CN117630679A - 一种电池故障诊断方法和系统 - Google Patents
一种电池故障诊断方法和系统 Download PDFInfo
- Publication number
- CN117630679A CN117630679A CN202311645677.6A CN202311645677A CN117630679A CN 117630679 A CN117630679 A CN 117630679A CN 202311645677 A CN202311645677 A CN 202311645677A CN 117630679 A CN117630679 A CN 117630679A
- Authority
- CN
- China
- Prior art keywords
- battery
- fault
- characteristic vector
- vector curve
- manhattan
- 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.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 31
- 239000011159 matrix material Substances 0.000 claims abstract description 49
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 41
- 238000005070 sampling Methods 0.000 claims description 36
- 238000010606 normalization Methods 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 14
- 239000000284 extract Substances 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 229910052744 lithium Inorganic materials 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Landscapes
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明公开了一种电池故障诊断方法和系统，该方法包括：获取电池原始电压数据，对电池原始电压数据进行小波包分解得到低频信号小波系数和高频信号小波系数，并根据低频信号小波系数和高频信号小波系数构建得到小波包系数矩阵；对小波包系数矩阵进行奇异值分解，得到奇异值矩阵，根据奇异值矩阵确定小波包系数矩阵的非零奇异值，并求解非零奇异值的均值得到故障特征值，以便得到故障特征值对应的特征向量曲线；根据多个电池的特征向量曲线得到参考特征向量曲线，计算待测电池的特征向量曲线与参考特征向量曲线的曼哈顿平均距离，并根据曼哈顿平均距离判断电池是否发生故障。本发明能够准确定位故障电池和故障类型。
Description
技术领域
本发明涉及电池故障诊断技术领域，尤其涉及一种电池故障诊断方法和系统。
背景技术
锂电池因具有能量密度高，工作范围广，寿命长等优点被广泛地应用于电动汽车。作为电动汽车的核心部件，锂离子电池由多个电池串并联组成，为汽车提供足够的功率。因此，电池的状态直接决定电动汽车的整体性能。但由于在实际运行过程中，电池会因老化或滥用出现各种故障。其中，电压突发性跌落故障最为常见，即电压明显下降的故障，实施突发性故障诊断的难度较高，如果故障得不到及时解决，可能会触发电池热失控。因此，突发性电池故障诊断对电池安全运行至关重要。
传统的故障诊断方法无法定位具体电池，当前常用的可以进行故障定位的方法主要基于阈值和机器学习的方法，但存在着无法识别故障类型等问题。因此，急需开发一种能够识别具体电池和故障类型的电池故障诊断方法。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的第一个目的在于提供一种电池故障诊断方法，该方法能够准确定位故障电池和故障类型。
本发明的第二个目的在于提供一种电池故障诊断系统。
为达到上述目的，本发明通过以下技术方案实现：
一种电池故障诊断方法，包括：
获取电池原始电压数据，对所述电池原始电压数据进行小波包分解得到低频信号小波系数和高频信号小波系数，并根据所述低频信号小波系数和所述高频信号小波系数构建得到小波包系数矩阵；
对所述小波包系数矩阵进行奇异值分解，得到奇异值矩阵，根据所述奇异值矩阵确定所述小波包系数矩阵的非零奇异值，并求解所述非零奇异值的均值得到故障特征值，以便得到所述故障特征值对应的特征向量曲线；
根据多个电池的特征向量曲线得到参考特征向量曲线，计算待测电池的特征向量曲线与所述参考特征向量曲线的曼哈顿平均距离，并根据所述曼哈顿平均距离判断所述电池是否发生故障。
优选的，对所述电池原始电压数据至少进行三层小波包分解。
优选的，根据多个电池的特征向量曲线得到参考特征向量曲线的步骤包括：将每一电池的特征向量曲线中的所有非零奇异值从小到大进行排序，并获取排序后的所有非零奇异值的中位数；根据从所有电池的特征向量曲线中提取的中位数构造得到所述参考特征向量曲线。
优选的，在计算得到曼哈顿平均距离之后，还对所述曼哈顿平均距离进行归一化处理，并将归一化处理后的曼哈顿平均距离与预设阈值进行比较，其中，归一化处理后的曼哈顿平均距离大于所述预设阈值时，判断所述电池发生故障。
优选的，判断所述电池发生故障之后，所述方法还包括：计算所述电池的特征向量曲线中所有采样点与所述参考特征向量曲线中对应采样点的相似度距离；从所述电池的特征向量曲线中获取相似度距离大于所述预设阈值的采样点，并提取所述采样点的非零奇异值，以得到故障特征值，并根据所述故障特征值确定故障特征，以便确定故障类型。
为达到上述目的，本发明第二方面提供了一种电池故障诊断系统，包括：
小波包分解模块，用于获取电池原始电压数据，对所述电池原始电压数据进行小波包分解得到低频信号小波系数和高频信号小波系数，并根据所述低频信号小波系数和所述高频信号小波系数构建得到小波包系数矩阵；
特征向量曲线构建模块，用于对所述小波包系数矩阵进行奇异值分解，得到奇异值矩阵，根据所述奇异值矩阵确定所述小波包系数矩阵的非零奇异值，并求解所述非零奇异值的均值得到故障特征值，以便得到所述故障特征值对应的特征向量曲线，以及还用于根据多个电池的特征向量曲线得到参考特征向量曲线；
判断模块，用于计算待测电池的特征向量曲线与所述参考特征向量曲线的曼哈顿平均距离，并根据所述曼哈顿平均距离判断所述电池是否发生故障。
优选的，所述小波包分解模块对所述电池原始电压数据至少进行三层小波包分解。
优选的，所述特征向量曲线构建模块根据多个电池的特征向量曲线得到参考特征向量曲线时，具体用于：将每一电池的特征向量曲线中的所有非零奇异值从小到大进行排序，并获取排序后的所有非零奇异值的中位数；根据从所有电池的特征向量曲线中提取的中位数构造得到所述参考特征向量曲线。
优选的，所述判断模块在计算得到曼哈顿平均距离之后，还用于对所述曼哈顿平均距离进行归一化处理，将归一化处理后的曼哈顿平均距离与预设阈值进行比较，并在归一化处理后的曼哈顿平均距离大于所述预设阈值时，判断所述电池发生故障。
优选的，所述判断模块在判断所述电池发生故障之后，还用于计算所述电池的特征向量曲线中所有采样点与所述参考特征向量曲线中对应采样点的相似度距离；从所述电池的特征向量曲线中获取相似度距离大于所述预设阈值的采样点，并提取所述采样点的非零奇异值，以得到故障特征值，并根据所述故障特征值确定故障特征，以便判断故障类型。
本发明至少具有以下技术效果：
本发明基于小波包分解提取电池原始电压数据中的低频信号小波系数和高频信号小波系数，再将低频信号小波系数和高频信号小波系数组成的小波包系数矩阵通过奇异值分解提取特征向量曲线，从而能够有效的反映单体电池故障信息。其次，为避免选择电压特征向量曲线平均值或选择计算两两电池之间的电压特征向量曲线的曼哈顿平均距离可能会导致计算结果产生漂移，从而造成误诊断，本发明选择所有电池的特征向量曲线中提取的中位数构造的特征向量曲线作为参考，能够有效减少单体不一致性导致的误报。最后，本发明将曼哈顿距离引入到电池故障领域，并进行归一化处理，然后将提取的故障特征作为输入，将输出的曼哈顿平均距离与设定的预设阈值比较，从而能够实现电池组的具体单体电池的在线故障诊断，以及本发明还计算电池的特征向量曲线中所有采样点与参考特征向量曲线中对应采样点的相似度距离，并从电池的特征向量曲线中获取相似度距离大于预设阈值的采样点，然后提取采样点的非零奇异值得到故障特征值，并根据故障特征值确定故障特征，从而根据故障特征可便于确定该电池的故障类型。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1为本发明实施例的电池故障诊断方法的流程图。
图2为本发明实施例的电池故障诊断方法的工作原理图。
图3为本发明实施例的电池故障诊断系统的结构框图。
具体实施方式
下面详细描述本实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参考附图描述本实施例的一种电池故障诊断方法和系统。
图1为本发明实施例的电池故障诊断方法的流程图。如图1所示，该方法包括：
步骤S1：获取电池原始电压数据，对电池原始电压数据进行小波包分解得到低频信号小波系数和高频信号小波系数，并根据低频信号小波系数和高频信号小波系数构建得到小波包系数矩阵。
其中，电池为电动汽车中的锂电池。如图2所示，可获取锂电池驱动的电动汽车的电池原始电压数据，并构建电压矩阵。然后，对构建的电压矩阵至少进行三层小波包分解。本实施例中，为对电池原始电压数据进行三层小波包分解，得到低频信号小波系数和高频信号小波系数，然后基于低频信号小波系数和高频信号小波系数重构得到小波包系数矩阵。
具体的，小波包分解是通过构造一对低通滤波器和高频滤波器来实现小波包对信号的分解的。本实施例中，可通过小波函数ψ(t)和尺度函数φ(t)来得到低频信号小波系数和高频信号小波系数，小波函数ψ(t)和尺度函数φ(t)表示如下：
其中，L(k)为低通滤波函数，H(k)为高频滤波函数，Φ表示用于计算小波函数和尺度函数的中间函数，t为时间，k为分解层数。
进一步的，根据小波函数ψ(t)和尺度函数φ(t)推导得到小波包为：
其中，un为小波包节点数为n的小波包，u2n(t)为t时刻下小波包节点数为2n的小波包，u2n+1(t)为t时刻下小波包节点数为2n+1的小波包。
由于小波包分解是将一个节点分解成两个节点，再将分解后获得的节点继续分解成两个节点，即将整个信号的频带按照树状图的形式进行分解。通过一层层的对原始数据进行分解，从而在每一层中得到多个不同的子频带。由此，通过多层分解可得到小波包u2n(t)和u2n+1(t)对应的小波包系数，即低频信号小波系数dj+1,2n和高频信号小波系数dj+1,2n+1，分别表示如下：
dj+1,2n＝∑L(m-2k)dj,n (4)
其中，j也表示小波包节点数，m也表示分解层数，dj,n为重构的小波包系数。
因此，当需要原始信号时，可对获得的子频带进行小波包重构，小波包重构是由低频信号小波系数dj+1,2n和高频信号小波系数得到dj,n，相应的重构公式为：
dj,n＝∑L(2m-k)dj+1,2n+∑H(2m-k)dj+1,2n+1 (6)
本实施例中，在通过三层分解得到相应的重构的小波系数dj,n后，即可通过dj,n构建得到小波包系数矩阵。
步骤S2：对小波包系数矩阵进行奇异值分解，得到奇异值矩阵，根据奇异值矩阵确定小波包系数矩阵的非零奇异值，并求解非零奇异值的均值得到故障特征值，以便得到故障特征值对应的特征向量曲线。
本实施例中，可设计滑动窗口对小波包系数矩阵进行奇异值分解，并计算非零奇异值的均值得到故障特征值，然后得到故障特征值对应的特征向量曲线。其中，奇异值分解公式如下：
A＝UWVT (7)
其中，A为小波包系数矩阵，U为左奇异矩阵，W为奇异值矩阵，V为右奇异值矩阵。
在得到奇异值矩阵W后，根据奇异值矩阵W确定小波包系数矩阵A的非零奇异值，然后计算得到非零奇异值的均值得到故障特征值，并得到故障特征值对应的特征向量曲线。所述非零奇异值的均值或者平均奇异值表示如下：
其中，kr为非零奇异值的均值，λr为第r个非零奇异值，r为非零奇异值个数。
步骤S3：根据多个电池的特征向量曲线得到参考特征向量曲线，计算待测电池的特征向量曲线与参考特征向量曲线的曼哈顿平均距离，并根据曼哈顿平均距离判断电池是否发生故障。
其中，根据多个电池的特征向量曲线得到参考特征向量曲线的步骤包括：将每一电池的特征向量曲线中的所有非零奇异值从小到大进行排序，并获取排序后的所有非零奇异值的中位数；根据从所有电池的特征向量曲线中提取的中位数构造得到参考特征向量曲线。
本实施例中，可对每个单体电池的平均奇异值进行重构，得到参考特征向量曲线。具体的，对多个电池的特征向量曲线的每一个采样点的非零奇异值进行从小到大排列，并获取中位数，然后构造参考特征向量曲线。
在构造参考特征向量曲线之后，通过下述公式计算待测电池的特征向量曲线与参考特征向量曲线的曼哈顿平均距离：
其中，Kr1表示待测电池的特征向量曲线，Kr2表示参考特征向量曲线，Kr1＝[kr11kr12…kr1N]；Kr2＝[kr21kr22…kr2N]，kr1N表示待测电池的特征向量曲线上的第N个非零奇异值，kr2N表示参考特征向量曲线上的第N个非零奇异值，i表示曲线上第i个非零奇异值，Kr1i表示待测电池的特征向量曲线上的第i个非零奇异值，Kr2i表示参考特征向量曲线上的第i个非零奇异值，N表示非零奇异值个数，也表示滑动窗口的宽度，d(Kr1,Kr2)表示两者的曼哈顿平均距离。
进一步的，在计算得到曼哈顿平均距离之后，还对曼哈顿平均距离进行归一化处理，归一化处理公式如下：
其中，R为归一化处理后的曼哈顿平均距离，R的区间为[0，1]，R的值越大，表示曲线的相似度越小，进而可反应各单体电池的故障信息。
进一步的，将归一化处理后的曼哈顿平均距离与预设阈值进行比较，其中，归一化处理后的曼哈顿平均距离大于预设阈值时，判断电池发生故障。
本实施例中，可根据3σ原则设置相对应曼哈顿平均距离的自适应阈值T即所述预设阈值，根据预设阈值T判断电池是否存在故障，其中，设置预设阈值T为：
T＝1.2*(mean(R)+3*std(R)) (11)
其中，mean为当前时刻所有单体电池的R的平均值函数，std为当前时刻所有单体电池的R的标准差函数，即T为1.2倍的3σ原则，σ为标准差。
在本发明的一个实施例中，在判断电池发生故障之后，该方法还包括：计算电池的特征向量曲线中所有采样点与参考特征向量曲线中对应采样点的相似度距离；从电池的特征向量曲线中获取相似度距离大于预设阈值的采样点，并提取采样点的非零奇异值，以得到故障特征值，并根据故障特征值确定故障特征，以便确定故障类型。
具体的，在确定一电池的特征向量曲线与参考特征向量曲线的归一化处理后的曼哈顿平均距离大于预设阈值时，可确定该电池发生故障。为确定该电池的故障类型，可进一步计算该电池的特征向量曲线中所有采样点或者非零奇异值与参考特征向量曲线中对应点或者对应值的相似度距离，并从中选取出相似度距离大于预设阈值的采样点或者相应的非零奇异值。由于相似度距离越大，表示该采样点对应的特征为导致曼哈顿平均距离大于预设阈值的故障特征，且非零奇异值表示故障特征值，由此可根据该非零奇异值确定出故障特征，进而确定出故障类型。
图3为本发明实施例的电池故障诊断系统的结构框图。如图3所示，该电池故障诊断系统100包括依次连接的小波包分解模块10、特征向量曲线构建模块20和判断模块30。其中，小波包分解模块10用于获取电池原始电压数据，对电池原始电压数据进行小波包分解得到低频信号小波系数和高频信号小波系数，并根据低频信号小波系数和高频信号小波系数构建得到小波包系数矩阵。特征向量曲线构建模块20用于对小波包系数矩阵进行奇异值分解，得到奇异值矩阵，根据奇异值矩阵确定小波包系数矩阵的非零奇异值，并求解非零奇异值的均值得到故障特征值，以便得到故障特征值对应的特征向量曲线，以及还用于根据多个电池的特征向量曲线得到参考特征向量曲线。判断模块30用于计算待测电池的特征向量曲线与参考特征向量曲线的曼哈顿平均距离，并根据曼哈顿平均距离判断电池是否发生故障。
在本发明的一个实施例中，小波包分解模块10用于对电池原始电压数据至少进行三层小波包分解。
在本发明的一个实施例中，特征向量曲线构建模块20根据多个电池的特征向量曲线得到参考特征向量曲线时，具体用于将每一电池的特征向量曲线中的所有非零奇异值从小到大进行排序，并获取排序后的所有非零奇异值的中位数；根据从所有电池的特征向量曲线中提取的中位数构造得到参考特征向量曲线。
在本发明的一个实施例中，判断模块30在计算得到曼哈顿平均距离之后，还用于对曼哈顿平均距离进行归一化处理，将归一化处理后的曼哈顿平均距离与预设阈值进行比较，并在归一化处理后的曼哈顿平均距离大于预设阈值时，判断电池发生故障。
在本发明的一个实施例中，判断模块30在判断电池发生故障之后，还用于计算电池的特征向量曲线中所有采样点与参考特征向量曲线中对应采样点的相似度距离；从电池的特征向量曲线中获取相似度距离大于预设阈值的采样点，并提取采样点的非零奇异值，以得到故障特征值，并根据故障特征值确定故障特征，以便判断故障类型。
需要说明的是，本发明实施例的电池故障诊断系统的具体实施方式可参见上述的电池故障诊断方法的具体实施方式，为避免冗余，此处不再赘述。
综上所述，本发明基于小波包分解提取电池原始电压数据中的低频信号小波系数和高频信号小波系数，再将低频信号小波系数和高频信号小波系数组成的小波包系数矩阵通过奇异值分解提取特征向量曲线，从而能够有效的反映单体电池故障信息。其次，为避免选择电压特征向量曲线平均值或选择计算两两电池之间的电压特征向量曲线的曼哈顿平均距离可能会导致计算结果产生漂移，从而造成误诊断，本发明选择所有电池的特征向量曲线中提取的中位数构造的特征向量曲线作为参考，能够有效减少单体不一致性导致的误报。最后，本发明将曼哈顿距离引入到电池故障领域，并进行归一化处理，然后将提取的故障特征作为输入，将输出的曼哈顿平均距离与设定的预设阈值比较，从而能够实现电池组的具体单体电池的在线故障诊断，以及本发明还计算电池的特征向量曲线中所有采样点与参考特征向量曲线中对应采样点的相似度距离，并从电池的特征向量曲线中获取相似度距离大于预设阈值的采样点，然后提取采样点的非零奇异值得到故障特征值，并根据故障特征值确定故障特征，从而根据故障特征可便于确定该电池的故障类型。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。
Claims (10)
1.一种电池故障诊断方法，其特征在于，包括：
获取电池原始电压数据，对所述电池原始电压数据进行小波包分解得到低频信号小波系数和高频信号小波系数，并根据所述低频信号小波系数和所述高频信号小波系数构建得到小波包系数矩阵；
对所述小波包系数矩阵进行奇异值分解，得到奇异值矩阵，根据所述奇异值矩阵确定所述小波包系数矩阵的非零奇异值，并求解所述非零奇异值的均值得到故障特征值，以便得到所述故障特征值对应的特征向量曲线；
根据多个电池的特征向量曲线得到参考特征向量曲线，计算待测电池的特征向量曲线与所述参考特征向量曲线的曼哈顿平均距离，并根据所述曼哈顿平均距离判断所述电池是否发生故障。
2.如权利要求1所述的电池故障诊断方法，其特征在于，对所述电池原始电压数据至少进行三层小波包分解。
3.如权利要求1所述的电池故障诊断方法，其特征在于，根据多个电池的特征向量曲线得到参考特征向量曲线的步骤包括：
将每一电池的特征向量曲线中的所有非零奇异值从小到大进行排序，并获取排序后的所有非零奇异值的中位数；
根据从所有电池的特征向量曲线中提取的中位数构造得到所述参考特征向量曲线。
4.如权利要求1所述的电池故障诊断方法，其特征在于，在计算得到曼哈顿平均距离之后，还对所述曼哈顿平均距离进行归一化处理，并将归一化处理后的曼哈顿平均距离与预设阈值进行比较，其中，归一化处理后的曼哈顿平均距离大于所述预设阈值时，判断所述电池发生故障。
5.如权利要求4所述的电池故障诊断方法，其特征在于，判断所述电池发生故障之后，所述方法还包括：
计算所述电池的特征向量曲线中所有采样点与所述参考特征向量曲线中对应采样点的相似度距离；
从所述电池的特征向量曲线中获取相似度距离大于所述预设阈值的采样点，并提取所述采样点的非零奇异值，以得到故障特征值，并根据所述故障特征值确定故障特征，以便确定故障类型。
6.一种电池故障诊断系统，其特征在于，包括：
小波包分解模块，用于获取电池原始电压数据，对所述电池原始电压数据进行小波包分解得到低频信号小波系数和高频信号小波系数，并根据所述低频信号小波系数和所述高频信号小波系数构建得到小波包系数矩阵；
特征向量曲线构建模块，用于对所述小波包系数矩阵进行奇异值分解，得到奇异值矩阵，根据所述奇异值矩阵确定所述小波包系数矩阵的非零奇异值，并求解所述非零奇异值的均值得到故障特征值，以便得到所述故障特征值对应的特征向量曲线，以及还用于根据多个电池的特征向量曲线得到参考特征向量曲线；
判断模块，用于计算待测电池的特征向量曲线与所述参考特征向量曲线的曼哈顿平均距离，并根据所述曼哈顿平均距离判断所述电池是否发生故障。
7.如权利要求6所述的电池故障诊断系统，其特征在于，所述小波包分解模块对所述电池原始电压数据至少进行三层小波包分解。
8.如权利要求6所述的电池故障诊断系统，其特征在于，所述特征向量曲线构建模块根据多个电池的特征向量曲线得到参考特征向量曲线时，具体用于：
将每一电池的特征向量曲线中的所有非零奇异值从小到大进行排序，并获取排序后的所有非零奇异值的中位数；
根据从所有电池的特征向量曲线中提取的中位数构造得到所述参考特征向量曲线。
9.如权利要求6所述的电池故障诊断系统，其特征在于，所述判断模块在计算得到曼哈顿平均距离之后，还用于对所述曼哈顿平均距离进行归一化处理，将归一化处理后的曼哈顿平均距离与预设阈值进行比较，并在归一化处理后的曼哈顿平均距离大于所述预设阈值时，判断所述电池发生故障。
10.如权利要求9所述的电池故障诊断系统，其特征在于，所述判断模块在判断所述电池发生故障之后，还用于计算所述电池的特征向量曲线中所有采样点与所述参考特征向量曲线中对应采样点的相似度距离；从所述电池的特征向量曲线中获取相似度距离大于所述预设阈值的采样点，并提取所述采样点的非零奇异值，以得到故障特征值，并根据所述故障特征值确定故障特征，以便判断故障类型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311645677.6A CN117630679B (zh) | 2023-11-30 | 一种电池故障诊断方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311645677.6A CN117630679B (zh) | 2023-11-30 | 一种电池故障诊断方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117630679A true CN117630679A (zh) | 2024-03-01 |
| CN117630679B CN117630679B (zh) | 2024-06-07 |
Family
ID=
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120116722A1 (en) * | 2009-06-25 | 2012-05-10 | Electricite De France | Detection of Defects in an Electrochemical Device |
| CN106650071A (zh) * | 2016-12-12 | 2017-05-10 | 中国航空工业集团公司上海航空测控技术研究所 | 用于滚动轴承智能故障诊断的方法 |
| CN107884190A (zh) * | 2017-11-01 | 2018-04-06 | 北京信息科技大学 | 基于变分模态分解和小波奇异分解的轴承故障诊断方法 |
| CN110161343A (zh) * | 2019-06-12 | 2019-08-23 | 中南大学 | 一种智能列车外部受电装置的非侵入式实时动态监测方法 |
| CN111678699A (zh) * | 2020-06-18 | 2020-09-18 | 山东大学 | 一种面向滚动轴承早期故障监测与诊断方法及系统 |
| US20200300907A1 (en) * | 2016-12-29 | 2020-09-24 | Hefei University Of Technology | Analog-circuit fault diagnosis method based on continuous wavelet analysis and elm network |
| CN112001246A (zh) * | 2020-07-20 | 2020-11-27 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种基于奇异值分解的局部放电类型识别方法及装置 |
| CN115774199A (zh) * | 2022-12-10 | 2023-03-10 | 华宇新能源科技有限公司 | 新能源电池的故障诊断方法、系统、电子设备与存储介质 |
| CN116087787A (zh) * | 2023-01-18 | 2023-05-09 | 华能新能源股份有限公司山西分公司 | 一种基于主成分分析法的电池故障判断方法和系统 |
| CN116298922A (zh) * | 2023-03-29 | 2023-06-23 | 华能澜沧江水电股份有限公司 | 电池故障检测方法、装置、电子设备及存储介质 |
| CN116451062A (zh) * | 2023-04-27 | 2023-07-18 | 大连民族大学 | 一种滑动轴承非线性碰摩状态监测方法 |
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120116722A1 (en) * | 2009-06-25 | 2012-05-10 | Electricite De France | Detection of Defects in an Electrochemical Device |
| CN106650071A (zh) * | 2016-12-12 | 2017-05-10 | 中国航空工业集团公司上海航空测控技术研究所 | 用于滚动轴承智能故障诊断的方法 |
| US20200300907A1 (en) * | 2016-12-29 | 2020-09-24 | Hefei University Of Technology | Analog-circuit fault diagnosis method based on continuous wavelet analysis and elm network |
| CN107884190A (zh) * | 2017-11-01 | 2018-04-06 | 北京信息科技大学 | 基于变分模态分解和小波奇异分解的轴承故障诊断方法 |
| CN110161343A (zh) * | 2019-06-12 | 2019-08-23 | 中南大学 | 一种智能列车外部受电装置的非侵入式实时动态监测方法 |
| CN111678699A (zh) * | 2020-06-18 | 2020-09-18 | 山东大学 | 一种面向滚动轴承早期故障监测与诊断方法及系统 |
| CN112001246A (zh) * | 2020-07-20 | 2020-11-27 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种基于奇异值分解的局部放电类型识别方法及装置 |
| CN115774199A (zh) * | 2022-12-10 | 2023-03-10 | 华宇新能源科技有限公司 | 新能源电池的故障诊断方法、系统、电子设备与存储介质 |
| CN116087787A (zh) * | 2023-01-18 | 2023-05-09 | 华能新能源股份有限公司山西分公司 | 一种基于主成分分析法的电池故障判断方法和系统 |
| CN116298922A (zh) * | 2023-03-29 | 2023-06-23 | 华能澜沧江水电股份有限公司 | 电池故障检测方法、装置、电子设备及存储介质 |
| CN116451062A (zh) * | 2023-04-27 | 2023-07-18 | 大连民族大学 | 一种滑动轴承非线性碰摩状态监测方法 |
Non-Patent Citations (5)
| Title |
|---|
| JIUCHUN JIANG 等: "A fault diagnosis method for electric vehicle power lithium battery based on wavelet packet decomposition", 《JOURNAL OF ENERGY STORAGE 》, 27 October 2022 (2022-10-27), pages 2 * |
| LI LIAO 等: "Fault diagnosis of lithium-ion batteries based on wavelet packet decomposition and Manhattan average distance", 《INTERNATIONAL JOURNAL OF GREEN ENERGY》, 21 March 2024 (2024-03-21) * |
| ZHAO JIANWEN 等: "A Fault Section Location Method for Distribution Network Based on Singular Value Distance", 《2019 IEEE 2ND INTERNATIONAL CONFERENCE ON ELECTRONICS AND COMMUNICATION ENGINEERING》, 31 December 2019 (2019-12-31) * |
| 刘光军 等: "基于小波分解和 GDI 的动力电池故障诊断", 《电池》, vol. 53, no. 2, 30 April 2023 (2023-04-30) * |
| 王松岭 等: "基于小波包变换和奇异值分解的风机故障诊断研究", 《热力发电》, vol. 42, no. 11, 30 November 2013 (2013-11-30) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Voltage fault diagnosis and prognosis of battery systems based on entropy and Z-score for electric vehicles | |
| Jiang et al. | Fault diagnosis method for lithium-ion batteries in electric vehicles based on isolated forest algorithm | |
| JP5944291B2 (ja) | バッテリのパラメータ等推定装置およびその推定方法 | |
| CN113962259B (zh) | 一种燃料电池系统多模式双层故障诊断方法 | |
| CN111426955A (zh) | 一种锂离子电池故障诊断方法 | |
| CN113093020B (zh) | 基于lstm神经网络预测锂离子电池剩余使用寿命方法 | |
| CN112906744A (zh) | 一种基于孤立森林算法的故障单体电池识别方法 | |
| CN111257753B (zh) | 一种电池系统故障诊断方法 | |
| CN113406524B (zh) | 一种动力电池系统的不一致性故障诊断方法及系统 | |
| CN115366683A (zh) | 一种新能源汽车动力电池多维模型融合的故障诊断策略 | |
| CN113608140A (zh) | 一种电池故障诊断方法及系统 | |
| CN113203914A (zh) | 基于dae-cnn的地下电缆早期故障检测和识别方法 | |
| CN110794254A (zh) | 一种基于强化学习的配电网故障预测方法及系统 | |
| CN117630679B (zh) | 一种电池故障诊断方法和系统 | |
| CN117554844A (zh) | 一种储能系统的电池单体故障检测方法及装置 | |
| CN114325433A (zh) | 基于电化学阻抗谱测试的锂离子电池故障检测方法和系统 | |
| CN113391214A (zh) | 一种基于电池充电电压排名变化的电池微故障诊断方法 | |
| CN117630679A (zh) | 一种电池故障诊断方法和系统 | |
| CN116400244B (zh) | 储能电池的异常检测方法及装置 | |
| CN117805649A (zh) | 基于soh量化电池容量衰减对异常电芯进行识别的方法 | |
| CN117491813A (zh) | 新能源汽车动力电池系统绝缘异常检测方法 | |
| CN116679213A (zh) | 基于集成深度学习的电动汽车动力电池soh估算方法 | |
| CN116044740A (zh) | 基于声信号的泵故障诊断方法 | |
| CN116819328A (zh) | 一种电动汽车动力电池故障诊断方法、系统、设备及介质 | |
| CN114397588A (zh) | 一种梯次利用的锂离子电池容量预测方法 |
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 |