CN116572747B - 电池故障检测方法、装置、计算机设备和存储介质 - Google Patents
电池故障检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116572747B CN116572747B CN202310856845.XA CN202310856845A CN116572747B CN 116572747 B CN116572747 B CN 116572747B CN 202310856845 A CN202310856845 A CN 202310856845A CN 116572747 B CN116572747 B CN 116572747B
- Authority
- CN
- China
- Prior art keywords
- gas
- fault
- battery
- frequency domain
- 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 272
- 238000000034 method Methods 0.000 claims abstract description 63
- 230000009466 transformation Effects 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 106
- 238000006243 chemical reaction Methods 0.000 claims description 44
- 238000004364 calculation method Methods 0.000 claims description 31
- 238000003062 neural network model Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 21
- 230000035945 sensitivity Effects 0.000 claims description 18
- 239000007788 liquid Substances 0.000 claims description 12
- 238000002372 labelling Methods 0.000 claims description 11
- 239000007789 gas Substances 0.000 description 743
- 238000012360 testing method Methods 0.000 description 17
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 16
- 229910001416 lithium ion Inorganic materials 0.000 description 16
- 230000008569 process Effects 0.000 description 14
- 230000008859 change Effects 0.000 description 12
- 230000004044 response Effects 0.000 description 12
- OIFBSDVPJOWBCH-UHFFFAOYSA-N Diethyl carbonate Chemical compound CCOC(=O)OCC OIFBSDVPJOWBCH-UHFFFAOYSA-N 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000013507 mapping Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 230000002829 reductive effect Effects 0.000 description 9
- 239000003550 marker Substances 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 239000003792 electrolyte Substances 0.000 description 7
- 208000032953 Device battery issue Diseases 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 5
- 229910002091 carbon monoxide Inorganic materials 0.000 description 5
- 210000004027 cell Anatomy 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 229910052739 hydrogen Inorganic materials 0.000 description 5
- 239000001257 hydrogen Substances 0.000 description 5
- 238000012216 screening Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000013480 data collection Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000011084 recovery Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 2
- 239000002253 acid Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- OJIJEKBXJYRIBZ-UHFFFAOYSA-N cadmium nickel Chemical compound [Ni].[Cd] OJIJEKBXJYRIBZ-UHFFFAOYSA-N 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 150000002431 hydrogen Chemical class 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- KKUKTXOBAWVSHC-UHFFFAOYSA-N Dimethylphosphate Chemical compound COP(O)(=O)OC KKUKTXOBAWVSHC-UHFFFAOYSA-N 0.000 description 1
- 102000004310 Ion Channels Human genes 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- XMNQCSOOUOJOLR-UHFFFAOYSA-M ethyl methyl phosphate Chemical compound CCOP([O-])(=O)OC XMNQCSOOUOJOLR-UHFFFAOYSA-M 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000009421 internal insulation Methods 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 229910003002 lithium salt Inorganic materials 0.000 description 1
- 159000000002 lithium salts Chemical class 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003960 organic solvent Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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
- H01M10/4285—Testing apparatus
-
- 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
- B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
- B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
- B60L3/0046—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to electric energy storage systems, e.g. batteries or capacitors
-
- 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
-
- 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
-
- 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
- G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
- G01N27/12—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body in dependence upon absorption of a fluid; of a solid body in dependence upon reaction with a fluid, for detecting components in the fluid
Abstract
本申请涉及一种电池故障检测方法、装置、计算机设备和存储介质。所述方法包括：获取电池区域的传感器采集的气体传感数据；对气体传感数据进行频域变换，得到气体频域特征；根据气体频域特征，得到电池的故障检测结果；其中，根据气体频域特征，得到电池的故障检测结果，包括：在根据气体频域特征检测到故障标志气体信息时，确定电池故障。采用本方法能够提高电池故障检测的准确性，进而提升电池的使用可靠性。
Description
技术领域
本申请涉及电池技术领域，特别是涉及一种电池故障检测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
动力电池作为电池汽车的三大件（电池、电机、电控）之一，是整个车辆系统的动力来源，其性能好坏直接关系到车辆系统的使用稳定性，重要性不言而喻。目前汽车行业运行的电池基本都是化学电池，其中又以二次电池使用最为广泛，二次电池主要包括铅酸电池、镍镉电池、镍氢电池、锂离子电池、锂金属电池等。
近年来，人们对新能源产品的需求逐渐增加，新能源汽车发展趋势稳步上升，动力电池的应用需求也大规模提升，而动力电池的使用安全性自然也成为了用户关注的焦点。
现在常用的动力电池故障检测方式是通过对电池运行参数，例如温度、电流等进行实时监测，根据监测到的电池运行参数确定电池的故障状态，这种传统的电池故障检测方法容易由于检测不准确而无法及时对故障进行预警，影响电池使用时的可靠性。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高电池故障检测准确性的电池故障检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种电池故障检测方法，所述方法包括：
获取电池区域的传感器采集的气体传感数据；
对所述气体传感数据进行频域变换，得到气体频域特征；
根据所述气体频域特征，得到电池的故障检测结果。
上述实施例中，通过对气体传感数据进行频域转换，能够有效降低外部环境和采集时长对气体传感数据的影响，可以在电池存在故障时从气体传感数据中准确获取到故障标志气体的气体信息，提高了电池故障检测的准确性，进而提升电池的使用可靠性。
在其中一些实施例中，所述根据所述气体频域特征，得到所述电池的故障检测结果，包括：
在根据所述气体频域特征检测到故障标志气体信息时，确定电池故障。
上述实施例中，电池故障检测系统确定根据气体频域特征进行故障检测，当检测到存在故障标志气体信息时，即可确定当前存在电池故障，有效提高电池故障判定的准确性。
在其中一些实施例中，所述故障标志气体信息包括故障标志气体的类型；
所述在根据所述气体频域特征检测到故障标志气体信息时，确定电池故障，包括：在根据所述气体频域特征检测到故障标志气体信息时，根据所述故障标志气体的类型，确定所述电池的故障类型。
上述实施例中，电池故障检测系统不仅能够准确识别电池是否发生故障，还可以根据频域转换后的气体频域特征进一步确定电池的故障类型，用户在使用时可以直接得到电池的故障类型，为后续的处理提供参考，在提高电池故障检测准确性的同时还提升了用户的使用便利性。
在其中一些实施例中，所述故障标志气体信息包括故障标志气体的类型和浓度；
所述在根据所述气体频域特征检测到故障标志气体信息时，确定电池故障，包括：
在根据所述气体频域特征检测到故障标志气体信息时，根据所述故障标志气体的类型，确定所述电池的故障类型；
根据所述故障标志气体的浓度，确定电池的故障程度。
上述实施例中，电池故障检测系统不仅能够准确识别电池是否发生故障，还可以根据频域转换后的气体频域特征进一步确定电池的故障类型和故障程度，用户在使用时可以直接得到电池的故障类型和故障程度，为后续的处理提供参考，在提高电池故障检测准确性的同时还进一步提升了用户的使用便利性。
在其中一些实施例中，在根据所述气体频域特征检测到故障标志气体信息时，根据所述故障标志气体的类型，确定所述电池的故障类型，包括：
将所述气体频域特征与故障气体信息表中的故障标志气体频域特征进行匹配，得到与所述气体频域特征匹配的故障标志气体频域特征；所述故障气体信息表中包括多种故障标志气体的类型对应的故障标志气体频域特征；
根据匹配的所述故障标志气体频域特征对应的故障标志气体的类型，确定所述电池的故障类型。
上述实施例中，通过预先在电池故障检测系统中配置故障气体信息表，可以快速根据获取的气体频域特征确定电池的故障类型，有效提高了电池故障检测的速率和准确性。
在其中一些实施例中，所述将所述气体频域特征与故障气体信息表中的故障标志气体频域特征进行匹配，得到与所述气体频域特征匹配的故障标志气体频域特征，包括：
将所述气体频域特征与故障气体信息表中的各故障标志气体频域特征进行特征相似度计算；
根据所述相似度计算的结果与预设相似条件，确定与所述气体频域特征匹配的故障标志气体频域特征。
上述实施例中，通过计算气体频域特征值与故障标志气体频域特征的特征相似度，可以进一步提高气体频域特征与故障标志气体频域特征匹配的准确性，进而提高后续电池故障检测的准确性。
在其中一些实施例中，所述故障标志气体的类型包括电池漏液时的漏液标志气体，所述故障类型包括漏液故障。
上述实施例中，通过气体频域特征可以快速准确的对电池的漏液故障做出检测判定，有效提高了电池漏液检测的准确性和判断效率。
在其中一些实施例中，所述漏液标志气体的类型包括至少两种，所述故障标志气体信息包括漏液标志气体的类型；
所述在根据所述气体频域特征检测到漏液标志气体时，确定所述电池出现漏液故障，包括：在根据所述气体频域特征检测到任意一种类型的所述漏液标志气体时，确定所述电池出现漏液故障。
上述实施例中，即使只检测到一种漏液标志气体，电池故障检测系统也可以快速确定电池出现漏液故障，在提高漏液检测准确性的同时还可以有效降低漏液故障的漏检风险。
在其中一些实施例中，所述根据所述气体频域特征，得到所述电池的故障检测结果，包括：
将所述气体频域特征输入预先训练得到的故障识别模型，所述故障识别模型根据所述气体频域特征对所述故障标志气体进行识别，输出所述故障标志气体的识别结果；
根据所述故障标志气体的识别结果，得到所述电池的故障检测结果。
上述实施例中，通过在得到气体频域特征的基础上，引入故障识别模型来对故障标志气体进行识别，输出相应的识别结果后根据识别结果得到电池的故障检测结果，可以通过故障识别模型识别精度更高的优点提高电池故障检测的准确性，进而提升电池的使用可靠性。
在其中一些实施例中，所述故障识别模型包括多个输出节点，每个输出节点对应一种故障标志气体的置信度；
所述根据所述故障标志气体的识别结果，得到电池的故障检测结果，包括以下方式中的任意一种：
第一种：
根据所述故障标志气体的置信度确定检测到的故障标志气体的类型，基于所述故障标志气体的类型，确定所述电池的故障类型；
第二种：
根据所述故障标志气体的置信度确定检测到的故障标志气体的类型和浓度；
基于所述故障标志气体的类型，确定所述电池的故障类型，基于所述故障标志气体的浓度，确定所述电池的故障程度。
上述实施例中，通过为故障识别模型设置多个输出节点，每个输出节点对应一种故障标志气体的置信度，后续电池故障检测系统即可根据各输出节点输出的故障标志气体的识别结果快速确定电池的故障类型和/或电池故障程度，有效提高了电池故障检测的准确性和检测效率。
在其中一些实施例中，所述故障识别模型的训练方式，包括：
获取训练数据集，所述训练数据集的各训练数据包括电池区域的气体传感器阵列中各气体传感器的气体数据；
对各所述气体传感器的气体数据进行频域转换，得到频域特征；
组合所述气体传感器阵列中的所述频域特征，得到所述训练数据的训练气体频域特征，并获得对所述训练数据的标注结果；
基于所述训练数据的所述训练气体频域特征和所述标注结果，对神经网络模型进行训练，得到所述故障识别模型。
上述实施例中，通过使用训练数据对神经网络模型进行训练，可以得到具有高准确性的故障识别模型，为后续电池的故障检测提供了高效准确的识别工具，有效提升了电池故障检测的准确性。
第二方面，本申请还提供了一种电池故障检测装置，所述装置包括：
数据采集模块，用于获取电池区域的传感器阵列采集的气体传感数据；所述传感器阵列包括至少两个传感器；所述至少两个传感气分别对电池的不同故障标志气体具有气敏性；
频域转换模块，用于对所述气体传感数据进行频域变换，得到气体频域特征；
故障检测模块，用于根据所述气体频域特征，得到所述电池的故障检测结果。
第三方面，本申请还提供了一种电子设备，包括传感器以及与所述传感器连接的控制器，所述传感器对电池的故障标志气体具有气敏性，所述控制器包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法的步骤。
第四方面，本申请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，所述计算机程序被处理器执行时实现上述的方法的步骤。
第五方面，本申请还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的方法的步骤。
上述电池故障检测方法、装置、计算机设备、存储介质和计算机程序产品，通过设置在电池区域的传感器对电池区域的气体传感数据进行采集，在存在电池故障的情况下，传感器能够快速捕捉到相应的气体信号并进行采集，得到包含了故障标志气体信息的气体传感数据。对气体传感数据进行频域转换，得到气体频域特征，根据转换后的气体频域特征得到电池的故障检测结果。通过对气体传感数据进行频域转换，能够有效降低外部环境和采集时长对气体传感数据的影响，可以在电池存在故障时从气体传感数据中准确获取到故障标志气体的气体信息，提高了电池故障检测的准确性，进而提升电池的使用可靠性。
附图说明
图1为一些实施例中电池故障检测方法的应用环境图；
图2为一些实施例中电池故障检测方法的流程示意图；
图3为一些实施例中电池故障检测方法的流程示意图；
图4为一些实施例中故障识别模型的训练方式的流程示意图；
图5为另一些实施例中故障识别模型的训练方式的流程示意图；
图6为一些实施例中初始神经网络模型的模型架构示意图；
图7为另一些实施例中电池故障检测方法的流程示意图；
图8为一些实施例中电池故障检测装置的结构框图；
图9为一些实施例中电子设备的结构框图；
图10为一些实施例中控制器的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
动力电池的使用安全性一直是动力电池应用时人们最为关系的问题之一，虽然现在行业内对动力电池的安全使用做出了很多防护措施，但对于动力电池的电池故障检测也是非常重要的安全保障手段。
目前常用的动力电池故障检测方式是通过对电池运行参数，例如温度、电流等进行实时监测，根据监测到的电池运行参数确定电池的故障状态，这种传统的电池故障检测方法容易由于检测不准确而无法及时对故障进行预警，影响电池使用时的可靠性。
而动力电池发生故障时，通常会产生一定的标志气体，若能够及时准确的对电池产生的气体进行气体识别判断，则可以实现对动力电池的故障检测。为了能够提高电池故障检测的准确性，可以选择使用传感器对电池区域的气体进行采集，随后进行气体识别，根据气体识别结果确定是否存在电池故障。而为了降低气体采集时外部环境和采集时长对气体传感数据的影响，可以对采集得到的气体传感数据进行频域变化，得到相应的气体频域特征，频域特征是基于输入信号的频率来提取信号的特征，通过对气体传感数据进行频域变化，可以有效降低例如信号波动等环境或时长因素对气体传感数据的影响，在电池存在故障时从气体传感数据中准确获取到故障标志气体的气体信息，提高了电池故障检测的准确性，进而提升电池的使用可靠性。
本申请实施例提供的电池故障检测方法，可以应用于如图1所示的应用环境中。其中，电池故障检测系统102与传感器104进行通信连接，数据存储系统可以存储电池故障检测系统102需要处理的数据。数据存储系统可以集成在电池故障检测系统102上，也可以放在云上或其他网络服务器上。传感器104设置在动力电池的电池区域，通过传感器104对电池区域的环境气体进行气体采集，得到气体传感数据，并将气体传感数据传输给电池故障检测系统102。电池故障检测系统102接收传感器104发送的气体传感数据，对气体传感数据进行频域变换，得到气体频域特征值，根据气体频域特征得到电池的故障检测结果。其中，电池故障检测系统102可以集成在用户的使用终端或服务器上，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。动力电池的具体电池类型也不是唯一的，可以是铅酸电池、镍镉电池、锂离子电池、锂金属电池等。为了便于理解，以下均以锂离子电池作为动力电池为例进行说明。
传感器104可以是任意一种对电池故障标志气体具备气敏性的传感器设备，传感器104的具体类型、设置位置以及设置数量均可以根据实际情况，例如动力电池的电池类型、动力电池容易发生的故障类型、动力电池的使用场景中，需要重点检测的故障类型等确定。
虽然图1中显示传感器104可以由多个传感器组成，然而，在其中一些实施例中，存在动力电池使用场景中，需要检测的故障类型对应能够产生的故障气体单一的情况，此时，传感器104可以为单个传感器，该传感器对故障类型能够产生的单一故障标志气体具备气敏性。
其中，气敏性又称为气体敏感性能，是指材料某一性能，例如电阻等在通入某气体时会发生变化，而气敏性则可以用来表示这种变化的程度，变化程度越大，说明材料对这种气体的气敏性越好。气敏性的综合性能包括但不限于响应恢复时间、灵敏度、稳定时间长短等。
在其中一些实施例中，由于气敏传感器存在有广谱响应的问题，单一传感器难以采集足够丰富的气敏特征，为了能够适配于多种动力电池使用场景，对动力电池的多种故障类型都能精准检测，如图1所示，传感器104可以是由多个传感器组成的传感器阵列或传感器集群等，以便采集更丰富的气敏特征。需要注意的是，将多个各传感器进行组合形成传感器阵列或集群时，各传感器可以分别对动力电池能够产生的不同故障标志气体具有气敏性。以故障标志气体为氢气和一氧化碳气体，传感器104为由两个传感器组合形成的传感器阵列为例进行说明，传感器阵列的两个传感器中，第一传感器对氢气具有气敏性，当环境气体中存在氢气时，第一传感器的气敏性能，例如电阻值将会发生变化，得到相应的传感数据。第二传感器对一氧化碳具有气敏性，当环境气体中存在一氧化碳时，第二传感器的气敏性能，例如电阻值等将会发生变化，得到相应的传感数据。
在一些实施例中，如图2所示，提供了一种电池故障检测方法，以该方法应用于图1中的电池故障检测系统为例进行说明，包括以下步骤：
步骤202，获取电池区域的传感器采集的气体传感数据。
其中，电池区域是指可以在电池出现故障时，检测到故障气体的区域，传感器设置的电池区域可以根据电池的放置场景和检测需求确定，例如在需要对锂离子电池生产时进行故障检测的情况下，可以在锂离子电池生产区域设置传感器。在需要对锂离子电池使用时进行故障检测的情况下，则可以在配置锂离子电池的电池室设置传感器。可以理解的，传感器可以设置在电池区域的任意位置，只要能够对电池区域中的环境气体进行采集，得到气体传感数据即可。
气体传感数据是传感器对电池区域的环境气体进行检测后采集的传感数据，在电池区域中的锂离子电池发生故障的情况下，气体传感数据中包含有故障标志气体的气体传感数据。电池故障检测系统从传感器获取得到电池区域的气体传感数据。
在其中一个实施例中，在电池区域中设置有多个传感器的情况下，以传感器阵列为例，气体传感数据可以是传感器阵列对电池区域的环境气体进行检测后采集的传感数据，气体传感数据中包含有传感器阵列中各个传感器采集得到的传感数据。传感器阵列中各个传感器对电池区域的环境气体进行采集后，将会得到各个传感器采集的传感数据。电池故障检测系统从传感器阵列获取到的各个传感数据的集合即为气体传感数据。
在其中一些实施例中，用户可以预先为传感器设置气体采集时间，当时间到达气体采集时间时电池故障检测系统自动触发生成气体数据采集指令，将气体数据采集指令发送给传感器。传感器响应于气体数据采集指令，启动对电池区域的环境气体进行采集。
在其中一些实施例中，用户可以根据自身需求基于电池故障检测系统触发生成气体数据采集指令，电池故障检测系统将气体数据采集指令发送给传感器。传感器响应于气体数据采集指令，启动对电池区域的环境气体进行采集。
在其中一些实施例中，为了提高电池故障检测的及时性，传感器可以实时对电池区域的环境气体进行检测，并将采集得到的气体传感数据发送给电池故障检测系统进行电池故障检测。
其中，故障标志气体是电池发生故障时会析出的特征气体，电池的故障类型不同，对应的故障标志气体也不相同。例如在电池发生着火故障时，对应的故障气体可以为着火对应产生的烟雾气体。在电池发生漏液故障时，对应的故障气体可以为氢气、一氧化碳等。
在一些可选实施例中，电池故障检测系统启动传感器对电池区域的环境气体进行检测，采集得到气体传感数据，将气体传感数据发送给电池故障检测系统。电池故障检测系统获取传感器采集的气体传感数据。
步骤204，对气体传感数据进行频域变换，得到气体频域特征。
其中，频域转换是指将气体传感数据中的时域特征进行转换得到相应的气体频域特征的转换过程。电池故障检测系统可以通过预设频域转换方法将气体传感数据中的时域特征转换为相应的气体频域特征。可以理解的，预设频域转换方法可以是任意一种能够实现时域转频域的转换方法，例如傅里叶变换、快速傅里叶变换、拉普拉斯变换、Z变换等。
时域特征是用来描述时间与物理信号的关系的特征，从图像上来看，时域特征的特征图谱用于描述信号在不同时刻的取值变化，即横轴是时间，纵轴是信号变化。传感器的时域特征通常为稳态响应值、响应时间、响应恢复时间等。目前常用的气体识别方法大多时提取传感器的时域特征进行气体检测识别，然而时域特征在采集时需要较长的采集时间和稳定的外部采集环境，否则容易受电信号波动的影响，导致气体检测识别结果准确性较低。为了降低电信号波动的影响，可以将时域特征进行频域转换，得到相应的频域特征。
频域特征是用来基于输入信号的频率来提取信号的特征，频域特征可以描述信号的频率结构及频率与该频率信号幅度的关系，从图像上来看，频域特征的特征图谱用于描述不同频率的幅值变化，即横轴是频率，纵轴时该频率信号的幅度。在信号处理过程中，时域信号相近的数据在频域中可能存在频率、相位差别，因此通过频域特征对传感器采集的信号进行分析可以进一步了解信号的特征。
在一些实施例中，电池故障检测系统获取到气体传感数据后，可以通过预设频域转换方法将气体传感数据中的时域特征转换为相应的气体频域特征。可以理解的，预设频域转换方法可以是任意一种能够实现时域转频域的转换方法，例如傅里叶变换、快速傅里叶变换、拉普拉斯变换、Z变换等。
在其中一些实施例中，电池故障检测系统通过快速傅里叶变换（FFT）来实现将气体传感数据中的时域特征转变为频域特征的效果。
快速傅里叶变换算法（（Fast Fourier Transform，FFT））是为了降低离散时间傅里叶变换的复杂度提出的计算方法。傅立叶变换（Fourier Transform）可将任意周期函数表示为无数个不同频率的正弦信号之和，称之为傅立叶级数。求解傅立叶级数的系数的过程，则为傅立叶变换。其中，求解离散时间序列的傅立叶变换过程被成为离散时间傅立叶变换（Discrete Fourier Transform，DFT）。DFT在数字信号处理中应用非常广泛，可以实现时域信号向频域信号的转换，得到频率、振幅等频域特征。但是DFT的计算量非常大，任何一个X（k）的计算都需要N次乘法和N-1次加法计算，那么求出N个点的DFT变化大约需要N2次运算。因此研究人员开发了一种快速傅里叶变换算法（Fast Fourier Transform，FFT），利用旋转因子的周期性和对称性，删除了离散傅里叶变换中的重复计算，大大降低时间复杂度。
电池故障检测系统在获取到气体传感数据后，对气体传感数据的时域特征，进行快速傅里叶变换，得到气体传感数据的频域特征。
可以理解的，当预设频域转换方法为傅里叶变换、拉普拉斯变换或Z变换的其中任意一种算法时，对应的频域转换步骤与上述使用快速傅里叶变换算法进行频域转换的具体步骤基本相同，唯一的区别点即使用的转换算法不同，在此不再赘述。
在其中一些实施例中，当气体传感数据为使用由多个传感器组成的传感器阵列或集群采集得到的传感数据时，电池故障检测系统获取到气体传感数据后，可以通过预设频域转换方法将气体传感数据中的时域特征转换为相应的气体频域特征。
步骤206，根据气体频域特征，得到电池的故障检测结果。
电池故障检测系统在根据气体传感数据得到气体频域特征后，根据气体频域特征使用预设检测方法进行电池故障检测，得到电池的故障检测结果。可以理解的，预设检测方法可以是任意一种根据气体频域特征即可进行电池故障检测的检测方法。
在其中一个实施例中，电池故障检测系统可以将气体频域特征输入到支持向量机中进行气体识别，根据气体识别结果得到电池的故障检测结果。
在其中一个实施例中，电池故障检测系统可以使用K-近邻算法对气体频域特征进行气体识别，根据气体识别结果得到电池的故障检测结果。
在其中一个实施例中，电池故障检测系统可以使用训练好的故障识别模型对气体频域特征进行识别处理，得到电池的故障检测结果。
上述电池故障检测方法中，通过设置在电池区域的传感器对电池区域的气体传感数据进行采集，在存在电池故障的情况下，传感器能够快速捕捉到相应的气体信号并进行采集，得到包含了故障标志气体信息的气体传感数据。对气体传感数据进行频域转换，得到气体频域特征，根据转换后的气体频域特征得到电池的故障检测结果。通过对气体传感数据进行频域转换，能够有效降低外部环境和采集时长对气体传感数据的影响，可以在电池存在故障时从气体传感数据中准确获取到故障标志气体的气体信息，提高了电池故障检测的准确性，进而提升电池的使用可靠性。
进一步的，在一些实施例中，根据气体频域特征，得到电池的故障检测结果，包括：在根据气体频域特征检测到故障标志气体信息时，确定电池故障。
其中，故障标志气体信息是用于反映电池区域中包含的故障标志气体状况的气体信息，故障标志气体信息可以包括例如故障标志气体的类型、浓度、气体步骤类别等。电池故障检测系统可以根据故障标志气体信息确定电池区域中包含的故障标志气体状况。
在一些可选实施例中，电池故障检测系统在根据气体频域特征进行检测，当根据气体频域特征没有检测到故障标志气体信息时，可以认为当前电池区域的电池没有发生故障。当根据气体频域特征确定检测到故障标志气体信息后，可以证明此时电池区域中已经存在有故障标志气体，电池故障检测系统确定电池发生故障。
在其中一些实施例中，电池故障检测系统在确定电池故障后，可以立即生成故障报警提示，将故障报警提示发送给报警设备，通过报警设备向用户提示的当前电池发送故障。使用户能够及时对故障电池做出处理。
在其中一些实施例中，电池故障检测系统在确定电池故障后，可以根据预设电池保护方案对故障电池进行电池保护，例如断电保护等。以避免故障电池持续运行造成更大的安全风险。
上述实施例中，电池故障检测系统确定根据气体频域特征进行故障检测，当检测到存在故障标志气体信息时，即可确定当前存在电池故障，有效提高电池故障判定的准确性。
单纯确定电池是否发生故障虽然能够在一定程度上解决电池故障检测的问题，但是从提升用户便利性的角度考虑，电池故障检测系统还可以从以下几个方面对电池继续故障检测，得到相应的故障检测结果。
在一些实施例中，故障标志气体信息包括故障标志气体的类型。在根据气体频域特征检测到故障标志气体信息时，确定电池故障，包括：在根据气体频域特征检测到故障标志气体信息时，根据故障标志气体的类型，确定电池的故障类型。
其中，故障标志气体的类型是用于标记故障标志气体所属的故障类型的信息，电池的故障类型不同，其所产生的故障标志气体的类型也不相同，电池故障检测系统可以根据故障标志气体的类型来确定电池区域中的电池存在的故障类型。
在其中一些实施例中，设计人员可以在电池故障检测系统中预先配置气体频域特征、故障标志气体的气体类型以及故障类型三者之间的对应关系。例如设计人员可以预先确定各故障类型对应会产生的故障标志气体，再确定各故障标志气体对应的气体频域特征，随后将三者之间的对应关系存储在电池故障检测系统中。当电池故障检测系统获取到气体频域特征后，根据气体频域特征查找预设对应关系，从而确定气体频域特征对应的故障标志气体的类型，随后根据故障标志气体的类型确定电池的故障类型。
在其中一些实施例中，设计人员可以在电池故障检测系统中配置用于检测故障标志气体的类型的气体类型检测模型，以及故障标志气体的类型与故障类型的对应关系。当电池故障检测系统获取到气体频域特征后，可以将气体频域特征输入到气体类型检测模型中进行检测得到故障标志气体的类型，随后根据故障标志气体的类型从预设故障标志气体的类型与故障类型的对应关系中确定电池的故障类型。
上述实施例中，电池故障检测系统不仅能够准确识别电池是否发生故障，还可以根据频域转换后的气体频域特征进一步确定电池的故障类型，用户在使用时可以直接得到电池的故障类型，为后续的处理提供参考，在提高电池故障检测准确性的同时还提升了用户的使用便利性。
故障标志气体信息除了可以包括故障标志气体的类型外，在另一些实施例中，故障标志气体信息包括故障标志气体的类型和浓度。在根据气体频域特征检测到故障标志气体信息时，确定电池故障，包括：
在根据气体频域特征检测到故障标志气体信息时，根据故障标志气体的类型，确定电池的故障类型，根据故障标志气体的浓度，确定电池的故障程度。
其中，故障标志气体的浓度是用于反应电池区域中故障标志气体含量多少的信息。而由于故障标志气体是电池处于故障时所产生的特定气体，因此，故障标志气体的浓度一定程序上可以反映电池的故障程度。
在一些可选实施例中，电池故障检测系统在根据气体频域特征检测到故障标志气体信息后，先根据故障标志气体信息中的故障标志气体的类型确定电池的故障类型，随后根据故障标志气体的浓度确定电池的故障程度。可以理解的，在前文实施例中已经描述了如何根据故障标志气体的类型确定电池的故障类型，在此不再重复描述，而仅对如何根据故障标志气体的浓度确定电池的故障程度进行说明。
在大多数的电池故障场景中，电池所释放的故障标志气体的浓度越高，对应的故障程度也就越高，因此，在一些可选实施例中，故障标志气体的浓度与电池的故障程度成正比例。
而在一些电池故障场景中，电池会释放多种故障标志气体，此时也可以通过各个故障标志气体的浓度值来确定电池的故障程度。以电池中存在A、B两种故障标志气体为例，A、B两种故障标志气体在电池不同的故障阶段对应的浓度各不相同，浓度变化趋势也不同。例如A气体在电池处于故障阶段初期时浓度最高，随着电池故障的时间越长，A气体的浓度可能逐渐降低，B气体的浓度逐渐升高。因此，在一些可选实施例中，电池故障检测系统还可以根据各故障标志气体的浓度变化趋势，确定电池的故障程度。
与根据故障标志气体的类型确定电池的故障类型的方法一样，在根据故障标志气体的浓度确定电池的故障程度时，也可以使用预先配置对应关系或预先配置检测模型的方式进行故障标志气体的故障程度确定。
在其中一些实施例中，设计人员可以在电池故障检测系统中预先配置气体频域特征、故障标志气体的浓度以及故障程度三者之间的对应关系。例如设计人员可以预先根据电池对应的故障类型可能产生的故障程度确定各故障程度产生时故障标志气体的浓度，再确定各故障标志气体的浓度对应的气体频域特征，随后将三者之间的对应关系存储在电池故障检测系统中。当电池故障检测系统根据故障标志气体的类型，确定电池的故障类型后，继续根据气体频域特征与故障标志气体的浓度之间对应关系，确定故障标志气体的浓度，随后根据故障标志气体的浓度确定电池的故障程度。
在其中一些实施例中，设计人员可以在电池故障检测系统中配置可以同时用于检测故障标志气体的类型和浓度的气体检测模型，以及故障标志气体的类型与故障类型的对应关系、故障标志气体的浓度与故障程度的对应关系。电池故障检测系统先通过气体检测模型检测得到故障标志气体的类型和浓度，当电池故障检测系统根据故障标志气体的类型，确定电池的故障类型后，基于故障类型确定该故障类型下，各故障标志气体的浓度与故障程度的对应关系，根据采集到的故障标志气体的浓度与各故障标志气体的浓度与故障程度的对应关系，确定电池的故障程度。
上述实施例中，电池故障检测系统不仅能够准确识别电池是否发生故障，还可以根据频域转换后的气体频域特征进一步确定电池的故障类型和故障程度，用户在使用时可以直接得到电池的故障类型和故障程度，为后续的处理提供参考，在提高电池故障检测准确性的同时还进一步提升了用户的使用便利性。
除了上述提到的故障类型确定方法外，在其中一些实施例中，在根据气体频域特征检测到故障标志气体信息时，根据故障标志气体的类型，确定电池的故障类型，包括：
将气体频域特征与故障气体信息表中的故障标志气体频域特征进行匹配，得到与气体频域特征匹配的故障标志气体频域特征，故障气体信息表中包括多种故障标志气体的类型对应的故障标志气体频域特征。根据匹配的故障标志气体频域特征对应的故障标志气体的类型，确定电池的故障类型。
其中，故障标志气体频域特征可以是设计人员预先使用传感器对故障标志气体进行气体采集，并对气体采集得到的气体数据进行频域转换后得到的气体频域特征。
故障气体信息表可以由设计人员根据故障标志气体的类型，以及故障标志气体频域特征之间的对应关系，预先配置在电池故障检测系统中。例如设计人员可以预先确定多种故障标志气体的类型对应的气体频域特征，将两者之间的对应关系存储在电池故障检测系统中。
当电池故障检测系统获取到气体频域特征后，将气体频域特征与故障气体信息表中的故障标志气体频域特征进行匹配，得到与气体频域特征匹配的故障标志气体频域特征。并根据匹配的故障标志气体频域特征对应的故障标志气体的类型，确定电池的故障类型。通过预先在电池故障检测系统中配置故障气体信息表，可以快速根据获取的气体频域特征确定电池的故障类型，有效提高了电池故障检测的速率和准确性。
同样的，在其中一些实施例中，当电池故障检测系统确定了与气体频域特征匹配的故障标志气体频域特征后，可以根据该故障标志气体频域特征的特征类型，查找预设故障映射表，确定电池的故障类型。预设故障映射表中可以有包括各故障类型对应的故障气体的类型。
进一步的，在一些实施例中，将气体频域特征与故障气体信息表中的故障标志气体频域特征进行匹配，得到与气体频域特征匹配的故障标志气体频域特征，包括：
将气体频域特征与故障气体信息表中的各故障标志气体频域特征进行特征相似度计算，根据相似度计算的结果与预设相似条件，确定与气体频域特征匹配的故障标志气体频域特征。
其中，特征相似度计算是用于检测气体频域特征与故障标志气体频域特征之前相似性的检测操作。特征相似度计算可以通过各种相似度计算算法实现，例如，电池故障检测系统可以使用距离算法等直接计算气体频域特征与故障标志气体频域特征的特征相似度，得到相似度结果。也可以通过图像拟合匹配的方式确定，例如将气体频域特征的特征图像与故障标志气体频域特征的特征图像进行拟合后，再将拟合后得到的图像进行匹配，得到相似度计算结果。还可以通过坐标映射的方式实现，例如将气体频域特征的特征图像与故障标志气体频域特征的特征图像之间，坐标的映射关系，确定坐标重合度，进而确定二者的相似度结果等。
预设相似条件是用于判断气体频域特征与故障标志气体频域特征是否匹配的预设条件。可以理解的，预设相似条件的具体内容与对应的特征相似度计算使用的方法相关。例如当特征相似度计算使用的是相似度计算算法时，预设相似条件的具体内容可以是计算结果大于预设结果阈值。当特征相似度计算使用的是图像拟合匹配的方式时，预设相似条件的具体内容可以是拟合后图像之间的重叠面积大于预设面积阈值。当特征相似度计算使用的是坐标映射的方式时，预设相似条件的具体内容可以是坐标映射后，图像之间的坐标重合率大于预设重合率等。
在一些可选实施例中，电池故障检测系统在获取到气体频域特征后，将气体频域特征与故障气体信息表中的各故障标志气体频域特征，使用预设相似度计算方法进行特征相似度计算，得到相似度计算结果。将相似度计算结果与预设相似条件进行比较，在存在满足预设相似条件的相似度计算结果时，将得到该相似度计算结果的故障标志气体频域特征确定为与气体频域特征匹配的故障标志气体频域特征。通过计算气体频域特征值与故障标志气体频域特征的特征相似度，可以进一步提高气体频域特征与故障标志气体频域特征匹配的准确性，进而提高后续电池故障检测的准确性。
在锂离子电池出现的各种故障中，电池漏液故障是最常见的电池故障之一，当锂离子电池出现漏液时，若不及时对泄漏的液体进行处理，容易导致泄漏液体与人体直接接触对人体造成化学腐蚀危害，或导致电池供电的电子产品内部绝缘失效间接造成电击、着火的危险。因此对电池进行漏液检测是目前电池故障检测领域的一个重点课题。
锂离子电池的电解液一般由锂盐和有机溶剂组成，其本质作用是稳定地传导锂离子。在使用时，电池的正负极和隔膜都浸泡在电解液中，在充放电过程中，电解液作为锂离子的传输媒介，一方面提供部分活性锂离子，作为导电离子使用，另一方面提供离子通道，帮助锂离子在其中自由移动。但是，若出现电池内部压力过大、电池封装不合格、给电池充电时采用了过高的电压或电流、电池遭受了外力破坏以及电池的正常老化等原因，都有可能造成电池漏液的情况。
而电池漏液时，由于电解液的组成成分，会释放出对应的电解液气体，例如磷酸二甲酯（DMC）、磷酸甲乙酯（EMC）、碳酸二乙酯（DEC）以及一氧化碳（CO）、二氧化碳（CO2）等气体。
因此，当电池故障检测场景为漏液检测场景时，在一些实施例中，故障标志气体的类型包括电池漏液时的漏液标志气体，故障类型包括漏液故障。
基于此，在其中一些实施例中，在根据气体频域特征检测到故障标志气体信息时，根据故障标志气体的类型，确定电池的故障类型，可以包括：在根据气体频域特征检测到漏液标志气体时，确定电池出现漏液故障。
其中，漏液标志气体是电池发生漏液故障时所释放的标志气体，例如前文所记载的电解液气体中的至少一种。
电池故障检测系统根据得到的气体频域特征进行故障检测，当检测到故障标志气体的类型为电池漏液时的漏液标志气体时，确定电池出现漏液故障。通过气体频域特征可以快速准确的对电池的漏液故障做出检测判定，有效提高了电池漏液检测的准确性和判断效率。
而当漏液标志气体的气体种类较多时，为了提高电池漏液检测的准确性，降低漏检风险，在一些实施例中，漏液标志气体的类型包括至少两种，故障标志气体信息包括漏液标志气体类型。在根据气体频域特征检测到漏液标志气体时，确定电池出现漏液故障，包括：在根据气体频域特征检测到任意一种类型的漏液标志气体时，确定电池出现漏液故障。
当漏液标志气体的类型包括至少两种故障标志气体信息的漏液标志气体的类型时，电池故障检测系统根据气体频域特征进行故障检测，在检测到任意一种类型漏液标志气体时，即可确定电池出现漏液故障。通过上述实施例中的电池故障检测方法，即使只检测到一种漏液标志气体，电池故障检测系统也可以快速确定电池出现漏液故障，在提高漏液检测准确性的同时还可以有效降低漏液故障的漏检风险。
可以理解的，对电池进行漏液检测时的具体检测方法可以使用前文进行电池的故障类型检测的方法，例如预先在电池故障检测系统中预先配置气体频域特征、漏液标志气体以及漏液故障三者之间的对应关系，通过对应关系检测电池是否出现漏液故障。或者预先在电池故障检测系统中配置漏液气体检测模型，随后根据模型检测结果与预先配置的对应关系，判断电池是否出现漏液故障。获取将气体频域特征与故障气体信息表中的漏液标志气体频域特征进行特征相似度计算，进而相似度计算结果和预设相似条件确定电池是否出现漏液故障。
同样的，除了对电池是否出现漏液故障进行检测，在一些实施例中，电池故障检测系统还可以对电池出现漏液故障程度进行确定。
此时故障标志气体信息包括电池漏液时的漏液标志气体以及漏液标志气体的浓度。在根据气体频域特征检测到故障标志气体信息时，确定电池故障，包括：在根据气体频域特征检测到电池漏液时的漏液标志气体时，确定电池出现漏液故障，根据漏液标志气体的浓度，确定电池的故障程度。
在一些可选实施例中，电池故障检测系统在根据气体频域特征检测到漏液标志气体后，确定电池出现了漏液故障，随后根据气体频域特征确定漏液标志气体的浓度，基于漏液标志气体的浓度确定电池漏液故障的程度。
可以理解的，在根据漏液标志气体的浓度进行漏液故障程度判定时，可以在电池故障检测系统中预先配置气体频域特征、漏液标志气体的浓度和漏液故障程度三者之间的对应关系，根据气体频域特征确定漏液标志气体的浓度，再根据漏液标志气体的浓度确定电池的漏液故障程度。或者在电池故障检测系统中预先配置可以同时进行漏液标志气体检测和漏液标志气体浓度检测的气体检测模型，以及故障标志气体的类型与故障类型的对应关系、故障标志气体的浓度与故障程度的对应关系。电池故障检测系统先通过气体检测模型检测得到漏液标志气体以及漏液标志气体的浓度，基于检测得到的漏液标志气体确定电池出现漏液故障，进而根据漏液标志气体的浓度以及预设漏液标志气体浓度与漏液故障程度的对应关系，确定电池的漏液故障程度。
为了进一步提高故障检测的准确性和检测效率，在一些实施例中，如图3所示，提供了一种电池故障检测方法，其中，上述步骤206的根据气体频域特征，得到电池的故障检测结果，可以包括如图3中所示的步骤302和步骤304：
步骤302，将气体频域特征输入预先训练得到的故障识别模型，故障识别模型根据气体频域特征对故障标志气体进行识别，输出故障标志气体的识别结果。
其中，故障识别模型是预先根据训练数据训练得到的深度学习模型，故障识别模型能够对输入的气体频域特征进行故障标志气体识别，从而得到故障标志气体的识别结果。故障识别模型可以是任意一种神经网络模型，例如BP神经网络模型、Hopfield网络、ART网络等。神经网络模型具有以下优点：第一，具有逼近任意复杂的非线性关系的能力。第二，信息分散于神经网络的各个神经元的参数，鲁棒性和容错性好。第三，网络结构的任一层节点并行处理信息，可以进行大量运算。第四，可学习和自适应不确定的系统。第五，能够同时处理定量、定性知识。
在其中一些实施例中，故障识别模型可以为BP神经网络模型，BP神经网络模型是当下最为普遍研究利用的人工神经网络中的一种，是一种按误差逆向传导方式训练网络的多层前馈网络，即信号前向传递，误差逆向传播的多层前馈神经网络，BP神经网络能从相当多的输入-输出映射关系学习或训练，在过程中改变突触权重值与阈值，以适应周围环境的要求，这样的学习方式不需要建立数学方程表达式来描述输入-输出映射关系。通过对BP神经网络模型进行训练得到故障设备模型，可以在对电池进行故障检测时，有效提高电池故障检测的准确性和检测效率。
在一些可选实施例中，电池故障检测系统在得到气体频域特征后，将气体频域特征输入预先训练得到的故障识别模型中进行故障识别，故障识别模型根据输入的气体频域特征对故障标志气体进行识别，输出故障标志气体的识别结果。可以理解的，故障标志气体的识别结果可以是单一的识别结果，例如故障标志气体的类别或故障标志气体的浓度等，也可以是综合识别结果，例如故障类别置信度和该故障类别对应的故障气体浓度置信度或故障类别和该故障类别对应的解决方案等。
由于传感器阵列中包括有至少两个传感器，且每个传感器对不同故障标志气体具有气敏性，那么通过对气体传感数据进行频域转换后的气体频域特征也对应有多个不同的频域特征数据，气体频域特征中包含的频域特征数据的数量与传感器阵列中的传感器数量吻合。
基于此，为了提高检测效率和准确性，在其中一些实施例中，可以为故障识别模型构建与传感器阵列中包含的传感器数量一致的输入端口。当电池故障检测系统需要将气体频域特征输入至故障识别模型中进行故障识别时，即可将气体频域特征中的各频域特征数据分别输入到模型对应的输入端口中，以便于故障识别模型可以从多个故障识别分支对各频域特征数据进行故障标志气体识别，得到电池的故障检测结果。
由频域特征的频谱图可知，具有分析价值的频域信号一般会集中在采集的前一段时间中，后续时间采集过程趋于稳定，得到的频域特征可分析性较差。基于此，在一些实施例中，电池故障检测系统在得到气体频域特征后，可以根据预设筛选规则从气体频域特征中筛选出具有分析价值的目标气体频域特征，将具有分析价值的目标气体频域特征输入故障识别模型中进行故障识别，可以在保障检测准确性的同时，降低故障识别的计算复杂性，降低电池故障检测系统的计算压力。其中，预设筛选规则可以为从气体频域特征中筛选预设时间段内的气体频域特征作为目标气体频域特征，预设时间段是用于判断气体频域特征数据是否具备分析价值的预设时间参数，可以由设计人员根据实验测定或根据经验值设置。例如设计人员发现大部分的频谱图中，具备分析价值的频域特征均集中在前100秒内，则可以将从气体频域特征中筛选前100秒内的气体频域特征作为目标气体频域特征确定为预设筛选规则。
步骤304，根据故障标志气体的识别结果，得到电池的故障检测结果。
电池故障检测系统在得到故障标志气体的识别结果后，可以根据故障标志气体的识别结构确定电池的故障检测结果。
上述实施例中，通过在得到气体频域特征的基础上，引入故障识别模型来对故障标志气体进行识别，输出相应的识别结果后根据识别结果得到电池的故障检测结果，可以通过故障识别模型识别精度更高的优点提高电池故障检测的准确性，进而提升电池的使用可靠性。
由于在大多数故障场景中，电池产生的故障标志气体的气体数量都有多种，而传感器阵列中也会包含有多个分别对各故障标志气体存在气敏性的传感器，因此，为了更加准确的得到故障识别结果，在一些实施例中，故障识别模型包括多个输出节点，每个输出节点对应一种故障标志气体的置信度。
其中，故障标志气体的置信度可以认为是故障识别模型检测到的故障标志气体为电池区域中真实故障标志气体的概率。通过为每个输出节点设置对应的故障标志气体的置信度，在模型识别时，故障识别模型的各个输出节点即可输出电池区域中各故障标志气体的识别结果。
而在此基础上，在一些实施例中，根据故障标志气体的识别结果，得到电池的故障检测结果包括：根据故障标志气体的置信度确定检测到的故障标志气体的类型，根据故障标志气体的类型，确定电池故障的类型。
故障标志气体的置信度用于表征电池区域包含相应故障标志气体的类型的概率。故障识别模型对输入的气体频域特征进行故障识别后，从各输出节点输出各故障标志气体的置信度。电池故障检测系统根据各故障标志气体的置信度，确定电池区域包含各故障标志气体的类型的概率，进而确定检测到的故障标志气体的类型。基于故障标志气体的类型确定电池故障的类型。
以故障标志气体为漏液标志气体中的DMC、EMC、DEC为例进行说明，电池故障检测系统中对三个漏液标志气体的类型检测阈值为0.8，若故障识别模型的三个输出节点输出的漏液标志气体的置信度分别为DMC：0.9，EMC：0.6，DEC：0.9，那么可以看出DMC、DEC的概率较高，都已经达到了电池故障检测系统的检测阈值，可以确定电池区域中包括有DMC、DEC两种漏液标志气体，确定电池出现漏液故障。
在另一些实施例中，根据故障标志气体的识别结果，得到电池的故障检测结果包括：根据故障标志气体的置信度确定检测到的故障标志气体的类型和浓度，基于故障标志气体的类型，确定电池的故障类型，基于故障标志气体的浓度，确定电池的故障程度。
其中，故障识别结果可以是综合识别结果。故障标志气体的置信度可以包括故障标志气体的类型置信度和浓度置信度。
故障识别模型对输入的气体频域特征进行故障识别后，从各输出节点输出各故障标志气体的类型置信度和浓度置信度，电池故障检测系统根据各故障标志气体的类型置信度和浓度置信度确定电池区域包含各故障标志气体的类型的概率和浓度的概率，进而确定检测到的故障标志气体的类型以及对应的浓度。基于故障标志气体的类型确定电池的故障类型，基于故障标志气体的浓度，确定电池的故障程度。
以故障标志气体为漏液标志气体中的DMC、EMC、DEC为例进行说明，电池故障检测系统中对三个漏液标志气体的类型检测阈值为0.8，浓度检测阈值为0.3，若故障识别模型的三个输出节点输出的漏液标志气体的类型置信度分别为DMC：0.9，EMC：0.6，DEC：0.9，那么可以看出DMC、DEC的概率较高，都已经达到了电池故障检测系统的类型检测阈值，可以认为电池区域中包括有DMC、DEC两种漏液标志气体，确定电池出现漏液故障。若故障识别模型的三个输出节点输出的漏液标志气体的浓度置信度分别为DMC：0.3，EMC：0.2，DEC：0.5，则可以认为DMC、DEC两种漏液标志气体当前在电池区域的气体浓度为30%和50%，电池故障检测系统根据两种漏液标志气体的气体浓度查询预设的浓度-程度映射表，确定电池的漏液故障程度。
上述实施例中，通过为故障识别模型设置多个输出节点，每个输出节点对应一种故障标志气体的置信度，后续电池故障检测系统即可根据各输出节点输出的故障标志气体的识别结果快速确定电池的故障类型和/或电池故障程度，有效提高了电池故障检测的准确性和检测效率。
为了实现高准确度的故障标志气体识别效果，对故障识别模型进行有效的识别训练至关重要。
在一些实施例中，如图4所示，故障识别模型的训练方式，包括：
步骤402，获取训练数据集，训练数据集的各训练数据包括电池区域的气体传感器阵列中各气体传感器的气体数据。
其中，训练数据集可以是对电池区域进行气体采集后得到的气体数据。为了提高训练数据集的数据代表性，训练数据集中的各训练数据，均是由与实际使用时相同的、设置在电池区域的气体传感器阵列中的各气体传感器，对电池区域进行环境气体采集得到。训练数据集可以是为了训练专门进行实验采集得到的实验数据，也可以是电池区域的历史气体采集数据。
在一些可选实施例中，电池故障检测系统获取由电池区域的气体传感器阵列中各气体传感器的气体数据，将各气体传感器的气体数据集合得到训练数据集。
在其中一些实施例中，为了在提升检测准确性的同时降低故障识别的计算压力，电池故障检测系统可以对得到的气体数据根据预设筛选规则进行筛选，从各气体数据中筛选出具有分析价值的目标气体数据，将具有分析价值的目标气体数据进行集合得到为后续模型训练使用的训练数据集。例如，设计人员可以从气体数据中筛选前100秒内的气体数据作为目标气体数据。以此即提高了故障检测的准确性，也可以有效降低故障识别的计算压力。
步骤404，对各气体传感器的气体数据进行频域转换，得到频域特征。
其中，模型训练时对各气体传感器的气体数据进行频域转换的频域转换方法与实际使用时对气体传感数据进行频域转换的方法一致。
电池故障检测系统在得到训练数据集后，可以通过预设频域转换方法将训练数据集中的各气体传感器的气体数据进行频域转换，得到相应的频域特征。
步骤406，组合气体传感器阵列中的频域特征，得到训练数据的训练气体频域特征，并获得对训练数据的标注结果。
可以理解的，由于气体传感器具有的广谱响应特性，为了保障模型识别的精确度，电池故障检测系统在获取到气体传感器阵列中各气体传感器的频域特征后，可以根据气体采集的循环次数将各传感器的频域特征组合为一个训练频域特征，再将多个训练频域特征集合为训练气体频域特征。例如，在第一次气体采集循环中，气体传感器阵列中的4个气体传感器分别采集了气体数据，电池故障检测系统对4个气体数据进行频域转换，得到4个气体数据对应的频域特征，将4个气体数据对应的频域特征组合得到一个训练频域特征，若总共进行了100次气体采集循环，则训练气体频域特征中就会包含有100个训练频域特征。
其中，频域特征进行组合的方式与频域特征的存储方式相关。
在其中一些实施例中，若对模型进行训练以及后续实际使用时的频域特征都以频域信号数据的方式进行存储，那么组合气体传感器阵列中的频域特征，得到训练数据的训练频域特征可以是：将同一次气体采集循环中的气体传感器分别采集得到的频域信号数据的数据文件组合存储在同一个文件中，得到一个训练频域特征的数据文件，在模型训练和实际使用时，都是将该训练频域特征的数据文件输入到模型中进行识别操作。
在其中一些实施例中，若对模型进行训练以及后续实际使用时的频域特征都以频谱图的形式记录，那么组合气体传感器阵列中的频域特征，得到训练数据的训练气体频域特征可以是：将同一次气体采集循环中的气体传感器分别采集得到的频谱图进行组合，得到一张二维频谱图，每个气体采集循环转换为一张频谱图，在模型训练和实际使用时，都是将该频谱图作为特征输入到模型中进行识别操作。
在一些可选实施例中，电池故障检测系统对气体传感器阵列中的各频域特征进行组合，得到训练数据的训练气体频域特征，并为训练数据中不同组分的故障标志气体的数据赋予不同标签，得到对训练数据的标注结果。
步骤408，基于训练数据的训练气体频域特征和标注结果，对神经网络模型进行训练，得到故障识别模型。
电池故障检测系统基于获得的训练气体频域特征和训练数据的标注结果，对神经网络模型进行训练，调节神经网络模型结构、训练批大小、学习率、训练轮次等神经网络模型中的模型参数，以得到具有高准确性的故障识别模型。
在其中一些实施例中，为了提高训练效果，电池故障检测系统可以将训练气体频域特征和训练数据按照预设比例分为训练样本特征集和测试样本特征集。在对初始的神经网络模型进行训练时，先使用训练样本特征集中的各训练气体频域特征和训练数据的标注结果对神经网络模型进行训练，得到训练后的初始故障识别模型。然后基于测试样本特征集对初始故障识别模型进行测试，当满足测试条件后，得到最终的故障识别模型。
上述实施例中，通过使用训练数据对神经网络模型进行训练，可以得到具有高准确性的故障识别模型，为后续电池的故障检测提供了高效准确的识别工具，有效提升了电池故障检测的准确性。
在一些实施例中，提供了一种电池故障检测方法，以该方法应用在电池漏液故障检测场景为例进行说明。
为了对电池漏液故障进行准确及时的检测，在电池区域设置具有4个不同传感器组成的气敏传感器阵列。4个传感器分别对DMC、EMC、CO以及CO2具有不同选择敏感性。
其中，如图5所示，模型训练过程包括以下步骤：
步骤501，获取训练数据集。
这一过程可以认为是数据预处理过程。电池故障检测系统启动气敏传感器阵列对各电池漏液故障场景中的环境气体进行气敏测试，采集相应的气体数据，此时的气体数据为时域信号。可以理解的，在传感器气敏测试中，每个气敏测试循环包括一个响应阶段和一个回复阶段。
在其中一些实施例中，电池故障检测系统进行气敏测试的测试条件可以为工作温度250℃，回复时间1000s，响应时间200s，测试循环次数可以为40次。
步骤502，对各气体传感器的气体数据进行频域转换，得到频域特征。
在测试完成后，电池故障检测系统从获取到的气体数据中提取时域特征，通过快速傅里叶变换将时域特征转换为频域特征。为了提高训练准确性，降低计算压力，电池故障检测系统可以选取响应开始前100s的时间-电阻数据，通过快速傅里叶变换方法将时域信号转换为频域信号。
步骤503、组合得到的频域特征得到训练气体频域特征，并对训练数据进行标注。
电池故障检测系统根据得到的频域特征获得各频域特征的频谱图，将同一次测试循环中各气敏传感器对应的频谱图进行组合，得到一个二维频谱图。例如，电池故障检测系统抽取时域特征中时间-电阻曲线的前100s数据进行转换，由于每0.1s取得一个数据，经过转换后得到499个频率值，最终每个测试循环可得到一张4×499的频谱图，后续将该频谱图作为机器学习的特征输入到模型中进行训练。
同时，电池故障检测系统将对不同组分的气体的数据赋予不同标签，标签为0、1、2……等，如DMC、EMC、CO和CO2气体的气敏数据分别标记为0、1、2和3。
步骤504，划分训练集与测试集。
电池故障检测系统将得到的训练数据和训练气体频域特征按照8:2的比例划分为训练集和测试集。
步骤505，搭建初始神经网络模型。
为了后续能够高效准确的对电池漏液故障进行检测，首先选择具有强鲁棒性和自适应能力的BP神经网络模型作为初始模型，通过框架搭建平台Tensorflow使用Sequential搭建初始神经网络模型。
如图6所示，初始神经网络模型中包括有输入层、隐含层和输出层三层网络结构，其中，在输出层设置4个输入节点，对应4个气敏传感器和4种气体种类，设置两个隐含层节点为16，隐含层激活函数使用“Relu”函数，输出层激活函数使用“Softmax”函数。在输出层设置4个输出节点，与输入节点相对应。
步骤506，对初始神经网络模型进行训练，得到故障识别模型。
电池故障检测系统通过训练集和测试集对初始神经网络模型进行训练，调节初始神经网络模型结构、训练批大小（batch_size）、学习率（learning rate）、训练轮次（trainepoch）等神经网络模型的参数实现准确率的提升，得到高准确性的故障识别模型。
通过上述步骤得到了故障识别模型后，电池故障检测系统将通过故障识别模型进行实际电池漏液故障检测。如图7所示，电池漏液故障检测方法包括以下步骤：
步骤701，获取电池区域的传感器阵列采集的气体传感数据。
步骤702，对气体传感数据进行筛选与频域变换，得到气体频域特征。
步骤703，将气体频域特征分别从故障识别模型的输入节点输入到故障识别模型中进行故障识别，从故障识别模型的各输出节点中获取DMC、EMC、CO和CO2气体的气体置信度和浓度置信度。
步骤704，根据各气体置信度确定电池是否出现漏液故障。
步骤705，在电池出现漏液故障的情况下，根据各浓度置信度，确定电池的漏液故障程度。
步骤706，根据电池的漏液故障程度生成提示信息，提示用户进行处理。
步骤707，在电池未出现漏液故障的情况下，结束检测。
上述实施例中，通过使用神经网络模型训练得到故障识别模型，可以提高电池故障检测的自动化性能，同时提高故障检测的准确性。而由于在实际测试中会出现电学信号会出现高频波动，这些波动会造成响应值和斜率值计算的误差，会直接影响响应值、响应曲线导数特征的提取，通过使用属于频域特征的特征矩阵，能够有效滤除高频段波动信号，避免传感器受检测环境影响导致分类效果不好的情况出现，具有更好的抗干扰能力。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的电池故障检测方法的电池故障检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个电池故障检测装置实施例中的具体限定可以参见上文中对于电池故障检测方法的限定，在此不再赘述。
在一些实施例中，如图8所示，提供了一种电池故障检测装置800，包括：数据采集模块801、频域转换模块802和故障检测模块803，其中：
数据采集模块801，用于获取电池区域的传感器采集的气体传感数据。
频域转换模块802，用于对气体传感数据进行频域变换，得到气体频域特征。
故障检测模块803，用于根据气体频域特征，得到电池的故障检测结果。
上述电池故障检测装置，通过设置在电池区域的传感器对电池区域的气体传感数据进行采集，在存在电池故障的情况下，传感器能够快速捕捉到相应的气体信号并进行采集，得到包含了故障标志气体信息的气体传感数据。对气体传感数据进行频域转换，得到气体频域特征，根据转换后的气体频域特征得到电池的故障检测结果。通过对气体传感数据进行频域转换，能够有效降低外部环境和采集时长对气体传感数据的影响，可以在电池存在故障时从气体传感数据中准确获取到故障标志气体的气体信息，提高了电池故障检测的准确性，进而提升电池的使用可靠性。
在一些实施例中，故障检测模块还用于：在根据气体频域特征检测到故障标志气体信息时，确定电池故障。
在一些实施例中，故障标志气体信息包括故障标志气体的类型，故障检测模块还用于：在根据气体频域特征检测到故障标志气体信息时，根据故障标志气体的类型，确定电池的故障类型。
在一些实施例中，故障标志气体信息包括故障标志气体的类型和浓度，故障检测模块还用于：在根据气体频域特征检测到故障标志气体信息时，根据故障标志气体的类型，确定电池的故障类型，根据故障标志气体的浓度，确定电池的故障程度。
在一些实施例中，故障检测模块还用于：将气体频域特征与故障气体信息表中的故障标志气体频域特征进行匹配，得到与气体频域特征匹配的故障标志气体频域特征；故障气体信息表中包括多种故障标志气体的类型对应的故障标志气体频域特征；根据匹配的故障标志气体频域特征对应的故障标志气体的类型，确定电池的故障类型。
在一些实施例中，故障检测模块还用于：将气体频域特征与故障气体信息表中的各故障标志气体频域特征进行特征相似度计算；根据相似度计算的结果与预设相似条件，确定与气体频域特征匹配的故障标志气体频域特征。
在一些实施例中，漏液标志气体的类型包括至少两种，故障标志气体信息的漏液标志气体的类型。故障检测模块还用于：在根据气体频域特征检测到任意一种漏液标志气体时，确定电池出现漏液故障。
在一些实施例中，故障检测模块还用于：将气体频域特征输入预先训练得到的故障识别模型，故障识别模型根据气体频域特征对故障标志气体进行识别，输出故障标志气体的识别结果；根据故障标志气体的识别结果，得到电池的故障检测结果。
在一些实施例中，故障识别模型包括多个输出节点，每个输出节点对应一种故障标志气体的置信度。故障检测模块还用于：根据故障标志气体的置信度确定检测到的故障标志气体的类型，基于故障标志气体的类型，确定电池的故障类型。
在一些实施例中，故障识别模型包括多个输出节点，每个输出节点对应一种故障标志气体的置信度。故障检测模块还用于：根据故障标志气体的置信度确定检测到的故障标志气体的类型和浓度；基于故障标志气体的类型，确定电池的故障类型，基于故障标志气体的浓度，确定电池的故障程度。
在一些实施例中，电池故障检测装置还包括：模型训练装置，用于获取训练数据集，训练数据集的各训练数据包括电池区域的气体传感器阵列中各气体传感器的气体数据；对各气体传感器的气体数据进行频域转换，得到频域特征；组合气体传感器阵列中的频域特征，得到训练数据的训练气体频域特征，并获得对训练数据的标注结果；基于训练数据的训练气体频域特征和标注结果，对神经网络模型进行训练，得到故障识别模型。
上述电池故障检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一些实施例中，提供了一种电子设备，如图9所示，该电子设备可以包括传感器以及与传感器连接的控制器，传感器对故障标志气体具有气敏性。控制器中集成有电池故障检测系统。控制器的内部结构图可以如图10所示。传感器与控制器连接，控制器包括通过系统总线连接的处理器、存储器和网络接口。其中，该控制器的处理器用于提供计算和控制能力。该控制器的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该控制器的数据库用于存储气体传感数据、气体频域特征、故障检测结果等数据。该控制器的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电池故障检测方法。
本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一些实施例中，提供了一种控制器，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述电池故障检测方法中各具体实施步骤。
在一些实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述电池故障检测方法中各具体实施步骤。
在一些实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述电池故障检测方法中各具体实施步骤。
需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random AccessMemory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种电池故障检测方法，其特征在于，所述方法包括：
获取电池区域的传感器采集的气体传感数据；
对所述气体传感数据进行频域变换，得到气体频域特征；
根据所述气体频域特征，得到电池的故障检测结果；
其中，所述根据所述气体频域特征，得到电池的故障检测结果，包括：
将所述气体频域特征与故障气体信息表中的各故障标志气体频域特征进行特征相似度计算；故障标志气体信息用于反映所述电池区域中包含的故障标志气体状况，所述故障标志气体信息包括故障标志气体的类型；
根据所述相似度计算的结果与预设相似条件，确定与所述气体频域特征匹配的故障标志气体频域特征；
根据匹配的所述故障标志气体频域特征对应的故障标志气体的类型，确定所述电池的故障类型。
2.根据权利要求1所述的方法，其特征在于，所述故障标志气体信息还包括故障标志气体的浓度，所述方法还包括：
根据所述故障标志气体的浓度，确定所述电池的故障程度。
3.根据权利要求1或2所述的方法，其特征在于，所述故障标志气体的类型包括电池漏液时的漏液标志气体，所述故障类型包括漏液故障。
4.根据权利要求3所述的方法，其特征在于，所述漏液标志气体的类型包括至少两种，所述故障标志气体信息包括漏液标志气体的类型；
所述根据匹配的所述故障标志气体频域特征对应的故障标志气体的类型，确定所述电池的故障类型，包括：在根据所述气体频域特征检测到任意一种类型的所述漏液标志气体时，确定所述电池出现漏液故障。
5.根据权利要求1所述的方法，其特征在于，所述根据所述气体频域特征，得到电池的故障检测结果，还包括：
将所述气体频域特征输入预先训练得到的故障识别模型，所述故障识别模型根据所述气体频域特征对所述故障标志气体进行识别，输出所述故障标志气体的识别结果；
根据所述故障标志气体的识别结果，得到所述电池的故障检测结果。
6.根据权利要求5所述的方法，其特征在于，所述故障识别模型包括多个输出节点，每个输出节点对应一种故障标志气体的置信度；
所述根据所述故障标志气体的识别结果，得到所述电池的故障检测结果，包括以下方式中的任意一种：
第一种：
根据所述故障标志气体的置信度确定检测到的故障标志气体的类型，基于所述故障标志气体的类型，确定所述电池的故障类型；
第二种：
根据所述故障标志气体的置信度确定检测到的故障标志气体的类型和浓度；
基于所述故障标志气体的类型，确定所述电池的故障类型，基于所述故障标志气体的浓度，确定所述电池的故障程度。
7.根据权利要求5所述的方法，其特征在于，所述故障识别模型的训练方式，包括：
获取训练数据集，所述训练数据集的各训练数据包括电池区域的气体传感器阵列中各气体传感器的气体数据；
对各所述气体传感器的气体数据进行频域转换，得到频域特征；
组合所述气体传感器阵列中的所述频域特征，得到所述训练数据的训练气体频域特征，并获得对所述训练数据的标注结果；
基于所述训练数据的所述训练气体频域特征和所述标注结果，对神经网络模型进行训练，得到所述故障识别模型。
8.一种电池故障检测装置，其特征在于，所述装置包括：
数据采集模块，用于获取电池区域的传感器采集的气体传感数据；
频域转换模块，用于对所述气体传感数据进行频域变换，得到气体频域特征；
故障检测模块，用于根据所述气体频域特征，得到电池的故障检测结果；其中，所述根据所述气体频域特征，得到电池的故障检测结果，包括：将所述气体频域特征与故障气体信息表中的各故障标志气体频域特征进行特征相似度计算；故障标志气体信息用于反映所述电池区域中包含的故障标志气体状况，所述故障标志气体信息包括故障标志气体的类型；根据所述相似度计算的结果与预设相似条件，确定与所述气体频域特征匹配的故障标志气体频域特征；根据匹配的所述故障标志气体频域特征对应的故障标志气体的类型，确定所述电池的故障类型。
9.一种电子设备，包括传感器以及与所述传感器连接的控制器，所述传感器对电池的故障标志气体具有气敏性，所述控制器包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310856845.XA CN116572747B (zh) | 2023-07-13 | 2023-07-13 | 电池故障检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310856845.XA CN116572747B (zh) | 2023-07-13 | 2023-07-13 | 电池故障检测方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116572747A CN116572747A (zh) | 2023-08-11 |
| CN116572747B true CN116572747B (zh) | 2023-12-22 |
Family
ID=87536358
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310856845.XA Active CN116572747B (zh) | 2023-07-13 | 2023-07-13 | 电池故障检测方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116572747B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117129160B (zh) * | 2023-08-25 | 2024-03-26 | 江苏舒茨测控设备股份有限公司 | 元器件气密检测装置的预警报警方法、系统、终端及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003029818A (ja) * | 2001-07-10 | 2003-01-31 | Toshiba Corp | 故障診断システム及び故障診断プログラム |
| KR20130063207A (ko) * | 2011-12-06 | 2013-06-14 | 주식회사 엘지화학 | 이차 전지의 내부 압력 측정 장치 및 방법 |
| CN111060821A (zh) * | 2019-12-18 | 2020-04-24 | 国网智能科技股份有限公司 | 具备锂电池故障早期预警功能的电池管理系统及方法 |
| CN112285193A (zh) * | 2020-10-19 | 2021-01-29 | 中国科学院长春应用化学研究所 | 一种电池质谱进样系统 |
| CN113376243A (zh) * | 2021-06-23 | 2021-09-10 | 天目湖先进储能技术研究院有限公司 | 全自动多通道电池质谱分析系统 |
| CN113381085A (zh) * | 2021-06-15 | 2021-09-10 | 江苏为恒智能科技有限公司 | 储能装置的智能安防系统 |
| CN113447773A (zh) * | 2021-06-21 | 2021-09-28 | 东莞新能安科技有限公司 | 一种电弧检测方法、装置及储能电池系统 |
| CN114509620A (zh) * | 2021-11-24 | 2022-05-17 | 国网青海省电力公司海南供电公司 | 一种基于监测数据的变压器故障诊断方法 |
| CN116147840A (zh) * | 2023-01-06 | 2023-05-23 | 北京交通大学 | 一种基于“电-热-气”信号融合的多工况漏液故障诊断方法 |
-
2023
- 2023-07-13 CN CN202310856845.XA patent/CN116572747B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003029818A (ja) * | 2001-07-10 | 2003-01-31 | Toshiba Corp | 故障診断システム及び故障診断プログラム |
| KR20130063207A (ko) * | 2011-12-06 | 2013-06-14 | 주식회사 엘지화학 | 이차 전지의 내부 압력 측정 장치 및 방법 |
| CN111060821A (zh) * | 2019-12-18 | 2020-04-24 | 国网智能科技股份有限公司 | 具备锂电池故障早期预警功能的电池管理系统及方法 |
| CN112285193A (zh) * | 2020-10-19 | 2021-01-29 | 中国科学院长春应用化学研究所 | 一种电池质谱进样系统 |
| CN113381085A (zh) * | 2021-06-15 | 2021-09-10 | 江苏为恒智能科技有限公司 | 储能装置的智能安防系统 |
| CN113447773A (zh) * | 2021-06-21 | 2021-09-28 | 东莞新能安科技有限公司 | 一种电弧检测方法、装置及储能电池系统 |
| CN113376243A (zh) * | 2021-06-23 | 2021-09-10 | 天目湖先进储能技术研究院有限公司 | 全自动多通道电池质谱分析系统 |
| CN114509620A (zh) * | 2021-11-24 | 2022-05-17 | 国网青海省电力公司海南供电公司 | 一种基于监测数据的变压器故障诊断方法 |
| CN116147840A (zh) * | 2023-01-06 | 2023-05-23 | 北京交通大学 | 一种基于“电-热-气”信号融合的多工况漏液故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116572747A (zh) | 2023-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hong et al. | Vehicle energy system active defense: a health assessment of lithium‐ion batteries | |
| Khan et al. | Batteries state of health estimation via efficient neural networks with multiple channel charging profiles | |
| CN108931725B (zh) | 一种电池故障检测的方法及装置 | |
| CN116572747B (zh) | 电池故障检测方法、装置、计算机设备和存储介质 | |
| CN114371409B (zh) | 电池状态预测模型的训练方法、电池状态预测方法及装置 | |
| CN115238831B (zh) | 故障预测方法、装置、计算机设备和存储介质 | |
| CN116522153B (zh) | 锂电池容量预测方法、装置、计算机设备和存储介质 | |
| KR20230038480A (ko) | 가스 분석물을 모니터링하기 위한 시스템 및 방법 | |
| 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 | |
| CN111257753A (zh) | 一种电池系统故障诊断方法 | |
| CN113095173A (zh) | 一种Adaboost融合多分类器的光伏系统故障电弧检测方法 | |
| CN112816881A (zh) | 电池压差异常检测方法、装置及计算机存储介质 | |
| CN117368745B (zh) | 基于深度学习的硬包锂电池安全监测方法及装置 | |
| CN113009077B (zh) | 气体检测方法、装置、电子设备和存储介质 | |
| CN114325433A (zh) | 基于电化学阻抗谱测试的锂离子电池故障检测方法和系统 | |
| Rodriguez et al. | Discovering governing equations of li-ion batteries pertaining state of charge using input-output data | |
| CN116466237A (zh) | 一种锂电池的充电安全监测预警方法及系统 | |
| CN113933718B (zh) | 一种退役电池容量分选方法、装置、设备及存储介质 | |
| CN115980585A (zh) | 电池故障的检测方法、装置、计算机设备和存储介质 | |
| CN115015762A (zh) | 一种基于预充工序的异常电芯筛查方法、装置和设备 | |
| CN113092934A (zh) | 基于聚类和lstm的单相接地故障判定方法及系统 | |
| Sin et al. | Data-driven prediction of battery degradation using EIS-based robust features | |
| CN117648612B (zh) | 并联电池组故障检测方法、装置、电子设备和存储介质 | |
| CN117525690A (zh) | 锂电池热失控预警方法、装置、计算机设备和存储介质 | |
| Ren et al. | Multi-fault diagnosis strategy based on a non-redundant interleaved measurement circuit and improved fuzzy entropy for the battery system |
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 |