CN116660761B - 一种锂离子电池检测方法及系统 - Google Patents
一种锂离子电池检测方法及系统 Download PDFInfo
- Publication number
- CN116660761B CN116660761B CN202310965932.9A CN202310965932A CN116660761B CN 116660761 B CN116660761 B CN 116660761B CN 202310965932 A CN202310965932 A CN 202310965932A CN 116660761 B CN116660761 B CN 116660761B
- Authority
- CN
- China
- Prior art keywords
- battery
- data
- time
- real
- condition
- 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 17
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 15
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 15
- 230000036541 health Effects 0.000 claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 57
- 238000007781 pre-processing Methods 0.000 claims abstract description 33
- 238000012544 monitoring process Methods 0.000 claims abstract description 30
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 238000005070 sampling Methods 0.000 claims description 54
- 230000002159 abnormal effect Effects 0.000 claims description 53
- 238000007726 management method Methods 0.000 claims description 41
- 238000012545 processing Methods 0.000 claims description 39
- 238000004458 analytical method Methods 0.000 claims description 28
- 238000000605 extraction Methods 0.000 claims description 25
- 238000013136 deep learning model Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000013524 data verification Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000004806 packaging method and process Methods 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 11
- 230000003862 health status Effects 0.000 claims description 9
- 238000003708 edge detection Methods 0.000 claims description 8
- 238000010183 spectrum analysis Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000013450 outlier detection Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000013210 evaluation model Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 14
- 230000008859 change Effects 0.000 description 18
- 238000010606 normalization Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 239000000284 extract Substances 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 2
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及电池检测技术领域，尤其涉及一种锂离子电池检测方法及系统。该方法包括以下步骤：通过电池管理系统进行实时电池数据采集，从而获取原始电池数据；对原始电池数据进行电池数据预处理，从而获取电池预处理数据；对电池预处理数据进行关键参数特征提取，从而获取电池使用情况特征数据以及电池运行音频特征数据；在边缘计算设备上对电池使用情况特征数据以及电池运行音频特征数据进行深度建模，从而构建电池状况边缘预测模型；根据电池状况边缘预测模型进行电池监控状态评估，从而获取电池健康报告数据。本发明能够准确地检测电池的健康状况，从而提升电池的管理和维护能力。
Description
技术领域
本发明涉及电池检测技术领域，尤其涉及一种锂离子电池检测方法及系统。
背景技术
锂离子电池检测方法主要是用于评估和监控电池的健康状态、寿命和性能。这些检测方法主要包括电池的电压、电流、温度的物理参数的实时监测，以及电池阻抗、电化学特性、电池的充放电特性的复杂特性的测量和分析。现有的方法在检测过程中往往时间较长，无法实现对电池的在线和实时监控。
发明内容
本发明为解决上述技术问题，提出了一种锂离子电池检测方法及系统，以解决至少一个上述技术问题。
本申请提供了一种锂离子电池检测方法，包括以下步骤：
步骤S1：通过电池管理系统进行实时电池数据采集，从而获取原始电池数据；
步骤S2：对原始电池数据进行电池数据预处理，从而获取电池预处理数据；
步骤S3：对电池预处理数据进行关键参数特征提取，从而获取电池使用情况特征数据以及电池运行音频特征数据；
步骤S4：在边缘计算设备上对电池使用情况特征数据以及电池运行音频特征数据进行深度建模，从而构建电池状况边缘预测模型；
步骤S5：根据电池状况边缘预测模型进行电池监控状态评估，从而获取电池健康报告数据。
本发明中通过实时电池数据采集，电池数据预处理，关键参数特征提取，深度建模和电池监控状态评估，可以更全面，更准确地理解电池的健康状况，提升电池的管理和维护能力。通过电池状况边缘预测模型，可以提前发现电池可能存在的问题，预测电池的寿命和性能，从而提前进行维护和更换，避免因电池故障导致的设备停机和安全事故。通过电池健康报告数据，可以更准确地了解电池的使用情况，合理安排电池的充放电计划，提高电池的使用效率和延长电池寿命。通过优化电池的使用和维护，可以节约能源，减少因电池报废和更换产生的废物，从而减少对环境的影响。在边缘计算设备上进行深度建模，可以实现快速处理和反馈，减少数据传输的延迟和成本，提高系统的实时性和稳定性。
优选地，步骤S1具体为：
步骤S11：利用预设的配置参数对电池管理系统进行数据采集环境初始化，从而获取采集环境状态数据；
步骤S12：根据采集环境状态数据进行实时监测，从而获取实时电池数据；
步骤S13：对实时电池数据进行实时电池数据校验，从而获取校验电池数据；
步骤S14：根据校验电池数据对实时电池数据进行编码，从而获取原始电池数据，以发送至计算设备。
本发明中通过采集环境初始化和实时电池数据校验，可以大大减少数据采集错误，提高数据的准确性，从而保证后续数据处理和电池状况预测的准确性。通过实时监测和数据编码，可以实时、高效地收集和传输电池数据，从而提高数据采集的效率，加快电池健康状况的评估速度。通过对电池数据进行校验和编码，可以避免因数据错误导致的系统崩溃，提高系统的健壮性。通过对采集环境的初始化，可以更好地适应各种采集环境，避免因环境因素影响数据采集的准确性。通过数据编码，可以保护电池数据的安全，防止数据被恶意篡改，从而保证电池健康状况评估的准确性和系统的安全性。
优选地，步骤S13中实时电池数据校验通过实时电池数据校验计算公式进行处理，其中实时电池数据校验计算公式具体为：
；
为校验电池数据，/>为实时电池电压数据，/>为电池管理系统的采样频率，/>为采样点的数量数据，/>为实时电池电流数据，/>为电池管理系统的校验常数。
本发明构造了一种实时电池数据校验计算公式，该计算公式提高了电池数据校验的精确度和稳健性，减小了误报和漏报的风险。和/>代表实时电池的电压数据和电流数据，它们是实时监测电池状态的关键参数，它们的变化情况能反映出电池的实时运行状态。/>和代表电池管理系统的采样频率和采样点的数量数据，它们反映了数据采集的密度，即数据采集的详细程度。采样频率越高，采样点的数量越多，获得的电池状态信息就越详细，对电池的监控就越精确。/>代表电池管理系统的校验常数，这是一个预设值，用于校准校验公式，保证其准确性。首先计算采样点的数量/>对于无穷大的极限，然后取其阶乘与自身的/>次方的比值，再取以采样频率/>为底的对数，得到一个与采样环境相关的值，然后对该值求导，得到一个与采样环境变化率相关的值，再加上实时电池电压/>和电流/>的平方和的平方根，再取正弦值，得到一个与电池状态相关的值，最后加上电池管理系统的校验常数/>，得到最终的校验电池数据/>这个公式可以用来检验实时电池数据是否符合预期的范围和变化规律，如果不符合，则说明存在异常或错误。
优选地，步骤S2具体为：
步骤S21：从存储设备或者数据传输通道中加载，从而获取原始电池数据；
步骤S22：对原始电池数据进行异常值检测，从而获取标记异常值电池数据，其中标记异常值电池数据包括检测异常值电池数据以及缺失异常值电池数据；
步骤S23：确定标记异常值电池数据为检测异常值电池数据时，则对标记异常值电池数据进行历史数据时序相关性分析，从而获取时序异常合理性数据，并利用时序异常合理性数据对标记异常值电池数据进行异常处理，从而获取处理电池数据；
步骤S24：确定标记异常值电池数据为缺失异常值电池数据时，则对标记异常值电池数据进行时序填充处理，从而获取处理电池数据；
步骤S25：对处理电池数据进行标准化处理，从而获取标准化电池数据；
步骤S26：对标准化电池数据进行时序数据分割，从而获取时序电池数据；
步骤S27：对时序电池数据进行关键数据选择，从而获取时序电池特征关键数据；
步骤S28：对时序电池特征关键数据进行缺失值处理，从而获取电池预处理数据。
本发明中通过从原始电池数据开始，包含了数据预处理的所有关键步骤，这有助于确保处理结果的完整性和准确性。通过异常值检测和时序相关性分析，可以有效地找出和处理异常值。这对于提高数据质量，减少模型训练和预测的误差是非常重要的。数据标准化能够使得不同范围的特征值被转换到相同的尺度，避免了某些特征由于数值范围大而在模型中占据主导地位。对电池数据进行关键数据选择，可以从众多的特征中筛选出最重要的特征，降低模型的复杂性，提高预测的准确性。电池数据通常有时间序列性质，通过对时序电池数据进行处理，可以挖掘出电池状态随时间变化的趋势和规律，为预测电池未来状态提供更多的信息。通过缺失值处理，确保数据的完整性，使得每个样本都能被模型充分利用。
优选地，步骤S23中历史数据时序相关性分析通过历史数据时序相关性计算公式进行处理，其中历史数据时序相关性计算公式具体为：
；
为时序相关性指标，/>为标记异常值电池数据的参数数量数据，/>为标记异常值电池数据的序次项，/>为第/>个标记异常值电池数据，/>为时序参数，/>为时序相关性底数常数项，/>为时间间隔数据，/>为第/>个时间对应的标记异常值电池数据，/>为第个时间对应的标记异常值电池数据，/>为第/>个标记异常值电池数据的均值数据，/>为第/>个标记异常值电池数据的波动程度数据。
本发明构造了一种历史数据时序相关性计算公式，该计算公式用来计算电池数据的时序相关性指标，用于评估电池数据在时间序列上的连续性和稳定性，同时也可以通过相关性指标的变化来检测可能存在的异常数据。通过求导项，可以评估电池数据在时间序列上的变化速度，如果变化速度突然增大或减小，可能表示电池状态发生了变化，这有助于提早发现可能的电池问题。对数项/>，这部分计算的是电池数据在极短的时间间隔内的变化比例，通过对数变换，使得数据的变化趋势更明显，便于分析。/>，这部分是用来计算电池数据的波动程度，通过正弦函数的变换，将电池数据的波动程度映射到-1到1之间，便于量化和对比。这个公式可以全面地对电池数据进行时序相关性分析，对于发现和预测电池问题，以及进行电池健康管理具有非常重要的作用。同时，可以处理和解析出电池数据中隐藏的深层信息，提高电池管理的效果和准确性。
优选地，步骤S26具体为：
步骤S261：利用预设的时间分辨率对标准化电池数据进行采样频率调整，从而获取调整采样频率电池数据；
步骤S262：对调整采样频率电池数据进行时间戳对齐，从而获取对齐时间戳电池数据；
步骤S263：利用滑动窗口法对对齐时间戳电池数据进行数据滑动窗口处理，从而获取窗口电池数据；
步骤S264：对窗口电池数据进行窗口数据抽样，从而获取抽样窗口电池数据；
步骤S265：对抽样窗口电池数据进行时序数据特征提取，从而获取时序特征电池数据；
步骤S266：对时序特征电池数据进行归一化处理，并获取归一化时序特征电池数据；
步骤S267：对归一化时序特征电池数据进行矩阵构建，从而获取电池特征矩阵数据；
步骤S268：对电池特征矩阵数据进行时序数据包装，从而获取时序电池数据。
本发明中通过预设的时间分辨率对电池数据进行采样频率的调整，以及利用滑动窗口法和窗口数据抽样，能够高效地处理大量电池数据，提升了数据处理的效率。通过时间戳对齐和数据滑动窗口处理，保证了数据的精确性，降低了因数据不一致引发的误差。通过对抽样窗口电池数据进行时序数据特征提取，将复杂的电池数据转化为易于理解和处理的特征数据，便于后续的分析和建模。通过对时序特征电池数据进行归一化处理，可以处理各种不同规模和单位的电池数据，增强了方法的通用性。通过对归一化时序特征电池数据进行矩阵构建和时序数据包装，可以以可视化的方式展示电池数据，便于理解和分析。
优选地，步骤S3具体为：
步骤S31：对电池预处理数据进行频率数据转换，从而获取转换电池数据；
步骤S32：对转换电池数据进行频谱分析，从而获取电池频谱分布数据；
步骤S33：对电池频谱分析数据进行主要特征提取，从而获取电池频率特征数据；
步骤S34：对电池频率特征数据进行电池运行模式分析，从而获取电池运行模式数据；
步骤S35：利用电池运行模式数据对电池频率特征数据进行电池健康指标计算，从而获取电池健康指数；
步骤S36：将电池频率特征数据、电池运行模式数据以及电池健康指数进行特征数据包装，从而获取电池使用情况特征数据；
步骤S37：对转换电池数据进行音频特征提取，从而获取电池运行音频特征数据。
本发明中通过对电池预处理数据进行频率数据转换、频谱分析、特征提取以及运行模式分析，实现了对电池状态的多维度、深度分析，增强了对电池状态理解的全面性。利用电池运行模式数据对电池频率特征数据进行电池健康指标计算，从而获取电池健康指数，可以更准确地评估电池的健康状态。通过将电池频率特征数据、电池运行模式数据以及电池健康指数进行特征数据包装，从而获取电池使用情况特征数据，全面获取电池运行的相关信息。通过音频特征提取，可以监测电池运行过程中的异常声音，有助于实时发现电池可能存在的故障，提供预警，增强了安全性。
优选地，步骤S4具体为：
步骤S41：在边缘计算设备上对电池使用情况特征数据以及电池运行音频特征数据进行特征分布分析，从而获取特征分布数据；
步骤S42：根据特征分布数据进行深度学习模型选择，从而获取选定深度学习模型数据；
步骤S43：利用电池使用情况特征数据以及电池运行音频特征数据对选定深度学习模型数据进行训练，从而获取电池状况深度模型；
步骤S44：对电池状况深度模型进行验证并优化，从而获取电池状况边缘预测模型。
本发明中步骤S41的特征分布分析可以帮助我们更好地理解电池使用情况和电池运行音频的复杂特性，从而为深度学习模型选择提供依据。步骤S42的深度学习模型选择可以根据特征分布数据选择最适合电池使用情况和电池运行音频的深度学习模型，提高模型预测的准确性。步骤S43的模型训练使用电池使用情况特征数据和电池运行音频特征数据来训练选定的深度学习模型，使模型能够更好地适应和预测电池的状态。步骤S44的模型验证和优化可以进一步提高电池状况深度模型的性能，使得预测结果更精确，从而提高电池的使用效率和延长电池的寿命。
优选地，步骤S5具体为：
步骤S51：通过物联网设备进行电池实时运行数据采集，从而获取电池实时运行数据；
步骤S52：对电池实时运行数据进行实时数据预处理，从而获取电池实时运行预处理数据；
步骤S53：载入电池状况边缘检测模型，并利用电池状况边缘检测模型对电池实时运行预处理数据进行电池状况预测，从而获取电池状况预测结果数据；
步骤S54：对电池状况预测结果数据通过预设的预警阈值进行计算，从而获取电池状况预警阈值数据；
步骤S55：对电池状况预测结果数据以及电池状况预警阈值数据进行电池健康评估，从而获取电池健康状况数据；
步骤S56：根据电池健康状况数据生成电池健康报告数据。
本发明中步骤S51通过物联网设备进行电池实时运行数据采集，确保了数据的实时性，有助于及时发现并处理电池的运行问题。步骤S52对电池实时运行数据进行预处理，可有效消除数据中的噪声和异常值，提高后续预测和分析的准确性。步骤S53利用预训练好的电池状况边缘检测模型对电池实时运行预处理数据进行电池状况预测，可以准确预测电池的健康状态。步骤S54通过设置预警阈值，一旦电池状况预测结果超过这个阈值，就可以立即发出预警，提醒维护人员及时进行维修或更换，避免因电池故障造成的损失。步骤S55进行电池健康评估，可以全面了解电池的健康状态，为后续的维护和管理提供依据。步骤S56根据电池健康状况数据生成电池健康报告，便于管理人员查看和理解电池的健康状态。
优选地，本发明还提供了一种锂离子电池检测系统，包括：
实时电池数据采集模块，用于通过电池管理系统进行实时电池数据采集，从而获取原始电池数据；
电池数据预处理模块，用于对原始电池数据进行电池数据预处理，从而获取电池预处理数据；
关键参数特征提取模型，用于对电池预处理数据进行关键参数特征提取，从而获取电池使用情况特征数据以及电池运行音频特征数据；
深度建模模型，用于在边缘计算设备上对电池使用情况特征数据以及电池运行音频特征数据进行深度建模，从而构建电池状况边缘预测模型；
电池监控状态评估模型，用于根据电池状况边缘预测模型进行电池监控状态评估，从而获取电池健康报告数据。
本发明的有益效果在于：通过实时采集电池数据并对这些数据进行深度建模和预测，这种方法使得电池管理成为一种数据驱动的过程。这不仅提高了电池管理的准确性和可预测性，同时也使得电池管理能够对复杂的电池状态进行适应和调整。电池数据预处理步骤能够识别并处理原始数据中的异常值和噪声，保证了输入深度模型的数据的质量和准确性，为后续的特征提取和建模打下了坚实的基础。该方法不仅提取了电池的基本使用情况特征数据，还进一步提取了电池运行的音频特征数据。这种多元化的特征提取方式，能够更全面地揭示电池的使用和运行状况，为后续的电池状况预测提供了更为丰富和准确的信息。边缘计算能够减少数据传输和处理的延迟，提高了电池状况预测模型的实时性和准确性。同时，边缘计算设备上的深度建模也提高了电池管理系统的灵活性和可扩展性。这种方法利用深度学习模型对电池的使用情况进行了深度监控和评估，能够预测电池的健康状况并及时提供电池健康报告。这种深度监控和评估方式不仅能够提前发现电池的潜在问题，提高电池的使用寿命和安全性，同时也为电池的维护和管理提供了科学和准确的依据。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1示出了一实施例的锂离子电池检测方法的步骤流程图；
图2示出了一实施例的步骤S1的步骤流程图；
图3示出了一实施例的步骤S2的步骤流程图；
图4示出了一实施例的步骤S26的步骤流程图；
图5示出了一实施例的步骤S3的步骤流程图；
图6示出了一实施例的步骤S4的步骤流程图；
图7示出了一实施例的步骤S5的步骤流程图。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
请参阅图1至图7，本申请提供了一种锂离子电池检测方法，包括以下步骤：
步骤S1：通过电池管理系统进行实时电池数据采集，从而获取原始电池数据；
具体地，例如使用电池管理系统(BMS)进行实时数据采集。BMS可以实时监测电池的电压、电流、温度的参数，并通过物联网设备将这些数据发送到服务器或边缘计算设备上进行进一步处理。
步骤S2：对原始电池数据进行电池数据预处理，从而获取电池预处理数据；
具体地，例如数据清洗（例如去除异常值或填充缺失值）、数据规范化（例如将各种参数转换到统一的尺度）、特征选择（例如选取对电池性能影响最大的参数）的步骤。
具体地，例如去除异常值：通过使用如IQR（四分位数间距）或Z-score（标准分数）的统计方法，找出并删除数据集中的异常值。异常值是那些远离其他数据点的值，如果包含在分析中，可能会引起误导。填充缺失值：某些数据记录可能没有所有的属性值。例如，传感器可能会在某个时间点失效，导致数据缺失。这种情况下，可以使用多种方法填充缺失值，例如使用该属性的平均值、中位数或众数，或者使用更复杂的方法，如回归或使用机器学习算法预测缺失值。数据规范化：数据规范化是将所有数据转换到相同的尺度或范围，如[0,1]或[-1,1]。数据规范化方法包括最小-最大标准化、Z-score标准化、十位标准化。特征选择：特征选择是选择那些对预测目标影响最大的特征的过程。例如，对于电池性能，重要的特征包括电池的电压、电流、温度。特征选择的方法包括基于统计的方法、基于模型的方法，如L1正则化、树模型。
步骤S3：对电池预处理数据进行关键参数特征提取，从而获取电池使用情况特征数据以及电池运行音频特征数据；
具体地，例如关键参数特征提取可能包括电压、电流、电量、温度的电池运行的关键参数。电池运行音频特征可能包括电池运行时产生的噪声频率、振动频率。特征提取可能使用各种信号处理和机器学习方法，例如傅立叶变换、主成分分析。
步骤S4：在边缘计算设备上对电池使用情况特征数据以及电池运行音频特征数据进行深度建模，从而构建电池状况边缘预测模型；
具体地，例如深度建模可能包括选择适当的深度学习模型（例如卷积神经网络、长短期记忆网络）并训练它们。这些模型的训练可能会在边缘计算设备上进行，这样可以减少传输数据到云端所需的带宽，并加快模型的响应时间。
步骤S5：根据电池状况边缘预测模型进行电池监控状态评估，从而获取电池健康报告数据。
具体地，例如电池监控状态评估可能包括使用边缘预测模型对实时电池数据进行预测，然后根据预测结果对电池的健康状况进行评估。电池健康报告数据可能包括电池的当前状态、预期寿命、可能的故障模式的信息。这些信息可以帮助维护人员了解电池的状态，并提前采取措施防止可能的故障。
本发明中通过实时电池数据采集，电池数据预处理，关键参数特征提取，深度建模和电池监控状态评估，可以更全面，更准确地理解电池的健康状况，提升电池的管理和维护能力。通过电池状况边缘预测模型，可以提前发现电池可能存在的问题，预测电池的寿命和性能，从而提前进行维护和更换，避免因电池故障导致的设备停机和安全事故。通过电池健康报告数据，可以更准确地了解电池的使用情况，合理安排电池的充放电计划，提高电池的使用效率和延长电池寿命。通过优化电池的使用和维护，可以节约能源，减少因电池报废和更换产生的废物，从而减少对环境的影响。在边缘计算设备上进行深度建模，可以实现快速处理和反馈，减少数据传输的延迟和成本，提高系统的实时性和稳定性。
优选地，步骤S1具体为：
步骤S11：利用预设的配置参数对电池管理系统进行数据采集环境初始化，从而获取采集环境状态数据；
具体地，例如设置数据采集频率、数据精度、需要监测的电池参数（例如电压、电流、温度）。通过这些设置，可以初始化数据采集环境，并获取到采集环境的状态数据。
步骤S12：根据采集环境状态数据进行实时监测，从而获取实时电池数据；
具体地，例如在初始化数据采集环境后，可以开始实时监测电池的运行状态。例如，电池管理系统可以根据设置的采集频率实时监测电池的电压、电流、温度的参数，并将这些数据作为实时电池数据。
步骤S13：对实时电池数据进行实时电池数据校验，从而获取校验电池数据；
具体地，例如电池数据校验可能包括数据的完整性校验（例如检查数据是否有丢失或错误）、数据的有效性校验（例如检查数据是否在合理范围内）。只有通过校验的数据才会被认为是有效的，进一步处理。
步骤S14：根据校验电池数据对实时电池数据进行编码，从而获取原始电池数据，以发送至计算设备。
具体地，例如电池数据的编码通常是为了方便数据的传输和存储。例如，可以将电池数据转换为二进制格式，或者使用更复杂的编码方法如哈夫曼编码、阿里斯塔克码进行编码。编码后的数据会发送到计算设备进行后续处理。
本发明中通过采集环境初始化和实时电池数据校验，可以大大减少数据采集错误，提高数据的准确性，从而保证后续数据处理和电池状况预测的准确性。通过实时监测和数据编码，可以实时、高效地收集和传输电池数据，从而提高数据采集的效率，加快电池健康状况的评估速度。通过对电池数据进行校验和编码，可以避免因数据错误导致的系统崩溃，提高系统的健壮性。通过对采集环境的初始化，可以更好地适应各种采集环境，避免因环境因素影响数据采集的准确性。通过数据编码，可以保护电池数据的安全，防止数据被恶意篡改，从而保证电池健康状况评估的准确性和系统的安全性。
优选地，步骤S13中实时电池数据校验通过实时电池数据校验计算公式进行处理，其中实时电池数据校验计算公式具体为：
；
为校验电池数据，/>为实时电池电压数据，/>为电池管理系统的采样频率，/>为采样点的数量数据，/>为实时电池电流数据，/>为电池管理系统的校验常数。
本发明构造了一种实时电池数据校验计算公式，该计算公式提高了电池数据校验的精确度和稳健性，减小了误报和漏报的风险。和/>代表实时电池的电压数据和电流数据，它们是实时监测电池状态的关键参数，它们的变化情况能反映出电池的实时运行状态。/>和代表电池管理系统的采样频率和采样点的数量数据，它们反映了数据采集的密度，即数据采集的详细程度。采样频率越高，采样点的数量越多，获得的电池状态信息就越详细，对电池的监控就越精确。/>代表电池管理系统的校验常数，这是一个预设值，用于校准校验公式，保证其准确性。首先计算采样点的数量/>对于无穷大的极限，然后取其阶乘与自身的/>次方的比值，再取以采样频率/>为底的对数，得到一个与采样环境相关的值，然后对该值求导，得到一个与采样环境变化率相关的值，再加上实时电池电压/>和电流/>的平方和的平方根，再取正弦值，得到一个与电池状态相关的值，最后加上电池管理系统的校验常数/>，得到最终的校验电池数据/>这个公式可以用来检验实时电池数据是否符合预期的范围和变化规律，如果不符合，则说明存在异常或错误。
优选地，步骤S2具体为：
步骤S21：从存储设备或者数据传输通道中加载，从而获取原始电池数据；
具体地，例如从数据库、数据仓库、数据湖、文件系统、数据流或其它存储介质中获取原始电池数据，或者从网络传输通道（如HTTP、MQTT协议）中实时接收电池数据。
步骤S22：对原始电池数据进行异常值检测，从而获取标记异常值电池数据，其中标记异常值电池数据包括检测异常值电池数据以及缺失异常值电池数据；
具体地，例如通过统计方法（如三σ原则、箱线图）、机器学习方法（如一类支持向量机、孤立森林）进行异常值检测，并将检测到的异常值和缺失值进行标记。
步骤S23：确定标记异常值电池数据为检测异常值电池数据时，则对标记异常值电池数据进行历史数据时序相关性分析，从而获取时序异常合理性数据，并利用时序异常合理性数据对标记异常值电池数据进行异常处理，从而获取处理电池数据；
具体地，例如对于检测到的异常值，可以通过分析该异常值与其历史数据的时序关系，判断该异常值是否合理。如果该异常值与历史数据存在明显的时序关系（例如符合某种趋势或周期性规律），则可以认为该异常值是合理的，否则可以进行相应的异常处理，例如替换为近期的平均值或中值。
步骤S24：确定标记异常值电池数据为缺失异常值电池数据时，则对标记异常值电池数据进行时序填充处理，从而获取处理电池数据；
具体地，例如对于缺失的数据，可以采用插值法（例如线性插值、多项式插值、样条插值）或者基于相似度的方法（例如k近邻法）进行填充。
步骤S25：对处理电池数据进行标准化处理，从而获取标准化电池数据；
具体地，例如标准化处理通常包括将数据转化为均值为0、标准差为1的形式，或者将数据转化为在一定范围内（例如0~1），以消除数据之间的量纲影响。
步骤S26：对标准化电池数据进行时序数据分割，从而获取时序电池数据；
具体地，例如时序数据分割通常用于将一个长时间序列划分为多个较短的时间窗口，每个时间窗口内的数据作为一个样本进行分析。
步骤S27：对时序电池数据进行关键数据选择，从而获取时序电池特征关键数据；
具体地，例如关键数据选择通常通过特征选择方法实现，例如滤波器方法（如方差阈值法、互信息法）、包装器方法（如递归特征消除法）、嵌入式方法（如正则化方法、决策树）。
步骤S28：对时序电池特征关键数据进行缺失值处理，从而获取电池预处理数据。
具体地，例如在关键数据选择后，可能还会存在一些缺失值，这时可以通过上述的缺失值填充方法进行处理，得到完全没有缺失值的电池预处理数据。
本发明中通过从原始电池数据开始，包含了数据预处理的所有关键步骤，这有助于确保处理结果的完整性和准确性。通过异常值检测和时序相关性分析，可以有效地找出和处理异常值。这对于提高数据质量，减少模型训练和预测的误差是非常重要的。数据标准化能够使得不同范围的特征值被转换到相同的尺度，避免了某些特征由于数值范围大而在模型中占据主导地位。对电池数据进行关键数据选择，可以从众多的特征中筛选出最重要的特征，降低模型的复杂性，提高预测的准确性。电池数据通常有时间序列性质，通过对时序电池数据进行处理，可以挖掘出电池状态随时间变化的趋势和规律，为预测电池未来状态提供更多的信息。通过缺失值处理，确保数据的完整性，使得每个样本都能被模型充分利用。
优选地，步骤S23中历史数据时序相关性分析通过历史数据时序相关性计算公式进行处理，其中历史数据时序相关性计算公式具体为：
；
为时序相关性指标，/>为标记异常值电池数据的参数数量数据，/>为标记异常值电池数据的序次项，/>为第/>个标记异常值电池数据，/>为时序参数，/>为时序相关性底数常数项，/>为时间间隔数据，/>为第/>个时间对应的标记异常值电池数据，/>为第个时间对应的标记异常值电池数据，/>为第/>个标记异常值电池数据的均值数据，/>为第/>个标记异常值电池数据的波动程度数据。
本发明构造了一种历史数据时序相关性计算公式，该计算公式用来计算电池数据的时序相关性指标，用于评估电池数据在时间序列上的连续性和稳定性，同时也可以通过相关性指标的变化来检测可能存在的异常数据。通过求导项，可以评估电池数据在时间序列上的变化速度，如果变化速度突然增大或减小，可能表示电池状态发生了变化，这有助于提早发现可能的电池问题。对数项/>，这部分计算的是电池数据在极短的时间间隔内的变化比例，通过对数变换，使得数据的变化趋势更明显，便于分析。/>，这部分是用来计算电池数据的波动程度，通过正弦函数的变换，将电池数据的波动程度映射到-1到1之间，便于量化和对比。这个公式可以全面地对电池数据进行时序相关性分析，对于发现和预测电池问题，以及进行电池健康管理具有非常重要的作用。同时，可以处理和解析出电池数据中隐藏的深层信息，提高电池管理的效果和准确性。
优选地，步骤S26具体为：
步骤S261：利用预设的时间分辨率对标准化电池数据进行采样频率调整，从而获取调整采样频率电池数据；
具体地，例如如果数据的原始采样频率为1分钟/次，则将采样频率调整为5分钟/次，可以通过插值、降采样的方法进行采样频率调整。
步骤S262：对调整采样频率电池数据进行时间戳对齐，从而获取对齐时间戳电池数据；
具体地，例如时间戳对齐通常用于处理那些因为各种原因（如系统时钟偏差、数据延迟）而导致的时间戳不一致的问题。可以通过插值、取整、重采样的方法进行时间戳对齐。
步骤S263：利用滑动窗口法对对齐时间戳电池数据进行数据滑动窗口处理，从而获取窗口电池数据；
具体地，例如滑动窗口法是一种常用的处理时序数据的方法，它通过定义一个固定的时间窗口，然后让这个窗口在时间轴上逐步滑动，从而得到一系列的窗口数据。
步骤S264：对窗口电池数据进行窗口数据抽样，从而获取抽样窗口电池数据；
具体地，例如窗口数据抽样通常用于降低数据的复杂性和冗余性，常用的抽样方法有等间隔抽样、随机抽样、系统抽样。
步骤S265：对抽样窗口电池数据进行时序数据特征提取，从而获取时序特征电池数据；
具体地，例如时序数据特征提取是从时间序列数据中抽取出对目标变量有影响的关键特征，常用的特征提取方法有统计特征（如均值、方差、峰度）、频域特征（如傅立叶变换、小波变换）、形状特征（如趋势、周期性、季节性）。
步骤S266：对时序特征电池数据进行归一化处理，并获取归一化时序特征电池数据；
具体地，例如归一化处理通常用于将数据转化为在一定范围内（例如0~1）或者使得数据的均值为0、标准差为1，从而消除数据的量纲影响，提高模型的学习效率。
步骤S267：对归一化时序特征电池数据进行矩阵构建，从而获取电池特征矩阵数据；
具体地，例如矩阵构建是将处理过的数据按照一定的形式组织在一起，例如，可以将各个时间窗口的特征数据按照时间顺序排列，形成一个二维矩阵，其中每一行代表一个时间窗口的特征数据。
步骤S268：对电池特征矩阵数据进行时序数据包装，从而获取时序电池数据。
具体地，例如时序数据包装是指将各个时间窗口的特征数据按照一定的顺序包装在一起，形成一个新的时间序列数据集，每个样本包含了其前后一定时间范围内的特征数据，这样就可以考虑到数据的时序性。
本发明中通过预设的时间分辨率对电池数据进行采样频率的调整，以及利用滑动窗口法和窗口数据抽样，能够高效地处理大量电池数据，提升了数据处理的效率。通过时间戳对齐和数据滑动窗口处理，保证了数据的精确性，降低了因数据不一致引发的误差。通过对抽样窗口电池数据进行时序数据特征提取，将复杂的电池数据转化为易于理解和处理的特征数据，便于后续的分析和建模。通过对时序特征电池数据进行归一化处理，可以处理各种不同规模和单位的电池数据，增强了方法的通用性。通过对归一化时序特征电池数据进行矩阵构建和时序数据包装，可以以可视化的方式展示电池数据，便于理解和分析。
优选地，步骤S3具体为：
步骤S31：对电池预处理数据进行频率数据转换，从而获取转换电池数据；
具体地，例如可以使用傅立叶变换或者其他频率变换方法，将电池预处理数据从时域转换到频域。
步骤S32：对转换电池数据进行频谱分析，从而获取电池频谱分布数据；
具体地，例如对转换得到的频域数据进行分析，识别出各个频率成分的强度，这些强度信息组成了电池频谱分布数据。
步骤S33：对电池频谱分析数据进行主要特征提取，从而获取电池频率特征数据；
具体地，例如电池频率特征数据可能包括主频率、频率带宽、频率峰值，可以使用一些统计学方法或信号处理方法来进行特征提取。
步骤S34：对电池频率特征数据进行电池运行模式分析，从而获取电池运行模式数据；
具体地，例如电池运行模式数据可能包括电池的充电模式、放电模式、静置模式，可以根据电池频率特征数据进行模式识别。
步骤S35：利用电池运行模式数据对电池频率特征数据进行电池健康指标计算，从而获取电池健康指数；
具体地，例如电池健康指数可能包括电池的容量、内阻、温度，可以根据电池运行模式数据和电池频率特征数据计算得出。
步骤S36：将电池频率特征数据、电池运行模式数据以及电池健康指数进行特征数据包装，从而获取电池使用情况特征数据；
具体地，例如特征数据包装是将提取出的所有特征进行整合，方便后续的分析和模型训练。
步骤S37：对转换电池数据进行音频特征提取，从而获取电池运行音频特征数据。
具体地，例如音频特征可能包括声音的频率、强度、音色，可以使用一些信号处理方法或者音频分析方法进行特征提取。
本发明中通过对电池预处理数据进行频率数据转换、频谱分析、特征提取以及运行模式分析，实现了对电池状态的多维度、深度分析，增强了对电池状态理解的全面性。利用电池运行模式数据对电池频率特征数据进行电池健康指标计算，从而获取电池健康指数，可以更准确地评估电池的健康状态。通过将电池频率特征数据、电池运行模式数据以及电池健康指数进行特征数据包装，从而获取电池使用情况特征数据，全面获取电池运行的相关信息。通过音频特征提取，可以监测电池运行过程中的异常声音，有助于实时发现电池可能存在的故障，提供预警，增强了安全性。
优选地，步骤S4具体为：
步骤S41：在边缘计算设备上对电池使用情况特征数据以及电池运行音频特征数据进行特征分布分析，从而获取特征分布数据；
具体地，例如利用各种统计方法或数据可视化工具进行特征分布分析，包括但不限于直方图、散点图、箱形图。
步骤S42：根据特征分布数据进行深度学习模型选择，从而获取选定深度学习模型数据；
具体地，例如选择最适合解决问题的深度学习模型。例如，如果数据具有时间序列性质，可以选择循环神经网络（RNN）或长短期记忆网络（LSTM）。如果数据在不同特征之间存在复杂的交互，可以选择卷积神经网络（CNN）或者多层感知机（MLP）。
步骤S43：利用电池使用情况特征数据以及电池运行音频特征数据对选定深度学习模型数据进行训练，从而获取电池状况深度模型；
具体地，例如利用梯度下降或其他优化算法对模型参数进行优化，最小化预测结果与实际结果之间的差距。
步骤S44：对电池状况深度模型进行验证并优化，从而获取电池状况边缘预测模型。
具体地，例如在训练完成后，使用未在训练过程中使用的验证数据集对模型进行测试，以评估其泛化性能。根据验证结果调整模型参数，或者返回步骤S42选择更适合的模型进行训练。
本发明中步骤S41的特征分布分析可以帮助我们更好地理解电池使用情况和电池运行音频的复杂特性，从而为深度学习模型选择提供依据。步骤S42的深度学习模型选择可以根据特征分布数据选择最适合电池使用情况和电池运行音频的深度学习模型，提高模型预测的准确性。步骤S43的模型训练使用电池使用情况特征数据和电池运行音频特征数据来训练选定的深度学习模型，使模型能够更好地适应和预测电池的状态。步骤S44的模型验证和优化可以进一步提高电池状况深度模型的性能，使得预测结果更精确，从而提高电池的使用效率和延长电池的寿命。
优选地，步骤S5具体为：
步骤S51：通过物联网设备进行电池实时运行数据采集，从而获取电池实时运行数据；
具体地，例如物联网设备可以是一种具有传感器的设备，这些传感器可以测量电池的温度、电压、电流的参数，并将这些参数的读数发送到远程服务器或边缘计算设备。
步骤S52：对电池实时运行数据进行实时数据预处理，从而获取电池实时运行预处理数据；
具体地，例如实时数据预处理可能包括异常值检测、数据清洗、数据标准化的步骤。
步骤S53：载入电池状况边缘检测模型，并利用电池状况边缘检测模型对电池实时运行预处理数据进行电池状况预测，从而获取电池状况预测结果数据；
具体地，例如这个步骤会应用在步骤S4训练好的电池状况边缘预测模型，该模型可以是神经网络、决策树、支持向量机的机器学习模型。
步骤S54：对电池状况预测结果数据通过预设的预警阈值进行计算，从而获取电池状况预警阈值数据；
具体地，例如根据业务需求和电池状况预测结果数据，通过一定的计算方法得到电池状况预警阈值数据。比如，可以设定电池电压或电流超过或低于某个预设的阈值时，发出预警信号。
步骤S55：对电池状况预测结果数据以及电池状况预警阈值数据进行电池健康评估，从而获取电池健康状况数据；
具体地，例如结合电池状况预测结果和预警阈值，通过一定的算法得出电池健康状况数据。例如，如果电池状况预测结果数据持续超过预警阈值，则判定电池健康状况较差。
步骤S56：根据电池健康状况数据生成电池健康报告数据。
具体地，例如电池健康报告可能包含电池的各种参数，如电压、电流、温度，以及电池健康状况的评估结果，以及可能的故障预警。报告的格式是一份文档，或者是一个图形化的仪表板。
本发明中步骤S51通过物联网设备进行电池实时运行数据采集，确保了数据的实时性，有助于及时发现并处理电池的运行问题。步骤S52对电池实时运行数据进行预处理，可有效消除数据中的噪声和异常值，提高后续预测和分析的准确性。步骤S53利用预训练好的电池状况边缘检测模型对电池实时运行预处理数据进行电池状况预测，可以准确预测电池的健康状态。步骤S54通过设置预警阈值，一旦电池状况预测结果超过这个阈值，就可以立即发出预警，提醒维护人员及时进行维修或更换，避免因电池故障造成的损失。步骤S55进行电池健康评估，可以全面了解电池的健康状态，为后续的维护和管理提供依据。步骤S56根据电池健康状况数据生成电池健康报告，便于管理人员查看和理解电池的健康状态。
优选地，本发明还提供了一种锂离子电池检测系统，包括：
实时电池数据采集模块，用于通过电池管理系统进行实时电池数据采集，从而获取原始电池数据；
电池数据预处理模块，用于对原始电池数据进行电池数据预处理，从而获取电池预处理数据；
关键参数特征提取模型，用于对电池预处理数据进行关键参数特征提取，从而获取电池使用情况特征数据以及电池运行音频特征数据；
深度建模模型，用于在边缘计算设备上对电池使用情况特征数据以及电池运行音频特征数据进行深度建模，从而构建电池状况边缘预测模型；
电池监控状态评估模型，用于根据电池状况边缘预测模型进行电池监控状态评估，从而获取电池健康报告数据。
本发明的有益效果在于：通过实时采集电池数据并对这些数据进行深度建模和预测，这种方法使得电池管理成为一种数据驱动的过程。这不仅提高了电池管理的准确性和可预测性，同时也使得电池管理能够对复杂的电池状态进行适应和调整。电池数据预处理步骤能够识别并处理原始数据中的异常值和噪声，保证了输入深度模型的数据的质量和准确性，为后续的特征提取和建模打下了坚实的基础。该方法不仅提取了电池的基本使用情况特征数据，还进一步提取了电池运行的音频特征数据。这种多元化的特征提取方式，能够更全面地揭示电池的使用和运行状况，为后续的电池状况预测提供了更为丰富和准确的信息。边缘计算能够减少数据传输和处理的延迟，提高了电池状况预测模型的实时性和准确性。同时，边缘计算设备上的深度建模也提高了电池管理系统的灵活性和可扩展性。这种方法利用深度学习模型对电池的使用情况进行了深度监控和评估，能够预测电池的健康状况并及时提供电池健康报告。这种深度监控和评估方式不仅能够提前发现电池的潜在问题，提高电池的使用寿命和安全性，同时也为电池的维护和管理提供了科学和准确的依据。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附申请文件而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种锂离子电池检测方法，其特征在于，包括以下步骤：
步骤S1：通过电池管理系统进行实时电池数据采集，从而获取原始电池数据；
步骤S2：对原始电池数据进行电池数据预处理，从而获取电池预处理数据；
步骤S3：对电池预处理数据进行关键参数特征提取，从而获取电池使用情况特征数据以及电池运行音频特征数据；
步骤S4：在边缘计算设备上对电池使用情况特征数据以及电池运行音频特征数据进行深度建模，从而构建电池状况边缘预测模型；
步骤S5：根据电池状况边缘预测模型进行电池监控状态评估，从而获取电池健康报告数据；
步骤S1具体为：
步骤S11：利用预设的配置参数对电池管理系统进行数据采集环境初始化，从而获取采集环境状态数据；
步骤S12：根据采集环境状态数据进行实时监测，从而获取实时电池数据；
步骤S13：对实时电池数据进行实时电池数据校验，从而获取校验电池数据；
步骤S14：根据校验电池数据对实时电池数据进行编码，从而获取原始电池数据，以发送至计算设备；
步骤S13中实时电池数据校验通过实时电池数据校验计算公式进行处理，其中实时电池数据校验计算公式具体为：
；
为校验电池数据，/>为实时电池电压数据，/>为电池管理系统的采样频率，/>为采样点的数量数据，/>为实时电池电流数据，/>为电池管理系统的校验常数。
2.根据权利要求1所述的方法，其特征在于，步骤S2具体为：
步骤S21：从存储设备或者数据传输通道中加载，从而获取原始电池数据；
步骤S22：对原始电池数据进行异常值检测，从而获取标记异常值电池数据，其中标记异常值电池数据包括检测异常值电池数据以及缺失异常值电池数据；
步骤S23：确定标记异常值电池数据为检测异常值电池数据时，则对标记异常值电池数据进行历史数据时序相关性分析，从而获取时序异常合理性数据，并利用时序异常合理性数据对标记异常值电池数据进行异常处理，从而获取处理电池数据；
步骤S24：确定标记异常值电池数据为缺失异常值电池数据时，则对标记异常值电池数据进行时序填充处理，从而获取处理电池数据；
步骤S25：对处理电池数据进行标准化处理，从而获取标准化电池数据；
步骤S26：对标准化电池数据进行时序数据分割，从而获取时序电池数据；
步骤S27：对时序电池数据进行关键数据选择，从而获取时序电池特征关键数据；
步骤S28：对时序电池特征关键数据进行缺失值处理，从而获取电池预处理数据。
3.根据权利要求2所述的方法，其特征在于，步骤S23中历史数据时序相关性分析通过历史数据时序相关性计算公式进行处理，其中历史数据时序相关性计算公式具体为：
；
为时序相关性指标，/>为标记异常值电池数据的参数数量数据，/>为标记异常值电池数据的序次项，/>为第/>个标记异常值电池数据，/>为时序参数，/>为时序相关性底数常数项，/>为时间间隔数据，/>为第/>个时间对应的标记异常值电池数据，/>为第/>个时间对应的标记异常值电池数据，/>为第/>个标记异常值电池数据的均值数据，/>为第/>个标记异常值电池数据的波动程度数据。
4.根据权利要求2所述的方法，其特征在于，步骤S26具体为：
步骤S261：利用预设的时间分辨率对标准化电池数据进行采样频率调整，从而获取调整采样频率电池数据；
步骤S262：对调整采样频率电池数据进行时间戳对齐，从而获取对齐时间戳电池数据；
步骤S263：利用滑动窗口法对对齐时间戳电池数据进行数据滑动窗口处理，从而获取窗口电池数据；
步骤S264：对窗口电池数据进行窗口数据抽样，从而获取抽样窗口电池数据；
步骤S265：对抽样窗口电池数据进行时序数据特征提取，从而获取时序特征电池数据；
步骤S266：对时序特征电池数据进行归一化处理，并获取归一化时序特征电池数据；
步骤S267：对归一化时序特征电池数据进行矩阵构建，从而获取电池特征矩阵数据；
步骤S268：对电池特征矩阵数据进行时序数据包装，从而获取时序电池数据。
5.根据权利要求1所述的方法，其特征在于，步骤S3具体为：
步骤S31：对电池预处理数据进行频率数据转换，从而获取转换电池数据；
步骤S32：对转换电池数据进行频谱分析，从而获取电池频谱分布数据；
步骤S33：对电池频谱分析数据进行主要特征提取，从而获取电池频率特征数据；
步骤S34：对电池频率特征数据进行电池运行模式分析，从而获取电池运行模式数据；
步骤S35：利用电池运行模式数据对电池频率特征数据进行电池健康指标计算，从而获取电池健康指数；
步骤S36：将电池频率特征数据、电池运行模式数据以及电池健康指数进行特征数据包装，从而获取电池使用情况特征数据；
步骤S37：对转换电池数据进行音频特征提取，从而获取电池运行音频特征数据。
6.根据权利要求1所述的方法，其特征在于，步骤S4具体为：
步骤S41：在边缘计算设备上对电池使用情况特征数据以及电池运行音频特征数据进行特征分布分析，从而获取特征分布数据；
步骤S42：根据特征分布数据进行深度学习模型选择，从而获取选定深度学习模型数据；
步骤S43：利用电池使用情况特征数据以及电池运行音频特征数据对选定深度学习模型数据进行训练，从而获取电池状况深度模型；
步骤S44：对电池状况深度模型进行验证并优化，从而获取电池状况边缘预测模型。
7.根据权利要求1所述的方法，其特征在于，步骤S5具体为：
步骤S51：通过物联网设备进行电池实时运行数据采集，从而获取电池实时运行数据；
步骤S52：对电池实时运行数据进行实时数据预处理，从而获取电池实时运行预处理数据；
步骤S53：载入电池状况边缘检测模型，并利用电池状况边缘检测模型对电池实时运行预处理数据进行电池状况预测，从而获取电池状况预测结果数据；
步骤S54：对电池状况预测结果数据通过预设的预警阈值进行计算，从而获取电池状况预警阈值数据；
步骤S55：对电池状况预测结果数据以及电池状况预警阈值数据进行电池健康评估，从而获取电池健康状况数据；
步骤S56：根据电池健康状况数据生成电池健康报告数据。
8.一种锂离子电池检测系统，用于执行如权利要求1-7中任一项所述的一种锂离子电池检测方法，其特征在于，包括：
实时电池数据采集模块，用于通过电池管理系统进行实时电池数据采集，从而获取原始电池数据；
电池数据预处理模块，用于对原始电池数据进行电池数据预处理，从而获取电池预处理数据；
关键参数特征提取模型，用于对电池预处理数据进行关键参数特征提取，从而获取电池使用情况特征数据以及电池运行音频特征数据；
深度建模模型，用于在边缘计算设备上对电池使用情况特征数据以及电池运行音频特征数据进行深度建模，从而构建电池状况边缘预测模型；
电池监控状态评估模型，用于根据电池状况边缘预测模型进行电池监控状态评估，从而获取电池健康报告数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310965932.9A CN116660761B (zh) | 2023-08-02 | 2023-08-02 | 一种锂离子电池检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310965932.9A CN116660761B (zh) | 2023-08-02 | 2023-08-02 | 一种锂离子电池检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116660761A CN116660761A (zh) | 2023-08-29 |
| CN116660761B true CN116660761B (zh) | 2023-09-22 |
Family
ID=87722890
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310965932.9A Active CN116660761B (zh) | 2023-08-02 | 2023-08-02 | 一种锂离子电池检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116660761B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107329088A (zh) * | 2016-04-29 | 2017-11-07 | 株式会社日立制作所 | 电池的健康状态诊断装置和方法 |
| CN108595803A (zh) * | 2018-04-13 | 2018-09-28 | 重庆科技学院 | 基于递归神经网络的页岩气井生产压力预测方法 |
| CN111930564A (zh) * | 2020-07-21 | 2020-11-13 | 宁波拜特测控技术股份有限公司 | 用于电池测试的采集显示方法、系统、终端及存储介质 |
| CN113642933A (zh) * | 2021-09-06 | 2021-11-12 | 广东电网有限责任公司电力科学研究院 | 一种配电台区低电压诊断方法及装置 |
| CN113655384A (zh) * | 2021-08-19 | 2021-11-16 | 山东浪潮科学研究院有限公司 | 一种云边端计算的电池状态计算方法 |
| CN114509685A (zh) * | 2022-02-21 | 2022-05-17 | 重庆工商大学 | 一种构建锂离子电池热失控预测模型的方法及预测系统 |
| CN114518538A (zh) * | 2022-01-10 | 2022-05-20 | 西安理工大学 | 基于rram阵列的神经网络储能电池运行状态监测方法 |
| CN115130370A (zh) * | 2022-05-11 | 2022-09-30 | 东华理工大学 | 电池健康状态检测模型创建方法、检测方法及其检测设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11346891B2 (en) * | 2020-03-20 | 2022-05-31 | Mitsubishi Electric Research Laboratories, Inc. | Battery diagnostic system for estimating remaining useful life (RUL) of a battery |
-
2023
- 2023-08-02 CN CN202310965932.9A patent/CN116660761B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107329088A (zh) * | 2016-04-29 | 2017-11-07 | 株式会社日立制作所 | 电池的健康状态诊断装置和方法 |
| CN108595803A (zh) * | 2018-04-13 | 2018-09-28 | 重庆科技学院 | 基于递归神经网络的页岩气井生产压力预测方法 |
| CN111930564A (zh) * | 2020-07-21 | 2020-11-13 | 宁波拜特测控技术股份有限公司 | 用于电池测试的采集显示方法、系统、终端及存储介质 |
| CN113655384A (zh) * | 2021-08-19 | 2021-11-16 | 山东浪潮科学研究院有限公司 | 一种云边端计算的电池状态计算方法 |
| CN113642933A (zh) * | 2021-09-06 | 2021-11-12 | 广东电网有限责任公司电力科学研究院 | 一种配电台区低电压诊断方法及装置 |
| CN114518538A (zh) * | 2022-01-10 | 2022-05-20 | 西安理工大学 | 基于rram阵列的神经网络储能电池运行状态监测方法 |
| CN114509685A (zh) * | 2022-02-21 | 2022-05-17 | 重庆工商大学 | 一种构建锂离子电池热失控预测模型的方法及预测系统 |
| CN115130370A (zh) * | 2022-05-11 | 2022-09-30 | 东华理工大学 | 电池健康状态检测模型创建方法、检测方法及其检测设备 |
Non-Patent Citations (1)
| Title |
|---|
| 智慧炼油厂生产数据处理算法及其在催化重整数据处理上的应用;苗准等;石油炼制与化工;第53卷(第5期);第83-87页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116660761A (zh) | 2023-08-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110647133B (zh) | 轨道交通设备状态检测维护方法及系统 | |
| CN112015153A (zh) | 一种无菌灌装生产线异常检测系统和方法 | |
| CN116684878B (zh) | 一种5g信息传输数据安全监测系统 | |
| Silva et al. | Assets predictive maintenance using convolutional neural networks | |
| CN112200048A (zh) | 一种基于回归模型的旋转设备故障预测方法、系统及可读存储介质 | |
| CN117368651B (zh) | 一种配电网故障综合分析系统及方法 | |
| CN116861331A (zh) | 一种融合专家模型决策的数据识别方法及系统 | |
| CN116861369A (zh) | 工业互联网异构数据融合的空压机健康评估方法及系统 | |
| CN116953395B (zh) | 充电桩偷电检测方法、装置、设备及存储介质 | |
| CN116660761B (zh) | 一种锂离子电池检测方法及系统 | |
| CN117435908A (zh) | 一种用于旋转机械的多种故障特征提取方法 | |
| CN117170915A (zh) | 数据中心设备故障预测方法、装置和计算机设备 | |
| CN114580472B (zh) | 工业互联网中因果与注意力并重的大型设备故障预测方法 | |
| CN114492636B (zh) | 一种变压器绕组状态信号的采集系统 | |
| CN111476392A (zh) | 基于社会感知的计量装置时钟误差趋势预测方法 | |
| CN113469247B (zh) | 网络资产异常检测方法 | |
| CN112464146B (zh) | 一种基于历史遥测数据的关键分系统及单机关联性健康基线构建方法 | |
| Xiao et al. | Fault state identification of rolling bearings based on deep transfer convolutional autoencoder and a new health indicator | |
| CN117273547B (zh) | 基于边缘计算的生产设备运行数据处理方法 | |
| CN117708508B (zh) | 隔离开关刀闸寿命预测方法、装置、设备及存储介质 | |
| CN117674418A (zh) | 一种输电线路状态监测方法、系统、设备和介质 | |
| CN117828507A (zh) | 企业用电检测方法、装置、计算机设备和存储介质 | |
| CN117782198A (zh) | 一种基于云边端架构的公路机电设备运行监测方法及系统 | |
| CN118075090A (zh) | 一种基于机器学习的网络故障预测方法 | |
| CN118041762A (zh) | 工业控制系统的通信网络故障预测方法及装置 |
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 |