CN116968556A - 一种基于模糊熵的动力与储能电池故障诊断方法 - Google Patents
一种基于模糊熵的动力与储能电池故障诊断方法 Download PDFInfo
- Publication number
- CN116968556A CN116968556A CN202310925120.1A CN202310925120A CN116968556A CN 116968556 A CN116968556 A CN 116968556A CN 202310925120 A CN202310925120 A CN 202310925120A CN 116968556 A CN116968556 A CN 116968556A
- Authority
- CN
- China
- Prior art keywords
- battery
- abnormality
- fault diagnosis
- data
- fuzzy entropy
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000003745 diagnosis Methods 0.000 title claims abstract description 41
- 238000004146 energy storage Methods 0.000 title claims abstract description 17
- 230000005856 abnormality Effects 0.000 claims abstract description 34
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000005070 sampling Methods 0.000 claims abstract description 11
- 239000000178 monomer Substances 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 description 6
- 239000000446 fuel Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization 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
-
- 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
- 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
- B60L3/0053—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to fuel cells
-
- 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3835—Arrangements for monitoring battery or accumulator variables, e.g. SoC involving only voltage measurements
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Sustainable Development (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于模糊熵的动力与储能电池故障诊断方法,属于新能源汽车技术领域,包括以下步骤:S1:通过车载T‑box上的电压传感器采集电池电堆中每个电池单体的电压信号,实时上传至数据中心;S2:数据中心对上传的数据进行预处理,将数据进行分割,按照采样时间,按每小时一次对电压信号进行数据分割及保存,得到预处理后的数据;S3:计算电池的模糊熵;S4:使用Z分数计算电池单体异常系数;S5:选择合适的时间窗口与计算窗口,使用电池单体异常系数计算电池异常程度,得到故障诊断结果;S6:故障诊断结果反馈给驾驶员;本发明采用上述方法,使用熵值对电池系统进行诊断,不需要大量的数据进行拟合和模型优化,具有实时性和实用性。
Description
技术领域
本发明涉及新能源汽车技术领域,尤其是涉及一种基于模糊熵的动力与储能电池故障诊断方法。
背景技术
随着新能源汽车的发展,由于不可避免的电池老化等因素引起的电池稳定性和安全性问题逐渐成为大众眼中的焦点。实车场景中对动力电池及燃料电池车辆进行故障诊断对运行中的电池系统至关重要。
现有的故障诊断大多基于模型和基于电化学原理的。这些故障诊断对于内部反应复杂的燃料电池系统来说,不具有实时性和实用性。基于数据驱动的算法,如支持矢量机(SVM)、机器学习等可以满足实车运行的需求,且有着较高的精度,但需要大量的数据进行拟合和模型优化。加大了故障诊断的成本,因此提供一种基于模糊熵的动力与储能电池故障诊断方法。
发明内容
本发明的目的是提供一种基于模糊熵的动力与储能电池故障诊断方法,将采集到的电压数据通过模糊熵算法进行处理,通过模糊熵对电压信号的随机性及不一致性进行分析,分析后将电池故障诊断结果发送给驾驶员。提前判断出具有故障趋势或已经产生故障的电池单片,最终达到电池故障诊断及故障预警的目的。
为实现上述目的,本发明提供了一种基于模糊熵的动力与储能电池故障诊断方法,包括以下步骤:
S1:通过车载T-box上的电压传感器采集电池电堆中每个电池单体的电压信号,实时上传至数据中心;
S2:数据中心对上传的数据进行预处理,将数据进行分割,按照采样时间,按每小时一次对电压信号进行数据分割及保存,得到预处理后的数据;
S3:计算电池的模糊熵;
S4:使用Z分数计算电池单体异常系数;
S5:选择合适的时间窗口与计算窗口,使用电池单体异常系数计算电池异常程度,得到故障诊断结果;
S6:数据中心将故障诊断结果反馈给驾驶员。
优选的,所述步骤S2中,采样片段长度为:其中,T为分割片段长度,h为采样间隔。
优选的,所述步骤S3中,计算模糊熵的方法具体如下:
使用步骤S2中预处理后的数据,一组有N个数据点的时间序列,定义X=[x1,x2,x3,…xN],取向空间维数m,构造N-m+1个m维矢量Xi和Xj,公式如下:
Xi=[xi,xi+1,...,xi-m+1]-ui
Xj=[xj,xj+1,...,xj-m+1]-uj
上式中,ui是矢量[xi,xi+1,...,xi-m+1]的均值,uj是矢量[xj,xj+1,...,xj-m+1]的均值;
定义dij是Xi,Xj之间的绝对距离得到公式如下:
dij=d[Xi,Xj]
dij=max|(xi+k-ui)-(xj+k-ui)|
上式中,i=1,2,…,N-m+1,j=1,2,…,N-m+1并且i≠j;
定义模糊隶属度函数公式如下:
设置向空间维数为m+1,优化函数公式,得到函数公式如下:
当样本有N个数据点时,模糊熵的公式如下:
FuzzyEn=lnΦm-lnΦm+1
上式中,FuzzyEn是模糊熵的公式。
优选的,所述步骤S4中,计算电池单体异常系数的方法具体如下:
Z分数的公式如下:
上式中,X为模糊熵数据,为平均数,/>S为标准差,S=std(FuzzyEn(N)),Z是电池单体异常系数,当电池单体异常系数的结果在3.0以下,电池是正常,当在3.0-3.5之间,电池是异常,当在3.5以上,电池是危险
优选的,所述步骤S5中,选择合适的时间窗口与计算窗口的方法如下:
当数据中心检索不到当前电池的诊断记录,则依据历史记录并选取合适的时间窗口与计算窗口;
当数据中心检索到当前电池的诊断记录,则使用原有的时间窗口与计算窗口。
优选的,所述步骤S5中,判断异常程度的方法具体如下:
异常程度计算过程如下:
上式中,当异常程度≤0.2,是微小异常;当0.2<异常程度≤0.5,中等异常;当异常程度>0.5,是明显异常。
因此,本发明采用上述方法的一种基于模糊熵的动力与储能电池故障诊断方法,具有以下好处
(1)本发明提供了一种基于熵值的电池故障诊断方法,在实车中能实时运用的电池故障诊断方法;
(2)本发明提出的故障诊断方法相比于其他控制方法有更高的灵活性,可以根据不同的车型、数据采集方式进行自适应和优化;
(3)本发明提出的故障诊断方法计算量和储存量小,只需要电压数据即可完成电池状态的评估和预警。
(4)本发明提出的故障诊断算法对数据采集频率无过高要求,对10HZ到0.1HZ的采样频率均有很高的鲁棒性和有效性。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明一种基于模糊熵的动力与储能电池故障诊断方法的流程示意图;
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
实施例
如图1,本发明提供了一种基于模糊熵的动力与储能电池故障诊断方法,包括以下步骤:
S1:通过车载T-box上的电压传感器采集电池电堆中每个电池单体的电压信号,实时上传至数据中心;
S2:数据中心对上传的数据进行预处理,将数据进行分割,按照采样时间,按每小时一次对电压信号进行数据分割及保存,采样片段长度为:其中,T为分割片段长度,h为采样间隔,h的单位是秒,得到预处理后的数据;
S3:计算电池的模糊熵,使用步骤S2中预处理后的数据,一组有N个数据点的时间序列,定义X=[x1,x2,x3,…xN],取向空间维数m,构造N-m+1个m维矢量Xi和Xj,公式如下:
Xi=[xi,xi+1,...,xi-m+1]-ui
Xj=[xj,xj+1,...,xj-m+1]-uj
上式中,ui是矢量[xi,xi+1,...,xi-m+1]的均值,uj是矢量[xj,xj+1,...,xj-m+1]的均值;
定义dij是Xi,Xj之间的绝对距离,得到公式如下:
dij=d[Xi,Xj]
dij=max|(xi+k-ui)-(xj+k-ui)|
上式中,i=1,2,…,N-m+1,j=1,2,…,N-m+1并且i≠j
定义模糊隶属度函数公式如下:
设置向空间维数为m+1,优化函数公式,得到函数公式如下:
当样本有N个数据点时,模糊熵的公式如下:
FuzzyEn=lnΦm-lnΦm+1
上式中,FuzzyEn是模糊熵的公式。
计算得出的模糊熵值通过Z分数进行进一步处理:
S4:使用Z分数计算电池单体异常系数,Z分数也叫标准分数(standard score),它是以标准差为尺子去度量某一原始分数偏离平均数的距离,这段距离含有几个标准差,Z分数就是几,从而确定这一数据在全体数据中的位置。称这一过程为标准化,Z分数的公式如下:
上式中,X为模糊熵数据,为平均数,/>S为标准差,S=std(FuzzyEn(N)),Z是电池单体异常系数,当电池单体异常系数的结果在3.0以下,电池是正常,当在3.0-3.5之间,电池是异常,当在3.5以上,电池是危险;
通过以上算法将上传到数据中心的数据进行诊断,对分割后的每一个数据长度进行熵处理,处理后输出的结论为每个电池单体的异常系数。将异常系数按照时间序列进行排序,可以得到每个单体异常系数随时间变化的数据特征,通过该数据可以得出每个单体的状态变化趋势。
S5:选择合适的时间窗口与计算窗口,当数据中心检索不到当前电池的诊断记录,则在历史记录中选取合适的时间窗口与计算窗口;当数据中心检索到当前电池的诊断记录,则使用原有的时间窗口与计算窗口。
使用电池单体异常系数计算电池异常程度,异常程度计算过程如下:
上式中,当异常程度≤0.2,是微小异常;当0.2<异常程度≤0.5,中等异常;当异常程度>0.5,是明显异常,得到相应的故障诊断结果;
S6:数据中心将将故障诊断结果反馈给驾驶员。
本发明公开了一种基于模糊熵的动力与储能电池故障诊断方法,将采集到的电压数据通过模糊熵算法进行处理,通过模糊熵对电压信号的随机性及不一致性进行分析,分析后将电池故障诊断结果发送给驾驶员。提前判断出具有故障趋势或已经产生故障的电池单片,最终达到电池故障诊断及故障预警的目的。
最后应说明的是:以上实施例仅用以说明本发明的技术方案而非对其进行限制,尽管参照较佳实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对本发明的技术方案进行修改或者等同替换,而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
Claims (6)
1.一种基于模糊熵的动力与储能电池故障诊断方法,其特征在于,包括以下步骤:
S1:通过车载T-box上的电压传感器采集电池电堆中每个电池单体的电压信号,实时上传至数据中心;
S2:数据中心对上传的数据进行预处理,将数据进行分割,按照采样时间,按每小时一次对电压信号进行数据分割及保存,得到预处理后的数据;
S3:计算电池的模糊熵;
S4:使用Z分数计算电池单体异常系数;
S5:选择合适的时间窗口与计算窗口,使用电池单体异常系数计算电池异常程度,得到故障诊断结果;
S6:数据中心将故障诊断结果反馈给驾驶员。
2.根据权利要求1所述的一种基于模糊熵的动力与储能电池故障诊断方法,其特征在于:所述步骤S2中,采样片段长度为:其中,T为分割片段长度,h为采样间隔。
3.根据权利要求1所述的一种基于模糊熵的动力与储能电池故障诊断方法,其特征在于:所述步骤S3中,计算模糊熵的方法具体如下:
使用步骤S2中预处理后的数据,一组有N个数据点的时间序列,定义X=[x1,x2,x3,…xN],取向空间维数m,构造N-m+1个m维矢量Xi和Xj,公式如下:
Xi=[xi,xi+1,...,xi-m+1]-ui
Xj=[xj,xj+1,...,xj-m+1]-uj
上式中,ui是矢量[xi,xi+1,...,xi-m+1]的均值,uj是矢量[xj,xj+1,...,xj-m+1]的均值;
定义dij是Xi,Xj之间的绝对距离得到公式如下:
dij=d[Xi,Xj]
dij=max|(xi+k-ui)-(xj+k-ui)|
上式中,i=1,2,…,N-m+1,j=1,2,…,N-m+1并且i≠j;
定义模糊隶属度函数公式如下:
设置向空间维数为m+1,优化函数公式,得到函数公式如下:
当样本有N个数据点时,模糊熵的公式如下:
FuzzyEn=lnΦm-lnΦm+1
上式中,FuzzyEn是模糊熵的公式。
4.根据权利要求1所述的一种基于模糊熵的动力与储能电池故障诊断方法,其特征在于:所述步骤S4中,计算电池单体异常系数的方法具体如下:
Z分数的公式如下:
上式中,X为模糊熵数据,为平均数,/>S为标准差,S=std(FuzzyEn(N)),Z是电池单体异常系数,当电池单体异常系数的结果在3.0以下,电池是正常,当在3.0-3.5之间,电池是异常,当在3.5以上,电池是危险。
5.根据权利要求1所述的一种基于模糊熵的动力与储能电池故障诊断方法,其特征在于:所述步骤S5中,选择合适的时间窗口与计算窗口的方法如下:
当数据中心检索不到当前电池的诊断记录,则依据历史记录并选取合适的时间窗口与计算窗口;
当数据中心检索到当前电池的诊断记录,则使用原有的时间窗口与计算窗口。
6.根据权利要求1所述的一种基于模糊熵的动力与储能电池故障诊断方法,其特征在于:所述步骤S5中,判断异常程度的方法具体如下:
异常程度计算过程如下:
上式中,当异常程度≤0.2,是微小异常;当0.2<异常程度≤0.5,中等异常;当异常程度>0.5,是明显异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310925120.1A CN116968556A (zh) | 2023-07-26 | 2023-07-26 | 一种基于模糊熵的动力与储能电池故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310925120.1A CN116968556A (zh) | 2023-07-26 | 2023-07-26 | 一种基于模糊熵的动力与储能电池故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116968556A true CN116968556A (zh) | 2023-10-31 |
Family
ID=88482646
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310925120.1A Pending CN116968556A (zh) | 2023-07-26 | 2023-07-26 | 一种基于模糊熵的动力与储能电池故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116968556A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115097319B (zh) * | 2022-07-21 | 2024-05-17 | 山东大学 | 一种动力电池组故障在线诊断方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107294494A (zh) * | 2017-07-03 | 2017-10-24 | 上海岩芯电子科技有限公司 | 光伏系统直流侧电弧故障检测装置及其检测方法 |
CN110441695A (zh) * | 2019-08-07 | 2019-11-12 | 南京佑创汽车研究院有限公司 | 一种基于模型和信号处理相结合的电池组多故障综合诊断方法 |
CN112906744A (zh) * | 2021-01-20 | 2021-06-04 | 湖北工业大学 | 一种基于孤立森林算法的故障单体电池识别方法 |
CN113030763A (zh) * | 2021-02-20 | 2021-06-25 | 武汉云衡智能科技有限公司 | 一种车用动力电池一致性差异的潜在风险诊断系统 |
CN115097319A (zh) * | 2022-07-21 | 2022-09-23 | 山东大学 | 一种动力电池组故障在线诊断方法及系统 |
CN115327380A (zh) * | 2021-05-11 | 2022-11-11 | 威马智慧出行科技(上海)股份有限公司 | 电池故障诊断方法、存储介质和电子设备 |
CN115366683A (zh) * | 2022-08-09 | 2022-11-22 | 北京理工大学 | 一种新能源汽车动力电池多维模型融合的故障诊断策略 |
CN115615343A (zh) * | 2022-12-05 | 2023-01-17 | 中汽数据有限公司 | 动力电池安全监测方法、电子设备和存储介质 |
CN115951231A (zh) * | 2023-03-14 | 2023-04-11 | 长安大学 | 基于单体电池电压相关性的汽车动力电池故障预警方法 |
CN116168726A (zh) * | 2023-03-01 | 2023-05-26 | 浙江大学 | 一种基于声信号的电机智能故障诊断方法 |
-
2023
- 2023-07-26 CN CN202310925120.1A patent/CN116968556A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107294494A (zh) * | 2017-07-03 | 2017-10-24 | 上海岩芯电子科技有限公司 | 光伏系统直流侧电弧故障检测装置及其检测方法 |
CN110441695A (zh) * | 2019-08-07 | 2019-11-12 | 南京佑创汽车研究院有限公司 | 一种基于模型和信号处理相结合的电池组多故障综合诊断方法 |
CN112906744A (zh) * | 2021-01-20 | 2021-06-04 | 湖北工业大学 | 一种基于孤立森林算法的故障单体电池识别方法 |
CN113030763A (zh) * | 2021-02-20 | 2021-06-25 | 武汉云衡智能科技有限公司 | 一种车用动力电池一致性差异的潜在风险诊断系统 |
CN115327380A (zh) * | 2021-05-11 | 2022-11-11 | 威马智慧出行科技(上海)股份有限公司 | 电池故障诊断方法、存储介质和电子设备 |
CN115097319A (zh) * | 2022-07-21 | 2022-09-23 | 山东大学 | 一种动力电池组故障在线诊断方法及系统 |
CN115366683A (zh) * | 2022-08-09 | 2022-11-22 | 北京理工大学 | 一种新能源汽车动力电池多维模型融合的故障诊断策略 |
CN115615343A (zh) * | 2022-12-05 | 2023-01-17 | 中汽数据有限公司 | 动力电池安全监测方法、电子设备和存储介质 |
CN116168726A (zh) * | 2023-03-01 | 2023-05-26 | 浙江大学 | 一种基于声信号的电机智能故障诊断方法 |
CN115951231A (zh) * | 2023-03-14 | 2023-04-11 | 长安大学 | 基于单体电池电压相关性的汽车动力电池故障预警方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115097319B (zh) * | 2022-07-21 | 2024-05-17 | 山东大学 | 一种动力电池组故障在线诊断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111340238B (zh) | 一种工业系统的故障诊断方法、装置、设备及存储介质 | |
US6950782B2 (en) | Model-based intelligent diagnostic agent | |
CN111339712B (zh) | 质子交换膜燃料电池剩余寿命预测方法 | |
CN102177049B (zh) | 用于车辆故障诊断的基准值的生成 | |
CN112373352B (zh) | 一种燃料电池系统故障诊断及容错控制方法 | |
US7308385B2 (en) | Diagnostic systems and methods for predictive condition monitoring | |
US8554403B2 (en) | Vehicle failure diagnostic device | |
KR20190107080A (ko) | 클라우드 기반 차량 고장 진단 방법, 장치 및 시스템 | |
US20040078171A1 (en) | Diagnostic systems and methods for predictive condition monitoring | |
CN111823952B (zh) | 电芯温度的诊断方法、存储介质和电子设备 | |
CN111474475B (zh) | 一种电机故障诊断系统及方法 | |
DE112006000819T5 (de) | Diagnose- und Vorhersageverfahren und -system | |
CN112987687B (zh) | 一种云-端融合的智能线控底盘健康监测系统及方法 | |
CN114861827B (zh) | 基于多源数据融合的采煤机预测诊断与健康管理方法 | |
CN110261771B (zh) | 一种基于传感器互补性分析的故障诊断方法 | |
CN112861350B (zh) | 一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法 | |
CN107942943A (zh) | 一种基于多源信息融合的高端数控装备状态识别方法 | |
CN115809435B (zh) | 基于模拟器的汽车运行故障识别方法 | |
CN116010900A (zh) | 基于自注意力机制的多尺度特征融合齿轮箱故障诊断方法 | |
CN115828466A (zh) | 一种基于宽核卷积的风机主轴部件故障预测方法 | |
CN114372489A (zh) | 一种柴油机工况识别与异常诊断方法 | |
CN114444582A (zh) | 基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法 | |
US7136779B2 (en) | Method for simplified real-time diagnoses using adaptive modeling | |
CN115079663A (zh) | 一种基于数字孪生技术的车辆动力系统的监控方法及装置 | |
CN116968556A (zh) | 一种基于模糊熵的动力与储能电池故障诊断方法 |
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 |