CN108474823A - 一种估算温度的方法及装置 - Google Patents
一种估算温度的方法及装置 Download PDFInfo
- Publication number
- CN108474823A CN108474823A CN201780005080.1A CN201780005080A CN108474823A CN 108474823 A CN108474823 A CN 108474823A CN 201780005080 A CN201780005080 A CN 201780005080A CN 108474823 A CN108474823 A CN 108474823A
- Authority
- CN
- China
- Prior art keywords
- temperature
- neural network
- network model
- test
- input
- 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
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]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
一种估算温度的方法及装置,涉及通信领域,解决了可充电式电子设备估算的电芯温度存在较大偏差的问题。具体方案为:采集N个位置中每个位置处测试组件的温度,获得测试温度集合(201),N为大于或等于2的整数,并从测试温度集合中确定有效温度集合,该有效温度集合中包含M个有效温度(202),M为大于或等于0,且小于或等于N的整数,当M大于0,且小于或等于N时,根据M个有效温度中每个有效温度对应在测试组件中的位置,从神经网络模型集合中确定目标神经网络模型(203),且根据M个有效温度和目标神经网络模型确定目标位置处待估算组件的温度(204)。该方法用于估算温度的过程。
Description
本申请要求2016年11月24日提交中国专利局、申请号为201611045628.9、发明名称为“一种估算电池电芯温度的方法和设备”的中国专利申请的优先权,其全部内容通过引用结合在本申请文件中。仅仅是为了简洁表述,其全部内容不在本申请文件中再原文重复一遍。
本申请涉及通信领域,尤其涉及一种估算温度的方法及装置。
可充电式电子设备(如,手机)包括电池和充电芯片等组件,其中,电池中包含电芯。可充电式电子设备在进行充电和放电时,其处理器可以在确定电芯温度达到门限值时,采取一定的保护措施,以降低电芯温度,从而实现对电芯的温度保护。例如,手机在充电时,手机的处理器可以在确定出电芯温度大于45℃(摄氏度)时,通过控制充电芯片来限制充电电流,以达到降低电芯温度的目的;手机在放电时,手机的处理器可以在确定出电芯温度大于60℃时,启动关机程序,以停止电池放电,从而达到降低电芯温度的目的。
由上可以看出,为了实现对电芯的温度保护,必须实时获得电芯温度。目前,电芯温度不能直接测量得到,只能通过估算的方法得出。具体的,可以在电池的保护板上放置一负温度系数(Negative Temperature Coefficient,NTC)热敏电阻。这样,可充电式电子设备可以根据检测得到的NTC热敏电阻的阻值确定出保护板的温度,并利用确定出的保护板的温度近似模拟电芯温度,即将保护板的温度确定为电芯温度。但是,保护板上通常配置有正温度系数(Positive Temperature Coefficient,PTC)热敏电阻和金属氧化物半导体(Metal Oxide Semiconductor,MOS)管,在充电电流或放电电流较小的情况下,PTC热敏电阻和MOS管基本不会发热,保护板的温度接近于电芯温度,此时利用保护板的温度近似模拟电芯温度是合理的。但在充电电流或放电电流较大的情况下,PTC热敏电阻和MOS管产生的热量较大,保护板的温度会远远高于电芯温度,在这种情况下,若仍利用保护板的温度近似模拟电芯温度,会导致估算的电芯温度不准确。
在现有技术中,可以通过粗略的补偿使得电芯温度的估算较为准确。例如,当充电电流为3安(A)时,实际测得保护板的温度比电芯温度高12℃。此时考虑到有测量误差等因素的存在,因此,可以假设当充电电流为3A时,补偿量为5℃,即需要留出7℃的安全余量。这样,可充电式电子设备在获得保护板的温度后,可以在确定充电电流为3A时,将获得的保护板的温度减去5℃,以得到电芯温度。
由于考虑到有测量误差等因素的存在,因此,现有技术的补偿算法在设置补偿量时,需要留出较大的安全余量,这样会导致可充电式电子设备估算的电芯温度仍
然存在较大偏差。
发明内容
本申请提供一种估算温度的方法及装置,解决了可充电式电子设备估算的电芯温度存在较大偏差的问题。
为达到上述目的,本申请采用如下技术方案:
本申请的第一方面,提供一种估算温度的方法,包括:
采集N个位置中每个位置处测试组件的温度,获得测试温度集合,N为大于或等于2的整数,测试温度集合中包含N个测试温度,并从测试温度集合中确定有效温度集合,该有效温度集合中包含M个有效温度,M为大于或等于0,且小于或等于N的整数,当M大于0,且小于或等于N时,根据M个有效温度中每个有效温度对应在测试组件中的位置,从神经网络模型集合中确定目标神经网络模型,且根据M个有效温度和目标神经网络模型确定目标位置处待估算组件的温度。其中,神经网络模型集合包括:单输入神经网络模型,二输入神经网络模型,…,i输入神经网络模型,…,N-1输入神经网络模型,N输入神经网络模型,i为大于或等于1,且小于或等于N的整数。i输入神经网络模型是采用神经网络算法得到的输入变量个数为i的模型,且该i输入神经网络模型包含的输入变量与N个位置中的任意i个位置一一对应,目标神经网络模型为M输入神经网络模型。
本申请提供的估算温度的方法,在采集到N个位置中每个位置处测试组件的温度,获得了测试温度集合后,可以从测试温度集合中确定包含有M个有效温度的有效温度集合,当M大于0,且小于或等于N时,根据M个有效温度中每个有效温度对应在测试组件中的位置,从神经网络模型集合中确定目标神经网络模型,并根据M个有效温度和目标神经网络模型确定目标位置处待估算组件的温度。这样,在采用该估算温度的方法对可充电式电子设备的电芯进行温度估计时,由于可充电式电子设备是根据测试组件的温度以及能够实时的反应测试组件的温度和电芯温度之间因果关系的神经网络模型估算电芯的温度的,因此与采用现有技术中的粗略补偿算法估算电芯的温度相比,采用本申请的估算温度的方法估算出的电芯的温度存在的偏差较小。另外,由于在测试组件的温度存在异常时,根据异常的测试组件的温度估算的电芯温度仍存在较大偏差,因此,通过仅根据有效的测试组件的温度,即有效温度进行电芯温度的估算,进一步提高了估算出的电芯温度的准确度。
结合第一方面,在一种可能的实现方式中,从测试温度集合中确定有效温度集合,具体的可以包括:针对测试温度集合中的每一个测试温度,判断测试温度是否大于第一预设阈值且小于第二预设阈值,并在确定测试温度大于第一预设阈值且小于第二预设阈值时,确定测试温度为有效温度,以确定有效温度集合。
结合第一方面和上述可能的实现方式,在另一种可能的实现方式中,根据M个有效温度中每个有效温度对应在测试组件中的位置,从神经网络模型集合中确定目标神经网络模型,具体的可以包括:根据M个有效温度中每个有效温度对应在测试组件中的位置和第一映射关系,确定输入变量集合,并根据输入变量集合和第二映射关系,确定目标神经网络模型。其中,输入变量集合中包含M个输入变量,第一映射关系包含有M个有效温度中每个有效温度对应在测试组件中的位置与输入变量
的对应关系,第二映射关系包含有输入变量集合与目标神经网络模型的对应关系。
结合第一方面和上述可能的实现方式,在另一种可能的实现方式中,本申请提供的估算温度的方法还可以包括:当M等于0时,显示提示信息;或者,当M等于0时,启动关机程序;或者,当M等于0时,显示提示信息,并启动关机程序。其中,提示信息用于提示用户无法进行温度估计。这样,用户便可以获知故障信息,以进行设备的维修,从而避免由于无法估计待估算组件的温度导致的待估算组件存在安全隐患的问题。
结合第一方面和上述可能的实现方式,在另一种可能的实现方式中,在根据M个有效温度中每个有效温度对应在测试组件中的位置,从神经网络模型集合中确定目标神经网络模型之前,还可以包括:确定神经网络模型集合。
结合第一方面和上述可能的实现方式,在另一种可能的实现方式中,确定神经网络模型集合,具体的可以包括:针对i输入神经网络模型,获取包括X组样本温度的样本温度集合,X为大于或等于1的整数,该样本温度中包括N个位置中任意i个位置中每个位置处测试组件的样本温度和目标位置处待估算组件的样本温度;并采用神经网络算法和样本温度集合确定i输入神经网络模型,以确定神经网络模型集合。
本申请的第二方面,提供一种估算温度的装置,估算温度的装置包括:测试组件、待估算组件和处理器。处理器,用于调用存储在存储器中的指令以实现:采集N个位置中每个位置处测试组件的温度,获得测试温度集合,N为大于或等于2的整数,测试温度集合中包含N个测试温度;从测试温度集合中确定有效温度集合,有效温度集合中包含M个有效温度,M为大于或等于0,且小于或等于N的整数;当M大于0,且小于或等于N时,根据M个有效温度中每个有效温度对应在测试组件中的位置,从神经网络模型集合中确定目标神经网络模型;根据M个有效温度和目标神经网络模型确定目标位置处待估算组件的温度。其中,神经网络模型集合包括:单输入神经网络模型,二输入神经网络模型,…,i输入神经网络模型,…,N-1输入神经网络模型,N输入神经网络模型,i为大于或等于1,且小于或等于N的整数,i输入神经网络模型是采用神经网络算法得到的输入变量个数为i的模型,i输入神经网络模型包含的输入变量与N个位置中任意i个位置一一对应,目标神经网络模型为M输入神经网络模型。
结合第二方面,在一种可能的实现方式中,处理器,具体用于:针对测试温度集合中每一个测试温度,判断测试温度是否大于第一预设阈值且小于第二预设阈值,在确定测试温度大于第一预设阈值且小于第二预设阈值时,确定测试温度为有效温度,以确定有效温度集合。
结合第二方面和上述可能的实现方式,在另一种可能的实现方式中,处理器,具体用于:根据M个有效温度中每个有效温度对应在测试组件中的位置和第一映射关系,确定输入变量集合,输入变量集合中包含M个输入变量,第一映射关系包含有M个有效温度中每个有效温度对应在测试组件中的位置与输入变量的对应关系;根据输入变量集合和第二映射关系,确定目标神经网络模型,第二映射关系包含有输入变量集合与目标神经网络模型的对应关系。
结合第二方面和上述可能的实现方式,在另一种可能的实现方式中,估算温度的装置还包括显示器,当M等于0时,显示器,用于显示提示信息,提示信息用于提示用户无法进行温度估计;或者,估算温度的装置还包括显示器,当M等于0时,显示器,用于显示提示信息,处理器,还用于启动关机程序;或者,当M等于0时,处理器,还用于启动关机程序。
结合第二方面和上述可能的实现方式,在另一种可能的实现方式中,处理器,还用于:确定神经网络模型集合。
结合第二方面和上述可能的实现方式,在另一种可能的实现方式中,处理器,具体用于:针对i输入神经网络模型,获取样本温度集合,样本温度集合中包括X组样本温度,X为大于或等于1的整数,样本温度中包括N个位置中任意i个位置中每个位置处测试组件的样本温度和目标位置处待估算组件的样本温度;采用神经网络算法和样本温度集合确定i输入神经网络模型,以确定神经网络模型集合。
结合第二方面和上述可能的实现方式,在另一种可能的实现方式中,测试组件可以为以下至少一种:电池的保护板、手机通用串行总线(Universal Serial Bus,USB)小板、手机主板,待估算组件可以为电池的电芯或手机外壳。
具体的实现方式可以参考第一方面或第一方面的可能的实现方式提供的估算温度的方法中估算温度的装置的行为功能。
本申请的第三方面,提供一种计算机存储介质,用于存储上述估算温度的装置所用的计算机软件指令,该计算机软件指令包含用于执行上述估算温度的方法所设计的程序。
图1为本申请提供的一种手机的组成示意图;
图2为本申请提供的一种估算温度的方法的流程图;
图3为本申请提供的另一种估算温度的方法的流程图;
图4为本申请提供的一种手机中NTC电阻的部署示意图;
图5为本申请提供的一种神经网络模型的示意图;
图6为本申请提供的另一种神经网络模型的示意图;
图7为本申请提供的一种估算温度的装置的组成示意图;
图8为本申请提供的另一种估算温度的装置的组成示意图;
图9为本申请提供的另一种估算温度的装置的组成示意图。
为了解决可充电式电子设备估算的电芯温度存在较大偏差的问题,本申请提供一种估算温度的方法,其基本原理是:采集N个位置中每个位置处测试组件的温度,获得测试温度集合,N为大于或等于2的整数,并从测试温度集合中确定包含有M个有效温度的有效温度集合,M为大于或等于0,且小于或等于N的整数,当M大于0,且小于或等于N时,根据M个有效温度中每个有效温度对应在测试组件中的位置,从神经网络模型集合中确定目标神经网络模型,并根据M个有效温度和目标神经网络模型确定目标位置处待估算组件的温度。其中,神经网络模型集合包括:
单输入神经网络模型,二输入神经网络模型,…,i输入神经网络模型,…,N-1输入神经网络模型,N输入神经网络模型,i为大于或等于1,且小于或等于N的整数,i输入神经网络模型是采用神经网络算法得到的输入变量个数为i的模型,且该i输入神经网络模型包含的输入变量与N个位置中任意i个位置相对应,目标神经网络模型为M输入神经网络模型。这样,在采用该估算温度的方法对可充电式电子设备的电芯进行温度估计时,由于可充电式电子设备是根据测试组件的温度以及能够实时的反应测试组件的温度和电芯温度之间因果关系的神经网络模型估算电芯的温度的,因此与采用现有技术中的粗略补偿算法估算电芯的温度相比,采用本申请的估算温度的方法估算出的电芯的温度存在的偏差较小。另外,由于在测试组件的温度存在异常时,根据异常的测试组件的温度估算的电芯温度仍存在较大偏差,因此,通过仅根据有效的测试组件的温度,即有效温度进行电芯温度的估算,进一步提高了估算出的电芯温度的准确度。
需要说明的是,本申请提供的估算温度的方法可以应用于包含有估算温度的装置的设备,该设备可以为可充电式电子设备,如,手机、平板电脑、笔记本电脑等。为了便于理解,本申请中以可充电式电子设备为手机为例进行说明。
下面将结合附图对手机和本申请的实施方式进行详细描述。
图1示出的是本申请提供的一种手机的组成示意图,如图1所示,手机可以包括电池10、手机USB小板11、触控屏12、处理器13、存储器14、射频(Radio Frequency,RF)电路15、重力传感器16、音频电路17、扬声器18、麦克风19等组件,这些组件之间可以以总线连接,也可以直连连接。本领域技术人员可以理解,图1中示出的手机结构并不构成对手机的限定,可以包括比图示更多的组件,或者组合某些组件,或者不同的组件布置。
其中,电池10,通过电源管理***与处理器13逻辑相连,从而通过电源管理***实现充电、放电、以及功耗管理等功能。电池10可以包括电芯和保护板。
手机USB小板11,是充电接口的主板。
触控屏12可称为触控显示面板,用于实现手机的输入和输出功能,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控屏12上或在触控屏12附近的操作),并根据预先设定的程式驱动相应的连接装置。还可用于显示由用户输入的信息或提供给用户的信息(如通过摄像头采集到的图像)以及手机的各种菜单。具体的,在本申请中,触控屏12可以包括显示模块121。显示模块121可以显示提示信息,该提示信息用于提示用户无法进行温度估计。
处理器13是手机的控制中心,利用各种接口和线路连接整个手机的各个部分,通过运行或执行存储在存储器14内的软件程序和/或模块,以及调用存储在存储器14内的数据,执行手机的各种功能和处理数据,从而对手机进行整体监控。在具体实现中,作为一种实施例,处理器13可包括一个或多个处理单元;处理器13可集成应用处理器和调制解调处理器。其中,应用处理器主要处理操作***、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器13中。具体的,在本申请中,处理器13可以采集N个位置中每个位置处测试组件的温度,并从测试温度集合中确定有效温度集合,且
根据M个有效温度中每个有效温度对应在测试组件中的位置,从神经网络模型集合中确定目标神经网络模型,根据M个有效温度和目标神经网络模型确定目标位置处待估算组件的温度。
存储器14可用于存储数据、软件程序以及模块,可以是易失性存储器(Volatile Memory),例如随机存取存储器(Random-Access Memory,RAM);或者非易失性存储器(Non-Volatile Memory),例如只读存储器(Read-Only Memory,ROM),快闪存储器(Flash Memory),硬盘(Hard Disk Drive,HDD)或固态硬盘(Solid-State Drive,SSD);或者上述种类的存储器的组合。具体的,存储器14内可存储程序代码,该程序代码用于使处理器13通过执行该程序代码,执行本申请提供的估算温度的方法。
RF电路15可用于收发信息或通话过程中,信号的接收和发送,特别地,将接收到的信息给处理器13处理;另外,将处理器13生成的信号发送出去。通常,RF电路15包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low Noise Amplifier,LNA)、双工器等。此外,RF电路15还可以通过无线通信与网络和其他设备通信。
重力传感器(Gravity Sensor)16,可以检测手机在各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等。需要说明的是,手机10还可以包括其它传感器,比如压力传感器、光传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
音频电路17、扬声器18、麦克风19可提供用户与手机之间的音频接口。音频电路17可将接收到的音频数据转换后的电信号,传输到扬声器18,由扬声器18转换为声音信号输出;另一方面,麦克风19将收集的声音信号转换为电信号,由音频电路17接收后转换为音频数据,再将音频数据输出至RF电路15以发送给比如另一手机,或者将音频数据输出至处理器13以便进一步处理。
在具体的实现中,可以将处理器13、存储器14、RF电路15、重力传感器16和音频电路17等组件部署在手机主板上。
尽管未示出,手机还可以包括无线保真(Wireless Fidelity,WiFi)模块、蓝牙模块、摄像头、手机外壳等组件,在此不再一一赘述。
需要说明的是,在本申请实施例中,手机中不能直接采集到温度的组件可以作为待估算组件,如,电芯和手机外壳,手机中能够直接采集到温度的组件可以作为测试组件,如,保护板、手机USB小板和手机主板等。其中,手机可以利用测试组件的温度来估算待估算组件的温度。在具体实现中,可以将保护板、手机USB小板和手机主板中的至少一种作为测试组件,来估算待估算组件的温度。例如,仅在手机USB小板上部署温度传感器,以用来估算手机外壳的温度;或者,仅在保护板上部署温度传感器,以用来估算电芯的温度;或者,在手机USB小板和手机主板上分别部署温度传感器,以用来估算电芯的温度;或者,在保护板和手机主板上分别部署温度传感器,以用来估算手机外壳的温度;或者,在保护板、手机USB小板和手
机主板上分别部署温度传感器,以用来估算电芯的温度等。本申请实施例在此对测试组件包括的具体组件的种类并不做具体限制。
图2为本申请提供的一种估算温度的方法的流程图,如图2所示,该方法可以包括:
201、采集N个位置中每个位置处测试组件的温度,获得测试温度集合。
其中,N为大于或等于2的整数,测试温度集合中包含N个测试温度。
示例性的,当可充电式电子设备需要估算待估算组件的温度时,可以预先在测试组件上的N个不同位置处分别部署一温度传感器,如NTC电阻,这样可充电式电子设备便可以通过读取每个位置处的温度传感器的参数,以获得每个位置处测试组件的温度,即获得测试温度。
需要说明的是,N个温度传感器可以部署在一个测试组件上,也可以部署在多个不同的测试组件上。
202、从测试温度集合中确定有效温度集合,该有效温度集合中包含M个有效温度。
其中,M为大于或等于0,且小于或等于N的整数。由于在温度传感器出现异常时,根据温度传感器的读数获得的测试温度也会出现异常,这样,若仍采用获得的测试温度估算待估算组件的温度,会导致估算的温度存在较大偏差,因此为了避免由于温度异常导致估算出的待估算组件的温度存在较大偏差的问题,在可充电式电子设备获得了测试温度集合后,可以从测试温度集合中确定有效温度集合,以去除异常的温度。有效温度为温度传感器正常时,可充电式电子设备采集到的温度。
203、当M大于0,且小于或等于N时,根据M个有效温度中每个有效温度对应在测试组件中的位置,从神经网络模型集合中确定目标神经网络模型。
其中,神经网络模型集合包括:单输入神经网络模型,二输入神经网络模型,…,i输入神经网络模型,…,N-1输入神经网络模型,N输入神经网络模型,i为大于或等于1,且小于或等于N的整数。i输入神经网络模型时采用神经网络算法得到的输入变量个数为i的模型,且该i输入神经网络模型包含的输入变量与N个位置中的任意i个位置一一对应。
可充电式电子设备在确定出有效温度集合包含的M个有效温度,且M不为0后,可以根据M个有效温度中每个有效温度对应在测试组件中的位置,从神经网络模型集合中确定M输入神经网络模型,即为目标神经网络模型,该目标神经网络模型中包含M个输入变量,且M个输入变量与M个位置一一对应。
204、根据M个有效温度和目标神经网络模型确定目标位置处待估算组件的温度。
本申请提供的估算温度的方法,在采集到N个位置中每个位置处测试组件的温度,获得了测试温度集合后,可以从测试温度集合中确定包含有M个有效温度的有效温度集合,当M大于0,且小于或等于N时,根据M个有效温度中每个有效温度对应在测试组件中的位置,从神经网络模型集合中确定目标神经网络模型,并根据M个有效温度和目标神经网络模型确定目标位置处待估算组件的温度。这样,在采用该估算温度的方法对可充电式电子设备的电芯进行温度估计时,由于可充电式电
子设备是根据测试组件的温度以及能够实时的反应测试组件的温度和电芯温度之间因果关系的神经网络模型估算电芯的温度的,因此与采用现有技术中的粗略补偿算法估算电芯的温度相比,采用本申请的估算温度的方法估算出的电芯的温度存在的偏差较小。另外,由于在测试组件的温度存在异常时,根据异常的测试组件的温度估算的电芯温度仍存在较大偏差,因此,通过仅根据有效的测试组件的温度,即有效温度进行电芯温度的估算,进一步提高了估算出的电芯温度的准确度。
图3为本申请提供的另一种估算温度的方法的流程图,如图3所示,该方法可以包括:
需要说明的是,在本申请实施例中以可充电式电子设备为手机,待估算组件为电芯,测试组件为保护板和手机USB小板,即以利用保护板的温度和手机USB小板的温度估算电芯的温度为例对估算温度的方法进行说明。假设温度传感器为NTC电阻,如图4所示,为手机中NTC电阻的部署示意图,其中一个NTC电阻部署在保护板的位置A处,另一个NTC电阻部署在手机USB小板的位置B处。其中,可以将位置A处的温度作为保护板的温度,可以将位置B处的温度作为手机USB小板的温度,且可以将目标位置C处的温度作为电芯的温度,即将利用位置A处的温度和位置B处的温度估算得到的目标位置C处的温度作为电芯的温度。
301、手机获取神经网络模型集合。
其中,由于电芯的厚度大于保护板的厚度,若在电芯上设置NTC电阻,则会使得电池外部有突出的部分,从而使得该突出部分会局部受力,电池安全存在风险,因此不能通过在电芯上设置NTC电阻来直接获得电芯的温度。众所周知的,手机保护板和手机USB小板上可以设置NTC电阻,因此,可以直接获得保护板的温度和手机USB小板的温度,且电芯的温度与保护板的温度和手机USB小板的温度具有因果关系,因此在需要获知电芯温度的场景中,可以利用保护板的温度和手机USB小板的温度估算电芯的温度。示例性的,当在保护板的位置A处部署NTC电阻,并在手机USB小板的位置B处部署NTC电阻时,手机可以利用位置A处的温度和位置B处的温度估算目标位置C(该目标位置C为电芯的某一位置)处的温度,以得到电芯的温度。
手机在估算电芯的温度之前,需要先获知电芯的温度与保护板的温度和手机USB小板的温度之间的因果关系。其中,在本申请实施例中,电芯的温度与保护板的温度和手机USB小板的温度之间的因果关系可以由神经网络模型来表示。该神经网络模型可以是预先存储在手机中的,也可以是手机由建模装置(该建模装置可以是计算机)处接收的。也就是说,当手机需要估算电芯的温度时,可以获取预存的神经网络模型,也可以接收建模装置发送的神经网络模型。其中,无论是预存的神经网络模型还是接收到的神经网络模型,均是由建模装置确定的。建模装置确定神经网络模型的过程为:建模装置采用神经网络算法和样本温度集合建立神经网络模型。该神经网络模型用于表示电芯的温度与保护板的温度和手机USB小板的温度之间的因果关系。
示例性的,在具体的实现中,由于设置在位置A处的NTC电阻和设置在B处的NTC电阻可能会出现异常,因此,为了在NTC电阻出现异常时,仍可以采用神经网
络模型确定电芯的温度,在本申请实施例中,建模装置需要确定神经网络模型集合,该神经网络模型集合中需包含:设置在位置A处的NTC电阻出现异常,即仅在设置在B处的NTC电阻正常时的神经网络模型,设置在位置B处的NTC电阻出现异常,即仅在设置在A处的NTC电阻正常时的神经网络模型,当然,神经网络模型集合中还需包含:在两个NTC电阻均未出现异常时的神经网络模型。即神经网络模型集合需包括:两个单输入神经网络模型和一个二输入神经网络模型。针对i(i=1,2)输入神经网络模型,建模装置可以先获取样本温度集合,该样本温度集合中包括X(X为大于或等于1的整数)组样本温度,每组样本温度中包括两个位置中任意i个位置中每个位置处测试组件的样本温度和目标位置C处电芯的样本温度,然后再采用神经网络算法和样本温度集合确定i输入神经网络模型,以确定神经网络模型集合。
示例性的,假设设置在位置B处的NTC电阻出现异常,设置在位置A处的NTC电阻正常时,单输入神经网络模型为:Y=a1X1+c1,a1为X1的权重,c1为偏置,输入变量X1与位置A相对应,如图5所示,为该模型的示意图。假设设置在位置A处的NTC电阻出现异常,设置在位置B处的NTC电阻正常时,单输入神经网络模型为:Y=a2X2+c2,a2为X2的权重,c2为偏置,输入变量X2与位置B相对应。假设设置在位置A处和位置B处的NTC电阻均未出现异常时,二输入神经网络模型为Y=a3X1+b3X2+c3,a3为X1的权重,b3为X2的权重,c3为偏置,输入变量X1与位置A相对应,输入变量X2与位置B相对应,如图6所示,为该模型的示意图。在具体的实现中,可以采用以下方式确定两个单输入神经网络模型和一个二输入神经网络模型。
在本申请实施例中,以确定单输入神经网络模型Y=a1X1+c1的过程为例,对单输入神经网络模型的确定过程进行说明。具体的,建模装置可以获取包含有X组样本温度的样本温度集合,每组样本温度中包括位置A处保护板的样本温度和目标位置C处电芯的温度。
示例性的,建模装置可以从预先存储的表1中获取包含有X组样本温度的样本温度集合,每组样本温度中包括处于同一时刻的位置A处保护板的样本温度和目标位置C处电芯的样本温度。
表1
其中,在本申请实施例中,表1可以是预先存储在建模装置中的。表1的获取
过程可以是:在某一时间段内,手机可以实时采集到位置A处保护板的温度和位置B处手机USB小板的温度,以便用户可以获得该时间段内,处于多个时刻的位置A处保护板的样本温度和位置B处手机USB小板的样本温度。并且在该时间段内,用户可以采用测温设备测量目标位置C处的温度,以获得该时间段内,处于多个时刻的目标位置C处电芯的样本温度。最后用户可以从获得的所有样本温度中选择出多组处于同一时刻的位置A处保护板的样本温度、位置B处手机USB小板的样本温度和目标位置C处电芯的样本温度,并以表1所示的形式存储在建模装置中。
在获得样本温度集合后,建模装置可以采用神经网络算法和样本温度集合建立单输入神经网络模型Y=a1X1+c1。
需要说明的是,神经网络算法可以包括线性回归法和梯形下降法等,本申请实施例在此对采用哪种神经网络算法不做限制。且在本申请实施例中,以采用线性回归法建立单输入神经网络模型为例进行说明。
示例性的,假设需要建立的神经网络模型为Y=a1X1+c1,其中,参数a1和c1的值未知,此时,可以采用线性回归法中包括的最小二乘法得到未知参数a1和c1的值。
假设X组样本温度为(Yi,X1i),i=1,2,3,…X,采用最小二乘法得到的样本回归模型为:
Yi=a1X1i+c1+ei,i=1,2,3,…X
其中,ei(i=1,2,3,…X)为残差。此时,可以用残差平方和来度量目标位置C处电芯的样本温度与Y=a1X1+c1的接近程度或偏差程度。残差平方和Q定义为:
由残差平方和定义出的公式可知,Q是关于a1和c1的二次函数,因此Q的最小值总是存在的,也就是说,存在直线Y=a1X1+c1,该直线与目标位置C处电芯的样本温度的残差平方和最小。根据微分求极值的方法,当Q取得最小值时,Q的偏导数应为0。Q的偏导数为0的公式为:
求解该方程式,可得a1和c1的值:
在得到a1和c1的值后,便可以确定出单输入神经网络模型Y=a1X1+c1。
需要说明的是,对于确定单输入神经网络模型Y=a2X2+c2的过程与确定单输入
神经网络模型Y=a1X1+c1的过程类似,具体描述可以参考确定单输入神经网络模型Y=a1X1+c1的描述,本申请实施例在此不再详细赘述。
二输入神经网络模型的确定过程为:假设需要确定的二输入神经网络模型为:Y=a3X1+b3X2+c3,建模装置可以从表1中获取X组样本温度,每组样本温度中包括处于同一时刻的位置A处保护板的样本温度、位置B处手机USB小板的温度和目标位置C处电芯的样本温度,并采用线性回归法中包括的最小二乘法得到未知参数a3、b3和c3的值。
假设X组样本温度为(Yi,X1i,X2i),i=1,2,3,…X,采用最小二乘法得到的样本回归模型为:
Yi=c3+a3X1i+b3X2i+ei,i=1,2,3,…X
残差平方和的公式为:
根据微分求极值的方法,Q的偏导数为0的公式为:
求解该方程式,可得a3、b3和c3的值:
其中,
在得到a3、b3和c3的值后,便可以确定出二输入神经网络模型Y=a3X1+b3X2+c3。
这样,建模装置确定出的神经网络模型集合中包括:Y=a1X1+c1,Y=a2X2+c2和Y=a3X1+b3X2+c3。
需要说明的是,在本申请实施例中,由于是将电芯某一位置处的温度作为电芯的温度的,且电芯上不同位置处的温度会存在差别,因此,为了在实际应用中实现对电芯的温度保护,需将电芯上温度最高的位置作为目标位置C,这样,可以避免将电芯上其他位置作为目标位置C时导致电池的安全存在风险的问题。具体的,如果将电芯上其他位置(电芯上除温度最高的位置外的其他位置)作为目标位置C,假设温度最高的位置处电芯的温度已高于门限值,但其他位置处电芯的温度未达到门限值,此时,手机是不会采取保护措施的,导致电池的安全存在风险。示例性的,在本申请实施例中,可以在手机获取神经网络模型集合之前,人工采用测温设备测量电芯上多个位置处的温度,以找到电芯上温度最高的位置并进行标记,该标记的温度最高的位置即为目标位置C。
进一步的,由于手机在进行充电和放电时,电芯的温度与保护板的温度和手机USB小板的温度之间的因果关系不同,因此需要在进行充电和放电时,分别采集样本温度集合,以分别建立充电状态下的神经网络模型集合和放电状态下的神经网络模型集合,并将充电状态下的神经网络模型集合和放电状态下的神经网络模型集合预先设置在手机中。
302、手机采集位置A处保护板的温度和位置B处手机USB小板的温度,获得测试温度集合。
其中,在手机获取到神经网络模型集合之后,当需要估算电芯的温度时,可以先读取设置在位置A和位置B处的NTC电阻的电压值,并根据电压值计算出电阻值,且根据计算出的电阻值计算出位置A处保护板的温度和位置B处手机USB小板的温度,获得测试温度集合。
303、手机从测试温度集合中确定有效温度集合,该有效温度集合中包含M个有效温度,M=0,1,2。
其中,有效温度指的是NTC电阻正常时,手机采集到的温度。在手机获得了测试温度集合后,可以判断测试温度集合中的每个测试温度(每个测试温度指的是位置A处保护板的温度和位置B处手机USB小板的温度)是否大于第一预设阈值且小于第二预设阈值。若测试温度大于第一预设阈值且小于第二预设阈值,则确定该测试温度为有效温度,若该测试温度小于或等于第一预设阈值,或者大于或等于第二预设阈值,则确定该测试温度不是有效温度。
需要说明的是,第一预设阈值和第二预设阈值可以预先设置在手机中,以便手机根据第一预设阈值和第二预设阈值判断测试温度集合中的每一个测试温度是否为有效温度。
示例性的,假设设置在位置A处的NTC电阻正常,设置在位置B处的NTC电阻异常,那么,手机可以确定出位置A处保护板的温度为有效温度,位置B处手机USB小板的温度不是有效温度。
在手机确定出M个有效温度之后,可以判断M是否为0,若M不为0,即M=1,2时,则手机可以执行以下步骤304,若M为0,也就是说,设置在位置A和位置B的NTC电阻均出现异常,导致手机不能估算出目标位置C处电芯的温度,则手机可以执行以下步骤305。
304、手机根据M个有效温度中每个有效温度对应在测试组件中的位置,从神经网络模型集合中确定目标神经网络模型。
其中,当M=1,2时,手机可以先根据M个有效温度中每个有效温度对应在测试组件中的位置和第一映射关系,确定输入变量集合,然后再根据输入变量集合和第二映射关系,从神经网络模型集合中确定目标神经网络模型。其中,第一映射关系包含有M个有效温度中每个有效温度对应在测试组件中的位置与输入变量的对应关系,第二映射关系包含有输入变量集合和目标神经网络模型的对应关系。
示例性的,第一映射关系和第二映射关系可以以表格的形式预先存储在手机中,如表2所示,为测试组件中的位置与输入变量的对应关系,如表3所示,为输入变量集合和神经网络模型的对应关系。
表2
位置 | 输入变量 |
A | X1 |
B | X2 |
表3
输入变量集合 | 神经网络模型 |
X1 | Y=a1X1+c1 |
X2 | Y=a2X2+c2 |
X1,X2 | Y=a3X1+b3X2+c3 |
进一步的,由于充电状态下和放电状态下的神经网络模型集合不同,因此,在手机从神经网络模型集合中确定目标神经网络模型之前,需要先通过查询充电芯片,来确定手机当前处于充电状态还是放电状态,以便从手机当前所处状态下的神经网络模型集合中确定目标神经网络模型。
例如,假设手机当前所处状态为充电状态,且假设手机确定出1个有效温度,该有效温度对应保护板的位置A,手机可以先根据该有效温度对应的是保护板的位置A,确定输入变量为X1,然后在确定手机处于充电状态后,选择充电状态下的神经网络模型集合,最后根据输入变量X1,从充电状态下的神经网络模型集合中确定出Y=a1X1+c1。
305、手机显示提示信息和/或启动关机程序。
其中,当M=0时,手机可以显示一提示信息,用于提示用户无法进行温度的估计,以便用户看到该提示信息后,获知手机出现故障,需要进行维修,以对电芯进行温度保护。或者,手机也可以先显示该提示信息,然后再启动关机程序。或者,手机还可以直接启动关机程序。
306、手机根据M个有效温度和目标神经网络模型确定目标位置C处电芯的温度。
其中,由于手机是根据M个有效温度和目标神经网络模型确定目标位置C处电池电芯的温度的,不仅可以避免由于预设位置处设置的NTC电阻异常导致的手机估算出的电芯的温度仍会存在较大偏差的问题,而且神经网络模型可以实时反映电芯的温度与保护板的温度和手机USB小板的温度的因果关系,因此与采用现有技术中
的补偿算法估算出的电芯的温度相比,采用本申请中估算出的电芯的温度存在的偏差较小。且经过实践得到,手机根据有效温度和神经网络模型估算出的电芯温度存在的偏差最大为3℃,大部分情况下的偏差在1℃以内。
示例性的,假设M为2,位置A处保护板的温度为20℃,位置B处手机USB小板的温度为12℃,且假设神经网络模型为Y=0.7X1+0.2X2+1.5,那么手机根据神经网络模型Y=0.7X1+0.2X2+1.5,可以确定出的目标位置C处电芯的温度为17.9℃。
307、手机根据手机当前所处状态判断目标位置C处电芯的温度是否大于门限值。
其中,由于手机在进行充电和放电时,均需要在确定电芯温度达到门限值时采取保护措施,以实现对电芯的温度保护。且在充电和放电时,用于判断是否需要采取保护措施的门限值不同,采取的保护措施也不同,因此,在手机估算出目标位置C处电芯的温度后,可以根据手机当前所处状态确定对应门限值,并判断目标位置C处电芯的温度是否大于对应门限值。若手机确定目标位置C处电芯的温度大于对应门限值,则可以执行步骤308。若手机确定目标位置C处电芯的温度小于对应门限值,则可以重新执行步骤302-步骤307,以便对电芯温度进行实时监控。
示例性的,当手机当前所处状态为充电状态时,手机可以判断目标位置C处电芯的温度是否大于充电状态下的门限值。当手机当前所处状态为放电状态时,手机可以判断目标位置C处电芯的温度是否大于放电状态下的门限值。
需要说明的是,充电状态和放电状态下的门限值可以预先设置在手机中。示例性的,假设充电状态下的门限值为45℃,放电状态下的门限值为65℃,那么,若当前手机处于充电状态,则可以判断目标位置C处电芯的温度是否大于45℃,若当前手机处于放电状态,则可以判断目标位置C处电芯的温度是否大于65℃。
308、手机采取相应的保护措施。
示例性的,当手机当前所处状态为充电状态时,手机可以限制电流,以降低电芯温度,实现对电芯的温度保护。当手机当前所处状态为放电状态时,手机可以启动关机程序,以停止电池放电,从而达到降低电芯温度的目的,实现对电芯的温度保护。
需要说明的是,目标位置C也可以指的是手机外壳的位置,此时,可以使用本申请提供的估算温度的方法估算手机外壳的温度。
本申请提供的估算温度的方法,在采集到N个位置中每个位置处测试组件的温度,获得了测试温度集合后,可以从测试温度集合中确定包含有M个有效温度的有效温度集合,当M大于0,且小于或等于N时,根据M个有效温度中每个有效温度对应在测试组件中的位置,从神经网络模型集合中确定目标神经网络模型,并根据M个有效温度和目标神经网络模型确定目标位置处待估算组件的温度。这样,在采用该估算温度的方法对可充电式电子设备的电芯进行温度估计时,由于可充电式电子设备是根据测试组件的温度以及能够实时的反应测试组件的温度和电芯温度之间因果关系的神经网络模型估算电芯的温度的,因此与采用现有技术中的粗略补偿算法估算电芯的温度相比,采用本申请的估算温度的方法估算出的电芯的温度存在的偏差较小。另外,由于在测试组件的温度存在异常时,根据异常的测试组件的温度
估算的电芯温度仍存在较大偏差,因此,通过仅根据有效的测试组件的温度,即有效温度进行电芯温度的估算,进一步提高了估算出的电芯温度的准确度。
并且,手机采用本申请的估算温度的方法估算出的电芯的温度存在的偏差较小,与采用现有技术中的补偿算法需留有较大安全余量估算电芯的温度相比,手机采用本申请的估算温度的方法估算出的电芯温度不容易达到门限值。且手机通过显示提示信息和/或启动关机程序,这样,用户便可以获知故障信息,以进行设备的维修,从而避免由于无法估计待估算组件的温度导致的待估算组件存在安全隐患的问题。
上述主要从估算温度的方法的角度对本申请提供的方案进行了介绍。可以理解的是,估算温度的装置为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的算法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请可以根据上述方法示例对估算温度的装置进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本申请中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
在采用对应各个功能划分各个功能模块的情况下,图7示出了上述和本申请中涉及的估算温度的装置的一种可能的组成示意图,如图7所示,该估算温度的装置可以包括:采集单元41和确定单元42。
其中,采集单元41,用于支持估算温度的装置执行图2所示的估算温度的方法中的步骤201,图3所示的估算温度的方法中的步骤302。
确定单元42,用于支持估算温度的装置执行图2所示的估算温度的方法中的步骤202、步骤203、步骤204,图3所示的估算温度的方法中的步骤303、步骤304、步骤306。
在本申请中,进一步的,如图8所示,估算温度的装置还可以包括:显示单元43、启动单元44和获取单元45。
显示单元43,用于支持估算温度的装置执行图3所示的估算温度的方法中的步骤305所述的显示提示信息。
启动单元44,用于支持估算温度的装置执行图3所示的估算温度的方法中的步骤305所述的启动关机程序。
获取单元45,用于支持估算温度的装置执行图3所示的估算温度的方法中的步骤301。
需要说明的是,上述方法实施例涉及的各步骤的所有相关内容均可以援引到对应功能模块的功能描述,在此不再赘述。
本申请提供的估算温度的装置,用于执行上述估算温度的方法,因此可以达到与上述估算温度的方法相同的效果。
在采用集成的单元的情况下,图9示出了上述实施例中所涉及的估算温度的装置的另一种可能的组成示意图。如图9所示,该估算温度的装置包括:处理模块51和通信模块52。
处理模块51用于对估算温度的装置的动作进行控制管理,例如,处理模块51用于支持估算温度的装置执行图2中的步骤201、步骤202、步骤203和步骤204,图3中的步骤301、步骤302、步骤303、步骤304、步骤305、步骤306、步骤307、步骤308,和/或用于本文所描述的技术的其它过程。通信模块52用于支持估算温度的装置与其他网络实体的通信。估算温度的装置还可以包括存储模块53,用于存储估算温度的装置的程序代码和数据。
其中,处理模块51可以是处理器或控制器。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,微处理器(Digital Signal Processor,DSP)和微处理器的组合等等。通信模块52可以是收发器、收发电路或通信接口等。存储模块53可以是存储器。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个装置,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是一个物理单元或多个物理单元,即可以位于一个地方,或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何在本申请揭露的技术范围内的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (13)
- 一种估算温度的方法,其特征在于,包括:采集N个位置中每个位置处测试组件的温度,获得测试温度集合,N为大于或等于2的整数,所述测试温度集合中包含N个测试温度;从所述测试温度集合中确定有效温度集合,所述有效温度集合中包含M个有效温度,M为大于或等于0,且小于或等于N的整数;当M大于0,且小于或等于N时,根据所述M个有效温度中每个有效温度对应在所述测试组件中的位置,从神经网络模型集合中确定目标神经网络模型;根据所述M个有效温度和所述目标神经网络模型确定目标位置处待估算组件的温度;其中,所述神经网络模型集合包括:单输入神经网络模型,二输入神经网络模型,…,i输入神经网络模型,…,N-1输入神经网络模型,N输入神经网络模型,i为大于或等于1,且小于或等于N的整数,所述i输入神经网络模型是采用神经网络算法得到的输入变量个数为i的模型,所述i输入神经网络模型包含的输入变量与所述N个位置中任意i个位置一一对应,所述目标神经网络模型为M输入神经网络模型。
- 根据权利要求1所述的方法,其特征在于,所述从所述测试温度集合中确定有效温度集合,包括:针对所述测试温度集合中每一个测试温度,判断所述测试温度是否大于第一预设阈值且小于第二预设阈值,在确定所述测试温度大于所述第一预设阈值且小于所述第二预设阈值时,确定所述测试温度为所述有效温度,以确定所述有效温度集合。
- 根据权利要求1或2所述的方法,其特征在于,所述根据所述M个有效温度中每个有效温度对应在所述测试组件中的位置,从神经网络模型集合中确定目标神经网络模型,包括:根据所述M个有效温度中每个有效温度对应在所述测试组件中的位置和第一映射关系,确定输入变量集合,所述输入变量集合中包含M个输入变量,所述第一映射关系包含有所述M个有效温度中每个有效温度对应在所述测试组件中的位置与输入变量的对应关系;根据所述输入变量集合和第二映射关系,确定所述目标神经网络模型,所述第二映射关系包含有所述输入变量集合与所述目标神经网络模型的对应关系。
- 根据权利要求1-3中任一项所述的方法,其特征在于,所述方法还包括:当M等于0时,显示提示信息和/或启动关机程序,所述提示信息用于提示用户无法进行温度估计。
- 根据权利要求1-4中任一项所述的方法,其特征在于,在所述根据所述M个有效温度中每个有效温度对应在所述测试组件中的位置,从神经网络模型集合中确定目标神经网络模型之前,还包括:确定所述神经网络模型集合。
- 根据权利要求5所述的方法,其特征在于,所述确定所述神经网络模型集合,包括:针对所述i输入神经网络模型,获取样本温度集合,所述样本温度集合中包括X 组样本温度,X为大于或等于1的整数,所述样本温度中包括所述N个位置中任意i个位置中每个位置处所述测试组件的样本温度和所述目标位置处所述待估算组件的样本温度;采用所述神经网络算法和所述样本温度集合确定所述i输入神经网络模型,以确定所述神经网络模型集合。
- 一种估算温度的装置,其特征在于,所述估算温度的装置包括:测试组件、待估算组件和处理器;所述处理器,用于:采集N个位置中每个位置处所述测试组件的温度,获得测试温度集合,N为大于或等于2的整数,所述测试温度集合中包含N个测试温度;从所述测试温度集合中确定有效温度集合,所述有效温度集合中包含M个有效温度,M为大于或等于0,且小于或等于N的整数;当M大于0,且小于或等于N时,根据所述M个有效温度中每个有效温度对应在所述测试组件中的位置,从神经网络模型集合中确定目标神经网络模型;根据所述M个有效温度和所述目标神经网络模型确定目标位置处所述待估算组件的温度;其中,所述神经网络模型集合包括:单输入神经网络模型,二输入神经网络模型,…,i输入神经网络模型,…,N-1输入神经网络模型,N输入神经网络模型,i为大于或等于1,且小于或等于N的整数,所述i输入神经网络模型是采用神经网络算法得到的输入变量个数为i的模型,所述i输入神经网络模型包含的输入变量与所述N个位置中任意i个位置一一对应,所述目标神经网络模型为M输入神经网络模型。
- 根据权利要求7所述的装置,其特征在于,所述处理器,具体用于:针对所述测试温度集合中每一个测试温度,判断所述测试温度是否大于第一预设阈值且小于第二预设阈值,在确定所述测试温度大于所述第一预设阈值且小于所述第二预设阈值时,确定所述测试温度为所述有效温度,以确定所述有效温度集合。
- 根据权利要求7或8所述的装置,其特征在于,所述处理器,具体用于:根据所述M个有效温度中每个有效温度对应在所述测试组件中的位置和第一映射关系,确定输入变量集合,所述输入变量集合中包含M个输入变量,所述第一映射关系包含有所述M个有效温度中每个有效温度对应在所述测试组件中的位置与输入变量的对应关系;根据所述输入变量集合和第二映射关系,确定所述目标神经网络模型,所述第二映射关系包含有所述输入变量集合与所述目标神经网络模型的对应关系。
- 根据权利要求7-9中任一项所述的装置,其特征在于,所述估算温度的装置还包括显示器,当M等于0时,所述显示器,用于显示提示信息,所述提示信息用于提示用户无法进行温度估计;或者,所述估算温度的装置还包括显示器,当M等于0时,所述显示器,用于显示所述提示信息,所述处理器,还用于启动关机程序;或者,当M等于0时,所述处理器,还用于启动所述关机程序。
- 根据权利要求7-10中任一项所述的装置,其特征在于,所述处理器,还用于:确定所述神经网络模型集合。
- 根据权利要求11所述的装置,其特征在于,所述处理器,具体用于:针对所述i输入神经网络模型,获取样本温度集合,所述样本温度集合中包括X组样本温度,X为大于或等于1的整数,所述样本温度中包括所述N个位置中任意i个位置中每个位置处所述测试组件的样本温度和所述目标位置处所述待估算组件的样本温度;采用所述神经网络算法和所述样本温度集合确定所述i输入神经网络模型,以确定所述神经网络模型集合。
- 根据权利要求7-12中任一项所述的装置,其特征在于,所述测试组件为以下至少一种:电池的保护板、手机通用串行总线USB小板、手机主板;所述待估算组件为所述电池的电芯或手机外壳。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2016110456289 | 2016-11-24 | ||
CN201611045628 | 2016-11-24 | ||
PCT/CN2017/078197 WO2018094929A1 (zh) | 2016-11-24 | 2017-03-24 | 一种估算温度的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108474823A true CN108474823A (zh) | 2018-08-31 |
CN108474823B CN108474823B (zh) | 2022-02-25 |
Family
ID=62195764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780005080.1A Active CN108474823B (zh) | 2016-11-24 | 2017-03-24 | 一种估算温度的方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN108474823B (zh) |
WO (1) | WO2018094929A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110955580A (zh) * | 2019-12-09 | 2020-04-03 | Oppo广东移动通信有限公司 | 壳体温度的获取方法、装置、存储介质和电子设备 |
CN111823952A (zh) * | 2020-04-17 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 电芯温度的诊断方法、存储介质和电子设备 |
CN113422412A (zh) * | 2021-07-01 | 2021-09-21 | 广州飞傲电子科技有限公司 | 温度保护方法、装置、终端设备和可读存储介质 |
CN114520389A (zh) * | 2022-02-23 | 2022-05-20 | 阳光电源股份有限公司 | 储能装置内部温度的确定方法及装置 |
CN117613326A (zh) * | 2024-01-23 | 2024-02-27 | 新研氢能源科技有限公司 | 一种基于区域温度的燃料电池控制方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113484770B (zh) * | 2021-06-10 | 2022-04-01 | 广东恒翼能科技有限公司 | 基于充放电数据在线测算电池内部核心温度的方法及*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004301595A (ja) * | 2003-03-31 | 2004-10-28 | Furukawa Battery Co Ltd:The | 蓄電池の内部インピーダンス測定方法 |
US20080082289A1 (en) * | 2004-10-06 | 2008-04-03 | Renault S.A.S. | Method and System for Estimating Exhaust Gas Temperature and Internal Combustion Engine Equipped with Such a System |
CN201307765Y (zh) * | 2008-08-30 | 2009-09-09 | 深圳华为通信技术有限公司 | 一种电池保护装置及终端设备 |
CN102646332A (zh) * | 2011-02-21 | 2012-08-22 | 日电(中国)有限公司 | 基于数据融合的交通状态估计装置和方法 |
CN103891039A (zh) * | 2011-09-15 | 2014-06-25 | 雷诺股份公司 | 用于估算电池单元芯部处温度的方法 |
CN204558611U (zh) * | 2015-03-17 | 2015-08-12 | 北汽福田汽车股份有限公司 | 一种用于电池内部温度测试的电池装置 |
CN104864984A (zh) * | 2015-05-21 | 2015-08-26 | 青岛大学 | 基于神经网络的微小反应器温度测量方法 |
CN104865534A (zh) * | 2015-04-29 | 2015-08-26 | 同济大学 | 一种单体电池内部温度估计方法 |
CN204791125U (zh) * | 2015-07-21 | 2015-11-18 | 桂林电子科技大学 | 电动汽车动力电池温度预测及散热装置 |
CN105468054A (zh) * | 2015-12-10 | 2016-04-06 | 长江大学 | 刹车温度监控装置及智能控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103967963B (zh) * | 2014-05-21 | 2016-08-17 | 合肥工业大学 | 基于神经网络预测的dct湿式离合器温度的测量方法 |
-
2017
- 2017-03-24 WO PCT/CN2017/078197 patent/WO2018094929A1/zh active Application Filing
- 2017-03-24 CN CN201780005080.1A patent/CN108474823B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004301595A (ja) * | 2003-03-31 | 2004-10-28 | Furukawa Battery Co Ltd:The | 蓄電池の内部インピーダンス測定方法 |
US20080082289A1 (en) * | 2004-10-06 | 2008-04-03 | Renault S.A.S. | Method and System for Estimating Exhaust Gas Temperature and Internal Combustion Engine Equipped with Such a System |
CN201307765Y (zh) * | 2008-08-30 | 2009-09-09 | 深圳华为通信技术有限公司 | 一种电池保护装置及终端设备 |
CN102646332A (zh) * | 2011-02-21 | 2012-08-22 | 日电(中国)有限公司 | 基于数据融合的交通状态估计装置和方法 |
CN103891039A (zh) * | 2011-09-15 | 2014-06-25 | 雷诺股份公司 | 用于估算电池单元芯部处温度的方法 |
CN204558611U (zh) * | 2015-03-17 | 2015-08-12 | 北汽福田汽车股份有限公司 | 一种用于电池内部温度测试的电池装置 |
CN104865534A (zh) * | 2015-04-29 | 2015-08-26 | 同济大学 | 一种单体电池内部温度估计方法 |
CN104864984A (zh) * | 2015-05-21 | 2015-08-26 | 青岛大学 | 基于神经网络的微小反应器温度测量方法 |
CN204791125U (zh) * | 2015-07-21 | 2015-11-18 | 桂林电子科技大学 | 电动汽车动力电池温度预测及散热装置 |
CN105468054A (zh) * | 2015-12-10 | 2016-04-06 | 长江大学 | 刹车温度监控装置及智能控制方法 |
Non-Patent Citations (1)
Title |
---|
刘光明 等: "锂离子电池内部温度场的传递函数在线估计", 《汽车安全与节能学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110955580A (zh) * | 2019-12-09 | 2020-04-03 | Oppo广东移动通信有限公司 | 壳体温度的获取方法、装置、存储介质和电子设备 |
CN110955580B (zh) * | 2019-12-09 | 2023-10-03 | Oppo广东移动通信有限公司 | 壳体温度的获取方法、装置、存储介质和电子设备 |
CN111823952A (zh) * | 2020-04-17 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 电芯温度的诊断方法、存储介质和电子设备 |
CN111823952B (zh) * | 2020-04-17 | 2022-07-05 | 北京嘀嘀无限科技发展有限公司 | 电芯温度的诊断方法、存储介质和电子设备 |
CN113422412A (zh) * | 2021-07-01 | 2021-09-21 | 广州飞傲电子科技有限公司 | 温度保护方法、装置、终端设备和可读存储介质 |
CN114520389A (zh) * | 2022-02-23 | 2022-05-20 | 阳光电源股份有限公司 | 储能装置内部温度的确定方法及装置 |
CN117613326A (zh) * | 2024-01-23 | 2024-02-27 | 新研氢能源科技有限公司 | 一种基于区域温度的燃料电池控制方法 |
CN117613326B (zh) * | 2024-01-23 | 2024-04-05 | 新研氢能源科技有限公司 | 一种基于区域温度的燃料电池控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108474823B (zh) | 2022-02-25 |
WO2018094929A1 (zh) | 2018-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108474823B (zh) | 一种估算温度的方法及装置 | |
CN108475935B (zh) | 一种电池充电管理方法和终端 | |
EP2801804B1 (en) | Self-calibrating temperature sensor within a mobile terminal device | |
CN106412249B (zh) | 跌落信息的检测方法及装置 | |
CN108028538A (zh) | 自适应电池充电 | |
CN105633498A (zh) | 电池温度检测方法及装置 | |
EP2910938B1 (en) | Portable electronic device | |
CN108988421B (zh) | 一种电池的充电方法、充电电路以及终端 | |
CN105549701B (zh) | 用于移动终端的温度补偿方法、装置和移动终端 | |
CN107608863B (zh) | 一种电量显示的校准方法及移动终端 | |
CN112292604B (zh) | 电池电压的补偿方法、装置和终端设备 | |
CN109378878B (zh) | 充电电路、充电处理方法、电子设备及存储介质 | |
JP6115219B2 (ja) | 通信端末装置、電池残量提示方法、およびプログラム | |
CN110861533B (zh) | 电动汽车soh估算方法、装置和存储介质 | |
KR102023822B1 (ko) | 전력 관리 방법, 장치 및 전자 기기 | |
JP2015118099A (ja) | 移動機器の周辺温度を求める方法 | |
CN107450029A (zh) | 电池状态校验方法和装置、计算机设备、计算机可读存储介质 | |
CN108139899B (zh) | 终端设备和控制充电的方法 | |
CN107221984B (zh) | 终端设备及其充电时的温升控制方法、装置及存储介质 | |
EP4099037B1 (en) | Prediction method and apparatus of battery health, and storage medium | |
WO2022047767A1 (zh) | 一种电池电量的检测方法、装置及便携式电子设备 | |
CN109860743B (zh) | 一种充电方法及终端设备 | |
WO2023225871A1 (zh) | 电池温度检测电路、方法、电池保护板、电池及移动终端 | |
CN109642827B (zh) | 温度推算***、温度推算方法及记录有温度推算程序的记录媒体 | |
CN114720932A (zh) | 一种电池管理***信号采样精度测试方法、装置、上位机及存储介质 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210421 Address after: Unit 3401, unit a, building 6, Shenye Zhongcheng, No. 8089, Hongli West Road, Donghai community, Xiangmihu street, Futian District, Shenzhen, Guangdong 518040 Applicant after: Honor Device Co.,Ltd. Address before: 518129 Bantian HUAWEI headquarters office building, Longgang District, Guangdong, Shenzhen Applicant before: HUAWEI TECHNOLOGIES Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |