CN117113453B - 基于3d与大数据技术的电池问题诊断方法及存储介质 - Google Patents

基于3d与大数据技术的电池问题诊断方法及存储介质 Download PDF

Info

Publication number
CN117113453B
CN117113453B CN202311086150.4A CN202311086150A CN117113453B CN 117113453 B CN117113453 B CN 117113453B CN 202311086150 A CN202311086150 A CN 202311086150A CN 117113453 B CN117113453 B CN 117113453B
Authority
CN
China
Prior art keywords
battery
data
abnormal
fault
score
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
Application number
CN202311086150.4A
Other languages
English (en)
Other versions
CN117113453A (zh
Inventor
蔡钺
谭雪娇
程禹斯
姚卫彬
章群华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Zhizu Wulian Technology Co ltd
Original Assignee
Shanghai Zhizu Wulian Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Zhizu Wulian Technology Co ltd filed Critical Shanghai Zhizu Wulian Technology Co ltd
Priority to CN202311086150.4A priority Critical patent/CN117113453B/zh
Publication of CN117113453A publication Critical patent/CN117113453A/zh
Application granted granted Critical
Publication of CN117113453B publication Critical patent/CN117113453B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • 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
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K19/00—Record carriers for use with machines and with at least a part designed to carry digital markings
    • G06K19/06—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code
    • G06K19/06009—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code with optically detectable marking
    • G06K19/06037—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code with optically detectable marking multi-dimensional coding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)

Abstract

本发明公开了基于3D与大数据技术的电池问题诊断方法及存储介质，包括故障编码清单确定、异常状态计算、3D建模平台搭建、用户平台端嵌入和异常状态推荐排序；故障编码清单与电池故障相对应；对应故障编码清单找出异常的电池数据，建立针对数据识别的孤立森林模型进一步对判定为异常的电池数据找出真正的异常数据；使用电池序列号SN码获取电池信息，搭建3D建模平台对该电池进行数据可视化故障分析；通过扫码获取该电池的3D模型状态，并查看电池所有组件的实时故障状态；对每个异常状态的电池基于异常评分进行排序。本发明能够实时监测电池内部的故障情况，并将其与具体的电池部位相对应，实现可视化的直接获取电池所有组件的实时故障状态。

Description

基于3D与大数据技术的电池问题诊断方法及存储介质
技术领域
本发明属于电池诊断技术领域，尤其涉及基于3D与大数据技术的电池问题诊断方法及存储介质。
背景技术
随着二轮车电动化的普及，电池成为其重要组成部分之一。然而，电池结构复杂，且存在着各种潜在问题和故障，需要及时诊断和解决。传统的诊断方法往往需要人工介入，效率低下且容易出错。
发明内容
发明目的：为了克服现有技术中存在的不足，本发明提供基于3D与大数据技术的电池问题诊断方法及存储介质，能够实时监测电池内部的故障情况，并将其与具体的电池部位相对应，实现可视化的直接获取电池所有组件的实时故障状态。
技术方案：为实现上述目的，本发明的基于3D与大数据技术的电池问题诊断方法，包括：
故障编码清单确定，故障编码清单与电池故障相对应，为后续的故障诊断提供基础；
异常状态计算，对应故障编码清单找出异常的电池数据，建立针对数据识别的孤立森林模型进一步对判定为异常的电池数据找出真正的异常数据；
3D建模平台搭建，使用电池序列号SN码获取电池信息，搭建3D建模平台对该电池进行数据可视化故障分析；
用户平台端嵌入，根据电池序列号为每个电池生成二维码，通过扫码获取该电池的3D模型状态，并查看电池所有组件的实时故障状态；
异常状态推荐排序，对每个异常状态的电池，计算一个异常评分，基于该异常评分对电池进行排序。
进一步地，所述异常状态计算依次包括数据准备、数据标准化、数据训练与计算和标签修正，具体如下：
1)数据准备
将上报的电池数据与故障码清单进行对比，清单中的故障码代表已知的电池问题或异常情况，然后标记数据点，以区分上报正常的电池数据和被判定为异常的电池数据，以找到匹配的故障编码与电池数据；
遍历每个电池数据点：
1.1)检查该数据点的故障编码是否与故障编码清单中的任何一个匹配；
1.2)如果有匹配，将该数据点标记为“异常”，否则标记为“正常”；
2)数据标准化
标记过程完成后，能够确保所有数据都按照一致的标准进行测量，选择与异常检测相关的特征，采用z-score标准化方法将所有特征缩放到相似的尺度，具体如下：
2.1)对于每个特征x，计算其平均值μx和标准差σx；
2.2)对于每个数据点d，计算特征x的z-score：其中dx是数据点d在特征x上的值；
2.3)将把每个特征的值缩放到平均值为0，标准差为1的标准正态分布；
3)数据训练与计算
进一步识别被判定为异常但实际上是正常的数据以及真正的异常数据，训练孤立森林模型的步骤如下：
3.1)对于输入的标准化数据集D，其中每个数据点di包含多个特征：
随机选择一个特征F；
随机选择一个分割值V，在特征F的最小值和最大值之间；
3.2)基于F和V，将数据集D分成两个子集：左子树Dl和右子树Dr，数据点di根据在特征F上的值与V的关系被分到左子树或右子树；
3.3)重复步骤3.1和3.2，直到达到停止条件；
3.4)构建多棵树，形成孤立森林；
4)标签修正
基于孤立森林模型的输出，修正数据的标签，将每个数据点标记为“真异常”或“误报”，具体步骤如下：
4.1)对于每个数据点di，如果它被模型标记为异常，即不属于孤立森林的正常性群集，则将其标记为“真异常”；
4.2)如果它被模型标记为正常，即属于孤立森林的正常性群集，则将其标记为“误报”。
进一步地，所述3D建模平台搭建依次包括确定主键、主键对齐、模型制定、传递主键参数和使用3D技术渲染，具体如下：
1)确定主键
选择一个唯一且具有标识性的属性作为主键，以便准确对模型中需要实现交互的部件进行标识和管理；
2)主键对齐
采用名称和标识同样的识别名称进行主键设定；
3)模型制定
采用glb格式制定3D电池模型，并对电池的各部位进行可明确区分的可视化的渲染；
4)传递主键参数
将主键作为参数传递给后端，获取与主键相关的模型部件信息并使用3D技术进行渲染和交互；
5)使用3D技术渲染
将交互统一梳理、分类，包括界面按钮类、部件点击类和根据得到的电池信息渲染图表类，具体如下：
5.1)界面按钮类
点击按钮获取信息，并通过电池模型的可视化展示和弹窗形式的展示，直观地了解和操作相关数据；
5.2)部件点击类
点击部件，获取到该部件的相关信息，并使电池模型上对应的部件以不同的颜色进行展示，以便直观地了解电池的状态和相关警告信息；
5.3)根据得到的电池信息渲染图表类
将电池信息渲染成图表的方式，帮助硬件人员更直观地了解电池故障情况的发展趋势，并为优化提供指导。
进一步地，所述用户平台端嵌入的步骤如下：
1)在web页面中绘制出二维码；
2)将电池序列号拼接在电池故障诊断页面链接上，调用转换方法，生成二维码；
3)扫描二维码，打开链接，将链接上电池序列号作为参数传递给获取该电池故障信息的接口；
4)获取该电池信息，完成初始化渲染。
进一步地，所述异常状态推荐排序的异常评分包括基于规则的评分、基于上报次数的评分和基于机器学习模型的评分，将基于规则的评分、基于上报次数的评分和基于机器学习模型的评分进行加权平均，得到最终的异常电池的推荐排序。
进一步地，所述基于规则的评分的计算公式如下：
Scorerule＝∑(规则*规则评分)
其中：∑表示对所有规则的求和；
所述基于上报次数的评分的计算公式如下：
Scorereport＝N/T
其中：T为时间窗口，N为异常电池的上报次数；
所述基于机器学习模型的评分的计算公式为：
ScoreML＝β0+β1*X1+β2*X2+...+βn*Xn
其中：β0，β1，β2，...，βn是模型的系数，X1，X2，...，Xn是特征；
加权平均的计算公式如下：
Scorefinal＝w1*Scorerule+w2*Scorereport+w3*ScoreML
其中：W1、W2、W3分别表示基于规则的评分、基于上报次数的评分和基于机器学习模型的评分的分配权重。
进一步地，电池故障包括电芯形变，由于电芯相互之间包围排列，当某一电芯膨胀形变时，则会对其周围的电芯形成外扩的顶推力，造成周围的电芯一同形变，通过对周围电芯的形变检测，依据形变相互影响的原理倒推，即可判断出位于中心区域的电芯发生故障，从而确定故障电芯的位置。
一种存储介质，其内存储有可执行程序，所述可执行程序被处理器执行可实现如上述所述的基于3D与大数据技术的电池问题诊断方法。
有益效果：本发明通过应用3D与大数据技术，实现了对二轮车电池内部故障的高效诊断与显示；用户通过扫码可直观地获取电池所有组件的实时故障状态，提高了故障诊断的效率和准确性；同时，通过实时监测和上报，可以及时采取相应的维修措施，保障电池的正常运行和使用寿命；整体上，该方法能够有效提升二轮车电池问题的诊断与解决能力，提高用户体验和使用安全性。
附图说明
附图1为为本发明的方法步骤的流程示意图；
附图2为电池模型的结构示意图；
附图3为界面按钮类、模型内部部件点击类在电池模型上的功能展示示意图；
附图4为根据得到的电池信息渲染成图表的一个实施例的示意图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如附图1所示，基于3D与大数据技术的电池问题诊断方法，包括：
故障编码清单确定，故障编码清单与电池故障相对应，为后续的故障诊断提供基础；
异常状态计算，对应故障编码清单找出异常的电池数据，建立针对数据识别的孤立森林模型进一步对判定为异常的电池数据找出真正的异常数据；
3D建模平台搭建，使用电池序列号SN码获取电池信息，搭建3D建模平台对该电池进行数据可视化故障分析；
用户平台端嵌入，根据电池序列号为每个电池生成二维码，通过扫码获取该电池的3D模型状态，并查看电池所有组件的实时故障状态；
异常状态推荐排序，对每个异常状态的电池，计算一个异常评分，基于该异常评分对电池进行排序。
现有电池的故障上报信息如下：
故障名称 故障编码 所在协议
正常状态 0000000000000000 B1
单体过压 0000000000000001 B1
单体欠压 0000000000000010 B1
充电过温 0000000000000100 B1
充电低温 0000000000001000 B1
放电过温 0000000000010000 B1
放电低温 0000000000100000 B1
充电过流 0000000001000000 B1
放电过流 0000000010000000 B1
MOS高温 0000000100000000 B1
短路 0000001000000000 B1
充电MOS异常 0000010000000000 B1
放电MOS异常 0000100000000000 B1
加热膜状态异常 0001000000000000 B1
电芯形变 0010000000000000 B1
电池故障包括电芯形变，由于电芯相互之间包围排列，当某一电芯膨胀形变时，则会对其周围的电芯形成外扩的顶推力，造成周围的电芯一同形变，通过对周围电芯的形变检测，依据形变相互影响的原理倒推，即可判断出位于中心区域的电芯发生故障，从而确定故障电芯的位置。
所述异常状态计算依次包括数据准备、数据标准化、数据训练与计算和标签修正，具体如下：
1)数据准备
将上报的电池数据与故障码清单进行对比，清单中的故障码代表已知的电池问题或异常情况，然后标记数据点，以区分上报正常的电池数据和被判定为异常的电池数据，以找到匹配的故障编码与电池数据；
遍历每个电池数据点：
1.1)检查该数据点的故障编码是否与故障编码清单中的任何一个匹配；
1.2)如果有匹配，将该数据点标记为“异常”，否则标记为“正常”；
2)数据标准化
标记过程完成后，能够确保所有数据都按照一致的标准进行测量，选择与异常检测相关的特征，采用z-score标准化方法将所有特征缩放到相似的尺度，具体如下：
2.1)对于每个特征X，计算其平均值μx和标准差σx；
2.2)对于每个数据点d，计算特征x的z-score：其中dx是数据点d在特征x上的值；
2.3)将把每个特征的值缩放到平均值为0，标准差为1的标准正态分布；
3)数据训练与计算
进一步识别被判定为异常但实际上是正常的数据以及真正的异常数据，训练孤立森林模型的步骤如下：
3.1)对于输入的标准化数据集D，其中每个数据点di包含多个特征：
随机选择一个特征F；
随机选择一个分割值V，在特征F的最小值和最大值之间；
3.2)基于F和V，将数据集D分成两个子集：左子树Dl和右子树Dr，数据点di根据在特征F上的值与V的关系被分到左子树或右子树；
3.3)重复步骤3.1和3.2，直到达到停止条件；
3.4)构建多棵树，形成孤立森林；
3.5)模型评估：
使用交叉验证等技术来评估孤立森林模型的性能，这涉及将训练数据集拆分成训练子集和验证子集，并使用以下公式计算模型的性能指标，如准确率、召回率和F1分数：
准确率：
召回率：
F1分数：
其中：TP是真正异常的数量，TN是真正正常的数量，FP是误报异常的数量，FN是漏报异常的数量。这些指标帮助评估模型在识别真正异常和误报异常方面的性能。
4)标签修正
基于孤立森林模型的输出，修正数据的标签，将每个数据点标记为“真异常”或“误报”，具体步骤如下：
4.1)对于每个数据点di，如果它被模型标记为异常，即不属于孤立森林的正常性群集，则将其标记为“真异常”；
4.2)如果它被模型标记为正常，即属于孤立森林的正常性群集，则将其标记为“误报”。
标签修正后，将拥有一个更准确的数据集，其中数据点根据其真实属性分为了“真异常”和“误报”。
所述3D建模平台搭建依次包括确定主键、主键对齐、模型制定、传递主键参数和使用3D技术渲染，具体如下：
1)确定主键
选择一个唯一且具有标识性的属性作为主键，以便准确对模型中需要实现交互的部件进行标识和管理；
2)主键对齐
采用名称和标识同样的识别名称进行主键设定，例如如下表格：
主键对齐的一个步骤实施例如下：
2.1)确定数据模型：在开始设计和开发过程之前，根据产品需求和设计给的3D模型以及讨论出的主键，前后端开发一起确定数据模型，这包括理解模型的结构，确定实体和关系，并为每个实体分配一个主键。
2.2)确定主键的功能：主键对开发而言不仅仅是一个唯一标识符，它还可以用于其它功能，如索引、关联和查询，因此，确定主键的功能，并确保在建模和开发过程中得到正确实现；
2.3)确定主键的可配置性：为了实现与3D模型的交互和该交互的可配置性，主键应该能够根据需要进行调整，这包括确定主键的属性和数据类型，并确保它可以适应不同的交互和需求；
2.4)进行主键调配优化：根据设计需求和交互要求，设计人员和开发人员一起进行主键调整和优化，这可以包括从已有的数据模型中选择适合的主键，或者根据需求进行自定义主键的创建。
通过以上步骤，可以确保主键在交互设计和开发过程中的对齐，并且能够满足设计和技术要求。
3)模型制定
如附图2所示，采用glb格式制定3D电池模型，并对电池的各部位进行可明确区分的可视化的渲染。
更为具体的，在进行模型制定时，需要根据确定的主键(名称)进行设计。可以着重渲染和突出主键所在的部位，而对其它部位则可以不需要进行详细渲染。此外，还需要严格控制模型的大小，因为模型的大小会直接影响前端的渲染和交互速度。因此，要确保模型大小合适，以提高用户体验和性能。
4)传递主键参数
将主键作为参数传递给后端，获取与主键相关的模型部件信息并使用3D技术进行渲染和交互。
传递主键参数的一个步骤实施例如下：
4.1)前端获取用户的交互事件，例如用户点击了某个部件或进行了某个操作；
4.2)在事件处理程序中，将相应的主键作为参数传递给后端，可以使用Ajax、Fetch，axios或其它前端网络请求库来发送请求；
4.3)后端接收到请求后，根据主键进行相应的查询操作，可以使用数据库查询语言(如SQL)或其它数据存储和查询方式来查找与主键相关的信息；
4.4)后端根据查询结果，将相关信息返回给前端，可以将信息封装为JSON对象或其他格式。
4.5)前端接收到后端返回的信息后，根据需要进行处理和展示，这里模型部分使用Three.js来渲染3D模型部件，显示与主键相关的信息。
需要注意的是，前端和后端需要进行协作，确保主键在前后端之间的传递和查询是正确的。在设计和开发过程中，可以通过协商和测试来确保数据的一致性和正确性。
请求参数
参数名称 数据类型 页面显示 参数说明 是否必须
sn String 电池序列号 是
name String 电池部件名称 是
响应参数
5)使用3D技术渲染
将交互统一梳理、分类，包括界面按钮类、部件点击类和根据得到的电池信息渲染图表类，具体如下：
5.1)界面按钮类
如附图3所示，点击按钮获取信息，并通过电池模型的可视化展示和弹窗形式的展示，直观地了解和操作相关数据。
更为具体的步骤为：
5.11)用户点击按钮，触发相应的点击事件，获取按钮名称(主键)作为参数传递给后台；
5.12)后台使用按钮的名称(主键)作为参数，从后台服务器或其它数据源中调取相关数据；
5.13)对从后台获取到的数据进行处理，根据需求进行适当的数据转换、筛选或计算；
5.14)可视化数据在电池上呈现：将经过处理的数据在电池模型上展现出来，以便用户直观地观察和识别。比如：获取到的二维码数据，可以将其在电池模型上以红色的方式进行渲染，使其凸显出来；有弹窗展示它的其它信息，如生产日期、厂家信息、是否故障以及使用时长等。
5.2)部件点击类
如附图3所示，点击部件，获取到该部件的相关信息，并使电池模型上对应的部件以不同的颜色进行展示，以便直观地了解电池的状态和相关警告信息。
更为具体的步骤为：
5.21)用户点击电池模型的某个部件，如电芯01，触发相应的点击事件，获取部件的主键(名称)作为参数传递给后台接口或相关函数，获取电芯信息，获取的信息可以包括电芯的故障情况、电压、电量情况、生产厂家等；
5.22)根据获取到的电芯信息，在电池模型上以相应的方式作出反应，以便用户快速识别。例如：当电量不足时，可以将电池模型中对应的部件以黄色的警告颜色进行呈现；当电压过高时，可以将对应部件以红色的警告颜色进行显示；当电池处于满电量时，可以将对应部件以绿色的颜色呈现。同时，也可以使用弹窗展示其它相关信息。
5.3)根据得到的电池信息渲染图表类
将电池信息渲染成图表的方式，帮助硬件人员更直观地了解电池故障情况的发展趋势，并为优化提供指导，如附图4中的故障折线图实施例。
更为具体的步骤如下：
5.31)获取信息：结合前面提到的界面按钮点击功能和模型部件点击功能，获取到需要展示的电池信息，可以获取电芯的不同故障情况、电压、电量等信息。
5.32)整理数据：对获取到的电池信息进行整理和处理，根据时间和故障类型等进行分类汇总，并统计各种故障情况的发生频次；
5.34)生成图表：将统计后的数据以图表的形式进行展示，通过图表，可以直观地显示不同故障类型在近几个月中的发生频率；
5.35)提供优化方向：通过分析相应图表中的数据来判断故障频发的情况，可以为硬件人员提供关于电芯优化的方向和建议。例如：如果图表显示某一故障类型频繁发生，可以提醒硬件人员对该故障类型进行针对性的优化措施。
综上，通过以上过程，可以将不同的需求类别进行梳理和归类，将公共的交互组件提取出来，以便在需要的场景中进行配置和使用，提高交互的可维护性和扩展性。
所述用户平台端嵌入的步骤如下：
1)在web页面中绘制出二维码，主要是通过获取DOM的标签，再通过HTML5 Canvas绘制而成，不依赖任何库，也可以使用QRCode.js，一个用于生成二维码的JavaScript库；
2)将电池序列号拼接在电池故障诊断页面链接上，调用转换方法，生成二维码；
3)扫描二维码，打开链接，将链接上电池序列号作为参数传递给获取该电池故障信息的接口；
4)获取该电池信息，完成初始化渲染。
所述异常状态推荐排序的异常评分包括基于规则的评分、基于上报次数的评分和基于机器学习模型的评分，将基于规则的评分、基于上报次数的评分和基于机器学习模型的评分进行加权平均，得到最终的异常电池的推荐排序。
基于规则的评分涉及到领域专家定义的规则，用来评估电池的异常紧急程度，规则可以涵盖多个特征，如电池温度、电压、容量等，每个规则都可以分配一个权重，表示其重要性；所述基于规则的评分的计算公式如下：
Scorerule＝∑(规则*规则评分)
其中：∑表示对所有规则的求和；
基于上报次数的评分为根据电池在一定时间内上报异常的次数来定义异常分数，所述基于上报次数的评分的计算公式如下：
Scorereport＝N/T
其中：T为时间窗口，N为异常电池的上报次数；
基于机器学习模型的评分为使用训练好的回归模型来预测电池的异常评分，模型的输入是上报电池的相关数据，如温度、电压、容量等特征，模型的输出是电池的异常评分，基于机器学习模型是一个线性回归模型，所述基于机器学习模型的评分的计算公式为：
ScoreML＝β0+β1*X1+β2*X2+...+βn*Xn
其中：β0，β1，β2，...，βn是模型的系数，X1，X2，...，Xn是特征。
对于基于机器学习模型的训练：
首先，假设有m个训练样本，每个样本都有n个特征，表示为X1，X2，...，Xn；同时，对应的异常评分表示为Y1，Y2，...，Ym；
线性回归模型的目标是找到一组系数β0，β1，β2，...，βn，以最小化损失函数l。损失函数采用均方误差(Mean Squared Error，MSE)：
l＝(1/2m)*∑(预测值-真实值)2
其中：Σ表示对所有样本求和；
为了找到最优的系数β0，β1，β2，...，βn，通过最小化损失函数来解决优化问题，最小二乘法的目标是找到最小化损失函数的系数，通过以下梯度下降的公式来实现：
对于每个系数βj(j＝0，1，2，...，n)，更新规则如下：
其中：α是学习率，控制了参数更新的步长；
对于每个系数βj，梯度(损失函数//>)通过如下的公式计算：
其中：Σ表示对所有样本求和；
根据梯度下降的规则，不断迭代更新每个系数βj，直到损失函数收敛或达到预定的停止条件，得到的系数即为模型的参数，用于计算电池的异常评分。
加权平均的计算公式如下：
Scorefinal＝w1*Scorerule+w2*Scorereport+w3*ScoreML
其中：W1、W2、W3分别表示基于规则的评分、基于上报次数的评分和基于机器学习模型的评分的分配权重。
一种存储介质，其内存储有可执行程序，所述可执行程序被处理器执行上述实施例中任一所述的基于3D与大数据技术的电池问题诊断方法。
本发明的优点如下：
(1)能够实时监测电池内部的故障情况，并将其与具体的电池部位相对应，实现可视化的直接获取电池所有组件的实时故障状态；
(2)通过应用3D与大数据技术，实现了对二轮车电池内部故障的高效诊断与显示；用户通过扫码可直观地获取电池所有组件的实时故障状态，提高了故障诊断的效率和准确性；
(3)通过实时监测和上报，可以及时采取相应的维修措施，保障电池的正常运行和使用寿命；
(4)整体上，该方法能够有效提升二轮车电池问题的诊断与解决能力，提高用户体验和使用安全性。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.基于3D与大数据技术的电池问题诊断方法，其特征在于：包括：
故障编码清单确定，故障编码清单与电池故障相对应，为后续的故障诊断提供基础；
异常状态计算，对应故障编码清单找出异常的电池数据，建立针对数据识别的孤立森林模型进一步对判定为异常的电池数据找出真正的异常数据；
3D建模平台搭建，使用电池序列号SN码获取电池信息，搭建3D建模平台对该电池进行数据可视化故障分析；
用户平台端嵌入，根据电池序列号为每个电池生成二维码，通过扫码获取该电池的3D模型状态，并查看电池所有组件的实时故障状态；
异常状态推荐排序，对每个异常状态的电池，计算一个异常评分，基于该异常评分对电池进行排序；
所述异常状态计算依次包括数据准备、数据标准化、数据训练与计算和标签修正，具体如下：
1)数据准备
将上报的电池数据与故障码清单进行对比，清单中的故障码代表已知的电池问题或异常情况，然后标记数据点，以区分上报正常的电池数据和被判定为异常的电池数据，以找到匹配的故障编码与电池数据；
遍历每个电池数据点：
1.1)检查该数据点的故障编码是否与故障编码清单中的任何一个匹配；
1.2)如果有匹配，将该数据点标记为“异常”，否则标记为“正常”；
2)数据标准化
标记过程完成后，能够确保所有数据都按照一致的标准进行测量，选择与异常检测相关的特征，采用z-score标准化方法将所有特征缩放到相似的尺度，具体如下：
2.1)对于每个特征x，计算其平均值μx和标准差σx；
2.2)对于每个数据点d，计算特征x的z-score：其中dx是数据点d在特征x上的值；
2.3)将把每个特征的值缩放到平均值为0，标准差为1的标准正态分布；
3)数据训练与计算
进一步识别被判定为异常但实际上是正常的数据以及真正的异常数据，训练孤立森林模型的步骤如下：
3.1)对于输入的标准化数据集D，其中每个数据点di包含多个特征：
随机选择一个特征F；
随机选择一个分割值V，在特征F的最小值和最大值之间；
3.2)基于F和V，将数据集D分成两个子集：左子树Dl和右子树Dr，数据点di根据在特征F上的值与V的关系被分到左子树或右子树；
3.3)重复步骤3.1和3.2，直到达到停止条件；
3.4)构建多棵树，形成孤立森林；
4)标签修正
基于孤立森林模型的输出，修正数据的标签，将每个数据点标记为“真异常”或“误报”，具体步骤如下：
4.1)对于每个数据点di，如果它被模型标记为异常，即不属于孤立森林的正常性群集，则将其标记为“真异常”；
4.2)如果它被模型标记为正常，即属于孤立森林的正常性群集，则将其标记为“误报”；
所述3D建模平台搭建依次包括确定主键、主键对齐、模型制定、传递主键参数和使用3D技术渲染，具体如下：
1)确定主键
选择一个唯一且具有标识性的属性作为主键，以便准确对模型中需要实现交互的部件进行标识和管理；
2)主键对齐
采用名称和标识同样的识别名称进行主键设定；
3)模型制定
采用glb格式制定3D电池模型，并对电池的各部位进行可明确区分的可视化的渲染；
4)传递主键参数
将主键作为参数传递给后端，获取与主键相关的模型部件信息并使用3D技术进行渲染和交互；
5)使用3D技术渲染
将交互统一梳理、分类，包括界面按钮类、部件点击类和根据得到的电池信息渲染图表类，具体如下：
5.1)界面按钮类
点击按钮获取信息，并通过电池模型的可视化展示和弹窗形式的展示，直观地了解和操作相关数据；
5.2)部件点击类
点击部件，获取到该部件的相关信息，并使电池模型上对应的部件以不同的颜色进行展示，以便直观地了解电池的状态和相关警告信息；
5.3)根据得到的电池信息渲染图表类
将电池信息渲染成图表的方式，帮助硬件人员更直观地了解电池故障情况的发展趋势，并为优化提供指导。
2.根据权利要求1所述的基于3D与大数据技术的电池问题诊断方法，其特征在于：所述用户平台端嵌入的步骤如下：
1)在web页面中绘制出二维码；
2)将电池序列号拼接在电池故障诊断页面链接上，调用转换方法，生成二维码；
3)扫描二维码，打开链接，将链接上电池序列号作为参数传递给获取该电池故障信息的接口；
4)获取该电池信息，完成初始化渲染。
3.根据权利要求1所述的基于3D与大数据技术的电池问题诊断方法及存储介质，其特征在于：所述异常状态推荐排序的异常评分包括基于规则的评分、基于上报次数的评分和基于机器学习模型的评分，将基于规则的评分、基于上报次数的评分和基于机器学习模型的评分进行加权平均，得到最终的异常电池的推荐排序。
4.根据权利要求3所述的基于3D与大数据技术的电池问题诊断方法，其特征在于：所述基于规则的评分的计算公式如下：
Scorerule＝∑(规则*规则评分)
其中：∑表示对所有规则的求和；
所述基于上报次数的评分的计算公式如下：
Scorereport＝N/T
其中：T为时间窗口，N为异常电池的上报次数；
所述基于机器学习模型的评分的计算公式为：
ScoreML＝β0+β1*X1+β2*X2+...+βn*Xn
其中：β0，β1，β2，...，βn是模型的系数，X1，X2，...，Xn是特征；
加权平均的计算公式如下：
Scorefinal＝w1*Scorerule+w2*Scorereport+w3*ScoreML
其中：W1、W2、W3分别表示基于规则的评分、基于上报次数的评分和基于机器学习模型的评分的分配权重。
5.根据权利要求1所述的基于3D与大数据技术的电池问题诊断方法，其特征在于：电池故障包括电芯形变，由于电芯相互之间包围排列，当某一电芯膨胀形变时，则会对其周围的电芯形成外扩的顶推力，造成周围的电芯一同形变，通过对周围电芯的形变检测，依据形变相互影响的原理倒推，即可判断出位于中心区域的电芯发生故障，从而确定故障电芯的位置。
6.一种存储介质，其特征在于：其内存储有可执行程序，所述可执行程序被处理器执行可实现权利要求1～5任一项所述的基于3D与大数据技术的电池问题诊断方法。
CN202311086150.4A 2023-08-28 2023-08-28 基于3d与大数据技术的电池问题诊断方法及存储介质 Active CN117113453B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311086150.4A CN117113453B (zh) 2023-08-28 2023-08-28 基于3d与大数据技术的电池问题诊断方法及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311086150.4A CN117113453B (zh) 2023-08-28 2023-08-28 基于3d与大数据技术的电池问题诊断方法及存储介质

Publications (2)

Publication Number Publication Date
CN117113453A CN117113453A (zh) 2023-11-24
CN117113453B true CN117113453B (zh) 2024-04-26

Family

ID=88812422

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311086150.4A Active CN117113453B (zh) 2023-08-28 2023-08-28 基于3d与大数据技术的电池问题诊断方法及存储介质

Country Status (1)

Country Link
CN (1) CN117113453B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112505549A (zh) * 2020-11-26 2021-03-16 西安电子科技大学 基于孤立森林算法的新能源汽车电池异常检测方法
CN112946485A (zh) * 2021-02-09 2021-06-11 江西江铃集团新能源汽车有限公司 车辆电池检测方法、存储介质及设备
CN114720883A (zh) * 2022-06-02 2022-07-08 国网浙江省电力有限公司电力科学研究院 一种基于孤立森林算法的锂电池故障识别方法
CN115015778A (zh) * 2022-05-23 2022-09-06 重庆大学 一种动力电池系统故障诊断装置和方法
CN115932592A (zh) * 2022-09-19 2023-04-07 中国电力科学研究院有限公司 一种基于数字孪生模型的电动汽车电池故障诊断方法
CN116184247A (zh) * 2023-02-28 2023-05-30 合肥国轩高科动力能源有限公司 一种检测异常车辆电池的方法、装置、设备及介质
CN116626505A (zh) * 2023-07-21 2023-08-22 江苏海平面数据科技有限公司 一种基于车联网大数据的电池组一致性异常检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112505549A (zh) * 2020-11-26 2021-03-16 西安电子科技大学 基于孤立森林算法的新能源汽车电池异常检测方法
CN112946485A (zh) * 2021-02-09 2021-06-11 江西江铃集团新能源汽车有限公司 车辆电池检测方法、存储介质及设备
CN115015778A (zh) * 2022-05-23 2022-09-06 重庆大学 一种动力电池系统故障诊断装置和方法
CN114720883A (zh) * 2022-06-02 2022-07-08 国网浙江省电力有限公司电力科学研究院 一种基于孤立森林算法的锂电池故障识别方法
CN115932592A (zh) * 2022-09-19 2023-04-07 中国电力科学研究院有限公司 一种基于数字孪生模型的电动汽车电池故障诊断方法
CN116184247A (zh) * 2023-02-28 2023-05-30 合肥国轩高科动力能源有限公司 一种检测异常车辆电池的方法、装置、设备及介质
CN116626505A (zh) * 2023-07-21 2023-08-22 江苏海平面数据科技有限公司 一种基于车联网大数据的电池组一致性异常检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于孤立森林算法的动力电池不一致单体识别与预警方法;程贤福;《华东交通大学学报》;20230415;第40卷(第02期);95-102 *

Also Published As

Publication number Publication date
CN117113453A (zh) 2023-11-24

Similar Documents

Publication Publication Date Title
US20210125154A1 (en) Method and system for generating vehicle service content
JP2019016209A (ja) 診断装置、診断方法およびコンピュータプログラム
CN111736875A (zh) 版本更新监控方法、装置、设备及计算机存储介质
CN109389241A (zh) 交通工具系统预测装置
JP7442001B1 (ja) 水力発電ユニットの故障総合診断方法
WO2020079860A1 (ja) 機器故障診断支援システムおよび機器故障診断支援方法
US20070027648A1 (en) Clinical testing information processing apparatus, clinical testing information processing method, and analyzing system
JP2019028834A (ja) 異常値診断装置、異常値診断方法、およびプログラム
CN109472293A (zh) 一种基于机器学习的电网设备档案数据纠错方法
CN117113453B (zh) 基于3d与大数据技术的电池问题诊断方法及存储介质
CN112786124B (zh) 一种问题排查方法、装置、存储介质及设备
CN114334065B (zh) 病历处理方法、计算机可读存储介质及计算机设备
CN115205601A (zh) 一种基于人工智能与知识图谱的医学检验结果审核系统
US20230298086A1 (en) System and method for improved spare part search for maintenance services using topic modelling
US20200393799A1 (en) Information processing apparatus, information processing method, and non-transitory computer readable medium
CN112789636A (zh) 信息处理装置、信息处理方法和程序
CN114580915B (zh) 一种新微针技术植发效果的智能评价方法及系统
CN113505069B (zh) 一种测试数据分析方法及系统
CN113033845B (zh) 一种电力传输资源共建共享的建设方法及装置
US11409589B1 (en) Methods and systems for determining stopping point
CN117150439B (zh) 基于多源异构数据融合的汽车制造参数检测方法及系统
JP2022096546A (ja) 原因推定システムおよび原因推定方法
US12141761B2 (en) Method and system for generating vehicle service content
CN116300574B (zh) 一种基于大数据的工控信息混合控制系统及方法
CN118550265B (zh) 一种开放式性能分析模型运行平台及方法

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