CN117289145B - 故障分析方法、数据采集方法、装置、设备、系统和介质 - Google Patents
故障分析方法、数据采集方法、装置、设备、系统和介质 Download PDFInfo
- Publication number
- CN117289145B CN117289145B CN202311590374.9A CN202311590374A CN117289145B CN 117289145 B CN117289145 B CN 117289145B CN 202311590374 A CN202311590374 A CN 202311590374A CN 117289145 B CN117289145 B CN 117289145B
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- battery
- module
- state
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 214
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000004044 response Effects 0.000 claims abstract description 41
- 230000002159 abnormal effect Effects 0.000 claims description 66
- 238000012544 monitoring process Methods 0.000 claims description 59
- 238000004891 communication Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 2
- 238000007726 management method Methods 0.000 description 46
- 238000003066 decision tree Methods 0.000 description 36
- 230000005856 abnormality Effects 0.000 description 26
- 238000010586 diagram Methods 0.000 description 21
- 230000008569 process Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000005070 sampling Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 238000010223 real-time analysis Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000009172 bursting Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000007493 shaping process Methods 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 239000002253 acid Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005669 field effect Effects 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
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)
- Secondary Cells (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本申请公开了一种故障分析方法、数据采集方法、装置、设备、系统和介质，该方法包括：目标设备对目标设备中的电池相关模块进行监测；目标设备响应于监测到电池相关模块存在故障相关状态，采集至少一个模块当前的故障关联数据，作为待分析数据，故障相关状态包括故障发生状态和故障风险状态，故障风险状态表示电池相关模块未发生故障但存在发生故障的风险；目标设备将待分析数据上传至分析设备；分析设备对待分析数据进行分析，得到关于故障相关状态的故障分析结果。通过上述方式，本申请能够充分反映电池相关模块的故障情况。
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分析方法、数据采集方法、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，例如，难以对故障的出现进行预判或者定位已经发生的故障的原因等。
发明内容
本申请至少提供一种故障分析方法、数据采集方法、装置、设备、系统和介质，能够解决难以充分反映电池相关模块故障情况的问题。
本申请提供了一种故障分析方法，包括：目标设备对目标设备中的电池相关模块进行监测；目标设备响应于监测到电池相关模块存在故障相关状态，采集至少一个模块当前的故障关联数据，作为待分析数据，故障相关状态包括故障发生状态和故障风险状态，故障风险状态表示电池相关模块未发生故障但存在发生故障的风险，至少一个模块包括电池相关模块和/或电池相关模块的关联模块，故障关联数据为与电池相关模块的故障存在关联的数据；目标设备将待分析数据上传至分析设备；分析设备对待分析数据进行分析，得到关于故障相关状态的故障分析结果。
在上述方案中，在监测到电池相关模块存在故障相关状态的情况下，采集故障关联数据作为待分析数据，并进行分析而得到故障分析结果，能够充分反映电池相关模块的故障情况，以便于用户了解电池相关模块的故障而及时地应对。
一些实施例中，关于故障发生状态的故障分析结果为故障原因，关于故障风险状态的故障分析结果为表征预测电池相关模块未来是否会发生故障的故障预测结果。
在上述方案中，能够实现在电池相关模块未发生故障的情况下的故障预测，反映可能发生的故障，以及能够实现在电池相关模块发生故障的情况下的故障原因定位，反映已经发生的故障的原因。
一些实施例中，目标设备对目标设备中的电池相关模块进行监测，包括：目标设备利用电池相关模块在不同时刻的故障关联数据，对电池相关模块进行监测。
在上述方案中，故障关联数据为与故障相关的数据，利用电池相关模块的故障关联数据的变化，能够实现对电池相关模块的故障相关状态的监测，及时、准确地判断电池相关模块的状态，以用于故障分析。
一些实施例中，目标设备利用电池相关模块在不同时刻的故障关联数据，对电池相关模块进行监测，包括：目标设备响应于当前满足监测条件，采集至少一个模块当前的故障关联数据，作为监测数据；对监测数据中的每条目标数据进行分析，以查找出满足异常条件的目标数据，目标数据为监测数据中的至少一条数据；统计异常条件下的目标数据，以确定电池相关模块是否处于故障相关状态。
在上述方案中，采集故障关联数据作为监测数据，利用异常条件对监测数据中的目标数据进行异常判断，从而能够实现根据故障关联数据对电池相关模块的状态监测。
一些实施例中，故障相关状态有至少一种，每种故障相关状态对应一类的异常条件；统计异常条件下的目标数据，以确定电池相关模块是否处于故障相关状态，包括：将每种故障相关状态分别作为目标状态，将与目标状态对应的异常条件下的目标数据，作为目标状态对应的异常数据；综合目标状态对应的各异常数据，确定电池相关模块是否处于目标状态。
在上述方案中，对不同的故障相关状态分别进行监测，并且分别进行判断。
一些实施例中，综合目标状态对应的各异常数据，确定电池相关模块是否处于目标状态，包括：将目标状态对应的各异常数据的权重进行相加，得到目标状态的状态评估因子；基于目标状态的状态评估因子，确定电池相关模块是否处于目标状态。
在上述方案中，利用各条异常数据加权求和得到状态评估因子，以判断电池相关模块是否处于目标状态，能够实现综合各条异常数据来评估电池相关模块的状态，从而能够准确监测到电池相关模块的故障相关状态。
一些实施例中，目标设备将待分析数据上传至分析设备，包括：目标设备响应于电池相关模块存在故障相关状态而传输待分析数据；或者，将待分析数据存储至第一存储池中，响应于分析设备的读取指令，将待分析数据上传至分析设备。
在上述方案中，可以在出现故障相关状态的情况下将待分析数据直接上传至分析设备进行实时的故障分析，或者将待分析数据存储至第一存储池进行非实时的故障分析，灵活适应不同的应用场景。
一些实施例中，第一存储池设于目标设备、分析设备、或者其他设备中。
在上述方案中，第一存储池可以灵活设置于目标设备、分析设备和其他设备中，能够灵活适应不同的应用需要。
一些实施例中，待分析数据是第一存储池读取得到，该方法还包括：在将待分析数据存储于第一存储池之前，响应于第一存储池中的数据存储组数多于上限值，按照故障发生时间，从第一存储池中选择至少一组已存储数据进行删除；将待分析数据存储于经删除后的第一存储池。
在上述方案中，为第一存储池设置存储上限，能够在满足故障分析的数据存储需要的基础上，减少资源占用。
一些实施例中，关于故障风险状态的故障分析结果为表征预测电池相关模块未来是否会发生故障的故障预测结果；在分析设备对待分析数据进行分析，得到关于故障相关状态的故障分析结果之后，该方法还包括：响应于故障预测结果为电池相关模块未来会发生故障，采集至少一个模块当前的故障关联数据作为候选故障数据，或者将待分析数据作为候选故障数据；将候选故障数据存储于第二存储池中，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，目标设备上传至分析设备的待分析数据为目标设备采集得到的原始数据或者为对原始数据进行特征提取后得到的特征数据。
在上述方案中，可以直接将原始数据作为待分析数据，或者对原始数据进行特征提取后作为待分析数据，能够灵活适应不同的应用需要。
一些实施例中，分析设备对待分析数据进行分析，得到关于故障相关状态的故障分析结果，包括：响应于待分析数据为目标设备在电池相关模块存在故障发生状态的情况下采集得到的，分析设备对待分析数据进行故障定位，得到电池相关模块发生本次故障的原因；响应于待分析数据为目标设备在电池相关模块存在故障风险状态的情况下采集得到的，分析设备对待分析数据进行故障预测，得到电池相关模块的故障预测结果。
在上述方案中，能够实现对故障发生状态分析，定位故障原因，以及对故障风险状态分析，预测是否会出现故障，从而能够从已发生的故障和可能发生的故障两个角度充分反映电池相关模块的故障情况。
一些实施例中，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、以及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。
在上述方案中，故障关联数据能够表征电池相关模块的状态，进而可以用于故障分析，表征电池相关模块的故障情况。
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分析，能够充分反映电池管理系统中的芯片的故障情况，便于用户准确了解电池管理系统中的芯片的故障。
本申请提供了一种数据采集方法，包括：对目标设备中的电池相关模块进行监测；响应于监测到电池相关模块存在故障相关状态，采集至少一个模块当前的故障关联数据，作为待分析数据，故障相关状态包括故障发生状态和故障风险状态，故障风险状态表示电池相关模块未发生故障但存在发生故障的风险，至少一个模块包括电池相关模块和/或电池相关模块的关联模块，故障关联数据为与电池相关模块的故障存在关联的数据；将待分析数据上传至分析设备，以使分析设备对待分析数据进行分析，得到关于故障相关状态的故障分析结果。
在上述方案中，监测电池相关模块的故障相关状态，并对应采集故障关联数据，实现准确捕捉到能够表征电池相关模块故障情况的、与故障相关的数据。
本申请提供了一种数据采集装置，包括监测模块、采集模块、上传模块，监测模块用于对目标设备中的电池相关模块进行监测；采集模块用于响应于监测到电池相关模块存在故障相关状态，采集至少一个模块当前的故障关联数据，作为待分析数据，故障相关状态包括故障发生状态和故障风险状态，故障风险状态表示电池相关模块未发生故障但存在发生故障的风险，至少一个模块包括电池相关模块和/或电池相关模块的关联模块，故障关联数据为与电池相关模块的故障存在关联的数据；上传模块用于将待分析数据上传至分析设备，以使分析设备对待分析数据进行分析，得到关于故障相关状态的故障分析结果。
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，以实现上述数据采集方法。
本申请提供了一种故障分析系统，包括目标设备和分析设备，目标设备包括电池和电池相关模块，用于执行上述数据采集方法；分析设备与目标设备通信连接，用于对待分析数据进行分析，得到关于故障相关状态的故障分析结果。
在上述方案中，故障分析系统中的分析设备可以对目标设备中的电池相关模块进行故障分析，能够充分反映电池相关模块的故障情况，以便于用户了解。
一些实施例中，目标设备为车辆。
在上述方案中，能够充分反映车辆中电池相关模块的故障情况。
一些实施例中，分析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，分析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数据采集方法。
附图说明
图1是本申请一些实施例提供的故障分析系统的框架示意图；
图2是本申请一些实施例提供的故障分析方法的流程示意图；
图3是本申请一些实施例提供的故障分析方法的另一流程示意图；
图4是本申请一些实施例提供的监测步骤的另一流程示意图；
图5是本申请一些实施例提供的决策树的第一示意图；
图6是本申请一些实施例提供的决策树的第二示意图；
图7是本申请一些实施例提供的决策树的第三示意图；
图8是本申请一些实施例提供的决策树的第四示意图；
图9是本申请一些实施例提供的决策树的第五示意图；
图10是本申请一些实施例提供的决策树的第六示意图；
图11是本申请一些实施例提供的故障分析方法的又一流程示意图；
图12是本申请一些实施例提供的数据采集方法的流程示意图；
图13是本申请一些实施例提供的数据采集装置的框架示意图；
图14是本申请一些实施例提供的电子设备的框架示意图；
图15是本申请一些实施例提供的故障分析系统的另一框架示意图；
图16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。
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或者定位已经发生的故障的原因等。
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对电池相关模块的故障分析方法，对电池相关模块的故障数据进行分析得到电池相关模块的故障分析结果，能够具体反映电池相关模块的故障情况，便于用户了解电池相关模块的故障进而及时地应对，也能够提升故障处理效率。
请参阅图1，图1是本申请一些实施例提供的故障分析系统的框架示意图。
其中，故障分析系统10包括目标设备11和分析设备12。目标设备11可以包括电池，还可以包括电池相关模块和/或电池相关模块的关联模块。
分析设备12作为执行故障分析的主体，目标设备11中的电池相关模块作为故障分析的对象。分析设备12可以与目标设备11进行通信，并可以用于对电池相关模块进行故障分析。
需要说明的是，故障分析可以包括故障预测和/或对已经发生的故障的原因定位。
在一具体的应用场景中，目标设备11可以是新能源车辆，其中设置有电池和电池相关模块。分析设备12可以是服务器，新能源车辆和服务器之间可以进行通信。服务器可以对新能源车辆设置的电池相关模块进行故障分析，故障分析可以反映电池相关模块故障相关的情况，以便于了解故障和针对性地及时应对故障。
故障分析系统10包括的目标设备11和分析设备12可以配合实现故障分析方法，以对目标设备11的电池相关模块进行分析。具体可以参考以下实施例，在此不做展开。
请参阅图2，图2是本申请一些实施例提供的故障分析方法的流程示意图。本申请提供的故障分析方法可以由如前所述的故障分析系统执行。具体而言，该方法可以包括：
步骤S21：目标设备对目标设备中的电池相关模块进行监测。
其中，目标设备可以为设置有电池相关模块的设备。电池相关模块可以是与电池相关的模块，该电池也可以是设置于目标设备的，电池相关模块可以作为故障分析的对象。
一些实施例中，电池相关模块可以是电池管理系统中的芯片。当然，电池相关模块也不限于芯片，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。
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、信息采集模块等。进一步来说，电源模块可以包括电源芯片（SBC），主控模块可以包括主控芯片（MCU），信息采集模块可以包括时钟芯片（RTC）、电芯监控芯片（CMC）、电流监控芯片、保险丝驱动芯片（Pyrofuse芯片）、高压芯片等。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。
其中，高压芯片可以用于采集电池包内各个高压采样点的高压信号，电流监控芯片可以用于采集电池包的母线电流信号，电芯监控芯片可以用于管理电池电芯，可以用于采集电池的电芯温度、电芯电压信号。保险丝驱动芯片可以用于驱动保险丝断开等。
步骤S22：目标设备响应于监测到电池相关模块存在故障相关状态，采集至少一个模块当前的故障关联数据，作为待分析数据。
目标设备可以对其中的电池相关模块进行监测，监测是否存在故障相关状态，若存在故障相关状态，则可以采集故障关联数据，以对电池相关模块进行故障分析。
其中，故障相关状态可以是与故障相关的状态，提示电池相关模块此时状态与故障状态存在关联。从而重点关注电池相关模块出现故障相关状态的情况，此时对电池相关模块进行故障分析，若电池相关模块不存在与故障的关联状态，那么可以无需进行故障分析，能够准确捕捉电池相关模块与故障状态的关联，提升故障分析的效率。
其中，至少一个模块包括电池相关模块和/或电池相关模块的关联模块。故障关联数据可以是与电池相关模块的故障相关的数据，可以从故障角度表征电池相关模块的状态，因此可以用于分析电池相关模块故障的相关情况，故障关联数据的内容可以根据实际应用需要而设置。
步骤S23：目标设备将待分析数据上传至分析设备。
其中，分析设备可以是具有故障分析能力的设备，目标设备可以将待分析数据上传至分析设备，以使分析设备对待分析数据进行故障分析。
步骤S24：分析设备对待分析数据进行分析，得到关于故障相关状态的故障分析结果。
其中，故障分析结果可以反映在出现故障相关状态时，电池相关模块的故障的相关情况。
需要说明的是，目标设备可以保持对目标电池模块的监测，在电池相关模块每次出现故障相关状态时，均可以记录该此故障相关状态对应的故障关联数据。从而能够实现对每次故障相关状态进行分析，以反映每次出现故障相关状态时，电池相关模块故障的相关情况。
一些实施例中，故障相关状态可以包括故障发生状态和故障风险状态。其中，故障风险状态可以表示电池相关模块未发生故障但存在发生故障的风险。可以反映故障发生状态和故障风险状态下的故障情况，使得用户能够充分了解这两种状态下的故障的情况。
一些实施例中，关于故障风险状态的故障分析结果为表征预测电池相关模块未来是否会发生故障的故障预测结果。故障发生状态可以表示电池相关模块已经发生故障。相应地，关于故障发生状态的故障分析结果可以为发生故障的故障原因。
从而对于电池相关模块，能够监测其是否已经发生故障以及是否存在故障发生的风险，进行故障分析能够及时预测电池相关模块可能发生故障，以及能够定位已发生故障的故障原因，能够充分反映电池相关模块的故障相关情况，以便于用户了解其使用的目标设备已经发生的故障和可能发生的故障，从而提高故障处理效率。
请参阅图3，图3是本申请一些实施例提供的故障分析方法的另一流程示意图。具体而言，该方法可以包括：
步骤S31：目标设备利用电池相关模块在不同时刻的故障关联数据，对电池相关模块进行监测。
其中，故障关联数据可以是与电池相关模块故障相关的数据，可以是在电池相关模块工作过程中产生的，并且数据的数值可以跟随电池相关模块的状态而变动，因此利用不同时刻的故障关联数据可以监测电池相关模块的状态，来判断是否存在故障相关状态。
故障关联数据所包含的数据项可以根据实际应用需要而设置，在此不做限制。
步骤S32：目标设备响应于监测到电池相关模块存在故障相关状态，采集至少一个模块当前的故障关联数据，作为待分析数据。
其中，故障相关状态可以包括故障风险状态和故障发生状态，故障风险状态表示电池相关模块存在发生故障的风险，故障发生状态表示电池相关模块已经发生故障。
可以理解的是，故障可以有多种，故障风险状态可以表示存在发生任一故障的风险，故障发生状态可以表示已经发生至少一种故障。
一些实施例中，对故障发生状态采集的故障关联数据和对故障风险状态采集的故障关联数据包含的数据项可以是相同的也可以是存在不同的。在一具体的应用场景中，在发生故障的情况下，采集的故障关联数据也可以称为故障数据。
一些实施例中，电池相关模块可能存在故障相关状态或者存在故障风险状态。
一些实施例中，电池相关模块也可能同时存在故障相关状态和故障风险状态。目标设备也可以分别采集故障相关状态和故障风险状态各自对应的故障关联数据，并分别作为待分析数据进行处理。
其中，待分析数据能够从故障角度反映电池相关模块的状态，从而可以用于定位故障原因，或者用于预测是否可能发生故障等。
步骤S33：目标设备将待分析数据上传至分析设备。
步骤S33的相关描述可以参考前述实施例中的相关内容。
其中，目标设备上传至分析设备的待分析数据为目标设备采集得到的原始数据，或对原始数据进行特征提取后得到的特征数据。
一些实施例中，目标设备上传至分析设备的待分析数据为目标设备采集得到的原始数据。分析设备也可以对原始数据进行特征提取后得到特征数据用于分析。当然，分析设备也可以直接利用原始数据进行分析。
进一步来说，特征提取包括的方式可以根据需要而设置，例如，可以包括数据整形、二值化、格式调整等等。
一些实施例中，原始数据可以包括若干数据项，对不同的数据项可以采用不同的特征提取方式，以得到特征数据。
在一具体的应用场景中，特征提取可以包括删除数据项1，对数据项2不进行处理，将数据项3和数据项4加和，对数据项5进行整形等等。
一些实施例中，目标设备可以响应于电池相关模块存在故障相关状态而采集并传输待分析数据至分析设备，从而分析设备可以直接得到本次故障相关状态的待分析数据，能够实现根据故障相关状态的出现而实时进行故障分析。
一些实施场景中，目标设备每在电池相关模块存在故障相关状态时即可以发送关于该故障相关状态的待分析数据，分析设备相应可以获取待分析数据，以用于得到故障分析结果。故障分析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。
一些实施例中，目标设备可以将待分析数据存储至第一存储池中。而后分析设备可以利用读取指令，从第一存储池中读取待分析数据。从而能够实现非实时的故障分析。
其中，第一存储池可以设置于目标设备、分析设备或者其他设备中。第一存储池中可以存储有多组待分析数据，每组待分析数据可以是在出现一次故障相关状态的情况采集并存入的。
需要说明的是，故障相关状态可以包括故障发生状态和故障风险状态。故障发生状态又可以包括若干种故障，故障风险状态也可以包括若干种故障风险。一组待分析数据可以是出现一次故障或者故障风险而采集并存储的。
一些实施场景中，分析设备可以从第一存储池中读到多组待分析数据，对每组待分析数据分别进行分析。
一些实施场景中，每在电池相关模块出现故障相关状态时，即可以记录并存储待分析数据到第一存储池，而后分析设备可以一次获取第一存储池中的若干组数据，一并进行故障分析。
在一具体的应用场景中，分析设备可以间隔一定时间，获取间隔期间内产生采集的待分析数据，一并进行故障分析。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，分析设备可以在新能源车辆每次进行保养或者检修时获取第一存储池中存储的待分析数据。
进一步地，可以通过UDS(Unified Diagnostic Services，统一诊断服务)指令获取待分析数据。
一些实施例中，第一存储池可以被配置为能够存储待分析数据的组数不超过上限值。在将本次采集的待分析数据存储于第一存储池之前，可以先确定第一存储池中存储的数据的组数与上限值之间的大小关系，响应于第一存储池中的要存储的待分析数据的存储组数多于上限值，此时本次采集的待分析数据也可计算在存储组数之中，那么按照数据采集时间，从第一存储池中选择至少一组已存储数据进行删除，而后将本次采集的待分析数据存储于经删除后的第一存储池。从而能够使得获取待分析数据时，能够得到最近发生的故障相关状态的待分析数据。
在一实施场景中，第一存储池的存储组数上限为10组。最大支持存储10组不同故障或故障风险的待分析数据，且采样先进先出，当新的待分析数据需要存入时，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第一存储池中已经存储的至少一组待分析数据，以将新的待分析数据存入第一存储池。
在一具体的应用场景中，在记录下本次待分析数据之后，将存储组数加一，并判断存储的组数是否大于上限值10组，若大于，则删除最早存入的数据，更新第一存储池中的数据。
一些实施例中，在存储待分析数据时，还可以优先考虑待分析数据对应的故障或故障风险，以使得第一存储池中能够存储最近发生的、不同故障或故障风险的待分析数据，从而能够反映最近发生的各类故障或故障风险。
一些实施例中，不同故障相关状态也可以存储于不同的第一存储池中。
需要说明的是，电池相关模块的一些故障或者故障风险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分析方式。当然，一些情况下，实时分析和非实时分析的方式也可以结合，例如，可以根据为各个故障或者故障风险设置是采用实时分析方式或者非实时分析方式，或者也可以为不同故障相关状态设置不同分析方式。
由于故障相关状态可以有多种，不同故障相关状态下，分析设备对待分析数据执行的数据分析可以是不同的，分析设备可以根据电池相关模块存在的故障相关状态的种类，对待分析数据执行相应的分析。根据电池相关模块存在故障发生状态或故障风险状态，分别对待分析数据进行故障原因定位或故障预测，具体来说，分析设备可以执行步骤S34和步骤S35中的至少一者。
步骤S34：响应于待分析数据为目标设备在电池相关模块存在故障发生状态的情况下采集得到的，分析设备对待分析数据进行故障定位，得到电池相关模块发生本次故障的原因。
其中，待分析数据为存在故障的情况下采集的，因此能够反映电池相关模块在本次故障发生时的状态，可以用于定位本次故障的原因。具体来说，进行故障定位即对待分析数据进行数据分析得到故障原因，数据分析的方式可以根据实际应用需要而选择，示例性地，将决策树作为分析手段或者将神经网络作为分析手段。
在一具体的应用场景中，分析设备可以利用原因决策树进行故障定位，还利用预测决策树进行故障预测。
步骤S35：响应于待分析数据为目标设备在电池相关模块存在故障风险状态的情况下采集得到的，分析设备对待分析数据进行故障预测，得到电池相关模块的故障预测结果。
其中，故障预测结果表征电池相关状态在未来是否会发生故障。
请参阅图4，图4是本申请一些实施例提供的监测步骤的另一流程示意图。需要说明的是，目标设备对电池相关模块进行监测可以是根据电池相关模块在不同时刻的故障关联数据而进行，进一步来说，可以是根据某一时刻故障关联数据来分析该时刻是否存在故障相关状态，对不同时刻分别进行分析，从而实现对电池相关模块的故障相关状态的监测。具体而言，监测步骤可以包括：
步骤S411：响应于当前满足监测条件，采集至少一个模块当前的故障关联数据，作为监测数据。
本实施例中，目标设备可以被配置为在满足监测条件的情况下，采集当前时刻的故障关联数据，作为监测数据来判断当前是否存在故障相关状态。
其中，监测条件可以根据实际应用需要而设置，示例性地，监测条件可以是每间隔一定时长，进行一次监测数据的采集，或者也可以是响应于监测信号触发进行一次监测数据的采集，其中，监测信号可以是响应于用户的监测操作而生成。
步骤S412：对监测数据中的每条目标数据进行分析，以查找出满足异常条件的目标数据。
其中，目标数据为监测数据中的至少一条数据。可以理解的是，监测数据可以包括若干数据项，可以为各个数据项配置对应的异常条件。对目标数据进行分析可以是基于目标数据的数值以及该数据项对应的异常条件而分析。示例性地，异常条件可以是数值是否满足在预设阈值范围内，或者是数值是否为某一预设异常数值。
示例性地，目标数据可以是电池相关模块的温度，温度数据项的异常条件可以被设置为超过60度为异常，那么目标数据为70度即可以认为该目标数据满足异常条件。
示例性地，目标数据可以包括数据A和数据B，异常条件可以被设置为数据A和数据B不一致为异常，那么根据目标数据中两个数值是否一致即可以判断该目标数据是否满足异常条件。
示例性地，目标数据可以包括数据C，该数据项的异常条件可以被设置为数值为1则为异常。
步骤S413：统计异常条件下的目标数据，以确定电池相关模块是否处于故障相关状态。
对各条目标数据，均可以利用该数据项对应的异常条件来判断目标数据是否满足异常条件。
监测数据中各条数据可以共同反映电池相关模块的状态，因此，通过统计异常条件下的目标数据，能够确定电池相关模块是否处于故障相关状态。
一些实施场景中，可以利用异常条件下的目标数据的条数与监测数据包含的数据条数之比来判断电池相关模块是否处于故障相关状态。
一些实施例中，故障相关状态可以有若干种，那么在判断是否处于故障相关状态时，可以分别判断当前是否处于各个故障相关状态。
在一具体的应用场景中，故障相关状态包括故障发生状态和故障风险状态，那么可以分别判断当前是否处于故障发生状态，以及当前是否处于故障风险状态。
每种故障相关状态对应一类的异常条件。那么在判断是否处于该种故障相关状态时，可以利用该种故障相关状态对应的一类异常条件。具体来说，可以将每种故障相关状态分别作为目标状态，目标状态对应的异常条件可以用于对目标数据进行分析，而后将满足目标状态对应的异常条件的目标数据作为目标状态对应的异常数据。综合目标状态下的各个异常数据，确定电池相关模块是否处于目标状态。
在一实施场景中，故障相关状态包括故障发生状态，配置有对应的故障异常条件，故障相关状态还包括故障风险状态，配置有风险异常条件。
一些实施例中，监测数据可以包括若干数据项，可以为各个数据项分别配置各种故障发生状态对应的异常条件。
在一具体的应用场景中，目标数据可以是电池相关模块的温度，温度数据项的故障异常条件可以被设置为超过60度为异常，温度数据项的风险异常条件可以被设置为超过40度为异常。
一些实施例中，电池相关模块的故障相关状态可以包括故障发生状态和故障风险状态。分析设备可以首先确定当前不处于故障发生状态，而后再判断当前是否处于故障风险状态。
一些实施例中，综合目标状态下的各个异常数据，确定电池相关模块是否处于目标状态可以包括：将目标状态对应的各异常数据的权重进行相加，得到目标状态的状态评估因子；基于目标状态的状态评估因子，确定电池相关模块是否处于目标状态。
可以理解的是，不同的数据项可以从不同角度表征电池相关模块的状态，可以为各个数据项配置相应的权重，以用于确定状态评估因子。各个数据项的权重可以根据经验值以及应用需要而设置。不同数据项的在表征电池相关模块的状态的重要性不同，可以根据数据项的重要性设置权重。一些实施例中，对不同电池相关模块来说，数据项的重要程度可能有所差异，因此，可以为每个电池相关模块设置各个数据项对应的权重。
示例性地，对于电流监控模块来说，电流采样值的重要性较高，可以被设置为较大的权重。对于高压监控模块来说，高压采样值的重要性较高，可以被设置为较大的权重，而此时电流采样值的重要性较低，可以被设置为较小的权重。
其中，状态评估因子即表征电池相关模块状态的参数，状态评估因子具体可以表征电池相关模块所处状态与目标状态的匹配程度，从而基于状态评估因子可以确定电池相关模块是否处于目标状态。
示例性地，将目标状态对应若干条异常数据，每条异常数据对应预设有其权重，将异常数据的权重值相加，得到目标状态的状态评估因子，以表征电池相关模块与目标状态的匹配程度。
一些实施例中，故障相关状态包括故障风险状态，关于故障风险状态的故障分析结果为表征预测电池相关模块未来是否会发生故障的故障预测结果。
需要说明的是，一些故障的发生可能会导致相关数据的丢失，从而无法获取故障对应的待分析数据，那么可能无法定位故障发生的原因。因此，在得到故障预测结果表示电池相关模块未来会发生故障之后，可以采集至少一个模块的当前的故障关联数据作为候选故障数据，或者，将用于得到故障预测结果的待分析数据作为候选故障数据。可以用于后续故障原因定位。
候选故障数据可以存储于第二存储池中，若电池相关模块在未来预设时间段发生故障，分析设备可以获取故障对应的待分析数据或者从第二存储池中获取候选故障数据，以分析故障原因。
请参阅图5，图5是本申请一些实施例提供的决策树的第一示意图。
本实施例中，以电池相关模块为第一类模块为例进行说明。第一类模块为信息采集模块。以下实施例以利用决策树作为分析手段，对电池相关模块进行故障分析为例进行说明。
如图5示出了电池相关模块为电池管理系统的高压芯片时，高压芯片的高压故障类下的高压跳变故障对应的原因决策树，用于进行故障原因定位。
可以理解的是，原因决策树可以是预先构建好的，并且原因决策树的叶子节点存储的故障原因可以根据实际应用需要而设置，叶子节点存储的故障原因的颗粒度可以根据实际需要进行设置，例如，叶子节点存储的故障原因可以是电池管理系统的软件层运行异常，或者，也可以是进一步地电池管理系统的应用软件层运行异常、电池管理系统的基础软件层运行异常，或者也可以是更进一步地基础软件层的数据被篡改、高压芯片本体存在异常。
在一实施场景中，输入决策树的可以是待分析数据，待分析数据可以是原始数据或者特征数据。以下以特征数据为例进行说明。将该决策树作为目标决策树，利用决策树对特征数据进行分析，具体过程可以包括：利用特征数据，分析是否存在电池管理系统（Battery Management System，BMS）的运行异常；响应于存在电池管理系统的运行异常，分析电池管理系统的软件层是否运行异常，得到分析结果，基于分析结果确定高压芯片的故障原因；响应于不存在电池管理系统的运行异常，基于外部连接器和/或外部干扰的情况，确定高压芯片的故障原因。
上述分析过程可以基于特征数据中数据项的值与对应的异常判断标准实现，从而得到是否异常的判断结果。例如，数据项A的数值为30，异常判断标准可以为若数据项A的数值大于60，则电池管理系统的软件层运行异常，那么可以确定不存在电池管理系统的运行异常。
其中，若电池管理系统运行异常，那么可以从其内部的软件层来判断故障原因，分析结果可以表示电池管理系统的软件层是否运行异常，那么可以确定相应的故障原因。外部连接器可以是高压回路中高压芯片的外部连接器，外部干扰是指高压芯片的外部干扰。在排除了电池管理系统的运行异常之后，那么可以基于高压芯片之外的因素确定高压芯片的故障原因。
一些实施例中，分析电池管理系统的软件层是否运行异常，得到分析结果，基于分析结果确定高压芯片的故障原因可以包括：分析是否存在电池管理系统的应用软件层（ASW，Application Software）运行异常；响应于存在应用软件层运行异常，确定高压芯片的故障原因为应用软件层运行异常；响应于不存在应用软件层运行异常，分析电池管理系统的基础软件层（BSW，Basic Software）是否运行异常，以确定高压芯片的故障原因。
其中，电池管理系统的软件层又可以进一步细化分为应用软件层和基础软件层，在分析电池管理系统软件层是否存在故障时也可以从细粒度分析应用软件层和基础软件层是否存在故障。当然，一些情况下，软件层也可以采用其他划分方式，可以在相应划分方式下分析软件层是否异常，在此不做一一举例说明。
一些实施例中，分析电池管理系统的基础软件层是否运行异常，以确定高压芯片的故障原因可以包括：分析是否存在基础软件层运行异常；响应于存在基础软件层运行异常，分析是否存在基础软件层的数据被篡改；响应于不存在基础软件层的数据被篡改，确定高压芯片的故障原因为时序异常；响应于存在基础软件层的数据被篡改，确定高压芯片的故障原因为基础软件层的数据被篡改；响应于不存在基础软件层运行异常，分析高压芯片本体是否存在异常；响应于高压芯片本体存在异常，确定高压芯片的故障原因为高压芯片本体异常；响应于高压芯片本体不存在异常，确定高压芯片的故障原因为外部器件异常，此处的外部器件可以是指主控芯片与高压芯片之间的元器件。
其中，在确定基础软件层运行异常的情况下，还可以进一步确定更细粒度的故障原因。以上实施例中，进一步判断是否存在数据被篡改的情况，以及在确定不存在数据被篡改的情况下，高压跳变故障场景还可以推定故障原因为时序异常。一些实施例中还可以判断是否存在时序异常，若不存在时序异常，则推定为数据被篡改。
在确定不存在基础软件层运行异常的情况下，排除软件层的故障因素，可以对芯片本体是否存在故障进行判断。若能够排除芯片本体存在异常，那么高压跳变故障场景还可以推定为外部器件异常。
以上实施例仅为示例，一些情况下，还可以对部分故障原因进行进一步细粒度地分析。一些情况下，部分推定的故障原因也可以根据实际应用情况而进行调整。
一些实施例中，基于外部连接器和/或外部干扰的情况，确定高压芯片的故障原因可以包括：分析外部连接器是否异常；响应于外部连接器异常，确定高压芯片的故障原因为外部连接器异常，例如，开关管（MOS）或继电器未关闭；响应于外部连接器不异常，分析外部干扰的强度是否达到预设干扰强度条件；响应于外部干扰的强度达到预设干扰强度条件，确定高压芯片的故障原因为外部干扰过大；响应于外部干扰的强度未达到预设干扰强度条件，确定高压芯片的故障原因为高压输入异常。
其中，在排除电池管理系统异常因素之后，可以将故障定位到高压芯片之外的因素。以上实施例中，外部因素包括外部连接器、外部干扰、高压输入，外部因素包括的具体内容可以根据实际应用而调整，以上仅为示例。外部连接器可以指与高压芯片连接的器件，如为开关管或继电器。
请参阅图6，图6是本申请一些实施例提供的决策树的第二示意图。
如图6示出了电池相关模块为电池管理系统的电流监控芯片时，电流监控芯片的电流校准故障类下的电流采样跳变故障对应的原因决策树。
请参阅图7，图7是本申请一些实施例提供的决策树的第三示意图。
如图7示出了电池相关模块为电池管理系统的电芯监控芯片时，电芯监控芯片的采样线掉线故障类下采样线掉线故障对应的原因决策树。
进一步地，基于是否存在时序异常的分析结果，确定电芯监控芯片的故障原因，具体包括：响应于存在时序异常，确定电芯监控芯片的故障原因为时序异常；响应于不存在时序异常，分析上拉电压是否异常；响应于上拉电压异常，确定电芯监控芯片的故障原因为上拉电压采样功能失效或者上拉关均衡功能失效；响应于上拉电压不存在异常，确定电芯监控芯片的故障原因为下拉电压采样功能失效或者下拉关均衡功能失效。
请参阅图8，图8是本申请一些实施例提供的决策树的第四示意图。
如图8示出了电池相关模块为电池管理系统的保险丝驱动芯片时，保险丝驱动芯片的爆管电路故障类下爆管故障对应的原因决策树。
进一步地，分析是否存在时序异常，以确定保险丝驱动芯片的故障原因，具体包括：响应于存在时序异常，确定保险丝驱动芯片的故障原因为时序异常；响应于不存在时序异常，分析是否存在上电状态异常；响应于存在上电状态异常，分析是否周期诊断异常；响应于周期诊断异常，确定保险丝驱动芯片的故障原因为安全场效应管电路（SAFING FET电路）失效或升压电路（Boost电路）失效；响应于周期诊断不存在异常，确定保险丝驱动芯片的故障原因为内部参考电压失效；响应于不存在上电状态异常，确定保险丝驱动芯片的故障原因为爆管功能失效、或者检测到异常电压或异常状态。
请参阅图9，图9是本申请一些实施例提供的决策树的第五示意图。
本实施例中，以电池相关模块为第二类模块为例进行说明。第二类模块可以是电源模块。
其中，电池相关模块为电池管理系统的电源芯片。电源芯片对应的故障类包括外狗复位故障类、电源输出故障类、功能安全输出故障类、自检故障类、错误监控引脚（ErrPin）故障类中的至少一者。图中示出了电池相关模块为电池管理系统的电源芯片时，电源芯片的外狗复位故障类下的喂狗失败故障对应的原因决策树。
具体地，利用特征数据分析电池相关模块的软件运行情况。具体来说软件运行情况可以受任务执行情况以及通讯情况影响，可以进一步选择两者中的一者进行分析。进一步，分析任务是否卡死或者卡滞，确定故障原因。还可以进一步判断卡滞的原因，从而确定故障原因。或者，可以分析串行接口通讯情况，确定故障原因。
其中，任务卡死可以指操作系统调度的任务卡在task里面，不能运行出来，任务卡滞可以指能够执行但是滞后，具体可以根据实际应用需要而设置。
请参阅图10，图10是本申请一些实施例提供的决策树的第六示意图。
本实施例中，以电池相关模块为第三类模块为例进行说明。第三类模块可以是主控模块。
其中，电池相关模块为电池管理系统的主控芯片，并且为复位故障类。
具体地，利用特征数据，分析电池管理系统的运行是否存在复位；响应于电池管理系统的运行存在复位，分析电池管理系统的运行复位与软件还是硬件相关，以确定主控芯片的故障原因。
进一步地，分析电池管理系统的运行复位与软件还是硬件相关，以确定主控芯片的故障原因，包括：响应于电池管理系统的运行复位与软件相关，分析复位与内部监控程序（内部看门狗）、非法操作寄存器、还是调用复位函数相关，得到第一分析结果，并基于第一分析结果，确定主控芯片的故障原因；响应于确定电池管理系统的运行复位与硬件相关，分析复位与外部监控程序（外部看门狗）还是电源芯片相关，得到第二分析结果，并基于第二分析结果，确定主控芯片的故障原因。
进一步地，基于第一分析结果，确定主控芯片的故障原因，包括：响应于第一分析结果为复位与内部监控程序相关，分析复位是否与内部监控程序的重置任务未调用（喂狗task未调用）或被中断有关，得到第三分析结果，并基于第三分析结果确定主控芯片的故障原因。
进一步地，响应于第一分析结果为复位与非法操作寄存器相关，基于寄存器是否解锁失败，确定主控芯片的故障原因。
进一步地，响应于第一分析结果为复位与调用复位函数相关，分析复位是否与正常复位请求或者操作系统监控到的严重错误有关，得到第四分析结果，并基于第四分析结果确定主控芯片的故障原因。
进一步地，基于第三分析结果确定主控芯片的故障原因，包括：响应于第三分析结果为复位与内部监控程序的重置任务未调用有关，确定主控芯片的故障原因为中央处理器加载过高（CPU Loading）或者程序运行速度过慢（程序卡死）；响应于第三分析结果为复位与内部监控程序的重置任务被中断有关，确定主控芯片的故障原因为中断定时器故障；响应于第三分析结果为复位与内部监控程序的重置任务未调用或未中断均无关，确定主控芯片的故障原因为内部监控程序的重置操作失败；基于寄存器是否解锁失败，确定主控芯片的故障原因，包括：响应于寄存器解锁失败，确定主控芯片的故障原因为解锁失败；响应于寄存器不存在解锁失败，确定主控芯片的故障原因为结束初始化失败（Endinit失败）；基于第四分析结果确定主控芯片的故障原因，包括：响应于第四分析结果为复位与正常复位请求有关，确定主控芯片的故障原因为诊断服务请求复位、在线标定完成后请求复位、或下电过程中唤醒复位；响应于第四分析结果为复位与系统监控到的严重错误有关，确定主控芯片的故障原因为栈溢出（Stack overFlow）或者内核出现严重错误（Kernel Panic）；响应第四分析结果为复位与正常复位请求和系统监控到的严重错误均无关，确定主控芯片的故障原因为主控芯片异常（MCU Exception）。
进一步地，基于第二分析结果，确定主控芯片的故障原因，包括：响应于第二分析结果为复位与外部监控程序（外部看门狗）相关，分析复位是否与外部监控程序的重置任务未调用或被中断有关，得到第五分析结果，并基于第五分析结果确定主控芯片的故障原因。
进一步地，响应于第二分析结果为复位与电源芯片相关，确定主控芯片的故障原因与电压有关。
进一步地，基于第五分析结果确定主控芯片的故障原因，包括：响应于第五分析结果为复位与外部监控程序的重置任务未调用有关，确定主控芯片的故障原因为中央处理器加载过高或者程序运行速度过慢；响应于第五分析结果为复位与外部监控程序的重置任务被中断有关，确定主控芯片的故障原因为中断定时器故障或者主控芯片时钟故障；响应于第五分析结果为复位与外部监控程序的重置任务未调用或未中断均无关，确定主控芯片的故障原因为外部监控程序的重置操作方式有误或者串行接口通信错误（SPI通信错误）；确定主控芯片的故障原因与电压有关，包括：确定主控芯片的故障原因为安全管理单元的错误监控（ERR）引脚输出低电压（SMU ErrPin输出低电平）、电源输出引脚过压或欠压、或者铅酸供电电压过压。
以上实施例仅为示例，一些情况下，还可以对部分故障原因进行进一步细粒度地分析。一些情况下，部分推定的故障原因也可以根据实际应用情况而进行调整。
请参阅图11，图11是本申请一些实施例提供的故障分析方法的又一流程示意图。
本实施例中，以故障预测为例进行说明。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，得到特征数据。
决策树决策模块用于利用预测决策树对输入的特征数据进行分析，预测决策树的各个节点基于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，节点对特征数据进行分析的手段可以包括将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12，图12是本申请一些实施例提供的数据采集方法的流程示意图。该方法可以由目标设备执行，具体而言，该方法可以包括：
步骤S121：对目标设备中的电池相关模块进行监测。
步骤S122：响应于监测到电池相关模块存在故障相关状态，采集至少一个模块当前的故障关联数据，作为待分析数据。
其中，至少一个模块包括电池相关模块和/或电池相关模块的关联模块，故障关联数据为与电池相关模块的故障存在关联的数据。
步骤S123：将待分析数据上传至分析设备。
步骤S121-步骤S123的相关描述可以参考前述实施例中目标设备执行步骤的相关内容，在此不做赘述。
在上述方案中，目标设备能够监测电池相关模块的故障相关状态，并对应采集故障关联数据，实现准确捕捉到能够表征电池相关模块故障情况的、与故障相关的数据。
请参阅图13，图13是本申请一些实施例提供的数据采集装置的框架示意图。
本实施例中，数据采集装置130包括监测模块131、采集模块132、上传模块133。监测模块131用于对目标设备中的电池相关模块进行监测。采集模块132用于响应于监测到电池相关模块存在故障相关状态，采集至少一个模块当前的故障关联数据，作为待分析数据，故障相关状态包括故障发生状态和故障风险状态，故障风险状态表示电池相关模块未发生故障但存在发生故障的风险，至少一个模块包括电池相关模块和/或电池相关模块的关联模块，故障关联数据为与电池相关模块的故障存在关联的数据。上传模块133用于将待分析数据上传至分析设备，以使分析设备对待分析数据进行分析，得到关于故障相关状态的故障分析结果。
请参阅图14，图14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140包括存储器141和处理器142。处理器142还可以称为CPU（Central Processing Unit，中央处理单元）。处理器142可能是一种集成电路芯片，具有信号的处理能力。处理器142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142也可以是任何常规的处理器等。
电子设备140中的存储器141用于存储处理器142运行所需的程序指令。处理器142用于执行程序指令以实现本申请提供的数据采集方法实施例。
请参阅图15，图15是本申请一些实施例提供的故障分析系统的另一框架示意图。
本实施例中，故障分析系统150可以包括目标设备151和分析设备152。
其中，目标设备151可以包括电池1511和电池相关模块1512，可以为前述实施例中的电子设备140，用于执行数据采集方法的任一实施例。
分析设备152与目标设备151通信连接，用于对待分析数据进行分析，得到关于故障相关状态的故障分析结果。进一步地，分析设备152可以执行本申请提供的故障分析方法中执行主体为分析设备的步骤。
一些实施例中，目标设备151可以是车辆，例如，新能源车辆。
一些实施例中，目标设备151可以与分析设备152之间相互独立，或者，分析设备152可以集成于目标设备151中。
参阅图16，图16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160存储有程序指令161，该程序指令161被处理器执行时实现本申请提供的数据采集方法。其中，该程序指令161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160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160包括：U盘、移动硬盘、只读存储器（ROM，Read-OnlyMemory）、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，在不存在矛盾冲突的情况下，上文各个实施例之间可以相互结合，为了简洁，本文不再赘述。
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 (12)
1.一种故障分析方法，其特征在于，包括：
目标设备对所述目标设备中的电池相关模块进行监测；
所述目标设备响应于监测到所述电池相关模块存在故障相关状态，采集至少一个模块当前的故障关联数据，作为待分析数据，所述故障相关状态包括故障发生状态和故障风险状态，所述故障风险状态表示所述电池相关模块未发生故障但存在发生故障的风险，所述至少一个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，所述故障关联数据为与所述电池相关模块的故障存在关联的数据；
所述目标设备将所述待分析数据上传至分析设备；
所述分析设备对所述待分析数据进行分析，得到关于所述故障相关状态的故障分析结果；其中，关于所述故障发生状态的故障分析结果为故障原因，关于所述故障风险状态的故障分析结果为表征预测所述电池相关模块未来是否会发生故障的故障预测结果；
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，采集所述至少一个模块在得到所述故障预测结果之后的所述故障关联数据作为候选故障数据，或者将所述待分析数据作为所述候选故障数据；
将所述候选故障数据存储于第二存储池中，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，所述目标设备对所述目标设备中的电池相关模块进行监测，包括：
所述目标设备利用所述电池相关模块在不同时刻的故障关联数据，对所述电池相关模块进行监测。
3.根据权利要求2所述的方法，其特征在于，所述目标设备利用所述电池相关模块在不同时刻的故障关联数据，对所述电池相关模块进行监测，包括：
所述目标设备响应于当前满足监测条件，采集所述至少一个模块当前的故障关联数据，作为监测数据；
对所述监测数据中的每条目标数据进行分析，以查找出满足异常条件的所述目标数据，所述目标数据为所述监测数据中的至少一条数据；
统计所述异常条件下的所述目标数据，以确定所述电池相关模块是否处于所述故障相关状态。
4.根据权利要求3所述的方法，其特征在于，所述故障相关状态有至少一种，每种所述故障相关状态对应一类的所述异常条件；所述统计所述异常条件下的所述目标数据，以确定所述电池相关模块是否处于所述故障相关状态，包括：
将每种所述故障相关状态分别作为目标状态，将与所述目标状态对应的异常条件下的目标数据，作为所述目标状态对应的异常数据；
综合所述目标状态对应的各异常数据，确定所述电池相关模块是否处于所述目标状态。
5.根据权利要求4所述的方法，其特征在于，所述综合所述目标状态对应的各异常数据，确定所述电池相关模块是否处于所述目标状态，包括：
将所述目标状态对应的各异常数据的权重进行相加，得到所述目标状态的状态评估因子；
基于所述目标状态的状态评估因子，确定所述电池相关模块是否处于所述目标状态。
6.根据权利要求1所述的方法，其特征在于，所述目标设备将所述待分析数据上传至分析设备，包括：
所述目标设备响应于所述电池相关模块存在故障相关状态而传输所述待分析数据；或者，
将所述待分析数据存储至第一存储池中，响应于所述分析设备的读取指令，将所述待分析数据上传至所述分析设备。
7.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，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；
所述电池相关模块为电池管理系统中的芯片。
8.一种数据采集方法，其特征在于，包括：
对目标设备中的电池相关模块进行监测；
响应于监测到所述电池相关模块存在故障相关状态，采集至少一个模块当前的故障关联数据，作为待分析数据，所述故障相关状态包括故障发生状态和故障风险状态，所述故障风险状态表示所述电池相关模块未发生故障但存在发生故障的风险，所述至少一个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，所述故障关联数据为与所述电池相关模块的故障存在关联的数据；
将所述待分析数据上传至分析设备，以使所述分析设备对所述待分析数据进行分析，得到关于所述故障相关状态的故障分析结果；其中，关于所述故障发生状态的故障分析结果为故障原因，关于所述故障风险状态的故障分析结果为表征预测所述电池相关模块未来是否会发生故障的故障预测结果；
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，采集所述至少一个模块在得到所述故障预测结果之后的所述故障关联数据作为候选故障数据，或者将所述待分析数据作为所述候选故障数据；
将所述候选故障数据存储于存储池中，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。
9.一种数据采集装置，其特征在于，包括：
监测模块，用于对目标设备中的电池相关模块进行监测；
采集模块，用于响应于监测到所述电池相关模块存在故障相关状态，采集至少一个模块当前的故障关联数据，作为待分析数据，所述故障相关状态包括故障发生状态和故障风险状态，所述故障风险状态表示所述电池相关模块未发生故障但存在发生故障的风险，所述至少一个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，所述故障关联数据为与所述电池相关模块的故障存在关联的数据；
上传模块，用于将所述待分析数据上传至分析设备，以使所述分析设备对所述待分析数据进行分析，得到关于所述故障相关状态的故障分析结果；其中，关于所述故障发生状态的故障分析结果为故障原因，关于所述故障风险状态的故障分析结果为表征预测所述电池相关模块未来是否会发生故障的故障预测结果；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，采集所述至少一个模块在得到所述故障预测结果之后的所述故障关联数据作为候选故障数据，或者将所述待分析数据作为所述候选故障数据；将所述候选故障数据存储于存储池中，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。
10.一种电子设备，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，以实现如权利要求8所述的数据采集方法。
11.一种故障分析系统，其特征在于，包括：
目标设备，包括电池和电池相关模块，用于执行如权利要求8所述的数据采集方法；
分析设备，与所述目标设备通信连接，用于对待分析数据进行分析，得到关于故障相关状态的故障分析结果。
12.一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8所述的数据采集方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311590374.9A CN117289145B (zh) | 2023-11-27 | 2023-11-27 | 故障分析方法、数据采集方法、装置、设备、系统和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311590374.9A CN117289145B (zh) | 2023-11-27 | 2023-11-27 | 故障分析方法、数据采集方法、装置、设备、系统和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117289145A CN117289145A (zh) | 2023-12-26 |
| CN117289145B true CN117289145B (zh) | 2024-04-19 |
Family
ID=89244877
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311590374.9A Active CN117289145B (zh) | 2023-11-27 | 2023-11-27 | 故障分析方法、数据采集方法、装置、设备、系统和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117289145B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102332616A (zh) * | 2011-07-29 | 2012-01-25 | 奇瑞汽车股份有限公司 | 一种动力电池管理系统的诊断控制方法 |
| WO2018028136A1 (zh) * | 2016-08-08 | 2018-02-15 | 北京新能源汽车股份有限公司 | 一种电池管理系统的测试系统和方法 |
| CN109283469A (zh) * | 2018-09-21 | 2019-01-29 | 四川长虹电器股份有限公司 | 电池管理系统故障预测方法、装置及可读存储介质 |
| CN111273176A (zh) * | 2018-12-05 | 2020-06-12 | 宁德时代新能源科技股份有限公司 | 一种故障诊断的优化方法及装置、系统和存储介质 |
| CN112014745A (zh) * | 2020-08-27 | 2020-12-01 | 洛阳理工学院 | 一种针对动力电池的三级故障诊断方法 |
| CN112710956A (zh) * | 2020-12-17 | 2021-04-27 | 四川虹微技术有限公司 | 一种基于专家系统的电池管理系统故障检测系统及方法 |
| CN112731159A (zh) * | 2020-12-23 | 2021-04-30 | 江苏省电力试验研究院有限公司 | 一种储能电站电池舱电池故障预判及定位的方法 |
| CN114675202A (zh) * | 2022-03-11 | 2022-06-28 | 华为数字能源技术有限公司 | 电池故障的诊断方法及装置 |
| CN114932807A (zh) * | 2022-05-27 | 2022-08-23 | 中国第一汽车股份有限公司 | 电动车动力系统的故障处理方法及故障处理系统 |
| CN115808622A (zh) * | 2022-10-11 | 2023-03-17 | 宁德时代新能源科技股份有限公司 | 电池故障识别方法、装置、设备和存储介质 |
| CN116257039A (zh) * | 2023-05-16 | 2023-06-13 | 江西五十铃汽车有限公司 | 基于大数据的车辆故障诊断分级处理方法和程序产品 |
-
2023
- 2023-11-27 CN CN202311590374.9A patent/CN117289145B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102332616A (zh) * | 2011-07-29 | 2012-01-25 | 奇瑞汽车股份有限公司 | 一种动力电池管理系统的诊断控制方法 |
| WO2018028136A1 (zh) * | 2016-08-08 | 2018-02-15 | 北京新能源汽车股份有限公司 | 一种电池管理系统的测试系统和方法 |
| CN109283469A (zh) * | 2018-09-21 | 2019-01-29 | 四川长虹电器股份有限公司 | 电池管理系统故障预测方法、装置及可读存储介质 |
| CN111273176A (zh) * | 2018-12-05 | 2020-06-12 | 宁德时代新能源科技股份有限公司 | 一种故障诊断的优化方法及装置、系统和存储介质 |
| CN112014745A (zh) * | 2020-08-27 | 2020-12-01 | 洛阳理工学院 | 一种针对动力电池的三级故障诊断方法 |
| CN112710956A (zh) * | 2020-12-17 | 2021-04-27 | 四川虹微技术有限公司 | 一种基于专家系统的电池管理系统故障检测系统及方法 |
| CN112731159A (zh) * | 2020-12-23 | 2021-04-30 | 江苏省电力试验研究院有限公司 | 一种储能电站电池舱电池故障预判及定位的方法 |
| CN114675202A (zh) * | 2022-03-11 | 2022-06-28 | 华为数字能源技术有限公司 | 电池故障的诊断方法及装置 |
| CN114932807A (zh) * | 2022-05-27 | 2022-08-23 | 中国第一汽车股份有限公司 | 电动车动力系统的故障处理方法及故障处理系统 |
| CN115808622A (zh) * | 2022-10-11 | 2023-03-17 | 宁德时代新能源科技股份有限公司 | 电池故障识别方法、装置、设备和存储介质 |
| CN116257039A (zh) * | 2023-05-16 | 2023-06-13 | 江西五十铃汽车有限公司 | 基于大数据的车辆故障诊断分级处理方法和程序产品 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117289145A (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103246265B (zh) | 机电设备检测维护方法 | |
| CN110164501A (zh) | 一种硬盘检测方法、装置、存储介质及设备 | |
| CN106537351B (zh) | 用于诊断无线通信设备中的电源故障的方法 | |
| CN106649043B (zh) | 一种运维系统故障自动诊断方法及系统 | |
| CN115576738B (zh) | 一种基于芯片分析实现设备故障确定的方法及系统 | |
| CN113592343A (zh) | 二次系统的故障诊断方法、装置、设备和存储介质 | |
| CN115038088B (zh) | 一种智能网络安全检测预警系统和方法 | |
| CN115687447A (zh) | 一种基于物联网的海洋环境监测系统及方法 | |
| CN113918411B (zh) | 基于边缘计算的终端设备管控方法和系统 | |
| CN117289145B (zh) | 故障分析方法、数据采集方法、装置、设备、系统和介质 | |
| 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 | |
| JP5780553B2 (ja) | 障害監視装置及び障害監視方法 | |
| CN104038388A (zh) | 基于分布式的物联网自动测试系统及测试方法 | |
| CN114675789B (zh) | 一种基于计算机系统的大数据分析存储系统及方法 | |
| CN117289144B (zh) | 一种故障定位方法、装置、设备、系统和介质 | |
| CN112710918B (zh) | 基于边缘计算的无线数据采集方法及系统 | |
| CN117289143B (zh) | 一种故障预测方法、装置、设备、系统和介质 | |
| CN117290150B (zh) | 故障原因确定方法、装置、设备、系统和介质 | |
| CN117290151B (zh) | 电源模块的故障原因确定方法、装置、设备、系统和介质 | |
| CN110674193A (zh) | 一种智能变电站继电保护故障信息建模方法 | |
| CN115828165B (zh) | 一种新能源智能微电网数据处理方法及系统 | |
| CN117648237B (zh) | 性能测试过程自动监控方法 | |
| CN114816024B (zh) | 对服务器主板负载端进行保护的方法、系统、设备及介质 | |
| CN118133947B (zh) | 用于空压机能源系统的ai处理方法及系统 | |
| WO2023103627A1 (zh) | 网络巡检的方法、装置、电子设备和存储介质 |
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 |