CN117289143B - 一种故障预测方法、装置、设备、系统和介质 - Google Patents
一种故障预测方法、装置、设备、系统和介质 Download PDFInfo
- Publication number
- CN117289143B CN117289143B CN202311590364.5A CN202311590364A CN117289143B CN 117289143 B CN117289143 B CN 117289143B CN 202311590364 A CN202311590364 A CN 202311590364A CN 117289143 B CN117289143 B CN 117289143B
- Authority
- CN
- China
- Prior art keywords
- fault
- battery
- data
- module
- prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000003066 decision tree Methods 0.000 claims description 93
- 230000005856 abnormality Effects 0.000 claims description 40
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000012512 characterization method Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 description 23
- 238000007726 management method Methods 0.000 description 17
- 238000012545 processing Methods 0.000 description 13
- 238000012549 training Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 7
- 230000010365 information processing Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000004807 localization Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013475 authorization Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 230000001960 triggered effect Effects 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请公开了一种故障预测方法、装置、设备、系统和介质,该方法包括:获取在电池相关模块未发生故障的情况下采集得到的故障关联数据,作为目标数据,故障关联数据是对目标模块采集得到,且与电池相关模块的故障相关的;对目标数据进行故障预测,得到电池相关模块的故障预测结果,故障预测结果表征电池相关模块未来是否会发生故障,电池相关模块为电池管理系统中的电路模块。通过上述方式,本申请能够预测电池相关模块未来是否会发生故障。
Description
技术领域
本申请涉及电池技术领域,特别是涉及一种故障预测方法、装置、设备、系统和介质。
背景技术
随着生活水平的提高,在日常生活中人们越来越多的开始使用各种电池。电子设备中也相应设置有与电池相关的多种电池相关模块,如用于智能化管理电池的电池管理系统(BMS,Battery Management System)中包含多种芯片。
电池相关模块在运行过程中可能会出现故障,本申请的发明人在长期的研发过程中,发现现有对电池相关模块的故障仍然欠缺了解,难以对故障的出现进行预判。
发明内容
本申请至少提供一种故障预测方法、装置、设备、系统和介质,能够解决难以预判电池相关模块故障的问题。
本申请提供了一种故障预测方法,包括:获取在电池相关模块未发生故障的情况下采集得到的故障关联数据,作为目标数据,故障关联数据是对目标模块采集得到,且与电池相关模块的故障相关的,目标模块包括电池相关模块和/或电池相关模块的关联模块,电池相关模块为电池管理系统中的电路模块;对目标数据进行故障预测,得到电池相关模块的故障预测结果,故障预测结果表征电池相关模块未来是否会发生故障。
在上述方案中,在电池相关模块未发生故障的情况下,记录目标数据,目标数据为与电池相关模块的故障相关的数据,对目标数据进行故障预测,能够预测电池相关模块未来是否会发生故障,便于用户及时了解电池相关模块可能发生的故障。
一些实施例中,目标数据是监测到电池相关模块存在预设异常的情况下采集的故障关联数据。
在上述方案中,在电池相关模块存在预设异常的情况下进行故障预测,重点关注存在预设异常的情况,减少故障预测的工作量,提高故障预测的效率。
一些实施例中,获取在电池相关模块未发生故障的情况下采集得到的故障关联数据,作为目标数据,包括:接收目标设备发送的故障关联数据,作为目标数据,目标设备为电池相关模块所在的设备,目标数据是目标设备在电池相关模块存在预设异常的情况下采集并发送的;或者,从存储池中读取得到故障关联数据,作为目标数据,其中,目标数据是电池相关模块所在的目标设备在电池相关模块存在预设异常的情况下采集并存储于存储池的。
在上述方案中,可以在出现预设异常的情况下实时进行故障预测,或者,将出现预设异常采集的故障关联数据存储到存储池,进行非实时的故障预测,灵活适应不同的应用场景。
一些实施例中,该方法还包括:监测目标模块的故障关联数据;响应于当前的故障关联数据满足异常条件,确定电池相关模块存在预设异常,并触发目标设备发送或存储满足异常条件的故障关联数据。
在上述方案中,对目标模块的故障关联数据进行监测,判断故障关联数据满足异常条件则确定存在预设异常,从而能够触发故障关联数据的存储或发送,实现在存在预设异常时进行故障预测。
一些实施例中,存储池设于目标设备、方法的执行设备、或者其他设备中。
在上述方案中,存储池可以灵活设置于目标设备、执行设备和其他设备中,能够灵活适应不同的应用需要。
一些实施例中,目标数据是从存储池读取得到,该方法还包括:在将本次采集的故障关联数据存储于存储池之前,响应于存储池中的故障关联数据的存储组数多于上限值,按照故障发生时间,从存储池中选择至少一组故障关联数据进行删除;将本次采集的故障关联数据存储于经删除后的存储池。
在上述方案中,为存储池设置存储上限,能够在满足故障预测的数据存储需要的基础上,减少资源占用。
一些实施例中,对目标数据进行故障预测,得到电池相关模块的故障预测结果,包括:获取目标数据的第一特征数据;对第一特征数据进行故障预测,得到电池相关模块的故障预测结果。
在上述方案中,第一特征数据能够反映目标数据的特征,从而能够用于故障预测,预测得到电池相关模块未来是否会发生故障,便于用户及时了解电池相关模块可能发生的故障。
一些实施例中,对第一特征数据进行故障预测,得到电池相关模块的故障预测结果,包括:利用电池相关模块对应的预测决策树对第一特征数据进行故障预测,得到电池相关模块的故障预测结果。
在上述方案中,利用决策树作为分析手段,能够实现对第一特征数据进行分析,分析确定电池相关模块未来是否会发生故障。
一些实施例中,在利用电池相关模块对应的预测决策树对第一特征数据进行故障预测,得到电池相关模块的故障预测结果之前,还包括:获取电池相关模块的至少一组历史数据,组成样本数据集,每组历史数据包括电池相关模块在一历史时刻的故障关联数据以及在历史时刻是否发生故障的表征信息;利用样本数据集,构建电池相关模块的预测决策树。
在上述方案中,利用电池相关模块在历史时刻的故障关联数据以及是否发生故障的表征信息作为样本数据,能够构建得到用于进行故障预测的预测决策树,以实现对电池相关模块进行故障预测。
一些实施例中,在利用电池相关模块对应的预测决策树对第一特征数据进行故障预测,得到电池相关模块的故障预测结果之后,还包括:获取电池相关模块在未来预设时间段是否发生故障的实际故障结果;利用实际故障结果确定故障预测结果是否有误;响应于故障预测结果有误,将目标数据以及实际故障结果作为新的样本数据,并加入至样本数据集中;利用更新的样本数据集,重新构建得到预测决策树。
在上述方案中,将预测错误的数据和对应的实际故障结果作为样本数据加入样本数据集用于重新构建预测决策树,从而能够丰富样本数据集,纠正预测决策树,提高故障预测准确性。
一些实施例中,在对目标数据进行故障预测,得到电池相关模块的故障预测结果之后,还包括:响应于故障预测结果为电池相关模块未来会发生故障,保存目标数据作为候选故障数据,候选故障数据用于在电池相关模块在未来预设时间段发生故障的情况下,用以分析得到对应的故障原因。
在上述方案中,在预测可能出现故障时,预先将相关数据存储下来,能够避免因为故障导致数据丢失,从而无法对故障进行原因定位,提升故障原因定位的稳定性。
一些实施例中,在保存目标数据作为候选故障数据之后,还包括:响应于在未来预设时间段内发生故障,将候选故障数据作为故障数据,获取故障数据的第二特征数据,并从电池相关模块的若干原因决策树中,确定故障数据所属的故障类下的原因决策树,作为目标决策树;利用目标决策树对第二特征数据进行故障定位,得到电池相关模块的故障原因。
在上述方案中,在电池相关模块发生故障的情况下的获取第二特征数据进行分析能够准确反映已经发生故障的故障原因,便于了解已经发生的故障的原因。
一些实施例中,获取目标数据的第一特征数据,包括:对目标数据进行特征提取,得到第一特征数据;或者,直接将目标数据作为第一特征数据。
在上述方案中,目标数据可以直接作为第一特征数据或者经特征提取得到第一特征数据,能够灵活适应不同的应用需要。
一些实施例中,故障关联数据包括目标模块的状态信息和所在设备的工况中的至少一者;其中,目标模块的状态信息包括电池相关模块的状态信息、电池状态信息、驱动状态信息、以及通讯状态信息中的一种或多种。
在上述方案中,故障关联数据包括电池相关模块相关的信息,能够表征电池相关模块的状态,进而可以用于预测电池相关模块是否可能发生故障,实现高压芯片的故障预测。
一些实施例中,电池相关模块为电池管理系统中的芯片。
在上述方案中,能够实现电池管理系统中的芯片的故障预测,能够充分反映电池管理系统中的芯片未来是否会发生故障,便于用户及时了解电池管理系统中的芯片可能发生的故障。
本申请提供了一种故障预测装置,包括获取模块和预测模块,获取模块用于获取在电池相关模块未发生故障的情况下采集得到的故障关联数据,作为目标数据,故障关联数据是对目标模块采集得到,且与电池相关模块的故障相关的,目标模块包括电池相关模块和/或电池相关模块的关联模块,电池相关模块为电池管理系统中的电路模块;预测模块用于对目标数据进行故障预测,得到电池相关模块的故障预测结果,故障预测结果表征电池相关模块未来是否会发生故障。
本申请提供了一种电子设备,包括相互耦接的存储器和处理器,处理器用于执行存储器中存储的程序指令,以实现上述任一项中的故障预测方法。
本申请提供了一种故障预测系统,包括目标设备和预测设备,目标设备包括电池和电池相关模块;预测设备为前述的电子设备,用于对电池相关模块进行故障预测。
在上述方案中,故障预测系统中的预测设备可以对目标设备中的电池相关模块进行故障预测,能够反映电池相关模块未来是否会发生故障,便于用户及时了解电池相关模块可能发生的故障。
一些实施例中,目标设备为车辆。
在上述方案中,能够反映车辆中电池相关模块未来是否会发生故障,便于用户及时了解车辆中电池相关模块可能发生的故障。
一些实施例中,预测设备为独立于目标设备,或者集成于目标设备中。
在上述方案中,预测设备可以独立于目标设备,或者集成于目标设备,能够灵活适应不同的应用需要。
本申请提供了一种计算机可读存储介质,其上存储有程序指令,程序指令被处理器执行时实现上述任一项中的故障预测方法。
附图说明
图1是本申请一些实施例提供的故障预测方法的流程示意图;
图2是本申请一些实施例提供的故障预测方法的另一流程示意图;
图3是本申请一些实施例提供的故障预测步骤的另一流程示意图;
图4是本申请一些实施例提供的故障预测步骤的再一流程示意图;
图5是本申请一些实施例提供的故障预测方法的再一流程示意图;
图6是本申请一些实施例提供的故障预测装置的框架示意图;
图7是本申请一些实施例提供的电子设备的框架示意图;
图8是本申请一些实施例提供的故障预测系统的框架示意图;
图9是本申请一些实施例提供的计算机可读存储介质的框架示意图。
具体实施方式
为使本申请的目的、技术方案及效果更加清楚、明确,以下参照附图并举实施例对本申请进一步详细说明。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。
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,“多个”的含义是两个以上,“若干”的含义是一个或多于一个,除非另有明确具体的限定。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,在不存在矛盾的基础上,本文中所描述的实施例之间也可以相互结合。
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。
目前,随着生活水平的提高,在日常生活中人们越来越多的开始使用各种电池。电子设备中也相应设置有与电池相关的多种电池相关模块,但是现有技术中对电池相关模块的故障仍然欠缺了解,难以对故障的出现进行预判。
本发明人注意到,与电池相关模块相关的数据可以表征电池相关模块的状态,但是这些数据往往被忽视。故,本申请实施例提出了以下故障预测方法,在电池相关模块未发生故障的情况下,记录目标数据,目标数据为与电池相关模块的故障相关的数据,对目标数据进行故障预测,能够反映电池相关模块未来是否会发生故障,便于用户及时了解电池相关模块可能发生的故障。
请参阅图1,图1是本申请一些实施例提供的故障预测方法的流程示意图。具体而言,该方法可以包括:
步骤S110:获取在电池相关模块未发生故障的情况下采集得到的故障关联数据,作为目标数据。
其中,电池相关模块可以是与电池相关的模块,可以作为故障预测的对象。
需要说明的是,本申请提供的故障预测方法可以由一预测设备执行。目标设备中可以设置有电池以及电池相关模块,预测设备执行故障预测方法可以预测目标设备中的电池相关模块未来是否会发生故障。
一些实施例中,目标设备和预测设备可以是相互独立的,两者可以进行通信。
一些实施例中,预测设备可以作为预测模块集成于目标设备,也即目标设备利用其预测模块,对其自身设置的电池相关模块进行故障预测。
在一具体的应用场景中,目标设备可以是新能源车辆,其中设置有电池和电池相关模块。预测设备可以是服务器,新能源车辆和服务器之间可以进行通信。
其中,目标数据可以是在电池相关模块未发生故障的情况下采集得到的故障关联数据,故障关联数据可以是与电池相关模块可能发生的故障相关的数据,故障关联数据的内容可以根据实际应用需要而设置。示例性地,故障关联数据可以包括目标模块的状态信息等。
并且,故障关联数据可以是对目标模块采集得到的,目标模块可以包括电池相关模块和/或电池相关模块的关联模块。
示例性地,故障关联数据可以包括目标模块的状态信息和所在设备的工况中的至少一者。进一步地,目标模块的状态信息可以包括电池相关模块的状态信息、电池状态信息、驱动状态信息、以及通讯状态信息中的一种或者多种。
其中,通讯状态信息可以包括电池相关模块的通讯状态信息,驱动状态信息可以包括电池相关模块的驱动状态信息。
一些实施例中,电池相关模块可以是芯片。当然,电池相关模块也可以不限于芯片,也可以是与电池相关的电路模块,或者电路模块中的单元分支等,在此不做一一列举。
一些实施例中,电池相关模块可以是电池管理系统中的电路模块。进一步,电池相关模块可以是电池管理系统中的芯片。
在一实施场景中,目标设备设置有电池以及电池管理系统,电池管理系统中的芯片可以作为电池相关模块,作为故障预测的对象。
在一具体的应用场景中,电池管理系统可以包括主控模块、电源模块以及信息采集模块等。进一步来说,主控模块可以包括主控芯片(MCU),电源模块可以包括电源芯片(SBC),信息采集模块可以包括电芯监控芯片(CMC)、高压芯片、电流监控芯片、时钟芯片(RTC)、保险丝驱动芯片(Pyrofuse芯片)等。上述电池管理系统中的芯片均与电池相关,均可以作为电池相关模块。不同的模块作为电池相关模块时,其故障关联数据包含的数据项可以是不同的,或者也可以存在至少部分是相同的。
需要说明的是,电池相关模块的关联模块可以不限于上述电池管理系统中的芯片。
步骤S120:对目标数据进行故障预测,得到电池相关模块的故障预测结果。
其中,故障预测结果可以表征电池相关模块未来是否会发生故障。
需要说明的是,目标数据是与电池相关模块的故障关联的数据,该数据可以从故障角度来表征电池相关模块相关的状态,从而可以用于预测电池相关模块是否会发生故障。
一些实施例中,目标数据可以是在电池相关模块未发生故障的情况下任意时刻采集得到的故障关联数据。
一些实施例中,目标数据可以是在监测到电池相关模块存在预设异常,但电池相关模块尚未发生故障的情况下采集的故障关联数据,因此,能够重点关注出现异常的情况,在没有异常的情况下,无需获取目标数据进行故障预测,从而可以简化故障预测的过程,能够有效捕捉可能出现的故障,提升故障预测准确性以及效率。
一些实施例中,上述获取得到目标数据的步骤可以包括:预测设备接收目标设备发送的故障关联数据,作为目标数据。其中,目标设备为电池相关模块所在的设备,目标数据是目标设备在电池相关模块存在预设异常的情况下采集并发送的。
一些实施场景中,目标设备每在电池相关模块出现预设异常时即可以发送本次异常对应的故障关联数据,预测设备相应可以获取目标数据,以用于预测未来是否会发生故障,从而实现根据出现的异常而实时进行故障预测,故障预测结果可以用于提供给目标设备的用户,以便于用户了解目标设备出现的异常以及可能出现的故障。具体举例,预测设备可以是服务器,服务器可以与目标设备进行通信,服务器可以实时接收目标设备在电池相关模块存在预设异常的情况下采集并发送的故障关联数据作为目标数据。
一些实施场景中,预测设备也可以集成于目标设备中,那么预测设备,或者可以称为预测模块,可以读取到目标设备中其他模块发送的故障关联数据,即可实现目标设备对自身进行实时的故障预测。
一些实施例中,上述获取得到目标数据的步骤可以包括:从存储池中读取得到故障关联数据,作为目标数据,其中,存储池中存储的故障关联数据为目标设备在在电池相关模块存在预设异常的情况下采集并存入的。存储池中的故障关联数据可以包括若干组,每组数据可以是出现一次预设异常而存储的。
需要说明的是,预设异常可以有多个,在电池相关模块出现一个预设异常时即可以采集故障关联数据,存储池中的不同组的故障关联数据可以是出现不同预设异常而采集并存入的,当然,也可以存在部分或者全部组数据是在不同时刻出现相同的预设异常而分别采集并存入的。
一些实施场景中,预测设备可以从存储池中读到多组故障关联数据,将每组故障关联数据分别作为目标数据。
一些实施场景中,每在电池相关模块出现预设异常时,即可以将本次异常的故障关联数据存储到存储池中,而后预测设备可以一次获取存储池中的若干组数据,一并进行故障预测。
在一具体的应用场景中,预测设备可以间隔一定时间,获取间隔期间内产生采集的故障关联数据,一并进行故障预测。其中,间隔期间可以是固定时长,也可以是非固定时长。
在一具体的应用场景中,目标设备可以是新能源车辆,预测设备可以在新能源车辆每次进行保养或者检修时获取存储池中存储的故障关联数据以作为目标数据。
进一步地,可以通过UDS(Unified Diagnostic Services,统一诊断服务)指令获取故障关联数据。
需要说明的是,电池相关模块的一些异常出现可能并不会影响电池相关模块的工作,因此,也可以采用非实时的故障预测方式。当然,一些情况下,实时预测和非实时预测的方式也可以结合,例如,可以根据为各个预设异常设置是采用实时预测方式或者非实时预测方式,那么目标设备可以根据出现的预设异常对应采用的预测方式,将对本次异常采集的故障关联数据存储到存储池中或者直接发送给预测设备。
一些实施场景中,预测设备也可以集成于目标设备中,那么预测设备,或者可以称为预测模块,可以读取到目标设备存储到存储池中的故障关联数据,即可实现目标设备对自身进行非实时的故障预测。
需要说明的是,存储池可以设置于目标设备、预测设备、或者其他设备中。
在一具体的应用场景中,目标设备可以是新能源车辆,存储池可以设置于车辆中,在车辆进行保养时,建立车辆与预测设备的通信,从而预测设备能够得到目标数据。
进一步地,电池相关模块是否存在预设异常可以是由预测设备或者目标设备进行监测的。
请参阅图2,图2是本申请一些实施例提供的故障预测方法的另一流程示意图。以下以异常监测为预测设备执行为例进行说明。具体而言,该方法可以包括:
步骤S210:监测目标模块的故障关联数据。
步骤S220:响应于当前的故障关联数据满足异常条件,确定电池相关模块存在预设异常,并触发目标设备发送或者存储满足异常条件的故障关联数据。
其中,异常条件可以根据实际应用而设置,示例性地,可以为故障关联数据中各数据项设置异常阈值或者异常值,从而根据异常阈值或者异常值可以判断电池相关模块存在预设异常。
在一具体的应用场景中,可以为各数据项设置异常阈值或者异常值,以及故障阈值或者故障值。从而根据数据项的数值能够判断是否存在异常或者故障。示例性地,温度达到80摄氏度可以作为故障条件,温度达到60度可以作为异常条件。根据温度的值可以判断当前有否出现异常和故障。
需要说明的是,目标设备可以直接将满足异常条件的故障关联数据发送给预测设备,从而实现实时故障预测。也可以将满足异常条件的故障关联数据存储到存储池中,存储池可以设置于目标设备、预测设备、或者其他设备中。
一些实施例中,异常监测可以由目标设备执行,示例性地,目标设备执行如上所述的步骤S210-步骤S220。
一些实施例中,故障关联数据被存储到存储池中,存储池可以被配置为能够存储故障关联数据的组数不超过上限值。在将本次采集的故障关联数据存储于存储池之前,可以先确定存储池中存储的故障关联数据的组数与上限值之间的大小关系,响应于存储池中的要存储的故障关联数据的存储组数多于上限值,此时本次采集的故障关联数据也可计算在存储组数之中,那么按照数据采集时间,从存储池中选择至少一组故障关联数据进行删除,而后将本次采集的故障关联数据存储于经删除后的存储池。从而能够使得获取目标数据时,能够得到最近发生的异常对应的故障关联数据。
在一实施场景中,存储池的存储组数上限为10组。最大支持存储10组不同异常的故障关联数据,且采样先进先出,当新的故障关联数据需要存入时,要存储的组数超过上限值时,则可以按照数据的采集时间来删除存储池中已经存储的至少一组故障关联数据,以将新的故障关联数据存入存储池。
在一具体的应用场景中,在记录下本次故障关联数据之后,将故障存储组数加一,并判断存储的故障组数是否大于上限值10组,若大于,则删除最早存入的故障关联数据,更新存储池中的数据。
一些实施例中,在存储故障关联数据时,还可以优先考虑故障关联数据对应的预设异常,以使得存储池中能够存储最近发生的、不同异常的故障关联数据,从而能够反映最近发生的各类异常。
步骤S230:获取故障关联数据,作为目标数据。
步骤S240:对目标数据进行故障预测,得到电池相关模块的故障预测结果。
步骤S230-步骤S240的相关描述可以参考前述实施例中的相关内容,在此不做赘述。
一些实施例中,进行故障预测还可以得到故障预测结果的分析过程,该分析过程可以与故障预测结果一并输出。可以供用户了解分析得到故障预测结果的过程,便于用户从故障角度进一步了解其使用的目标设备的情况。
请参阅图3,图3是本申请一些实施例提供的故障预测步骤的另一流程示意图。具体而言,可以包括如下步骤:
步骤S321:获取目标数据的第一特征数据。
其中,第一特征数据是基于目标数据得到的,示例性地,可以直接将目标数据作为其第一特征数据,也可以对目标数据进行特征提取得到其第一特征数据。其中,特征提取的手段可以根据实际应用需要而设置,在此不做一一举例。示例性地,特征提取可以包括数据整形、格式调整、数据计算等。
特征提取能够使得目标数据能够更为准确地反映电池相关模块的状态,从而能够更加准确地进行故障预测。
可以理解的是,目标数据包含的数据项可以是一个或者多个,在得到第一特征数据的过程中,对不同数据项可以采用不同处理方式。示例性地,对数据项A进行二值化,对数据项B不进行处理,将数据项C和数据项D加和,对数据项E进行格式调整,删除数据项F等等。
步骤S322:对第一特征数据进行故障预测,得到电池相关模块的故障预测结果。
需要说明的是,第一特征数据是基于目标数据得到的。目标数据是与电池相关模块的故障关联的数据,因而第一特征数据也可以从故障角度来表征电池相关模块的状态,从而可以用于预测电池相关模块是否会发生故障得到故障预测结果。
进一步来说,对第一特征数据进行故障预测,得到电池相关模块的故障预测结果可以包括:利用电池相关模块对应的预测决策树对第一特征数据进行故障预测,得到电池相关模块的故障预测结果。
需要说明的是,第一特征数据可以从故障角度来表征电池相关模块的状态,对第一特征数据进行故障预测可以是基于第一特征数据进行分析,以表示未来电池相关模块处于故障状态的可能性。该分析可以利用预测决策树而实现,当然,也可以采用其他数据分析手段实现,示例性地,也可以采用神经网络对第一特征数据进行分析得到故障预测结果。
一些实施例中,分析过程具体与分析所使用的手段关联,示例性地,采用决策树进行分析,那么分析过程可以包括决策树对第一特征数据的处理过程,采用神经网络进行分析,那么分析过程可以包括神经网络对第一特征数据的处理过程,具体可以根据实际应用需要而设置,在此不做具体限定。
在一具体的应用场景中,电池相关模块可以是高压芯片,采用决策树对高压芯片的第一特征数据进行故障预测,得到高压芯片的故障预测结果,以及得出该故障预测结果的FTA(Fault Tree Analysis,故障树分析法)结果,即故障树分析得到故障预测结果的分析过程。
请参阅图4,图4是本申请一些实施例提供的故障预测步骤的再一流程示意图。具体而言,可以包括如下步骤:
步骤S410:获取电池相关模块的至少一组历史数据,组成样本数据集。
可以理解的是,本实施例中以利用决策树进行故障预测为例进行说明。预测使用的预测决策树可以是预先构建的,本实施例中步骤S410-步骤S420为构建预测决策树的步骤。
其中,预测决策树可以是由预测设备构建的,或者也可以由其他设备预先构建完毕,发送至预测设备的。预测决策树的构建需要在利用决策树进行故障预测之前,但与获取第一特征数据这一步骤的执行顺序是可以调换的。
其中,每组历史数据包括电池相关模块在一历史时刻的故障关联数据以及在该历史时刻是否发生故障的表征信息。历史数据可以是在电池相关模块发生故障的情况下获取的,也可以是在电池相关模块没有发送故障的情况下获取的。
步骤S420:利用样本数据集构建电池相关模块的预测决策树。
可以理解的是,电池相关的模块均可以作为本申请提供的故障预测方法中的电池相关模块,但是对于不同的模块得到的预测决策树可以是不同的。
一些实施例中,样本数据集也可以称为训练元组,包括电池相关模块的历史数据,每一组历史数据均包括相关的在某一历史时刻记录的故障关联数据和是否发生故障的表征信息。预测决策树的构建可以包括将所有历史数据作为训练元组,将训练元组按照属性进行划分,提取特征属性,依据特征属性的优先级构建预测决策树。
进一步地,构建预测决策树可以包括如下步骤:步骤A、将训练元组按照属性进行划分,计算每个属性的信息增益,选择信息增益最大的属性作为特征属性,作为决策树的根节点,所属特征属性的类别作为根节点的边。步骤B、按照所属特征属性的类别将训练元组进行划分,将已判定为特征属性的属性去除,并判断所属特征属性是否存在使运行类别为退役的类别,如果存在,则所属类别对应的下一节点为叶子节点,叶子节点存储着退役的运行类别,转向步骤C,否则直接转向步骤C。步骤C、在每个新划分的训练群组中计算剩余属性的信息增益,选择信息增益最大的属性作为特征属性,作为决策树的中间节点。步骤D、重复步骤B、C,直至行划分的训练群组中只存在一个属性,将该属性作为特征属性,该特征属性的类别对应的运行类别均存储在下一分支的叶子节点中,预测决策树构建完成。预测决策树的数量可以为一个。
其中,叶子节点中存储的内容即表示电池相关模块未来是否会发生故障。
步骤S430:获取目标数据的第一特征数据。
其中,可以将目标数据直接作为第一特征数据,或者对目标数据进行特征提取而得到第一特征数据。关于步骤S430的描述可以参考前述实施例中的相关内容。
步骤S440:利用电池相关模块对应的预测决策树对第一特征数据进行故障预测,得到电池相关模块的故障预测结果。
其中,预测决策树的叶子节点可以存储表征电池相关模块未来会发生故障或者电池相关模块未来不会发生故障的故障预测结果。利用预测决策树对第一特征数据进行故障预测,具体可以是将第一特征数据输入预测决策树,预测决策树从根节点逐步向下分析,最终结束于一叶子节点,该叶子节点存储的内容即作为故障预测结果。
一些实施例中,若目标数据是根据电池相关模块出现预设异常而记录的,那么也可以将预测决策树设置为多个。不同的预测决策树可以关联于异常数据项,用于适应不同异常情况进行预测。根据出现异常的数据项而记录目标数据,以及选择对应的预测决策树。
可以理解的是,故障预测结果是对电池相关模块未来是否会发生故障进行预测的结果,预测是否成功可以根据电池相关模块在未来预设时间段内是否发生故障的实际故障结果来判断。其中,预测成功即为故障预测结果与实际故障结果一致,如故障预测结果表征电池相关模块不会发生故障,实际故障结果也为电池相关模块没有发生故障;故障预测结果表征电池相关模块会发生故障,实际故障结果也为电池相关模块发生故障。预测失误即为故障预测结果与实际故障结果不一致,如故障预测结果表征电池相关模块不会发生故障,实际故障结果为电池相关模块发生故障;故障预测结果表征电池相关模块会发生故障,实际故障结果为电池相关模块没有发生故障。
一些实施例中,当前获取的目标数据也可以作为新的样本数据,可以加入到样本数据集中,更新的样本数据集可以用于重新构建得到新的预测决策树,从而能够利用获取到的目标数据丰富样本数据集,以提高对电池相关模块的故障预测的准确性。
进一步地,基于电池相关模块在未来预设时间段内是否发生故障的实际故障结果可以确定故障预测结果是否有误。也可以重点关注故障预测结果有误的情况,此时将目标数据以及实际故障结果作为新的样本数据加入样本数据集中,以更新预测决策树。可以理解的是,故障预测结果有误表示预测决策树对电池相关模块的目标数据分析有误,那么可以将该目标数据以及其对应的实际故障结果作为样本数据来调整预测决策树,以提高对电池相关模块的故障预测的准确性,并且重点关注故障预测结果有误的情况可以能够节约计算资源。
在一具体的应用场景中,在利用电池相关模块对应的预测决策树对第一特征数据进行故障预测,得到电池相关模块的故障预测结果之后,还包括:获取电池相关模块在未来预设时间段是否发生故障的实际故障结果;利用实际故障结果确定故障预测结果是否有误;响应于故障预测结果有误,将目标数据以及实际故障结果作为新的样本数据,并加入至样本数据集中;利用更新的样本数据集,重新构建得到预测决策树。
一些实施例中,利用与电池相关模块故障相关的数据还可以对电池相关模块已经发生的故障进行故障原因的定位。具体来说,响应于发生故障,获取故障数据的第二特征数据,并从电池相关模块的若干原因决策树中,确定故障数据所属故障类下的原因决策树,作为目标决策树,利用目标决策树对第二特征数据进行故障定位,得到电池相关模块的故障原因。
其中,第二特征数据可以为故障数据或者对故障数据进行特征提取得到。
可选地,在预测到电池相关模块未来会发生故障时,可以将用于故障原因定位的数据存储下来,以免故障导致电池相关模块相关的关键数据丢失,后续难以进行故障原因定位。
需要说明的是,用于预测故障是否发生的目标数据,与用于定位已发生的故障原因的故障数据可以是相同的,或者目标数据包含的内容较故障数据更丰富,因此可以直接将目标数据存储下来,就能够作为故障数据用于原因定位。
在一实施场景中,在故障预测结果为电池相关模块未来会发生故障的情况下,可以将得到上述故障预测结果所用的目标数据存储下来,作为候选故障数据,可以用于在电池相关模块在未来预设时间段内真实发生故障的情况下,分析定位故障原因,以免故障导致电池相关模块相关的关键数据丢失,后续难以进行故障原因定位。
进一步地,可以将候选故障数据存储到非易失性存储中,可以用于后续定位故障原因。
一些实施例中,用于故障预测的目标数据并不包括原因定位所需的所有数据项,那么在故障预测结果为电池相关模块未来会发生故障的情况下,也可以另外存储候选故障数据。
一些实施例中,目标数据可以包括原因定位所需的所有数据项,故而目标数据可以直接作为候选故障数据,其中,目标数据中的至少部分数据项为用于故障预测的。
在一应用场景中,故障关联数据包括目标模块的状态信息、故障统计信息、软件故障标记信息以及所在设备的工况中的一者或多者。其中,目标模块的状态信息包括电池相关模块的状态信息、电池状态信息、驱动状态信息、通讯状态信息中的一种或多种。故障统计信息包括故障发生次数、故障发生时长中的至少一者。
故障关联数据可以用于故障预测以及原因定位。故障预测以及原因定位可以使用故障关联数据中的至少部分,两者使用的数据项可以是相同的,也可以存在部分不同。
一些实施例中,在将目标数据作为候选故障数据之后,响应于在未来预设时间段内发生故障,可以将候选故障数据作为故障数据,获取故障数据的第二特征数据,并从电池相关模块的若干原因决策树中,确定故障数据所属故障类下的原因决策树,作为目标决策树,利用目标决策树对第二特征数据进行故障定位,得到电池相关模块的故障原因。
其中,故障数据可以是预先存储的候选故障数据,也可以是在发生故障之后记录的故障数据。需要说明的是,可以根据实际应用需要而设置优先选择候选故障数据或者优先选择发生故障之后记录的故障数据。
在一具体的应用场景中,在电池相关模块发生故障的情况下,电池管理系统无法存储得到电池相关模块相关的故障数据以用于进行故障原因分析。可以将候选故障数据作为故障数据,对故障数据分析得到电池相关模块的故障原因。
进一步来说,电池相关模块的故障原因可以分为若干类,可以称为电池相关模块故障类,每个电池相关模块故障类包括至少一个故障原因。电池相关模块故障类、故障原因可以根据实际应用需要而设置。每个电池相关模块故障类对应一个或者多个原因决策树。
示例性地,高压芯片故障类可以包括通讯故障类、采样芯片故障类、高压故障类中的至少一者。高压故障类的故障原因可以包括以下至少一者:电池管理系统的应用软件层运行异常、基础软件层的数据被篡改、诊断时序异常、高压芯片本体异常、外部器件异常、高压输入异常、开关管或继电器未闭合。
一些情况下,一个电池相关模块故障类对应一个原因决策树。该原因决策树用于在发生归属于对应故障类的故障时,定位故障原因。
一些情况下,一个电池相关模块故障类包括若干故障场景,每个故障场景对应一个原因决策树,那么原因决策树的数量也可以为一个,也可以为多个。每个原因决策树用于在发生归属于对应故障场景的故障时,定位故障原因。
可以理解的是,第二特征数据可以用于定位电池相关模块发生故障所属的电池相关模块故障类,或者也可以进一步定位电池相关模块发生的故障所属的故障场景。基于第二特征数据定位得到的故障颗粒度可以根据实际应用需要而设置,在此不做赘述。在定位到电池相关模块故障类或者类下的某一故障场景后,可以利用该电池相关模块故障类对应的决策树或者该故障场景对应的决策树作为目标决策树进行分析,以得到故障原因。
在能够确定电池相关模块故障类的情况下,可以仅使用该电池相关模块故障类对应的原因决策树进行分析,以得到电池相关模块的故障原因。进一步地,在能够确定电池相关模块故障类下的故障场景的情况下,可以仅使用该电池相关模块故障类下的这一故障场景对应的原因决策树。
当然,在不能够确定故障场景的情况下,也可以使用所属故障类对应的各个原因决策树作为目标决策树进行分析,以得到故障原因。在不能够确定电池相关模块故障类的情况下,也可以使用各个原因决策树作为目标决策树分别进行分析,以得到电池相关模块的故障原因。
一些实施例中,可以将各个原因决策树的顶事件与第二特征数据进行匹配,从而选出目标决策树。
一些实施场景中,第二特征数据可以直接包括故障类别数据,故障类别数据可以表示故障数据所属的电池相关模块故障类,或者可以表示故障数据所属的电池相关模块故障类下的某一故障。从而可以用于确定目标决策树。
请参阅图5,图5是本申请一些实施例提供的故障预测方法的再一流程示意图。
本实施例中,数据获取模块用于获取电池相关模块的故障关联数据作为目标数据。
数据预处理模块用于对数据进行预处理,也可以称为特征提取处理,得到第一特征数据。
决策树决策模块用于利用预测决策树对输入的第一特征数据进行分析,预测决策树的各个节点基于第一特征数据进行分析最终走到叶子节点,即得到了故障预测结果。其中,如图中所示,节点对第一特征数据进行分析的手段可以包括将第一特征数据与阈值进行比较。示例性地,将特征A与阈值T1进行比较,从而决定下一个节点。当然,每个节点分析的手段可以是不同的,例如,部分节点可以是直接判断特征D为T4或T5,从而决定下一个节点等等,在此不做一一举例,可以根据实际需要进行设置。
可以理解的是,预测决策树在训练过程中,每个节点分析的标准可以变动,示例性地,阈值T1的数值可以进行调整等等。预测决策树在训练过程中还可能增加节点、或者剪枝部分节点等等。示例性地,在上一节点判断特征B大于T2之后,还可以增加节点用于判断特征E是否大于T6等等。
决策结果分析处理模块可以用于判断预测决策树预测是否正确,在预测决策树预测失误时,则可以将得到预测结果的目标数据以及实际故障结果新增为样本数据,加入训练元组。
决策树更新模块可以用于在训练元组更新后,重新构建预测决策树。
请参阅图6,图6是本申请一些实施例提供的故障预测装置的框架示意图。
本实施例中,故障预测装置60可以包括获取模块61和预测模块62,获取模块61可以用于获取在电池相关模块未发生故障的情况下采集得到的故障关联数据,作为目标数据,故障关联数据是对目标模块采集得到,且与电池相关模块的故障相关的,目标模块包括电池相关模块和/或电池相关模块的关联模块,电池相关模块为电池管理系统中的电路模块;预测模块62可以用于对目标数据进行故障预测,得到电池相关模块的故障预测结果,故障预测结果表征电池相关模块未来是否会发生故障。
在上述方案中,在电池相关模块未发生故障的情况下,记录目标数据,目标数据为与电池相关模块的故障相关的数据,对目标数据进行故障预测,能够反映电池相关模块未来是否会发生故障,便于用户及时了解电池相关模块可能发生的故障。进而便于用户及时作出处理应对可能发生的故障,提升故障处理效率。
请参阅图7,图7是本申请一些实施例提供的电子设备的框架示意图。
本实施例中,电子设备70包括存储器71和处理器72。处理器72还可以称为CPU(Central Processing Unit,中央处理单元)。处理器72可能是一种集成电路芯片,具有信号的处理能力。处理器72还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器72也可以是任何常规的处理器等。
电子设备70中的存储器71用于存储处理器72运行所需的程序指令。处理器72用于执行程序指令以实现本申请提供的故障预测方法任一实施例。
请参阅图8,图8是本申请一些实施例提供的故障预测系统的框架示意图。
本实施例中,故障预测系统80可以包括目标设备81和预测设备82。
其中,目标设备81可以包括电池811和电池相关模块812。
预测设备82可以为前述实施例中的电子设备70,用于对电池相关模块812进行故障预测。预测设备82可以执行本申请提供的故障预测方法的实施例。
一些实施例中,目标设备81可以是车辆,例如,新能源车辆。
一些实施例中,目标设备81可以与预测设备82之间相互独立,或者,预测设备82可以集成于目标设备81中。
请参阅图9,图9是本申请一些实施例提供的计算机可读存储介质的框架示意图。
本申请实施例的计算机可读存储介质90存储有程序指令91,该程序指令91被处理器执行时实现本申请提供的故障预测方法。其中,该程序指令91可以形成程序文件以软件产品的形式存储在上述计算机可读存储介质90中,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)执行本申请各个实施方式方法的全部或部分步骤。而前述的计算机可读存储介质90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,或者是计算机、服务器、手机、平板等终端设备。
上文对各个实施例的描述倾向于强调各个实施例之间的不同之处,其相同或相似之处可以互相参考,为了简洁,本文不再赘述。
若本申请技术方案涉及个人信息,应用本申请技术方案的产品在处理个人信息前,已明确告知个人信息处理规则,并取得个人自主同意。若本申请技术方案涉及敏感个人信息,应用本申请技术方案的产品在处理敏感个人信息前,已取得个人单独同意,并且同时满足“明示同意”的要求。例如,在摄像头等个人信息采集装置处,设置明确显著的标识告知已进入个人信息采集范围,将会对个人信息进行采集,若个人自愿进入采集范围即视为同意对其个人信息进行采集;或者在个人信息处理的装置上,利用明显的标识/信息告知个人信息处理规则的情况下,通过弹窗信息或请个人自行上传其个人信息等方式获得个人授权;其中,个人信息处理规则可包括个人信息处理者、个人信息处理目的、处理方式以及处理的个人信息种类等信息。
以上所述仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (13)
1.一种故障预测方法,其特征在于,包括:
获取在电池相关模块未发生故障、且监测到所述电池相关模块存在预设异常的情况下采集得到的故障关联数据,作为目标数据,所述故障关联数据是对目标模块采集得到,且与所述电池相关模块的故障相关的,所述目标模块包括所述电池相关模块和/或所述电池相关模块的关联模块,所述电池相关模块为电池管理系统中的电路模块;
对所述目标数据进行故障预测,得到所述电池相关模块的故障预测结果,所述故障预测结果表征所述电池相关模块未来是否会发生故障;
响应于所述故障预测结果为所述电池相关模块未来会发生故障,保存所述目标数据作为候选故障数据,所述候选故障数据用于在所述电池相关模块在未来预设时间段发生故障的情况下,用以分析得到对应的故障原因。
2.根据权利要求1所述的方法,其特征在于,所述获取在电池相关模块未发生故障的情况下采集得到的故障关联数据,作为目标数据,包括:
接收目标设备发送的所述故障关联数据,作为所述目标数据,所述目标设备为所述电池相关模块所在的设备,所述目标数据是所述目标设备在所述电池相关模块存在预设异常的情况下采集并发送的;或者,
从存储池中读取得到所述故障关联数据,作为所述目标数据,其中,所述目标数据是所述电池相关模块所在的目标设备在所述电池相关模块存在预设异常的情况下采集并存储于所述存储池的。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
监测所述目标模块的所述故障关联数据;
响应于当前的所述故障关联数据满足异常条件,确定所述电池相关模块存在所述预设异常,并触发所述目标设备发送或存储满足所述异常条件的所述故障关联数据。
4.根据权利要求1所述的方法,其特征在于,所述对所述目标数据进行故障预测,得到所述电池相关模块的故障预测结果,包括:
获取所述目标数据的第一特征数据;
对所述第一特征数据进行故障预测,得到所述电池相关模块的故障预测结果。
5.根据权利要求4所述的方法,其特征在于,所述对所述第一特征数据进行故障预测,得到所述电池相关模块的故障预测结果,包括:
利用所述电池相关模块对应的预测决策树对所述第一特征数据进行故障预测,得到所述电池相关模块的故障预测结果。
6.根据权利要求5所述的方法,其特征在于,在所述利用所述电池相关模块对应的预测决策树对所述第一特征数据进行故障预测,得到所述电池相关模块的故障预测结果之前,还包括:
获取所述电池相关模块的至少一组历史数据,组成样本数据集,每组所述历史数据包括所述电池相关模块在一历史时刻的故障关联数据以及在所述历史时刻是否发生故障的表征信息;
利用所述样本数据集,构建所述电池相关模块的预测决策树。
7.根据权利要求6所述的方法,其特征在于,在所述利用所述电池相关模块对应的预测决策树对所述第一特征数据进行故障预测,得到所述电池相关模块的故障预测结果之后,还包括:
获取所述电池相关模块在未来预设时间段是否发生故障的实际故障结果;
利用所述实际故障结果确定所述故障预测结果是否有误;
响应于所述故障预测结果有误,将所述目标数据以及所述实际故障结果作为新的样本数据,并加入至所述样本数据集中;
利用更新的所述样本数据集,重新构建得到所述预测决策树。
8.根据权利要求1所述的方法,其特征在于,在所述保存所述目标数据作为候选故障数据之后,还包括:
响应于在未来预设时间段内发生故障,将所述候选故障数据作为故障数据,获取所述故障数据的第二特征数据,并从所述电池相关模块的若干原因决策树中,确定所述故障数据所属的故障类下的原因决策树,作为目标决策树;
利用所述目标决策树对所述第二特征数据进行故障定位,得到所述电池相关模块的故障原因。
9.根据权利要求1所述的方法,其特征在于,所述故障关联数据包括所述目标模块的状态信息和所在设备的工况中的至少一者;
其中,所述目标模块的状态信息包括所述电池相关模块的状态信息、电池状态信息、驱动状态信息、以及通讯状态信息中的一种或多种;
所述电池相关模块为所述电池管理系统中的芯片。
10.一种故障预测装置,其特征在于,包括:
获取模块,用于获取在电池相关模块未发生故障、且监测到所述电池相关模块存在预设异常的情况下采集得到的故障关联数据,作为目标数据,所述故障关联数据是对目标模块采集得到,且与所述电池相关模块的故障相关的,所述目标模块包括所述电池相关模块和/或所述电池相关模块的关联模块,所述电池相关模块为电池管理系统中的电路模块;
预测模块,用于对所述目标数据进行故障预测,得到所述电池相关模块的故障预测结果,所述故障预测结果表征所述电池相关模块未来是否会发生故障,响应于所述故障预测结果为所述电池相关模块未来会发生故障,保存所述目标数据作为候选故障数据,所述候选故障数据用于在所述电池相关模块在未来预设时间段发生故障的情况下,用以分析得到对应的故障原因。
11.一种电子设备,其特征在于,包括相互耦接的存储器和处理器,所述处理器用于执行所述存储器中存储的程序指令,以实现权利要求1至9任一项所述的故障预测方法。
12.一种故障预测系统,其特征在于,包括:
目标设备,包括电池和电池相关模块;
预测设备,所述预测设备为如权利要求11所述的电子设备,用于对所述电池相关模块进行故障预测。
13.一种计算机可读存储介质,其上存储有程序指令,其特征在于,所述程序指令被处理器执行时实现权利要求1至9任一项所述的故障预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311590364.5A CN117289143B (zh) | 2023-11-27 | 2023-11-27 | 一种故障预测方法、装置、设备、系统和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311590364.5A CN117289143B (zh) | 2023-11-27 | 2023-11-27 | 一种故障预测方法、装置、设备、系统和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117289143A CN117289143A (zh) | 2023-12-26 |
CN117289143B true CN117289143B (zh) | 2024-04-19 |
Family
ID=89248436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311590364.5A Active CN117289143B (zh) | 2023-11-27 | 2023-11-27 | 一种故障预测方法、装置、设备、系统和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117289143B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108681505A (zh) * | 2018-04-13 | 2018-10-19 | 广东睿江云计算股份有限公司 | 一种基于决策树的测试用例排序方法和装置 |
CN110968069A (zh) * | 2018-09-28 | 2020-04-07 | 新疆金风科技股份有限公司 | 风力发电机组的故障预测方法、相应的装置及电子设备 |
CN113313304A (zh) * | 2021-05-28 | 2021-08-27 | 国网江苏省电力有限公司电力科学研究院 | 一种基于大数据决策树的电网事故异常分析方法及系统 |
CN113809786A (zh) * | 2020-07-23 | 2021-12-17 | 广东毓秀科技有限公司 | 通过大数据对ups整流和逆变模块进行故障预测的方法 |
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 |
CN115805810A (zh) * | 2022-10-31 | 2023-03-17 | 宁德时代新能源科技股份有限公司 | 电池故障预测方法、装置、设备、存储介质和程序产品 |
CN116089224A (zh) * | 2023-04-11 | 2023-05-09 | 宇动源(北京)信息技术有限公司 | 告警分析方法、装置、计算节点及计算机可读存储介质 |
CN116304928A (zh) * | 2023-03-21 | 2023-06-23 | 北京思维实创科技有限公司 | 供电设备故障预测方法、装置、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960514B (zh) * | 2016-04-27 | 2022-09-06 | 第四范式(北京)技术有限公司 | 展示预测模型的方法、装置及调整预测模型的方法、装置 |
-
2023
- 2023-11-27 CN CN202311590364.5A patent/CN117289143B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108681505A (zh) * | 2018-04-13 | 2018-10-19 | 广东睿江云计算股份有限公司 | 一种基于决策树的测试用例排序方法和装置 |
CN110968069A (zh) * | 2018-09-28 | 2020-04-07 | 新疆金风科技股份有限公司 | 风力发电机组的故障预测方法、相应的装置及电子设备 |
CN113809786A (zh) * | 2020-07-23 | 2021-12-17 | 广东毓秀科技有限公司 | 通过大数据对ups整流和逆变模块进行故障预测的方法 |
CN113313304A (zh) * | 2021-05-28 | 2021-08-27 | 国网江苏省电力有限公司电力科学研究院 | 一种基于大数据决策树的电网事故异常分析方法及系统 |
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 |
CN115805810A (zh) * | 2022-10-31 | 2023-03-17 | 宁德时代新能源科技股份有限公司 | 电池故障预测方法、装置、设备、存储介质和程序产品 |
CN116304928A (zh) * | 2023-03-21 | 2023-06-23 | 北京思维实创科技有限公司 | 供电设备故障预测方法、装置、设备及存储介质 |
CN116089224A (zh) * | 2023-04-11 | 2023-05-09 | 宇动源(北京)信息技术有限公司 | 告警分析方法、装置、计算节点及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117289143A (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111143163B (zh) | 数据监控方法、装置、计算机设备和存储介质 | |
CN110442498B (zh) | 异常数据节点的定位方法、装置、存储介质及计算机设备 | |
CN108959004B (zh) | 磁盘故障预测方法、装置、设备及计算机可读存储介质 | |
CN110955550B (zh) | 一种云平台故障定位方法、装置、设备及存储介质 | |
CN113360722B (zh) | 一种基于多维数据图谱的故障根因定位方法及系统 | |
CN111259073A (zh) | 基于日志、流量和业务访问的业务系统运行状态智能研判系统 | |
CN112016708A (zh) | 一种智能电缆的多维度数据展示方法及装置 | |
CN115225536A (zh) | 一种基于无监督学习的虚拟机异常检测方法及系统 | |
CN111625342B (zh) | 一种数据溯源方法、装置及服务器 | |
CN111970151A (zh) | 虚拟及容器网络的流量故障定位方法及系统 | |
CN114878960A (zh) | 故障诊断方法、存储介质、电力采集终端和故障诊断系统 | |
CN112118127B (zh) | 一种基于故障相似度的服务可靠性保障方法 | |
CN117289143B (zh) | 一种故障预测方法、装置、设备、系统和介质 | |
CN112948262A (zh) | 一种系统测试方法、装置、计算机设备和存储介质 | |
CN115980585A (zh) | 电池故障的检测方法、装置、计算机设备和存储介质 | |
CN116010388A (zh) | 数据校验方法、数据采集服务端及数据校验系统 | |
CN115982049A (zh) | 性能测试中的异常检测方法、装置和计算机设备 | |
CN115525392A (zh) | 容器监控方法、装置、电子设备及存储介质 | |
CN113592114A (zh) | 电网中用户报障研判方法、装置、计算机设备和存储介质 | |
CN113626236B (zh) | 一种分布式文件系统的故障诊断方法、装置、设备及介质 | |
CN111506422B (zh) | 事件分析方法及系统 | |
CN114398200A (zh) | 一种系统报错处理方法、装置、电子设备及存储介质 | |
CN114422600A (zh) | 基于云存储的文件调度系统及基于云存储的文件调度方法 | |
CN111385162B (zh) | 网络探测方法、装置、计算机设备和存储介质 | |
CN112363940A (zh) | 一种数据处理方法、装置、存储介质及服务器 |
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 |