CN117007984A - 一种电池包运行故障动态监测方法及系统 - Google Patents
一种电池包运行故障动态监测方法及系统 Download PDFInfo
- Publication number
- CN117007984A CN117007984A CN202311254144.5A CN202311254144A CN117007984A CN 117007984 A CN117007984 A CN 117007984A CN 202311254144 A CN202311254144 A CN 202311254144A CN 117007984 A CN117007984 A CN 117007984A
- Authority
- CN
- China
- Prior art keywords
- temperature
- module
- cooler
- fault
- battery pack
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims description 122
- 239000013598 vector Substances 0.000 claims description 53
- 238000012549 training Methods 0.000 claims description 27
- 238000013507 mapping Methods 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 6
- 230000004927 fusion Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000010191 image analysis Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 11
- 239000000428 dust Substances 0.000 description 10
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000001816 cooling Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000000903 blocking effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000007599 discharging Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- H01M10/4207—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells for several batteries or cells simultaneously or sequentially
-
- 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
- H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
- H01M10/482—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte for several batteries or cells simultaneously or sequentially
-
- 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
- H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
- H01M10/486—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte for measuring temperature
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Power Engineering (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Transportation (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mechanical Engineering (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Sustainable Energy (AREA)
- General Engineering & Computer Science (AREA)
- Sustainable Development (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种电池包运行故障动态监测方法及系统,属于电池安全管理领域,其中方法包括:在电池包内设置温度传感器阵列、风量传感器阵列和CCD图像传感器,分别采集电池模组温度、冷却器风量和冷却器图像数据;基于多源传感器的数据,利用温度监测和风量预测电池温度,计算温控评分进行初步故障检测;针对检测到的故障,利用图像处理技术对冷却器进行状态监测和故障分析,最终修正温度故障检测结果。本申请解决了现有技术中电池包故障检测精度不高的技术问题,达到了通过多源传感器融合与图像分析提高电池包故障检测精度的技术效果。
Description
技术领域
本发明涉及电池安全管理领域,具体涉及一种电池包运行故障动态监测方法及系统。
背景技术
电动汽车作为新能源汽车的重要形式,其电池包对车辆的安全性和可靠性有着举足轻重的影响。随着电动汽车的快速发展,对电池包的故障检测与安全控制提出了更高的要求。在现有技术中,针对电池包的故障检测主要采用单一的温度传感器监测电池温度变化,当温度超过阈值时判断为故障。但是,由于电池温度的变化与外界环境和使用条件等多种因素相关,单纯依靠温度阈值判断容易产生误报和漏报,导致电池包故障检测精度不高的问题。
发明内容
本申请通过提供了一种电池包运行故障动态监测方法及系统,旨在解决现有技术中电池包故障检测精度不高的技术问题。
鉴于上述问题,本申请提供了一种电池包运行故障动态监测方法及系统。
本申请公开的第一个方面,提供了一种电池包运行故障动态监测方法,该方法包括:在电池包运行时,采用传感器阵列内的温度传感器阵列,采集多个电池模组在多个时间窗口的温度,获得多个模组温度序列;采用传感器阵列内的风量传感器阵列,采集冷却器的在多个时间窗口内的风量,获得风量序列;根据多个模组温度序列,构建模组温度矩阵,结合风量序列,进行模组温度预测,获得预测模组温度矩阵;接入电动汽车的电池动力系统,获取电池包的放电倍率,根据放电倍率下电池包的额定温度,对预测模组温度矩阵进行计算,获得电池包的温控评分,并经过故障分类器进行处理分类,获得第一温度故障监测结果;在第一温度故障监测结果为出现故障时,通过传感器阵列内的CCD传感器,采集冷却器出风口的冷却器图像;对冷却器图像进行灰度化处理,按照预设局部区域大小,对冷却器图像内的多个感兴趣区域进行划分,并根据灰度值大小进行局部向量转化处理,获得局部区域向量集合;根据局部区域向量集合,计算获得冷却器故障参数,并映射获得对应的冷却器故障等级;对第一温度故障监测结果进行修正,获得第二温度故障监测结果。
本申请公开的另一个方面,提供了一种电池包运行故障动态监测系统,该系统包括:温度序列获取模块,用于在电池包运行时,采用传感器阵列内的温度传感器阵列,采集多个电池模组在多个时间窗口的温度,获得多个模组温度序列;风量序列获取模块,用于采用传感器阵列内的风量传感器阵列,采集冷却器的在多个时间窗口内的风量,获得风量序列;模组温度预测模块,用于根据多个模组温度序列,构建模组温度矩阵,结合风量序列,进行模组温度预测,获得预测模组温度矩阵;第一监测结果模块,用于接入电动汽车的电池动力系统,获取电池包的放电倍率,根据放电倍率下电池包的额定温度,对预测模组温度矩阵进行计算,获得电池包的温控评分,并经过故障分类器进行处理分类,获得第一温度故障监测结果;冷却器图像采集模块,用于在第一温度故障监测结果为出现故障时,通过传感器阵列内的CCD传感器,采集冷却器出风口的冷却器图像;局部向量转化模块,用于对冷却器图像进行灰度化处理,按照预设局部区域大小,对冷却器图像内的多个感兴趣区域进行划分,并根据灰度值大小进行局部向量转化处理,获得局部区域向量集合;冷却器故障等级模块,用于根据局部区域向量集合,计算获得冷却器故障参数,并映射获得对应的冷却器故障等级,第二监测结果模块,用于对第一温度故障监测结果进行修正,获得第二温度故障监测结果。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了在电池包内设置温度传感器阵列、风量传感器阵列和图像传感器,以采集电池温度、冷却器风量和冷却器图像多源数据;通过分析电池温度监测数据和风量数据来预测电池温度,计算温控评分进行初步故障检测,实现电池温度异常的监测;在检测到温度故障时,利用图像传感器采集冷却器图像,通过图像处理分析冷却器运行状态和故障,最终修正温度故障检测结果的技术方案,解决了现有技术中电池包故障检测精度不高的技术问题,达到了通过多源传感器融合与图像分析提高电池包故障检测精度的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种电池包运行故障动态监测方法的流程示意图;
图2为本申请实施例提供了一种电池包运行故障动态监测方法中获得冷却器故障参数的流程示意图;
图3为本申请实施例提供了一种电池包运行故障动态监测系统的结构示意图。
附图标记说明:温度序列获取模块11,风量序列获取模块12,模组温度预测模块13,第一监测结果模块14,冷却器图像采集模块15,局部向量转化模块16,冷却器故障等级模块17,第二监测结果模块18。
具体实施方式
本申请提供的技术方案总体思路如下:
本申请实施例提供了一种电池包运行故障动态监测方法及系统。首先,在电池包内设置温度传感器阵列、风量传感器阵列和图像传感器,以采集电池温度、冷却器风量和冷却器图像多源数据。其次,通过分析电池温度监测数据和风量数据来预测电池温度,计算温控评分进行初步故障检测,实现电池温度异常的监测。然后,在检测到温度故障时,利用图像传感器采集冷却器图像,通过图像处理分析冷却器运行状态和故障,最终修正温度故障检测结果。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种电池包运行故障动态监测方法,该方法应用于一电池包运行故障检测装置,该装置内包括具有多个电池模组的电池包、冷却器、布设于多个电池模组和冷却器上的传感器阵列。
在本申请实施例中提供一种电池包运行故障动态监测方法,该方法应用于一种电池包运行故障检测装置。在该装置中,包含有多个电池模组的电池包、冷却器、布设于多个电池模组和冷却器上的传感器阵列。
多个电池模组是多个电池单元连接组合而成的电池组件,用于提供电力;电池包是将多个电池模组装配封装在一起,形成一个整体电池组;冷却器是通过风扇吹送空气实现冷却效果的装置,其在电池包中用于对电池模组进行制冷,防止电池过热。传感器阵列是多种传感器排布组合而成的传感器网络,该传感器阵列布设于电池模组和冷却器上,用于实时监测其运行状态。
故障动态监测方法包括:
在所述电池包运行时,采用所述传感器阵列内的温度传感器阵列,采集所述多个电池模组在多个时间窗口的温度,获得多个模组温度序列;
在本申请实施例中,当电池包处于运行状态时,利用传感器阵列中的温度传感器阵列来采集多个电池模组的温度信息。温度传感器阵列是由多组温度传感器组合而成,用以检测电池模组表面温度的传感器网络。其中的每一个温度传感器采用热电偶、热敏电阻等温度检测元件。
在电池包的正常工作过程中,温度传感器阵列定期检测每个电池模组的表面温度,并在多个采样时间窗口内收集温度读数。例如在10分钟的时间窗口内每隔1分钟检测一次温度。然后,获得每个电池模组在不同时间窗口内的温度变化序列,即多个模组温度序列,反映电池模组的温升曲线,是判断电池热失控故障的重要依据。
获得模组温度序列之后,后续步骤根据这些序列构建温度矩阵,并进行温度预测、异常判断,以实现对电池温度故障的智能监测与预警。
采用所述传感器阵列内的风量传感器阵列,采集所述冷却器的在多个时间窗口内的风量,获得风量序列;
在本申请实施例中,利用传感器阵列中的风量传感器阵列来检测冷却器在多个时间窗口内的风量信息,获得风量序列数据。其中,风量传感器阵列是指多组风量传感器设置在冷却器出风口附近,用以实时监测冷却风量的传感器网络。风量传感器采用微型风速仪、热线风速传感器等设备。
在电池包运行过程中,风量传感器阵列定期检测冷却器吹出风口的风速,并在设置的多个时间窗口内采集风量读数。例如每10分钟内每1分钟检测一次。从而获得冷却器在不同时间窗口内的风量数值序列,构成风量序列,反映冷却器风扇的工作状态,是判断冷却系统故障的关键信息源。
风量序列数据采集完成后,后续步骤根据风量序列与温度序列共同进行温度预测和故障分析,提高电池故障检测的准确性。
根据所述多个模组温度序列,构建模组温度矩阵,结合所述风量序列,进行模组温度预测,获得预测模组温度矩阵;
在本申请实施例中,根据获得的多个模组温度序列,构建模组温度矩阵,并结合风量序列,进行模组温度的预测,最终获得预测的模组温度矩阵。模组温度矩阵是指以模组为行,以时间窗口为列,按照温度序列中的温度值,构建出的矩阵数据结构。矩阵中的每个元素表示一个模组在一个时间窗口的温度值。构建温度矩阵的目的是整合所有模组的温度监测数据,便于后续的温度预测分析。
在获得温度矩阵的基础上,结合风量序列,建立温度预测模型,预测每个模组在未来各个时间窗口的温度值,最终输出预测温度矩阵。预测采用机器学习算法,在历史温度矩阵和风量数据的基础上训练模型,并利用训练好的模型进行多步温度预测,例如采用LSTM等递归神经网络构建预测模型。
通过温度预测,得到模组在未来时间内的温变趋势预判,实现对电池温度故障的预测与预警。
接入电动汽车的电池动力系统,获取所述电池包的放电倍率,根据所述放电倍率下电池包的额定温度,对所述预测模组温度矩阵进行计算,获得所述电池包的温控评分,并经过故障分类器进行处理分类,获得第一温度故障监测结果;
在本申请实施例中,通过连接电动汽车的电池动力系统,获取电池包的放电倍率信息。并根据该放电倍率下电池包的额定安全温度范围,对预测获得的模组温度矩阵进行计算,以获取电池包的温控评分。其中,放电倍率是指电池包的放电电流与额定电流的倍率关系,影响电池的发热量以及额定温度范围,电池动力系统实时监控并输出电池的放电倍率;额定温度范围是指在该放电倍率下,允许电池安全工作的温度区间,其峰值和谷值根据放电倍率进行调整。温控评分的计算是通过将预测温度矩阵与额定温度范围进行对比,统计温度超出范围的可能性,评估电池温控的好坏。
温控评分计算完成后,输入到预先训练好的故障分类器中。故障分类器可以采用神经网络模型构建,可以对温控评分进行分析判断,最终输出第一温度故障监测结果,该监测结果可以判断出电池组是否出现温度异常或故障,并给出故障的严重等级,为后续冷却器故障判断提供依据。
在所述第一温度故障监测结果为出现故障时,通过所述传感器阵列内的CCD传感器,采集所述冷却器出风口的冷却器图像;
在本申请实施例中,冷却器出风口过多的灰尘堆积会降低出风效果,导致冷却不佳,进而导致电池组温度异常。因此,当第一温度故障监测结果判断出电池组存在温度异常或故障时,会触发冷却器出风口图像的采集。图像采集是通过传感器阵列中的CCD图像传感器实现,CCD传感器具有高灵敏度、高信噪比的特征,可以捕捉高质量的图像。图像采集时,CCD传感器对准冷却器的出风口进行拍摄,获取冷却器出风口的冷却器图像,用于检查出风口附近区域的灰尘污染情况,来判断灰尘堆积是否是导致冷却异常的原因,为精确定位温控故障原因提供依据。
对所述冷却器图像进行灰度化处理,按照预设局部区域大小,对冷却器图像内的多个感兴趣区域进行划分,并根据灰度值大小进行局部向量转化处理,获得局部区域向量集合;
在本申请实施例中,首选,计算采集到的冷却器的RGB图像中三通道数值的加权平均,得到灰度值灰度图像,实现灰度化处理,消除颜色信息,简化特征提取。然后,根据出风口的实际大小参数,预设确定局部区域的分割大小。接着,将灰度图内的多个出风口区域确定为感兴趣区域,按照预设大小将这些感兴趣区域进行分割,得到多个局部小区域。最后,对每个局部小区域内的像素灰度值进行分析,根据灰度值的大小差异转换为0或1的二值向量。最终,整合所有局部区域的向量,获得局部区域向量集合,反映每个局部区域的灰度特征,用于后续识别区域内的灰尘覆盖情况,为冷却器故障原因诊断提供了基础。
根据所述局部区域向量集合,计算获得冷却器故障参数,并映射获得对应的冷却器故障等级;
在本申请实施例中,基于获得的冷却器图像局部区域向量集合,计算出冷却器的故障参数,并根据该参数映射得到冷却器对应的故障等级。冷却器故障参数是通过对局部区域向量进行统计分析得到的,反映冷却器出风口区域的灰尘分布情况。具体来说,统计每个局部区域向量中取值为1的数量,表示区域灰尘覆盖程度,然后将其与距离出风口中心的距离进行加权计算,获得故障参数。故障参数的大小与出风口堵塞程度对应,参数越大表示堵塞越严重。
得到冷却器故障参数后,进行匹配查询,根据参数大小映射到预设的冷却器故障等级。例如,将故障等级分为轻微、中等和严重等。从而实现从图像特征向量到故障参数再到故障等级的转换,完成了冷却器状态的识别与判断,为后续故障诊断提供支持。
对所述第一温度故障监测结果进行修正,获得第二温度故障监测结果。
在本申请实施例中,对第一温度故障监测结果进行修正,最终获得第二温度故障监测结果。第一温度故障监测结果是根据电池温度预测得到的结果。
将冷却器的故障程度与第一温度故障结果进行综合,对第一结果进行修正,使最终的第二温度故障监测结果更加准确可靠。具体来说,在一种可行的实施例中,可以将冷却器故障等级转换为修正系数,与第一温度故障结果直接相乘,得到修正后的第二温度故障监测结果。在另一种可行的实施例中,冷却器的为数字表达,根据此种冷却器故障等级,直接与第一温度故障监测结果相乘,得到修正后的第二温度故障监测结果。
整个监测分析通过温度预测与冷却器图像识别的双重验证,获取更精准可靠的电池温控故障检测结果。
进一步的,本申请实施例还包括:
以多个模组为行属性,以多个时间窗口为列属性,根据所述多个模组温度序列,构建所述模组温度矩阵;
根据电池包的温度监测数据日志,进行矩阵变换,获取样本模组温度矩阵记录、样本风量序列记录和样本预测模组温度矩阵记录;
采用所述样本模组温度矩阵记录、样本风量序列记录和样本预测模组温度矩阵记录,训练模组温度预测通道;
将所述模组温度矩阵和风量序列输入所述模组温度预测通道,获得所述预测模组温度矩阵,如下式:
;
其中,A为预测模组温度矩阵,为第i个电池模组在第j个时间窗口的预测模组温度。
在一种可行的实施方式中,根据多个模组温度序列构建模组温度矩阵,并进行模组温度预测。
首先,根据多个模组温度序列来构建模组温度矩阵,以将分散的温度序列整合为一个矩阵数据结构,便于后续的分析处理,其中,矩阵的行属性对应多个模组,列属性对应多个时间窗口,矩阵元素的值即为每个模组在每个时间窗口的温度值。然后,是从电池包的历史温度监测日志数据中,提取出样本模组温度矩阵、风量序列、预测温度矩阵作为训练数据,用来训练温度预测模型。
接着,采用LSTM构建温度预测的模型架构,提取样本数据中的特征输入和目标输出,将样本模组温度矩阵和风量序列作为模型输入,样本预测温度矩阵作为模型训练目标输出。继而,将样本数据喂入模型,进行迭代训练,调整参数直至损失函数最小化,得到训练好的模组温度预测模型。然后,使用训练好的温度预测通道,将构建好的模组温度矩阵和采集到的风量序列作为输入,经过预测通道计算输出最终的预测模组温度矩阵为:,其中,A为预测模组温度矩阵,/>为第i个电池模组在第j个时间窗口的预测模组温度。
进一步的,本申请实施例还包括:
构建模组温度预测通道;
构建损失函数,如下式:
;
其中,LOSS为损失,M为样本模组温度矩阵记录、样本风量序列记录和样本预测模组温度矩阵记录内的数据数量,
为第n组训练数据训练中,模组温度预测通道输出的预测模组温度矩阵内的元素和样本预测模组温度矩阵内对应元素的差值绝对值的平均值之和;
根据损失函数,采用所述样本模组温度矩阵记录、样本风量序列记录和样本预测模组温度矩阵记录进行训练,直到损失值小于损失阈值,训练收敛。
在一种优选的实施例中,首选,选择合适的机器学习模型架构,例如选择循环神经网络RNN或LSTM等架构;定义网络输入输出,输入为模组温度矩阵和风量序列,输出为预测的未来温度矩阵;设计网络拓扑结构,包含输入层、多层LSTM网络层、全连接层等;配置参数如学习率、迭代次数,优化算法等,从而实现模组温度预测通道的构建。
然后,构建网络模型的损失函数为;其中,LOSS为损失,M为样本模组温度矩阵记录、样本风量序列记录和样本预测模组温度矩阵记录内的数据数量,/>为第n组训练数据训练中,模组温度预测通道输出的预测模组温度矩阵内的元素和样本预测模组温度矩阵内对应元素的差值绝对值的平均值之和;其中,预测输出与目标输出越接近,差值绝对值越小,LOSS也就越小。
接着,将历史日志中的样本温度矩阵、风量序列和对应预测矩阵提取出来,进行小批量组织,以分批方式输入模型,模型接收输入后,通过前向计算产生每批数据的预测输出温度矩阵。随后,根据构建的损失函数计算预测矩阵与样本目标矩阵之间设计的损失函数值,利用反向传播算法计算损失相对模型参数的梯度。根据梯度信息,采用Adam优化算法迭代更新模型参数,重复进行多轮迭代训练模型。每轮训练结束后判断损失是否低于预设损失阈值,当损失收敛小于阈值时,训练结束,保存模型参数。否则继续新一轮迭代。训练目标是最小化损失函数,使预测输出尽量逼近样本目标,从而获得了可靠的模组温度预测模型。
进一步的,本申请实施例还包括:
获取所述额定温度内的温度谷值和温度峰值;
根据所述预测模组温度矩阵,结合所述温度谷值和温度峰值,计算获得i个模组温控评分,如下式:
;
;
;
其中,为第i个电池模组的模组温控评分,/>为温度谷值,/>为温度峰值,为预测模组温度矩阵内第i个电池模组在将来第k个时间窗口的预测模组温度;
根据所述i个模组温控评分,加权计算获得所述温控评分。
在一种优选的实施方式中,首先,确定放电倍率,查询预设的电池温度范围参数表,其中包含不同放电倍率下的温度区间,在参数表中查找对应当前放电倍率的温度范围记录,提取该记录的温度谷值和温度峰值。
同时,构建模组温控评分的公式为:
;
;
;
其中,为第i个电池模组的模组温控评分,/>为温度谷值,/>为温度峰值,为预测模组温度矩阵内第i个电池模组在将来第k个时间窗口的预测模组温度;
遍历预测温度矩阵,读取第i个模组在各个时间窗口的温度值,将/>与/>进行差值计算,再除以/>,然后将每个时间窗口/>进行求和,得到/>,表示与温度谷值的偏差程度;同理,得到/>,表示与温度峰值的偏差程度。随后,计算/>与的比值,作为最终模组i的温控评分/>。重复上述流程,依次计算每个模组的温控评分。
然后,根据电池包的设计参数,确定每个电池模组的容量大小,计算每个模组占总电池包的容量比例作为权重,对每个模组的温控评分进行加权,对所有模组的加权温控评分求和,得到电池包的总体温控评分,为后续判断温度故障状态提供依据。
进一步的,本申请实施例还包括:
对所述冷却器图像进行灰度化处理,获得灰度化图像;
根据所述冷却器内的出风口大小,设置获得所述预设局部区域大小;
将所述灰度化图像内的多个出风口区域标记为感兴趣区域,按照所述预设局部区域大小,对所述灰度化图像内的多个感兴趣区域进行划分,获得多个局部区域;
判断所述多个局部区域内每个像素点的灰度值是否大于灰度阈值,若是,标记为1,若否,标记为0,获得所述局部区域向量集合,每个局部区域向量内包括多位为0或1的数值。
在一种优选的实施方式中,首先,读取RGB格式的冷却器图像,创建存储灰度图像的矩阵,遍历图像的高度和宽度,对每个像素执行RGB到灰度的转换,将计算得到的灰度值赋值给灰度图像矩阵对应的像素遍历处理完所有像素后,得到灰度化的冷却器图像。其次,查阅冷却器产品技术资料,获取出风口的尺寸参数规格,例如长度、宽度为20cmx10cm,根据图像采集设备的参数,计算出风口在图像中对应的像素大小,例如出风口面积约为200x100像素。再次,根据经验参数,选取适当的局部区域大小,使其可以有效覆盖出风口区域,比如设置为32x32像素。
接着,根据产品参数,确定出风口的数量以及位置分布,在灰度图像上使用边缘检测算法标注各个出风口的轮廓,作为感兴趣区域。随后,加载预设的局部区域大小参数,如设置的32像素x32像素。遍历每个感兴趣区域,按照预设大小将其等分为网格,得到局部小块。重复对每个感兴趣区域进行分割,直到图像所有出风口区都完成划分。最终获得分割好的多个局部区域。之后,遍历每个分割得到的局部区域,遍历每个小块内的行和列,依次取出每个像素点,读取该像素的灰度值,比对预设的灰度阈值,该灰度阈值根据积灰图像的平均灰度值设置。如果像素点的灰度值是否大于灰度阈值,则在对应向量位置标记1。否则标记0,最终获得局部区域向量集合,每个局部区域向量内包括多位为0或1的数值,反映图像局部区域的灰尘分布情况,为判定出风口灰尘堵塞状态提供依据。
进一步的,如图2所示,本申请实施例还包括:
根据所述局部区域向量集合,统计每个局部区域向量内1的数量,获得多个特征值;
根据所述多个局部区域距离出风口中心的距离,进行权重分配,获得多个权值,其中,权值和与出风口中心的距离大小反相关;
采用多个权值,对多个特征值进行加权计算,获得所述冷却器故障参数。
具体而言,首先,读取图像分割后的局部区域向量集合,遍历每个局部区域的向量,统计当前向量内取值为1的元素数量,将统计得到的数量作为该局部区域对应的特征值,存储到结果数组中,遍历完成后,结果数组包含了每个局部区域的特征值,获得多个特征值。
然后,根据各局部区域与出风口中心的距离,给每个区域指定权重值,距离中心越远,权重越小。接着,将每个局部区域的特征值与对应权重相乘,进行加权求和,即可获得反映冷却器故障程度的数值参数。
通过综合考虑了区域灰尘分布信息和局部区域对出风口影响的距离权重,计算获得冷却器故障参数,为后续判断冷却器故障等级提供基础。
进一步的,本申请实施例还包括:
根据电池组冷却器的历史监测日志数据,获取样本冷却器故障参数记录;
根据所述样本冷却器故障参数记录,评估获得样本冷却器故障等级记录,并构建样本冷却器故障参数记录和样本冷却器故障等级记录的映射关系;
根据所述冷却器故障参数进行映射匹配,获得所述冷却器故障等级。
在一种可行的实施方式中,首先,收集冷却器在过去运行过程中采集并存储的监测日志数据,日志数据中包含了多次监测得到的故障相关参数,如风扇转速、出风温度等。读取日志数据,解析出各个监测样本的数据字段,然后确定哪些字段组合能够表达冷却器故障的状态参数,针对这些字段,使用SQL语言进行聚合,得到各个监测样本对应的故障参数值,将取得的多个历史样本的参数值,组织成标准化格式,得到样本故障参数记录。
然后,对历史样本参数记录进行检查,过滤掉错误或离群数据,由专业人员根据参数大小、组合等,判断每个样本的参数对应的故障等级,如轻微、中等、严重,获得样本冷却器故障等级记录。将人工判断结果作为样本故障等级记录,与参数样本对应,构建样本冷却器故障参数记录和样本冷却器故障等级记录的映射关系。随后,将当前计算得到的冷却器故障参数,与建立的映射关系进行匹配,即可推断出参数对应的故障等级。
通过训练样本建立参数与故障等级之间的映射,再使用该映射关系推理,有效利用先验知识,使冷却器故障等级评估更加可靠。
综上所述,本申请实施例所提供的一种电池包运行故障动态监测方法具有如下技术效果:
在电池包运行时,采用传感器阵列内的温度传感器阵列,采集多个电池模组在多个时间窗口的温度,获得多个模组温度序列,为后续温度预测及故障检测提供基础数据;采用传感器阵列内的风量传感器阵列,采集冷却器的在多个时间窗口内的风量,获得风量序列,为后续的电池温度预测提供影响电池温度的环境参数;根据多个模组温度序列,构建模组温度矩阵,结合风量序列,进行模组温度预测,获得预测模组温度矩阵,为故障检测提供基础信息;接入电动汽车的电池动力系统,获取电池包的放电倍率,根据放电倍率下电池包的额定温度,对预测模组温度矩阵进行计算,获得电池包的温控评分,并经过故障分类器进行处理分类,获得第一温度故障监测结果,实现电池温度异常预判;在第一温度故障监测结果为出现故障时,通过传感器阵列内的CCD传感器,采集冷却器出风口的冷却器图像,为后续冷却器状态检测提供数据源;对冷却器图像进行灰度化处理,按照预设局部区域大小,对冷却器图像内的多个感兴趣区域进行划分,并根据灰度值大小进行局部向量转化处理,获得局部区域向量集合,为冷却器故障检测建模;根据局部区域向量集合,计算获得冷却器故障参数,并映射获得对应的冷却器故障等级,实现冷却器状态评估;对第一温度故障监测结果进行修正,获得第二温度故障监测结果,提高检测的全面性。通过多源数据采集、数据融合分析和图像处理技术有机配合,实现电池温度故障和冷却系统故障的精确检测,达到提高电池包故障检测精度的效果。
实施例二
基于与前述实施例中一种电池包运行故障动态监测方法相同的发明构思,如图3所示,本申请实施例提供了一种电池包运行故障动态监测系统,该系统包括:
温度序列获取模块11,用于在所述电池包运行时,采用所述传感器阵列内的温度传感器阵列,采集所述多个电池模组在多个时间窗口的温度,获得多个模组温度序列;
风量序列获取模块12,用于采用所述传感器阵列内的风量传感器阵列,采集所述冷却器的在多个时间窗口内的风量,获得风量序列;
模组温度预测模块13,用于根据所述多个模组温度序列,构建模组温度矩阵,结合所述风量序列,进行模组温度预测,获得预测模组温度矩阵;
第一监测结果模块14,用于接入电动汽车的电池动力系统,获取所述电池包的放电倍率,根据所述放电倍率下电池包的额定温度,对所述预测模组温度矩阵进行计算,获得所述电池包的温控评分,并经过故障分类器进行处理分类,获得第一温度故障监测结果;
冷却器图像采集模块15,用于在所述第一温度故障监测结果为出现故障时,通过所述传感器阵列内的CCD传感器,采集所述冷却器出风口的冷却器图像;
局部向量转化模块16,用于对所述冷却器图像进行灰度化处理,按照预设局部区域大小,对冷却器图像内的多个感兴趣区域进行划分,并根据灰度值大小进行局部向量转化处理,获得局部区域向量集合;
冷却器故障等级模块17,用于根据所述局部区域向量集合,计算获得冷却器故障参数,并映射获得对应的冷却器故障等级;
第二监测结果模块18,用于对所述第一温度故障监测结果进行修正,获得第二温度故障监测结果。
进一步的,温度序列获取模块11包括以下执行步骤:
以多个模组为行属性,以多个时间窗口为列属性,根据所述多个模组温度序列,构建所述模组温度矩阵;
根据电池包的温度监测数据日志,进行矩阵变换,获取样本模组温度矩阵记录、样本风量序列记录和样本预测模组温度矩阵记录;
采用所述样本模组温度矩阵记录、样本风量序列记录和样本预测模组温度矩阵记录,训练模组温度预测通道;
将所述模组温度矩阵和风量序列输入所述模组温度预测通道,获得所述预测模组温度矩阵,如下式:
将所述模组温度矩阵和风量序列输入所述模组温度预测通道,获得所述预测模组温度矩阵,如下式:
;
其中,A为预测模组温度矩阵,为第i个电池模组在第j个时间窗口的预测模组温度。
进一步的,温度序列获取模块11还包括以下执行步骤:
构建模组温度预测通道;
构建损失函数,如下式:
;
其中,LOSS为损失,M为样本模组温度矩阵记录、样本风量序列记录和样本预测模组温度矩阵记录内的数据数量,为第n组训练数据训练中,模组温度预测通道输出的预测模组温度矩阵内的元素和样本预测模组温度矩阵内对应元素的差值绝对值的平均值之和;
根据损失函数,采用所述样本模组温度矩阵记录、样本风量序列记录和样本预测模组温度矩阵记录进行训练,直到损失值小于损失阈值,训练收敛。
进一步的,第一监测结果模块14包括以下执行步骤:
获取所述额定温度内的温度谷值和温度峰值;
根据所述预测模组温度矩阵,结合所述温度谷值和温度峰值,计算获得i个模组温控评分,如下式:
;
;
;
其中,为第i个电池模组的模组温控评分,/>为温度谷值,/>为温度峰值,/>为预测模组温度矩阵内第i个电池模组在将来第k个时间窗口的预测模组温度;
根据所述i个模组温控评分,加权计算获得所述温控评分。
进一步的,局部向量转化模块16包括以下执行步骤:
对所述冷却器图像进行灰度化处理,获得灰度化图像;
根据所述冷却器内的出风口大小,设置获得所述预设局部区域大小;
将所述灰度化图像内的多个出风口区域标记为感兴趣区域,按照所述预设局部区域大小,对所述灰度化图像内的多个感兴趣区域进行划分,获得多个局部区域;
判断所述多个局部区域内每个像素点的灰度值是否大于灰度阈值,若是,标记为1,若否,标记为0,获得所述局部区域向量集合,每个局部区域向量内包括多位为0或1的数值。
进一步的,冷却器故障等级模块17包括以下执行步骤:
根据所述局部区域向量集合,统计每个局部区域向量内1的数量,获得多个特征值;
根据所述多个局部区域距离出风口中心的距离,进行权重分配,获得多个权值,其中,权值和与出风口中心的距离大小反相关;
采用多个权值,对多个特征值进行加权计算,获得所述冷却器故障参数。
进一步的,冷却器故障等级模块17还包括以下执行步骤:
根据电池组冷却器的历史监测日志数据,获取样本冷却器故障参数记录;
根据所述样本冷却器故障参数记录,评估获得样本冷却器故障等级记录,并构建样本冷却器故障参数记录和样本冷却器故障等级记录的映射关系;
根据所述冷却器故障参数进行映射匹配,获得所述冷却器故障等级。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中,并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法,在此不做多余限制。
进一步的,综上所述的第一或第二可能不止代表次序关系,也可能代表某项特指概念,和/或指的是多个元素之间可单独或全部选择。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (8)
1.一种电池包运行故障动态监测方法,其特征在于,所述方法应用于一电池包运行故障检测装置,所述装置内包括具有多个电池模组的电池包、冷却器、布设于所述多个电池模组和冷却器上的传感器阵列,所述方法包括:
在所述电池包运行时,采用所述传感器阵列内的温度传感器阵列,采集所述多个电池模组在多个时间窗口的温度,获得多个模组温度序列;
采用所述传感器阵列内的风量传感器阵列,采集所述冷却器的在多个时间窗口内的风量,获得风量序列;
根据所述多个模组温度序列,构建模组温度矩阵,结合所述风量序列,进行模组温度预测,获得预测模组温度矩阵;
接入电动汽车的电池动力系统,获取所述电池包的放电倍率,根据所述放电倍率下电池包的额定温度,对所述预测模组温度矩阵进行计算,获得所述电池包的温控评分,并经过故障分类器进行处理分类,获得第一温度故障监测结果;
在所述第一温度故障监测结果为出现故障时,通过所述传感器阵列内的CCD传感器,采集所述冷却器出风口的冷却器图像;
对所述冷却器图像进行灰度化处理,按照预设局部区域大小,对冷却器图像内的多个感兴趣区域进行划分,并根据灰度值大小进行局部向量转化处理,获得局部区域向量集合;
根据所述局部区域向量集合,计算获得冷却器故障参数,并映射获得对应的冷却器故障等级;
对所述第一温度故障监测结果进行修正,获得第二温度故障监测结果。
2.根据权利要求1所述的方法,其特征在于,根据所述多个模组温度序列,构建模组温度矩阵,结合所述风量序列,进行模组温度预测,获得预测模组温度矩阵,包括:
以多个模组为行属性,以多个时间窗口为列属性,根据所述多个模组温度序列,构建所述模组温度矩阵;
根据电池包的温度监测数据日志,进行矩阵变换,获取样本模组温度矩阵记录、样本风量序列记录和样本预测模组温度矩阵记录;
采用所述样本模组温度矩阵记录、样本风量序列记录和样本预测模组温度矩阵记录,训练模组温度预测通道;
将所述模组温度矩阵和风量序列输入所述模组温度预测通道,获得所述预测模组温度矩阵,如下式:
;
其中,A为预测模组温度矩阵,为第i个电池模组在第j个时间窗口的预测模组温度。
3.根据权利要求2所述的方法,其特征在于,采用所述样本模组温度矩阵记录、样本风量序列记录和样本预测模组温度矩阵记录,训练模组温度预测通道,包括:
构建模组温度预测通道;
构建损失函数,如下式:
;
其中,LOSS为损失,M为样本模组温度矩阵记录、样本风量序列记录和样本预测模组温度矩阵记录内的数据数量,为第n组训练数据训练中,模组温度预测通道输出的预测模组温度矩阵内的元素和样本预测模组温度矩阵内对应元素的差值绝对值的平均值之和;
根据损失函数,采用所述样本模组温度矩阵记录、样本风量序列记录和样本预测模组温度矩阵记录进行训练,直到损失值小于损失阈值,训练收敛。
4.根据权利要求2所述的方法,其特征在于,根据所述放电倍率下电池包的额定温度,对所述预测模组温度矩阵进行计算,获得所述电池包的温控评分,包括:
获取所述额定温度内的温度谷值和温度峰值;
根据所述预测模组温度矩阵,结合所述温度谷值和温度峰值,计算获得i个模组温控评分,如下式:
;
;
;
其中,为第i个电池模组的模组温控评分,/>为温度谷值,/>为温度峰值,/>为预测模组温度矩阵内第i个电池模组在将来第k个时间窗口的预测模组温度;
根据所述i个模组温控评分,加权计算获得所述温控评分。
5.根据权利要求1所述的方法,其特征在于,对所述冷却器图像进行灰度化处理,按照预设局部区域大小,对冷却器图像内的多个感兴趣区域进行划分,并根据灰度值大小进行局部向量转化处理,包括:
对所述冷却器图像进行灰度化处理,获得灰度化图像;
根据所述冷却器内的出风口大小,设置获得所述预设局部区域大小;
将所述灰度化图像内的多个出风口区域标记为感兴趣区域,按照所述预设局部区域大小,对所述灰度化图像内的多个感兴趣区域进行划分,获得多个局部区域;
判断所述多个局部区域内每个像素点的灰度值是否大于灰度阈值,若是,标记为1,若否,标记为0,获得所述局部区域向量集合,每个局部区域向量内包括多位为0或1的数值。
6.根据权利要求5所述的方法,其特征在于,根据所述局部区域向量集合,计算获得冷却器故障参数,包括:
根据所述局部区域向量集合,统计每个局部区域向量内1的数量,获得多个特征值;
根据所述多个局部区域距离出风口中心的距离,进行权重分配,获得多个权值,其中,权值和与出风口中心的距离大小反相关;
采用多个权值,对多个特征值进行加权计算,获得所述冷却器故障参数。
7.根据权利要求1所述的方法,其特征在于,所述方法包括:
根据电池组冷却器的历史监测日志数据,获取样本冷却器故障参数记录;
根据所述样本冷却器故障参数记录,评估获得样本冷却器故障等级记录,并构建样本冷却器故障参数记录和样本冷却器故障等级记录的映射关系;
根据所述冷却器故障参数进行映射匹配,获得所述冷却器故障等级。
8.一种电池包运行故障动态监测系统,其特征在于,用于实施权利要求1-7任意一项所述的一种电池包运行故障动态监测方法,所述系统包括:
温度序列获取模块,所述温度序列获取模块用于在所述电池包运行时,采用所述传感器阵列内的温度传感器阵列,采集所述多个电池模组在多个时间窗口的温度,获得多个模组温度序列;
风量序列获取模块,所述风量序列获取模块用于采用所述传感器阵列内的风量传感器阵列,采集所述冷却器的在多个时间窗口内的风量,获得风量序列;
模组温度预测模块,所述模组温度预测模块用于根据所述多个模组温度序列,构建模组温度矩阵,结合所述风量序列,进行模组温度预测,获得预测模组温度矩阵;
第一监测结果模块,所述第一监测结果模块用于接入电动汽车的电池动力系统,获取所述电池包的放电倍率,根据所述放电倍率下电池包的额定温度,对所述预测模组温度矩阵进行计算,获得所述电池包的温控评分,并经过故障分类器进行处理分类,获得第一温度故障监测结果;
冷却器图像采集模块,所述冷却器图像采集模块用于在所述第一温度故障监测结果为出现故障时,通过所述传感器阵列内的CCD传感器,采集所述冷却器出风口的冷却器图像;
局部向量转化模块,所述局部向量转化模块用于对所述冷却器图像进行灰度化处理,按照预设局部区域大小,对冷却器图像内的多个感兴趣区域进行划分,并根据灰度值大小进行局部向量转化处理,获得局部区域向量集合;
冷却器故障等级模块,所述冷却器故障等级模块用于根据所述局部区域向量集合,计算获得冷却器故障参数,并映射获得对应的冷却器故障等级,
第二监测结果模块,所述第二监测结果模块用于对所述第一温度故障监测结果进行修正,获得第二温度故障监测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311254144.5A CN117007984B (zh) | 2023-09-27 | 2023-09-27 | 一种电池包运行故障动态监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311254144.5A CN117007984B (zh) | 2023-09-27 | 2023-09-27 | 一种电池包运行故障动态监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117007984A true CN117007984A (zh) | 2023-11-07 |
CN117007984B CN117007984B (zh) | 2023-12-15 |
Family
ID=88567506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311254144.5A Active CN117007984B (zh) | 2023-09-27 | 2023-09-27 | 一种电池包运行故障动态监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117007984B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117539717A (zh) * | 2023-11-23 | 2024-02-09 | 国网黑龙江省电力有限公司牡丹江供电公司 | 一种基于数据分析的器件工况智能监管系统及方法 |
CN117892095A (zh) * | 2024-03-14 | 2024-04-16 | 山东泰开电力电子有限公司 | 一种储能系统用的散热系统故障智能检测方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103269128A (zh) * | 2013-05-17 | 2013-08-28 | 郑州华力信息技术有限公司 | 变压器负荷智能监控方法 |
JP2018110072A (ja) * | 2017-01-04 | 2018-07-12 | プライムアースEvエナジー株式会社 | 二次電池の制御装置及び二次電池の制御方法 |
CN111751763A (zh) * | 2020-06-08 | 2020-10-09 | 武汉大学 | 一种基于GSMallat-NIN-CNN网络的电力变压器绕组故障诊断方法 |
US20210020360A1 (en) * | 2019-07-15 | 2021-01-21 | Wuhan University | Internal thermal fault diagnosis method of oil-immersed transformer based on deep convolutional neural network and image segmentation |
CN113300027A (zh) * | 2021-04-19 | 2021-08-24 | 江苏大学 | 一种基于预测控制的动力电池热管理系统及其控制方法 |
CN113609901A (zh) * | 2021-06-25 | 2021-11-05 | 国网山东省电力公司泗水县供电公司 | 一种输变电设备故障监测方法及系统 |
CN113988518A (zh) * | 2021-09-27 | 2022-01-28 | 国网河北省电力有限公司雄安新区供电公司 | 用于多源信息融合分析的配网设备健康诊断方法 |
CN114152880A (zh) * | 2022-02-08 | 2022-03-08 | 湖南大学 | 一种软包电池传感器故障在线检测方法 |
CN114861985A (zh) * | 2022-04-12 | 2022-08-05 | 清华珠三角研究院 | 基于开放神经网络交换算法的冰害预警方法、系统和介质 |
CN115689988A (zh) * | 2022-08-26 | 2023-02-03 | 华能新能源股份有限公司山西分公司 | 一种基于热成像技术监测齿轮箱温度变化的方法及系统 |
CN116714474A (zh) * | 2023-07-20 | 2023-09-08 | 柜电智能(深圳)有限公司 | 一种换电柜运行智能监控管理系统及换电柜 |
-
2023
- 2023-09-27 CN CN202311254144.5A patent/CN117007984B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103269128A (zh) * | 2013-05-17 | 2013-08-28 | 郑州华力信息技术有限公司 | 变压器负荷智能监控方法 |
JP2018110072A (ja) * | 2017-01-04 | 2018-07-12 | プライムアースEvエナジー株式会社 | 二次電池の制御装置及び二次電池の制御方法 |
US20210020360A1 (en) * | 2019-07-15 | 2021-01-21 | Wuhan University | Internal thermal fault diagnosis method of oil-immersed transformer based on deep convolutional neural network and image segmentation |
CN111751763A (zh) * | 2020-06-08 | 2020-10-09 | 武汉大学 | 一种基于GSMallat-NIN-CNN网络的电力变压器绕组故障诊断方法 |
CN113300027A (zh) * | 2021-04-19 | 2021-08-24 | 江苏大学 | 一种基于预测控制的动力电池热管理系统及其控制方法 |
CN113609901A (zh) * | 2021-06-25 | 2021-11-05 | 国网山东省电力公司泗水县供电公司 | 一种输变电设备故障监测方法及系统 |
CN113988518A (zh) * | 2021-09-27 | 2022-01-28 | 国网河北省电力有限公司雄安新区供电公司 | 用于多源信息融合分析的配网设备健康诊断方法 |
CN114152880A (zh) * | 2022-02-08 | 2022-03-08 | 湖南大学 | 一种软包电池传感器故障在线检测方法 |
CN114861985A (zh) * | 2022-04-12 | 2022-08-05 | 清华珠三角研究院 | 基于开放神经网络交换算法的冰害预警方法、系统和介质 |
CN115689988A (zh) * | 2022-08-26 | 2023-02-03 | 华能新能源股份有限公司山西分公司 | 一种基于热成像技术监测齿轮箱温度变化的方法及系统 |
CN116714474A (zh) * | 2023-07-20 | 2023-09-08 | 柜电智能(深圳)有限公司 | 一种换电柜运行智能监控管理系统及换电柜 |
Non-Patent Citations (3)
Title |
---|
周文谊等: "基于信息融合的太阳电池阵列故障研究", 电源技术, vol. 40, no. 20 * |
杨维翰, 王培珍, 周雷: "太阳能光伏阵列故障诊断的研究", 安徽工业大学学报(自然科学版), no. 04 * |
郭鹏;DAVID INFIELD;杨锡运;: "风电机组齿轮箱温度趋势状态监测及分析方法", 中国电机工程学报, no. 32 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117539717A (zh) * | 2023-11-23 | 2024-02-09 | 国网黑龙江省电力有限公司牡丹江供电公司 | 一种基于数据分析的器件工况智能监管系统及方法 |
CN117539717B (zh) * | 2023-11-23 | 2024-05-14 | 国网黑龙江省电力有限公司牡丹江供电公司 | 一种基于数据分析的器件工况智能监管系统及方法 |
CN117892095A (zh) * | 2024-03-14 | 2024-04-16 | 山东泰开电力电子有限公司 | 一种储能系统用的散热系统故障智能检测方法 |
CN117892095B (zh) * | 2024-03-14 | 2024-05-28 | 山东泰开电力电子有限公司 | 一种储能系统用的散热系统故障智能检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117007984B (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117007984B (zh) | 一种电池包运行故障动态监测方法及系统 | |
US11586913B2 (en) | Power equipment fault detecting and positioning method of artificial intelligence inference fusion | |
CN117093879A (zh) | 一种数据中心智能化运营管理方法及系统 | |
CN112911627B (zh) | 无线网络性能检测方法、装置以及存储介质 | |
CN114312322B (zh) | 车辆检测方法及装置 | |
CN113765179B (zh) | 基于层次聚类及类中心距的云端电池组一致性分析方法 | |
CN112505570A (zh) | 电动汽车的电池健康状态的估计方法 | |
CN117173913B (zh) | 基于不同时段车流量分析的交通控制方法及系统 | |
CN113447828A (zh) | 一种基于贝叶斯神经网络的锂电池温度估计方法及系统 | |
CN114818831A (zh) | 基于多源感知的双向锂离子电池故障检测方法及系统 | |
CN117932501B (zh) | 一种电能表运行状态管理方法和系统 | |
CN117574176B (zh) | 一种bipv光伏玻璃生产工艺优化方法 | |
CN117289168A (zh) | 基于传感器数据和智能算法的产品质量监测系统 | |
CN109709895B (zh) | 一种基于图像阈值设置的机床主轴热误差建模训练方法 | |
CN112598666B (zh) | 一种基于卷积神经网络的电缆隧道异常检测方法 | |
CN116679221A (zh) | 一种电池异常检测、电池维护管理方法和装置 | |
CN115618506A (zh) | 一种单轴联合循环燃气轮机功率的预测方法 | |
CN115616408A (zh) | 电池热管理数据处理方法及系统 | |
CN115659271A (zh) | 传感器异常检测方法、模型训练方法、系统、设备及介质 | |
CN114666525A (zh) | 一种基于asic结构的音视频切换校验系统 | |
CN115841446A (zh) | 一种太阳能集热场故障风险快速检测系统及方法 | |
CN113449809A (zh) | 一种基于kpca-nsvdd的电缆绝缘在线监测方法 | |
CN116150666B (zh) | 储能系统故障检测方法、装置及智能终端 | |
CN116429339B (zh) | 一种新能源电池盒泄露检测方法及系统 | |
CN114994547B (zh) | 基于深度学习和一致性检测的电池包安全状态评估方法 |
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 |