CN117538775A - 一种bms电池单片一致性测试系统及其测试方法 - Google Patents

Abstract

本发明公开了一种BMS电池单片一致性测试系统及其测试方法，包括：工况模拟模块，数据采集模块，数据处理模块，模型拟合模块以及一致性评估模块；工况模拟模块用于建立不同工况模拟在不同场景需求下电池工作状态；数据采集模块用于对模拟电路采集记录电压‑时间变化实时数据和状态运行数据；数据处理模块用于对数据进行预处理，得到电压‑时间集成数据；模型拟合模块用于将电压‑时间集成数据和状态运行数据拟合建立数据学习模型，计算模型优度指标表征单片电池一致性；一致性评估模块用于对模型优度指标进行分析。本发明通过模拟不同工况与滤波器结合，避免了现有技术中无法与具体使用状态结合的问题出现，使测试结果更加真实和准确。

Description

一种BMS电池单片一致性测试系统及其测试方法

技术领域

本发明涉及电学性能的测试领域，尤其涉及获取或处理用于测试或监测电池内单个电池或电池组数据领域，具体涉及一种BMS电池单片一致性测试系统及其测试方法。

背景技术

BMS电池系统俗称之为电池保姆或电池管家，主要就是为了智能化管理及维护各个电池单元，防止电池出现过充电和过放电，延长电池的使用寿命，监控电池的状态。通常BMS电池需要保证一定年限的使用寿命，而电池使用寿命除了和电芯质量相关，还和充电装置电流和电压相关，同时也和使用电池的单片一致性有关。

电池一致性是指统一规格型号的单体电池组成电池组后，其电压、荷电量、容量及其衰退率、内阻及其变化率、寿命、温度影响、自放电率等参数存在一定的差别。

而电压不一致的主要影响因素在于并联组中电池的互充电，当并联组中一节电池电压低时，其他电池将给此电池充电。这种连接方式，会使低压电池容量小幅增加的同时高压电池容量急剧降低，能量将损耗在互充电过程中而达不到预期的对外输出。同时因为设备电流检测偏差，当BMS电池充电完成时，还有微电流给电池进行慢充电，会导致电芯单体电压较高的故障，导致输出电流纹波非常大，纹波电流达到10％以上，输出电流波动会影响电池的使用寿命。

现有技术中通常是通过直接测试电池的相关数据来评估电池一致性，但无法模拟不同工况下的电池电压变化情况，导致测试结果较为单一，无法与具体使用状态结合。

因此，需要提供一种BMS电池单片一致性测试系统及其测试方法，以改善上述问题。

发明内容

本发明克服了现有技术的不足，提供一种BMS电池单片一致性测试系统及其测试方法。

为达到上述目的，本发明采用的技术方案为：一种BMS电池单片一致性测试系统，包括：工况模拟模块，数据采集模块，数据处理模块，模型拟合模块以及一致性评估模块；

所述工况模拟模块包括：模拟电路和设置在所述模拟电路中的滤波器；用于通过建立电池使用时出现的不同工况，来模拟在不同应用场景和需求下的电池工作状态，以便进行一致性测试；

所述数据采集模块包括：采集单元和记录单元；用于对滤波器的实时电压数据进行采集记录，得到滤波器电压-时间变化实时数据和状态运行数据；

所述数据处理模块包括：数据预处理单元，数据输出单元；用于对滤波器电压-时间变化实时数据进行预处理，得到电压-时间集成数据；

所述模型拟合模块包括：模型建立单元，计算单元；用于将电压-时间集成数据和状态运行数据拟合建立数据学习模型，计算模型优度指标表征单片电池一致性；

所述一致性评估模块用于对模型优度指标进行分析，模型优度指标越高表明拟合模型与实际数据的吻合程度越高，单片电池一致性越好，反之则表明单片电池一致性越差。

本发明一个较佳实施例中，所述工况模拟模块包括：充电工况，放电工况，循环工况，温度工况，以及存储工况。

本发明一个较佳实施例中，所述充电工况包括：充电速率因素、充电电流因素以及充电温度因素；所述放电工况包括：放电速率因素、放电电流因素以及放电温度因素；所述循环工况包括：循环次数因素和循环速率因素；所述温度工况包括：高温环境因素和低温环境因素；所述存储工况包括：电荷状态因素和存储时间因素。

本发明一个较佳实施例中，所述采集单元用于实时采集滤波器的电压数据，所述记录单元用于记录采集到的实时电压数据。

本发明一个较佳实施例中，所述数据预处理单元用于对滤波器电压-时间变化实时数据进行预处理，包括异常数据的识别和剔除，以及数据曲线的平滑除噪处理；所述数据输出单元用于输出处理后的电压-时间集成数据，为后续的模型拟合和提供性评估提供数据。

本发明一个较佳实施例中，所述模型建立单元用于根据电压-时间集成数据和状态运行数据，建立数据学习模型；所述计算单元用于计算模型的优度指标。

本发明一个较佳实施例中，所述数据学习模型为基于人工智能的深度学习模型，用于通过拟合优度算法精确计算模型优度指标。

本发明一个较佳实施例中，衡量所述模型优度指标的统计量为可决系数，可决系数的值越接近1，表明拟合程度越好，反之可决系数的值越小，表明拟合程度越差。

本发明一个较佳实施例中，所述采集单元内设置有若干传感器，包括：热敏传感器、电流传感器、电压传感器、湿敏传感器、气敏传感器以及磁敏传感器。

本发明还提供了一种BMS电池单片一致性测试系统的测试方法，具体包括以下步骤：

S1、将多个锂电池单片的正极和负极依次连接在一起，形成一个电池组；将滤波器的输入端与电池组连接，滤波器的输出端与用电负载连接，搭建模拟电路；

S2、通过工况模拟模块进行模拟后，控制采集单元对滤波器的电压变化进行测试，并使用记录单元录入各工况对应的滤波器电压-时间变化实时数据和状态运行数据；

S3、将S2中的滤波器电压-时间变化数据发送至数据预处理单元进行处理，通过数据预处理单元去除异常值并进行平滑处理，将得到的电压-时间集成数据传输至模型拟合模块；

S4、将电压-时间集成数据和状态运行数据拟合得到数据学习模型；所述数据学习模型为基于人工智能的深度学习模型，用于通过拟合优度算法精确计算模型优度指标；

S5、将模型优度指标传输至一致性评估模块进行评估，得到评估结果。

本发明解决了背景技术中存在的缺陷，本发明具备以下有益效果：

(1)本发明提供了一种BMS电池单片一致性测试系统及其测试方法，避免了现有技术中测试结果较为单一，无法与具体使用状态结合的问题出现，使得测试结果更加真实和准确；并结合学习模型可以准确评估电池的一致性，为指导电池设计和应用的优化提供了基础。

(2)本发明设置了工况模拟模块，通过建立电池使用时出现的不同工况，可以模拟在充放电和充放电循环应用场景、温度影响以及存储需求下的电池工作状态；可以测试滤波器电压的多种影响因素，扩大了工况的考虑范围，这样可以更准确地评估电池的一致性。

(3)本发明设置了数据采集模块，通过设置的多种传感器可以准确得知影响滤波器电压的具体因素范围，同时可以实时采集记录滤波器的电压数据；可以获取准确的电池状态信息，为后续的数据处理和模型拟合提供了具体数据。

(4)本发明设置了模型拟合模块，建立了基于人工智能的深度学习模型，通过不断学习和迭代，不断提高模型的准确性；且可以根据输入数据的特征自动调整模型参数，从而更好地拟合优度算法和实际数据；同时可以处理大规模的复杂数据，能够加快拟合与计算速度，节约了时间和资源成本。

(5)本发明通过模拟不同工况与滤波器结合，通过测量滤波器的实时电压输出数据来表征单片电池的一致性，可以有效滤除高频噪声数据和异常数据，减少由于噪声数据引起的误判，提高测试结果的可靠性；且可以去除数据中的波动和突变，使得数据更加清晰和可辨，有助于更准确地分析数据，发现潜在的问题和优化方案。

(6)本发明通过测量滤波器两端的电压数据，可以反映电池单片实际电压状况。不受环境和连接线路影响，更能真实反映每个单片的电压水平；且测试结果更加连贯和稳定，不会因为偶尔的噪点数据导致测试结果跳动不定，更有利于长期跟踪和分析单片电压变化趋势；同时有利于检测单片长期变化，经滤波后的平稳数据可以清晰显示单片电压随时间的演变规律，更容易发现单片老化迹象。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图；

图1是本发明的一种BMS电池单片一致性测试系统的示意图；

图2是本发明的一种BMS电池单片一致性测试方法的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

图1是本发明的一种BMS电池单片一致性测试系统的示意图；该系统包括：工况模拟模块，数据采集模块，数据处理模块，模型拟合模块以及一致性评估模块。

本系统避免了现有技术中测试结果较为单一，无法与具体使用状态结合的问题出现，使得测试结果更加真实和准确；并结合学习模型可以准确评估电池的一致性，为指导电池设计和应用的优化提供了基础。

需要说明的是，在模拟工况前首先收集单片电池的性能数据，包括容量、内阻和开路电压。

工况模拟模块包括：模拟电路和设置在模拟电路中的滤波器；用于通过建立电池使用时出现的不同工况，来模拟在不同应用场景和需求下的电池工作状态，以便进行一致性测试。

需要说明的是，使用的滤波器具体为STS-LCL滤波器。

工况模拟模块包括：充电工况，放电工况，循环工况，温度工况，以及存储工况。充电工况包括：充电速率因素、充电电流因素以及充电温度因素；放电工况包括：放电速率因素、放电电流因素以及放电温度因素。

循环工况包括：循环次数因素和循环速率因素；温度工况包括：高温环境因素和低温环境因素；存储工况包括：电荷状态因素和存储时间因素。

通过建立电池使用时出现的不同工况可以模拟在充放电和充放电循环应用场景、温度影响以及存储需求下的电池工作状态；可以测试滤波器电压的多种影响因素，扩大了工况的考虑范围，这样可以更准确地评估电池的一致性。

数据采集模块包括：采集单元和记录单元；用于对滤波器的实时电压数据进行采集记录，得到滤波器电压-时间变化实时数据和状态运行数据。

需要说明的是，状态运行数据具体包括：

1.滤波器关键参数的实时数据，包括电流数据、滤波器温度数据。

2.滤波器运行日志数据，包括运行时间和报警次数。

采集单元用于实时采集滤波器的电压数据，记录单元用于记录采集到的实时电压数据；需要说明的是，采集单元内设置有若干传感器，包括：热敏传感器、电流传感器、电压传感器、湿敏传感器、气敏传感器以及磁敏传感器。

通过设置的多种传感器可以准确得知影响滤波器电压的具体因素范围，同时可以实时采集记录滤波器的电压数据；可以获取准确的电池状态信息，为后续的数据处理和模型拟合提供了具体数据。

数据处理模块包括：数据预处理单元，数据输出单元；用于对滤波器电压-时间变化实时数据进行预处理，得到电压-时间集成数据。

数据预处理单元用于对滤波器电压-时间变化实时数据进行预处理，包括异常数据的识别和剔除，以及数据曲线的平滑除噪处理；数据输出单元用于输出处理后的电压-时间集成数据，为后续的模型拟合和提供性评估提供数据。

模型拟合模块包括：模型建立单元，计算单元；用于将电压-时间集成数据和状态运行数据拟合建立数据学习模型，计算模型优度指标表征单片电池一致性；

模型建立单元用于根据电压-时间集成数据和状态运行数据，建立数据学习模型；计算单元用于计算模型的优度指标；数据学习模型为基于人工智能的深度学习模型，用于通过拟合优度算法精确计算模型优度指标。

需要说明的是，衡量模型优度指标的统计量为可决系数，可决系数的值越接近1，表明拟合程度越好，反之可决系数的值越小，表明拟合程度越差。

一致性评估模块用于对模型优度指标进行分析，模型优度指标越高表明拟合模型与实际数据的吻合程度越高，单片电池一致性越好，反之则表明单片电池一致性越差。

通过建立基于人工智能的深度学习模型不断学习和迭代，不断提高模型的准确性；且可以根据输入数据的特征自动调整模型参数，从而更好地拟合优度算法和实际数据；同时可以处理大规模的复杂数据，能够加快拟合与计算速度，节约了时间和资源成本。

图2是本发明的一种BMS电池单片一致性测试方法的流程图；具体包括以下步骤：

S1、将多个锂电池单片的正极和负极依次连接在一起，形成一个电池组；将滤波器的输入端与电池组连接，滤波器的输出端与用电负载连接，搭建模拟电路；

S2、通过工况模拟模块进行模拟后，控制采集单元对滤波器的电压变化进行测试，并使用记录单元录入各工况对应的滤波器电压-时间变化实时数据和状态运行数据；

S3、将S2中的滤波器电压-时间变化数据发送至数据预处理单元进行处理，通过数据预处理单元去除异常值并进行平滑处理，将得到的电压-时间集成数据传输至模型拟合模块；

S4、将电压-时间集成数据和状态运行数据拟合得到数据学习模型；数据学习模型为基于人工智能的深度学习模型，用于通过拟合优度算法精确计算模型优度指标；

S5、将模型优度指标传输至一致性评估模块进行评估，得到评估结果。

该测试方法通过模拟不同工况与滤波器结合，通过测量滤波器的实时电压输出数据来表征单片电池的一致性，可以有效滤除高频噪声数据和异常数据，减少由于噪声数据引起的误判，提高测试结果的可靠性；且可以去除数据中的波动和突变，使得数据更加清晰和可辨，有助于更准确地分析数据，发现潜在的问题和优化方案。

实施例一

本实施例使用本测试方法对BMS电池进行工况数据采集：

1.测试得到本实施例使用的单片锂电池的容量为50Ah，内阻为45mΩ，开路电压为1.5V；

2.将5个锂电池单片的正极和负极依次连接在一起，形成一个电池组；对电池组在充电工况，放电工况，循环工况，温度工况，以及存储工况方面进行数据采集，结果如表1所示；

表1各工况下的数据采集汇总表

本实施例通过建立电池使用时出现的不同工况，可以模拟在充放电和充放电循环应用场景、温度影响以及存储需求下的电池工作状态；可以测试STS-LCL滤波器电压的多种影响因素，扩大了工况的考虑范围，这样可以更准确地评估电池的一致性。

实施例二

本实施例在实施例一的基础上通过对比使用本测试方法与传统测试方法在各个工况下测得的实际电压与测量值之间的误差，来评价测量结果与实际数值的接近程度，进而对电池单片一致性进行评价。

使用一个电压表首先使用本测试方法对STS-LCL滤波器进行电压测量，将电压表的正负极分别连接到STS-LCL滤波器的输出端和地端，打开电压表，并记录下测量到的电压数值，并对滤波器的状态运行数据进行记录。

接着使用一个电压表使用传统测试方法对电池进行电压测量，将电压表的正负极分别连接到电池的输出端和地端，打开电压表，并记录下测量到的电压数值；汇总得到表2。

表2各工况下实际电压与测量值之间的误差值

由表2看出，在充电工况下使用本测试方法和传统测试方法测得的电压误差值基本无差别，在循环工况下使用本测试方法和传统测试方法测得的电压误差值相差较小，在放电工况、温度工况和存储工况下下使用本测试方法和传统测试方法测得的电压误差值相差较大，说明相较于传统测试方法使用本测试方法可以有效降低电压输出误差，提高测试结果的可靠性。

实施例三

本实施例通过使用本测试方法与传统测试方法评价同一片电池在不同温度条件下的测量结果的一致性，来进行多次测量并比较结果来评价，进而对电池单片一致性进行评价。

分别在室温(28℃)，高温(40℃、50℃)，低温(0℃、-10℃)条件下对电池进行50次测试，并对滤波器的状态运行数据进行记录，汇总数据如表3。

表3不同温度条件下放电电压值与内阻值

由表3可知，内阻在低温情况下会随着温度降低而大幅增大，电池开路电压在低温情况下会随着温度降低而减小；内阻在高温情况下会随着温度降低而小幅增大，电池开路电压在高温情况下会随着温度降低而减小，其中存在数据中的波动和突变会导致测试电压与实际值不符，使用本测试方法可以去除数据中的波动和突变产生的极值数据个数，使得数据更加清晰和可辨。

实施例四

本实施例通过使用本测试方法与传统测试方法评价同一片电池在不同连接负载条件下的测量结果的一致性，来进行多次测量并比较结果来评价，进而对电池单片一致性进行评价。

分别在连接负载个数为5个、10个、15个、20个的条件下对电池组进行测试，此电池组由16个3.2V的单片电池组成，并对滤波器的状态运行数据进行记录，汇总数据如表4。

表4不同负载条件下测量电压与实际电压的误差

根据上表可知，使用本测试方法对电池组连接的STS-LCL滤波器进行测量，电压差异在0.1以内，表明各单片性能基本一致。使用传统测试方法直接对电池组进行测量，可以看出误差值随着连接负载个数的增多而增大，表明使用传统测试方法测量电压与实际电压的误差值会随着负载链接个数增多而增大。

实施例五

本实施例通过使用本测试方法与传统测试方法评价同一片电池在不同充放电循环次数条件下的测量结果的一致性，来进行多次测量并比较结果来评价，进而对电池单片一致性进行评价。

初始电池存储容量均为100％，分别在充放电循环次数为100次、500次、1000次、2000次、5000次的条件下对电池容量保持率进行测试，并对滤波器的状态运行数据进行记录，汇总数据如表5。

表5充放电循环次数对电池容量保持率的影响

通过循环次数的增加，可以观察到单片容量下降的差异越来越明显，可以反映出不同单片在长时间循环使用下的性能一致性程度，容量下降越不均匀，单片一致性就越差。但相比于传统测试方法使用本测试方法可以减缓容量下降的趋势，可以延长电池的寿命。

实施例六

本实施例通过使用本测试方法与传统测试方法评价单片电池老化迹象的测量结果的一致性，来进行多次测量并比较结果来评价，进而对电池单片一致性进行评价。

本实施例对一个48V的电池组进行1000个充放电循环后，对每个单片进行以下老化迹象测试，该电池组由4个3.2V的单片电池组成，汇总如表6。

表6相同充放电循环后不同测试方法的电池老化迹象

测试结果表明，使用本测试方法对电池老化迹象影响较小，除单片2外，其他单片老化程度基本一致。但使用传统测试方法会加快电池老化速度，导致单片电池2、3、4均出现老化迹象。老化迹象速度越快，表示单片一致性越差。

实施例七

本实施例在实施例一的基础上建立数据学习模型，计算单元用于计算模型的优度指标。

通过建立基于人工智能的深度学习模型，通过不断学习和迭代，不断提高模型的准确性；且可以根据输入数据的特征自动调整模型参数，从而更好地拟合优度算法和实际数据；同时可以处理大规模的复杂数据，能够加快拟合与计算速度，节约了时间和资源成本。

(1)对5min、10min、15min的各工况处的平均电压进行计算，结果如表7所示：

表7各工况处平均电压

时间点	平均电压
		5min	3.9
10min	3.2
		15min	3.5

(2)对以上每个时间点的电压差异的平方进行计算，并得到以下结果，如表8所示：

表8各时间点对应电压差异

时间点	残差平方
		5min	0.025
10min	0.01
		15min	0.0525

(3)计算电池组的可决系数，结果如表9所示：

表9各时间点对应可决系数

时间点	可决系数
		5min	0.73
10min	0.84
		15min	0.97

(4)由以上数据对电池组的可决系数的平均值进行计算，得到平均可决系数＝(0.73+0.84+0.97)/3＝0.85。

需要说明的是，衡量模型优度指标的统计量为可决系数，可决系数的值越接近1，表明拟合程度越好，反之可决系数的值越小，表明拟合程度越差。

本实施例通过模拟不同工况与STS-LCL滤波器结合，通过测量滤波器的实时电压输出数据来表征单片电池的一致性，可以有效滤除高频噪声数据和异常数据，减少由于噪声数据引起的误判，提高测试结果的可靠性；且可以去除数据中的波动和突变，使得数据更加清晰和可辨，有助于更准确地分析数据，发现潜在的问题和优化方案。

并且避免了现有技术中测试结果较为单一，无法与具体使用状态结合的问题出现，使得测试结果更加真实和准确；并结合学习模型可以准确评估电池的一致性，为指导电池设计和应用的优化提供了基础。

以上依据本发明的理想实施例为启示，通过上述的说明内容，相关人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定技术性范围。

Claims (10)

1.一种BMS电池单片一致性测试系统，包括：工况模拟模块，数据采集模块，数据处理模块，模型拟合模块以及一致性评估模块，其特征在于，

所述工况模拟模块包括：模拟电路和设置在所述模拟电路中的滤波器；用于通过建立电池使用时出现的不同工况，来模拟在不同应用场景和需求下的电池工作状态，以便进行一致性测试；

所述数据采集模块包括：采集单元和记录单元；用于对滤波器的实时电压数据进行采集记录，得到滤波器电压-时间变化实时数据和状态运行数据；

所述数据处理模块包括：数据预处理单元，数据输出单元；用于对滤波器电压-时间变化实时数据进行预处理，得到电压-时间集成数据；

所述模型拟合模块包括：模型建立单元，计算单元；用于将电压-时间集成数据和状态运行数据拟合建立数据学习模型，计算模型优度指标表征单片电池一致性；

所述一致性评估模块用于对模型优度指标进行分析，模型优度指标越高表明拟合模型与实际数据的吻合程度越高，单片电池一致性越好，反之则表明单片电池一致性越差。

2.根据权利要求1所述的一种BMS电池单片一致性测试系统，其特征在于：所述工况模拟模块包括：充电工况，放电工况，循环工况，温度工况，以及存储工况。

3.根据权利要求2所述的一种BMS电池单片一致性测试系统，其特征在于：所述充电工况包括：充电速率因素、充电电流因素以及充电温度因素；所述放电工况包括：放电速率因素、放电电流因素以及放电温度因素；所述循环工况包括：循环次数因素和循环速率因素；所述温度工况包括：高温环境因素和低温环境因素；所述存储工况包括：电荷状态因素和存储时间因素。

4.根据权利要求1所述的一种BMS电池单片一致性测试系统，其特征在于：所述采集单元用于实时采集滤波器的电压数据，所述记录单元用于记录采集到的实时电压数据。

5.根据权利要求1所述的一种BMS电池单片一致性测试系统，其特征在于：所述数据预处理单元用于对滤波器电压-时间变化实时数据进行预处理，包括异常数据的识别和剔除，以及数据曲线的平滑除噪处理；所述数据输出单元用于输出处理后的电压-时间集成数据，为后续的模型拟合和提供性评估提供数据。

6.根据权利要求1所述的一种BMS电池单片一致性测试系统，其特征在于：所述模型建立单元用于根据电压-时间集成数据和状态运行数据，建立数据学习模型；所述计算单元用于计算模型的优度指标。

7.根据权利要求6所述的一种BMS电池单片一致性测试系统，其特征在于：所述数据学习模型为基于人工智能的深度学习模型，用于通过拟合优度算法精确计算模型优度指标。

8.根据权利要求7所述的一种BMS电池单片一致性测试系统，其特征在于：衡量所述模型优度指标的统计量为可决系数，可决系数的值越接近1，表明拟合程度越好，反之可决系数的值越小，表明拟合程度越差。

9.根据权利要求1所述的一种BMS电池单片一致性测试系统，其特征在于：

所述采集单元内设置有若干传感器，包括：热敏传感器、电流传感器、电压传感器、湿敏传感器、气敏传感器以及磁敏传感器。

10.基于权利要求1-9中所述的任意一种BMS电池单片一致性测试系统的测试方法，其特征在于，具体包括以下步骤：

S1、将多个锂电池单片的正极和负极依次连接在一起，形成一个电池组；将滤波器的输入端与电池组连接，滤波器的输出端与用电负载连接，搭建模拟电路；

S2、通过工况模拟模块进行模拟后，控制采集单元对滤波器的电压变化进行测试，并使用记录单元录入各工况对应的滤波器电压-时间变化实时数据和状态运行数据；

S3、将S2中的滤波器电压-时间变化数据发送至数据预处理单元进行处理，通过数据预处理单元去除异常值并进行平滑处理，将得到的电压-时间集成数据传输至模型拟合模块；

S4、将电压-时间集成数据和状态运行数据拟合得到数据学习模型；所述数据学习模型为基于人工智能的深度学习模型，用于通过拟合优度算法精确计算模型优度指标；

S5、将模型优度指标传输至一致性评估模块进行评估，得到评估结果。