CN117519448B - 一种平板电脑的使用时间警示系统及方法 - Google Patents
一种平板电脑的使用时间警示系统及方法 Download PDFInfo
- Publication number
- CN117519448B CN117519448B CN202410012537.3A CN202410012537A CN117519448B CN 117519448 B CN117519448 B CN 117519448B CN 202410012537 A CN202410012537 A CN 202410012537A CN 117519448 B CN117519448 B CN 117519448B
- Authority
- CN
- China
- Prior art keywords
- personal computer
- tablet personal
- battery
- state
- time
- 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 21
- 230000032683 aging Effects 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 25
- 230000036541 health Effects 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 229910052760 oxygen Inorganic materials 0.000 claims description 3
- 239000001301 oxygen Substances 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 5
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 16
- 229910001416 lithium ion Inorganic materials 0.000 description 16
- 230000010287 polarization Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/28—Supervision thereof, e.g. detecting power-supply failure by out of limits supervision
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种平板电脑的使用时间警示系统及方法，系统包括数据采集收集单元，数据采集收集单元用于采集平板电脑实时运行信息；电池估算模块，电池估算模块采用等效电路模型计算电池剩余电量的状态；使用时间警示模块，使用时间警示模块用于实时显示剩余电量状态，并且该使用时间警示模块设定提示阈值。本发明通过计算平板电脑各元件在实际使用过程中，由于元件老化或者过载会导致实际寿命低于理论使用寿命值，即平板电脑各元件老化程度，老化后的平板电脑各元件耗电状态高于正常状态耗电量，将平板电脑各元件平板电脑实时运行状态下各元件的实际使用寿命带入等效电路模型能进一步精准计算出实际的电池剩余电量的状态，从而精确的进行使用时间警示。
Description
技术领域
本发明属于电子设备领域，更具体地说，尤其涉及一种平板电脑的使用时间警示系统。同时，本发明还涉及一种平板电脑的使用时间警示方法。
背景技术
平板电脑是一种小型、方便携带的个人电脑，以触摸屏作为基本的输入设备，目前被广泛应用于日常的工作与学习中；
现有技术，大多是通过检测和计算平板电脑电池的剩余电量来对用户进行提醒，但是随着平板电脑使用时间的不同，平板电脑各元件老化后耗电状态高于正常状态耗电量，在不同老化程度时各电元件工作需求电量以及电池剩余电量的状态也是不同的，因此，我们提出一种平板电脑的使用时间警示系统及方法。
发明内容
本发明的目的是为了解决现有技术中存在的缺点，而提出的一种平板电脑的使用时间警示系统及方法，通过计算平板电脑各元件在实际使用过程中，由于元件老化或者过载会导致实际寿命低于理论使用寿命值，即平板电脑各元件老化，老化后的平板电脑各元件耗电状态高于正常状态耗电量，因此，将平板电脑各元件平板电脑实时运行状态下各元件的实际使用寿命带入等效电路模型能进一步精准计算出实际的电池剩余电量的状态。
为实现上述目的，本发明提供如下技术方案：
一种平板电脑的使用时间警示系统，包括：
数据采集收集单元，所述数据采集收集单元用于采集平板电脑实时运行信息，同时，所述数据采集收集单元还用于接收平板电脑各元件的理论使用状态信息以及理论使用寿命；
建模计算单元，根据平板电脑各元件的理论使用寿命建立三维模型，同时，将平板电脑实时运行信息带入三维模型，根据理论使用状态与平板电脑各元件负载状态的比值，计算出在平板电脑实时运行状态下各元件的实际使用寿命，计算式为：
理论使用寿命×=平板电脑实时运行状态下各元件的实际使用寿命；
电池估算模块，所述电池估算模块采用等效电路模型计算电池剩余电量的状态，在计算所述电池剩余电量的状态时，将平板电脑各元件平板电脑实时运行状态下各元件的实际使用寿命带入等效电路模型，具体计算式如下：
电池估算值×=平板电脑电池剩余电量状态的实际值；
使用时间警示模块，所述使用时间警示模块用于实时显示剩余电量状态，并且该使用时间警示模块设定提示阈值，当剩余电量不足10%或者电量根据电池剩余电量状态SOC的估算模块算出的电量不足以支撑平板电脑5分钟当前运行状态时，进行警示。
优选的，所述电池估算模块包括电池剩余电量的状态估算，计算式如下为：
式中，SOC为电池剩余电量状态，Qc指的是某时刻电池的剩余可用电量，Qn指的是电池的额定容量。
优选的，所述电池估算模块还包括电池健康状态估算，以电池的当前实际容量与额定容量的比值来定义电池健康状态估算，计算式如下为：
式中，SOH指的是电池的健康状态，Qaged为电池当前可用的最大电量，Qnew为未使用时的最大电量。
优选的，所述建模计算单元计算平板电脑实时运行状态下各元件的实际使用寿命，检测平板电脑实时运行状态下各元件中氧空位的移动速度与量，采用阿伦尼乌斯方程的高负载模型进行计算，计算式如下：
式中，AL为高负载系数，LN为标准时的寿命，LA为高负载时的寿命，VN为标准时工作电压，n为电压高负载常数，TN为标准时工作温度，TA为高负载时工作温度，θ为温度高负载常数，VA为高负载时工作电压；
通过上述计算式，将模型在不同温度以及电压进行模拟实验，预估电脑实时各元件在平板电脑实时运行状态下环境下的使用寿命。
优选的，所述电池估算模块采用深度学习估算电池健康状态，所述深度学习需要定义卷积神经网络的架构，选择层的类型、选择层数和调整超参数，卷积神经网络的架构包括：
图像输入层，将电压、放电容量、温度数据视为输入图像的三个颜色通道，并将测量值归一化为范围 [0，1]；
卷积层，通过反复试验选择的这种层数在保持合理训练时间的同时提供了最佳结果；
批量归一化层，卷积层后跟一个批量归一化层，加快了网络的训练速度并降低了对网络初始化的敏感性；
ReLU层，批量归一化层后跟一个非线性激活函数，该函数对输入的每个元素执行阈值操作。
优选的，所述卷积神经网络的架构还包括：
池化层，用于减少特征图的大小并删除了冗余信息，从而减少了后续层中要学习的参数数量；
全连接层，该层将所有学习到的特征组合到回归层的单个输入中；
回归层，该层为卷积神经网络的架构最终输出层。
优选的，所述使用时间警示模块的具体提醒方法为：
预设用于判断平板电脑电池端电流的电流阈值；
检测平板电脑电池端电流，并将电流与预设电流阈值进步比较；
当电流大于预设电流阈值时，检测平板电脑的使用时间；
根据平板电脑的使用时间对用户进行提醒。
一种平板电脑的使用时间警示方法，包括如下步骤：
S1、采集平板电脑实时运行信息，同时，所述数据采集收集单元还用于接收平板电脑各元件的理论使用状态信息以及理论使用寿命；
S2、计算出在平板电脑实时运行状态下各元件的实际使用寿命，从而确定平板电脑各元件的老化程度；
S3、将平板电脑各元件平板电脑实时运行状态下各元件的实际使用寿命带入等效电路模型，计算出电池剩余电量的状态；
S4、根据电池剩余电量的状态进行判定，当剩余电量不足10%或者电量根据电池剩余电量状态SOC的估算模块算出的电量不足以支撑平板电脑5分钟当前运行状态时，进行警示。
优选的，所述进行警示通过提示音、震动中的一种或组合方式对用户进行提醒。
本发明的技术效果和优点：本发明提供的一种平板电脑的使用时间警示系统，与现有技术相比，本发明通过计算平板电脑各元件在实际使用过程中，由于元件老化或者过载会导致实际寿命低于理论使用寿命值，即平板电脑各元件老化程度，老化后的平板电脑各元件耗电状态高于正常状态耗电量，将平板电脑各元件平板电脑实时运行状态下各元件的实际使用寿命带入等效电路模型能进一步精准计算出实际的电池剩余电量的状态，从而精确的进行使用时间警示；
其次，本系统采用等效电路模型利用电感、电阻、电容、电压源、电流源等电器元件，通过不同的组合方式来描述锂离子电池充放电特性，将电器元件数值化表达，并结合参数辨识算法，仿真锂离子电池的充放电特性，实现锂离子电池相关状态的诊断和估计，精度高，进一步提高了使用时间警示的精确性。
附图说明
图1为本发明平板电脑的使用时间警示系统机构图；
图2为本发明平板电脑的使用时间警示方法流程图；
图3为本发明实施例中Rint等效电路模型结构图；
图4为本发明实施例中Thevenin等效电路模型结构图；
图5为本发明实施例中二阶RC等效电路模型结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合具体实施例，对本发明进行进一步详细说明。应当理解， 此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供了一种平板电脑的使用时间警示系统，如图1所示，包括：
数据采集收集单元，数据采集收集单元用于采集平板电脑实时运行信息，同时，数据采集收集单元还用于接收平板电脑各元件的理论使用状态信息以及理论使用寿命；
建模计算单元，根据平板电脑各元件的理论使用寿命建立三维模型，同时，将平板电脑实时运行信息带入三维模型，根据理论使用状态与平板电脑各元件负载状态的比值，计算出在平板电脑实时运行状态下各元件的实际使用寿命，计算式为：
理论使用寿命×=平板电脑实时运行状态下各元件的实际使用寿命；
其中，建模计算单元计算平板电脑实时运行状态下各元件的实际使用寿命，检测平板电脑实时运行状态下各元件中氧空位的移动速度与量，采用阿伦尼乌斯方程的高负载模型进行计算，计算式如下：
式中，AL为高负载系数，LN为标准时的寿命，LA为高负载时的寿命，VN为标准时工作电压，n为电压高负载常数，TN为标准时工作温度，TA为高负载时工作温度，θ为温度高负载常数，VA为高负载时工作电压；
通过上述计算式，将模型在不同温度以及电压进行模拟实验，预估电脑实时各元件在平板电脑实时运行状态下环境下的使用寿命。
电池估算模块，电池估算模块采用等效电路模型计算电池剩余电量的状态，在计算电池剩余电量的状态时，将平板电脑各元件平板电脑实时运行状态下各元件的实际使用寿命带入等效电路模型，具体计算式如下：
电池估算值×=平板电脑电池剩余电量状态的实际值；
进一步的，电池估算模块包括电池剩余电量的状态估算，计算式如下为：
式中，SOC为电池剩余电量状态，Qc指的是某时刻电池的剩余可用电量，Qn指的是电池的额定容量；
需要说明的是，电池估算模块还包括电池健康状态估算，以电池的当前实际容量与额定容量的比值来定义电池健康状态估算，计算式如下为：
式中，SOH指的是电池的健康状态，Qaged为电池当前可用的最大电量，Qnew为未使用时的最大电量。
使用时间警示模块，使用时间警示模块用于实时显示剩余电量状态，并且该使用时间警示模块设定提示阈值，当剩余电量不足10%或者电量根据电池剩余电量状态SOC的估算模块算出的电量不足以支撑平板电脑5分钟当前运行状态时，进行警示，使用时间警示模块的具体提醒方法为：
预设用于判断平板电脑电池端电流的电流阈值；
检测平板电脑电池端电流，并将电流与预设电流阈值进步比较；
当电流大于预设电流阈值时，检测平板电脑的使用时间；
根据平板电脑的使用时间对用户进行提醒。
作为需要说明的是，电池估算模块采用深度学习估算电池健康状态，深度学习需要定义卷积神经网络的架构，选择层的类型、选择层数和调整超参数，卷积神经网络的架构包括：
图像输入层，将电压、放电容量、温度数据视为输入图像的三个颜色通道，并将测量值归一化为范围 [0，1]；
卷积层，通过反复试验选择的这种层数在保持合理训练时间的同时提供了最佳结果；
批量归一化层，卷积层后跟一个批量归一化层，加快了网络的训练速度并降低了对网络初始化的敏感性；
ReLU层，批量归一化层后跟一个非线性激活函数，该函数对输入的每个元素执行阈值操作；
还包括：
池化层，用于减少特征图的大小并删除了冗余信息，从而减少了后续层中要学习的参数数量；
全连接层，该层将所有学习到的特征组合到回归层的单个输入中；
回归层，该层为卷积神经网络的架构最终输出层。
作为本实施例需要说明的是，电池估算模块采用等效电路模型计算电池剩余电量的状态中的等效电路模型具体为Rint等效电路模型、Thevenin等效电路模型或二阶RC等效电路模型中的一种；
进一步，如图3所示，Rint模型又称内阻模型，将锂离子电池等效为由一个理想电压源和欧姆内阻串联形成的结构，电压Uoc是电池的开路电压，IRo是电池的内阻，当电池通过电流时，电池的端电压U可以表示为：
另外，如图4所示，Thevenin模型也称为一阶RC模型，Thevenin模型在Rint模型的基础上增加了一个由传荷阻抗Re及电容C组成的RC并联网络，RC开联网络王要用于抽还锂离子电池在充放电过程中的电化学极化特性。
Uoc是电池的开路电压，IRo定电心的欧姆内阻，Ue是RC并联电路两端的电压，针对恒流放电制度，电池的端电压U表示为：
上述Thevenin模型将锂离子电池的欧姆极化和电化学极化同时考虑在内，模型结构相对简单，计算量小，具有较好的实用价值，能够在锂离子电池的健康状态不发生明显变化的情况下，较为精准地模拟锂离子电池在恒流恒温条件下的充放电行为，实现锂离子电池的荷电状态、健康状态或功率状态的诊断。
具体的，如图5所示，二阶RC模型是在Thevenin模型的基础上再串联一个RC并联网络，两个串联的RC并联网络分别用于描述锂离子电池在充放电过程中的电化学极化和浓差极化，Uoc是电池的开路电压，Ro是电池的欧姆内阻，Re是电池的传荷阻抗，Ce是传荷电容，Rc是电池的浓差阻抗，Cc是浓差电容，Ue是电化学极化电压，Uc是浓差极化电压，电池端电压U的离散化方程表示为：
由于二阶RC并联网络的串联结构能够同时考虑了欧姆极化、电化学极化和浓差极化，能够更精确地描述锂离子电池在大倍率条件下的动态极化行为，模型的仿真结果能够更接近电池的实际运行特性，因此，模型在估计大倍率工况条件下电池荷电状态、功率状态和能量状态方面具有更高的精度，同时，由于计算机芯片的计算能力逐渐提高，能够轻松胜任模型仿真的计算任务。
综上：本发明通过计算平板电脑各元件在实际使用过程中，由于元件老化或者过载会导致实际寿命低于理论使用寿命值，即平板电脑各元件老化程度，老化后的平板电脑各元件耗电状态高于正常状态耗电量，将平板电脑各元件平板电脑实时运行状态下各元件的实际使用寿命带入等效电路模型能进一步精准计算出实际的电池剩余电量的状态，从而精确的进行使用时间警示。
作为本实施例可选的方案，上述平板电脑的使用时间警示系统还包括电池剩余使用寿命预测单元，通过该单元预测电池剩余使用寿命，锂离子电池的剩余使用寿命预测能评估电池的可靠性，以确定故障的发生并减轻电池风险；
具体采用LSTM RNN预测器进行锂离子电池的RUL的预测，LSTM RNN预测器包括四个主要组件：长期短期记忆和递归神经网络架构，使用RMSprop方法进行参数优化，用于防止神经网络过度拟合的Dropout，以及通过MC模拟生成预测不确定性的方法。
如图2，本实施例还提供一种平板电脑的使用时间警示方法，包括如下步骤：
S1、采集平板电脑实时运行信息，同时，所述数据采集收集单元还用于接收平板电脑各元件的理论使用状态信息以及理论使用寿命；
S2、计算出在平板电脑实时运行状态下各元件的实际使用寿命，从而确定平板电脑各元件的老化程度；
S3、将平板电脑各元件平板电脑实时运行状态下各元件的实际使用寿命带入等效电路模型，计算出电池剩余电量的状态；
S4、根据电池剩余电量的状态进行判定，当剩余电量不足10%或者电量根据电池剩余电量状态SOC的估算模块算出的电量不足以支撑平板电脑5分钟当前运行状态时，进行警示，警示通过提示音、震动中的一种或组合方式对用户进行提醒。
上述方法采用平板电脑的使用时间警示系统，并且由于系统中采用等效电路模型利用电感、电阻、电容、电压源、电流源等电器元件，通过不同的组合方式来描述锂离子电池充放电特性，将电器元件数值化表达，并结合参数辨识算法，仿真锂离子电池的充放电特性，实现锂离子电池相关状态的诊断和估计，精度高，进一步提高了使用时间警示的精确性。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种平板电脑的使用时间警示系统，其特征在于，包括：
数据采集收集单元，所述数据采集收集单元用于采集平板电脑实时运行信息，同时，所述数据采集收集单元还用于接收平板电脑各元件的理论使用状态信息以及理论使用寿命；
建模计算单元，根据平板电脑各元件的理论使用寿命建立三维模型，同时，将平板电脑实时运行信息带入三维模型，根据理论使用状态与平板电脑各元件负载状态的比值，计算出在平板电脑实时运行状态下各元件的实际使用寿命，计算式为：
理论使用寿命×=平板电脑实时运行状态下各元件的实际使用寿命；
电池估算模块，所述电池估算模块采用等效电路模型计算电池剩余电量的状态，在计算所述电池剩余电量的状态时，将平板电脑各元件平板电脑实时运行状态下各元件的实际使用寿命带入等效电路模型，具体计算式如下：
电池估算值×=平板电脑电池剩余电量状态的实际值；
使用时间警示模块，所述使用时间警示模块用于实时显示剩余电量状态，并且该使用时间警示模块设定提示阈值，当剩余电量不足10%或者电量根据电池剩余电量状态SOC的估算模块算出的电量不足以支撑平板电脑5分钟当前运行状态时，进行警示。
2.根据权利要求1所述的一种平板电脑的使用时间警示系统，其特征在于，所述电池估算模块包括电池剩余电量的状态估算，计算式如下为：
式中，SOC为电池剩余电量状态，Qc指的是某时刻电池的剩余可用电量，Qn指的是电池的额定容量。
3.根据权利要求2所述的一种平板电脑的使用时间警示系统，其特征在于，所述电池估算模块还包括电池健康状态估算，以电池的当前实际容量与额定容量的比值来定义电池健康状态估算，计算式如下为：
式中，SOH指的是电池的健康状态，Qaged为电池当前可用的最大电量，Qnew为未使用时的最大电量。
4.根据权利要求1所述的一种平板电脑的使用时间警示系统，其特征在于，所述建模计算单元计算平板电脑实时运行状态下各元件的实际使用寿命，检测平板电脑实时运行状态下各元件中氧空位的移动速度与量，采用阿伦尼乌斯方程的高负载模型进行计算，计算式如下：
式中，AL为高负载系数，LN为标准时的寿命，LA为高负载时的寿命，VN为标准时工作电压，n为电压高负载常数，TN为标准时工作温度，TA为高负载时工作温度，θ为温度高负载常数，VA为高负载时工作电压；
通过上述计算式，将模型在不同温度以及电压进行模拟实验，预估电脑实时各元件在平板电脑实时运行状态下环境下的使用寿命。
5.根据权利要求3所述的一种平板电脑的使用时间警示系统，其特征在于，所述电池估算模块采用深度学习估算电池健康状态，所述深度学习需要定义卷积神经网络的架构，选择层的类型、选择层数和调整超参数，卷积神经网络的架构包括：
图像输入层，将电压、放电容量、温度数据视为输入图像的三个颜色通道，并将测量值归一化为范围 [0，1]；
卷积层，通过反复试验选择的这种层数在保持合理训练时间的同时提供了最佳结果；
批量归一化层，卷积层后跟一个批量归一化层，加快了网络的训练速度并降低了对网络初始化的敏感性；
ReLU层，批量归一化层后跟一个非线性激活函数，该函数对输入的每个元素执行阈值操作。
6.根据权利要求5所述的一种平板电脑的使用时间警示系统，其特征在于，所述卷积神经网络的架构还包括：
池化层，用于减少特征图的大小并删除了冗余信息，从而减少了后续层中要学习的参数数量；
全连接层，该层将所有学习到的特征组合到回归层的单个输入中；
回归层，该层为卷积神经网络的架构最终输出层。
7.根据权利要求1所述的一种平板电脑的使用时间警示系统，其特征在于，所述使用时间警示模块的具体提醒方法为：
预设用于判断平板电脑电池端电流的电流阈值；
检测平板电脑电池端电流，并将电流与预设电流阈值进步比较；
当电流大于预设电流阈值时，检测平板电脑的使用时间；
根据平板电脑的使用时间对用户进行提醒。
8.一种平板电脑的使用时间警示方法，其特征在于，包括如下步骤：
S1、采集平板电脑实时运行信息，同时，数据采集收集单元还用于接收平板电脑各元件的理论使用状态信息以及理论使用寿命；
S2、计算出在平板电脑实时运行状态下各元件的实际使用寿命，从而确定平板电脑各元件的老化程度；
其中，在平板电脑实时运行状态下各元件的实际使用寿命，计算式为：
理论使用寿命×=平板电脑实时运行状态下各元件的实际使用寿命；
S3、将平板电脑各元件平板电脑实时运行状态下各元件的实际使用寿命带入等效电路模型，计算出电池剩余电量的状态；
其中，将平板电脑各元件平板电脑实时运行状态下各元件的实际使用寿命带入等效电路模型，具体计算式如下：
电池估算值×=平板电脑电池剩余电量状态的实际值；
S4、根据电池剩余电量的状态进行判定，当剩余电量不足10%或者电量根据荷电状态SOC的估算模块算出的电量不足以支撑平板电脑5分钟当前运行状态时，进行警示。
9.根据权利要求8所述的一种平板电脑的使用时间警示方法，其特征在于：所述进行警示通过提示音、震动中的一种或组合方式对用户进行提醒。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410012537.3A CN117519448B (zh) | 2024-01-04 | 2024-01-04 | 一种平板电脑的使用时间警示系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410012537.3A CN117519448B (zh) | 2024-01-04 | 2024-01-04 | 一种平板电脑的使用时间警示系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117519448A CN117519448A (zh) | 2024-02-06 |
| CN117519448B true CN117519448B (zh) | 2024-04-26 |
Family
ID=89751642
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410012537.3A Active CN117519448B (zh) | 2024-01-04 | 2024-01-04 | 一种平板电脑的使用时间警示系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117519448B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160087105A (ko) * | 2015-01-13 | 2016-07-21 | 주식회사 엘지화학 | 전지 수명을 표시하는 전지팩 및 이를 포함하는 노트북 컴퓨터 |
| KR20180082936A (ko) * | 2017-01-11 | 2018-07-19 | 삼성전자주식회사 | 배터리 상태 추정 방법 및 장치 |
| WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
| CN112364486A (zh) * | 2020-10-23 | 2021-02-12 | 昆山宝创新能源科技有限公司 | 预测锂电池循环寿命的方法及其用途 |
| CN116505629A (zh) * | 2023-06-29 | 2023-07-28 | 深圳市南霸科技有限公司 | 固态电池的控制管理方法、装置、设备及存储介质 |
| CN116754976A (zh) * | 2023-05-25 | 2023-09-15 | 盐城工学院 | 一种智能的电池剩余电量估算系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10209315B2 (en) * | 2016-01-13 | 2019-02-19 | Flextronics Ap, Llc | Method of estimation of discharge time duration during high-rate battery discharge |
| CN112098851B (zh) * | 2020-11-06 | 2021-03-12 | 北京理工大学 | 智能电池与其荷电状态在线估计方法及应用 |
-
2024
- 2024-01-04 CN CN202410012537.3A patent/CN117519448B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160087105A (ko) * | 2015-01-13 | 2016-07-21 | 주식회사 엘지화학 | 전지 수명을 표시하는 전지팩 및 이를 포함하는 노트북 컴퓨터 |
| KR20180082936A (ko) * | 2017-01-11 | 2018-07-19 | 삼성전자주식회사 | 배터리 상태 추정 방법 및 장치 |
| WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
| CN112364486A (zh) * | 2020-10-23 | 2021-02-12 | 昆山宝创新能源科技有限公司 | 预测锂电池循环寿命的方法及其用途 |
| CN116754976A (zh) * | 2023-05-25 | 2023-09-15 | 盐城工学院 | 一种智能的电池剩余电量估算系统 |
| CN116505629A (zh) * | 2023-06-29 | 2023-07-28 | 深圳市南霸科技有限公司 | 固态电池的控制管理方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 燃料电池混合动力系统建模及能量管理算法仿真;徐梁飞等;机械工程学报;20090115;第45卷(第01期);第142-146页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117519448A (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109725266B (zh) | 一种电池健康状态soh的计算方法及装置 | |
| US6388450B2 (en) | Method for determining the state of charge of storage batteries | |
| WO2021143592A1 (zh) | 电池等效电路模型的建立方法、健康状态估算方法及装置 | |
| US11965935B2 (en) | Method and apparatus for operating a system for providing predicted states of health of electrical energy stores for a device using machine learning methods | |
| CN111929602B (zh) | 一种基于容量估计的单体电池漏电或微短路定量诊断方法 | |
| CN110673037B (zh) | 基于改进模拟退火算法的电池soc估算方法及系统 | |
| CN113189495A (zh) | 一种电池健康状态的预测方法、装置及电子设备 | |
| CN103529397A (zh) | 一种估算电池电量的方法及电池电量管理系统 | |
| CN109917299A (zh) | 一种锂电池荷电状态的三层滤波估算方法 | |
| Maltezo et al. | Arduino-based battery monitoring system with state of charge and remaining useful time estimation | |
| Xing et al. | State-of-charge estimation for Lithium-Ion batteries using Kalman filters based on fractional-order models | |
| CN116008827A (zh) | 一种锂离子电池析锂电位的确定方法、装置及电子设备 | |
| CN112748348B (zh) | 电池低温性能分布水平检测方法、系统及存储介质 | |
| CN114130713A (zh) | 一种电池梯次利用的筛选方法及装置 | |
| CN117519448B (zh) | 一种平板电脑的使用时间警示系统及方法 | |
| Zhu et al. | Online state of charge EKF estimation for LiFePO 4 battery management systems | |
| CN111274539B (zh) | 一种基于交替最小二乘法的锂电池soh估计方法 | |
| CN116047339A (zh) | 基于热电耦合模型的锂离子电池组soc估计方法及装置 | |
| CN115718261A (zh) | 蓄电池容量估计方法、训练方法、寿命估计方法及装置 | |
| Hsieh et al. | Prediction of Battery Discharge States Based on the Recurrent Neural Network | |
| Mu et al. | Estimation of state of charge of lithium-ion batteries based on wide and deep neural network model | |
| Hernández et al. | State of charge and state of health determination model for a lead-acid battery to be implemented in a management system | |
| CN109991546B (zh) | 一种电池参数获取方法、装置及终端设备 | |
| CN114113843B (zh) | 一种基于图像识别的直流充电桩自动检测系统及方法 | |
| CN114895189B (zh) | 一种串联型电池系统能量状态预测方法 |
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 |