CN118033429A - 一种蓄电池的电压故障预测方法、装置、设备及存储介质 - Google Patents
一种蓄电池的电压故障预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN118033429A CN118033429A CN202410229612.1A CN202410229612A CN118033429A CN 118033429 A CN118033429 A CN 118033429A CN 202410229612 A CN202410229612 A CN 202410229612A CN 118033429 A CN118033429 A CN 118033429A
- Authority
- CN
- China
- Prior art keywords
- voltage
- fault
- data
- historical
- time period
- 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.)
- Pending
Links
- 238000003860 storage Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000009499 grossing Methods 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims description 36
- 230000008859 change Effects 0.000 claims description 16
- 238000007637 random forest analysis Methods 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 11
- 238000007599 discharging Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 239000012535 impurity Substances 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 239000004606 Fillers/Extenders Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004171 remote diagnosis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Secondary Cells (AREA)
Abstract
本申请涉及车辆技术领域，公开了一种蓄电池的电压故障预测方法、装置、设备及存储介质，方法包括：获取车辆运行中的待测电压数据；将待测电压数据输入至预设的故障预测模型，以得到车辆的蓄电池电压的故障预测结果；其中，故障预测模型通过历史电压故障数据进行训练得到，历史电压故障数据为对历史时间段的电压数据进行平滑处理所得到。本申请可精准进行电压故障预测。
Description
技术领域
本申请涉及车辆技术领域，具体涉及一种蓄电池的电压故障预测方法、装置、设备及存储介质。
背景技术
小电瓶(蓄电池)故障作为新能源汽车安全运行中所涉及的最常见故障项目之一，发生故障时会出现车辆禁止上高压、增程器禁止启动、增程器强制停机、切换N档、梯度零扭、动力中断等情况的发生，影响驾驶安全性。
一些方案中，蓄电池可上报的故障告警数据，但该故障告警数据不包含车辆状态信息和该故障相关联的故障告警信息，以此在云端处理时需要将这些数据按照一定规则进行融合，而这些数据的上报时机和频率并不一致，需要大量的时间进行数据对齐操作，从而导致在蓄电池发生故障后，才进行故障告警，无法提前预测电压故障，进行告警，无法有效提高车辆驾驶安全性。
发明内容
鉴于上述问题，本申请提供了一种蓄电池的电压故障预测方法、装置、设备及存储介质，用于进行电压故障预测。
根据本申请的一个方面，提供了一种蓄电池的电压故障预测方法，所述蓄电池的电压故障预测方法包括：获取车辆运行中的待测电压数据；将所述待测电压数据输入至预设的故障预测模型，以得到所述车辆的蓄电池电压的故障预测结果；其中，所述故障预测模型通过历史电压故障数据进行训练得到，所述历史电压故障数据为对历史时间段的电压数据进行平滑处理所得到。
在一种可选的方式中，在所述将所述待测电压数据输入至预设的故障预测模型，以得到所述车辆的蓄电池电压的故障预测结果之前，所述电压故障预测方法还包括：获取历史时间段的电压数据；基于所述历史时间段的电压数据在时间轴上的电压数值，对所述历史时间段的电压数据进行平滑处理；将进行平滑处理后的电压数据进行差分处理，得到所述历史电压故障数据；基于所述历史电压故障数据对初始故障预测模型进行训练，得到所述预设的故障预测模型。
在一种可选的方式中，所述获取历史时间段的电压数据，进一步包括：基于故障告警数据确定电压故障车辆，并获取所述电压故障车辆的历史电压数据；其中，所述历史电压数据为所述电压故障车辆在非补电状态下进行放电操作的数据；基于所述历史电压数据的电压值确定历史故障点，并基于所述故障点在时间轴中的位置获取历史时间段，以获取所述历史时间段的电压数据。
在一种可选的方式中，所述历史时间段包括故障时间段以及非故障时间段；所述基于所述历史电压数据的电压值确定历史故障点，并基于所述故障点在时间轴中的位置获取历史时间段，以获取所述历史时间段的电压数据，进一步包括：将电压值小于预设电压故障阈值的历史电压数据对应时间点作为历史故障点；将包含所述历史故障点的时间段作为故障时间段，将不包含所述历史故障点的时间段作为非故障时间段；将所述故障时间段内的历史电压数据和非故障时间段的历史电压数据作为所述历史时间段的电压数据。
在一种可选的方式中，所述基于所述历史时间段的电压数据在时间轴上的电压数值，对所述历史时间段的电压数据进行平滑处理，进一步包括：基于所述历史时间段的电压数据在时间轴上的电压数值，获取所述历史时间段中各时间点的电压变化率；将电压变化率大于预设第一数值的时间点作为插值点，基于所述差值点对所述历史时间段的电压数据进行分段差值处理，得到插值电压数据；在时间轴上，计算所述插值电压数据中两个相邻时间点之间的电压差值，将电压差值大于预设第二数值的两个时间点的电压值进行转换，得到进行平滑处理后的电压数据。
在一种可选的方式中，所述历史时间段包括故障时间段以及非故障时间段，所述历史电压故障数据包括故障时间段的历史电压故障数据以及非故障时间段的历史电压故障数据；所述基于所述历史电压故障数据对初始故障预测模型进行训练，得到所述预设的故障预测模型，进一步包括：将所述故障时间段的历史电压故障数据作为正样本数据，将所述非故障时间段的历史电压故障数据作为负样本数据；基于所述正样本数据以及所述负样本数据对所述初始故障预测模型进行训练，得到所述预设的故障预测模型。
在一种可选的方式中，所述初始故障预测模型包括随机森林树；所述基于所述历史电压故障数据对初始故障预测模型进行训练，得到所述预设的故障预测模型，进一步包括：构建所述随机森林树；对所述历史电压故障数据进行切分，得到多个数据集；基于所述多个数据集对所述随机森林树进行训练，得到所述预设的故障预测模型。
根据本申请的另一方面，提供了一种蓄电池的电压故障预测装置，所述蓄电池的电压故障预测装置包括：待测数据获取模块，用于获取车辆运行中的待测电压数据；预测模块，用于将所述待测电压数据输入至预设的故障预测模型，以得到所述车辆的蓄电池电压的故障预测结果；其中，所述故障预测模型通过历史电压故障数据进行训练得到，所述历史电压故障数据为对历史时间段的电压数据进行平滑处理所得到。
根据本申请的一个方面，提供了一种电子设备，包括：控制器；存储器，用于存储一个或多个程序，当一个或多个程序被所述控制器执行时，以执行上述的蓄电池的电压故障预测方法。
根据本申请的一个方面，还提供了一种计算机可读存储介质，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行上述的蓄电池的电压故障预测方法。
根据本申请的一个方面，还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述的蓄电池的电压故障预测方法。
本申请通过该历史时间段的电压数据进行平滑处理，从而可准确提取得到在时间序列上的历史电压故障数据，通过该历史电压故障数据对模型进行训练，使得训练得到的故障预测模型能在时间序列上识别电压故障发生前后的电压变换特征，从而该故障预测模型可捕捉电压故障发生前的电压变化，及时发现潜在的电压故障风险、提高预测的准确性，提高驾驶安全性。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术者来讲，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是本申请一示例性实施例示出的一种蓄电池的电压故障预测方法的流程示意图。
图2是本申请一示例性实施例示出的另一种蓄电池的电压故障预测方法的流程示意图。
图3是本申请一示例性实施例示出的一个电压趋势图。
图4是本申请一示例性实施例示出的蓄电池的电压故障预测装置的结构示意图。
图5是本申请的一示例性实施例示出的电子设备的计算机系统的结构示意图。
具体实施方式
这里将详细地对示例性实施例执行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
在本申请中提及的“多个”是指两个或者两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
蓄电池发生电压故障会影响驾驶安全，一些方案中蓄电池虽可以上报故障告警数据，但该故障告警数据需要一定的时间进行处理，倒是故障告警数据发出时，电压故障已经发生，无法有效提高车辆驾驶安全性。
为此，本申请的一方面提供了一种蓄电池的电压故障预测方法。具体请参阅图1，图1是本申请一示例性实施例示出的一种蓄电池的电压故障预测方法的流程示意图。该蓄电池的电压故障预测方法至少包括S110至S120，详细介绍如下：
S110：获取车辆运行中的待测电压数据。
本实施例中，待测电压数据可以是车辆在运行过程中通过CAN(控制器局域网总线)报文进行解析所得到的数据。
在一些实施例中，该待测电压数据为车辆在运行过程中的电压数据，该电压数据可以包括如小电瓶电压、电池的充电状态(SOC)、健康状态(SOH)，以及其他可能影响电压表现的动力系统和DCDC(直流-直流转换器)系统的数据；在另一些实施例中，该待测电压数据还可以为车辆在某种状态下的电压数据，如在蓄电池在非补电状态下进行放电操作时的电压数据，非补电状态为没有动力电池对蓄电池进行补电的状态。
S120：将待测电压数据输入至预设的故障预测模型，以得到车辆的蓄电池电压的故障预测结果。
本实施例中，预设的故障预测模型可部署到车辆的云平台，待测电压数据实时传输中云平台的预设的故障预测模型中，通过该预设的故障预测模型实时进行电压故障预测，从而在预测到将发生电压故障时，驾驶员可进行相应的处理，提高驾驶安全性。
其中，故障预测模型通过历史电压故障数据进行训练得到，历史电压故障数据为对历史时间段的电压数据进行平滑处理所得到。
在一些实施例中，平滑处理为在时间轴上，使得电压数据的电压数值的变换更加平稳，其可通过对历史时间段的电压数据进行插值、变换所实现。
本实施例中，可获取发生过电压故障的车辆在某一时间段的电压数据，并对该历史时间段的电压数据进行平滑处理，从而可准确提取得到在时间序列上的历史电压故障数据，通过该历史电压故障数据对模型进行训练，使得训练得到的故障预测模型能在时间序列上识别电压故障发生前后的电压变换特征，从而，在待测电压数据输入故障预测模型后，该故障预测模型可捕捉电压故障发生前的电压变化，及时发现潜在的电压故障风险、提高预测的准确性，提高驾驶安全性。
在本申请另一示例性实施例中，详细介绍了故障预测模型的训练方式，如图2所示，在图1所示蓄电池的电压故障预测方法中的S120之前，还可包括S210至S240，详细介绍如下：
S210：获取历史时间段的电压数据。
可以理解的，图2中的S210至S240还可设置在S110之前。
本实施例中，历史时间段的电压数据为发生电压故障车辆在历史时间段的电压数据。
在一些实施例中，该电压故障车辆可通过蓄电池所上报的故障告警数据确定。
在另一些实施例中，S210还可以包括S10至S11：
S10：基于故障告警数据确定电压故障车辆，并获取电压故障车辆的历史电压数据；其中，历史电压数据为电压故障车辆在非补电状态下进行放电操作的数据。
S11：基于历史电压数据的电压值确定历史故障点，并基于故障点在时间轴中的位置获取历史时间段，以获取历史时间段的电压数据。
本实施例中，故障告警数据是监测车辆健康状态的关键数据，利用车辆的故障告警系统，可识别并筛选出上报过蓄电池电压故障告警数据的电压故障车辆；该过程涉及对存储在数据仓库中的历史CAN报文数据的解析，提取与蓄电池电压低相关的告警记录，通过分析这些数据，锁定那些可能存在潜在电池问题的电压故障车辆，为进一步的历史电压数据处理获取提供依据。
历史CAN报文中包含了车辆的关键运行数据，对于电压故障车辆，可解析对应历史CAN报文的电压信号，包括小电瓶电压、电池的充电状态(SOC)、健康状态(SOH)，以及其他可能影响电压表现的动力系统和DCDC系统的信号，这些数据可表征电压故障发生时车辆的具体状态。
通过对历史CAN报文的深入分析，区分出蓄电池的具体工作状态，特别是放电状态。根据DC-DC模块的工作原理和低压蓄电池的行为模式，蓄电池的电压故障主要发生在放电状态，尤其是在车辆休眠状态下，此时没有CAN信号上报，因此，筛选出小电瓶在在非补电状态下进行放电操作的数据，这些数据是电压故障诊断的关键，以此得到历史电压数据。
本实施例中，为了有效地预测电压故障，创建一个包含正样本数据(故障数据)和负样本(非故障数据)的平衡数据集。
该历史事件段可以分为故障时间段以及非故障时间段，故障时间段的历史电压数据作为正样本数据，非故障时间段的历史电压数据作为负样本数据。
该故障时间段视为包括历史故障点的时间段，非故障时间段视为不包括历史故障点的时间段，该历史故障点通过历史电压数据的电压值确认。
在一些实施例中，S11可以包括S20至S22：
S20：将电压值小于预设电压故障阈值的历史电压数据对应时间点作为历史故障点。
S21：将包含历史故障点的时间段作为故障时间段，将不包含历史故障点的时间段作为非故障时间段。
S22：将故障时间段内的历史电压数据和非故障时间段的历史电压数据作为历史时间段的电压数据。
本实施例中，参考图3所示出的电压趋势图，其中，横坐标为时间轴，纵坐标为电压数值，需要为预设电压故障阈值，该预设电压故障阈值可通过经验参数得到。
图3中的电压趋势图也可视为历史电压数据中的电压值在时间轴上的变化趋势，当将电压值小于预设电压故障阈值，则可视为对应电压值所在的时间点发生了电压故障，视为历史故障点。
可以理解的，一个历史故障点可以为一个时刻，也可以为连续的一段时间。
以此，在历史电压数据所在的时间轴上，可得到多个历史故障点。
对于历史故障点，在时间轴上向前追溯固定时间段或追溯到前一个历史故障点，将得到的时间段作为故障时间段，即该故障时间段至少包括一个历史故障点，对应的历史故障点的数量为多个，故障时间段的数量也可以为多个，将故障时间段内的历史电压数据作为正样本数据。
非故障时间段是指不包含任何历史故障点的时间段，将非故障时间段的历史电压数据作为负样本。
在一些实施例中，确保各非故障时间段与各故障时间段的长度相等或按比例分配，这样可以避免时间偏差导致的正样本数据或负样本数据标注误差。
本实施例中，所得到的历史时间段的电压数据可以视为多个连续时间段内的历史电压数据，对于一个历史时间段的电压数据而言，其在该历史时间段的对应的时间轴上，每个时间点应对应有一个电压值，即一个历史时间段的电压数据可包括多个电压值，该历史时间段的对应的时间轴上的每个时间点对应有确定的电压值，也即一个历史时间段的电压数据具有时间序列上的关系，可视为一个历史时间段的电压数据的各电压值具有时间戳。
当然，在进行模型训练时所使用的数据，不包含时间戳，也即在模型训练时，所使用到的训练数据为该时间段的电压数据以及相应的样本标签(正样本数据以及负样本数据)。
S220：基于历史时间段的电压数据在时间轴上的电压数值，对历史时间段的电压数据进行平滑处理。
本实施例中，平滑处理包括插值处理以及数值变换处理，插值处理为填补历史时间段的电压数据的缺失值，数值变换处理为对历史时间段的电压数据的异常值进行矫正。
在一实施例中，插值处理包括：基于历史时间段的电压数据在时间轴上的电压数值，获取历史时间段中各时间点的电压变化率；将电压变化率大于预设第一数值的时间点作为插值点，基于差值点对历史时间段的电压数据进行分段差值处理，得到插值电压数据。
在一些实施例中，车辆所处环境复杂，会导致历史时间段的电压数据存在数据缺失情况出现，故需对缺失数据进行填补，由于在某一历史时间段内，电压数据对应电压值的变化曲线并不是一条平滑曲线，需要寻找电压曲线斜率的显著变化点进行分段插值，即获取历史时间段中各时间点的电压变化率，将电压变化率大于预设第一数值的时间点作为插值点，基于差值点对历史时间段的电压数据进行分段差值处理。
对于某一历史时间段中电压数据，可视为存在n个数据点，n个数据点包括n个时间点以及各时间点所对应的电压数据的电压值(该时间点为在时间轴上具有时间序列的时间点)，则插值函数可以表示为一系列多项式：
其中，Sn(x)是在区间[xn-1,xn]内的三次多项式，即为第n个数据点的三次多项式，a是不同三次多项式的权值，其数值通过确保该历史时间段中每个数据点的节点处都连续且平滑来确定。
在一些实施例中，可通过到拉格朗日多项式进行插值，假设有n个的数据点(x1,y1)，(x2,y2)，...，(xn,yn)，且每个x是唯一的，xn对应历史时间段对应序列中第n个时间点，yn为第n个时间点对应的电压数据的电压值，以此目标是找到一个多项式P(x)，它满足P(xi)＝yi，对于所有i＝1,2,...,n，拉格朗日插值多项式P(x)的形式如下：
其中，Lj(x)是拉格朗日基多项式，定义为：
每个Lj(x)在xj处的值为1，在所有其他xi处的值为0，这保证了P(x)通过n个数据点。
如存在时间点为x＝1,2,4,5，且各时间点对应有电压值，通过拉格朗日插值方法估算出x＝3时的电压值，这个估算过程是通过计算插值多项式在x＝3时的值来完成的，以此类推算出所有缺失的值。
数值变换处理的步骤为：在时间轴上，计算插值电压数据中两个相邻时间点之间的电压差值，将电压差值大于预设第二数值的两个时间点的电压值进行转换，得到进行平滑处理后的电压数据。
在一些实施例中，采用box-cox(数值变换方式)对相对于前后电压突变较大的异常值进行转换，可即两个相邻时间点之间的电压差值过大，则对该对两个时间点的电压值进行转换，在以历史时间段内，存在时间点{x1,x2,…,xn}，则变换的公式定义为：
其中，λ为变换参数，yλ为换后的数据点的电压值，使用二分法调整λ的值，直到转换后的数据最近接正态分布的值。
本实施例中，对于各历史时间段的电压数据，分别进行平滑处理，以得到进行平滑处理后的电压数据。
S230：将进行平滑处理后的电压数据进行差分处理，得到历史电压故障数据。
在对历史时间段的电压数据进行平滑处理后，得到了完整且接近正态分布的电压数据，为了使得进行平滑处理后的电压数据在时间序列上更平稳，还可进行平滑处理后的电压数据进行差分处理：
ΔVi＝Vi+1-Vi；
其中，Vi为历史时间段中第i个时间点的电压数据对应的电压值。
本实施例中，对于各历史时间段的进行平滑处理后的电压数据，均进行差分处理，以得到历史电压故障数据。
S240：基于历史电压故障数据对初始故障预测模型进行训练，得到预设的故障预测模型。
本实施例中，将故障时间段的历史电压故障数据作为正样本数据，将非故障时间段的历史电压故障数据作为负样本数据；基于正样本数据以及负样本数据对初始故障预测模型进行训练，得到预设的故障预测模型。
在一些实施例中，初始故障预测模型包括随机森林树；可先构建随机森林树；对历史电压故障数据进行切分，得到多个数据集；基于多个数据集对随机森林树进行训练，得到预设的故障预测模型。
具体而言，对于随机森林树中每棵树的每个节点，其不纯度采用Gini不纯度，定义为：
H(Xm)＝∑kpmk(1-pmk)；
其中，pmk是节点中第k类样本的比例，K是类别的总数，m为决策树中的某个节点。
在每个节点上，选择最优的切分点θ＝(j，tm)，来最小化Gini不纯度。切分过程如下：
θ*＝argminG(Q，θ)；
其中，n是节点中的样本总数，nleft和nright分别是切分后左右子集的样本数，Gini(Qleft(θ))为切分点θ下，左子集的Gini不纯度，Gini(Qright(θ))为切分点θ下，右子集的Gini不纯度，Gini不纯度是一个衡量标准，用于决定树的分支如何进行。它反映了从该子集随机抽取的样本被错误标记的概率。。
本实施例中，使用最优切分点θ*划分历史电压故障数据数据集：
Qleft(θ*)＝{(x，y)|xi≤tm；
Qright(θ*)＝Q/QIeft(θ*)；
其中，Qleft(θ*)为最优切分点左侧的样本集合，Qright(θ*)为最优切分点右侧的样本集合，Q为指在当前节点的数据集
对于每个子集，递归执行上述步骤，直至满足终止条件。
随机森林树通过集成所有树的预测结果来提高准确性，对于分类任务，最终预测ypred是通过多数投票机制得到的：
ypred＝mode{(ytree1，ytree2…ytreek)}；
其中，ytreek是第k棵树的预测结果。
通过交叉验证来优化随机森林树的超参数，如树的数量K，树的最大深度，最小样本分割，通过上述步骤获得故障预测模型。
本实施例中提出的蓄电池的电压故障预测，可以提高电压故障预测的准确性和及时性，其通过对历史CAN报文的详细解析和清洗，准确提取出与蓄电池状态相关的电压数据，并筛选出处于蓄电池放电过程中的电压数据，为故障预测提供了精准的数据支撑，这种数据驱动的方法能够精准捕捉故障前的微妙变化，提高故障预测的准确性，同时，在训练模型的数据处理过程中，通过时间序列对电压数据进行排列和片段划分，使得即使一个历史时间段中只有一条电压数据的数值小于预设电压故障阈值，也能标注该历史时间段为故障时间段，从而及时发现潜在的故障风险，通过对训练数据进行智能化的划分和标注，形成训练数据集。这种方法提高了数据的可用性和故障预测模型的准确性。
其次，本实施例中还使用基于随机森林训练的二分类模型，可以有效地预测出存在电压故障风险的车辆，预测电压故障的能力允许车辆制造商或维护团队提前安排检修和维护，从而减少车辆的停机时间和维修成本，即可提前采取维护措施以避免电压故障的发生。
本实施例中的故障预测模型部署在云端，结合车联网数据，可以实现对车辆状态的实时监控，及时预测并处理电压故障，提升了车辆的运行安全性和可靠性，同时，云端的预测结果可以实时推送到业务系统，使得车辆运营商能够快速响应，采取相应措施；且故障预测模型还可直接部署在车端，边缘计算可以利用更丰富的状态信息和更高频的信号采样周期，进一步提升电压故障预测的准确性和速度，该故障预测模型还可以直接与整车控制器交互，实现更快速的故障响应，降低低电压故障的发生概率。
本实施例中，训练完成的模型既可以部署在云端，也可以部署在车端，提供灵活的业务适应性。云端部署适合进行车辆远程诊断和预测性维护，而车端部署则可利用更丰富的状态信息和高频信号，实现更精确快速的故障预测；当然还可在云端和车端分别部署适当的故障预测模型，能够平衡计算负荷和响应速度，实现成本效益的最优化。
本申请的另一方面还提供了一种蓄电池的电压故障预测装置，如图4所示，图4是本申请一示例性实施例示出的蓄电池的电压故障预测装置的结构示意图。蓄电池的电压故障预测装置400包括：待测数据获取模块410，用于获取车辆运行中的待测电压数据；预测模块430，用于将待测电压数据输入至预设的故障预测模型，以得到车辆的蓄电池电压的故障预测结果；其中，故障预测模型通过历史电压故障数据进行训练得到，历史电压故障数据为对历史时间段的电压数据进行平滑处理所得到。
在一种可选的方式中，蓄电池的电压故障预测装置400还包括：电压数据获取模块，用于获取历史时间段的电压数据；预处理模块，用于基于历史时间段的电压数据在时间轴上的电压数值，对历史时间段的电压数据进行平滑处理；差分模块，用于将进行平滑处理后的电压数据进行差分处理，得到历史电压故障数据；训练模块，用于基于历史电压故障数据对初始故障预测模型进行训练，得到预设的故障预测模型。
在一种可选的方式中，电压数据获取模块进一步包括：历史电压数据获取单元，用于基于故障告警数据确定电压故障车辆，并获取电压故障车辆的历史电压数据；其中，历史电压数据为电压故障车辆在非补电状态下进行放电操作的数据；电压数据获取单元，用于基于历史电压数据的电压值确定历史故障点，并基于故障点在时间轴中的位置获取历史时间段，以获取历史时间段的电压数据。
在一种可选的方式中，历史时间段包括故障时间段以及非故障时间段；电压数据获取进一步包括：故障点识别板块，用于将电压值小于预设电压故障阈值的历史电压数据对应时间点作为历史故障点；时间段确定板块，用于将包含历史故障点的时间段作为故障时间段，将不包含历史故障点的时间段作为非故障时间段；电压数据获取板块，用于将故障时间段内的历史电压数据和非故障时间段的历史电压数据作为历史时间段的电压数据。
在一种可选的方式中，预处理模块进一步包括：变换率获取单元，用于基于历史时间段的电压数据在时间轴上的电压数值，获取历史时间段中各时间点的电压变化率；插值单元，用于将电压变化率大于预设第一数值的时间点作为插值点，基于差值点对历史时间段的电压数据进行分段差值处理，得到插值电压数据；转换单元，用于在时间轴上，计算插值电压数据中两个相邻时间点之间的电压差值，将电压差值大于预设第二数值的两个时间点的电压值进行转换，得到进行平滑处理后的电压数据。
在一种可选的方式中，历史时间段包括故障时间段以及非故障时间段，历史电压故障数据包括故障时间段的历史电压故障数据以及非故障时间段的历史电压故障数据；训练模块进一步包括：标注单元，用于将故障时间段的历史电压故障数据作为正样本数据，将非故障时间段的历史电压故障数据作为负样本数据；第一训练单元，用于基于正样本数据以及负样本数据对初始故障预测模型进行训练，得到预设的故障预测模型。
在一种可选的方式中，初始故障预测模型包括随机森林树；训练模块进一步包括：构建单元，用于构建随机森林树；切分单元，用于对历史电压故障数据进行切分，得到多个数据集；第二训练单元，用于基于多个数据集对随机森林树进行训练，得到预设的故障预测模型。
本申请预测装置通过该历史时间段的电压数据进行平滑处理，从而可准确提取得到在时间序列上的历史电压故障数据，通过该历史电压故障数据对模型进行训练，使得训练得到的故障预测模型能在时间序列上识别电压故障发生前后的电压变换特征，从而该故障预测模型可捕捉电压故障发生前的电压变化，及时发现潜在的电压故障风险、提高预测的准确性，提高驾驶安全性。
需要说明的是，上述实施例所提供的蓄电池的电压故障预测装置与前述实施例所提供的蓄电池的电压故障预测方法属于同一构思，其中各个模块和单元执行操作的具体方式已经在方法实施例中进行了详细描述，这里不再赘述。
本申请的另一方面还提供了一种电子设备，包括：控制器；存储器，用于存储一个或多个程序，当一个或多个程序被控制器执行时，以执行上述的蓄电池的电压故障预测方法。
请参阅图5，图5是本申请的一示例性实施例示出的电子设备的计算机系统的结构示意图，其示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
需要说明的是，图5示出的电子设备的计算机系统500仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示，计算机系统500包括中央处理单元(Central Processing Unit，CPU)501，其可以根据存储在只读存储器(Read-Only Memory，ROM)502中的程序或者从存储部分508加载到随机访问存储器(Random Access Memory，RAM)503中的程序而执行各种适当的动作和处理，例如执行上述实施例中的方法。在RAM 503中，还存储有系统操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(Input/Output，I/O)接口505也连接至总线504。
以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(Cathode Ray Tube，CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN(Local Area Network，局域网)卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本申请的系统中限定的各种功能。
需要说明的是，本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不相同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
本申请的另一方面还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如前的蓄电池的电压故障预测方法。该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的，也可以是单独存在，而未装配入该电子设备中。
本申请的另一方面还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各个实施例中提供的蓄电池的电压故障预测方法。
根据本申请实施例的一个方面，还提供了一种计算机系统，包括中央处理单元(Central Processing Unit，CPU)，其可以根据存储在只读存储器(Read-Only Memory，ROM)中的程序或者从存储部分加载到随机访问存储器(Random Access Memory，RAM)中的程序而执行各种适当的动作和处理，例如执行上述实施例中的方法。在RAM中，还存储有系统操作所需的各种程序和数据。CPU、ROM以及RAM通过总线彼此相连。输入/输出(Input/Output，I/O)接口也连接至总线。
以下部件连接至I/O接口：包括键盘、鼠标等的输入部分；包括诸如阴极射线管(Cathode Ray Tube，CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分；包括硬盘等的存储部分；以及包括诸如LAN(Local Area Network，局域网)卡、调制解调器等的网络接口卡的通信部分。通信部分经由诸如因特网的网络执行通信处理。驱动器也根据需要连接至I/O接口。可拆卸介质，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器上，以便于从其上读出的计算机程序根据需要被安装入存储部分。
上述内容，仅为本申请的较佳示例性实施例，并非用于限制本申请的实施方案，本领域普通技术人员根据本申请的主要构思和精神，可以十分方便地进行相应的变通或修改，故本申请的保护范围应以权利要求书所要求的保护范围为准。
Claims (10)
1.一种蓄电池的电压故障预测方法，其特征在于，所述电压故障预测方法包括：
获取车辆运行中的待测电压数据；
将所述待测电压数据输入至预设的故障预测模型，以得到所述车辆的蓄电池电压的故障预测结果；其中，所述故障预测模型通过历史电压故障数据进行训练得到，所述历史电压故障数据为对历史时间段的电压数据进行平滑处理所得到。
2.根据权利要求1所述的方法，其特征在于，在所述将所述待测电压数据输入至预设的故障预测模型，以得到所述车辆的蓄电池电压的故障预测结果之前，所述电压故障预测方法还包括：
获取历史时间段的电压数据；
基于所述历史时间段的电压数据在时间轴上的电压数值，对所述历史时间段的电压数据进行平滑处理；
将进行平滑处理后的电压数据进行差分处理，得到所述历史电压故障数据；
基于所述历史电压故障数据对初始故障预测模型进行训练，得到所述预设的故障预测模型。
3.根据权利要求2所述的方法，其特征在于，所述获取历史时间段的电压数据，进一步包括：
基于故障告警数据确定电压故障车辆，并获取所述电压故障车辆的历史电压数据；其中，所述历史电压数据为所述电压故障车辆在非补电状态下进行放电操作的数据；
基于所述历史电压数据的电压值确定历史故障点，并基于所述故障点在时间轴中的位置获取历史时间段，以获取所述历史时间段的电压数据。
4.根据权利要求3所述的方法，其特征在于，所述历史时间段包括故障时间段以及非故障时间段；所述基于所述历史电压数据的电压值确定历史故障点，并基于所述故障点在时间轴中的位置获取历史时间段，以获取所述历史时间段的电压数据，进一步包括：
将电压值小于预设电压故障阈值的历史电压数据对应时间点作为历史故障点；
将包含所述历史故障点的时间段作为故障时间段，将不包含所述历史故障点的时间段作为非故障时间段；
将所述故障时间段内的历史电压数据和非故障时间段的历史电压数据作为所述历史时间段的电压数据。
5.根据权利要求2所述的方法，其特征在于，所述基于所述历史时间段的电压数据在时间轴上的电压数值，对所述历史时间段的电压数据进行平滑处理，进一步包括：
基于所述历史时间段的电压数据在时间轴上的电压数值，获取所述历史时间段中各时间点的电压变化率；
将电压变化率大于预设第一数值的时间点作为插值点，基于所述差值点对所述历史时间段的电压数据进行分段差值处理，得到插值电压数据；
在时间轴上，计算所述插值电压数据中两个相邻时间点之间的电压差值，将电压差值大于预设第二数值的两个时间点的电压值进行转换，得到进行平滑处理后的电压数据。
6.根据权利要求2所述的方法，其特征在于，所述历史时间段包括故障时间段以及非故障时间段，所述历史电压故障数据包括故障时间段的历史电压故障数据以及非故障时间段的历史电压故障数据；
所述基于所述历史电压故障数据对初始故障预测模型进行训练，得到所述预设的故障预测模型，进一步包括：
将所述故障时间段的历史电压故障数据作为正样本数据，将所述非故障时间段的历史电压故障数据作为负样本数据；
基于所述正样本数据以及所述负样本数据对所述初始故障预测模型进行训练，得到所述预设的故障预测模型。
7.根据权利要求2所述的方法，其特征在于，所述初始故障预测模型包括随机森林树；所述基于所述历史电压故障数据对初始故障预测模型进行训练，得到所述预设的故障预测模型，进一步包括：
构建所述随机森林树；
对所述历史电压故障数据进行切分，得到多个数据集；
基于所述多个数据集对所述随机森林树进行训练，得到所述预设的故障预测模型。
8.一种蓄电池的电压故障预测装置，其特征在于，所述电压故障预测装置包括：
待测数据获取模块，用于获取车辆运行中的待测电压数据；
预测模块，用于将所述待测电压数据输入至预设的故障预测模型，以得到所述车辆的蓄电池电压的故障预测结果；其中，所述故障预测模型通过历史电压故障数据进行训练得到，所述历史电压故障数据为对历史时间段的电压数据进行平滑处理所得到。
9.一种电子设备，其特征在于，包括：
控制器；
存储器，用于存储一个或多个程序，当一个或多个程序被控制器执行时，使得控制器实现权利要求1至7中任一项所述的蓄电池的电压故障预测方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机可读指令，当计算机可读指令被计算机的处理器执行时，使计算机执行权利要求1至7中任一项所述的蓄电池的电压故障预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410229612.1A CN118033429A (zh) | 2024-02-29 | 2024-02-29 | 一种蓄电池的电压故障预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410229612.1A CN118033429A (zh) | 2024-02-29 | 2024-02-29 | 一种蓄电池的电压故障预测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118033429A true CN118033429A (zh) | 2024-05-14 |
Family
ID=91003854
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410229612.1A Pending CN118033429A (zh) | 2024-02-29 | 2024-02-29 | 一种蓄电池的电压故障预测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118033429A (zh) |
-
2024
- 2024-02-29 CN CN202410229612.1A patent/CN118033429A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7693982B2 (en) | Automated diagnosis and forecasting of service level objective states | |
| KR20190107080A (ko) | 클라우드 기반 차량 고장 진단 방법, 장치 및 시스템 | |
| CN114465874B (zh) | 故障预测方法、装置、电子设备与存储介质 | |
| CN114267178B (zh) | 一种车站的智能运营维护方法及装置 | |
| CN110570544A (zh) | 飞机燃油系统故障识别方法、装置、设备和存储介质 | |
| CN112801434A (zh) | 性能指标健康度的监测方法、装置、设备和存储介质 | |
| Li et al. | A Novel Method for Lithium‐Ion Battery Fault Diagnosis of Electric Vehicle Based on Real‐Time Voltage | |
| CN117110748A (zh) | 一种基于融合终端的变电站主设备运行状态异常检测方法 | |
| CN113487086B (zh) | 设备剩余使用寿命预测方法、装置、计算机设备和介质 | |
| CN115221218A (zh) | 车辆数据的质量评估方法、装置、计算机设备和存储介质 | |
| CN112882898B (zh) | 基于大数据日志分析的异常检测方法、系统、设备及介质 | |
| CN115114124A (zh) | 主机风险的评估方法及评估装置 | |
| CN116579789A (zh) | 一种基于动力电池性能分析的二手车估值方法及系统 | |
| CN116595353A (zh) | 一种调相机远程故障诊断及智能决策系统 | |
| CN114312930B (zh) | 基于日志数据的列车运行异常诊断方法和装置 | |
| CN112988527A (zh) | Gpu管理平台异常检测方法、装置以及存储介质 | |
| CN118033429A (zh) | 一种蓄电池的电压故障预测方法、装置、设备及存储介质 | |
| CN113986700A (zh) | 数据采集频率的优化方法、系统、装置及存储介质 | |
| CN110990236A (zh) | 一种基于隐马尔科夫随机场的SaaS软件性能问题识别方法 | |
| CN115599077B (zh) | 车辆故障定界方法、装置、电子设备及存储介质 | |
| CN115373369B (zh) | 车辆故障诊断系统及方法 | |
| CN117520040B (zh) | 一种微服务故障根因确定方法、电子设备及存储介质 | |
| CN117939506B (zh) | 一种基于近似依赖规则的无线通信网络异常检测方法 | |
| CN116258467B (zh) | 一种电力施工管控系统 | |
| CN115684835B (zh) | 配电网故障诊断方法、装置、设备及存储介质 |
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 |