[go: up one dir, main page]

CN111157898A - 一种新能源车辆在线电池故障检测分析方法及装置 - Google Patents

一种新能源车辆在线电池故障检测分析方法及装置 Download PDF

Info

Publication number
CN111157898A
CN111157898A CN202010015475.3A CN202010015475A CN111157898A CN 111157898 A CN111157898 A CN 111157898A CN 202010015475 A CN202010015475 A CN 202010015475A CN 111157898 A CN111157898 A CN 111157898A
Authority
CN
China
Prior art keywords
fault
sensor
battery
model
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.)
Pending
Application number
CN202010015475.3A
Other languages
English (en)
Inventor
李志恒
赵雪芳
张凯
于海洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen International Graduate School of Tsinghua University
Original Assignee
Shenzhen International Graduate School of Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen International Graduate School of Tsinghua University filed Critical Shenzhen International Graduate School of Tsinghua University
Priority to CN202010015475.3A priority Critical patent/CN111157898A/zh
Publication of CN111157898A publication Critical patent/CN111157898A/zh
Pending legal-status Critical Current

Links

Images

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]
    • G01R31/367—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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

一种新能源车辆在线电池故障检测分析方法及装置，建立长短时记忆神经网络模型(LSTM)、支持向量器模型(SVM)及分别针对传感器故障和车辆电池故障的两个softmax多分类模型，检测时传感器数据先通过LSTM模型进行故障诊断，再通过SVM模型进行传感器故障和车辆电池故障的区分，随后分别通过两个softmax多分类模型进行传感器或车辆电池故障类型分类和定位，从而实现在线的、准确的故障检测。通过对传感器故障和车辆电池自身故障进行区分判断，可以很好地降低对故障类型分类模型的要求和进一步增加分类的精度，使得故障类型的判别更加准确，也有利于使故障严重等级的区分度更高，从而更好地对车辆进行及时检修维护，提高驾驶的安全性和舒适性，降低事故的发生率。

Description

一种新能源车辆在线电池故障检测分析方法及装置
技术领域
本发明涉及汽车故障检测领域，特别是一种新能源车辆在线电池故障检测分析方法及装置。
背景技术
新能源汽车包括纯电动汽车、燃料电池汽车、混合动力汽车等，随着新能源车辆制造技术和工艺的发展与进步，越来越多的人选择和使用新能源车辆，此时安全保障便不容忽视，而故障检测是这其中重要且必不可少的一环。以往的故障检测往往是车辆无法正常使用之后，由车主开往维修店进行事后维修和保养，但是这种被意识到的故障往往已错过最佳维修时机，且存在很大的安全隐患。由于电动汽车高频故障主要发生在电池系统上，电池系统故障往往会造成汽车起火等重大事故。鉴于此，对新能源汽车电池运行数据进行线上实时故障分析是业界亟待解决的问题。
发明内容
本发明的主要目的在于克服现有技术的上述缺陷，提供一种针对新能源车辆电池运行参数数据的在线电池故障检测分析方法及检测装置。
为实现上述目的，本发明采用以下技术方案：
一种新能源车辆在线电池故障检测分析方法，包括以下步骤：
S1、根据传感器历史时间流数据，建立并训练长短时记忆神经网络模型(LSTM)；根据历史故障数据，建立并训练支持向量器模型(SVM)；根据历史故障类型数据，建立并训练分别针对传感器故障和车辆电池故障的两个softmax多分类模型；
S2、利用各传感器实时采集的车辆实时运行参数数据，通过所述长短时记忆神经网络模型判断是否存在故障，若存在故障，执行下一步；
S3、通过所述支持向量机模型进行判断，确定所述故障是传感器故障还是车辆电池故障，当所述故障是传感器故障时，执行步骤S4，当所述故障是车辆电池故障时，执行步骤S5；
S4、通过针对传感器故障的softmax多分类模型判断所述故障的故障类型；
S5、通过针对车辆电池故障的softmax多分类模型判断所述故障的故障类型。
进一步地：
步骤S1中，建立并训练所述长短时记忆神经网络模型具体包括：针对每项传感器数据，以其前n个时刻的历史数据[x1,x2,…,xn]为输入，经过长短时记忆神经网络得到其在当前时刻的预测输出，以最小化真实值与预测值之间的差距为训练的目标函数，训练得到所述长短时记忆神经网络模型；步骤S2中，以所述长短时记忆神经网络模型的预测值和真实测量值进行对比，若差值大于预设阈值，则判断存在故障，否则不存在故障。
所述预设阈值的选择考虑传感器输出的噪声水平，大于传感器噪声的方差。例如，阈值的选择选择为传感器噪声的方差三倍，则可得到分别针对8项数据的8个LSTM训练完成的模型。
步骤S1中，建立并训练支持向量器模型具体包括：所述支持向量器模型的训练以故障数据及其故障部位即标签值为输入，进行传感器故障和车辆电池故障二分类，以最大化分割平面与两个故障类别样本间的距离为目标函数，训练得到所述支持向量器模型；步骤S3中，以传感器数据为输入，通过所述支持向量器模型得到其故障分类。
步骤S1中，最大化分割平面与两个故障类别样本间的距离具体包括：最小化损失函数
Figure BDA0002358712700000021
步骤S1中，建立并训练分别针对传感器故障和车辆电池故障的两个softmax多分类模型具体包括：针对传感器故障的多分类模型以当前传感器的历史数据作为输入，针对车辆电池故障的多分类模型以历史时刻所有传感器的数据作为输入，输入的数据经过多层前馈神经网络，以最大化真实类型的概率为目标函数，训练得到分别针对传感器故障和车辆电池故障的两个softmax多分类模型；步骤S4和步骤S5中，所述softmax多分类模型以概率值最大的类型作为最终的故障类型输出。
所述softmax多分类模型包括输入层、三层隐藏层和输出层。
传感器故障类型包括完全失效故障、固定偏差故障、漂移偏差故障以及精度下降故障，针对传感器故障的Softmax多分类模型以故障传感器的n个历史时刻点的数据为输入，经过所述隐藏层和所述输出层得到故障类型；和/或
车辆电池故障类型包括电池单体过压故障、电池一致性差故障、温差过大故障、电池电压跳变故障、SOC跳变故障、高压绝缘过低故障，针对车辆电池故障的softmax多分类模型以n个历史时刻点所有传感器的数据为输入，经过所述隐藏层和所述输出层得到故障类型。
所述车辆运行参数数据包括：电压传感器测算得的电池单体电压/电池单体电压最高值/电池单体电压最低值/总电压、温度传感器测算得的电池最高温度值/电池最低温度值、电流传感器测算得的电池充放电电流、以及速度传感器测得的车辆速度。
一种新能源车辆运行数据在线故障检测装置，包括：
处理器；
计算机可读存储介质，其存储计算机程序，所述计算机程序被所述处理器执行时实现所述的方法。
本发明具有如下有益效果：
本发明提供的上述技术方案，利用积累的历史数据，通过建立精确可靠的车辆运行故障检测及分类模型，包括长短时记忆神经网络模型(LSTM)、支持向量器模型(SVM)以及分别针对传感器故障和车辆电池故障的两个softmax多分类模型，检测时利用传感器采集的车辆实时运行参数数据，结合建立的模型，先通过LSTM模型进行故障诊断，再通过SVM模型进行传感器故障和车辆电池故障的区分，随后分别通过两个softmax多分类模型进行传感器或车辆电池故障类型的分类和定位，从而实现在线的、精确的故障检测。本发明中，通过对传感器故障和车辆电池自身故障进行区分判断，可以很好地降低对故障类型分类模型的要求和进一步增加分类的精度，使得故障类型的判别更加准确，也有利于使故障严重等级的区分度更高，从而更好地对车辆进行及时检修维护，提高驾驶的安全性和舒适性，降低事故的发生率。
附图说明
图1为本发明一种实施例的新能源车辆电池数据在线故障检测方法流程示意图。
图2为本发明一种实施例中的LSTM网络框图。
图3为本发明一种实施例中的SVM模型分类示意图。
图4为本发明一种实施例中的传感器故障softmax多分类模型图。
图5为本发明一种实施例中的车辆电池故障softmax多分类模型图。
具体实施方式
以下对本发明的实施方式作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。
图1为本发明一种实施例的新能源车辆电池数据在线故障检测方法流程示意图。参阅图1至图5，本发明实施例提出一种新能源车辆在线电池故障检测分析方法，包括以下步骤：
S1、根据传感器历史时间流数据，建立并训练长短时记忆神经网络模型(LSTM)；根据历史故障数据，建立并训练支持向量器模型(SVM)；根据历史故障类型数据，建立并训练分别针对传感器故障和车辆电池故障的两个softmax多分类模型；
S2、利用各传感器实时采集的车辆实时运行参数数据，通过所述长短时记忆神经网络模型(LSTM)判断是否存在故障，若存在故障，执行下一步；
S3、通过所述支持向量机模型(SVM)进行判断，确定所述故障是传感器故障还是车辆电池故障，当所述故障是传感器故障时，执行步骤S4，当所述故障是车辆电池故障时，执行步骤S5；
S4、通过针对传感器故障的softmax多分类模型A判断所述故障的故障类型；
S5、通过针对车辆电池故障的softmax多分类模型B判断所述故障的故障类型。
以下结合附图进一步描述本发明具体实施例的特征和优点。
由于新能源车辆的特性，其能够实时提供大量的车辆电池运行数据用作电池状态和故障分析。本发明实施例提供一种基于数据的新能源车辆数据在线故障检测分析方法，参考图1，具体过程如下所述。
(1)根据历史传感器时间流数据，建立并训练长短时记忆神经网络模型(LSTM)。
(2)根据历史故障数据，建立并训练支持向量器模型(SVM)。
(3)根据历史故障类型数据，建立并训练两个分别针对传感器故障和车辆电池故障的softmax多分类模型。
(4)根据实时上传的传感器数据，通过LSTM网络判断是否存在故障；若存在故障，通过SVM模型进行判断，确定为传感器故障或是车辆电池故障；确定故障部位后，通过softmax多分类模型明确具体故障类型。
在一些实施例中，传感器数据包括如下8项：电压传感器测算得的电池单体电压/电池单体电压最高值/电池单体电压最低值/总电压、温度传感器测算得的电池最高温度值/电池最低温度值、电流传感器测算得的电池充放电电流、速度传感器测得的车辆速度。故障检测过程中，对车辆传感器实时上传的车辆参数数据进行分析，通过LSTM网络长短时记忆神经网络判断是否存在故障；若存在故障，通过支持向量机模型进行判断，确定为传感器故障或是车辆电池故障；确定故障部位后，通过softmax多分类模型明确具体故障类型。进一步地，除了实现了对车辆数据的在线故障检测，系统还可以进行实时报警，及时、有效地提醒驾驶员对整车进行检修维护，提高驾驶的安全性，降低事故的发生率。
在一些实施例中，LSTM网络训练以传感器前几个时刻的数据为输入，预测当前时刻的数据输出，目标函数为最小化真实值与预测值之间的差距，得到针对每类传感器的LSTM网络。利用LSTM进行故障检测具体为，以LSTM的预测值和真实测量值进行对比，若差值大于所设阈值，则视为存在故障，否则不存在故障。其中，阈值的选择应考虑传感器输出的噪声水平，即稍大于传感器噪声的方差，以减少由噪声引起的误报警。
具体地，针对每项传感器数据，以其前n个历史时刻的历史数据[x1,x2,…,xn]为输入，例如前8个历史时刻，经过如图2所示LSTM网络得到其在当前时刻的预测输出，通过最小化预测输出和真实输出训练得到模型。当模型建立完成后，上线应用时，以LSTM模型的预测值和真实测量值进行对比，若差值大于所设阈值，则视为存在故障，否则不存在故障。其中，阈值的选择应考虑传感器输出的噪声水平，即，大于传感器噪声的方差，以减少由噪声引起的误报警。其中，阈值的选择选择为传感器噪声的方差三倍，则可得到分别针对8项数据的8个LSTM训练完成的模型。
在一些实施例中，支持向量机SVM模型训练以故障数据为输入，进行传感器故障和车辆电池故障二分类，目标函数为最大化分割平面与两个故障类别样本间的距离，得到SVM模型，参见图3。
具体地，若某项数据存在故障，则对故障数据依次通过支持向量机SVM模型进行判断，确定为传感器故障或是车辆电池故障。在SVM模型的训练阶段，以故障的传感器数据及其故障部位(即标签值)为输入，通过最大化分割平面与两个故障类别样本间的距离得到模型，即最小化损失函数
Figure BDA0002358712700000061
在应用阶段，以传感器数据为输入，得到其故障分类。
在一些实施例中，建立两个softmax多分类模型，分别为针对传感器故障的多分类模型和针对车辆电池故障的多分类模型。其中，针对传感器故障的多分类模型以当前传感器的历史数据作为输入，针对车辆电池故障的多分类模型以所有传感器的历史数据作为输入。输入的数据经过多层前馈神经网络，目标函数为最大化真实类别的概率，得到两类故障的softmax多分类模型。
具体地，对于故障部位为传感器的传感器故障，建立针对传感器故障的softmax多分类模型，并在在线检测时用其进行传感器故障分类。其中传感器故障类型包括完全失效故障、固定偏差故障、漂移偏差故障以及精度下降等四类故障。参阅图4，针对传感器故障的softmax多分类模型包括输入层、三层隐藏层、输出层，并以故障传感器的8个历史时刻点的数据为输入，经过隐藏层和softmax输出层得到类别。在训练阶段，通过最大化真实类别的概率得到针对传感器故障的softmax多分类模型。在应用阶段，通过针对传感器故障的softmax多分类模型，以概率值最大的类别作为最终的故障类别。
具体地，对于故障部位为车辆电池的车辆电池故障，建立针对车辆电池故障的softmax多分类模型，并在在线检测时用其进行车辆电池故障分类。其中车辆电池故障类型包括电池单体过压故障、电池一致性差故障、温差过大故障、电池电压跳变故障、SOC跳变故障、高压绝缘过低故障等六类故障。参阅图5，针对车辆电池故障的softmax多分类模型包括输入层、三层隐藏层、输出层，以8个历史刻点的8项前述传感器数据为输入，经过隐藏层和softmax输出层得到类别。在训练阶段，通过最大化真实类别的概率得到针对车辆电池故障的softmax多分类模型。在应用阶段，通过针对车辆电池故障的softmax多分类模型，以概率值最大的类别作为最终的故障类别。
按照实施例的上述检测方法，依次确定整体模型的输入为是否故障，故障部位是传感器故障还是车辆电池故障，故障的具体类型属于哪一类。
通过对实施例的检测方法进行实验验证，本发明实施例的检测方法比不进行传感器故障/车辆电池故障区分的方法的故障检测率上提高了5％，进一步证明了本发明的可行性和有效性。
本发明提供的上述技术方案，利用积累的历史数据，通过建立精确可靠的故障检测及分类模型，包括长短时记忆神经网络模型(LSTM)、支持向量器模型(SVM)以及分别针对传感器故障和车辆电池故障的两个softmax多分类模型，采集车辆运行中的参数数据，结合建立的模型进行实现在线的、精确的故障检测。本发明中，通过对传感器故障和车辆电池自身故障进行区分判断，可以很好地降低对故障类型分类模型的要求和进一步增加分类的精度，使得故障类型的判别更加准确，也有利于使故障严重等级的区分度更高，从而更好地对车辆进行及时检修维护，提高驾驶的安全性和舒适性，降低事故的发生率。
本发明的背景部分可以包含关于本发明的问题或环境的背景信息，而不一定是描述现有技术。因此，在背景技术部分中包含的内容并不是申请人对现有技术的承认。
以上内容是结合具体/优选的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，其还可以对这些已描述的实施方式做出若干替代或变型，而这些替代或变型方式都应当视为属于本发明的保护范围。在本说明书的描述中，参考术语“一种实施例”、“一些实施例”、“优选实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。尽管已经详细描述了本发明的实施例及其优点，但应当理解，在不脱离专利申请的保护范围的情况下，可以在本文中进行各种改变、替换和变更。

Claims (10)

1.一种新能源车辆在线电池故障检测分析方法，其特征在于，包括以下步骤：
S1、根据传感器历史时间流数据，建立并训练长短时记忆神经网络模型(LSTM)；根据历史故障数据，建立并训练支持向量器模型(SVM)；根据历史故障类型数据，建立并训练分别针对传感器故障和车辆电池故障的两个softmax多分类模型；
S2、利用各传感器实时采集的车辆实时运行参数数据，通过所述长短时记忆神经网络模型判断是否存在故障，若存在故障，执行下一步；
S3、通过所述支持向量机模型进行判断，确定所述故障是传感器故障还是车辆电池故障，当所述故障是传感器故障时，执行步骤S4，当所述故障是车辆电池故障时，执行步骤S5；
S4、通过针对传感器故障的softmax多分类模型判断所述故障的故障类型；
S5、通过针对车辆电池故障的softmax多分类模型判断所述故障的故障类型。
2.如权利要求1所述的新能源车辆在线电池故障检测分析方法，其特征在于，步骤S1中，建立并训练所述长短时记忆神经网络模型具体包括：针对每项传感器数据，以其前n个时刻的历史数据[x1,x2,…,xn]为输入，经过长短时记忆神经网络得到其在当前时刻的预测输出，以最小化真实值与预测值之间的差距为训练的目标函数，训练得到所述长短时记忆神经网络模型；步骤S2中，以所述长短时记忆神经网络模型的预测值和真实测量值进行对比，若差值大于预设阈值，则判断存在故障，否则不存在故障。
3.如权利要求2所述的新能源车辆在线电池故障检测分析方法，其特征在于，所述预设阈值的选择考虑传感器输出的噪声水平，大于传感器噪声的方差。
4.如权利要求1至3任一项所述的新能源车辆在线电池故障检测分析方法，其特征在于，步骤S1中，建立并训练支持向量器模型具体包括：所述支持向量器模型的训练以故障数据及其故障部位即标签值为输入，进行传感器故障和车辆电池故障二分类，以最大化分割平面与两个故障类别样本间的距离为目标函数，训练得到所述支持向量器模型；步骤S3中，以传感器数据为输入，通过所述支持向量器模型得到其故障分类。
5.如权利要求4所述的新能源车辆在线电池故障检测分析方法，其特征在于，步骤S1中，最大化分割平面与两个故障类别样本间的距离具体包括：最小化损失函数
Figure FDA0002358712690000021
6.如权利要求1至5任一项所述的新能源车辆在线电池故障检测分析方法，其特征在于，步骤S1中，建立并训练分别针对传感器故障和车辆电池故障的两个softmax多分类模型具体包括：针对传感器故障的多分类模型以当前传感器的历史数据作为输入，针对车辆电池故障的多分类模型以历史时刻所有传感器的数据作为输入，输入的数据经过多层前馈神经网络，以最大化真实类型的概率为目标函数，训练得到分别针对传感器故障和车辆电池故障的两个softmax多分类模型；步骤S4和步骤S5中，所述softmax多分类模型以概率值最大的类型作为最终的故障类型输出。
7.如权利要求6所述的新能源车辆在线电池故障检测分析方法，其特征在于，所述softmax多分类模型包括输入层、三层隐藏层和输出层。
8.如权利要求7所述的新能源车辆在线电池故障检测分析方法，其特征在于，传感器故障类型包括完全失效故障、固定偏差故障、漂移偏差故障以及精度下降故障，针对传感器故障的Softmax多分类模型以故障传感器的n个历史时刻点的数据为输入，经过所述隐藏层和所述输出层得到故障类型；和/或
车辆电池故障类型包括电池单体过压故障、电池一致性差故障、温差过大故障、电池电压跳变故障、SOC跳变故障、高压绝缘过低故障，针对车辆电池故障的softmax多分类模型以n个历史时刻点所有传感器的数据为输入，经过所述隐藏层和所述输出层得到故障类型。
9.如权利要求1至8任一项所述的新能源车辆在线电池故障检测分析方法，其特征在于，所述车辆运行参数数据包括：电压传感器测算得的电池单体电压/电池单体电压最高值/电池单体电压最低值/总电压、温度传感器测算得的电池最高温度值/电池最低温度值、电流传感器测算得的电池充放电电流、以及速度传感器测得的车辆速度。
10.一种新能源车辆运行数据在线故障检测装置，其特征在于，包括：
处理器；
计算机可读存储介质，其存储计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至9任一项所述的方法。
CN202010015475.3A 2020-01-07 2020-01-07 一种新能源车辆在线电池故障检测分析方法及装置 Pending CN111157898A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010015475.3A CN111157898A (zh) 2020-01-07 2020-01-07 一种新能源车辆在线电池故障检测分析方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010015475.3A CN111157898A (zh) 2020-01-07 2020-01-07 一种新能源车辆在线电池故障检测分析方法及装置

Publications (1)

Publication Number Publication Date
CN111157898A true CN111157898A (zh) 2020-05-15

Family

ID=70561852

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010015475.3A Pending CN111157898A (zh) 2020-01-07 2020-01-07 一种新能源车辆在线电池故障检测分析方法及装置

Country Status (1)

Country Link
CN (1) CN111157898A (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111830934A (zh) * 2020-07-17 2020-10-27 中车大连电力牵引研发中心有限公司 一种电力机车故障源定位方法及装置
CN112363059A (zh) * 2020-11-02 2021-02-12 山东大学 基于gm（1，1）灰色模型的电池故障诊断方法及系统
CN112394291A (zh) * 2020-11-05 2021-02-23 广州汽车集团股份有限公司 一种电池热失控预警方法及装置
CN112630660A (zh) * 2020-12-14 2021-04-09 湖北工业大学 一种基于支持向量机的电池故障识别方法
CN112804336A (zh) * 2020-10-29 2021-05-14 浙江工商大学 故障检测方法、装置、系统、计算机可读存储介质
CN114243063A (zh) * 2021-12-17 2022-03-25 华中科技大学 一种固体氧化物燃料电池系统故障定位方法和诊断方法
CN114814618A (zh) * 2022-05-31 2022-07-29 上海芯钛信息科技有限公司 锂离子电池剩余容量估算方法、装置、设备和存储介质
WO2022162060A1 (de) * 2021-01-27 2022-08-04 TWAICE Technologies GmbH Big-data für fehlererkennung in batteriesystemen
CN114863170A (zh) * 2022-04-28 2022-08-05 北京交通大学 一种基于深度学习的新能源车电池自燃预警方法及装置
CN114996661A (zh) * 2022-08-04 2022-09-02 山东佳力通汽车有限公司 一种冷藏车温度监控方法及系统
CN115308612A (zh) * 2022-08-02 2022-11-08 宁波拜特测控技术股份有限公司 一种模组电池深度过放电测试系统以及方法
CN115392331A (zh) * 2021-05-25 2022-11-25 国家能源投资集团有限责任公司 电池分类方法、装置、存储介质及电子设备
CN116087782A (zh) * 2022-11-09 2023-05-09 苏州首帆电子科技有限公司 一种汽车电池故障预警方法、系统、装置及存储介质
CN117516927A (zh) * 2024-01-05 2024-02-06 四川省机械研究设计院(集团)有限公司 齿轮箱故障检测方法、系统、设备及存储介质
CN119397434A (zh) * 2024-09-29 2025-02-07 重庆大学 一种用于电池包故障模式识别的方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108027407A (zh) * 2015-08-06 2018-05-11 密执安州立大学董事会 容错电压测量方法
CN108303264A (zh) * 2017-01-13 2018-07-20 华为技术有限公司 一种基于云的车辆故障诊断方法、装置及其系统
CN108544925A (zh) * 2018-04-02 2018-09-18 北京理工大学 电池管理系统
CN109143094A (zh) * 2018-06-29 2019-01-04 上海科列新能源技术有限公司 一种动力电池的异常数据检测方法和装置
US20190011506A1 (en) * 2016-01-20 2019-01-10 Mitsubishi Electric Corporation Malfunction detection apparatus capable of detecting actual malfunctioning device not due to abnormal input values
CN110133508A (zh) * 2019-04-24 2019-08-16 上海博强微电子有限公司 电动汽车动力电池的安全预警方法
CN110146817A (zh) * 2019-05-13 2019-08-20 上海博强微电子有限公司 锂电池故障的诊断方法
CN110224673A (zh) * 2019-05-14 2019-09-10 太原理工大学 一种基于深度学习的太阳能光伏电池板故障检测方法
CN110263846A (zh) * 2019-06-18 2019-09-20 华北电力大学 基于故障数据深度挖掘及学习的故障诊断方法
CN110441695A (zh) * 2019-08-07 2019-11-12 南京佑创汽车研究院有限公司 一种基于模型和信号处理相结合的电池组多故障综合诊断方法
CN111025153A (zh) * 2018-10-09 2020-04-17 上海汽车集团股份有限公司 一种电动汽车电池故障诊断方法和装置

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108027407A (zh) * 2015-08-06 2018-05-11 密执安州立大学董事会 容错电压测量方法
US20190011506A1 (en) * 2016-01-20 2019-01-10 Mitsubishi Electric Corporation Malfunction detection apparatus capable of detecting actual malfunctioning device not due to abnormal input values
CN108303264A (zh) * 2017-01-13 2018-07-20 华为技术有限公司 一种基于云的车辆故障诊断方法、装置及其系统
US20190333291A1 (en) * 2017-01-13 2019-10-31 Huawei Technologies Co., Ltd. Cloud-Based Vehicle Fault Diagnosis Method, Apparatus, and System
CN108544925A (zh) * 2018-04-02 2018-09-18 北京理工大学 电池管理系统
CN109143094A (zh) * 2018-06-29 2019-01-04 上海科列新能源技术有限公司 一种动力电池的异常数据检测方法和装置
CN111025153A (zh) * 2018-10-09 2020-04-17 上海汽车集团股份有限公司 一种电动汽车电池故障诊断方法和装置
CN110133508A (zh) * 2019-04-24 2019-08-16 上海博强微电子有限公司 电动汽车动力电池的安全预警方法
CN110146817A (zh) * 2019-05-13 2019-08-20 上海博强微电子有限公司 锂电池故障的诊断方法
CN110224673A (zh) * 2019-05-14 2019-09-10 太原理工大学 一种基于深度学习的太阳能光伏电池板故障检测方法
CN110263846A (zh) * 2019-06-18 2019-09-20 华北电力大学 基于故障数据深度挖掘及学习的故障诊断方法
CN110441695A (zh) * 2019-08-07 2019-11-12 南京佑创汽车研究院有限公司 一种基于模型和信号处理相结合的电池组多故障综合诊断方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
FREEMAN RUFUS JR.ET AL.: "《Health Monitoring Algorithms for Space Application Batteries》", 《2008 INTERNATIONAL CONFERENCE ON PROGNOSTICS AND HEALTH MANAGEMENT》 *
张传雷等: "《基于图像分析的植物及其病虫害识别方法研究》", 31 October 2018, 中国经济出版社 *
李业波等: "航空发动机传感器故障与部件故障诊断技术", 《北京航空航天大学学报》 *
王快妮: "《支持向量机鲁棒性模型与算法研究 第一版》", 31 August 2019 *
许朝雄等: "固体氧化物燃料电池多工况特征提取与多故障识别", 《化工自动化及仪表》 *

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111830934A (zh) * 2020-07-17 2020-10-27 中车大连电力牵引研发中心有限公司 一种电力机车故障源定位方法及装置
CN112804336A (zh) * 2020-10-29 2021-05-14 浙江工商大学 故障检测方法、装置、系统、计算机可读存储介质
CN112363059A (zh) * 2020-11-02 2021-02-12 山东大学 基于gm（1，1）灰色模型的电池故障诊断方法及系统
CN112394291A (zh) * 2020-11-05 2021-02-23 广州汽车集团股份有限公司 一种电池热失控预警方法及装置
CN112394291B (zh) * 2020-11-05 2024-06-11 广汽埃安新能源汽车有限公司 一种电池热失控预警方法及装置
CN112630660A (zh) * 2020-12-14 2021-04-09 湖北工业大学 一种基于支持向量机的电池故障识别方法
WO2022162060A1 (de) * 2021-01-27 2022-08-04 TWAICE Technologies GmbH Big-data für fehlererkennung in batteriesystemen
CN115392331A (zh) * 2021-05-25 2022-11-25 国家能源投资集团有限责任公司 电池分类方法、装置、存储介质及电子设备
CN114243063A (zh) * 2021-12-17 2022-03-25 华中科技大学 一种固体氧化物燃料电池系统故障定位方法和诊断方法
CN114243063B (zh) * 2021-12-17 2024-05-14 华中科技大学 一种固体氧化物燃料电池系统故障定位方法和诊断方法
CN114863170B (zh) * 2022-04-28 2025-05-23 北京交通大学 一种基于深度学习的新能源车电池自燃预警方法及装置
CN114863170A (zh) * 2022-04-28 2022-08-05 北京交通大学 一种基于深度学习的新能源车电池自燃预警方法及装置
CN114814618A (zh) * 2022-05-31 2022-07-29 上海芯钛信息科技有限公司 锂离子电池剩余容量估算方法、装置、设备和存储介质
CN115308612A (zh) * 2022-08-02 2022-11-08 宁波拜特测控技术股份有限公司 一种模组电池深度过放电测试系统以及方法
CN114996661A (zh) * 2022-08-04 2022-09-02 山东佳力通汽车有限公司 一种冷藏车温度监控方法及系统
CN116087782B (zh) * 2022-11-09 2024-02-02 苏州首帆电子科技有限公司 一种汽车电池故障预警方法、系统、装置及存储介质
CN116087782A (zh) * 2022-11-09 2023-05-09 苏州首帆电子科技有限公司 一种汽车电池故障预警方法、系统、装置及存储介质
CN117516927A (zh) * 2024-01-05 2024-02-06 四川省机械研究设计院(集团)有限公司 齿轮箱故障检测方法、系统、设备及存储介质
CN117516927B (zh) * 2024-01-05 2024-04-05 四川省机械研究设计院(集团)有限公司 齿轮箱故障检测方法、系统、设备及存储介质
CN119397434A (zh) * 2024-09-29 2025-02-07 重庆大学 一种用于电池包故障模式识别的方法

Similar Documents

Publication Publication Date Title
CN111157898A (zh) 一种新能源车辆在线电池故障检测分析方法及装置
CN114559819B (zh) 一种基于信号处理的电动汽车电池安全预警方法
CN113791350B (zh) 电池故障预测方法
CN113064939A (zh) 一种新能源车辆三电系统安全特征数据库构建方法
CN117341476B (zh) 一种电池压差故障预警方法及系统
CN119773511B (zh) 氢电电动车的多模块协同故障检测预警方法
CN114036647A (zh) 一种基于实车数据的动力电池安全风险评估方法
CN113459867A (zh) 基于自适应深度置信网络的电动汽车充电过程故障预警方法
CN114460481A (zh) 基于Bi-LSTM和注意力机制的储能电池热失控预警方法
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
CN112700156A (zh) 一种新能源汽车运行安全性能评价体系构建方法
CN112036581A (zh) 交通工具空调系统的性能检测方法及装置、存储介质、终端
CN116881701A (zh) 一种新能源汽车电源安全检测方法
CN110610326B (zh) 一种基于驾驶数据的驾驶管理系统
CN116679221A (zh) 一种电池异常检测、电池维护管理方法和装置
CN116923188A (zh) 一种新能源车的充电保护系统
CN118169567B (zh) 一种基于实际运行数据的锂离子电池自适应安全预警方法
CN119355533A (zh) 一种基于多维度特征融合的电池故障诊断方法
CN116061690B (zh) 一种电动汽车充电过程中的安全预警方法及装置
CN113297033B (zh) 基于云端监测数据的车辆电控系统健康评估方法和系统
CN114997748A (zh) 基于模型融合的新能源汽车运行安全风险预测方法及系统
CN120270101A (zh) 一种电动车辆电池充放电管理方法
CN119078532A (zh) 一种电动汽车续航里程预测与电池容量管理方法及系统
CN119669949A (zh) 使用扩展自动编码器创建异常识别模型以识别设备电池的当前或即将的异常的方法和设备
CN108681802A (zh) 一种电动汽车充电设施信息互操作评价方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200515

RJ01 Rejection of invention patent application after publication