CN118151007A - 基于自然浸泡响应的电池健康状况检测 - Google Patents
基于自然浸泡响应的电池健康状况检测 Download PDFInfo
- Publication number
- CN118151007A CN118151007A CN202211516916.3A CN202211516916A CN118151007A CN 118151007 A CN118151007 A CN 118151007A CN 202211516916 A CN202211516916 A CN 202211516916A CN 118151007 A CN118151007 A CN 118151007A
- Authority
- CN
- China
- Prior art keywords
- battery
- battery pack
- time
- anomalies
- natural
- 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
- 238000002791 soaking Methods 0.000 title claims description 37
- 230000004044 response Effects 0.000 title abstract description 11
- 238000001514 detection method Methods 0.000 title abstract description 10
- 230000036541 health Effects 0.000 title abstract description 6
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims description 82
- 230000008859 change Effects 0.000 claims description 16
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 description 22
- 238000004590 computer program Methods 0.000 description 10
- 238000012706 support-vector machine Methods 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Classifications
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- 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
- G01R31/3835—Arrangements for monitoring battery or accumulator variables, e.g. SoC involving only voltage measurements
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
实施例包括基于自然浸泡响应的电池健康状况检测。各方面包括在第一时间处测量电池组的多个特性，以及在第一时间之后的第二时间处测量电池组的多个特性。各方面还包括将多个特性和第一时间与第二时间之间的差输入到用于识别异常的训练模型中，并基于训练模型确定电池组是否包括异常。基于电池组包括异常的确定，各方面包括将电池组标记为包含异常。
Description
引言。
技术领域
本公开涉及电池健康状况检测。更具体地，本公开涉及基于自然浸泡响应检测车辆电池健康状况的方法和系统。
背景技术
一般来说，电池浸泡（soaking）是允许组装好的电池组在一时间段内保持与外部负载断开连接的过程。在一些情况下，电池浸泡被有意执行一段指定的时间段。在其他情况下，电池的自然浸泡发生在电池制造完成和电池连接到外部负载之间（即，自然浸泡时段是电池组制造完成和电池组连接到车辆之间的时间）。在一些情况下，在电池浸泡过程期间，电池可能经历可能指示电池有问题的变化。
发明内容
在一个示例性实施例中，提供了一种基于自然浸泡检测车辆电池异常的方法。该方法包括在第一时间处测量电池组的多个特性，并在第一时间之后的第二时间处测量电池组的多个特性。该方法还包括将多个特性和第一时间与第二时间之间的差输入到用于识别异常的训练模型中，并基于训练模型确定电池组是否包括异常。基于电池组包括异常的确定，该方法包括将电池组标记为包含异常。
除了本文描述的一个或多个特征之外，第一时间是在电池组制造完成之后。
除了本文描述的一个或多个特征之外，第二时间是在电池组连接到外部负载之前。
除了本文描述的一个或多个特征之外，电池组的多个特性包括以下各者中的一者或多者：电池组的平均电压、电池组的每个电池单元的电压、电池组的平均温度和电池组的电池单元的电压降。
除了本文描述的一个或多个特征之外，该方法还包括基于测量值计算电池组的一个或多个特征，并将该一个或多个特征输入到训练模型中。
除了本文描述的一个或多个特征之外，一个或多个特征包括以下各者中的一者或多者：电池组的平均电压、电池组的电压范围、电池组在自然浸泡时间内的电压降、电池组在自然浸泡时间内的电压降速率、电池组在自然浸泡时间内的温度变化以及电池组在自然浸泡时间内的温度变化速率。
除了本文描述的一个或多个特征之外，该方法还包括基于电池组包括异常的确定来识别电池组中包括异常的一个或多个电池单元。
除了本文描述的一个或多个特征之外，该方法还包括标记电池组中包括异常的一个或多个电池单元以供检查。
除了本文描述的一个或多个特征之外，用于识别异常的训练模型是基于关于多个电池组在相应的自然浸泡时段期间的多个特性的变化的历史数据和多个电池组的观察到的故障数据来训练的。
除了本文描述的一个或多个特征之外，该方法还包括当获得更新的故障率数据时，动态地更新训练模型。
在一个示例性实施例中，提供了一种具有计算机可读存储介质的计算机程序产品，该计算机可读存储介质具有用其具体实施的程序指令，用于基于自然浸泡来检测车辆电池中的异常。该程序指令可由处理器执行以使处理器执行一种方法。该方法包括在第一时间处测量电池组的多个特性，并在第一时间之后的第二时间处测量电池组的多个特性。该方法还包括将多个特性和第一时间与第二时间之间的差输入到用于识别异常的训练模型中，并基于训练模型确定电池组是否包括异常。基于电池组包括异常的确定，该方法包括将电池组标记为包含异常。
除了本文描述的一个或多个特征之外，第一时间是在电池组制造完成之后。
除了本文描述的一个或多个特征之外，第二时间是在电池组连接到外部负载之前。
除了本文描述的一个或多个特征之外，电池组的多个特性包括以下各者中的一者或多者：电池组的平均电压、电池组的每个电池单元的电压、电池组的平均温度和电池组的电池单元的电压降。
除了本文描述的一个或多个特征之外，该方法还包括基于测量值计算电池组的一个或多个特征，并将该一个或多个特征输入到训练模型中。
除了本文描述的一个或多个特征之外，一个或多个特征包括以下各者中的一者或多者：电池组的平均电压、电池组的电压范围、电池组在自然浸泡时间内的电压降、电池组在自然浸泡时间内的电压降速率、电池组在自然浸泡时间内的温度变化以及电池组在自然浸泡时间内的温度变化速率。
除了本文描述的一个或多个特征，该方法还包括基于电池组包括异常的确定来识别电池组中包括异常的一个或多个电池单元。
除了本文描述的一个或多个特征之外，该方法还包括标记电池组中包括异常的一个或多个电池单元以供检查。
除了本文描述的一个或多个特征之外，用于识别异常的训练模型是基于关于多个电池组在相应的自然浸泡时段期间的多个特性的变化的历史数据和多个电池组的观察到的故障数据来训练的。
除了本文描述的一个或多个特征之外，该方法还包括当获得更新的故障率数据时，动态地更新训练模型。
本发明提供了以下技术方案：
1. 一种方法，包括：
在第一时间处测量电池组的多个特性；
在第一时间之后的第二时间处测量所述电池组的所述多个特性；
将所述多个特性和第一时间与第二时间之间的差输入到用于识别异常的训练模型中；
基于所述训练模型，确定所述电池组是否包括异常；和
基于所述电池组包括异常的确定，将所述电池组标记为包含异常。
2. 根据技术方案1所述的方法，其中，所述第一时间是在完成所述电池组的制造之后。
3. 根据技术方案1所述的方法，其中，所述第二时间是在所述电池组连接到外部负载之前。
4. 根据技术方案1所述的方法，其中，所述电池组的多个特性包括以下各者中的一者或多者：所述电池组的平均电压、所述电池组的每个电池单元的电压、所述电池组的平均温度和所述电池组的电池单元的电压降。
5. 根据技术方案1所述的方法，还包括基于测量值计算所述电池组的一个或多个特征，并将所述一个或多个特征输入到训练模型中。
6. 根据技术方案5所述的方法，其中，所述一个或多个特征包括以下各者中的一者或多者：电池组的平均电压、电池组的电压范围、电池组在自然浸泡时间内的电压降、电池组在自然浸泡时间内的电压降速率、电池组在自然浸泡时间内的温度变化以及电池组在自然浸泡时间内的温度变化速率。
7. 根据技术方案1所述的方法，还包括基于电池组包括异常的确定来识别所述电池组中包括异常的一个或多个电池单元。
8. 根据技术方案7所述的方法，还包括标记所述电池组的包括异常的一个或多个电池单元以供检查。
9. 根据技术方案1所述的方法，其中，用于识别异常的所述训练模型是基于关于所述多个电池组在相应的自然浸泡时段期间的多个特性的变化的历史数据和所述多个电池组的观察到的故障数据来训练的。
10. 根据技术方案9所述的方法，还包括当获得更新的故障率数据时，动态更新所述训练模型。
11. 一种计算机程序产品，包括能够由处理器执行以使处理器执行一种方法的程序指令，所述方法包括：
在第一时间处测量电池组的多个特性；
在第一时间之后的第二时间处测量所述电池组的所述多个特性；
将多个特性和所述第一时间与所述第二时间之间的差输入到用于识别异常的训练模型中；
基于所述训练模型，确定所述电池组是否包括异常；和
基于所述电池组包括异常的确定，将所述电池组标记为包含异常。
12. 根据技术方案11所述的计算机程序产品，其中，所述第一时间是在所述电池组制造完成之后。
13. 根据技术方案11所述的计算机程序产品，其中，所述第二时间是在所述电池组连接到外部负载之前。
14. 根据技术方案11所述的计算机程序产品，其中，所述电池组的多个特性包括以下各者中的一者或多者：电池组的平均电压、电池组的每个电池单元的电压、电池组的平均温度和电池组的电池单元的电压降。
15. 根据技术方案11所述的计算机程序产品，其中，所述方法还包括基于测量值计算所述电池组的一个或多个特征，并将所述一个或多个特征输入到训练模型中。
16. 根据技术方案15所述的计算机程序产品，其中，所述一个或多个特征包括以下各者中的一者或多者：电池组的平均电压、电池组的电压范围、电池组在自然浸泡时间内的电压降、电池组在自然浸泡时间内的电压降速率、电池组在自然浸泡时间内的温度变化以及电池组在自然浸泡时间内的温度变化速率。
17. 根据技术方案11所述的计算机程序产品，其中，所述方法还包括基于电池组包括异常的确定来识别所述电池组中包括异常的一个或多个电池单元。
18. 根据技术方案17所述的计算机程序产品，其中，所述方法还包括标记所述电池组中包含异常的一个或多个电池单元以供检查。
19. 根据技术方案11所述的方法，其中，用于识别异常的所述训练模型是基于关于多个电池组在相应的自然浸泡时段期间的多个特性的变化的历史数据和所述多个电池组的观察到的故障数据来训练的。
20. 根据技术方案19所述的计算机程序产品，其中，所述方法还包括当获得更新的故障率数据时，动态地更新所述训练模型。
当结合附图时，从以下详细描述中，本公开的上述特征和优点以及其他特征和优点将变得显而易见。
附图说明
其他特征、优点和细节仅通过示例的方式出现在以下详细描述中，详细描述参考附图，其中：
图1是结合本公开的一个或多个实施例使用的车辆的示意图；
图2是说明根据示例性实施例的基于自然浸泡响应检测车辆电池中的异常的方法的流程图；
图3是说明根据示例性实施例的用于训练机器学习模型以识别电池组中的异常的方法的流程图；
图4是说明根据示例性实施例的基于自然浸泡响应识别电池组中包括异常的一个或多个电池单元的方法的流程图；和
图5是说明根据示例性实施例的用于基于自然浸泡响应来调整用于检测电池组中异常的机器学习模型的异常值比率的方法的流程图。
具体实施方式
以下描述本质上仅是示例性的，并不旨在限制本公开、其应用或用途。应当理解，在所有附图中，相应的附图标记指示相同或相应的部分和特征。
现在转向本公开的方面的概述，本公开的实施例包括用于基于电池的自然浸泡响应来识别电池组中的缺陷的方法。在示例性实施例中，在电池组的自然浸泡时间之前和之后测量电池组的多个特性，并且使用多个特性的变化来识别电池组的潜在问题。在示例性实施例中，使用机器学习方法来分析电池组在自然浸泡时间内的特性变化，并预测电池组是否包括可能导致异常行为（即，电池的过早失效、过度放电等）的缺陷。
在示例性实施例中，一旦确定电池组包括异常，则执前进一步的分析以识别电池组的哪些电池单元包括异常。在一个实施例中，来自自然浸泡时间之前和之后的对应于电池组的每个电池单元的多个特性中的每一个的数据被输入到训练机器学习模型中，以识别包括异常的电池组的电池单元。一旦识别出包含电池组中异常的电池单元，就可以更换或修理该电池单元。
现在参考图1，示出了与本公开的一个或多个实施例结合使用的车辆100的示意图。车辆100包括电池（未示出）。在一个实施例中，车辆100是混合动力车辆，其利用内燃机和由电池供电的电动马达两者。在另一个实施例中，车辆100是仅利用由一个或多个电池供电的电动马达的电动车辆。
现在参考图2，示出了说明根据示例性实施例的基于自然浸泡响应检测车辆电池中的异常的方法200的流程图。
在框202，方法200包括在第一时间处测量电池组的多个特性。在示例性实施例中，第一时间是在电池组制造完成之后和电池组连接到外部负载之前。在示例性实施例中，电池组的多个特性包括但不限于以下各者中的一者或多者：电池组的平均电压、电池组的每个电池单元的电压、电池组的平均温度和电池组的每个电池单元的电压降。接下来，在框204，方法200包括在第二时间处测量电池组的多个特性。在示例性实施例中，第二时间在第一时间之后，并且第二时间在电池组连接到外部负载（即，连接到电动车辆）之前。第一时间和第二时间之间的时间段在本文中被称为自然浸泡时间。
在示例性实施例中，可以在电池组制造完成和外部负载连接到电池组之间的多个时间段处收集电池组的多个特性。在收集了电池组的多个特性的多于两个的测量结果的情况下，第一时间将被选择为电池组的多个特性被收集的最早时间，并且第二时间将是电池组的多个特性被收集的最晚时间。
在框206，方法200包括将测量值和第一时间与第二时间之间的差（即，自然浸泡时间的持续时间）输入到用于识别电池组中的异常的训练模型中。在示例性实施例中，分析测量数据，并基于测量值计算电池组的一个或多个特征。这些计算出的特征然后被输入到机器学习模型中。所述一个或多个特征包括但不限于平均电池组电压、电池组的电压范围、电池组在自然浸泡时间内的电压降、电池组在自然浸泡时间内的电压降速率、电池组在自然浸泡时间内的温度变化以及电池组在自然浸泡时间内的温度变化速率。在示例性实施例中，除了针对电池组整体计算之外，还可以针对电池组的每个电池单元和/或包括多个连接的电池单元的模块单独计算这些特征中的一个或多个。
在示例性实施例中，机器学习模型使用的一个或多个特征包括电池组在自然浸泡时间内的电压降，其被计算为Vs-Vo，其中Vs是浸泡时段开始时的电压（即，第一时间处的电压），并且Vo是浸泡时段结束时的电压（即，第二时间处的电压）。此外，机器学习模型使用的一个或多个特征包括电池组在自然浸泡时间内的电压降速率，其计算为，其中t s 是对应于自然浸泡时段开始时的第一时间处的时间戳，并且t o 是自然浸泡时段结束时的第二时间处的时间戳。机器学习模型使用的一个或多个特征包括平均电压降速率，其计算为。
在示例性实施例中，机器学习模型使用的一个或多个特征可以包括计算为的平均电压、计算为/>的电压范围、计算为/>的最大电压降速率和计算为/>的最大电压降。
在框208，方法200包括基于训练模型获得电池组的分数。在示例性实施例中，模型被配置成计算与电池组的预测健康状况正相关的分数（即，较低的分数指示电池组可能包括异常）。方法200还包括在判定框210处基于计算的分数确定电池组是否包括异常。在示例性实施例中，基于计算的分数确定电池组是否包括异常包括通过训练模型将分数与阈值水平进行比较。在示例性实施例中，阈值水平最初基于历史故障率来确定。在一个实施例中，基于观察到的新创建的电池组的故障率来动态调整阈值水平。在另一个实施例中，该阈值由被训练和使用的模型确定，例如分类边界。
基于电池组包括异常的确定，方法200前进至框212，并将电池组标记为包括异常。在一个实施例中，一旦电池组被标记为具有异常，就分析针对电池组的每个电池单元收集的数据，以识别电池组中包括异常的一个或多个电池单元，如参考图4更详细描述的。否则，方法200进行到框214，并将电池标记为正常。
现在参考图3，示出了说明根据示例性实施例的用于训练机器学习模型以识别电池组中的异常的方法300的流程图。在框302，方法300包括在相应的浸泡时段之前和之后（即，在第一时间和第二时间之间）获得关于多个电池组的多个特性的历史数据。在示例性实施例中，训练机器学习模型还包括基于获得的历史数据计算多个电池组的一个或多个特征。
在框304，方法300还包括获得针对多个电池组的观察到的故障数据。在示例性实施例中，观察到的故障数据包括多个电池组的历史异常值比率（即，电池组的过早故障比率）。在示例性实施例中，历史异常值比率从历史制造数据中获得，反映了在组装时和在保修索赔中识别的有故障的电池组。在示例性实施例中，机器学习模型基于新接收的观察到的故障数据被动态更新，如参考图5更详细解释的。
在框306，方法300包括训练机器学习模型，用于基于获得的数据识别电池组中的异常。在示例性实施例中，训练机器学习模型是单类支持向量机（SVM），这是一种无监督模型，其学习决策函数以确定电池组是否包括异常（即，将新的特征数据分类为与训练集相似或不同）。在其他实施例中，训练机器学习模型是多类SVM。
现在参考图4，示出了说明根据示例性实施例的基于自然浸泡响应识别电池组中包括异常的一个或多个电池单元的方法400的流程图。在框402，方法400包括将电池组识别为包含异常。在示例性实施例中，诸如图2所示的方法用于将电池组识别为包含异常。接下来，在框404，方法400包括获得来自浸泡时段之前和之后的电池组的每个电池单元的多个特性。电池组的每个电池单元的多个特性包括但不限于电池单元的平均电压、电池单元的最小电压、电池单元的最大电压、电池单元的电压降、电池单元的电压降速率、电池单元的温度、电池单元的温度变化和电池单元的温度变化率。
接下来，在框406，方法400包括将电池组的每个电池单元的多个特性以及在一些实施例中浸泡时段的持续时间输入到用于识别电池单元中的异常的训练模型中。在示例性实施例中，用于识别电池单元中异常的训练模型类似于用于识别电池组中异常的训练模型。在一个实施例中，用于识别电池单元中异常的训练模型是基于关于多个电池单元在相应浸泡时段期间的多个特性的变化的历史数据和针对多个电池单元的观察到的故障数据来训练的。在示例性实施例中，训练机器学习模型是单类支持向量机（SVM），其是学习判定函数以确定电池单元是否包括异常的无监督模型（即，将电池单元的新特性数据分类为与训练集中具有异常的已识别电池单元相似或不同）。在其他实施例中，训练机器学习模型是多类SVM。
在示例性实施例中，收集的电池组特性数据包括关于每个电池单元的性能和每个电池单元在电池组布局内的位置的数据。电池单元的位置可以与关于每个电池单元的性能的数据结合使用，以识别电池组和/或特定电池单元内的潜在异常。
在一个实施例中，机器学习算法使用电池单元的值和索引（即电池单元在电池组内的位置），使得也可以获得电池组内电压分布的不同模式。例如，电池组内的电池单元的最小电压仅仅是电压读数，但是在自然浸泡时段期间在电池单元索引数组上的实际电压或导出的电压降提供了关于电压数组内任何变化模式的额外信息。另一个示例是，如果附近的电池单元有扩展偏差，则这是机器学习算法可以识别的信息。因此，关于电池单元的物理特征的数据被捕获为数组，该数组包括捕获的数据值和作为索引值的电池单元位置两者，使得机器学习算法可以提取和分析更多的模式。
在框408，方法400包括基于训练模型识别电池组中包括异常的一个或多个电池单元。一旦电池单元已经被识别为具有异常，方法400就进行到框410，并且将一个或多个电池单元标记为包含异常。在示例性实施例中，将电池单元标记为包含异常导致通过更换电池组中的电池单元或修理电池组中的电池单元来检查和/或返工电池单元。
现在参考图5，流程图说明出了根据示例性实施例的用于基于自然浸泡响应来调整机器学习模型的异常值比率以检测电池组中的异常的方法500。方法500开始于框502，通过将初始异常值比率设置为从电池组制造数据获得的历史故障数据。接下来，在框504，方法500包括基于指定的异常值比率训练机器学习模型的分类器。在框506，方法500接收新制造的电池组的数据。新接收的数据包括来自自然浸泡时间之前和之后的电池组的多个特性以及自然浸泡时间的持续时间。在一些实施例中，新接收的数据用于调谐或调整异常值比率。在其他实施例中，异常值比率仅基于现有数据进行调整或调谐，并且不包括新接收的数据。在框508，方法500包括基于训练分类器预测电池组是否包括异常。
在框510，方法500包括基于分类器的预测和基本事实（即，电池组是否实际上具有异常）来计算分类器的性能度量。方法500还包括在框512处观察确定分布和分类器性能。在判定框514处，方法500确定自从异常值比率上次改变以来分类器性能是否已经提高。如果自从异常值比率上次改变以来分类器性能已经提高，则方法500进行到框516，并继续增加或减少异常值比率。接下来，在判定框518，方法500确定分类器性能是否已经恶化。如果是，方法500进行到框520，并结束异常值比率的调谐。否则，方法500进行到框522。在示例性实施例中，在框522，方法500包括基于分类器性能对健康电池组分类过于保守的确定来增加异常值比率，以及基于存在太多异常错误识别的确定来降低异常值比率。
如上所述，一旦电池组已经被识别为具有异常，就分析关于电池组的电池单元的数据，以识别哪些电池单元包括异常。在示例性实施例中，电池组水平异常检测可以使用针对电池组水平和电池单元水平特征两者收集的数据。例如，电池组水平异常检测可以检测电池组的平均电压降速率是否远高于预期。此外，电池组水平异常检测可以检测多个电池单元上的电压降是否存在特定的变化模式。电池单元水平异常检测分析并相互比较电池单元特定特征，以查明哪些电池单元的行为不同于其他电池单元。在一个实施例中，电池组水平异常检测可以使用电池组水平数据和电池单元水平特征两者，尽管第一层的预期输出是识别具有异常的电池组，而电池单元水平异常检测仅使用电池单元水平数据来识别电池单元水平异常。
术语“一”和“一个”并不表示数量的限制，而是表示存在至少一个所引用的项目。除非上下文另有明确说明，术语“或”是指“和/或”。在整个说明书中对“一个方面”的引用意味着结合该方面描述的特定元素（例如，特征、结构、步骤或特性）被包括在本文描述的至少一个方面中，并且可以存在或不存在于其他方面中。此外，应当理解，所描述的元素可以在各个方面以任何合适的方式进行组合。
当诸如层、膜、区域或衬底的元件被称为在另一个元件“上”时，它可以直接在另一个元件上，或者也可以存在中间元件。相反，当一个元件被称为“直接在另一个元件上”时，不存在中间元件。
除非在本文中有相反的说明，所有的测试标准都是截止本申请申请日的最新有效标准，或者，如果要求优先权，则是测试标准出现的最早优先权申请的申请日。
除非另有定义，否则本文使用的技术和科学术语具有与本公开所属领域的技术人员通常理解的相同的含义。
虽然已经参考示例性实施例描述了上述公开，但是本领域技术人员将理解，在不脱离其范围的情况下，可以进行各种改变并且等同物可以替代其元件。此外，在不脱离本公开的实质范围的情况下，可以进行许多修改以使特定的情况或材料适应本公开的教导。因此，意图是本公开不限于所公开的特定实施例，而是将包括落入其范围内的所有实施例。
Claims (10)
1.一种方法，包括：
在第一时间处测量电池组的多个特性；
在第一时间之后的第二时间处测量所述电池组的所述多个特性；
将所述多个特性和第一时间与第二时间之间的差输入到用于识别异常的训练模型中；
基于所述训练模型，确定所述电池组是否包括异常；和
基于所述电池组包括异常的确定，将所述电池组标记为包含异常。
2.根据权利要求1所述的方法，其中，所述第一时间是在完成所述电池组的制造之后。
3.根据权利要求1所述的方法，其中，所述第二时间是在所述电池组连接到外部负载之前。
4.根据权利要求1所述的方法，其中，所述电池组的多个特性包括以下各者中的一者或多者：所述电池组的平均电压、所述电池组的每个电池单元的电压、所述电池组的平均温度和所述电池组的电池单元的电压降。
5.根据权利要求1所述的方法，还包括基于测量值计算所述电池组的一个或多个特征，并将所述一个或多个特征输入到训练模型中。
6.根据权利要求5所述的方法，其中，所述一个或多个特征包括以下各者中的一者或多者：电池组的平均电压、电池组的电压范围、电池组在自然浸泡时间内的电压降、电池组在自然浸泡时间内的电压降速率、电池组在自然浸泡时间内的温度变化以及电池组在自然浸泡时间内的温度变化速率。
7.根据权利要求1所述的方法，还包括基于电池组包括异常的确定来识别所述电池组中包括异常的一个或多个电池单元。
8.根据权利要求7所述的方法，还包括标记所述电池组的包括异常的一个或多个电池单元以供检查。
9.根据权利要求1所述的方法，其中，用于识别异常的所述训练模型是基于关于所述多个电池组在相应的自然浸泡时段期间的多个特性的变化的历史数据和所述多个电池组的观察到的故障数据来训练的。
10.根据权利要求9所述的方法，还包括当获得更新的故障率数据时，动态更新所述训练模型。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211516916.3A CN118151007A (zh) | 2022-11-30 | 2022-11-30 | 基于自然浸泡响应的电池健康状况检测 |
| DE102023104218.1A DE102023104218A1 (de) | 2022-11-30 | 2023-02-21 | Erkennung des Batteriezustands basierend auf dem natürlichen Konditionierungsverhalten |
| US18/179,569 US20240175926A1 (en) | 2022-11-30 | 2023-03-07 | Battery health detection based on natural soaking response |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211516916.3A CN118151007A (zh) | 2022-11-30 | 2022-11-30 | 基于自然浸泡响应的电池健康状况检测 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118151007A true CN118151007A (zh) | 2024-06-07 |
Family
ID=91078556
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211516916.3A Pending CN118151007A (zh) | 2022-11-30 | 2022-11-30 | 基于自然浸泡响应的电池健康状况检测 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20240175926A1 (zh) |
| CN (1) | CN118151007A (zh) |
| DE (1) | DE102023104218A1 (zh) |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11686699B2 (en) | 2020-09-18 | 2023-06-27 | Analog Devices, Inc. | System and method for anomaly detection and total capacity estimation of a battery |
-
2022
- 2022-11-30 CN CN202211516916.3A patent/CN118151007A/zh active Pending
-
2023
- 2023-02-21 DE DE102023104218.1A patent/DE102023104218A1/de active Pending
- 2023-03-07 US US18/179,569 patent/US20240175926A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| DE102023104218A1 (de) | 2024-06-06 |
| US20240175926A1 (en) | 2024-05-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111707951B (zh) | 一种电池组一致性评估方法及系统 | |
| US10871521B2 (en) | Method and apparatus for correcting SOC, battery management system and storage medium | |
| Coble et al. | Identifying optimal prognostic parameters from data: a genetic algorithms approach | |
| CN112347692B (zh) | 不间断电源的电池预测性维护的实现方法、装置和电子装置 | |
| US20220170995A1 (en) | Method and Apparatus for Predicting a State of Health of a Device Battery in a Battery-operated Device | |
| CN111879349A (zh) | 一种传感器数据偏差自适应修正方法 | |
| CN111856283A (zh) | 电池评价系统、电池评价方法以及程序 | |
| CN116720852B (zh) | 一种基于人工智能的新能源汽车维修数据分析管理系统 | |
| CN113868884B (zh) | 一种基于证据理论的动力电池多模型容错融合建模方法 | |
| 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 | |
| KR101808461B1 (ko) | 기계의 잔여수명 예측 방법 및 장치 | |
| CN114384423A (zh) | 一种基于典型运行参数的燃料电池健康状态识别方法 | |
| CN118151007A (zh) | 基于自然浸泡响应的电池健康状况检测 | |
| CN116879763A (zh) | 一种基于卡尔曼滤波算法的电池故障预警方法 | |
| CN110458713B (zh) | 模型监控方法、装置、计算机设备及存储介质 | |
| CN116893366A (zh) | 用于运行系统以识别设备的电蓄能器的异常的方法和装置 | |
| CN112577456B (zh) | 测量设备点检方法及运行控制装置、计算机可读存储介质 | |
| CN112329258A (zh) | 试验箱部件老化判断方法、装置、电子设备和存储介质 | |
| CN113872780A (zh) | 一种故障根因分析方法、装置及存储介质 | |
| US20240177056A1 (en) | Battery classifier partitioning and fusion | |
| CN111766531B (zh) | 一种判断电池包电压一致性的累计风险建模方法 | |
| US20240168093A1 (en) | Device and Method for Predicting Low Voltage Failure of Secondary Battery, and Battery Control System Comprising Same Device | |
| US20230393208A1 (en) | System and method of estimating result of endurance test on fuel cell system | |
| KR102595386B1 (ko) | 신경회로망을 이용한 배터리의 상태 추정과 모니터링 방법 및 장치 | |
| US20240185136A1 (en) | Method of assessing input-output datasets using neighborhood criteria in the input space and the output space |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |