CN117648661A - 一种基于大数据的电池故障分类识别方法及系统 - Google Patents
一种基于大数据的电池故障分类识别方法及系统 Download PDFInfo
- Publication number
- CN117648661A CN117648661A CN202410125064.8A CN202410125064A CN117648661A CN 117648661 A CN117648661 A CN 117648661A CN 202410125064 A CN202410125064 A CN 202410125064A CN 117648661 A CN117648661 A CN 117648661A
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- battery
- abnormal
- abnormal data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000002159 abnormal effect Effects 0.000 claims description 226
- 239000003792 electrolyte Substances 0.000 claims description 157
- 230000000630 rising effect Effects 0.000 claims description 62
- 238000013507 mapping Methods 0.000 claims description 49
- 238000004073 vulcanization Methods 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000007599 discharging Methods 0.000 claims description 17
- 238000007405 data analysis Methods 0.000 claims description 14
- 238000003745 diagnosis Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 2
- 230000005856 abnormality Effects 0.000 description 32
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 208000032953 Device battery issue Diseases 0.000 description 1
- UCKMPCXJQFINFW-UHFFFAOYSA-N Sulphide Chemical compound [S-2] UCKMPCXJQFINFW-UHFFFAOYSA-N 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
-
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/52—Testing for short-circuits, leakage current or ground faults
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Secondary Cells (AREA)
Abstract
本发明适用于电池故障分析技术领域，提供了一种基于大数据的电池故障分类识别方法及系统，本申请通过采集电池异常数据样本，在电池异常数据样本上标记有电池型号，所述异常数据样本包括充电时电解液温度上升速度、放电电流、电压和电解液密度，将标记有电池型号的电池异常数据样本输入至大数据平台进行匹配，当电解液密度与大数据平台匹配时，输出板极硫化故障信息，当电压为零，且充电时电解液温度上升速度和放电电流与大数据平台匹配时，输出内部短路故障数据，否则，输出其它类型的故障信息的步骤，从而根据分类识别出电池极板硫化故障、蓄电池内部短路故障和其他故障类型，具备精准识别和分类的特点。
Description
技术领域
本发明涉及电池故障分析技术领域，具体是涉及一种基于大数据的电池故障分类识别方法及系统。
背景技术
公开号CN114781551B公开了一种基于大数据的电池多故障智能分类识别方法，包括以下步骤：S1.采集不同故障条件下电池的海量运行数据并上传大数据平台；S2.提取大数据平台中的原始数据并进行预处理；S3 .建立并训练基于智能无监督学习算法的数据高阶特征提取模型；S4 .建立并训练基于智能有监督学习算法的高阶特征多分类器；S5 .实时采集电池运行数据，利用无监督学习算法提取实时数据的高阶特征，然后利用有监督学习算法进行特征分类，从而实现多种故障的实时诊断和分类，结合基于无监督学习的特征提取方法和基于有监督学习的多分类器实现多种故障的诊断和分类，通过利用无监督学习算法可以提高多分类器的准确性和训练效率。
由于蓄电池出现板极硫化故障和内部极板短路故障时，都会出现电解液温度迅速升高和电流下降速度过快的特征，如果仅仅根据电解液温度和电流下降速度作为以上技术中的的特征数据去计算蓄电池故障时，是无法准确区分出板极硫化故障和内部极板短路故障的。
发明内容
针对现有技术存在的不足，本发明的目的在于提供一种基于大数据的电池故障分类识别方法及系统，以解决上述背景技术中存在的问题。
本发明是这样实现的，一种基于大数据的电池故障分类识别方法，所述方法包括以下步骤：
采集电池异常数据样本，在电池异常数据样本上标记有电池型号，所述异常数据样本包括充电时电解液温度上升速度、放电电流、电压和电解液密度；
将标记有电池型号的电池异常数据样本输入至大数据平台进行匹配，当电解液密度与大数据平台匹配时，输出板极硫化故障信息，当电压为零，且充电时电解液温度上升速度和放电电流与大数据平台匹配时，输出内部短路故障数据，否则，输出其它类型的故障信息。
作为本发明进一步的方案：采集电池异常数据样本，在电池异常数据样本上标记有电池型号的步骤，具体包括：
采集电池充电时电解液温度上升速度、电池放电电流和电压以及电池电解液密度；
分别在电池充电时电解液温度上升速度、电池放电电流和电压和电解液密度上标记有电池型号。
作为本发明进一步的方案：将标记有电池型号的电池异常数据样本输入至大数据平台进行匹配的步骤，具体包括：
将标记有电池型号的电池异常数据样本输入至大数据平台，计算电池异常数据样本中的平均值作为样本特征数据；
建立电池故障类型数据库，所述故障类型数据库包括板极硫化故障、内部短路故障和其它故障类型，故障类型数据库内存储有充电时电解液温度上升速度异常数据、放电电流异常数据、电压异常数据和电解液密度异常数据的特征数据，其中，所述内部短路故障数据库中的电压异常数据均为零；
根据充电时电解液温度上升速度异常数据、放电电流异常数据、电压异常数据和电解液密度异常数据的特征数据建立特征数据与故障种类间的映射关系，所述电解液密度异常特征数据对应有极硫化故障，所述电压为零，且充电时电解液温度上升速度和放电电流异常特征数据对应有内部短路故障，其它异常特征数据对应有其它故障类型；
将样本特征数据与充电时电解液温度上升速度异常数据、放电电流异常数据、电压异常数据和电解液密度异常数据的特征数据进行匹配，从而对样本特征数据进行分类；
将分类后的样本特征数据作为特征数据与故障种类间的映射关系的输入，输出故障类型。
作为本发明进一步的方案：根据充电时电解液温度上升速度异常数据、放电电流异常数据、电压异常数据和电解液密度异常数据的特征数据建立特征数据与故障种类间的映射关系的步骤，具体包括：
基于无监督学习算法建立特征提取模型，利用采集的样本特征数据多次训练特征提取模型；
基于有监督学习算法建立特征多分类器，建立特征数据与故障种类间的映射关系；
利用特征多分类器计算多种故障的出现概率，从而实现多种故障的实时诊断和分类。
作为本发明进一步的方案：将样本特征数据与充电时电解液温度上升速度异常数据、放电电流异常数据、电压异常数据和电解液密度异常数据的特征数据进行匹配，从而对样本特征数据进行分类的步骤，具体包括：
利用数据分析法将样本特征数据与充电时电解液温度上升速度异常数据、放电电流异常数据、电压异常数据和电解液密度异常数据仅仅一一对比；
输出样本特征数据中的异常数据作为特征数据与故障种类间的映射关系的输入。
作为本发明进一步的方案：利用特征多分类器计算多种故障的出现概率，从而实现多种故障的实时诊断和分类的步骤，具体包括：
将样本特征数据中的异常数据作为特征数据与故障种类间的映射关系的输入；
利用特征提取模型提取实时样本特征数据的高阶特征，所述样本特征数据的高阶特征为电解液密度异常数据、电压异常数据、充电时电解液温度上升速度和放电电流异常数据；
利用特征多分类器计算多种故障的出现概率，从而根据电解液密度异常数据输出极硫化故障信息，根据电压异常数据、充电时电解液温度上升速度和放电电流异常数据输出内部短路故障，否则输出其它故障类型信息。
一种基于大数据的电池故障分类识别系统，所述系统包括：
数据采集模块，用于采集电池异常数据样本，在电池异常数据样本上标记有电池型号，所述异常数据样本包括充电时电解液温度上升速度、放电电流、电压和电解液密度；
故障类型分类输出模块，用于将标记有电池型号的电池异常数据样本输入至大数据平台进行匹配，当电解液密度与大数据平台匹配时，输出板极硫化故障信息，当电压为零，且充电时电解液温度上升速度和放电电流与大数据平台匹配时，输出内部短路故障数据，否则，输出其它类型的故障信息。
作为本发明进一步的方案：所述故障类型分类输出模块包括：
输入单元，用于将标记有电池型号的电池异常数据样本输入至大数据平台，计算电池异常数据样本中的平均值作为样本特征数据；
数据库建立单元，用于建立电池故障类型数据库，所述故障类型数据库包括板极硫化故障、内部短路故障和其它故障类型，故障类型数据库内存储有充电时电解液温度上升速度异常数据、放电电流异常数据、电压异常数据和电解液密度异常数据的特征数据，其中，所述内部短路故障数据库中的电压异常数据均为零；
映射关系建立单元，用于根据充电时电解液温度上升速度异常数据、放电电流异常数据、电压异常数据和电解液密度异常数据的特征数据建立特征数据与故障种类间的映射关系，所述电解液密度异常特征数据对应有极硫化故障，所述电压为零，且充电时电解液温度上升速度和放电电流异常特征数据对应有内部短路故障，其它异常特征数据对应有其它故障类型；
匹配单元，用于将样本特征数据与充电时电解液温度上升速度异常数据、放电电流异常数据、电压异常数据和电解液密度异常数据的特征数据进行匹配，从而对样本特征数据进行分类；
输出单元，用于将分类后的样本特征数据作为特征数据与故障种类间的映射关系的输入，输出故障类型。
作为本发明进一步的方案：所述映射关系建立单元包括：
特征提取模型建立单元，用于基于无监督学习算法建立特征提取模型，利用采集的样本特征数据多次训练特征提取模型；
特征多分类器建立单元，用于基于有监督学习算法建立特征多分类器，建立特征数据与故障种类间的映射关系；
概率计算单元，用于利用特征多分类器计算多种故障的出现概率，从而实现多种故障的实时诊断和分类。
作为本发明进一步的方案：所述匹配单元单元包括：
比数据分析子单元，利用数据分析法将样本特征数据与充电时电解液温度上升速度异常数据、放电电流异常数据、电压异常数据和电解液密度异常数据仅仅一一对比；
第一输出子单元，输出样本特征数据中的异常数据作为特征数据与故障种类间的映射关系的输入。
与现有技术相比，本申请利用大数据平台对采集的电池异常数据样本进行匹配，从而根据充电时电解液温度上升速度、放电电流、电压和电解液密度等参数的差异分类识别出电池极板硫化故障、蓄电池内部短路故障和其他故障类型，从而便于工作人员根据故障类型的不同采取不同的处理方法，具备精准识别和分类的特点。
附图说明
图1为一种基于大数据的电池故障分类识别方法的流程图。
图2为一种基于大数据的电池故障分类识别方法中在电池异常数据样本上标记有电池型号的流程图。
图3为一种基于大数据的电池故障分类识别方法中将标记有电池型号的电池异常数据样本输入至大数据平台进行匹配的流程图。
图4为一种基于大数据的电池故障分类识别方法中根据充电时电解液温度上升速度异常数据、放电电流异常数据、电压异常数据和电解液密度异常数据的特征数据建立特征数据与故障种类间的映射关系的流程图。
图5为一种基于大数据的电池故障分类识别方法中将样本特征数据与充电时电解液温度上升速度异常数据、放电电流异常数据、电压异常数据和电解液密度异常数据的特征数据进行匹配，从而对样本特征数据进行分类的流程图。
图6为一种基于大数据的电池故障分类识别系统的结构示意图。
图7为一种基于大数据的电池故障分类识别系统中故障类型分类输出模块的结构示意图。
图8为一种基于大数据的电池故障分类识别系统中映射关系建立单元的结构示意图。
图9为一种基于大数据的电池故障分类识别系统中匹配单元单元的结构示意图。
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晰，以下结合附图及具体实施例，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。
以下结合具体实施例对本发明的具体实现进行详细描述。
如图1所示，本发明实施例提供了一种基于大数据的电池故障分类识别方法，所述方法包括以下步骤：
S100，采集电池异常数据样本，在电池异常数据样本上标记有电池型号，所述异常数据样本包括充电时电解液温度上升速度、放电电流、电压和电解液密度；
S200，将标记有电池型号的电池异常数据样本输入至大数据平台进行匹配，当电解液密度与大数据平台匹配时，输出板极硫化故障信息，当电压为零，且充电时电解液温度上升速度和放电电流与大数据平台匹配时，输出内部短路故障数据，否则，输出其它类型的故障信息。
本发明实施例中，极板硫化的特征：a、蓄电池容量明显不足，起动性能下降；b、电解液的密度低于规定的正常数值；c、充电性能下降，充电时电解液温度上升过快，过早的产生气泡，电解液密度增加缓慢，充电过程中，初期和终期电压过高；d、放电时电压下降速度过快，即过早的将至终止电压。
蓄电池内部短路的特征：a、电解液温度迅速升高；b、电压很低并且迅速下降为零。
本申请利用大数据平台对采集的电池异常数据样本进行匹配，从而根据充电时电解液温度上升速度、放电电流、电压和电解液密度等参数的差异分类识别出电池极板硫化故障、蓄电池内部短路故障和其他故障类型，从而便于工作人员根据故障类型的不同采取不同的处理方法，具备精准识别和分类的特点。
作为本发明一个优选的实施例，采集电池异常数据样本，在电池异常数据样本上标记有电池型号的步骤，具体包括：
S110，采集电池充电时电解液温度上升速度、电池放电电流和电压以及电池电解液密度；
S120，分别在电池充电时电解液温度上升速度、电池放电电流和电压和电解液密度上标记有电池型号。
本发明实施例中，电池电解液密度具体是指电解液密度增加速度。
如图2所示，作为本发明一个优选的实施例，将标记有电池型号的电池异常数据样本输入至大数据平台进行匹配的步骤，具体包括：
S210，将标记有电池型号的电池异常数据样本输入至大数据平台，计算电池异常数据样本中的平均值作为样本特征数据；
S220，建立电池故障类型数据库，所述故障类型数据库包括板极硫化故障、内部短路故障和其它故障类型，故障类型数据库内存储有充电时电解液温度上升速度异常数据、放电电流异常数据、电压异常数据和电解液密度异常数据的特征数据，其中，所述内部短路故障数据库中的电压异常数据均为零；
S230，根据充电时电解液温度上升速度异常数据、放电电流异常数据、电压异常数据和电解液密度异常数据的特征数据建立特征数据与故障种类间的映射关系，所述电解液密度异常特征数据对应有极硫化故障，所述电压为零，且充电时电解液温度上升速度和放电电流异常特征数据对应有内部短路故障，其它异常特征数据对应有其它故障类型；
S240，将样本特征数据与充电时电解液温度上升速度异常数据、放电电流异常数据、电压异常数据和电解液密度异常数据的特征数据进行匹配，从而对样本特征数据进行分类；
S250，将分类后的样本特征数据作为特征数据与故障种类间的映射关系的输入，输出故障类型。
本发明实施例中，充电时电解液温度上升速度异常数据的特征数据具体为超过正常温度上升速度的数据群或数据集；放电电流异常数据的特征数据具体为超过正常放电电流的数据群或数据集；电压异常数据的特征数据为电压为零的数据群或数据集；电解液密度异常数据的特征数据为超过电解液密度正常上升速度的数据群或数据集。
根据充电时电解液温度上升速度异常数据、放电电流异常数据、电压异常数据和电解液密度异常数据的特征数据建立特征数据与故障种类间的映射关系具体是指电解液温度上升速度异常数据、放电电流异常数据、电压异常数据和电解液密度异常数据与不同类型的故障类型符合映射函数，将充电时电解液温度上升速度异常数据、放电电流异常数据、电压异常数据和电解液密度异常数据输入映射函数公式，能够计算出故障类型。
其中映射函数公式在现有技术中已经公开，便不再进行赘述。
如图3所示，作为本发明一个优选的实施例，根据充电时电解液温度上升速度异常数据、放电电流异常数据、电压异常数据和电解液密度异常数据的特征数据建立特征数据与故障种类间的映射关系的步骤，具体包括：
S2310，基于无监督学习算法建立特征提取模型，利用采集的样本特征数据多次训练特征提取模型；
S2320，基于有监督学习算法建立特征多分类器，建立特征数据与故障种类间的映射关系；
S2330，利用特征多分类器计算多种故障的出现概率，从而实现多种故障的实时诊断和分类。
本发明实施例中，无监督学习算法、有监督学习算法和特征多分类器的技术原理在现有技术中已经公开，便不再进行赘述，其中，特征多分类器根据电解液密度异常数据计算极硫化故障的概率不低于98.5%，特征多分类器根据充电时电解液温度上升速度异常数据、放电电流异常数据和电压异常数据计算蓄电池内部短路故障的概率不低于98.7%。
如图4所示，作为本发明一个优选的实施例，将样本特征数据与充电时电解液温度上升速度异常数据、放电电流异常数据、电压异常数据和电解液密度异常数据的特征数据进行匹配，从而对样本特征数据进行分类的步骤，具体包括：
S2410，利用数据分析法将样本特征数据与充电时电解液温度上升速度异常数据、放电电流异常数据、电压异常数据和电解液密度异常数据仅仅一一对比；
S2420，输出样本特征数据中的异常数据作为特征数据与故障种类间的映射关系的输入。
本发明实施例中，数据分析法的技术原理在现有技术中应用较为广泛，此处便不再进行赘述，数据分析法判断样本特征数据与充电时电解液温度上升速度异常数据、放电电流异常数据以及电解液密度异常数据之间的误差时，如果误差范围在0.2-1.3之间，视为样本特征数据与充电时电解液温度上升速度异常数据、放电电流异常数据以及电解液密度异常数据匹配，数据分析法判断样本特征数据与电压异常数据（电压为零）之间的误差时，如果误差范围在±0.1）之间时，视为样本特征数据与电压异常数据（（电压为零）匹配；
如果不匹配，则不将样本特征数据作为特征数据与故障种类间的映射关系的输入。
如图5所示，作为本发明一个优选的实施例，利用特征多分类器计算多种故障的出现概率，从而实现多种故障的实时诊断和分类的步骤，具体包括：
S23201，将样本特征数据中的异常数据作为特征数据与故障种类间的映射关系的输入；
S23202，利用特征提取模型提取实时样本特征数据的高阶特征，所述样本特征数据的高阶特征为电解液密度异常数据、电压异常数据、充电时电解液温度上升速度和放电电流异常数据；
S23203，利用特征多分类器计算多种故障的出现概率，从而根据电解液密度异常数据输出极硫化故障信息，根据电压异常数据、充电时电解液温度上升速度和放电电流异常数据输出内部短路故障，否则输出其它故障类型信息。
本发明实施例中，高阶特征是指带有单位的数据，特征多分类器将带有单位的数据输入映射函数时，能够自动区分该数据的类型（电解液密度异常数据、电压异常数据、充电时电解液温度上升速度和放电电流异常数据）。
如图6所示，一种基于大数据的电池故障分类识别系统，所述系统包括：
数据采集模块100，用于采集电池异常数据样本，在电池异常数据样本上标记有电池型号，所述异常数据样本包括充电时电解液温度上升速度、放电电流、电压和电解液密度；
故障类型分类输出模块200，用于将标记有电池型号的电池异常数据样本输入至大数据平台进行匹配，当电解液密度与大数据平台匹配时，输出板极硫化故障信息，当电压为零，且充电时电解液温度上升速度和放电电流与大数据平台匹配时，输出内部短路故障数据，否则，输出其它类型的故障信息。
本发明实施例中，数据采集模块100包括用于采集充电时电解液温度上升速度的温度传感器，用于采集放电电流的电流传感器，用于采集电池端电压的电压传感器，以及用于采集电解液密度上升速度的密度传感器。
如图7所示，作为本发明一个优选的实施例，所述故障类型分类输出模块200包括：
输入单元210，用于将标记有电池型号的电池异常数据样本输入至大数据平台，计算电池异常数据样本中的平均值作为样本特征数据；
数据库建立单元220，用于建立电池故障类型数据库，所述故障类型数据库包括板极硫化故障、内部短路故障和其它故障类型，故障类型数据库内存储有充电时电解液温度上升速度异常数据、放电电流异常数据、电压异常数据和电解液密度异常数据的特征数据，其中，所述内部短路故障数据库中的电压异常数据均为零；
映射关系建立单元230，用于根据充电时电解液温度上升速度异常数据、放电电流异常数据、电压异常数据和电解液密度异常数据的特征数据建立特征数据与故障种类间的映射关系，所述电解液密度异常特征数据对应有极硫化故障，所述电压为零，且充电时电解液温度上升速度和放电电流异常特征数据对应有内部短路故障，其它异常特征数据对应有其它故障类型；
匹配单元240，用于将样本特征数据与充电时电解液温度上升速度异常数据、放电电流异常数据、电压异常数据和电解液密度异常数据的特征数据进行匹配，从而对样本特征数据进行分类；
输出单元250，用于将分类后的样本特征数据作为特征数据与故障种类间的映射关系的输入，输出故障类型。
本发明实施例中，匹配单元240将对样本特征数据进行分类之后，输出单元250将分类后的样本特征数据作为特征数据与故障种类间的映射关系的输入，映射关系建立单元230根据输入的的样本特征数据计算出故障类型。
如图8所示，作为本发明一个优选的实施例，所述映射关系建立单元230包括：
特征提取模型建立单元2301，用于基于无监督学习算法建立特征提取模型，利用采集的样本特征数据多次训练特征提取模型；
特征多分类器建立单元2302，用于基于有监督学习算法建立特征多分类器，建立特征数据与故障种类间的映射关系；
概率计算单元2303，用于利用特征多分类器计算多种故障的出现概率，从而实现多种故障的实时诊断和分类。
本发明实施例中，特征提取模型建立单元2301收到指令后，能够基于无监督学习算法建立特征提取模型，利用采集的样本特征数据多次训练特征提取模型，完成以上指令后，特征多分类器建立单元2302基于有监督学习算法建立特征多分类器，建立特征数据与故障种类间的映射关系，最后概率计算单元2303利用特征多分类器计算多种故障的出现概率，从而实现多种故障的实时诊断和分类，进而达到精确分类识别出电池故障类型的目的。
如图9所示，作为本发明一个优选的实施例，所述匹配单元单元240包括：
数据分析子单元2401，利用数据分析法将样本特征数据与充电时电解液温度上升速度异常数据、放电电流异常数据、电压异常数据和电解液密度异常数据仅仅一一对比；
第一输出子单元2402，输出样本特征数据中的异常数据作为特征数据与故障种类间的映射关系的输入。
本发明实施例中，数据分析子单元2401利用数据分析法将样本特征数据与充电时电解液温度上升速度异常数据、放电电流异常数据、电压异常数据和电解液密度异常数据仅仅一一对比时，能够根据误差范围判断样本特征数据，匹配时，输出样本特征数据中的异常数据作为特征数据与故障种类间的映射关系的输入，不匹配时，样本特征数据中的异常数据不作为特征数据与故障种类间的映射关系的输入。
应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
本领域技术人员在考虑说明书及实施例处的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
Claims (10)
1.一种基于大数据的电池故障分类识别方法，其特征在于，所述方法包括以下步骤：
采集电池异常数据样本，在电池异常数据样本上标记有电池型号，所述异常数据样本包括充电时电解液温度上升速度、放电电流、电压和电解液密度；
将标记有电池型号的电池异常数据样本输入至大数据平台进行匹配，当电解液密度与大数据平台匹配时，输出板极硫化故障信息，当电压为零，且充电时电解液温度上升速度和放电电流与大数据平台匹配时，输出内部短路故障数据，否则，输出其它类型的故障信息。
2.根据权利要求1所述的一种基于大数据的电池故障分类识别方法，其特征在于，采集电池异常数据样本，在电池异常数据样本上标记有电池型号的步骤，具体包括：
采集电池充电时电解液温度上升速度、电池放电电流和电压以及电池电解液密度；
分别在电池充电时电解液温度上升速度、电池放电电流和电压和电解液密度上标记有电池型号。
3.根据权利要求2所述的一种基于大数据的电池故障分类识别方法，其特征在于，将标记有电池型号的电池异常数据样本输入至大数据平台进行匹配的步骤，具体包括：
将标记有电池型号的电池异常数据样本输入至大数据平台，计算电池异常数据样本中的平均值作为样本特征数据；
建立电池故障类型数据库，所述故障类型数据库包括板极硫化故障、内部短路故障和其它故障类型，故障类型数据库内存储有充电时电解液温度上升速度异常数据、放电电流异常数据、电压异常数据和电解液密度异常数据的特征数据，其中，所述内部短路故障数据库中的电压异常数据均为零；
根据充电时电解液温度上升速度异常数据、放电电流异常数据、电压异常数据和电解液密度异常数据的特征数据建立特征数据与故障种类间的映射关系，所述电解液密度异常特征数据对应有极硫化故障，所述电压为零，且充电时电解液温度上升速度和放电电流异常特征数据对应有内部短路故障，其它异常特征数据对应有其它故障类型；
将样本特征数据与充电时电解液温度上升速度异常数据、放电电流异常数据、电压异常数据和电解液密度异常数据的特征数据进行匹配，从而对样本特征数据进行分类；
将分类后的样本特征数据作为特征数据与故障种类间的映射关系的输入，输出故障类型。
4.根据权利要求3所述的一种基于大数据的电池故障分类识别方法，其特征在于，根据充电时电解液温度上升速度异常数据、放电电流异常数据、电压异常数据和电解液密度异常数据的特征数据建立特征数据与故障种类间的映射关系的步骤，具体包括：
基于无监督学习算法建立特征提取模型，利用采集的样本特征数据多次训练特征提取模型；
基于有监督学习算法建立特征多分类器，建立特征数据与故障种类间的映射关系；
利用特征多分类器计算多种故障的出现概率，从而实现多种故障的实时诊断和分类。
5.根据权利要求4所述的一种基于大数据的电池故障分类识别方法，其特征在于，将样本特征数据与充电时电解液温度上升速度异常数据、放电电流异常数据、电压异常数据和电解液密度异常数据的特征数据进行匹配，从而对样本特征数据进行分类的步骤，具体包括：
利用数据分析法将样本特征数据与充电时电解液温度上升速度异常数据、放电电流异常数据、电压异常数据和电解液密度异常数据仅仅一一对比；
输出样本特征数据中的异常数据作为特征数据与故障种类间的映射关系的输入。
6.根据权利要求5所述的一种基于大数据的电池故障分类识别方法，其特征在于，利用特征多分类器计算多种故障的出现概率，从而实现多种故障的实时诊断和分类的步骤，具体包括：
将样本特征数据中的异常数据作为特征数据与故障种类间的映射关系的输入；
利用特征提取模型提取实时样本特征数据的高阶特征，所述样本特征数据的高阶特征为电解液密度异常数据、电压异常数据、充电时电解液温度上升速度和放电电流异常数据；
利用特征多分类器计算多种故障的出现概率，从而根据电解液密度异常数据输出极硫化故障信息，根据电压异常数据、充电时电解液温度上升速度和放电电流异常数据输出内部短路故障，否则输出其它故障类型信息。
7.一种基于大数据的电池故障分类识别系统，其特征在于，所述系统包括：
数据采集模块，用于采集电池异常数据样本，在电池异常数据样本上标记有电池型号，所述异常数据样本包括充电时电解液温度上升速度、放电电流、电压和电解液密度；
故障类型分类输出模块，用于将标记有电池型号的电池异常数据样本输入至大数据平台进行匹配，当电解液密度与大数据平台匹配时，输出板极硫化故障信息，当电压为零，且充电时电解液温度上升速度和放电电流与大数据平台匹配时，输出内部短路故障数据，否则，输出其它类型的故障信息。
8.根据权利要求7所述的一种基于大数据的电池故障分类识别系统，其特征在于，所述故障类型分类输出模块包括：
输入单元，用于将标记有电池型号的电池异常数据样本输入至大数据平台，计算电池异常数据样本中的平均值作为样本特征数据；
数据库建立单元，用于建立电池故障类型数据库，所述故障类型数据库包括板极硫化故障、内部短路故障和其它故障类型，故障类型数据库内存储有充电时电解液温度上升速度异常数据、放电电流异常数据、电压异常数据和电解液密度异常数据的特征数据，其中，所述内部短路故障数据库中的电压异常数据均为零；
映射关系建立单元，用于根据充电时电解液温度上升速度异常数据、放电电流异常数据、电压异常数据和电解液密度异常数据的特征数据建立特征数据与故障种类间的映射关系，所述电解液密度异常特征数据对应有极硫化故障，所述电压为零，且充电时电解液温度上升速度和放电电流异常特征数据对应有内部短路故障，其它异常特征数据对应有其它故障类型；
匹配单元，用于将样本特征数据与充电时电解液温度上升速度异常数据、放电电流异常数据、电压异常数据和电解液密度异常数据的特征数据进行匹配，从而对样本特征数据进行分类；
输出单元，用于将分类后的样本特征数据作为特征数据与故障种类间的映射关系的输入，输出故障类型。
9.根据权利要求8所述的一种基于大数据的电池故障分类识别系统，其特征在于，所述映射关系建立单元包括：
特征提取模型建立单元，用于基于无监督学习算法建立特征提取模型，利用采集的样本特征数据多次训练特征提取模型；
特征多分类器建立单元，用于基于有监督学习算法建立特征多分类器，建立特征数据与故障种类间的映射关系；
概率计算单元，用于利用特征多分类器计算多种故障的出现概率，从而实现多种故障的实时诊断和分类。
10.根据权利要求9所述的一种基于大数据的电池故障分类识别系统，其特征在于，所述匹配单元单元包括：
比数据分析子单元，利用数据分析法将样本特征数据与充电时电解液温度上升速度异常数据、放电电流异常数据、电压异常数据和电解液密度异常数据仅仅一一对比；
第一输出子单元，输出样本特征数据中的异常数据作为特征数据与故障种类间的映射关系的输入。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410125064.8A CN117648661B (zh) | 2024-01-30 | 2024-01-30 | 一种基于大数据的电池故障分类识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410125064.8A CN117648661B (zh) | 2024-01-30 | 2024-01-30 | 一种基于大数据的电池故障分类识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117648661A true CN117648661A (zh) | 2024-03-05 |
| CN117648661B CN117648661B (zh) | 2024-04-19 |
Family
ID=90046454
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410125064.8A Active CN117648661B (zh) | 2024-01-30 | 2024-01-30 | 一种基于大数据的电池故障分类识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117648661B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009111939A1 (zh) * | 2008-03-12 | 2009-09-17 | Xing Jiguo | 铅酸蓄电池修复系统及其修复方法 |
| CN111880101A (zh) * | 2020-08-10 | 2020-11-03 | 兰溪翊昇新能源有限公司 | 一种锂电池故障的诊断方法 |
| CN113343633A (zh) * | 2021-06-10 | 2021-09-03 | 上海交通大学 | 动力锂电池热失控故障分类及风险预测方法、系统 |
| CN114781551A (zh) * | 2022-06-16 | 2022-07-22 | 北京理工大学 | 一种基于大数据的电池多故障智能分类识别方法 |
| CN116643190A (zh) * | 2023-04-26 | 2023-08-25 | 陕西省计量科学研究院 | 一种锂电池健康状态实时监测方法及系统 |
| CN116767247A (zh) * | 2023-06-25 | 2023-09-19 | 重庆长安汽车股份有限公司 | 故障监测方法、装置、设备及存储介质 |
-
2024
- 2024-01-30 CN CN202410125064.8A patent/CN117648661B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009111939A1 (zh) * | 2008-03-12 | 2009-09-17 | Xing Jiguo | 铅酸蓄电池修复系统及其修复方法 |
| CN111880101A (zh) * | 2020-08-10 | 2020-11-03 | 兰溪翊昇新能源有限公司 | 一种锂电池故障的诊断方法 |
| CN113343633A (zh) * | 2021-06-10 | 2021-09-03 | 上海交通大学 | 动力锂电池热失控故障分类及风险预测方法、系统 |
| CN114781551A (zh) * | 2022-06-16 | 2022-07-22 | 北京理工大学 | 一种基于大数据的电池多故障智能分类识别方法 |
| CN116643190A (zh) * | 2023-04-26 | 2023-08-25 | 陕西省计量科学研究院 | 一种锂电池健康状态实时监测方法及系统 |
| CN116767247A (zh) * | 2023-06-25 | 2023-09-19 | 重庆长安汽车股份有限公司 | 故障监测方法、装置、设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 刘尚争等: "基于分裂决策树判别的冶金蓄电池故障检测研究", 《电气技术》, vol. 33, no. 4, 31 December 2014 (2014-12-31), pages 42 - 45 * |
| 孙晓强等: "基于信号分析的纯电动客车失效调查方法", 《江苏大学学报》, vol. 42, no. 6, 30 November 2021 (2021-11-30), pages 621 - 627 * |
| 胡磊等: "锂离子电池短路故障诊断：故障机制、故障特征和诊断方法综述", 《系统仿真技术及其应用》, vol. 23, 1 October 2022 (2022-10-01), pages 196 - 200 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117648661B (zh) | 2024-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112092675B (zh) | 一种电池热失控预警方法、系统及服务器 | |
| CN112098850B (zh) | 基于sdo算法的锂离子电池电压故障诊断方法及系统 | |
| US20220179008A1 (en) | Battery Diagnosing Apparatus and Method | |
| US20230305065A1 (en) | Apparatus and method for diagnosing state of battery | |
| CN111257753B (zh) | 一种电池系统故障诊断方法 | |
| CN114839541A (zh) | 基于k均值聚类的动力电池组不一致性诊断方法及系统 | |
| CN112537224B (zh) | 电池内阻异常识别方法、装置、存储介质及车辆 | |
| CN117067920B (zh) | 动力电池的故障检测方法、装置、电子设备及电动汽车 | |
| CN115980585A (zh) | 电池故障的检测方法、装置、计算机设备和存储介质 | |
| CN116609670A (zh) | 一种电池包故障预警方法、装置及设备 | |
| CN115166555A (zh) | 一种电池大数据平台电池模块内阻异常识别方法及系统 | |
| 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 | |
| CN117648661B (zh) | 一种基于大数据的电池故障分类识别方法及系统 | |
| US20240036116A1 (en) | Battery Monitoring Apparatus and Method | |
| CN116256642A (zh) | 一种适用于稀疏数据的磷酸铁锂电池故障诊断方法 | |
| CN116203424A (zh) | 储能系统电池单体故障识别方法和储能系统 | |
| CN111239628B (zh) | 一种检测二次蓄电池及串联模块衰减程度的方法及系统 | |
| CN115951226A (zh) | 端云协同多尺度融合的电池故障早期诊断方法及系统 | |
| CN118447600B (zh) | 基于车端t-box的故障诊断方法、电子设备及存储介质 | |
| CN112668195B (zh) | 一种电池包老化机制分析方法、装置及相关产品 | |
| CN114814598B (zh) | 识别动力电池电压采集故障方法、系统及存储介质 | |
| Tian et al. | Parameter identification of the nonlinear double-capacitor model for lithium-ion batteries: From the wiener perspective | |
| US20230358819A1 (en) | Battery system diagnosing apparatus and method | |
| EP4382924A1 (en) | Abnormal battery cell identification method and apparatus, electronic device, and storage medium | |
| CN118311442A (zh) | 一种铅蓄电池早期失效界面问题的检测方法 |
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 |