CN116819345A - 电池系统故障识别方法、装置、电子设备及存储介质 - Google Patents
电池系统故障识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116819345A CN116819345A CN202311093552.7A CN202311093552A CN116819345A CN 116819345 A CN116819345 A CN 116819345A CN 202311093552 A CN202311093552 A CN 202311093552A CN 116819345 A CN116819345 A CN 116819345A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- battery system
- historical
- initial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003062 neural network model Methods 0.000 claims abstract description 119
- 241000254173 Coleoptera Species 0.000 claims abstract description 45
- 210000003608 fece Anatomy 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 30
- 238000009499 grossing Methods 0.000 claims description 29
- 238000012360 testing method Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 239000000779 smoke Substances 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 abstract description 9
- 238000012544 monitoring process Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种电池系统故障识别方法、装置、电子设备及存储介质，该方法通过蜣螂优化算法对初始概率神经网络模型的模式层中的平滑参数进行优化，能够有效提高初始概率神经网络模型的故障模式识别精度；通过对初始概率神经网络模型进行两次训练，一方面通过增加训练次数提高了初始概率神经网络模型的可靠度，另一方面基于历史运行数据样本对初始概率神经网络模型进行训练，提高了其与待测船舶动力电池系统的契合度，使得目标概率神经网络模型能够快速进行故障模式识别，提高了故障模式识别的灵敏度，进而避免了电池损坏或使用寿命减少的问题。
Description
技术领域
本发明涉及船舶动力电池技术领域，尤其涉及一种电池系统故障识别方法、装置、电子设备及存储介质。
背景技术
船用动力电池是指在船舶上安装的用于提供动力的电池，一般用于驱动电动舵、电动推进器和其他设备。船用动力电池系统对安全性和可靠性的要求比较高，为了保障电池系统的稳定可靠运行，通常在电池管理系统中对每一个电芯温度和电压进行采样，以便监测电池系统的运行状况。
然而，现有的电池系统的监测模式的故障识别的灵敏度不高，往往是系统故障后，运行参数超阈值后才发出报警信号，这种模式下电池系统容易出现不可逆的损伤，导致电池系统损坏或使用寿命减少。
因此，现有技术中对船舶动力电池进行监测的过程中，存在由于监测灵敏度过低导致电池损坏或使用寿命减少的问题。
发明内容
有鉴于此，有必要提供一种电池系统故障识别方法、装置、电子设备及存储介质，用以解决现有技术中对船舶动力电池进行监测的过程中，存在的由于监测灵敏度过低导致电池损坏或使用寿命减少的问题。
为了解决上述问题，本发明提供一种电池系统故障识别方法，应用于船舶动力电池系统，该方法包括：
获取船舶动力电池系统的历史试验数据样本，历史试验数据样本包括历史决策参量数据样本和历史故障模式数据样本；
建立初始概率神经网络模型，并基于蜣螂优化算法对初始概率神经网络模型的模式层中的平滑参数进行优化；
将历史决策参量数据样本输入至初始概率神经网络模型，并以历史故障模式数据样本为输出标签，训练初始概率神经网络模型，得到第一概率神经网络模型；
获取待测船舶动力电池系统的历史运行数据样本，并根据历史运行数据样本对第一概率神经网络模型进行二次训练，得到目标概率神经网络模型；
获取待测船舶动力电池系统的实时决策参量数据，基于目标概率神经网络模型对实时决策参量数据进行识别，得到待测船舶动力电池系统的故障模式。
进一步地，初始概率神经网络模型包括输入层、模式层、求和层和输出层；建立初始概率神经网络模型，并基于蜣螂优化算法对初始概率神经网络模型的模式层中的平滑参数进行优化，包括：
获取模式层的神经元输出计算过程中的初始平滑参数；
基于蜣螂位置更新公式，建立初始平滑参数与蜣螂位置的关系；
设置适应度函数，以确定最优蜣螂位置，并根据最优蜣螂位置确定最优平滑参数，得到基于最优平滑参数的初始概率神经网络模型。
进一步地，蜣螂位置更新公式为：
其中，表示第/>只蜣螂第t-1次迭代时的位置，/>表示第/>只蜣螂第t次迭代时的位置，/>表示第/>只蜣螂第t+1次迭代时的位置，/>表示蜣螂滚动方向角度。
进一步地，适应度函数的计算公式为：
其中，表示适应度值，/>表示误判率权重，/>表示漏判率的权重，/>表示误判率，/>表示漏判率，阳性（正）样例记作P，阴性（负）样例记作N，将正样本预测为正样本的事件记作TP，正样本预测为负样本的事件记作FN，负样本预测为正样本的事件记作FP，负样本预测为负样本的事件记作TN。
进一步地，决策参量数据包括船舶动力电池系统的内部温度信号的峰峰值、内部温度信号的斜率、内部采样电压信号的峰峰值、内部采样电压信号的斜率、外部温度信号的峰峰值、外部温度信号的斜率、柜体内部温度信号的峰峰值、柜体内部温度信号的斜率、柜体内烟雾信号的幅值、柜内明火信号的幅值以及可燃气体信号的幅值；
故障模式数据包括正常模式数据、告警模式数据和异常模式数据。
进一步地，获取船舶动力电池系统的历史试验数据样本，包括：
获取初始历史决策参量数据样本和初始历史故障模式数据样本；
采用主成分分析法对初始历史决策参量数据样本进行筛选处理，得到初始历史决策参量主成分数据样本；
分别对初始历史决策参量主成分数据样本和初始历史故障模式数据样本进行归一化处理，得到目标历史试验数据样本。
进一步地，获取待测船舶动力电池系统的历史运行数据样本，并根据历史运行数据样本对第一概率神经网络模型进行二次训练，得到目标概率神经网络模型，包括：
基于图生成器损失函数，采用图生成器平衡初始历史运行数据样本，得到目标历史运行数据样本；
其中，图生成器损失函数为：
其中，表示损失函数值，/>表示第一迷惑判别器损失函数，用于迷惑判别器，使判别器无法区分是假的少数节点；/>表示第二迷惑判别器损失函数，用于使判别器无法区分是少数节点还是多数节点；/>表示距离损失函数，用于使假节点的特征与真实节点充分接近；/>是正则损失函数，用于训练权重θ和正则化系数α，/>表示生成少数节点的数量，表示真实节点的标签，/>表示逻辑，/>表示嵌入节点，/>表示真实少数节点的数量。
为了解决上述问题，本发明提供一种电池系统故障识别装置，包括：
样本获取模块，用于获取船舶动力电池系统的历史试验数据样本，历史试验数据样本包括历史决策参量数据样本和历史故障模式数据样本；
模型建立模块，用于建立初始概率神经网络模型，并基于蜣螂优化算法对初始概率神经网络模型的模式层中的平滑参数进行优化；
第一概率神经网络模型训练模块，用于将历史决策参量数据样本输入至初始概率神经网络模型，并以历史故障模式数据样本为输出标签，训练初始概率神经网络模型，得到第一概率神经网络模型；
目标概率神经网络模型确定模块，用于获取待测船舶动力电池系统的历史运行数据样本，并根据历史运行数据样本对第一概率神经网络模型进行二次训练，得到目标概率神经网络模型；
故障模式识别模块，用于获取待测船舶动力电池系统的实时决策参量数据，基于目标概率神经网络模型对实时决策参量数据进行识别，得到待测船舶动力电池系统的故障模式。
为了解决上述问题，本发明提供一种电子设备，包括处理器以及存储器，存储器上存储有计算机程序，计算机程序被处理器执行时，实现如上述任一技术方案所述的电池系统故障识别方法。
为了解决上述问题，本发明提供一种存储介质，存储介质存储有计算机程序指令，当计算机程序指令被计算机执行时，使计算机执行如上述任一技术方案所述的电池系统故障识别方法。
采用上述实施例的有益效果是：本发明提供一种电池系统故障识别方法、装置、电子设备及存储介质，该方法通过蜣螂优化算法对初始概率神经网络模型的模式层中的平滑参数进行优化，能够有效提高初始概率神经网络模型的故障模式识别精度；通过对初始概率神经网络模型进行两次训练，一方面通过增加训练次数提高了初始概率神经网络模型的可靠度，另一方面基于历史运行数据样本对初始概率神经网络模型进行训练，提高了其与待测船舶动力电池系统的契合度，使得目标概率神经网络模型能够快速进行故障模式识别，提高了故障模式识别的灵敏度，进而避免了电池损坏或使用寿命减少的问题。
附图说明
图1为本发明提供的电池系统故障识别方法一实施例的流程示意图；
图2为本发明提供的获取船舶动力电池系统的历史试验数据样本一实施例的流程示意图；
图3为本发明提供的初始概率神经网络模型一实施例的结构示意图；
图4为本发明提供的对平滑参数进行优化一实施例的流程示意图；
图5为本发明提供的电池系统故障识别装置一实施例的结构框图；
图6为本发明提供的电子设备一实施例的结构框图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
船用动力电池是指在船舶上安装的用于提供动力的电池，一般用于驱动电动舵、电动推进器和其他设备。船用动力电池系统对安全性和可靠性的要求比较高，为了保障电池系统的稳定可靠运行，通常在电池管理系统中对每一个电芯温度和电压进行采样，以便监测电池系统的运行状况。
然而，现有的电池系统的监测模式的故障识别的灵敏度不高，往往是系统故障后，运行参数超阈值后才发出报警信号，这种模式下电池系统容易出现不可逆的损伤，导致电池系统损坏或使用寿命减少。
因此，现有技术中对船舶动力电池进行监测的过程中，存在由于监测灵敏度过低导致电池损坏或使用寿命减少的问题。
为了解决上述问题，本发明提供了一种电池系统故障识别方法、装置、电子设备及存储介质，以下分别进行详细说明。
图1为本发明提供的电池系统故障识别方法一实施例的流程示意图，如图1所示，电池系统故障识别方法包括：
步骤S101：获取船舶动力电池系统的历史试验数据样本，历史试验数据样本包括历史决策参量数据样本和历史故障模式数据样本；
步骤S102：建立初始概率神经网络模型，并基于蜣螂优化算法对初始概率神经网络模型的模式层中的平滑参数进行优化；
步骤S103：将历史决策参量数据样本输入至初始概率神经网络模型，并以历史故障模式数据样本为输出标签，训练初始概率神经网络模型，得到第一概率神经网络模型；
步骤S104：获取待测船舶动力电池系统的历史运行数据样本，并根据历史运行数据样本对第一概率神经网络模型进行二次训练，得到目标概率神经网络模型；
步骤S105：获取待测船舶动力电池系统的实时决策参量数据，基于目标概率神经网络模型对实时决策参量数据进行识别，得到待测船舶动力电池系统的故障模式。
本实施例中，首先，获取船舶动力电池系统样本的历史试验数据样本；其次，建立初始概率神经网络模型，并基于蜣螂优化算法对初始概率神经网络模型的模式层中的平滑参数进行优化，以提高初始概率神经网络模型与本申请的故障识别需要的符合度；接下来，为了提高训练样本的数量和复杂度，将历史决策参量数据样本输入至初始概率神经网络模型，并以历史故障模式数据样本为输出标签，训练初始概率神经网络模型，得到第一概率神经网络模型；然后，为了提高第一概率神经网络模型与待测船舶动力电池系统的契合度，获取待测船舶动力电池系统的历史运行数据样本，并根据历史运行数据样本对第一概率神经网络模型进行二次训练，得到目标概率神经网络模型；最后，获取待测船舶动力电池系统的实时决策参量数据，目标概率神经网络模型根据实时决策参量数据对待测船舶动力电池系统进行故障模式识别。
本实施例中，通过蜣螂优化算法对初始概率神经网络模型的模式层中的平滑参数进行优化，能够有效提高初始概率神经网络模型的故障模式识别精度；通过对初始概率神经网络模型进行两次训练，一方面通过增加训练次数提高了初始概率神经网络模型的可靠度，另一方面基于历史运行数据样本对初始概率神经网络模型进行训练，提高了其与待测船舶动力电池系统的契合度，使得目标概率神经网络模型能够快速进行故障模式识别，提高了故障模式识别的灵敏度，进而避免了电池损坏或使用寿命减少的问题。
作为优选的实施例，在步骤S101中，决策参量数据包括船舶动力电池系统的内部温度信号的峰峰值、内部温度信号的斜率、内部采样电压信号的峰峰值、内部采样电压信号的斜率、外部温度信号的峰峰值、外部温度信号的斜率、柜体内部温度信号的峰峰值、柜体内部温度信号的斜率、柜体内烟雾信号的幅值、柜内明火信号的幅值以及可燃气体信号的幅值；
故障模式数据包括正常模式数据、告警模式数据和异常模式数据。
进一步地，为了得到更便于训练和处理的样本，需要对初始的数据样本进行预处理，如图2所示，图2为本发明提供的获取船舶动力电池系统的历史试验数据样本一实施例的流程示意图，包括：
步骤S111：获取初始历史决策参量数据样本和初始历史故障模式数据样本；
步骤S112：采用主成分分析法对初始历史决策参量数据样本进行筛选处理，得到初始历史决策参量主成分数据样本；
步骤S113：分别对初始历史决策参量主成分数据样本和初始历史故障模式数据样本进行归一化处理，得到目标历史试验数据样本。
本实施例中，通过主成分分析法选取到与故障模式识别结果直接关联的指标，在保障结果精准度的同时，还能减少工作量；通过对初始历史决策参量主成分数据样本和初始历史故障模式数据样本进行归一化处理，实现输入特征的标准化，能够提高数据处理能力，保证后续操作过程中数据的规范性和一致性。
作为优选的实施例，在步骤S102中，初始概率神经网络模型包括输入层、模式层、求和层和输出层，接下来，详细说明初始概率神经网络模型的结构，如图3所示，图3为本发明提供的初始概率神经网络模型一实施例的结构示意图。
输入层：输入电池系统经归一化后的历史决策参量的主成分/>，记输入为。
模式层：计算激活函数值，该值表示输入样本与训练样本的相似程度。第m类模式的第n个神经元的输出为：
其中，为第m类第n个训练样本；m=1，2，3，表示分类数，即正常模式、异常模式、告警模式；n=1，2，……/>，/>为第m类训练样本数目；/>为平滑参数。
求和层：用于计算输入样本属于正常模式、异常模式、告警模式的平均概率，该层包括3个神经元；
输出层：输出求和层中最大值所对应类别，实现电池系统的故障模式识别。该层由单个神经元实现。
其中，表示取/>最大值所对应的下标。
需要说明的是，概率神经网络(probabilistic neural network，PNN)是在径向基神经网络的基础上融合了贝叶斯决策理论的四层前馈神经网络。PNN具有训练容易，收敛速度快，径向基非线性映射函数容错性强等特点，适用于处理模式识别问题。
然而，PNN中平滑参数的选择会直接影响算法的检测性能，因此，本申请中基于蜣螂优化算法对初始概率神经网络模型的模式层中的平滑参数进行优化，以满足故障模式误判率和漏判率的要求，提升故障模式识别精度，如图4所示，图4为本发明提供的对平滑参数进行优化一实施例的流程示意图，包括：
步骤S121：获取模式层的神经元输出计算过程中的初始平滑参数；
步骤S122：基于蜣螂位置更新公式，建立初始平滑参数与蜣螂位置的关系；
步骤S123：设置适应度函数，以确定最优蜣螂位置，并根据最优蜣螂位置确定最优平滑参数，得到基于最优平滑参数的初始概率神经网络模型。
本实施例中，通过蜣螂位置更新公式将初始平滑参数与蜣螂位置进行关联，并基于适应度函数确定最优蜣螂位置，从而确定最优平滑参数，实现得到基于最优平滑参数的初始概率神经网络模型。
作为优选的实施例，在步骤S122中，蜣螂位置更新公式为：
其中，表示第/>只蜣螂第t-1次迭代时的位置，/>表示第/>只蜣螂第t次迭代时的位置，/>表示第/>只蜣螂第t+1次迭代时的位置，/>表示蜣螂滚动方向角度。
本实施例中，通过蜣螂位置更新公式，以实现数据更新迭代，有助于获取到最优结果。
作为优选的实施例，在步骤S123中，适应度函数的计算公式为：
其中，表示适应度值，/>表示误判率权重，/>表示漏判率的权重，/>表示误判率，/>表示漏判率，阳性（正）样例记作P，阴性（负）样例记作N，将正样本预测为正样本的事件记作TP，正样本预测为负样本的事件记作FN，负样本预测为正样本的事件记作FP，负样本预测为负样本的事件记作TN。
需要说明的是，对于本申请中的电池系统而言，因漏判带来的危害比误判大，故且/>。
误判率反映模型正确预测正样本纯度的能力，减少将负样本预测为正样本，即负样本被预测为正样本占总的负样本的比例，/>值越小，性能越好。
漏判率反映模型正确预测负样本纯度的能力，减少将正样本预测为负样本，即正样本被预测为负样本占总的正样本的比例，/>值越小，性能越好。
当最小时，此时蜣螂的位置最优，即平滑参数/>最优。
本实施例中，通过设置适应度函数是用来评估迭代计算位置的适应度值，即评估计算位置是否满足故障模式误判率和漏判率的要求，进而得到适应度值的最优解，从而确定最优平滑参数。
作为优选的实施例，在步骤S103中，训练样本越多，初始概率神经网络模型的训练效果越好，可靠度越高，因此，将历史决策参量数据样本输入至初始概率神经网络模型，并以历史故障模式数据样本为输出标签，训练初始概率神经网络模型，得到第一概率神经网络模型，并保存其中的模型参数。
作为优选的实施例，在步骤S104中，为了提高第一概率神经网络模型与待测船舶动力电池系统的契合度，还需要获取待测船舶动力电池系统的历史运行数据样本，并根据历史运行数据样本对第一概率神经网络模型进行二次训练，从而得到目标概率神经网络模型。
进一步地，由于在实际运行过程中，正常样本多，故障样本少，为了提高模型识别准确度，需要对历史运行数据进行平衡处理，以便通过平衡后的数据集对第一概率神经网络模型进行训练。
在一具体实施例中，基于图生成器损失函数，采用图生成器平衡初始历史运行数据样本，得到目标历史运行数据样本；
其中，图生成器损失函数为：
其中，表示损失函数值，/>表示第一迷惑判别器损失函数，用于迷惑判别器，使判别器无法区分是假的少数节点；/>表示第二迷惑判别器损失函数，用于使判别器无法区分是少数节点还是多数节点；/>表示距离损失函数，用于使假节点的特征与真实节点充分接近；/>是正则损失函数，用于训练权重θ和正则化系数α，/>表示生成少数节点的数量，表示真实节点的标签，/>表示逻辑，/>表示嵌入节点，/>表示真实少数节点的数量。
通过上述方法，通过蜣螂优化算法对初始概率神经网络模型的模式层中的平滑参数进行优化，能够有效提高初始概率神经网络模型的故障模式识别精度；通过对初始概率神经网络模型进行两次训练，一方面通过增加训练次数提高了初始概率神经网络模型的可靠度，另一方面基于历史运行数据样本对初始概率神经网络模型进行训练，提高了其与待测船舶动力电池系统的契合度，使得目标概率神经网络模型能够快速进行故障模式识别，提高了故障模式识别的灵敏度，进而避免了电池损坏或使用寿命减少的问题。
本发明实施例提供了一种电池系统故障识别装置，如图5所示，图5为本发明提供的电池系统故障识别装置一实施例的结构框图，电池系统故障识别装置500包括：
样本获取模块501，用于获取船舶动力电池系统的历史试验数据样本，历史试验数据样本包括历史决策参量数据样本和历史故障模式数据样本；
模型建立模块502，用于建立初始概率神经网络模型，并基于蜣螂优化算法对初始概率神经网络模型的模式层中的平滑参数进行优化；
第一概率神经网络模型训练模块503，用于将历史决策参量数据样本输入至初始概率神经网络模型，并以历史故障模式数据样本为输出标签，训练初始概率神经网络模型，得到第一概率神经网络模型；
目标概率神经网络模型确定模块504，用于获取待测船舶动力电池系统的历史运行数据样本，并根据历史运行数据样本对第一概率神经网络模型进行二次训练，得到目标概率神经网络模型；
故障模式识别模块505，用于获取待测船舶动力电池系统的实时决策参量数据，基于目标概率神经网络模型对实时决策参量数据进行识别，得到待测船舶动力电池系统的故障模式。
本发明还相应提供了一种电子设备，如图6所示，图6为本发明提供的电子设备一实施例的结构框图。电子设备600可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。电子设备600包括处理器601以及存储器602，其中，存储器602上存储有电池系统故障识别程序603。
存储器602在一些实施例中可以是计算机设备的内部存储单元，例如计算机设备的硬盘或内存。存储器602在另一些实施例中也可以是计算机设备的外部存储设备，例如计算机设备上配备的插接式硬盘，智能存储卡（Smart Media Card， SMC），安全数字（SecureDigital， SD）卡，闪存卡（Flash Card）等。进一步地，存储器602还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器602用于存储安装于计算机设备的应用软件及各类数据，例如安装计算机设备的程序代码等。存储器602还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，电池系统故障识别程序603可被处理器601所执行，从而实现本发明各实施例的电池系统故障识别方法。
处理器601在一些实施例中可以是一中央处理器（Central Processing Unit，CPU），微处理器或其他数据处理芯片，用于运行存储器602中存储的程序代码或处理数据，例如执行电池系统故障识别程序等。
本实施例还提供了一种计算机可读存储介质，其上存储有电池系统故障识别程序，计算机该程序被处理器执行时，实现如上述任一技术方案所述的电池系统故障识别方法。
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。本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种电池系统故障识别方法，应用于船舶动力电池系统，其特征在于，所述方法包括：
获取船舶动力电池系统的历史试验数据样本，所述历史试验数据样本包括历史决策参量数据样本和历史故障模式数据样本；
建立初始概率神经网络模型，并基于蜣螂优化算法对所述初始概率神经网络模型的模式层中的平滑参数进行优化；
将所述历史决策参量数据样本输入至所述初始概率神经网络模型，并以所述历史故障模式数据样本为输出标签，训练所述初始概率神经网络模型，得到第一概率神经网络模型；
获取待测船舶动力电池系统的历史运行数据样本，并根据所述历史运行数据样本对所述第一概率神经网络模型进行二次训练，得到目标概率神经网络模型；
获取所述待测船舶动力电池系统的实时决策参量数据，基于所述目标概率神经网络模型对所述实时决策参量数据进行识别，得到所述待测船舶动力电池系统的故障模式。
2.根据权利要求1所述的电池系统故障识别方法，其特征在于，所述初始概率神经网络模型包括输入层、模式层、求和层和输出层；所述建立初始概率神经网络模型，并基于蜣螂优化算法对所述初始概率神经网络模型的模式层中的平滑参数进行优化，包括：
获取所述模式层的神经元输出计算过程中的初始平滑参数；
基于蜣螂位置更新公式，建立所述初始平滑参数与蜣螂位置的关系；
设置适应度函数，以确定最优蜣螂位置，并根据所述最优蜣螂位置确定最优平滑参数，得到基于所述最优平滑参数的所述初始概率神经网络模型。
3.根据权利要求2所述的电池系统故障识别方法，其特征在于，所述蜣螂位置更新公式为：
其中，表示第/>只蜣螂第t-1次迭代时的位置，/>表示第/>只蜣螂第t次迭代时的位置，/>表示第/>只蜣螂第t+1次迭代时的位置，/>表示蜣螂滚动方向角度。
4.根据权利要求3所述的电池系统故障识别方法，其特征在于，所述适应度函数的计算公式为：
其中，表示适应度值，/>表示误判率权重，/>表示漏判率的权重，/>表示误判率，表示漏判率，阳性样例记作P，阴性样例记作N，将正样本预测为正样本的事件记作TP，正样本预测为负样本的事件记作FN，负样本预测为正样本的事件记作FP，负样本预测为负样本的事件记作TN。
5.根据权利要求1所述的电池系统故障识别方法，其特征在于，决策参量数据包括所述船舶动力电池系统的内部温度信号的峰峰值、内部温度信号的斜率、内部采样电压信号的峰峰值、内部采样电压信号的斜率、外部温度信号的峰峰值、外部温度信号的斜率、柜体内部温度信号的峰峰值、柜体内部温度信号的斜率、柜体内烟雾信号的幅值、柜内明火信号的幅值以及可燃气体信号的幅值；
故障模式数据包括正常模式数据、告警模式数据和异常模式数据。
6.根据权利要求1所述的电池系统故障识别方法，其特征在于，所述获取船舶动力电池系统的历史试验数据样本，包括：
获取初始历史决策参量数据样本和初始历史故障模式数据样本；
采用主成分分析法对所述初始历史决策参量数据样本进行筛选处理，得到初始历史决策参量主成分数据样本；
分别对所述初始历史决策参量主成分数据样本和所述初始历史故障模式数据样本进行归一化处理，得到目标历史试验数据样本。
7.根据权利要求1所述的电池系统故障识别方法，其特征在于，所述获取待测船舶动力电池系统的历史运行数据样本，并根据所述历史运行数据样本对所述第一概率神经网络模型进行二次训练，得到目标概率神经网络模型，包括：
基于图生成器损失函数，采用图生成器平衡初始历史运行数据样本，得到目标历史运行数据样本；
其中，所述图生成器损失函数为：
其中，表示损失函数值，/>表示第一迷惑判别器损失函数，用于迷惑判别器，使判别器无法区分是假的少数节点；/>表示第二迷惑判别器损失函数，用于使判别器无法区分是少数节点还是多数节点；/>表示距离损失函数，用于使假节点的特征与真实节点充分接近；/>是正则损失函数，用于训练权重θ和正则化系数α，/>表示生成少数节点的数量，/>表示真实节点的标签，/>表示逻辑，/>表示嵌入节点，/>表示真实少数节点的数量。
8.一种电池系统故障识别装置，其特征在于，包括：
样本获取模块，用于获取船舶动力电池系统的历史试验数据样本，所述历史试验数据样本包括历史决策参量数据样本和历史故障模式数据样本；
模型建立模块，用于建立初始概率神经网络模型，并基于蜣螂优化算法对所述初始概率神经网络模型的模式层中的平滑参数进行优化；
第一概率神经网络模型训练模块，用于将所述历史决策参量数据样本输入至所述初始概率神经网络模型，并以所述历史故障模式数据样本为输出标签，训练所述初始概率神经网络模型，得到第一概率神经网络模型；
目标概率神经网络模型确定模块，用于获取待测船舶动力电池系统的历史运行数据样本，并根据所述历史运行数据样本对所述第一概率神经网络模型进行二次训练，得到目标概率神经网络模型；
故障模式识别模块，用于获取所述待测船舶动力电池系统的实时决策参量数据，基于所述目标概率神经网络模型对所述实时决策参量数据进行识别，得到所述待测船舶动力电池系统的故障模式。
9.一种电子设备，其特征在于，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求1-7任一项所述的电池系统故障识别方法。
10.一种存储介质，其特征在于，所述存储介质中存储有计算机程序指令，当所述计算机程序指令被计算机执行时，使计算机执行根据权利要求1至7中任一所述的电池系统故障识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311093552.7A CN116819345B (zh) | 2023-08-29 | 2023-08-29 | 电池系统故障识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311093552.7A CN116819345B (zh) | 2023-08-29 | 2023-08-29 | 电池系统故障识别方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116819345A true CN116819345A (zh) | 2023-09-29 |
| CN116819345B CN116819345B (zh) | 2023-11-21 |
Family
ID=88118790
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311093552.7A Active CN116819345B (zh) | 2023-08-29 | 2023-08-29 | 电池系统故障识别方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116819345B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111007401A (zh) * | 2019-12-16 | 2020-04-14 | 国网江苏省电力有限公司电力科学研究院 | 一种基于人工智能的电动汽车电池故障诊断方法及设备 |
| CN112731159A (zh) * | 2020-12-23 | 2021-04-30 | 江苏省电力试验研究院有限公司 | 一种储能电站电池舱电池故障预判及定位的方法 |
| US20210405104A1 (en) * | 2020-06-29 | 2021-12-30 | Intelematics Australia Pty Limited | Automobile battery failure prediction method and system |
| CN114355211A (zh) * | 2021-12-09 | 2022-04-15 | 武汉船用电力推进装置研究所（中国船舶重工集团公司第七一二研究所） | 一种锂离子动力电池剩余电量估计方法 |
| CN115017978A (zh) * | 2022-05-18 | 2022-09-06 | 东南大学 | 一种基于加权概率神经网络的故障分类方法 |
| WO2022198899A1 (zh) * | 2021-03-24 | 2022-09-29 | 国网河北省电力有限公司沧州供电分公司 | 一种海底电缆故障诊断方法、装置及设备 |
| CN116205265A (zh) * | 2023-01-12 | 2023-06-02 | 国电南瑞科技股份有限公司 | 一种基于深层神经网络的电网故障诊断方法及装置 |
-
2023
- 2023-08-29 CN CN202311093552.7A patent/CN116819345B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111007401A (zh) * | 2019-12-16 | 2020-04-14 | 国网江苏省电力有限公司电力科学研究院 | 一种基于人工智能的电动汽车电池故障诊断方法及设备 |
| US20210405104A1 (en) * | 2020-06-29 | 2021-12-30 | Intelematics Australia Pty Limited | Automobile battery failure prediction method and system |
| CN112731159A (zh) * | 2020-12-23 | 2021-04-30 | 江苏省电力试验研究院有限公司 | 一种储能电站电池舱电池故障预判及定位的方法 |
| WO2022198899A1 (zh) * | 2021-03-24 | 2022-09-29 | 国网河北省电力有限公司沧州供电分公司 | 一种海底电缆故障诊断方法、装置及设备 |
| CN114355211A (zh) * | 2021-12-09 | 2022-04-15 | 武汉船用电力推进装置研究所（中国船舶重工集团公司第七一二研究所） | 一种锂离子动力电池剩余电量估计方法 |
| CN115017978A (zh) * | 2022-05-18 | 2022-09-06 | 东南大学 | 一种基于加权概率神经网络的故障分类方法 |
| CN116205265A (zh) * | 2023-01-12 | 2023-06-02 | 国电南瑞科技股份有限公司 | 一种基于深层神经网络的电网故障诊断方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 何成 等: "基于改进神经网络算法的医疗锂电池ＰＨＭ 系统设计", 测试与故障诊断, pages 1 - 5 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116819345B (zh) | 2023-11-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110135856B (zh) | 一种重复交易风险监测方法、装置及计算机可读存储介质 | |
| WO2022143903A1 (zh) | 车用电池的安全评估方法、系统、设备及可读存储介质 | |
| CN115356639B (zh) | 一种双向锂离子电池智能健康监控方法及系统 | |
| CN111080117A (zh) | 设备风险标签的构建方法、装置、电子设备及存储介质 | |
| CN110333987B (zh) | 设备体检报告生成方法、装置、计算机设备和存储介质 | |
| CN111222981A (zh) | 可信度确定方法、装置、设备和存储介质 | |
| US11619674B2 (en) | State estimation method and state estimation apparatus | |
| CN116572747B (zh) | 电池故障检测方法、装置、计算机设备和存储介质 | |
| Li et al. | A hybrid framework for predicting the remaining useful life of battery using Gaussian process regression | |
| CN116087787A (zh) | 一种基于主成分分析法的电池故障判断方法和系统 | |
| WO2023207557A1 (zh) | 评估业务预测模型鲁棒性的方法、装置及计算设备 | |
| Binna et al. | Subset level detection of false data injection attacks in smart grids | |
| CN114978968B (zh) | 微服务的异常检测方法、装置、计算机设备和存储介质 | |
| CN116819345B (zh) | 电池系统故障识别方法、装置、电子设备及存储介质 | |
| CN116259161B (zh) | 一种电力故障预警系统 | |
| CN117234844A (zh) | 云服务器异常管理方法、装置、计算机设备及存储介质 | |
| CN117251788A (zh) | 状态评估方法、装置、终端设备及存储介质 | |
| CN115951223A (zh) | 储能电站异常电池箱检测方法、装置及电子设备 | |
| CN113505039A (zh) | 一种通信故障分析方法、设备及系统 | |
| CN113076217A (zh) | 基于国产平台的磁盘故障预测方法 | |
| CN112307271A (zh) | 一种配电自动化系统遥控业务的安全监测方法及装置 | |
| Alcibar et al. | Towards a probabilistic error correction approach for improved drone battery health assessment | |
| CN118229271B (zh) | 用于核电安全级设备的寿命评估方法、装置、设备及介质 | |
| CN117390436A (zh) | 一种基于燃料电池变化状态的检测方法及装置 | |
| CN115952414A (zh) | 基于深度自编码器高斯混合分布的异常电池箱检测方法 |
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 |