CN117110896B - 一种基于知识图谱的锂离子电池故障检测方法及系统 - Google Patents
一种基于知识图谱的锂离子电池故障检测方法及系统 Download PDFInfo
- Publication number
- CN117110896B CN117110896B CN202311377696.5A CN202311377696A CN117110896B CN 117110896 B CN117110896 B CN 117110896B CN 202311377696 A CN202311377696 A CN 202311377696A CN 117110896 B CN117110896 B CN 117110896B
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- battery
- knowledge
- lithium ion
- 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
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 132
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 132
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 238000003745 diagnosis Methods 0.000 claims abstract description 47
- 238000004458 analytical method Methods 0.000 claims abstract description 40
- 238000000605 extraction Methods 0.000 claims abstract description 27
- 238000004140 cleaning Methods 0.000 claims abstract description 17
- 238000013500 data storage Methods 0.000 claims abstract description 15
- 238000013135 deep learning Methods 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 10
- 238000007619 statistical method Methods 0.000 claims description 9
- 238000003058 natural language processing Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 7
- 230000000306 recurrent effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 239000012634 fragment Substances 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 6
- 230000035882 stress Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000013075 data extraction Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 208000032953 Device battery issue Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method 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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供一种基于知识图谱的锂离子电池故障检测方法及系统，属于深度学习技术领域，包括：确认故障电池品牌，采集锂离子电池故障数据，获取故障电池相关业务文档；构建故障电池诊断知识体系；采集故障电池结构化数据进行数据清洗和数据存储；对应品牌故障电池售后业务文档的非结构化数据，进行知识抽取，将知识信息填入到诊断知识体系中，形成故障特征文本；将实体对齐数据与故障特征文本匹配，生成故障实体；进行知识推理，构建故障电池故障知识图谱；根据故障知识图谱进行故障归因诊断，给出故障诊断结果。本发明为在役电池失效分析提供保证，有效分析故障电池当前故障，为退役锂离子电池的梯次利用提供指导，实现锂离子电池高效利用。
Description
技术领域
本发明涉及深度学习技术领域，尤其涉及一种基于知识图谱的锂离子电池故障检测方法及系统。
背景技术
随着对环境问题的重视，以电动汽车为代表的新能源产业顺应趋势，得到了迅速发展。电池作为电动汽车的核心，其安全问题往往是消费者的关注的首要问题。诱发电池安全问题的电池故障类型众多、故障的原因复杂、故障排查时效低、故障检测困难、维修时间长，因此电池故障诊断存在很多困难，并且也对从事电池维修的从业者提出了较高的要求。
对锂离子电池的故障诊断，主要存在三方面的挑战：首先是电池的故障定位和处理困难，这主要是由于锂离子电池内部化学反应复杂，在故障前期故障表征不够明显所导致的；再者是故障诊断的效率较低，这是由于目前电池故障的诊断还大量依赖于人工诊断以及维修人员的经验，测试手段也比较少，而且缺乏电池全生命周期监测手段；最后是技术门槛较高，锂离子电池故障诊断涉及多学科的专业知识，学习周期较长，有经验的高级人才较为缺乏。
而随着近年来人工智能的兴起，推动了智能算法的技术进步，其中较为代表性的深度学习算法，通过深度学习训练语义分割模型，能够实现智能标记识别，推动知识图谱的生成和应用，为解决目前锂离子电池故障诊断困境提供了思路。
发明内容
本发明提供一种基于知识图谱的锂离子电池故障检测方法及系统，用以解决现有技术中针对锂离子电池故障检测方法存在速度慢、门槛高和识别精度低，且在深度学习方面应用较少的缺陷。
第一方面，本发明提供一种基于知识图谱的锂离子电池故障检测方法，包括：
采集锂离子电池的原始故障数据集合，基于所述原始故障数据集合构建故障电池诊断知识体系；
对所述原始故障数据集合中的结构化数据进行数据清洗和数据存储得到实体对齐数据，对所述原始故障数据集合中的非结构化数据进行知识抽取形成故障特征文本，将所述实体对齐数据与所述故障特征文本进行匹配，生成故障实体；
对所述故障实体进行知识推理，构建锂离子电池故障知识图谱；
将待检测锂离子故障电池输入所述锂离子电池故障知识图谱，输出锂离子电池故障检测结果。
根据本发明提供的一种基于知识图谱的锂离子电池故障检测方法，采集锂离子电池的原始故障数据集合，包括：
确认故障电池品牌，采集锂离子电池故障数据，获取所述故障电池品牌的故障电池关联业务文档。
根据本发明提供的一种基于知识图谱的锂离子电池故障检测方法，基于所述原始故障数据集合构建故障电池诊断知识体系，包括：
确定所述故障电池诊断知识体系包括数据层、服务层和应用层；
所述数据层包括结构化数据、半结构化数据和非结构化数据；
所述服务层包括知识抽取、知识融合、知识推理和知识计算；
所述应用层包括数据统计分析、智能标签标识、故障图谱生成和故障归因分析。
根据本发明提供的一种基于知识图谱的锂离子电池故障检测方法，对所述原始故障数据集合中的结构化数据进行数据清洗和数据存储得到实体对齐数据，对所述原始故障数据集合中的非结构化数据进行知识抽取形成故障特征文本，将所述实体对齐数据与所述故障特征文本进行匹配，生成故障实体，包括：
将电-热-力-气-阻抗多元传感器采集的所述结构化数据通过宏观数据进行数据清洗和数据存储，得到所述实体对齐数据；
利用自然语言对所述非结构化数据中的售后文档数据进行细粒度解析，将对应知识进行归属和标签化，得到所述故障特征文本；
通过知识融合，关联所述实体对齐数据和所述故障特征文本，进行实体对齐和消除歧义，生成所述故障实体。
根据本发明提供的一种基于知识图谱的锂离子电池故障检测方法，所述数据统计分析包括：
将故障锂离子电池结构化数据上传至主机数据库，构建故障电池可用于训练的数据集：
其中，数据集中各子集/>分别表示电压数据集、电流数据集、温度数据集、应力数据集、应变数据集、气体浓度数据集和阻抗多元特征数据集；
从数据集中提取故障锂离子电池的故障特征，由数据集S构建特征集, 进行归一化处理，特征集X表示如下：
其中，特征集中的各子集/>分别表示电压特征集、电流特征集、温度特征集、应力特征集、应变特征集、气体浓度特征集和阻抗特征集，归一化处理公式如下：
其中表示归一化处理后得到的特征矩阵，/>分别表示特征集的最大值和最小值；
利用安时积分法标定电池荷电状态SOC：
其中，表示锂离子电池初始SOC，/>表示库伦效率，/>表示电池的额定容量，/>表示t时刻的电流；
采用深度学习的方法，构建长短时记忆递归神经网络LSTM，估计故障电池SOC，得到数据统计分析结果。
根据本发明提供的一种基于知识图谱的锂离子电池故障检测方法，所述智能标签标识包括：
利用自然语言对存储的故障电池售后业务文档中的电池信息进行细粒度解析，通过知识抽取和语义识别抽取故障关联实体、属性和关系：
将所述故障电池售后业务文档中的文段序列信息，通过自然语言处理进行细粒度解析，提取关键词，语义识别抽取故障关联实体、属性和关系，其中所述自然语言处理采用Span抽取；
对故障关联实体、属性和关系进行语义分割，得到标签化的故障电池信息标签。
根据本发明提供的一种基于知识图谱的锂离子电池故障检测方法，所述故障图谱生成包括：
利用深度学习算法，对标签化的故障电池信息标签进行知识推理和语义匹配，确定故障模式、故障实体和故障位置：
对故障锂离子电池非结构化数据进行文本预分类，文本预分类主要包含故障类型、故障原因、故障参数和故障参数值；
由所述故障模式、所述故障实体和所述故障位置生成故障电池知识图谱。
根据本发明提供的一种基于知识图谱的锂离子电池故障检测方法，所述故障归因分析包括：
基于片段数据从故障电池多元传感数据中提取基于时-频域-小波包能量的故障特征；
对所述时-频域-小波包能量的故障特征采用基于数据驱动的电池故障诊断作为主诊断依据，生成的知识图谱作为辅助诊断，进行故障归因分析；
由所述故障归因分析生成故障诊断结果报告。
第二方面，本发明还提供一种基于知识图谱的锂离子电池故障检测系统，包括：
采集构建模块，用于采集锂离子电池的原始故障数据集合，基于所述原始故障数据集合构建故障电池诊断知识体系；
处理模块，用于对所述原始故障数据集合中的结构化数据进行数据清洗和数据存储得到实体对齐数据，对所述原始故障数据集合中的非结构化数据进行知识抽取形成故障特征文本，将所述实体对齐数据与所述故障特征文本进行匹配，生成故障实体；
推理模块，用于对所述故障实体进行知识推理，构建锂离子电池故障知识图谱；
检测模块，用于将待检测锂离子故障电池输入所述锂离子电池故障知识图谱，输出锂离子电池故障检测结果。
第三方面，本发明还提供一种用于电池故障诊断的数据库，数据库为底层基础，囊括了“电-热-力-气-阻抗”多元传感数据、故障电池库文件、电池售后业务文档三大类主要内容，数据库内的数据为进行合理有效的知识推理，生成高度可信的知识图谱提供了强力支持。生成的电池故障知识图谱包含多方面信息，各方面信息之间具有关联性，电池实体、电池状态信息、电池故障。为有效识别数据库内容，将三类数据分类储存，为进一步提升数据抽取效率和信息处理，构建了用于描述数据结构、存储位置、数据属性的元数据。
第四方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于知识图谱的锂离子电池故障检测方法。
本发明提供的基于知识图谱的锂离子电池故障检测方法及系统，通过锂离子电池故障知识图谱库，能够利用知识图谱技术，将锂离子电池的故障实体数据和故障文本信息，结合监测设备等各种数据与知识链接起来，实现对锂离子电池故障快速诊断，为在役电池失效分析提供保证，有效分析故障电池当前故障，为退役锂离子电池的梯次利用提供指导，实现锂离子电池高效利用。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的基于知识图谱的锂离子电池故障检测方法的流程示意图；
图2是本发明提供的整体架构示意图；
图3是本发明提供的锂离子电池故障图谱库的工作原理示意图；
图4是本发明提供的锂离子电池故障图谱库数据统计分析功能工作示意图；
图5是本发明提供的锂离子电池故障图谱库智能抽取标识功能工作示意图；
图6是本发明提供的抽取故障关联实体、属性和关系过程示意图；
图7是本发明提供的锂离子电池故障图谱库故障图谱生成图功能工作示意图；
图8是本发明提供的确定故障实体、故障位置和故障现象示意图；
图9是本发明提供的锂离子电池故障图谱库故障归因分析工作示意图；
图10是本发明提供的基于知识图谱的锂离子电池故障检测系统的结构示意图；
图11是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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。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。
针对现有的锂离子电池故障检测中存在的各种局限性，本发明在深度学习算法及应用的启发下，为了解决锂离子电池故障诊断识精确度不高与诊断速度慢的问题，提出一种基于知识图谱的锂离子电池故障检测方法，如图1所示，包括：
步骤100：采集锂离子电池的原始故障数据集合，基于所述原始故障数据集合构建故障电池诊断知识体系；
步骤200：对所述原始故障数据集合中的结构化数据进行数据清洗和数据存储得到实体对齐数据，对所述原始故障数据集合中的非结构化数据进行知识抽取形成故障特征文本，将所述实体对齐数据与所述故障特征文本进行匹配，生成故障实体；
步骤300：对所述故障实体进行知识推理，构建锂离子电池故障知识图谱；
步骤400：将待检测锂离子故障电池输入所述锂离子电池故障知识图谱，输出锂离子电池故障检测结果。
具体地，整体架构如图2所示，本发明实施例提出的基于知识图谱的锂离子电池故障检测方法，采用数据层、服务层、应用层三层架构模式，架构之间紧密联系，以期实现数据统计分析、智能抽取标识、图谱库生成、故障归因四大主要功能。
如图3所示，三层架构中数据层包含锂离子电池故障图谱库所需的各种数据文件，包括由“电-热-力-气-阻抗”多元传感器采集的锂离子电池相关故障数据、故障电池库文件以及故障电池售后业务文档，这些数据信息涵盖了电池型号、故障类型、故障参数、故障原因、故障处理方法等基本数据信息。三层架构中服务层着重完成对数据信息进行分类、处理和储存，完成知识抽取、知识融合、知识推理和知识计算。
具体操作如下：
对“电-热-力-气-阻抗”多元传感结构化数据传输到宏观数据库中进行数据清洗，去除重复、错误或不完整的数据，确保数据的准确性和完整性并作储存。利用自然语言处理进行细粒度的解析，快速抽取出跟故障电池相关的故障实体、故障属性和故障关系，知识抽取出故障电池关键信息，通过知识融合，将故障电池文本信息与实体数据关联，进行实体对齐和消歧义，生成故障实体，最后生成故障电池知识图谱形成故障电池图谱库。
三层架构中应用层主要实现电池故障知识图谱库实体电池故障诊断检测的应用。具体操作如下：
获取采集故障电池的“电-热-力-气-阻抗”多元传感数据，提取特征参数，包括电池电压、电流、应力、温度、气体浓度，考虑以上多尺度状态因素构建等效电路模型，利用安时积分法标定SOC，利用长短时记忆递归神经网络算法，对故障电池的SOC进行估计，实现数据统计分析的功能；通过对建立的锂离子电池故障知识图谱库储存故障电池的文本信息，利用自然语言处理进行细粒度的解析，快速抽取出跟故障相关的实体、属性和关系，分离出电池编号，电池类型，故障类型，故障参数，故障参数值，完成故障电池的信息标签生成，实现智能抽取标识；根据生成的故障电池信息标签，利用深度学习算法进行知识推理和语义匹配，对电池的故障类型、故障实体、故障位置进行确定，最终生成围绕故障电池的故障知识图谱，便于快速定位故障、评估故障级别和提供故障维修建议，实现故障图谱生成的功能；基于上述的对故障电池的数据处理和分析，对故障进行诊断分类、确定故障的具体表现、故障产生的影响因素、故障产生的原因，最终形成进行最后形成故障诊断报告，并提供故障处理建议。
本发明通过锂离子电池故障知识图谱库，能够利用知识图谱技术，将锂离子电池的故障实体数据和故障文本信息，结合监测设备等各种数据与知识链接起来，实现对锂离子电池故障快速诊断，为在役电池失效分析提供保证，有效分析故障电池当前故障，为退役锂离子电池的梯次利用提供指导，实现锂离子电池高效利用。
基于上述实施例，采集锂离子电池的原始故障数据集合，包括：
确认故障电池品牌，采集锂离子电池故障数据，获取所述故障电池品牌的故障电池关联业务文档。
基于所述原始故障数据集合构建故障电池诊断知识体系，包括：
确定所述故障电池诊断知识体系包括数据层、服务层和应用层；
所述数据层包括结构化数据、半结构化数据和非结构化数据；
所述服务层包括知识抽取、知识融合、知识推理和知识计算；
所述应用层包括数据统计分析、智能标签标识、故障图谱生成和故障归因分析。
具体地，如图2所示，在三层架构中，数据层作为整个架构最底层的基础，将数据整体上分为三大类进行储存应用，三大类分别为“电-热-力-气-阻抗”多元传感器采集的数据等结构化数据、故障电池库文件等半结构数据、故障电池售后业务文档等非结构化数据。服务层在数据层的基础上完成三类的数据的分类处理和储存，将各种类型的数据通过智能化提取，提取出故障实体并建立故障实体与故障属性之间的相互关系，形成故障实体的相关故障的知识表达。由于数据与实体之间存在一定偏差，为提高识别的准确性和精度，对储存的数据与实体进行比较分析，并实现数据的实体对齐和实体消歧，消除存储数据与实体之间的矛盾，以提升建立的锂离子电池故障知识图谱库的准确性。由于图谱库需要不断更新和融合新知识，服务层需要对这类知识进行质量评估，即进行知识计算，满足要求的部分将更新和完善锂离子电池故障知识图谱库。应用层对建立的库与检测的故障实体数据进行关联，抽取出有用的信息完成知识图谱的生成，并根据这些数据与电池故障的相关性进行故障的归因分析。
基于上述实施例，对所述原始故障数据集合中的结构化数据进行数据清洗和数据存储得到实体对齐数据，对所述原始故障数据集合中的非结构化数据进行知识抽取形成故障特征文本，将所述实体对齐数据与所述故障特征文本进行匹配，生成故障实体，包括：
将电-热-力-气-阻抗多元传感器采集的所述结构化数据通过宏观数据进行数据清洗和数据存储，得到所述实体对齐数据；
利用自然语言对所述非结构化数据中的售后文档数据进行细粒度解析，将对应知识进行归属和标签化，得到所述故障特征文本；
通过知识融合，关联所述实体对齐数据和所述故障特征文本，进行实体对齐和消除歧义，生成所述故障实体。
具体地，如图3所示的锂离子电池故障知识图工作原理，一方面，“电-热-力-气-阻抗”多元传感器所采集的结构化数据通过宏观的数据库对已采集的数据进行清洗，这个过程主要是去除采集数据中的不完整、明显错误不合理、重复的部分，提高数据的质量以保证数据分析的准确性，并进行储存。另一方面，对以上数据利用自然语言进行细粒度解析，根据故障属性、故障实体以及故障相关关系，从存储的故障电池售后业务文档等非结构化数据中抽取出相应的知识，并对这些知识进行归属和标签化，完成知识的标识，如图中所示的电池编号83号软包电池发生内短路故障，应力为800N，还有电池类型、故障类型、故障参数、故障参数值等，将这些知识合理的推理和推广产生故障信息相关内容以及之间的联系，并与经过数据清洗后的实体数据和信息进行实体对齐和消歧，并随着新的知识的加入不断更新，经过以上知识融合，最终完成故障电池文本信息与实体数据关联，生成故障实体，最后生成故障电池知识图谱形成故障电池图谱库，并随着采集数据，使得锂离子电池故障图谱库不断扩充和丰富。
基于上述实施例，所述数据统计分析包括：
从储存的故障电池多元传感数据中提取特征数据；
根据所述特征数据构建多尺度状态的等效电路模型；
利用安时积分法标定电池荷电状态SOC，采用长短时记忆递归神经网络LSTM，估计故障电池SOC，得到数据统计分析结果。
其中，所述智能标签标识包括：
利用自然语言对存储的故障电池售后业务文档中的电池信息进行细粒度解析，通过知识抽取和语义识别抽取故障关联实体、属性和关系；
对故障关联实体、属性和关系进行语义分割，得到标签化的故障电池信息标签。
其中，所述故障图谱生成包括：
利用深度学习算法，对标签化的故障电池信息标签进行知识推理和语义匹配，确定故障模式、故障实体和故障位置；
由所述故障模式、所述故障实体和所述故障位置生成故障电池知识图谱。
其中，所述故障归因分析包括：
基于片段数据从故障电池多元传感数据中提取基于时-频域-小波包能量的故障特征；
对所述时-频域-小波包能量的故障特征采用基于数据驱动的电池故障诊断作为主诊断依据，生成的知识图谱作为辅助诊断，进行故障归因分析；
由所述故障归因分析生成故障诊断结果报告。
具体地，如图4所示的数据统计分析功能工作过程，在采集的“电-热-力-气-阻抗”多元传感数据应用过程中，为描述电池状态，需要根据这些数据估算故障电池的SOC，从存储的多元传感数据（如电压、电流、温度、应力，应变气体浓度和阻抗）中提取出特征数据，由输入层的原始数据序列到隐藏层的隐藏空间表示，再到输出层的重构数据序列，利用安时积分法标定电池SOC和长短时记忆递归神经网络LSTM算法，对故障电池的SOC进行估计。
将故障锂离子电池结构化数据上传至主机数据库，构建故障电池可用于训练的数据集：
其中，数据集中各子集/>分别表示电压数据集、电流数据集、温度数据集、应力数据集、应变数据集、气体浓度数据集和阻抗多元特征数据集；
从数据集中提取故障锂离子电池的故障特征，由数据集S构建特征集, 进行归一化处理，特征集X表示如下：
其中，特征集中的各子集/>分别表示电压特征集、电流特征集、温度特征集、应力特征集、应变特征集、气体浓度特征集和阻抗特征集，归一化处理公式如下：
其中表示归一化处理后得到的特征矩阵，/>分别表示特征集的最大值和最小值；
利用安时积分法标定电池荷电状态SOC：
其中，表示锂离子电池初始SOC，/>表示库伦效率，/>表示电池的额定容量，/>表示t时刻的电流；
采用深度学习的方法，构建长短时记忆递归神经网络LSTM，估计故障电池SOC，得到数据统计分析结果。
如图5所示的智能抽取标识的过程，利用自然语言处理对已储存的故障电池售后业务文档中包含的电池信息，如图所示的电池维修手册和原厂电池手册进行细粒度的解析，快速抽取出跟故障相关的实体、属性和关系，如图示例的电池编号、电池类型、故障类型、故障参数和故障参数值，分离出的故障电池关键信息为知识图谱的生成提供信息支撑。
将故障电池售后业务文档中的文段序列信息，通过自然语言处理进行细粒度解析，提取关键词，语义识别抽取故障关联实体、属性和关系，其中所述自然语言处理采用Span抽取，提取关键词，抽取故障关联实体、属性和关系过程如图6所示。
如图7所示的故障图谱生成过程，将已经标签化的故障电池信息，利用深度学习算法进行知识推理和语义匹配，确定故障模式，故障实体和故障位置生成故障电池知识图谱。锂离子电池故障知识图谱对故障领域知识采用知识图谱的技术进行表示和存储，用于支撑故障定位，同时也可支撑故障电池的故障识别、故障定级、故障修复和故障止损，对退役电池的梯次利用和在役电池的高效利用有实际指导意义。
对故障锂离子电池非结构化数据进行文本预分类，分类主要包含故障类型、故障原因、故障参数，故障参数值4个部分，如表1所示：
表1
利用深度学习算法，对标签化的故障电池信息标签进行知识推理和语义匹配，确定故障实体、故障位置和故障现象示例如图8所示。
如图9所示的故障归因分析过程，通过生成的故障知识图谱进行故障原因的分析。通过对故障电池多元传感数据进行基于片段数据提取时域故障特征，再根据提取的数据特征进行基于数据驱动的电池故障诊断最终生成故障报告。
下面对本发明提供的基于知识图谱的锂离子电池故障检测系统进行描述，下文描述的基于知识图谱的锂离子电池故障检测系统与上文描述的基于知识图谱的锂离子电池故障检测方法可相互对应参照。
图10是本发明实施例提供的基于知识图谱的锂离子电池故障检测系统的结构示意图，如图10所示，包括：采集构建模块1001、处理模块1002、推理模块1003和检测模块1004，其中：
采集构建模块1001用于采集锂离子电池的原始故障数据集合，基于所述原始故障数据集合构建故障电池诊断知识体系；处理模块1002用于对所述原始故障数据集合中的结构化数据进行数据清洗和数据存储得到实体对齐数据，对所述原始故障数据集合中的非结构化数据进行知识抽取形成故障特征文本，将所述实体对齐数据与所述故障特征文本进行匹配，生成故障实体；推理模块1003用于对所述故障实体进行知识推理，构建锂离子电池故障知识图谱；检测模块1004用于将待检测锂离子故障电池输入所述锂离子电池故障知识图谱，输出锂离子电池故障检测结果。
图11示例了一种电子设备的实体结构示意图，如图11所示，该电子设备可以包括：处理器(processor)1110、通信接口(Communications Interface)1120、存储器(memory)1130和通信总线1140，其中，处理器1110，通信接口1120，存储器1130通过通信总线1140完成相互间的通信。处理器1110可以调用存储器1130中的逻辑指令，以执行基于知识图谱的锂离子电池故障检测方法和用于电池故障诊断的数据库，该方法包括：采集锂离子电池的原始故障数据集合，基于所述原始故障数据集合构建故障电池诊断知识体系；对所述原始故障数据集合中的结构化数据进行数据清洗和数据存储得到实体对齐数据，对所述原始故障数据集合中的非结构化数据进行知识抽取形成故障特征文本，将所述实体对齐数据与所述故障特征文本进行匹配，生成故障实体；对所述故障实体进行知识推理，构建锂离子电池故障知识图谱；将待检测锂离子故障电池输入所述锂离子电池故障知识图谱，输出锂离子电池故障检测结果。数据库为底层基础，囊括了“电-热-力-气-阻抗”多元传感数据、故障电池库文件、电池售后业务文档三大类主要内容，数据库内的数据为进行合理有效的知识推理，生成高度可信的知识图谱提供了强力支持。生成的电池故障知识图谱包含多方面信息，各方面信息之间具有关联性，电池实体、电池状态信息、电池故障。为有效识别数据库内容，将三类数据分类储存，为进一步提升数据抽取效率和信息处理，构建了用于描述数据结构、存储位置、数据属性的元数据。
此外，上述的存储器1130中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的基于知识图谱的锂离子电池故障检测方法，该方法包括：采集锂离子电池的原始故障数据集合，基于所述原始故障数据集合构建故障电池诊断知识体系；对所述原始故障数据集合中的结构化数据进行数据清洗和数据存储得到实体对齐数据，对所述原始故障数据集合中的非结构化数据进行知识抽取形成故障特征文本，将所述实体对齐数据与所述故障特征文本进行匹配，生成故障实体；对所述故障实体进行知识推理，构建锂离子电池故障知识图谱；将待检测锂离子故障电池输入所述锂离子电池故障知识图谱，输出锂离子电池故障检测结果。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
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，而非对其限制；尽管参照前述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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种基于知识图谱的锂离子电池故障检测方法，其特征在于，包括：
采集锂离子电池的原始故障数据集合，基于所述原始故障数据集合构建故障电池诊断知识体系；
对所述原始故障数据集合中的结构化数据进行数据清洗和数据存储得到实体对齐数据，对所述原始故障数据集合中的非结构化数据进行知识抽取形成故障特征文本，将所述实体对齐数据与所述故障特征文本进行匹配，生成故障实体；
对所述故障实体进行知识推理，构建锂离子电池故障知识图谱；
将待检测锂离子故障电池输入所述锂离子电池故障知识图谱，输出锂离子电池故障检测结果；
基于所述原始故障数据集合构建故障电池诊断知识体系，包括：
确定所述故障电池诊断知识体系包括数据层、服务层和应用层；
所述数据层包括结构化数据、半结构化数据和非结构化数据；
所述服务层包括知识抽取、知识融合、知识推理和知识计算；
所述应用层包括数据统计分析、智能标签标识、故障图谱生成和故障归因分析；
所述数据统计分析包括：
将故障锂离子电池结构化数据上传至主机数据库，构建故障电池可用于训练的数据集：
其中，数据集中各子集/>分别表示电压数据集、电流数据集、温度数据集、应力数据集、应变数据集、气体浓度数据集和阻抗多元特征数据集；
从数据集中提取故障锂离子电池的故障特征，由数据集S构建特征集, 进行归一化处理，特征集X表示如下：
其中，特征集中的各子集/>分别表示电压特征集、电流特征集、温度特征集、应力特征集、应变特征集、气体浓度特征集和阻抗特征集，归一化处理公式如下：
其中表示归一化处理后得到的特征矩阵，/>分别表示特征集的最大值和最小值；
利用安时积分法标定电池荷电状态SOC：
其中，表示锂离子电池初始SOC，/>表示库伦效率，/>表示电池的额定容量，/>表示t时刻的电流；
采用深度学习的方法，构建长短时记忆递归神经网络LSTM，估计故障电池SOC，得到数据统计分析结果。
2.根据权利要求1所述的基于知识图谱的锂离子电池故障检测方法，其特征在于，采集锂离子电池的原始故障数据集合，包括：
确认故障电池品牌，采集锂离子电池故障数据，获取所述故障电池品牌的故障电池关联业务文档。
3.根据权利要求1所述的基于知识图谱的锂离子电池故障检测方法，其特征在于，对所述原始故障数据集合中的结构化数据进行数据清洗和数据存储得到实体对齐数据，对所述原始故障数据集合中的非结构化数据进行知识抽取形成故障特征文本，将所述实体对齐数据与所述故障特征文本进行匹配，生成故障实体，包括：
将电-热-力-气-阻抗多元传感器采集的所述结构化数据通过宏观数据进行数据清洗和数据存储，得到所述实体对齐数据；
利用自然语言对所述非结构化数据中的售后文档数据进行细粒度解析，将对应知识进行归属和标签化，得到所述故障特征文本；
通过知识融合，关联所述实体对齐数据和所述故障特征文本，进行实体对齐和消除歧义，生成所述故障实体。
4.根据权利要求1所述的基于知识图谱的锂离子电池故障检测方法，其特征在于，所述智能标签标识包括：
利用自然语言对存储的故障电池售后业务文档中的电池信息进行细粒度解析，通过知识抽取和语义识别抽取故障关联实体、属性和关系；
将所述故障电池售后业务文档中的文段序列信息，通过自然语言处理进行细粒度解析，提取关键词，语义识别抽取故障关联实体、属性和关系，其中所述自然语言处理采用Span抽取；
对故障关联实体、属性和关系进行语义分割，得到标签化的故障电池信息标签。
5.根据权利要求1所述的基于知识图谱的锂离子电池故障检测方法，其特征在于，所述故障图谱生成包括：
利用深度学习算法，对标签化的故障电池信息标签进行知识推理和语义匹配，确定故障模式、故障实体和故障位置；
对故障锂离子电池非结构化数据进行文本预分类，文本预分类主要包含故障类型、故障原因、故障参数和故障参数值；
由所述故障模式、所述故障实体和所述故障位置生成故障电池知识图谱。
6.根据权利要求1所述的基于知识图谱的锂离子电池故障检测方法，其特征在于，所述故障归因分析包括：
基于片段数据从故障电池多元传感数据中提取基于时-频域-小波包能量的故障特征；
对所述时-频域-小波包能量的故障特征采用基于数据驱动的电池故障诊断作为主诊断依据，生成的知识图谱作为辅助诊断，进行故障归因分析；
由所述故障归因分析生成故障诊断结果报告。
7.一种基于知识图谱的锂离子电池故障检测系统，其特征在于，包括：
采集构建模块，用于采集锂离子电池的原始故障数据集合，基于所述原始故障数据集合构建故障电池诊断知识体系；
处理模块，用于对所述原始故障数据集合中的结构化数据进行数据清洗和数据存储得到实体对齐数据，对所述原始故障数据集合中的非结构化数据进行知识抽取形成故障特征文本，将所述实体对齐数据与所述故障特征文本进行匹配，生成故障实体；
推理模块，用于对所述故障实体进行知识推理，构建锂离子电池故障知识图谱；
检测模块，用于将待检测锂离子故障电池输入所述锂离子电池故障知识图谱，输出锂离子电池故障检测结果；
所述采集构建模块中的基于所述原始故障数据集合构建故障电池诊断知识体系，包括：
确定所述故障电池诊断知识体系包括数据层、服务层和应用层；
所述数据层包括结构化数据、半结构化数据和非结构化数据；
所述服务层包括知识抽取、知识融合、知识推理和知识计算；
所述应用层包括数据统计分析、智能标签标识、故障图谱生成和故障归因分析；
所述数据统计分析包括：
将故障锂离子电池结构化数据上传至主机数据库，构建故障电池可用于训练的数据集：
其中，数据集中各子集/>分别表示电压数据集、电流数据集、温度数据集、应力数据集、应变数据集、气体浓度数据集和阻抗多元特征数据集；
从数据集中提取故障锂离子电池的故障特征，由数据集S构建特征集, 进行归一化处理，特征集X表示如下：
其中，特征集中的各子集/>分别表示电压特征集、电流特征集、温度特征集、应力特征集、应变特征集、气体浓度特征集和阻抗特征集，归一化处理公式如下：
其中表示归一化处理后得到的特征矩阵，/>分别表示特征集的最大值和最小值；
利用安时积分法标定电池荷电状态SOC：
其中，表示锂离子电池初始SOC，/>表示库伦效率，/>表示电池的额定容量，/>表示t时刻的电流；
采用深度学习的方法，构建长短时记忆递归神经网络LSTM，估计故障电池SOC，得到数据统计分析结果。
8.一种用于电池故障检测的电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序以及数据库，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述基于知识图谱的锂离子电池故障检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311377696.5A CN117110896B (zh) | 2023-10-24 | 2023-10-24 | 一种基于知识图谱的锂离子电池故障检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311377696.5A CN117110896B (zh) | 2023-10-24 | 2023-10-24 | 一种基于知识图谱的锂离子电池故障检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117110896A CN117110896A (zh) | 2023-11-24 |
| CN117110896B true CN117110896B (zh) | 2024-01-05 |
Family
ID=88796972
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311377696.5A Active CN117110896B (zh) | 2023-10-24 | 2023-10-24 | 一种基于知识图谱的锂离子电池故障检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117110896B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019050968A1 (en) * | 2017-09-05 | 2019-03-14 | Forgeai, Inc. | METHODS, APPARATUS, AND SYSTEMS FOR TRANSFORMING UNSTRUCTURED NATURAL LANGUAGE INFORMATION IN TO COMPUTER-PROCESSED STRUCTURED DATA |
| CN111308350A (zh) * | 2019-09-25 | 2020-06-19 | 广东毓秀科技有限公司 | 一种通过大数据进行轨交锂电池性能评估的整体模型框架 |
| CN112865218A (zh) * | 2021-01-06 | 2021-05-28 | 江苏骥驰聚能汽车科技有限公司 | 基于知识图谱和5g技术的汽车锂电池动态充电保护系统 |
| EP3913498A1 (en) * | 2020-05-19 | 2021-11-24 | Tata Consultancy Services Limited | Building analytical platform to enable device fabrication |
| WO2022004185A1 (ja) * | 2020-06-29 | 2022-01-06 | 株式会社村田製作所 | 電源装置および電池の不具合検出方法 |
| CN114818831A (zh) * | 2022-05-27 | 2022-07-29 | 深圳先进技术研究院 | 基于多源感知的双向锂离子电池故障检测方法及系统 |
| CN115184807A (zh) * | 2022-07-05 | 2022-10-14 | 东莞新能安科技有限公司 | 电池的故障检测方法、装置、设备、介质和产品 |
| CN115718802A (zh) * | 2022-11-14 | 2023-02-28 | 长城汽车股份有限公司 | 一种故障诊断方法、系统、设备及存储介质 |
| WO2023101480A1 (en) * | 2021-12-01 | 2023-06-08 | Samsung Electronics Co., Ltd. | Systems and methods for intelligent management of a battery |
| CN116384487A (zh) * | 2023-03-22 | 2023-07-04 | 上海交通大学 | 用于储能站锂离子电池故障诊断分析的知识图谱构建方法 |
| CN116826933A (zh) * | 2023-08-30 | 2023-09-29 | 深圳科力远数智能源技术有限公司 | 一种基于知识图谱混合储能电池供电反步控制方法及系统 |
-
2023
- 2023-10-24 CN CN202311377696.5A patent/CN117110896B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019050968A1 (en) * | 2017-09-05 | 2019-03-14 | Forgeai, Inc. | METHODS, APPARATUS, AND SYSTEMS FOR TRANSFORMING UNSTRUCTURED NATURAL LANGUAGE INFORMATION IN TO COMPUTER-PROCESSED STRUCTURED DATA |
| CN111308350A (zh) * | 2019-09-25 | 2020-06-19 | 广东毓秀科技有限公司 | 一种通过大数据进行轨交锂电池性能评估的整体模型框架 |
| EP3913498A1 (en) * | 2020-05-19 | 2021-11-24 | Tata Consultancy Services Limited | Building analytical platform to enable device fabrication |
| WO2022004185A1 (ja) * | 2020-06-29 | 2022-01-06 | 株式会社村田製作所 | 電源装置および電池の不具合検出方法 |
| CN112865218A (zh) * | 2021-01-06 | 2021-05-28 | 江苏骥驰聚能汽车科技有限公司 | 基于知识图谱和5g技术的汽车锂电池动态充电保护系统 |
| WO2023101480A1 (en) * | 2021-12-01 | 2023-06-08 | Samsung Electronics Co., Ltd. | Systems and methods for intelligent management of a battery |
| CN114818831A (zh) * | 2022-05-27 | 2022-07-29 | 深圳先进技术研究院 | 基于多源感知的双向锂离子电池故障检测方法及系统 |
| CN115184807A (zh) * | 2022-07-05 | 2022-10-14 | 东莞新能安科技有限公司 | 电池的故障检测方法、装置、设备、介质和产品 |
| CN115718802A (zh) * | 2022-11-14 | 2023-02-28 | 长城汽车股份有限公司 | 一种故障诊断方法、系统、设备及存储介质 |
| CN116384487A (zh) * | 2023-03-22 | 2023-07-04 | 上海交通大学 | 用于储能站锂离子电池故障诊断分析的知识图谱构建方法 |
| CN116826933A (zh) * | 2023-08-30 | 2023-09-29 | 深圳科力远数智能源技术有限公司 | 一种基于知识图谱混合储能电池供电反步控制方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 动力电池荷电状态研究的可视化分析;陈燎;戴俊;盘朝奉;;电池(02);全文 * |
| 基于自然语言处理的能源电池领域的指示图谱构建;肖娜;中国优秀硕士学位论文全文数据库;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117110896A (zh) | 2023-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110780146B (zh) | 基于多阶段迁移学习的变压器故障辨识与定位诊断方法 | |
| CN107239529B (zh) | 一种基于深度学习的舆情热点类别划分方法 | |
| CN112700056B (zh) | 复杂网络链路预测方法、装置、电子设备及介质 | |
| CN111435366A (zh) | 设备故障诊断方法、装置和电子设备 | |
| CN109472033A (zh) | 文本中的实体关系抽取方法及系统、存储介质、电子设备 | |
| CN112270196A (zh) | 实体关系的识别方法、装置及电子设备 | |
| CN112217674B (zh) | 基于因果网络挖掘和图注意力网络的告警根因识别方法 | |
| CN115718802A (zh) | 一种故障诊断方法、系统、设备及存储介质 | |
| CN116384487A (zh) | 用于储能站锂离子电池故障诊断分析的知识图谱构建方法 | |
| CN111177390A (zh) | 基于混合模型的事故车辆识别方法和装置 | |
| CN113780345A (zh) | 面向中小企业的基于张量注意力的小样本分类方法和系统 | |
| CN111931936A (zh) | 一种协同案例推理与语义模型推理的设备故障诊断方法 | |
| CN116842194A (zh) | 一种电力语义知识图谱系统及方法 | |
| CN116108190A (zh) | 一种面向智能运维的电力变压器知识图谱构建方法 | |
| CN117110896B (zh) | 一种基于知识图谱的锂离子电池故障检测方法及系统 | |
| CN113657030A (zh) | 一种基于高斯过程回归的锂电池剩余使用寿命预测方法 | |
| CN117370568A (zh) | 一种基于预训练语言模型的电网主设备知识图谱补全方法 | |
| CN110362828B (zh) | 网络资讯风险识别方法及系统 | |
| CN115409122A (zh) | 一种变电设备并发故障分析方法、系统、设备及介质 | |
| CN113468307B (zh) | 文本处理方法、装置、电子设备及存储介质 | |
| CN116227586A (zh) | 基于深度残差收缩原型网络的元学习故障诊断方法及装置 | |
| CN117932328A (zh) | 一种变压器故障溯因推理方法、系统及相关设备 | |
| CN113744081B (zh) | 窃电行为分析方法 | |
| CN115687641A (zh) | 知识图谱更新方法、装置、电子设备及存储介质 | |
| An et al. | Automatic Annotation of Metadata in Power System Databases Based on Correlation Feature Selection and Natural Language Processing |
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 |