CN116819328A - 一种电动汽车动力电池故障诊断方法、系统、设备及介质 - Google Patents
一种电动汽车动力电池故障诊断方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN116819328A CN116819328A CN202310154052.3A CN202310154052A CN116819328A CN 116819328 A CN116819328 A CN 116819328A CN 202310154052 A CN202310154052 A CN 202310154052A CN 116819328 A CN116819328 A CN 116819328A
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- fault
- battery
- model
- voting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 311
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012360 testing method Methods 0.000 claims abstract description 95
- 238000013528 artificial neural network Methods 0.000 claims description 27
- 230000004927 fusion Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 3
- 208000032953 Device battery issue Diseases 0.000 claims 5
- 238000013145 classification model Methods 0.000 description 16
- 238000004364 calculation method Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 5
- 210000004027 cell Anatomy 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000007500 overflow downdraw method Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Secondary Cells (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种电动汽车动力电池故障诊断方法、系统、设备及介质,涉及电池故障诊断领域,所述方法,包括:获取目标电池的电池参数;将目标电池的电池参数分别输入多个故障诊断模型中,得到目标电池的多个故障诊断结果;根据多个故障诊断结果,确定各个故障诊断模型输出的目标电池的故障类型的投票因子;确定各个故障诊断模型的决策权值;根据采用测试集对各个故障诊断模型进行测试得到的各种故障类型的投票因子,确定决策阈值;基于各个故障诊断模型输出的目标电池的故障类型的投票因子、各个故障诊断模型的决策权值和决策阈值,从多个故障诊断结果中选取目标电池最终的故障诊断结果。本发明能提高电动汽车动力电池的故障诊断准确率。
Description
技术领域
本发明涉及电池故障诊断领域,特别是涉及一种电动汽车动力电池故障诊断方法、系统、设备及介质。
背景技术
在环保及节能的双重驱动下,低碳经济已延伸到交通领域。目前,新能源汽车产业发展迅速,2022年1月-9月,新能源汽车产销分别达到471.7万辆和456.7万辆,同比增长1.2倍和1.1倍,市场占有率达到23.5%。电动汽车以能源清洁、能耗量低等特点,成为重要的新型绿色环保交通工具。
动力电池是电动汽车唯一的动力源,其安全性和可靠性与整车系统的安全性和可靠性紧密关联,所以需要实时检测电池的各项参数,对电池的故障进行及时的诊断与处理。动力电池具有电化学结构,一旦出现严重故障就可能导致电池组永久损害,因此,对动力电池故障诊断进行研究具有重要的应用价值和现实意义。
目前,动力电池的故障诊断主要的研究方向集中在专家诊断和神经网络两个方面,有文献是通过专家系统搭建整体框架,采用模糊数学和神经网络的方法实现电池的故障诊断;还有许多文献是采用BP神经网络、RBF神经网络、概率神经网络、模糊神经网络等以及神经网络结合一些其他方法或者优化算法来进行电池故障诊断。动力电池是实时变化的非线性系统,系统性能受到多种参数变化的影响,神经网络能够并行处理大规模数据,是处理多输入多输出非线性实变系统的重要工具,但神经网络各有优劣,单一的神经网络通常只针对个别类型有较好的分类效果,因此,将多神经网络模型通过融合算法得到的分类结果更为可靠,同时也实现了不同神经网络模型的信息互补。
模型融合方法主要有最大值法、乘积法、求和法、均值法以及投票法,前四种融合方法都要求分类模型的输出结果形式为概率值,不适用输出结果直接为样本所属类别的分类模型;而投票法的仲裁原则为“少数服从多数”,完全的少数服从多数很有可能忽略少数模型的有效分类信息。因此,如何基于模型融合方法提高电动汽车动力电池的故障诊断准确率成为目前亟待解决的问题。
发明内容
基于此,本发明实施例提供一种电动汽车动力电池故障诊断方法、系统、设备及介质,以提高电动汽车动力电池的故障诊断准确率。
为实现上述目的,本发明提供了如下方案:
一种电动汽车动力电池故障诊断方法,包括:
获取目标电池的电池参数;所述电池参数,包括:电池电流、电池单体电压、电池荷电状态、电池总电压、电池温度和电池总电压变化趋势;
将所述目标电池的电池参数分别输入多个故障诊断模型中,得到所述目标电池的多个故障诊断结果;多个故障诊断模型分别基于不同的神经网络构建;所述故障诊断结果,包括:故障类型;
根据多个所述故障诊断结果,确定各个故障诊断模型输出的目标电池的故障类型的投票因子;每种故障类型的投票因子是采用测试集对多个故障诊断模型进行测试得到的;所述测试集包括测试样本以及各所述测试样本对应的实际故障类型;
确定各个故障诊断模型的决策权值;所述决策权值是采用所述测试集对多个故障诊断模型进行测试得到的;
根据采用所述测试集对各个故障诊断模型进行测试得到的各种故障类型的投票因子,确定决策阈值;
基于各个故障诊断模型输出的目标电池的故障类型的投票因子、各个故障诊断模型的决策权值和所述决策阈值,从多个所述故障诊断结果中选取所述目标电池最终的故障诊断结果。
可选地,基于各个故障诊断模型输出的目标电池的故障类型的投票因子、各个故障诊断模型的决策权值和所述决策阈值,从多个所述故障诊断结果中选取所述目标电池最终的故障诊断结果,具体包括:
将各个故障诊断模型输出的目标电池的故障类型的投票因子中的最大值,确定为最优投票因子,将所述最优投票因子对应的故障诊断模型确定为初步最优诊断模型;
判断所述初步最优诊断模型与剩余诊断模型的差值是否大于所述决策阈值,得到第一判断结果;所述剩余诊断模型为多个所述故障诊断模型中除所述初步最优诊断模型之外的模型;
若所述第一判断结果为是,则将所述初步最优诊断模型输出的故障诊断结果作为所述目标电池最终的故障诊断结果;
若所述第一判断结果为否,则判断多个所述故障诊断结果是否均不相同,得到第二判断结果;
若所述第二判断结果为否,则采用少数服从多数的原则,从多个所述故障诊断结果中确定所述目标电池最终的故障诊断结果;
若所述第二判断结果为是,则比较所述初步最优诊断模型与所述剩余诊断模型的决策权值,将最大的决策权值对应的故障诊断模型输出的故障诊断结果作为所述目标电池最终的故障诊断结果。
可选地,根据多个所述故障诊断结果,确定各个故障诊断模型输出的目标电池的故障类型的投票因子,具体包括:
获取所述测试集;
将所述测试集输入各个故障诊断模型中,每个故障诊断模型均输出各个所述测试样本的预测故障类型;
对于任一故障诊断模型,基于各个所述测试样本的实际故障类型和预测故障类型,计算该故障诊断模型输出各种故障类型的可信度;
对于任一故障类型,根据所有故障诊断模型输出的各种故障类型的可信度,计算多个故障诊断模型输出该故障类型的平均可信度;
对于任一故障诊断模型,根据所述故障诊断模型对某一故障类型的预测精确率、所述故障诊断模型对某一故障类型的预测召回率以及所述平均可信度,计算该故障诊断模型输出某一故障类型的投票因子;
对于任一故障诊断模型,从该故障诊断模型输出的各个故障类型的投票因子中,选取与对应的故障诊断结果的故障类型一致的投票因子,作为该故障诊断模型输出的目标电池的故障类型的投票因子。
可选地,确定各个故障诊断模型的决策权值,具体包括:
对于任一故障诊断模型,根据该故障诊断模型输出的各个所述测试样本的实际故障类型和预测故障类型,确定正确分类的测试样本数量和错误分类的测试样本的数量;
对于任一故障诊断模型,将正确分类的测试样本数量和总测试样本数量的比值,确定为该故障诊断模型的决策权值。
可选地,所述决策阈值的计算公式为:
ε=λ*max(e1,e2,...em)
其中,ε为决策阈值;λ为决策阈值系数;λ∈[0,1];e1为第一个故障诊断模型输出各种故障类型的投票因子的集合;e2为第二个故障诊断模型输出各种故障类型的投票因子的集合;em为第m个故障诊断模型输出各种故障类型的投票因子的集合;m表示故障诊断模型的数量。
可选地,所述故障诊断模型为三个;
其中,第一个故障诊断模型基于卷积神经网络构建;第二个故障诊断模型基于BP神经网络构建;第三个故障诊断模型基于RBF神经网络构建。
本发明还提供了一种电动汽车动力电池故障诊断系统,包括:
电池参数获取模块,用于获取目标电池的电池参数;所述电池参数,包括:电池电流、电池单体电压、电池荷电状态、电池总电压、电池温度和电池总电压变化趋势;
故障诊断模块,用于将所述目标电池的电池参数分别输入多个故障诊断模型中,得到所述目标电池的多个故障诊断结果;多个故障诊断模型分别基于不同的神经网络构建;所述故障诊断结果,包括:故障类型;
投票因子确定模块,用于根据多个所述故障诊断结果,确定各个故障诊断模型输出的目标电池的故障类型的投票因子;每种故障类型的投票因子是采用测试集对多个故障诊断模型进行测试得到的;所述测试集包括测试样本以及各所述测试样本对应的实际故障类型;
决策权值确定模块,用于确定各个故障诊断模型的决策权值;所述决策权值是采用所述测试集对多个故障诊断模型进行测试得到的;
决策阈值确定模块,用于根据采用所述测试集对各个故障诊断模型进行测试得到的各种故障类型的投票因子,确定决策阈值;
诊断结果融合模块,用于基于各个故障诊断模型输出的目标电池的故障类型的投票因子、各个故障诊断模型的决策权值和所述决策阈值,从多个所述故障诊断结果中选取所述目标电池最终的故障诊断结果。
本发明还提供了一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行上述的电动汽车动力电池故障诊断方法。
本发明还提供了一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现上述的电动汽车动力电池故障诊断方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明实施例提出了一种电动汽车动力电池故障诊断方法、系统、设备及介质,获取目标电池的电池参数;将目标电池的电池参数分别输入多个故障诊断模型中,得到多个故障诊断结果;基于多个故障诊断结果,确定各个故障诊断模型输出的目标电池的故障类型的投票因子、各个故障诊断模型的决策权值和确定决策阈值;基于投票因子、决策权值和确定决策阈值,实现多个故障诊断结果的多级决策融合,得到最终的故障诊断结果,提高了电动汽车动力电池的故障诊断准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的电动汽车动力电池故障诊断方法的流程图;
图2为本发明实施例提供的电动汽车动力电池故障诊断系统的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动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。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
参见图1,本实施例的电动汽车动力电池故障诊断方法,包括:
步骤101:获取目标电池的电池参数;所述电池参数,包括:电池电流、电池单体电压、电池荷电状态、电池总电压、电池温度和电池总电压变化趋势。
步骤102:将所述目标电池的电池参数分别输入多个故障诊断模型中,得到所述目标电池的多个故障诊断结果;多个故障诊断模型分别基于不同的神经网络构建。
所述故障诊断结果,包括:故障类型。故障类型包括:正常状态和故障状态;故障状态包括:过充电、过放电、温度高、过压和过流。
步骤103:根据多个所述故障诊断结果,确定各个故障诊断模型输出的目标电池的故障类型的投票因子。
每种故障类型的投票因子是采用测试集对多个故障诊断模型进行测试得到的;所述测试集包括测试样本以及各所述测试样本对应的实际故障类型。
步骤103,具体包括:
1)获取所述测试集。
2)将所述测试集输入各个故障诊断模型中,每个故障诊断模型均输出各个所述测试样本的预测故障类型。
3)对于任一故障诊断模型,基于各个所述测试样本的实际故障类型和预测故障类型,计算该故障诊断模型输出各种故障类型的可信度。其中,第j个故障诊断模型输出故障类型i的可信度βji的计算公式为:
xi表示故障类型i的测试样本数,xji表示测试集输入到第j个故障诊断模型被分类成故障类型i的测试样本数。
4)对于任一故障类型,根据所有故障诊断模型输出的各种故障类型的可信度,计算多个故障诊断模型输出该故障类型的平均可信度。第j个故障诊断模型输出故障类型i的平均可信度的计算公式为:
其中,m表示故障诊断模型的个数。
5)对于任一故障诊断模型,根据所述故障诊断模型对某一故障类型的预测精确率、所述故障诊断模型对某一故障类型的预测召回率以及所述平均可信度,计算该故障诊断模型输出某一故障类型的投票因子。
其中,预测精确率和预测召回率的计算公式为:
表示第j个故障诊断模型对故障类型i的预测精确率,预测精确率用于度量故障诊断模型对某一类别诊断结果的准确性;/>表示第j个故障诊断模型对故障类型i的预测召回率,预测召回率用于度量故障诊断模型对某一类别诊断结果的覆盖面;j=1,2,...,m;k表示故障类型的个数。/>表示第j个故障诊断模型把故障类型i诊断成故障类型i的测试样本个数;/>表示第j个故障诊断模型把故障类型i诊断成故障类型s的测试样本个数;/>表示第j个故障诊断模型把故障类型s诊断成故障类型i的测试样本个数。
其中,第j个故障诊断模型输出输出故障类型i的投票因子Eji的计算公式为:
6)对于任一故障诊断模型,从该故障诊断模型输出的各个故障类型的投票因子中,选取与对应的故障诊断结果的故障类型一致的投票因子,作为该故障诊断模型输出的目标电池的故障类型的投票因子。
步骤104:确定各个故障诊断模型的决策权值;所述决策权值是采用所述测试集对多个故障诊断模型进行测试得到的。
所述步骤104,具体包括:
对于任一故障诊断模型,根据该故障诊断模型输出的各个所述测试样本的实际故障类型和预测故障类型,确定正确分类的测试样本数量和错误分类的测试样本的数量。对于任一故障诊断模型,将正确分类的测试样本数量和总测试样本数量的比值,确定为该故障诊断模型的决策权值。总测试样本数量为正确分类的测试样本数量与错误分类的测试样本数量的和。
其中,第j个故障诊断模型的决策权值Aj的计算公式为:
步骤105:根据采用所述测试集对各个故障诊断模型进行测试得到的各种故障类型的投票因子,确定决策阈值。所述决策阈值的计算公式为:
ε=λ*max(e1,e2,...em) (7)
其中,ε为决策阈值;λ为决策阈值系数;λ∈[0,1];e1为第一个故障诊断模型输出各种故障类型的投票因子的集合;e2为第二个故障诊断模型输出各种故障类型的投票因子的集合;em为第m个故障诊断模型输出各种故障类型的投票因子的集合;m表示故障诊断模型的数量。
步骤106:基于各个故障诊断模型输出的目标电池的故障类型的投票因子、各个故障诊断模型的决策权值和所述决策阈值,从多个所述故障诊断结果中选取所述目标电池最终的故障诊断结果。
所述步骤106,具体包括:
1)将各个故障诊断模型输出的目标电池的故障类型的投票因子中的最大值,确定为最优投票因子,将所述最优投票因子对应的故障诊断模型确定为初步最优诊断模型。
2)判断所述初步最优诊断模型与剩余诊断模型的差值是否大于所述决策阈值,得到第一判断结果;所述剩余诊断模型为多个所述故障诊断模型中除所述初步最优诊断模型之外的模型。
若所述第一判断结果为是,则将所述初步最优诊断模型输出的故障诊断结果作为所述目标电池最终的故障诊断结果;若所述第一判断结果为否,则执行步骤3)。
3)判断多个所述故障诊断结果是否均不相同,得到第二判断结果。
若所述第二判断结果为否,则采用少数服从多数的原则,从多个所述故障诊断结果中确定所述目标电池最终的故障诊断结果。
若所述第二判断结果为是,则比较所述初步最优诊断模型与所述剩余诊断模型的决策权值,将最大的决策权值对应的故障诊断模型输出的故障诊断结果作为所述目标电池最终的故障诊断结果。
在一个示例中,所述故障诊断模型为三个;其中,第一个故障诊断模型基于卷积神经网络(Convolutional Neural Network,CNN)构建;第二个故障诊断模型基于BP神经网络构建;第三个故障诊断模型基于RBF神经网络构建。
下面以三个故障诊断模型为例,对电动汽车动力电池故障诊断方法在实际应用中的一个具体过程进行详细说明。
步骤1:准备和处理数据集,电池管理系统实时监测动力电池的各项参数,包括:电压、电流、温度、容量、荷电状态(SOC)等,导出这些参数信息,设置数据集的输入参数为:电池电流、电池单体电压、电池SOC、电池总电压、电池温度、电池总电压变化趋势(采用[-1,1]的数值表示),电池的主要故障模式有过充电、过放电、温度高、过压,过流,电池故障具有不确定性,可能一次并发多种故障,可通过监测到的电池参数来判断故障类型及其严重程度,本实施例取其严重度最高的故障类型为最终的故障类型,在实际诊断中为表示电池的所有状态,加入电池的正常状态,故数据集的输出信息为电池的各种状态(一种正常状态和上述五种故障状态),用6位0或1的数字依次表示上述6种电池状态,电池状态对应位置上的数字为0则表示未发生故障,数字为1则表示此类故障发生,输入参数与输出信息一一对应。
步骤2:划分数据集,以9∶1的比例将数据集划分为训练集和测试集,训练集的样本用于训练优化模型,测试集的样本用于验证模型的准确率。
步骤3:构建基类模型,本实施例选取卷积神经网路、BP神经网络和RBF神经网络三种神经网络作为基类模型,神经网络输入层的神经元个数为8,输出层的神经元个数为6,利用训练集对三种基类模型进行训练,不断优化网络结构,训练结束后,利用测试集得到各模型的诊断结果。
步骤4:多模型融合诊断,利用多级决策融合算法将三种基类模型的诊断结果进行融合,输出最终的诊断结果。多级决策融合算法的实施流程,具体如下:
(1)首先,计算各基类模型输出各故障类型(包含正常状态)的可信度,第j个基类模型(故障诊断模型)输出故障类型i的可信度βji可采用上述公式(1)计算。然后,计算根据公式(2)计算m个基类模型输出故障类型i的平均可信度,本实施例中,m=3。
(2)计算各基类模型输出各各故障类型的投票因子,投票因子可根据公式(3)、公式(4)、公式(5)计算得到。
(3)在故障诊断时,比较各基类模型输出结果的投票因子,进行多级决策投票,给每个基类模型赋予投票权值,取投票权值大的基类模型的输出结果为最终的诊断结果。
其中多级决策投票的流程,具体如下:
(1)设置一个决策阈值ε,用于当两基分类器之间的投票因子没有明显差别,需将基分类模型的结果进行下一级判断,确定最终的诊断结果。本实施例m=3,因此,其对应的决策阈值ε由公式(8)确定。
ε=λ*max(e1,e2,e3) (8)
λ为决策阈值系数,取三个基分类模型中最大投票因子的λ倍作为决策阈值,λ∈[0,1]。
(2)找出最大投票因子的基分类模型a,当模型a与其余基类模型的投票因子之差均大于ε时,给基类模型a赋予投票权值1,其余基类模型的投票权值为0。反之,跳转下一级决策—步骤(3)。具体的:
Vj表示第j个基分类模型的投票权值,Ej表示第j个基分类模型输出的目标电池(即实际诊断中的待诊断电池)的故障类型的投票因子,E1为第1个基分类模型输出的目标电池的故障类型的投票因子;E2为第2个基分类模型输出的目标电池的故障类型的投票因子,E3为第3个基分类模型输出的目标电池的故障类型的投票因子。
(3)当基类模型中存在相同的诊断结果时,实行少数服从多数原则,在诊断结果中找出多数类别T,具体的:
Tj表示第j个基分类模型诊断的故障类别,当三个基分类模型的输出结果各不相同时,跳转下一级决策—步骤(4)。
(4)设b表示与基分类模型a的投票因子之差小于或等于ε的基类模型集合,比较a模型与集合b中模型的决策权值,决策权值可采用公式(6)计算得到。具体的:
Aa为基分类模型a的决策权值,Ab为集合b中各个模型对应的决策权值。
(5)根据上述多级决策,取投票权值最大的分类模型的诊断结果。
步骤5:得到多模型融合的诊断方法的准确率。
本实施例的电动汽车动力电池故障诊断方法,采用的融合算法是改进后的投票法—多级决策融合算法,计算各基类模型输出结果的投票因子,设置决策阈值,根据决策阈值,进行多级决策投票,给每个基类模型赋予投票权值,取投票权值最大的基类模型的输出结果为最终的诊断结果。该方法使用多级决策算法融合多分类模型的诊断结果,综合有效地利用各分类模型的分类信息,提高电动汽车动力电池的故障诊断准确率。该方法可以应用于动力电池管理系统进行电池故障的准确诊断和故障原因的分析与预警,提升动力电池使用的安全性。
实施例二
为了执行上述实施例一对应的方法,以实现相应的功能和技术效果,下面提供一种电动汽车动力电池故障诊断系统。
参见图2,所述系统,包括:
电池参数获取模块201,用于获取目标电池的电池参数;所述电池参数,包括:电池电流、电池单体电压、电池荷电状态、电池总电压、电池温度和电池总电压变化趋势。
故障诊断模块202,用于将所述目标电池的电池参数分别输入多个故障诊断模型中,得到所述目标电池的多个故障诊断结果;多个故障诊断模型分别基于不同的神经网络构建;所述故障诊断结果,包括:故障类型。
投票因子确定模块203,用于根据多个所述故障诊断结果,确定各个故障诊断模型输出的目标电池的故障类型的投票因子;每种故障类型的投票因子是采用测试集对多个故障诊断模型进行测试得到的;所述测试集包括测试样本以及各所述测试样本对应的实际故障类型。
决策权值确定模块204,用于确定各个故障诊断模型的决策权值;所述决策权值是采用所述测试集对多个故障诊断模型进行测试得到的。
决策阈值确定模块205,用于根据采用所述测试集对各个故障诊断模型进行测试得到的各种故障类型的投票因子,确定决策阈值。
诊断结果融合模块206,用于基于各个故障诊断模型输出的目标电池的故障类型的投票因子、各个故障诊断模型的决策权值和所述决策阈值,从多个所述故障诊断结果中选取所述目标电池最终的故障诊断结果。
实施例三
本实施例提供一种电子设备,包括存储器及处理器,存储器用于存储计算机程序,处理器运行计算机程序以使电子设备执行实施例一的电动汽车动力电池故障诊断方法。
可选地,上述电子设备可以是服务器。
另外,本发明实施例还提供一种计算机可读存储介质,其存储有计算机程序,该计算机程序被处理器执行时实现实施例一的电动汽车动力电池故障诊断方法。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种电动汽车动力电池故障诊断方法,其特征在于,包括:
获取目标电池的电池参数;所述电池参数,包括:电池电流、电池单体电压、电池荷电状态、电池总电压、电池温度和电池总电压变化趋势;
将所述目标电池的电池参数分别输入多个故障诊断模型中,得到所述目标电池的多个故障诊断结果;多个故障诊断模型分别基于不同的神经网络构建;所述故障诊断结果,包括:故障类型;
根据多个所述故障诊断结果,确定各个故障诊断模型输出的目标电池的故障类型的投票因子;每种故障类型的投票因子是采用测试集对多个故障诊断模型进行测试得到的;所述测试集包括测试样本以及各所述测试样本对应的实际故障类型;
确定各个故障诊断模型的决策权值;所述决策权值是采用所述测试集对多个故障诊断模型进行测试得到的;
根据采用所述测试集对各个故障诊断模型进行测试得到的各种故障类型的投票因子,确定决策阈值;
基于各个故障诊断模型输出的目标电池的故障类型的投票因子、各个故障诊断模型的决策权值和所述决策阈值,从多个所述故障诊断结果中选取所述目标电池最终的故障诊断结果。
2.根据权利要求1所述的电动汽车动力电池故障诊断方法,其特征在于,基于各个故障诊断模型输出的目标电池的故障类型的投票因子、各个故障诊断模型的决策权值和所述决策阈值,从多个所述故障诊断结果中选取所述目标电池最终的故障诊断结果,具体包括:
将各个故障诊断模型输出的目标电池的故障类型的投票因子中的最大值,确定为最优投票因子,将所述最优投票因子对应的故障诊断模型确定为初步最优诊断模型;
判断所述初步最优诊断模型与剩余诊断模型的差值是否大于所述决策阈值,得到第一判断结果;所述剩余诊断模型为多个所述故障诊断模型中除所述初步最优诊断模型之外的模型;
若所述第一判断结果为是,则将所述初步最优诊断模型输出的故障诊断结果作为所述目标电池最终的故障诊断结果;
若所述第一判断结果为否,则判断多个所述故障诊断结果是否均不相同,得到第二判断结果;
若所述第二判断结果为否,则采用少数服从多数的原则,从多个所述故障诊断结果中确定所述目标电池最终的故障诊断结果;
若所述第二判断结果为是,则比较所述初步最优诊断模型与所述剩余诊断模型的决策权值,将最大的决策权值对应的故障诊断模型输出的故障诊断结果作为所述目标电池最终的故障诊断结果。
3.根据权利要求1所述的电动汽车动力电池故障诊断方法,其特征在于,根据多个所述故障诊断结果,确定各个故障诊断模型输出的目标电池的故障类型的投票因子,具体包括:
获取所述测试集;
将所述测试集输入各个故障诊断模型中,每个故障诊断模型均输出各个所述测试样本的预测故障类型;
对于任一故障诊断模型,基于各个所述测试样本的实际故障类型和预测故障类型,计算该故障诊断模型输出各种故障类型的可信度;
对于任一故障类型,根据所有故障诊断模型输出的各种故障类型的可信度,计算多个故障诊断模型输出该故障类型的平均可信度;
对于任一故障诊断模型,根据所述故障诊断模型对某一故障类型的预测精确率、所述故障诊断模型对某一故障类型的预测召回率以及所述平均可信度,计算该故障诊断模型输出某一故障类型的投票因子;
对于任一故障诊断模型,从该故障诊断模型输出的各个故障类型的投票因子中,选取与对应的故障诊断结果的故障类型一致的投票因子,作为该故障诊断模型输出的目标电池的故障类型的投票因子。
4.根据权利要求1所述的电动汽车动力电池故障诊断方法,其特征在于,确定各个故障诊断模型的决策权值,具体包括:
对于任一故障诊断模型,根据该故障诊断模型输出的各个所述测试样本的实际故障类型和预测故障类型,确定正确分类的测试样本数量和错误分类的测试样本的数量;
对于任一故障诊断模型,将正确分类的测试样本数量和总测试样本数量的比值,确定为该故障诊断模型的决策权值。
5.根据权利要求1所述的电动汽车动力电池故障诊断方法,其特征在于,所述决策阈值的计算公式为:
ε=λ*max(e1,e2,...em)
其中,ε为决策阈值;λ为决策阈值系数;λ∈[0,1];e1为第一个故障诊断模型输出各种故障类型的投票因子的集合;e2为第二个故障诊断模型输出各种故障类型的投票因子的集合;em为第m个故障诊断模型输出各种故障类型的投票因子的集合;m表示故障诊断模型的数量。
6.根据权利要求1所述的电动汽车动力电池故障诊断方法,其特征在于,所述故障诊断模型为三个;
其中,第一个故障诊断模型基于卷积神经网络构建;第二个故障诊断模型基于BP神经网络构建;第三个故障诊断模型基于RBF神经网络构建。
7.一种电动汽车动力电池故障诊断系统,其特征在于,包括:
电池参数获取模块,用于获取目标电池的电池参数;所述电池参数,包括:电池电流、电池单体电压、电池荷电状态、电池总电压、电池温度和电池总电压变化趋势;
故障诊断模块,用于将所述目标电池的电池参数分别输入多个故障诊断模型中,得到所述目标电池的多个故障诊断结果;多个故障诊断模型分别基于不同的神经网络构建;所述故障诊断结果,包括:故障类型;
投票因子确定模块,用于根据多个所述故障诊断结果,确定各个故障诊断模型输出的目标电池的故障类型的投票因子;每种故障类型的投票因子是采用测试集对多个故障诊断模型进行测试得到的;所述测试集包括测试样本以及各所述测试样本对应的实际故障类型;
决策权值确定模块,用于确定各个故障诊断模型的决策权值;所述决策权值是采用所述测试集对多个故障诊断模型进行测试得到的;
决策阈值确定模块,用于根据采用所述测试集对各个故障诊断模型进行测试得到的各种故障类型的投票因子,确定决策阈值;
诊断结果融合模块,用于基于各个故障诊断模型输出的目标电池的故障类型的投票因子、各个故障诊断模型的决策权值和所述决策阈值,从多个所述故障诊断结果中选取所述目标电池最终的故障诊断结果。
8.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至6中任一项所述的电动汽车动力电池故障诊断方法。
9.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的电动汽车动力电池故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310154052.3A CN116819328A (zh) | 2023-02-16 | 2023-02-16 | 一种电动汽车动力电池故障诊断方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310154052.3A CN116819328A (zh) | 2023-02-16 | 2023-02-16 | 一种电动汽车动力电池故障诊断方法、系统、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116819328A true CN116819328A (zh) | 2023-09-29 |
Family
ID=88126414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310154052.3A Pending CN116819328A (zh) | 2023-02-16 | 2023-02-16 | 一种电动汽车动力电池故障诊断方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116819328A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117310496A (zh) * | 2023-11-30 | 2023-12-29 | 杭州智仝科技有限公司 | 分布式电驱动系统的电机故障诊断方法 |
CN118070023A (zh) * | 2024-04-24 | 2024-05-24 | 宁德时代新能源科技股份有限公司 | 电池故障预测方法、训练方法、装置、设备、介质及产品 |
-
2023
- 2023-02-16 CN CN202310154052.3A patent/CN116819328A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117310496A (zh) * | 2023-11-30 | 2023-12-29 | 杭州智仝科技有限公司 | 分布式电驱动系统的电机故障诊断方法 |
CN117310496B (zh) * | 2023-11-30 | 2024-02-06 | 杭州智仝科技有限公司 | 分布式电驱动系统的电机故障诊断方法 |
CN118070023A (zh) * | 2024-04-24 | 2024-05-24 | 宁德时代新能源科技股份有限公司 | 电池故障预测方法、训练方法、装置、设备、介质及产品 |
CN118070023B (zh) * | 2024-04-24 | 2024-09-03 | 宁德时代新能源科技股份有限公司 | 电池故障预测方法、训练方法、装置、设备、介质及产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112092675B (zh) | 一种电池热失控预警方法、系统及服务器 | |
CN110224192B (zh) | 一种梯次利用动力电池寿命预测方法 | |
Dai et al. | ANFIS (adaptive neuro-fuzzy inference system) based online SOC (State of Charge) correction considering cell divergence for the EV (electric vehicle) traction batteries | |
CN111007401A (zh) | 一种基于人工智能的电动汽车电池故障诊断方法及设备 | |
CN116819328A (zh) | 一种电动汽车动力电池故障诊断方法、系统、设备及介质 | |
CN110794305A (zh) | 一种动力电池故障诊断方法和系统 | |
CN111856287B (zh) | 基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法 | |
CN112632850B (zh) | 一种锂电池组中异常电池的检测方法及系统 | |
CN107367698A (zh) | 电动汽车锂电池组的健康状态预测方法 | |
CN113705615B (zh) | 一种基于神经网络的电动汽车充电过程多级设备故障诊断方法及系统 | |
CN111257753B (zh) | 一种电池系统故障诊断方法 | |
CN115366683A (zh) | 一种新能源汽车动力电池多维模型融合的故障诊断策略 | |
CN111983474A (zh) | 一种基于容量衰退模型的锂离子电池寿命预测方法和系统 | |
CN115166555B (zh) | 一种电池大数据平台电池模块内阻异常识别方法及系统 | |
CN113608140A (zh) | 一种电池故障诊断方法及系统 | |
Zhang et al. | State of health estimation for lithium-ion batteries under arbitrary usage using data-driven multimodel fusion | |
Jeng et al. | Evaluation of cell inconsistency in lithium-ion battery pack using the autoencoder network model | |
CN116653608B (zh) | 电动汽车充电保护、控制方法、装置及存储介质 | |
CN109738807B (zh) | 基于蚁群算法优化后的bp神经网络来估算soc的方法 | |
CN115865716B (zh) | 一种网络状态分析方法、系统及计算机可读介质 | |
CN110988693A (zh) | 一种基于建模仿真的化学电池储能应用分析方法 | |
Ren et al. | Multi-fault diagnosis strategy based on a non-redundant interleaved measurement circuit and improved fuzzy entropy for the battery system | |
CN118024886B (zh) | 一种车用锂电池组的在线检测控制方法及系统 | |
Shete et al. | Fault Diagnosis and State of Charge Estimation of Battery for Electric Vehicle Applications | |
Chen et al. | Lithium-ion Battery State-of-Health Estimation via Histogram Data, Principal Component Analysis, and Machine Learning |
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 |