的n个传感检测数据;
S42:基于所述电荷检测数据集和所述n个传感检测数据的对应关系,建立n组映射样本数据集;
S43:将所述n组映射样本数据集输入灵敏度自适应分类器中,获取所述基于数据灵敏度特征的分类结果。
具体而言,基于所述电荷检测数据集和所述传感检测数据集,建立映射样本数据集,根据所述映射样本数据集,得到基于数据灵敏度特征的分类结果,包括,所述传感检测数据集包括n个传感器模组输出的n个传感检测数据,所述传感检测数据包括温度检测数据、压力检测数据,获取所述传感检测数据集;依照所述电荷检测数据集的时序信息和所述n个传感检测数据的时序信息,对数据进行关联对应组合,建立n组映射样本数据集;将所述n组映射样本数据集作为输入数据,输入灵敏度自适应分类器中进行数据灵敏度特征的分类,获取所述基于数据灵敏度特征的分类结果,所述数据灵敏度特征用于表征数据的变化率,所述数据灵敏度特征包括检测采集频率、每次采集对应的数据变化量,为代入灵敏度自适应分类器中进行数据灵敏度特征的分类提供参考。
步骤S43包括步骤:
S431:所述灵敏度自适应分类器通过T个弱分类器融合获取,所述T个弱分类器的融合包括:生成分类样本数据集,从所述分类样本数据集中随机选取m组训练数据;
S432:对所述m组训练数据进行第一权重训练层进行初始化,获取初始弱分类器;
S433:根据所述初始弱分类器的分类结果,获取所述初始弱分类器的误差;
S434:根据所述初始弱分类器的误差,获取迭代权重;
S435:按照所述迭代权重对所述初始弱分类器进行调整,以此类推,得到T次迭代后的T组弱分类器;
S436:根据所述T组弱分类器进行融合,生成所述灵敏度自适应分类器。
步骤S436包括步骤:
S436-1:根据所述T组弱分类器进行融合,生成所述灵敏度自适应分类器的公式如下:,其中,/>为第t个弱分类器对样本的预测值,/>为基于第t个弱分类器预测误差计算得到的迭代权重,/>为迭代次数。
具体而言,在将所述n组映射样本数据集输入灵敏度自适应分类器中之前,包括,所述灵敏度自适应分类器通过T个弱分类器融合获取,其中,T为不小于3的正整数,所述T个弱分类器的融合包括:生成分类样本数据集,弱分类器表征为基础的函数映射关系,包括y=1/x、y=1nx,所述分类样本数据集为所述新能源电池盒泄露检测系统数据存储单元所记录的经验数据,从所述分类样本数据集中不放回的随机选取m组训练数据;
将所述m组训练数据与所述新能源电池盒泄露之间的相关度作为初始化权重,对所述m组训练数据进行第一权重训练层进行初始化,获取初始弱分类器,其中,所述m组训练数据与所述新能源电池盒泄露之间的相关度计算为现有技术;
比对所述初始弱分类器的分类结果与所述T个弱分类器之间误差,将所述初始弱分类器的分类结果与所述T个弱分类器之间误差按照从小到大的顺序排列,对照误差大小设置迭代权重,误差越较小的分类器对应的权值较大,误差越较大的分类器对应的权值较小;按照所述迭代权重对所述初始弱分类器进行权重修正调整,以此类推,得到T次迭代后的T组弱分类器;根据所述T组弱分类器进行融合,生成所述灵敏度自适应分类器,所述灵敏度自适应分类器集中T组弱分类器的功能;
经多次验证,根据所述T组弱分类器进行融合,生成所述灵敏度自适应分类器的公
式如下:,其中,为灵敏度自适应分类器,为第
t个弱分类器对样本的预测值,为基于第t个弱分类器预测误差计算得到的迭代权重,
为迭代次数,为进行数据灵敏度特征的分类提供模型基础。
S50:根据所述数据灵敏度特征的分类结果,输出第一类传感检测数据集,其中,所述第一类传感检测数据集标识在所述电荷检测数据集变化时,所述传感检测数据集中数据灵敏度变化最大的传感数据集;
S60:以所述电荷检测数据集和所述第一类传感检测数据集进行数据异常识别,输出第一预警信息,用于提醒所述目标电池盒存在泄露情况。
具体而言,按照所述数据灵敏度特征的分类结果,按照数据灵敏度特征的数据灵敏度从大到小的顺序,确定第一类传感检测数据集并输出,所述第一类传感检测数据集标识在所述电荷检测数据集变化时,所述传感检测数据集中数据灵敏度变化最大的传感数据集;
将所述电荷检测数据集作为第一泄露检测指标;同时,判断所述第一类传感检测数据集中的数据类型是否大于等于2:若所述第一类传感检测数据集中的数据类型不大于等于2,即所述第一类传感检测数据集中的数据类型等于1时,将所述第一类传感检测数据集作为第二检测指标,以所述电荷检测数据集和所述第一类传感检测数据集进行数据异常识别,在所述电荷检测数据集和所述第一类传感检测数据集同时发生异常时,输出第一预警信息,所述第一预警信息用于提醒所述目标电池盒存在泄露情况,为及时检测发现新能源电池盒泄露提供支持。
步骤S60包括步骤:
S61:判断所述第一类传感检测数据集中的数据类型是否大于等于2,若所述第一类传感检测数据集中的数据类型大于等于2,生成第二权重训练网络层;
S62:将所述灵敏度自适应分类器输出的分类结果作为输入信息,搭建泄露概率识别模型,其中,所述泄露概率识别模型中嵌有所述第二权重训练网络层;
S63:根据所述泄露概率识别模型,对所述电荷检测数据集和所述第一类传感检测数据集进行概率异常识别,得到第一泄露概率;
S64:根据所述第一泄露概率,输出所述第一预警信息。
本申请实施例还包括:
S631:,其中,标识所述第一类传感检测数据集中第i
个数据类型发生异常的概率;标识在第i个数据类型发生异常的条件下电荷检测数据集
发生异常的概率;为所述第一类传感检测数据集中第i个数据类型对应的权重;为所述第一类传感检测数据集中传感数据类型的数量。
具体而言,判断所述第一类传感检测数据集中的数据类型是否大于等于2:若所述第一类传感检测数据集中的数据类型大于等于2,生成第二权重训练网络层:将所述灵敏度自适应分类器输出的分类结果作为输入信息,提取所述灵敏度自适应分类器输出的分类结果对应的进行数据灵敏度特征的自适应性分类逻辑作为泄露概率识别模型的第一训练网络层,所述泄露概率识别模型中嵌有所述第二权重训练网络层,连接所述第一训练网络层与所述第二权重训练网络层,搭建泄露概率识别模型;
在检测得到所述电荷检测数据集和所述第一类传感检测数据集后,将所述电荷检测数据集和所述第一类传感检测数据集输入所述泄露概率识别模型,根据泄露概率识别模型对所述电荷检测数据集和所述第一类传感检测数据集进行概率异常识别,输出得到得到第一泄露概率;预设泄露概率为本领域技术人员自定义设置,一般的,预设泄露概率不低于20%,预设泄露概率可以设置为50%,比较所述第一泄露概率与预设泄露概率,在所述第一泄露概率大于或等于预设泄露概率时,输出所述第一预警信息,并进行电池盒泄露预警;
经多次验证,数据类型发生异常的条件下电荷检测数据集发生异常的概率公式:,其中,标识所述第一类传感检测数据集中第i个数据类型发生异常的概率;标识
在第i个数据类型发生异常的条件下电荷检测数据集发生异常的概率;为所述第一类传感
检测数据集中第i个数据类型对应的权重;为所述第一类传
感检测数据集中传感数据类型的数量,为进行泄露概率计算提供支持。
综上所述,本申请实施例所提供的一种新能源电池盒泄露检测方法及系统具有如下技术效果:
1.由于采用了根据目标电池盒的第一电池组分布信息,划分电荷检测区域,检测电荷变化,得到电荷检测数据集;对目标电池盒进行传感器分布,构建集成传感器模组,以集成传感器模组进行传感,得到传感检测数据集,结合电荷检测数据集,建立映射样本数据集,得到基于数据灵敏度特征的分类结果,输出第一类传感检测数据集,结合电荷检测数据集进行数据异常识别,输出第一预警信息并进行电池盒存在泄露情况提醒,本申请通过提供了一种新能源电池盒泄露检测方法及系统,采集实时的电荷数据,合理分布设置传感器,同时,按照灵敏度特征在泄漏现象初期发出电池盒泄露预警,达到了及时检测发现新能源电池盒泄露的技术效果。
2.由于采用了所述灵敏度自适应分类器通过T个弱分类器融合获取,所述T个弱分类器的融合包括:生成分类样本数据集,随机选取m组训练数据;对所述m组训练数据进行第一权重训练层进行初始化,获取初始弱分类器;根据初始弱分类器的分类结果、误差,获取迭代权重;对初始弱分类器进行调整,以此类推,得到T次迭代后的T组弱分类器,融合并生成灵敏度自适应分类器,为进行数据灵敏度特征的分类提供模型基础。
实施例二
基于与前述实施例中一种新能源电池盒泄露检测方法相同的发明构思,如图4所示,本申请实施例提供了一种新能源电池盒泄露检测系统,其中,所述系统包括:
电荷检测区域划分模块100,用于根据目标电池盒的第一电池组分布信息,划分电荷检测区域;
电荷检测数据集得到模块200,用于按照所述电荷检测区域对应检测电荷变化,得到电荷检测数据集;
传感检测数据集得到模块300,用于对所述目标电池盒进行传感器分布,构建集成传感器模组,以所述集成传感器模组进行传感,得到传感检测数据集;
映射样本数据集建立模块400,用于基于所述电荷检测数据集和所述传感检测数据集,建立映射样本数据集,根据所述映射样本数据集,得到基于数据灵敏度特征的分类结果;
第一类传感检测数据集输出模块500,用于根据所述数据灵敏度特征的分类结果,输出第一类传感检测数据集,其中,所述第一类传感检测数据集标识在所述电荷检测数据集变化时,所述传感检测数据集中数据灵敏度变化最大的传感数据集;
第一预警信息输出模块600,用于以所述电荷检测数据集和所述第一类传感检测数据集进行数据异常识别,输出第一预警信息,用于提醒所述目标电池盒存在泄露情况。
进一步的,所述系统包括:
应用环境信息获取模块,用于获取所述目标电池盒的应用环境信息;
传感器类型确定模块,用于根据所述应用环境信息作为传感器筛选特征,确定基于传感类型集合的n个传感器类型;
传感器模组输出模块,用于以所述n个传感器类型进行传感器分布,基于每一传感器对应的传感数据传输终端对应一个传感器模组,输出n个传感器模组;
传感器模组集成模块,用于将所述n个传感器模组进行集成,得到集成传感器模组。
进一步的,所述系统包括:
传感检测数据集获取模块,用于获取所述传感检测数据集,其中,所述传感检测数据集包括n个传感器模组输出的n个传感检测数据;
映射样本数据集建立模块,用于基于所述电荷检测数据集和所述n个传感检测数据的对应关系,建立n组映射样本数据集;
分类结果获取模块,用于将所述n组映射样本数据集输入灵敏度自适应分类器中,获取所述基于数据灵敏度特征的分类结果。
进一步的,所述系统包括:
分类样本数据集生成模块,用于生成分类样本数据集,从所述分类样本数据集中随机选取m组训练数据;
初始弱分类器获取模块,用于对所述m组训练数据进行第一权重训练层进行初始化,获取初始弱分类器;
初始弱分类器的误差获取模块,用于根据所述初始弱分类器的分类结果,获取所述初始弱分类器的误差;
迭代权重获取模块,用于根据所述初始弱分类器的误差,获取迭代权重;
弱分类器调整模块,用于按照所述迭代权重对所述初始弱分类器进行调整,以此类推,得到T次迭代后的T组弱分类器;
灵敏度自适应分类器生成模块,用于根据所述T组弱分类器进行融合,生成所述灵敏度自适应分类器。
进一步的,所述系统包括:
弱分类器融合模块,用于根据所述T组弱分类器进行融合,生成所述灵敏度自适应
分类器的公式如下:,其中,为第t个弱分类器对样本的预测值,为基于第
t个弱分类器预测误差计算得到的迭代权重,为迭代次数。
进一步的,所述系统包括:
第二权重训练网络层生成模块,用于判断所述第一类传感检测数据集中的数据类型是否大于等于2,若所述第一类传感检测数据集中的数据类型大于等于2,生成第二权重训练网络层;
泄露概率识别模型搭建模块,用于将所述灵敏度自适应分类器输出的分类结果作为输入信息,搭建泄露概率识别模型,其中,所述泄露概率识别模型中嵌有所述第二权重训练网络层;
第一泄露概率得到模块,用于根据所述泄露概率识别模型,对所述电荷检测数据集和所述第一类传感检测数据集进行概率异常识别,得到第一泄露概率;
第一预警信息输出模块,用于根据所述第一泄露概率,输出所述第一预警信息。
进一步的,所述系统包括:
异常的概率计算公式模块,用于,其中,标识
所述第一类传感检测数据集中第i个数据类型发生异常的概率;标识在第i个数据
类型发生异常的条件下电荷检测数据集发生异常的概率;为所述第一类传感检测数据
集中第i个数据类型对应的权重;为所述第一类传感检测数据集中传感数据类型的数量。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中,并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法,在此不做多余限制。
进一步的,综上所述的第一或第二可能不止代表次序关系,也可能代表某项特指概念,和/或指的是多个元素之间可单独或全部选择。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (6)
1.一种新能源电池盒泄露检测方法,其特征在于,所述方法包括:
根据目标电池盒的第一电池组分布信息,划分电荷检测区域;
按照所述电荷检测区域对应检测电荷变化,得到电荷检测数据集;
对所述目标电池盒进行传感器分布,构建集成传感器模组,以所述集成传感器模组进行传感,得到传感检测数据集;
基于所述电荷检测数据集和所述传感检测数据集,建立映射样本数据集,根据所述映射样本数据集,得到基于数据灵敏度特征的分类结果;
根据所述数据灵敏度特征的分类结果,输出第一类传感检测数据集,其中,所述第一类传感检测数据集标识在所述电荷检测数据集变化时,所述传感检测数据集中数据灵敏度变化最大的传感数据集;
以所述电荷检测数据集和所述第一类传感检测数据集进行数据异常识别,输出第一预警信息,用于提醒所述目标电池盒存在泄露情况;
判断所述第一类传感检测数据集中的数据类型是否大于等于2,若所述第一类传感检测数据集中的数据类型大于等于2,生成第二权重训练网络层;
将所述灵敏度自适应分类器输出的分类结果作为输入信息,搭建泄露概率识别模型,其中,所述泄露概率识别模型中嵌有所述第二权重训练网络层;
根据所述泄露概率识别模型,对所述电荷检测数据集和所述第一类传感检测数据集进行概率异常识别,得到第一泄露概率;
根据所述第一泄露概率,输出所述第一预警信息。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述目标电池盒的应用环境信息;
根据所述应用环境信息作为传感器筛选特征,确定基于传感类型集合的n个传感器类型;
以所述n个传感器类型进行传感器分布,基于每一传感器对应的传感数据传输终端对应一个传感器模组,输出n个传感器模组;
将所述n个传感器模组进行集成,得到集成传感器模组。
3.如权利要求2所述的方法,其特征在于,所述方法还包括:
获取所述传感检测数据集,其中,所述传感检测数据集包括n个传感器模组输出的n个传感检测数据;
基于所述电荷检测数据集和所述n个传感检测数据的对应关系,建立n组映射样本数据集;
将所述n组映射样本数据集输入灵敏度自适应分类器中,获取所述基于数据灵敏度特征的分类结果。
4.如权利要求3所述的方法,其特征在于,所述灵敏度自适应分类器通过T个弱分类器融合获取,所述T个弱分类器的融合包括:
生成分类样本数据集,从所述分类样本数据集中随机选取m组训练数据;
对所述m组训练数据进行第一权重训练层进行初始化,获取初始弱分类器;
根据所述初始弱分类器的分类结果,获取所述初始弱分类器的误差;
根据所述初始弱分类器的误差,获取迭代权重;
按照所述迭代权重对所述初始弱分类器进行调整,以此类推,得到T次迭代后的T组弱分类器;
根据所述T组弱分类器进行融合,生成所述灵敏度自适应分类器。
5.如权利要求4所述的方法,其特征在于,根据所述T组弱分类器进行融合,生成所述灵敏度自适应分类器的公式如下:
,
其中,为第t个弱分类器对样本的预测值,/>为基于第t个弱分类器预测误差计算得到的迭代权重,/>为迭代次数。
6.一种新能源电池盒泄露检测系统,其特征在于,用于实施权利要求1-5任意一项所述的一种新能源电池盒泄露检测方法,包括:
电荷检测区域划分模块,用于根据目标电池盒的第一电池组分布信息,划分电荷检测区域;
电荷检测数据集得到模块,用于按照所述电荷检测区域对应检测电荷变化,得到电荷检测数据集;
传感检测数据集得到模块,用于对所述目标电池盒进行传感器分布,构建集成传感器模组,以所述集成传感器模组进行传感,得到传感检测数据集;
映射样本数据集建立模块,用于基于所述电荷检测数据集和所述传感检测数据集,建立映射样本数据集,根据所述映射样本数据集,得到基于数据灵敏度特征的分类结果;
第一类传感检测数据集输出模块,用于根据所述数据灵敏度特征的分类结果,输出第一类传感检测数据集,其中,所述第一类传感检测数据集标识在所述电荷检测数据集变化时,所述传感检测数据集中数据灵敏度变化最大的传感数据集;
第一预警信息输出模块,用于以所述电荷检测数据集和所述第一类传感检测数据集进行数据异常识别,输出第一预警信息,用于提醒所述目标电池盒存在泄露情况;
第二权重训练网络层生成模块,用于判断所述第一类传感检测数据集中的数据类型是否大于等于2,若所述第一类传感检测数据集中的数据类型大于等于2,生成第二权重训练网络层;
泄露概率识别模型搭建模块,用于将所述灵敏度自适应分类器输出的分类结果作为输入信息,搭建泄露概率识别模型,其中,所述泄露概率识别模型中嵌有所述第二权重训练网络层;
第一泄露概率得到模块,用于根据所述泄露概率识别模型,对所述电荷检测数据集和所述第一类传感检测数据集进行概率异常识别,得到第一泄露概率;
第一预警信息输出模块,用于根据所述第一泄露概率,输出所述第一预警信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310664634.6A CN116429339B (zh) | 2023-06-07 | 2023-06-07 | 一种新能源电池盒泄露检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310664634.6A CN116429339B (zh) | 2023-06-07 | 2023-06-07 | 一种新能源电池盒泄露检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116429339A CN116429339A (zh) | 2023-07-14 |
CN116429339B true CN116429339B (zh) | 2023-09-01 |
Family
ID=87092987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310664634.6A Active CN116429339B (zh) | 2023-06-07 | 2023-06-07 | 一种新能源电池盒泄露检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116429339B (zh) |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104714175A (zh) * | 2013-12-12 | 2015-06-17 | 北京有色金属研究总院 | 电池系统故障诊断方法及系统 |
CN106526493A (zh) * | 2016-11-01 | 2017-03-22 | 北京理工大学 | 基于bp神经网络的动力电池外部短路故障诊断及温升预测方法和系统 |
CN107192956A (zh) * | 2017-05-19 | 2017-09-22 | 北京理工大学 | 一种电池短路漏液在线监测方法和装置 |
CN108344947A (zh) * | 2018-01-11 | 2018-07-31 | 西南交通大学 | 一种非侵入式的燃料电池故障诊断方法 |
CN108398652A (zh) * | 2017-05-26 | 2018-08-14 | 北京航空航天大学 | 一种基于多层特征融合深度学习的锂电池健康状态评估方法 |
CN108693478A (zh) * | 2018-04-17 | 2018-10-23 | 北京理工大学 | 一种锂离子动力电池的漏液检测方法 |
CN109150104A (zh) * | 2018-08-10 | 2019-01-04 | 江南大学 | 一种基于随机森林算法的光伏阵列故障诊断方法 |
CN110146817A (zh) * | 2019-05-13 | 2019-08-20 | 上海博强微电子有限公司 | 锂电池故障的诊断方法 |
CN110826645A (zh) * | 2019-11-22 | 2020-02-21 | 四川长虹电器股份有限公司 | 基于Adaboost算法的锂电池退役检测方法及系统 |
CN111025153A (zh) * | 2018-10-09 | 2020-04-17 | 上海汽车集团股份有限公司 | 一种电动汽车电池故障诊断方法和装置 |
FR3088440A1 (fr) * | 2018-11-14 | 2020-05-15 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Procede de diagnostic d'une pile a combustible |
CN112785016A (zh) * | 2021-02-20 | 2021-05-11 | 南京领行科技股份有限公司 | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 |
CN113310647A (zh) * | 2021-06-30 | 2021-08-27 | 中国第一汽车股份有限公司 | 电池包泄露检测的方法、装置、电子设备及存储介质 |
KR20220051907A (ko) * | 2020-10-19 | 2022-04-27 | 주식회사 엘지에너지솔루션 | 배터리 감시 장치, 배터리 감시 방법, 배터리 팩 및 전기 차량 |
JP2022073139A (ja) * | 2020-10-30 | 2022-05-17 | 京セラ株式会社 | 故障予兆検知方法、故障予兆検知装置及びプログラム |
CN114527389A (zh) * | 2022-01-25 | 2022-05-24 | 四川启睿克科技有限公司 | 一种电池管理系统故障预测方法及装置 |
DE102021006561A1 (de) * | 2021-01-27 | 2022-08-11 | TWAICE Technologies GmbH | Big-Data für Fehlererkennung in Batteriesystemen |
CN115585396A (zh) * | 2022-09-29 | 2023-01-10 | 新仟意能源科技(成都)集团有限责任公司 | 一种基于天然气泄露检测的预警方法及系统 |
CN116224098A (zh) * | 2023-03-20 | 2023-06-06 | 国网山东省电力公司烟台供电公司 | 一种基于智能算法的直流蓄电池组荷电状态远程智能检测装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101792975B1 (ko) * | 2017-04-25 | 2017-11-02 | 한국기술교육대학교 산학협력단 | 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법 |
-
2023
- 2023-06-07 CN CN202310664634.6A patent/CN116429339B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104714175A (zh) * | 2013-12-12 | 2015-06-17 | 北京有色金属研究总院 | 电池系统故障诊断方法及系统 |
CN106526493A (zh) * | 2016-11-01 | 2017-03-22 | 北京理工大学 | 基于bp神经网络的动力电池外部短路故障诊断及温升预测方法和系统 |
CN107192956A (zh) * | 2017-05-19 | 2017-09-22 | 北京理工大学 | 一种电池短路漏液在线监测方法和装置 |
CN108398652A (zh) * | 2017-05-26 | 2018-08-14 | 北京航空航天大学 | 一种基于多层特征融合深度学习的锂电池健康状态评估方法 |
CN108344947A (zh) * | 2018-01-11 | 2018-07-31 | 西南交通大学 | 一种非侵入式的燃料电池故障诊断方法 |
CN108693478A (zh) * | 2018-04-17 | 2018-10-23 | 北京理工大学 | 一种锂离子动力电池的漏液检测方法 |
CN109150104A (zh) * | 2018-08-10 | 2019-01-04 | 江南大学 | 一种基于随机森林算法的光伏阵列故障诊断方法 |
CN111025153A (zh) * | 2018-10-09 | 2020-04-17 | 上海汽车集团股份有限公司 | 一种电动汽车电池故障诊断方法和装置 |
FR3088440A1 (fr) * | 2018-11-14 | 2020-05-15 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Procede de diagnostic d'une pile a combustible |
CN110146817A (zh) * | 2019-05-13 | 2019-08-20 | 上海博强微电子有限公司 | 锂电池故障的诊断方法 |
CN110826645A (zh) * | 2019-11-22 | 2020-02-21 | 四川长虹电器股份有限公司 | 基于Adaboost算法的锂电池退役检测方法及系统 |
KR20220051907A (ko) * | 2020-10-19 | 2022-04-27 | 주식회사 엘지에너지솔루션 | 배터리 감시 장치, 배터리 감시 방법, 배터리 팩 및 전기 차량 |
JP2022073139A (ja) * | 2020-10-30 | 2022-05-17 | 京セラ株式会社 | 故障予兆検知方法、故障予兆検知装置及びプログラム |
DE102021006561A1 (de) * | 2021-01-27 | 2022-08-11 | TWAICE Technologies GmbH | Big-Data für Fehlererkennung in Batteriesystemen |
CN112785016A (zh) * | 2021-02-20 | 2021-05-11 | 南京领行科技股份有限公司 | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 |
CN113310647A (zh) * | 2021-06-30 | 2021-08-27 | 中国第一汽车股份有限公司 | 电池包泄露检测的方法、装置、电子设备及存储介质 |
WO2023273971A1 (zh) * | 2021-06-30 | 2023-01-05 | 中国第一汽车股份有限公司 | 电池包泄露检测的方法、装置、电子设备及存储介质 |
CN114527389A (zh) * | 2022-01-25 | 2022-05-24 | 四川启睿克科技有限公司 | 一种电池管理系统故障预测方法及装置 |
CN115585396A (zh) * | 2022-09-29 | 2023-01-10 | 新仟意能源科技(成都)集团有限责任公司 | 一种基于天然气泄露检测的预警方法及系统 |
CN116224098A (zh) * | 2023-03-20 | 2023-06-06 | 国网山东省电力公司烟台供电公司 | 一种基于智能算法的直流蓄电池组荷电状态远程智能检测装置 |
Non-Patent Citations (1)
Title |
---|
基于机器学习的锂电池组SOC预测及均衡控制研究;谢国梁;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》(第1期);第35-41页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116429339A (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7310137B2 (ja) | データ処理装置、データ処理方法、及びコンピュータプログラム | |
CN111209434A (zh) | 一种基于多源异构数据融合的变电站设备巡检系统及方法 | |
CN116502112B (zh) | 一种新能源电源测试数据管理方法及系统 | |
CN109637576A (zh) | 一种基于支持向量回归的闪存寿命预测方法 | |
KR20200023672A (ko) | 딥러닝을 이용한 전지 진단 방법 | |
CN105094494A (zh) | 指纹识别方法、装置及电子设备 | |
CN117007984B (zh) | 一种电池包运行故障动态监测方法及系统 | |
CN113554526A (zh) | 电力设备的故障预警方法、装置、存储介质及处理器 | |
JP7546702B2 (ja) | バッテリー異常診断装置及び方法 | |
CN115356639A (zh) | 一种双向锂离子电池智能健康监控方法及系统 | |
CN116226469A (zh) | 一种储能设备故障的智能诊断方法及系统 | |
CN115617784A (zh) | 一种信息化配电的数据处理系统及其处理方法 | |
CN117368745B (zh) | 基于深度学习的硬包锂电池安全监测方法及装置 | |
CN116429339B (zh) | 一种新能源电池盒泄露检测方法及系统 | |
CN113283113B (zh) | 太阳电池阵发电电流预测模型训练方法、异常检测方法、设备及介质 | |
CN117330963A (zh) | 储能电站故障检测方法、系统及设备 | |
CN115511016A (zh) | 一种基于增量主动学习的电费异常检测方法及其装置 | |
CN111127814A (zh) | 火警识别方法以及相关装置 | |
CN111553418B (zh) | 神经元重建错误的检测方法、装置和计算机设备 | |
CN118447459B (zh) | 基于深度学习的滑坡堆积体监控方法及系统 | |
CN117148165B (zh) | 聚合物锂离子电池的测试分析方法及其系统 | |
CN110673042B (zh) | 一种基于数据的电池pack热场变化的评估方法 | |
CN116718546B (zh) | 一种基于大数据的电容器分析方法及系统 | |
CN117949454A (zh) | 用于劣化预测的设备和方法 | |
CN118628773A (zh) | 一种蓄电池鼓包智能化监测方法及系统 |
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 |