CN106383951B - 一种电力驱动交通工具的故障诊断方法和*** - Google Patents
一种电力驱动交通工具的故障诊断方法和*** Download PDFInfo
- Publication number
- CN106383951B CN106383951B CN201610834850.0A CN201610834850A CN106383951B CN 106383951 B CN106383951 B CN 106383951B CN 201610834850 A CN201610834850 A CN 201610834850A CN 106383951 B CN106383951 B CN 106383951B
- Authority
- CN
- China
- Prior art keywords
- data matrix
- data
- battery cell
- matrix
- probability
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/006—Indicating maintenance
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Automation & Control Theory (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开一种电力驱动交通工具的故障诊断方法和***。该方法通过获取被监控交通工具的电池的运行参数数据,对所述运行参数数据进行筛选整理得到被监控交通工具的电池单体的电压的数据矩阵;对所述数据矩阵采用3σ多层次筛选算法得到每个电池单体的故障数;根据所述故障数计算每个电池单体的故障概率;判断每个电池单体的故障概率是否超过第二给定值,是,则判断故障发生。本发明通过采用高斯分布的概率特性与3σ置信区间相结合构成3σ多层次筛选,对于低阶故障数据可实现一次筛选就能去除掉所有超过3σ置信区间的数据,对于多阶故障数据或存在数量级差别较大的故障数据可多次筛选和剔除,获得最接近真实数据的中心值,处理效率高。
Description
技术领域
本发明涉及故障诊断领域,特别是涉及一种电力驱动交通工具的故障诊断方法和***。
背景技术
在电力驱动交通工具的单体电压统计过程中,可能发生单体电压故障,导致个别单体电压异常,从而导致对中心值的统计计算中出现偏差。因此在电力交通工具进行电池数据处理时,会因个别单体电压异常而导致得到的数据中可能会有一些远离中心值的故障数据。当我们希望得到一组数据的中心值时,这些故障数据总会干扰真实中心值的计算,从而影响故障分析。
另外,传统的故障分析大多是先发现故障,发现故障后寻找导致故障的原因,之后找出这一个或多个原因和这个故障之间的确定关系,进而研究故障的发生概率等,但参数间的耦合复杂,建模难等问题直接影响数据的处理时效性。尽管本领域研究故障诊断方法众多,但如何运用统计学方法分析故障发生原因,在目前现有技术中仍为空白。
发明内容
本发明的目的是提供一种电力驱动交通工具的故障诊断方法和***,建立3σ多层次数据筛选模型,运用高斯分布的概率特性,对无故障数据进行集中筛选,对故障数据高效、精确的定位并剔除,已解决传统由于参数间的耦合复杂、建模难、影响数据的处理时效性的问题。
为实现上述目的,本发明提供了如下方案:
一种电力驱动交通工具的故障诊断方法,包括步骤:
步骤A、获取被监控交通工具的电池的运行参数数据,对所述运行参数数据进行筛选整理得到被监控交通工具的电池单体的电压的第一数据矩阵;
步骤B、对所述第一数据矩阵采用3σ多层次筛选算法得到每个电池单体的故障数;
步骤C、根据所述故障数计算每个电池单体的故障概率;
步骤D、判断每个电池单体的故障概率是否超过第二给定值,是,则确定故障发生。
其中,所述的数据矩阵为m行n列矩阵,步骤B包括步骤:
B1、判断m行数据矩阵是否已完成循环,是,则执行步骤B8,否,则执行步骤B2;
B2、计算第一数据矩阵的行向量的第一均值μ1和第一标准差σ1,建立第一高斯分布;
B3、设置第一故障矩阵R1记录所述第一数据矩阵中超过3σ1的元素的位置;
B4、剔除所述第一数据矩阵中第一故障矩阵R1记录的对应位置的元素获得第二数据矩阵,再重新计算第二数据矩阵的行向量的第二均值μ2和第二标准差σ2;
B5、设置第二故障矩阵R2记录所述第一数据矩阵中超过3σ2的元素的位置;
B6、判断σ1-σ2的差值是否大于第一给定值,是,则μ1=μ2,σ1=σ2,R1=R2,并返回到步骤B4;否,则执行步骤B7;
B7、输出第二数据矩阵的行向量的第二均值μ2和第二标准差σ2,建立第二高斯分布;
B8、将第二故障矩阵R2中的每一列向量相加得到每个电池单体的故障数。
其中,每个电池单体的故障概率为:m为所述数据矩阵的行数;
其中,步骤D包括步骤:
D1、根据所述故障概率判断是否超过第二给定值,是,则执行步骤D2,否,则执行步骤D3;
D2、对电池单体进行报错;
D3、对超过第二给定值的电池单体统计规律,并得到相应的结果。
本发明还提供了一种电力驱动交通工具的故障诊断***,包括获取模块、3σ筛选模块、求取故障概率模块、故障判断模块;
所述获取模块,用于获取被监控交通工具的电池的运行参数数据,对所述运行参数数据进行筛选整理得到被监控交通工具的电池单体的电压的第一数据矩阵;
所述3σ筛选模块,用于对所述第一数据矩阵采用3σ多层次筛选算法得到每个电池单体的故障数;
所述求取故障概率模块,用于根据所述故障数计算每个电池单体的故障概率;
所述故障判断模块,用于判断每个电池单体的故障概率是否超过第二给定值,是,则确定故障发生。
所述3σ筛选模块,具体用于:判断m行数据矩阵是否已完成循环,否,则计算第一数据矩阵的行向量的第一均值μ1和第一标准差σ1,建立第一高斯分布,记录所述第一数据矩阵中超过3σ1的元素的位置,剔除所述第一数据矩阵中第一故障矩阵R1记录的对应位置的元素获得第二数据矩阵,再重新计算第二数据矩阵的行向量的第二均值μ2和第二标准差σ2,记录所述第一数据矩阵中超过3σ2的元素的位置,直至σ1-σ2的差值是小于第一给定值为止,输出第二数据矩阵的行向量的第二均值μ2和第二标准差σ2,建立第二高斯分布,当m行数据矩阵已完成循环时,将第二故障矩阵R2中的每一列向量相加得到每个电池单体的故障数。
所述求取故障概率模块,用于采用如下式子计算每个电池单体的故障概率:m为所述数据矩阵的行数。
所述故障判断模块包括第二逻辑判断单元、故障报错单元、统计规律单元;
所述第二逻辑判断单元,用于根据所述故障概率判断是否超过第二给定值;
所述故障报错单元,用于对电池单体进行报错;
所述统计规律单元,用于对超过第二给定值的电池单体统计规律,并得到相应的结果。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种电力驱动交通工具的故障诊断方法和***,首先,通过获取电力驱动装置监控的电池数据进行筛选整理得到数据矩阵,保证了数据的真实性、实时性、可靠性;其次,采用高斯分布的概率特性与3σ置信区间相结合而构成的3σ多层次筛选对无故障数据进行筛选,对于一些低阶故障数据可实现一次筛选就能去除掉所有超过3σ置信区间的数据,对于一些多阶故障数据或存在数量级差别较大的故障数据可多次筛选和剔除,获得最接近真实数据的中心值,处理效率高;最后,通过调整第二给定值,可实现对故障值的筛选,进而做到精确诊断和控制,为后期车辆数目、车辆种类、不同时间等多维度的大数据处理,提供了高效的算法。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例电力驱动交通工具的故障诊断方法的主体流程图;
图2为本发明实施例电力驱动交通工具的故障诊断方法的具体流程图;
图3为本发明实施例电力驱动交通工具的故障诊断***结构图;
图4为电池的单体电压曲线图;
图5为第一高斯分布曲线图;
图6为第二高斯分布曲线图;
图7为两次高斯分布比较曲线图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种电力驱动交通工具的故障诊断方法和***。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
参见图1和图2所示,本发明实施例提供一种电力驱动交通工具的故障诊断方法。
步骤S1,获取被监控交通工具的电池的运行参数数据,对所述运行参数数据进行筛选整理得到被监控交通工具的电池单体的电压的数据矩阵。
首先,获取某一段时间内的电池的运行参数数据,这些数据主要来源于电力驱动交通工具监控中心,电池的运行参数主要包括电池***总电压和总电流、SOC状态、电池单体电压、电池包特征点温度等。
其次,对电力驱动交通监控平台进行车型和公里数的筛选,确保几个对比组的车辆种类,车辆公里数、放电时SOC变化范围基本相同,避免其他因素造成干扰,影响检测的准确性,还要确保汽车传感器正常工作。
最后,将电池的运行参数导入数值计算工具中进行整理,获得被监控交通工具的电池单体的电压的第一数据矩阵,第一数据矩阵为m行n列。
本申请中的n既表示第一数据矩阵的列数,还表示电池单体的数目;m既表示第一数据矩阵的行数,还表示某一时间段内进行m次电压采样。
具体其数据矩阵可表示为:
其中,Ut0,j-Utm,j表示同一电池单体不同时刻的电压值,Uti,0-Uti,n表示不同单体在ti时刻的电压,U0表示为第一数据矩阵,第i行相当于第ti时刻对n个电池单体进行电压采样,其中1≤i≤m,t1≤ti≤tm,1≤j≤n。
步骤S2、对所述第一数据矩阵采用3σ多层次筛选算法得到每个电池单体的故障数,其具体步骤如下:
步骤S201、判断m行数据矩阵是否已完成循环,是,则执行步骤S208,否,则执行步骤S202。
本申请通过比较不同时刻单体电压采样值共同判断单体电压是否发生故障,所以需要判断该矩阵m行是否已经完成循环。
步骤S202、计算第一数据矩阵的行向量第一均值μ1和第一标准差σ1,建立第一高斯分布。
高斯分布(Gaussian distribution),又称正态分布(Normal distribution),是一种非常普遍的连续概率函数。
若随机变量X服从一个数学期望为μ,方差为σ2的概率分布时,其高斯分布函数为:
其图像为钟形曲线,其中μ决定了钟形曲线的中心位置,标准差σ决定了分布尺度,所以又称μ为位置参数,标准差σ为尺度参数。X服从正态分布记为:X~N(μ,σ2)。
通过数值计算工具计算第一数据矩阵的第一均值μ1和第一标准差σ1,并将上述的第一均值μ1和第一标准差σ1带入高斯分布函数即可绘制第一高斯分布曲线图,其服从正态分布(μ1,σ1 2)。
步骤S203、设置第一故障矩阵R1记录所述第一数据矩阵中超过3σ1的元素的位置。
在实际工程中,经常运用3σ准则的概念来确定随机变量的置信水平。即随机变量服从高斯分布:
数据落在(μ-σ,μ+σ,)中置信水平为68.26%;
数据落在(μ-2σ,μ+2σ,)中置信水平为95.44%;
数据落在(μ-3σ,μ+3σ,)中置信水平为99.74%;
由此可知,Y的取值几乎全部集中在(μ-3σ,μ+3σ,)区间范围内,如果数据落在±3σ之外,则认为是小概率事件,如果数组中出现某个单元大量数据落在±3σ之,则认为该单元受其他因素影响或单元存在故障。
计算(μ1-3σ1,μ1+3σ1)的取值范围,判断Uti.j值是否超过该取值范围,如果超过该取值范围,则设置第一故障矩阵R1记录超过该范围的元素的位置,并将该位置记为1,其余位置记为0。
步骤S204、剔除所述第一数据矩阵中第一故障矩阵R1记录的对应位置的元素获得第二数据矩阵,再重新计算第二数据矩阵的行向量的第二均值μ2和第二标准差σ2。
先将第一数据矩阵中超过3σ1的元素全部剔除,然后将剩余的数据重新放置第二数据矩阵中,得到第二数据矩阵为1行n列,最后通过数值计算工具计算第二数据矩阵的第二均值μ2和第二标准差σ2。
步骤S205、设置第二故障矩阵R2记录所述第一数据矩阵中超过3σ2的元素的位置。
同步骤203,可设置第二故障矩阵R2标记超过(μ2-3σ2,μ2+3σ2)的取值范围的元素的位置,将该位置记为1,其余位置记为0。
步骤S206、判断σ1-σ2的差值是否大于第一给定值,是,则μ1=μ2,σ1=σ2,R1=R2,并返回到步骤S204;否,则执行步骤S207。
步骤S207、输出第二数据矩阵的行向量的第二均值μ2和第二标准差σ2,建立第二高斯分布。
将上述的第二均值μ2和第二标准差σ2带入高斯分布函数即可绘制第二高斯分布曲线图,其服从正态分布(μ2,σ2 2)。
步骤S208、将第二故障矩阵R2中的每一列向量相加得到每个电池单体的故障数。
其中,mti,j表示ti时刻第j个单体是否超过3σ2,超过3σ2,则将该位置记为1,其余位置记为0,即mti,j为0或1,然后将每一列的单体值进行叠加得到每个电池单体的故障数,即其中,1≤j≤n。
步骤S3、根据所述故障数计算每个电池单体的故障概率。
其具体的计算公式为:m为所述数据矩阵的行数。因为研究数据矩阵是在大数据条件下进行,数据量非常大,所以根据大数定律,本申请还可以用故障频率表示故障概率,即
步骤S4、判断每个电池单体的故障概率是否超过第二给定值,是,则确定故障发生,其具体步骤如下:
S401、根据所述故障概率判断是否超过第二给定值,是,则执行步骤S402,否,则执行步骤S403。
第二给定值可根据具体情况需要进行设置,可实现对故障值的筛选做到精确诊断和控制,为后期车辆数目、车辆种类、不同时间等多维度的大数据处理,提供了高效的算法。
S402、对电池单体进行报错。
判断故障概率是否超过第二给定值,如果超过第二给定值,则对电池单体进行报错。
S403、对超过第二给定值的电池单体统计规律,并得到相应的结果。
判断故障概率是否超过第二给定值,如果没有超过第二给定值,对超过第二给定值的电池单体统计规律,并得到相应的结果。
本发明实施例还提供了一种电力驱动交通工具的故障诊断***,参见图3所示,包括获取模块1、3σ筛选模块2、求取故障概率模块3、故障判断模块4。
获取模块1,用于获取被监控交通工具的电池的运行参数数据,对所述运行参数数据进行筛选整理得到被监控交通工具的电池单体的电压的第一数据矩阵。
3σ筛选模块2,用于对所述第一数据矩阵采用3σ多层次筛选算法得到每个电池单体的故障数。
求取故障概率模块3,用于根据所述故障数计算每个电池单体的故障概率。
故障判断模块4,用于判断每个电池单体的故障概率是否超过第二给定值,是,则确定故障发生。
3σ筛选模块2,具体用于:判断m行数据矩阵是否已完成循环,否,则计算第一数据矩阵的行向量的第一均值μ1和第一标准差σ1,建立第一高斯分布,记录所述第一数据矩阵中超过3σ1的元素的位置,剔除所述第一数据矩阵中第一故障矩阵R1记录的对应位置的元素获得第二数据矩阵,再重新计算第二数据矩阵的行向量的第二均值μ2和第二标准差σ2,记录所述第一数据矩阵中超过3σ2的元素的位置,直至σ1-σ2的差值是小于第一给定值为止,输出第二数据矩阵的行向量的第二均值μ2和第二标准差σ2,建立第二高斯分布,当m行数据矩阵已完成循环时,将第二故障矩阵R2中的每一列向量相加得到每个电池单体的故障数。
求取故障概率模块3,用于采用如下式子计算每个电池单体的故障概率:m为所述数据矩阵的行数。
故障判断模块4包括第二逻辑判断单元、故障报错单元、统计规律单元。
第二逻辑判断单元,用于根据所述故障概率判断是否超过第二给定值。
故障报错单元,用于对电池单体进行报错。
统计规律单元,用于对超过第二给定值的电池单体统计规律,并得到相应的结果。
为了进一步更好的论述3σ多层次筛选算法的内容,下面举例进行说明:
以北京电动汽车在2016年4月11日行驶的某一时刻采集的电池的单体电压为例,采用多层次3σ筛选算法对采集的91个电池的单体电压进行诊断,所以构成的第一数据矩阵为1行91列,即第一数据矩阵的电压为:
U0=
[
4.024.024.024.024.024.0944.024.0244.024.024.024.024.024.024.024.0244.024.0244.024.024.024.024.024.02444.024.024.024.024.024.024.0244.024.024.14.024.024.024.024.024.024.0244.024.024.024.024.024.024.024.024.024.024.024.024.024.024.024.024.0244.024.024.024.024.024.024.024.024.0244.024.024.024.024.024.024.024.024.024.024.024.024.024.02
]
将第一数据矩阵的数据输入值到已编好的程序中计算第一均值μ1和第一标准差σ1,即第一数据矩阵的第一均值为μ1=4.0195,第一标准差为σ1=0.0130。根据第一数据矩阵可绘制出图4电池的单体电压曲线图;根据第一均值为μ1,第一标准差为σ1可绘制出图5第一高斯分布曲线图。
由图4可看出,第6位置和第41位置电压值明显超出电池组电压平均水平,因为计算这组端电压的均值时不希望被这两个位置影响,所以在计算均值时,利用3σ多层次筛选算法将这两个值剔除出去。
根据3σ多层次数据筛选算法,在(μ1-3σ1,μ1+3σ1)区间之外则为第一故障值,因此3σ1的上限为:
μ1+3σ1=4.0195+3×0.0130=4.0585
3σ1的下限为:
μ1-3σ1=4.0195-3×0.0130=3.9805
3σ1为:(3.9805,4.0585)
显然,第6位置和第41位置的值明显超出3σ1,所以将第一故障矩阵R1矩阵中第6位置和第41位置为1,其余位置为0,剔除所述第一数据矩阵中第一故障矩阵R1记录的对应位置的元素获得第二数据矩阵,此时第二数据矩阵U2为1行91列,重新将第二数据矩阵导入数值计算工具中计算第二均值μ2和第二标准差σ2,即第二均值μ2=4.0178、第二标准差σ2=0.0064,3σ2为(3.9986,4.037),显然剔除后的数据全部落在此区间内,实现了一次筛选能同时去除掉所有超过3σ2的数据,处理效率高。
根据第二均值μ2和第二标准差σ2绘制出图6第二高斯分布曲线图,为了便于研究第一高斯分布曲线图和第二高斯分布曲线图的区别,将两个高斯分布图输出到同一张图纸上,即图7为两次高斯分布比较曲线图。
由图7可知,去掉个别超出3σ1范围的数据后,第二标准差下降到第一标准差的49.2%。第一均值μ1与第二均值μ2之间相差一个差值,这个差值就代表了一次筛选后对原来中心值进行的调整。从第一数据矩阵中可知,大部分数据都落在4.00和4.02之间,因此第一均值大约在4.01左右,但因为第6和第41数据异常偏大,导致第一均值为4.019,因此去掉个别超出3σ1取值范围的数据后得到的中心值将更加准确地确定该无故障***整体的中心位置,便于在高斯分布中定位故障或异常的位置及置信水平。
采用多层次3σ筛选算法具有以下优点:一、一次筛选能同时去除掉所有超过3σ置信区间的数据,处理效率高;二、能按照置信区间来调整第二给定值,为后期车辆数目、车辆种类、不同时间等多维度的大数据处理,提供了高效的算法;三、用第二故障矩阵R2将超3σ的数据位置保存,便于后期对电池组组内电池单体之间故障规律进行预处理。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种电力驱动交通工具的故障诊断方法,其特征在于,包括步骤:
步骤A、获取被监控交通工具的电池的运行参数数据,对所述运行参数数据进行筛选整理得到被监控交通工具的电池单体的电压的第一数据矩阵;
步骤B、对所述第一数据矩阵采用3σ多层次筛选算法得到每个电池单体的故障数;
步骤C、根据所述故障数计算每个电池单体的故障概率;
步骤D、判断每个电池单体的故障概率是否超过第二给定值,是,则确定故障发生;
所述的第一数据矩阵为m行n列矩阵,所述步骤B包括:
B1、判断m行数据矩阵是否已完成循环,是,则执行步骤B8,否,则执行步骤B2;
B2、计算第一数据矩阵的行向量的第一均值μ1和第一标准差σ1,建立第一高斯分布;
B3、设置第一故障矩阵R1记录所述第一数据矩阵中超过3σ1的元素的位置;
B4、剔除所述第一数据矩阵中第一故障矩阵R1记录的对应位置的元素获得第二数据矩阵,再重新计算第二数据矩阵的行向量的第二均值μ2和第二标准差σ2;
B5、设置第二故障矩阵R2记录所述第一数据矩阵中超过3σ2的元素的位置;
B6、判断σ1-σ2的差值是否大于第一给定值,是,则μ1=μ2,σ1=σ2,R1=R2,并返回到步骤B4;否,则执行步骤B7;
B7、输出第二数据矩阵的行向量的第二均值μ2和第二标准差σ2,建立第二高斯分布;
B8、将第二故障矩阵R2中的每一列向量相加得到每个电池单体的故障数。
2.根据权利要求1所述的电力驱动交通工具的故障诊断方法,其特征于,所述每个电池单体的故障概率为:m为所述第一数据矩阵的行数。
3.根据权利要求2所述一种电力驱动交通工具的故障诊断方法,其特征于,所述步骤D包括:
D1、根据所述故障概率判断是否超过第二给定值,是,则执行步骤D2,否,则执行步骤D3;
D2、对电池单体进行报错;
D3、对超过第二给定值的电池单体统计规律,并得到相应的结果。
4.一种电力驱动交通工具的故障诊断***,其特征在于,包括获取模块、3σ筛选模块、求取故障概率模块、故障判断模块;
所述获取模块,用于获取被监控交通工具的电池的运行参数数据,对所述运行参数数据进行筛选整理得到被监控交通工具的电池单体的电压的第一数据矩阵;
所述3σ筛选模块,用于对所述第一数据矩阵采用3σ多层次筛选算法得到每个电池单体的故障数;
所述求取故障概率模块,用于根据所述故障数计算每个电池单体的故障概率;
所述故障判断模块,用于判断每个电池单体的故障概率是否超过第二给定值,是,则确定故障发生;
所述3σ筛选模块,具体用于:判断m行数据矩阵是否已完成循环,否,则计算第一数据矩阵的行向量的第一均值μ1和第一标准差σ1,建立第一高斯分布,记录所述第一数据矩阵中超过3σ1的元素的位置,剔除所述第一数据矩阵中第一故障矩阵R1记录的对应位置的元素获得第二数据矩阵,再重新计算第二数据矩阵的行向量的第二均值μ2和第二标准差σ2,记录所述第一数据矩阵中超过3σ2的元素的位置,直至σ1-σ2的差值是小于第一给定值为止,输出第二数据矩阵的行向量的第二均值μ2和第二标准差σ2,建立第二高斯分布,当m行数据矩阵已完成循环时,将第二故障矩阵R2中的每一列向量相加得到每个电池单体的故障数。
5.根据权利要求4所述一种电力驱动交通工具的故障诊断***,其特征在于,所述求取故障概率模块,用于采用如下式子计算每个电池单体的故障概率:
m为所述第一数据矩阵的行数。
6.根据权利要求5所述一种电力驱动交通工具的故障诊断***,其特征在于,所述故障判断模块包括第二逻辑判断单元、故障报错单元、统计规律单元;
所述第二逻辑判断单元,用于根据所述故障概率判断是否超过第二给定值;
所述故障报错单元,用于对电池单体进行报错;
所述统计规律单元,用于对超过第二给定值的电池单体统计规律,并得到相应的结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610834850.0A CN106383951B (zh) | 2016-09-20 | 2016-09-20 | 一种电力驱动交通工具的故障诊断方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610834850.0A CN106383951B (zh) | 2016-09-20 | 2016-09-20 | 一种电力驱动交通工具的故障诊断方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106383951A CN106383951A (zh) | 2017-02-08 |
CN106383951B true CN106383951B (zh) | 2019-08-06 |
Family
ID=57936729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610834850.0A Active CN106383951B (zh) | 2016-09-20 | 2016-09-20 | 一种电力驱动交通工具的故障诊断方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106383951B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109101390B (zh) * | 2018-06-29 | 2021-08-24 | 平安科技(深圳)有限公司 | 基于高斯分布的定时任务异常监控方法、电子装置及介质 |
CN112115618A (zh) * | 2020-09-22 | 2020-12-22 | 南方电网海南数字电网研究院有限公司 | 一种基于矩阵图及置信度的电力设备故障诊断方法及*** |
CN112986839B (zh) * | 2021-02-25 | 2021-12-03 | 北京理工大学 | 基于置信区间的锂离子动力电池组的故障诊断方法与*** |
CN113868236B (zh) * | 2021-09-29 | 2023-06-30 | 东风汽车有限公司东风日产乘用车公司 | 电动交通工具故障监测方法、设备及计算机可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6330362B1 (en) * | 1996-11-12 | 2001-12-11 | Texas Instruments Incorporated | Compression for multi-level screened images |
CN103057433A (zh) * | 2012-12-25 | 2013-04-24 | 北京理工大学 | 工作状态下的电动汽车中成组电池的单体电池的检测方法 |
CN203039043U (zh) * | 2013-01-08 | 2013-07-03 | 北京优科利尔能源设备有限公司 | 一种用于电动汽车动力电池的检测及维护*** |
CN103986625A (zh) * | 2014-05-29 | 2014-08-13 | 中国科学院软件研究所 | 一种基于统计监测的云应用故障诊断*** |
CN104021238A (zh) * | 2014-03-25 | 2014-09-03 | 重庆邮电大学 | 一种铅酸动力电池***故障诊断方法 |
CN104462802A (zh) * | 2014-11-26 | 2015-03-25 | 浪潮电子信息产业股份有限公司 | 一种大规模数据中离群数据的分析方法 |
CN105372600A (zh) * | 2015-11-24 | 2016-03-02 | 珠海朗尔电气有限公司 | 一种基于大数据的蓄电池故障诊断的***和方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7715961B1 (en) * | 2004-04-28 | 2010-05-11 | Agnik, Llc | Onboard driver, vehicle and fleet data mining |
US20150363551A1 (en) * | 2013-01-31 | 2015-12-17 | Renaud CEZAR | Process for identifying rare events |
-
2016
- 2016-09-20 CN CN201610834850.0A patent/CN106383951B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6330362B1 (en) * | 1996-11-12 | 2001-12-11 | Texas Instruments Incorporated | Compression for multi-level screened images |
CN103057433A (zh) * | 2012-12-25 | 2013-04-24 | 北京理工大学 | 工作状态下的电动汽车中成组电池的单体电池的检测方法 |
CN203039043U (zh) * | 2013-01-08 | 2013-07-03 | 北京优科利尔能源设备有限公司 | 一种用于电动汽车动力电池的检测及维护*** |
CN104021238A (zh) * | 2014-03-25 | 2014-09-03 | 重庆邮电大学 | 一种铅酸动力电池***故障诊断方法 |
CN103986625A (zh) * | 2014-05-29 | 2014-08-13 | 中国科学院软件研究所 | 一种基于统计监测的云应用故障诊断*** |
CN104462802A (zh) * | 2014-11-26 | 2015-03-25 | 浪潮电子信息产业股份有限公司 | 一种大规模数据中离群数据的分析方法 |
CN105372600A (zh) * | 2015-11-24 | 2016-03-02 | 珠海朗尔电气有限公司 | 一种基于大数据的蓄电池故障诊断的***和方法 |
Non-Patent Citations (2)
Title |
---|
Model-based fault detection of a battery system in a hybrid electric vehicle;S.A. Gadsden等;《2011 IEEE Vehicle Power and Propulsion Conference》;20111013;第1-6页 |
车用动力锂离子电池***故障诊断研究与实现;檀斐;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20150715(第07期);第C035-412页 |
Also Published As
Publication number | Publication date |
---|---|
CN106383951A (zh) | 2017-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106383951B (zh) | 一种电力驱动交通工具的故障诊断方法和*** | |
CN106353690A (zh) | 利用Petri网诊断锂电池故障的方法 | |
CN103399282B (zh) | 电池单体故障诊断方法 | |
CN110018425A (zh) | 一种动力电池故障诊断方法及*** | |
CN106549454A (zh) | 一种电压采样与电量均衡共线的电池管理***和管理方法 | |
CN110376530B (zh) | 电池内短路检测装置及方法 | |
CN114415054B (zh) | 一种新能源汽车电池采样异常故障识别方法 | |
CN109061537A (zh) | 基于观测器的电动车辆锂离子电池传感器故障诊断方法 | |
CN110068768A (zh) | 电池热失控检测方法及装置 | |
CN107271921A (zh) | 一种电流采集方法、装置、电池管理***及电动汽车 | |
CN105882649B (zh) | 一种混合动力汽车故障诊断方法 | |
CN107478455A (zh) | 一种适用于威布尔分布型产品的定时截尾可靠性试验方法 | |
CN105356535B (zh) | 一种基于功能安全的电池管理***总电压处理方法 | |
CN110441695A (zh) | 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 | |
CN209071553U (zh) | 电池包鼓包检测装置、电池管理***、车辆 | |
CN109765490A (zh) | 一种基于高维数据诊断的动力电池故障检测方法及*** | |
CN104850750B (zh) | 一种核电站反应堆保护***可靠性分析方法 | |
CN107478946A (zh) | 动力电池的单体电压采集线束的诊断方法、***及车辆 | |
CN112319308B (zh) | 一种动力电池多故障检测方法与*** | |
CN108521155A (zh) | 一种电动汽车充电预警方法及*** | |
CN106324462A (zh) | 一种绝缘检测方法、电路及新能源汽车 | |
CN115384311A (zh) | 诊断动力电池绝缘故障方法、***、车辆及存储介质 | |
CN104902509A (zh) | 基于top-k(σ)算法的异常数据检测方法 | |
CN114814593A (zh) | 基于闵氏距离和两步检测策略的电池组多故障诊断方法 | |
CN113900035B (zh) | 电池检测方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |