CN117169732B - 电池故障检测方法、装置、计算设备和介质 - Google Patents
电池故障检测方法、装置、计算设备和介质 Download PDFInfo
- Publication number
- CN117169732B CN117169732B CN202311398047.3A CN202311398047A CN117169732B CN 117169732 B CN117169732 B CN 117169732B CN 202311398047 A CN202311398047 A CN 202311398047A CN 117169732 B CN117169732 B CN 117169732B
- Authority
- CN
- China
- Prior art keywords
- feature vector
- battery
- data
- gray
- data set
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 52
- 239000013598 vector Substances 0.000 claims abstract description 95
- 238000000034 method Methods 0.000 claims description 40
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 13
- 238000012706 support-vector machine Methods 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 11
- 238000009413 insulation Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 208000032953 Device battery issue Diseases 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 9
- 230000009471 action Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000001413 cellular effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000699670 Mus sp. Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Secondary Cells (AREA)
Abstract
本申请提供一种电池故障检测方法、装置、计算设备和介质,属于电池技术领域。电池故障检测方法包括:获取与电池相关联的数据集;从数据集中提取至少一个特征向量;以及对至少一个特征向量进行分类,以确定电池的故障类型。
Description
技术领域
本申请涉及电池技术领域,尤其涉及一种电池故障检测方法、装置、计算设备和介质。
背景技术
节能减排是汽车产业可持续发展的关键,电动车辆由于其节能环保的优势成为汽车产业可持续发展的重要组成部分。对于电动车辆而言,电池技术又是关乎其发展的一项重要因素。
电池在使用过程中,可能会出现故障而影响电池安全性能。然而对于电池故障的检测往往比较复杂,甚至需要增加附加装置来进行检测,检测效率和准确性有待提高。
发明内容
本申请旨在至少解决背景技术中存在的技术问题之一。为此,本申请的一个目的在于提供一种电池故障检测方法,以缓解、减轻或消除相关技术中的问题。
本申请第一方面的实施例提供一种电池故障检测方法,该方法包括:获取与电池相关联的数据集;从数据集中提取至少一个特征向量;以及对至少一个特征向量进行分类,以确定电池的故障类型。
本申请实施例的技术方案中,获取回传的电池相关的数据,利用相关技术对回传数据进行特征提取,根据提取到的特征向量,可以实现快速、准确的故障检测。通过使用该方案,降低了故障检测过程对于物理检测装置的依赖性,在降低检测过程的复杂性的同时提高了检测结果的准确性。
在一些实施例中,至少一个特征向量包括至少一个第一特征向量,并且从数据集中提取至少一个特征向量包括:将数据集中的每个数据划分到离散的多个数值区间中的相应数值区间中;将每个数据映射到该数据所属数值区间中的对应离散等级,以得到与数据集对应的灰度图像;以及从灰度图像中提取至少一个第一特征向量。通过上述方法,将数据集转换为对应的灰度图像,进一步加强了各个数据的相应特征,使得特征提取的过程更为准确。
在一些实施例中,从灰度图像中提取至少一个第一特征向量包括:确定灰度图像在至少一个方向上的灰度共生矩阵;以及根据灰度共生矩阵,确定针对灰度共生矩阵中的像素灰度值的至少一个统计量作为至少一个第一特征向量。灰度共生矩阵可以更加有效地描述灰度图像的纹理特征,通过根据灰度共生矩阵进行特征提取,使得计算过程更加简便,易于实现。
在一些实施例中,针对灰度共生矩阵中的像素灰度值的至少一个统计量包括能量、对比度、熵、均匀性、相关性、方差中的至少一者。通过将灰度共生矩阵中的像素灰度值的统计量确定为特征向量,可以提高检测结果的准确性。
在一些实施例中,至少一个特征向量包括至少一个第二特征向量,并且从数据集中提取至少一个特征向量包括:对数据集进行小波变换,以得到经小波变换的数据集;从经小波变换的数据集中提取至少一个第二特征向量。小波变换技术对于噪声和信号混杂的情况下的数据处理有着更好的适应性,可以更为准确和快速地对数据进行特征提取。
在一些实施例中,至少一个第二特征向量包括能量频率特征向量、相关角特征向量中的至少一者。能量频率特征向量、相关角特征向量是重要的频域特征,通过使用小波变换得到回传数据的频域特征,可以进一步提高检测结果的准确性。
在一些实施例中,对至少一个特征向量进行分类,以确定电池的故障类型包括:使用支持向量机算法对至少一个特征向量进行分类。支持向量机算法具有较强的泛化能力,适用小样本数据,具有较好的鲁棒性和可解释性。使用支持向量机算法来对特征向量进行分类,可以使得分类结果更为准确。
在一些实施例中,故障类型包括电池紧固件松动、电池内部损伤、传感器损坏中的至少一者。根据故障类型的不同,针对不同故障类型相应的特征向量进行识别,可以提高故障检测的准确性。
在一些实施例中,该方法还包括:基于故障类型,生成预警信息。通过生成故障预警信息,可以实现及时提醒电池使用者,改善电池使用过程的安全性,降低故障带来的损失。
在一些实施例中,数据集是对从电动车辆处接收的原始数据进行预处理得到的,其中,预处理包括:对原始数据进行滤波、对原始数据进行归一化中的至少一者。通过对原始数据进行预处理,可以消除不相关数据对检测结果的影响,使得数据集中的数据在同一尺度内,便于进行数据处理。
在一些实施例中,原始数据包括电池的电压、温度或绝缘值中的至少一者。将电池相关的重要参数值回传,可以进一步提高检测结果的准确性。
本申请第二方面的实施例提供一种电池故障检测的装置,其包括数据集获取模块,被配置为获取与电池相关联的数据集;特征向量提取模块,被配置为从数据集中提取至少一个特征向量;以及故障类型确定模块,被配置为对至少一个特征向量进行分类,以确定电池的故障类型。
本申请第三方面的实施例提供一种计算设备,其包括至少一个处理器;以及与至少一个处理器通信连接的至少一个存储器,存储器存储有指令,指令当被至少一个处理器单独或共同执行时,使计算设备执行如上述实施例中的方法。
本申请第四方面的实施例提供一种计算机可读设备,其上存储有指令,指令当被计算设备的一个或多个处理器单独或共同执行时,使计算设备执行如上述实施例中的方法。
本申请的第五方面的实施例提供一种计算机程序产品,包括指令,指令当被计算设备的一个或多个处理器单独或共同执行时,使计算设备执行如上述实施例中的方法。
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
在附图中,除非另外规定,否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解,这些附图仅描绘了根据本申请公开的一些实施方式,而不应将其视为是对本申请范围的限制。
图1为本申请一些实施例的电池故障检测方法的流程示意图;
图2为本申请一些实施例的从数据集中提取特征向量的流程示意图;
图3为本申请一些实施例的从灰度图像中提取第一特征向量的流程示意图;
图4为本申请一些实施例的从数据集中提取特征向量的流程示意图;
图5为本申请一些实施例的电池故障检测的装置的示例性框图;
图6为能够应用于示例性实施例的示例性计算设备的框图。
具体实施方式
下面将结合附图对本申请技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本申请的技术方案,因此只作为示例,而不能以此来限制本申请的保护范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。
在本申请实施例的描述中,技术术语“第一”“第二”等仅用于区别不同对象,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量、特定顺序或主次关系。在本申请实施例的描述中,“多个”的含义是两个以上,除非另有明确具体的限定。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
在本申请实施例的描述中,术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
在本申请实施例的描述中,术语“多个”指的是两个以上(包括两个),同理,“多组”指的是两组以上(包括两组),“多片”指的是两片以上(包括两片)。
在本申请实施例的描述中,技术术语“中心”“纵向”“横向”“长度”“宽度”“厚度”“上”“下”“前”“后”“左”“右”“竖直”“水平”“顶”“底”“内”“外”“顺时针”“逆时针”“轴向”“径向”“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请实施例和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请实施例的限制。
在本申请实施例的描述中,除非另有明确的规定和限定,技术术语“安装”“相连”“连接”“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;也可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请实施例中的具体含义。
目前,从市场形势的发展来看,动力电池的应用越加广泛。动力电池不仅被应用于水力、火力、风力和太阳能电站等储能电源系统,而且还被广泛应用于电动自行车、电动摩托车、电动汽车等电动交通工具,以及军事装备和航空航天等多个领域。随着动力电池应用领域的不断扩大,其市场的需求量也在不断地扩增。
电池在使用过程中,可能会出现故障而影响电池安全性能,也可能会导致严重后果的产生。目前,对于电池故障的检测往往比较复杂,通常使用额外的测试设备进行,这就需要对电池及其附属结构进行改造,增加了测试成本,同时也会对原有产品产生一定的破坏。
因此,需要一种检测电池故障的方法,不需要依赖于附加装置,并能对电池相关的数据实时监测,根据回传的数据进行故障检测。
基于以上考虑,为了实现对电池故障进行快速准确的检测,提出了一种电池故障检测方法,通过对回传的电池相关数据进行特征提取,对提取到的特征向量进行分类和识别,即可确定电池的故障类型。通过使用该方法,可以有效地监测电池状态,并能及时发现异常情况。
本申请实施例公开的电池故障检测方法可以但不限用于车辆、船舶或飞行器等用电装置中。这样,有利于实时监测电池状态,快速准确地定位电池故障,及时发现异常情况。
本申请实施例提供了一种电池故障检测方法100,请参照图1。电池故障检测方法100包括:
在步骤110,获取与电池相关联的数据集;
在步骤120,从数据集中提取至少一个特征向量;和
在步骤130,对至少一个特征向量进行分类,以确定电池的故障类型。
在本文中,术语“特征向量”是指根据不同的特征属性得到的特征值形成的向量。在示例中,与电池相关联的数据集可以是对电池的电压、温度或绝缘值中的至少一者进行预处理得到的。在示例中,电池的电压、温度或绝缘值可以是基于国标或行业标准,从电动车辆处获取的,而无需从电动车辆处获取其他的或额外的数据。
通过对电池相关的数据进行数据提取,对得到的特征向量进行识别和分类,可以确定电池的故障类型。在示例中,可以利用支持向量机对至少一个特征向量进行分类。或者故障类型可以是从预先确定的多个类别中选择的。
特征向量可以反映一组数据的属性。从回传的数据集中提取特征向量,对得到的特征向量进行分类,可以提高检测效率,实现快速、准确的故障检测。通过使用上述方法,提高了检测的便捷性,降低了对于物理检测装置的依赖性,在降低检测过程的复杂性的同时提高了检测结果的准确性。
根据本申请的一些实施例,请参照图2,至少一个特征向量可以包括至少一个第一特征向量,并且,步骤120可以包括:
步骤210,将数据集中的每个数据划分到离散的多个数值区间中的相应数值区间中;
步骤220,将每个数据映射到该数据所属数值区间中的对应离散等级,以得到与数据集对应的灰度图像;和
步骤230,从灰度图像中提取至少一个第一特征向量。
将数据集划分成多个离散等级,每个离散等级对应一个离散的数值区间。离散的多个数值区间可以是在数据集所含数据的最小值与最大值之间等分的多个数值区间。将数据集中的每个数据划分到相应的数值区间中,并映射到所属数值区间对应的离散等级。经过上述步骤进行离散处理后的数据集即为数据集对应的灰度图像。从该灰度图像中提取至少一个第一特征向量。
使用如上述实施例的操作将数据集转换为对应的灰度图像,进一步从灰度图像中提取特征向量,使得特征提取的过程更为准确。
根据本申请的一些实施例,请参照图3,步骤230可以包括:
步骤310,确定灰度图像在至少一个方向上的灰度共生矩阵;以及
步骤320,根据灰度共生矩阵,确定针对灰度共生矩阵中的像素灰度值的至少一个统计量作为至少一个第一特征向量。
灰度图像中的每个像素点的灰度值都对应着数据集中的数据,并且每个像素点都反映了相邻像素点之间的关系。在本文中,术语“灰度共生矩阵”是对图像上保持某个距离的两个像素点分别具有某灰度值的状况进行统计得到的。基于灰度共生矩阵可计算得到多个统计量,将至少一个统计量确定为至少一个第一特征向量。
灰度共生矩阵可以更加有效地描述灰度图像的特征,通过根据灰度共生矩阵进行特征提取,可以使得计算过程更加简便,易于实现。
根据本申请的一些实施例,针对灰度共生矩阵中的像素灰度值的至少一个统计量可以包括能量、对比度、熵、均匀性、相关性、方差中的至少一者。
在本文中,术语“能量”是指图像中像素灰度值的平方和,能量越大,图像的纹理越明显。术语“对比度”是指图像中相邻像素之间的灰度差异,对比度越大,图像的纹理越明显。术语“熵”是指图像中像素灰度值的分布情况,熵越大,图像的纹理越复杂。术语“均匀性”是指图像中像素灰度值的分布均匀程度,均匀性越大,图像的纹理越均匀。术语“相关性”是指图像中相邻像素之间的灰度相关程度,相关性越大,图像的纹理越明显。术语“方差”指示图像中灰度变化程度,图像中灰度变化较大时,方差值较大。
灰度共生矩阵的计算基于图像中像素之间的灰度关系,通过将灰度共生矩阵中的像素灰度值的统计量确定为特征向量,可以提高检测结果的准确性。
根据本申请的一些实施例,请参照图4,至少一个特征向量包括至少一个第二特征向量,并且,步骤120可以包括:
步骤410,对数据集进行小波变换,以得到经小波变换的数据集;以及
步骤420,从经小波变换的数据集中提取至少一个第二特征向量。
小波变换适合被应用在需要处理噪声和信号混杂的情况,并且可以识别信号中的重要时域和频域特征。
通过对数据集进行小波变换后提取第二特征向量,可以实现在较短的时间内完成提取,并且可以减小噪声和干扰的影响,更好地提取特征向量。
根据本申请的一些实施例,至少一个第二特征向量可以包括能量频率特征向量、相关角特征向量中的至少一者。
在实施例中,小波变换可以用于提取数据集的频域特征,包括能量频率特征向量、相关角特征向量中的至少一者。
能量频率特征向量、相关角特征向量是重要的频域特征,可以进一步提高检测结果的准确性。
根据本申请的一些实施例,步骤130可以包括:使用支持向量机算法对至少一个特征向量进行分类。
在本文中,术语“支持向量机”是一类按监督学习方式对数据进行二元分类的广义线性分类器。
支持向量机算法具有较强的泛化能力,可用于小样本数据,同时具有较好的鲁棒性和可解释性。通过使用支持向量机算法对特征向量进行分类,可以使得检测结果更加准确。
根据本申请的一些实施例,故障类型可以包括电池紧固件松动、电池内部损伤、传感器损坏中的至少一者。
使用支持向量机算法对特征向量进行分类,以判断电池是否存在故障以及确定故障类型。
当紧固件松动时,电池包内某个位置的温度可能会升高,绝缘值等参数可能会出现明显的变化,对于紧固件松动的情况,根据提取的特征向量,判断故障的严重程度;当电池发生内部损伤时,电池的电压可能会降低,温度等参数可能会出现异常变化,对于电池内部损伤的情况,通过对电池包内的多个信号进行同步分析,识别电池是否存在内部损伤;当传感器发生损坏时,回传的数据可能会出现偏差或异常,对于传感器故障的情况,通过比较当前数据与历史数据之间的差异,判断传感器是否发生故障。
根据故障类型的不同,针对不同故障类型相应的特征向量进行识别,可以提高故障检测的准确性。
根据本申请的一些实施例,电池故障检测方法100还可以包括:基于故障类型,生成预警信息。
在实施例中,根据故障类型,生成预警信息,可以将预警信息推送至管理后台,生成预警排查任务,派发给工作人员排查。
通过生成预警信息,可以及时提醒电池使用者,降低产生严重后果的可能性。
根据本申请的一些实施例,数据集可以是对从电动车辆处接收的原始数据进行预处理得到的,其中,预处理包括:对原始数据进行滤波、对原始数据进行归一化中的至少一者。
通过对原始数据进行预处理,可以消除不相关数据对检测结果的影响,使得数据集中的数据在同一尺度内,便于进行数据处理。
根据本申请的一些实施例,原始数据可以包括电池的电压、温度或绝缘值中的至少一者。在示例中,电池的电压、温度或绝缘值可以是基于国标或行业标准,从电动车辆处获取的。
将电池相关的重要参数值回传,可以进一步提高检测结果的准确性。
本申请实施例提供了一种电池故障检测的装置500,请参照图5。电池故障检测的装置500包括数据集获取模块510、特征向量提取模块520和故障类型确定模块530。
数据集获取模块510被配置为获取与电池相关联的数据集。
特征向量提取模块520被配置为从数据集中提取至少一个特征向量。
故障类型确定模块530被配置为对至少一个特征向量进行分类,以确定电池的故障类型。
电池故障检测的装置500中的数据集获取模块510、特征向量提取模块520和故障类型确定模块530可以分别对应于如图1所示的电池故障检测方法100中的步骤110至130,为了简洁起见,此处不再赘述。应当理解,与电池故障检测方法100的实施例相对应,电池故障检测的装置500的实施例还可以包括更多的模块。
应当注意,本文讨论的各个模块的功能可以分为多个模块,和/或多个模块的至少一些功能可以组合成单个模块。本文讨论的特定模块执行动作包括该特定模块本身执行该动作,或者替换地该特定模块调用或以其他方式访问执行该动作(或结合该特定模块一起执行该动作)的另一个组件或模块。因此,执行动作的特定模块可以包括执行动作的该特定模块本身和/或该特定模块调用或以其他方式访问的、执行动作的另一模块。
还应当理解,本文可以在软件硬件元件或程序模块的一般上下文中描述各种技术。上面关于图5描述的各个模块可以在硬件中或在结合软件和/或固件的硬件中实现。例如,这些模块可以被实现为计算机程序代码/指令,该计算机程序代码/指令被配置为在一个或多个处理器中执行并存储在计算机可读存储介质中。可替换地,这些模块可以被实现为硬件逻辑/电路。硬件逻辑/电路可以包括集成电路芯片(其包括处理器(例如,中央处理单元(Central Processing Unit, CPU)、微控制器、微处理器、数字信号处理器(DigitalSignal Processor, DSP)等)、存储器、一个或多个通信接口、和/或其他电路中的一个或多个部件),并且可以可选地执行所接收的程序代码和/或包括嵌入式固件以执行功能。
本申请实施例提供了一种计算设备600,如图6所示。图6示出了可以被用来实施本文所描述的方法的计算设备600的示例配置。举例来说,上述电池故障检测的装置500可以全部或至少部分地由计算设备600或类似设备或系统实现。
计算设备600可以包括能够诸如通过系统总线604或其他适当的连接彼此通信的至少一个处理器605、存储器607、(多个)通信接口602、显示设备601、其他输入/输出(I/O)设备603以及一个或更多大容量存储设备606。存储器607上存储有指令,指令在被处理器605执行时,使处理器605执行如上述实施例中的方法。
计算设备600可以是各种不同类型的设备。计算设备600的示例包括但不限于:台式计算机、服务器计算机、笔记本电脑或上网本计算机、移动设备(例如,平板电脑、蜂窝或其他无线电话(例如,智能电话)、记事本计算机、移动台)、可穿戴设备(例如,眼镜、手表)、娱乐设备(例如,娱乐器具、通信地耦合到显示设备的机顶盒、游戏机)、电视或其他显示设备、汽车计算机等等。
处理器605可以是单个处理单元或多个处理单元,所有处理单元可以包括单个或多个计算单元或者多个核心。处理器605可以被实施成一个或更多微处理器、微型计算机、微控制器、数字信号处理器、中央处理单元、状态机、逻辑电路和/或基于操作指令来操纵信号的任何设备。除了其他能力之外,处理器605可以被配置成获取并且执行存储在存储器607、大容量存储设备606或者其他计算机可读介质中的计算机可读指令,诸如操作系统608的程序代码、应用程序609的程序代码、其他程序610的程序代码等。
存储器607和大容量存储设备606是用于存储指令的计算机可读存储介质的示例,所述指令由处理器605执行来实施前面所描述的各种功能。举例来说,存储器607一般可以包括易失性存储器和非易失性存储器二者(例如RAM、ROM等等)。此外,大容量存储设备606一般可以包括硬盘驱动器、固态驱动器、可移除介质、包括外部和可移除驱动器、存储器卡、闪存、软盘、光盘(例如CD、DVD)、存储阵列、网络附属存储、存储区域网等等。存储器607和大容量存储设备606在本文中都可以被统称为存储器或计算机可读存储介质,并且可以是能够把计算机可读、处理器可执行程序指令存储为计算机程序代码的非暂态介质,所述计算机程序代码可以由处理器605作为被配置成实施在本文的示例中所描述的操作和功能的特定机器来执行。
多个程序可以存储在大容量存储设备606上。这些程序包括操作系统608、一个或多个应用程序609、其他程序610和程序数据611,并且它们可以被加载到存储器607以供执行。这样的应用程序或程序模块的示例可以包括例如用于实现以下部件/功能的计算机程序逻辑(例如,计算机程序代码或指令):电池故障检测的装置500(包括数据集获取模块210、特征向量提取模块520和故障类型确定模块530)、电池故障检测方法100(包括电池故障检测方法100的任何合适的步骤)、和/或本文描述的另外的实施例。
虽然在图6中被图示成存储在计算设备600的存储器607中,但是操作系统608、应用程序609、其他程序610和程序数据611或者其部分可以使用可由计算设备600访问的任何形式的计算机可读介质来实施。
一个或更多通信接口602用于诸如通过网络、直接连接等等与其他设备交换数据。这样的通信接口可以是以下各项中的一个或多个:任何类型的网络接口(例如,网络接口卡(NIC))、有线或无线(诸如IEEE 802.11无线LAN(WLAN))无线接口、全球微波接入互操作(Wi-MAX)接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、BluetoothTM接口、近场通信(NFC)接口等。通信接口602可以促进在多种网络和协议类型内的通信,其中包括有线网络(例如LAN、电缆等等)和无线网络(例如WLAN、蜂窝、卫星等等)、因特网等等。通信接口602还可以提供与诸如存储阵列、网络附属存储、存储区域网等等中的外部存储装置(未示出)的通信。
在一些示例中,可以包括诸如监视器之类的显示设备601,以用于向用户显示信息和图像。其他I/O设备603可以是接收来自用户的各种输入并且向用户提供各种输出的设备,并且可以包括触摸输入设备、手势输入设备、摄影机、键盘、遥控器、鼠标、打印机、音频输入/输出设备等等。
本文描述的技术可以由计算设备600的这些各种配置来支持,并且不限于本文所描述的技术的具体示例。例如,该功能还可以通过使用分布式系统在“云”上全部或部分地实现。云包括和/或代表用于资源的平台。平台抽象云的硬件(例如,服务器)和软件资源的底层功能。资源可以包括在远离计算设备600的服务器上执行计算处理时可以使用的应用和/或数据。资源还可以包括通过因特网和/或通过诸如蜂窝或Wi-Fi网络的订户网络提供的服务。平台可以抽象资源和功能以将计算设备600与其他计算设备连接。因此,本文描述的功能的实现可以分布在整个云内。例如,功能可以部分地在计算设备600上以及部分地通过抽象云的功能的平台来实现。
本申请实施例还提供了一种计算机可读存储介质,其上存储有指令,指令当被计算设备的一个或多个处理器单独或共同执行时,使计算设备执行如上述任意实施例中的方法。
计算机可读存储介质包括通过用于存储信息的任何方法或技术实施的易失性和非易失性、可移除和不可移除介质,信息诸如是计算机可读指令、数据结构、程序模块或者其他数据。计算机可读存储介质包括而不限于RAM、ROM、EEPROM、闪存或其他存储器技术,CD-ROM、数字通用盘(DVD)、或其他光学存储装置,磁盒、磁带、磁盘存储装置或其他磁性存储设备,或者可以被用来存储信息以供计算设备访问的任何其他非传送介质。
本申请实施例还提供了一种计算机程序产品,包括指令,该指令当被计算设备的一个或多个处理器单独或共同执行时,使所述计算设备执行如上述任意实施例中的方法。
根据本申请的一些实施例,如图1-4所示,提供了一种电池故障检测方法。在电池故障检测方法中:
电动车辆对与电池相关的数据进行回传,包括电压、温度、绝缘值等数据。对回传的原始数据进行滤波和归一化等预处理,得到预处理后的数据集,使得所有的数据都在相同的尺度范围内,减小无效数据以及不同数值单位对检测结果的影响。
分别使用灰度共生矩阵算法和小波变换算法对预处理后的数据集进行特征提取,得到数据集的特征向量。
对于灰度共生矩阵算法,将数据集根据预设的阈值划分成若干个数值区间,每个数值区间分别对应一个离散等级。将数据集中的每个数据划分到相应的数值区间中,并映射到该数值区间对应的离散等级上。经过离散化处理,得到数据集对应的灰度图像,灰度图像中的每个像素点分别对应数据集中的每个数据,并反映了相邻像素之间的关系。根据得到的灰度图像计算不同方向上的灰度共生矩阵。针对计算得到的每个灰度共生矩阵,计算出该灰度共生矩阵的统计量作为数据集的特征向量,这些统计量反映了灰度图像的纹理特征。
对于小波变换算法,对数据集进行小波变换,提取数据集的频域特征,包括能量频率、相关角等特征。小波变换算法适用于噪声和信号混杂的情况下的数据处理,可以识别信号中的重要时域特征和频域特征。
使用支持向量机算法对获得的特征向量进行识别和分类,判断电池是否存在故障,并且判断相应的故障类型。
当紧固件松动时,电池包内某个位置的温度可能会升高,绝缘值等参数可能会出现明显的变化,对于紧固件松动的情况,根据提取的特征向量,判断故障的严重程度;当电池发生内部损伤时,电池的电压可能会降低,温度等参数可能会出现异常变化,对于电池内部损伤的情况,通过对电池包内的多个信号进行同步分析,识别电池是否存在内部损伤;当传感器发生损坏时,回传的数据可能会出现偏差或异常,对于传感器故障的情况,通过比较当前数据与历史数据之间的差异,判断传感器是否发生故障。
根据不同的故障类型,生成预警信息。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,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,或者对其中部分或者全部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申请各实施例技术方案的范围,其均应涵盖在本申请的权利要求和说明书的范围当中。尤其是,只要不存在结构冲突,各个实施例中所提到的各项技术特征均可以任意方式组合起来。本申请并不局限于文中公开的特定实施例,而是包括落入权利要求的范围内的所有技术方案。
Claims (9)
1.一种电池故障检测方法,其特征在于,包括:
获取与所述电池相关联的数据集;
从所述数据集中提取至少一个特征向量,其中,所述至少一个特征向量包括至少一个第一特征向量和至少一个第二特征向量,并且所述从所述数据集中提取至少一个特征向量包括:
将所述数据集中的每个数据划分到离散的多个数值区间中的相应数值区间中;将所述每个数据映射到该数据所属数值区间中的对应离散等级,以得到与所述数据集对应的灰度图像;确定所述灰度图像在至少一个方向上的灰度共生矩阵;根据所述灰度共生矩阵,确定针对所述灰度共生矩阵中的像素灰度值的至少一个统计量作为所述至少一个第一特征向量,其中,所述针对所述灰度共生矩阵中的像素灰度值的至少一个统计量包括能量、对比度、熵、均匀性、相关性、方差中的至少一者;和
对所述数据集进行小波变换,以得到经小波变换的数据集;从所述经小波变换的数据集中提取所述至少一个第二特征向量,其中,所述至少一个第二特征向量包括能量频率特征向量、相关角特征向量中的至少一者;以及
对所述至少一个特征向量进行分类,以确定所述电池的故障类型,其中,所述故障类型包括电池紧固件松动、电池内部损伤、传感器损坏中的至少一者。
2.根据权利要求1所述的方法,其特征在于,所述对所述至少一个特征向量进行分类,以确定所述电池的故障类型包括:使用支持向量机算法对所述至少一个特征向量进行分类。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:基于所述故障类型,生成预警信息。
4.根据权利要求1所述的方法,其特征在于,所述数据集是对从电动车辆处接收的原始数据进行预处理得到的,其中,所述预处理包括:对所述原始数据进行滤波、对所述原始数据进行归一化中的至少一者。
5.根据权利要求4所述的方法,其特征在于,所述原始数据包括所述电池的电压、温度或绝缘值中的至少一者。
6.一种电池故障检测的装置,其特征在于,包括:
数据集获取模块,被配置为获取与所述电池相关联的数据集;
特征向量提取模块,被配置为从所述数据集中提取至少一个特征向量,其中,所述至少一个特征向量包括至少一个第一特征向量和至少一个第二特征向量,并且所述特征向量提取模块被进一步配置为:
将所述数据集中的每个数据划分到离散的多个数值区间中的相应数值区间中;将所述每个数据映射到该数据所属数值区间中的对应离散等级,以得到与所述数据集对应的灰度图像;确定所述灰度图像在至少一个方向上的灰度共生矩阵;根据所述灰度共生矩阵,确定针对所述灰度共生矩阵中的像素灰度值的至少一个统计量作为所述至少一个第一特征向量,其中,所述针对所述灰度共生矩阵中的像素灰度值的至少一个统计量包括能量、对比度、熵、均匀性、相关性、方差中的至少一者;并且
对所述数据集进行小波变换,以得到经小波变换的数据集;从所述经小波变换的数据集中提取所述至少一个第二特征向量,其中,所述至少一个第二特征向量包括能量频率特征向量、相关角特征向量中的至少一者;以及
故障类型确定模块,被配置为对所述至少一个特征向量进行分类,以确定所述电池的故障类型,其中,所述故障类型包括电池紧固件松动、电池内部损伤、传感器损坏中的至少一者。
7.一种计算设备,其特征在于,包括:
至少一个处理器;
与所述至少一个处理器通信连接的至少一个存储器,所述至少一个存储器存储有指令,所述指令当被所述至少一个处理器单独或共同执行时,使所述计算设备执行权利要求1至5中任一项所述的方法。
8.一种计算机可读存储介质,其特征在于,存储有指令,所述指令当被计算设备的一个或多个处理器单独或共同执行时,使所述计算设备执行权利要求1至5中任一项所述的方法。
9.一种计算机程序产品,其特征在于,包括指令,所述指令当被计算设备的一个或多个处理器单独或共同执行时,使所述计算设备执行权利要求1至5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311398047.3A CN117169732B (zh) | 2023-10-26 | 2023-10-26 | 电池故障检测方法、装置、计算设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311398047.3A CN117169732B (zh) | 2023-10-26 | 2023-10-26 | 电池故障检测方法、装置、计算设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117169732A CN117169732A (zh) | 2023-12-05 |
CN117169732B true CN117169732B (zh) | 2024-04-26 |
Family
ID=88931966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311398047.3A Active CN117169732B (zh) | 2023-10-26 | 2023-10-26 | 电池故障检测方法、装置、计算设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117169732B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104964821A (zh) * | 2015-05-22 | 2015-10-07 | 南京航空航天大学 | 一种用于轴系设备的故障检测方法和故障检测装置 |
CN113086799A (zh) * | 2021-04-09 | 2021-07-09 | 新沂慧科智能科技有限公司 | 一种基于图像识别的电梯故障检测及预警方法 |
CN113203954A (zh) * | 2021-04-26 | 2021-08-03 | 湖北工业大学 | 一种基于时频图像处理的电池故障诊断方法 |
CN113378943A (zh) * | 2021-06-16 | 2021-09-10 | 西北工业大学 | 基于小波-灰度共生矩阵的发动机转子碰磨故障诊断方法 |
CN113673630A (zh) * | 2021-09-15 | 2021-11-19 | 国网能源研究院有限公司 | 配电网故障分类方法、系统及装置 |
CN116381493A (zh) * | 2023-03-24 | 2023-07-04 | 华北电力大学(保定) | 一种电池组故障检测方法、系统、电子设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8145677B2 (en) * | 2007-03-27 | 2012-03-27 | Faleh Jassem Al-Shameri | Automated generation of metadata for mining image and text data |
US11488010B2 (en) * | 2018-12-29 | 2022-11-01 | Northeastern University | Intelligent analysis system using magnetic flux leakage data in pipeline inner inspection |
-
2023
- 2023-10-26 CN CN202311398047.3A patent/CN117169732B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104964821A (zh) * | 2015-05-22 | 2015-10-07 | 南京航空航天大学 | 一种用于轴系设备的故障检测方法和故障检测装置 |
CN113086799A (zh) * | 2021-04-09 | 2021-07-09 | 新沂慧科智能科技有限公司 | 一种基于图像识别的电梯故障检测及预警方法 |
CN113203954A (zh) * | 2021-04-26 | 2021-08-03 | 湖北工业大学 | 一种基于时频图像处理的电池故障诊断方法 |
CN113378943A (zh) * | 2021-06-16 | 2021-09-10 | 西北工业大学 | 基于小波-灰度共生矩阵的发动机转子碰磨故障诊断方法 |
CN113673630A (zh) * | 2021-09-15 | 2021-11-19 | 国网能源研究院有限公司 | 配电网故障分类方法、系统及装置 |
CN116381493A (zh) * | 2023-03-24 | 2023-07-04 | 华北电力大学(保定) | 一种电池组故障检测方法、系统、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于 MRSVD 和时频灰度图的储能 电池过充特征识别;马宏忠 等;《电源技术》;第44卷卷(第9期期);第1351-1354页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117169732A (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9606154B2 (en) | Electrical load identification during an on event using a support vector machine classifier | |
CN103884435A (zh) | 一种电子设备红外监测系统 | |
CN111626360B (zh) | 用于检测锅炉故障类型的方法、装置、设备和存储介质 | |
CN117572159B (zh) | 基于大数据分析的电力故障检测方法及系统 | |
CN117571107B (zh) | 一种智能化无人值守地磅异常监测系统 | |
CN116933145B (zh) | 工业设备中的部件的故障确定方法及相关设备 | |
CN111191671A (zh) | 一种用电器波形检测方法、系统、电子设备及存储介质 | |
CN116215295B (zh) | 充电桩监控预警方法、装置、设备及存储介质 | |
CN111309562A (zh) | 服务器故障的预测方法、装置、设备和存储介质 | |
CN113203954A (zh) | 一种基于时频图像处理的电池故障诊断方法 | |
CN117192416A (zh) | 基于bms系统的蓄电池监测系统及方法 | |
CN117169732B (zh) | 电池故障检测方法、装置、计算设备和介质 | |
CN117825864A (zh) | 一种配电网线路短路容量监控诊断方法及系统 | |
CN116680992B (zh) | 建立电芯容量预测模型的方法、装置、计算机设备及介质 | |
CN116819259A (zh) | 一种智能局部放电识别诊断方法、系统及存储介质 | |
CN117039714A (zh) | 一种输电线路巡检方法、装置、存储介质及电子设备 | |
CN115774208A (zh) | 一种电池单元异常监测方法、装置、电子设备及介质 | |
CN110311909B (zh) | 终端设备网络访问的异常判定方法和装置 | |
CN117148172B (zh) | 电池状态检测方法、装置、计算设备和介质 | |
CN116298998B (zh) | 电池电芯检测方法、装置、电子设备及存储介质 | |
CN116819378B (zh) | 储能电池异常检测方法及装置 | |
CN113866707A (zh) | 一种智能电力测量仪表 | |
CN117471239A (zh) | 基于热源极值分布的电力设备故障识别方法 | |
CN118392531A (zh) | 阀冷设备故障检测方法、装置、设备、介质和产品 | |
CN117434403A (zh) | 电器的局部放电检测方法及装置 |
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 |