CN111025153A - 一种电动汽车电池故障诊断方法和装置 - Google Patents
一种电动汽车电池故障诊断方法和装置 Download PDFInfo
- Publication number
- CN111025153A CN111025153A CN201811173222.8A CN201811173222A CN111025153A CN 111025153 A CN111025153 A CN 111025153A CN 201811173222 A CN201811173222 A CN 201811173222A CN 111025153 A CN111025153 A CN 111025153A
- Authority
- CN
- China
- Prior art keywords
- battery
- fault
- classifier
- diagnosed
- fault type
- 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
Images
Landscapes
- Secondary Cells (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本申请实施例公开了一种电动汽车电池故障诊断方法,预先获取历史电池特征数据,并针对一个故障类型从所获取的历史电池特征数据选取正样本和负样本,进而根据机器学习算法,基于该故障类型的正样本和负样本,训练该故障类型对应的弱分类器,并基于该弱分类器构建电池故障分类器;在利用上述电池故障分类器诊断电池故障时,获取待诊断电池的电池特征数据,将该电池特征数据输入至电池故障分类器,该电池故障分类器至少包括一个分类器,并且一个分类器对应于一种故障类型,电池故障分类器可以自动根据电池特征数据确定待诊断电池所属的故障类型,无需工程师人工确定待诊断电池的故障类型,大大减少了工程师对电动汽车进行电池故障诊断时的工作量。
Description
技术领域
本申请涉及电池故障诊断领域,特别是涉及一种电动汽车电池故障诊断方法和装置。
背景技术
电动汽车电池是电动汽车上的动力来源,电动汽车的起动、行驶均需要依赖电池提供的电能,一旦电动汽车电池发生故障,将对电动汽车的工作产生很大的影响。因此,及时准确地对电动汽车电池进行故障诊断十分重要。
现有技术中,电动汽车电池发生故障时,通常需要工程师读取电池监测装置(Battery Monitoring Unit,BMU)发出的故障码,结合非易失存储器(Non-volatileMemory,NVM)中存储的电池电压、温度等数据,对当前电池的故障情况进行分析,得到电池故障诊断结果。
采用上述现有技术对电动汽车电池进行故障检测时,往往需要工程师具有丰富的诊断经验,并且具有较强的数据分析能力和故障判断能力,才能够得到准确的故障诊断结果,对于工作经验不太丰富的工程师来说,诊断得到的故障诊断结果很可能准确度不高。
发明内容
为了解决上述技术问题,本申请提供了一种电动汽车电池故障诊断方法,能够自动对待诊断电池进行电池故障诊断,为工程师进行故障分析和处理提供一定的参考信息,减少工程师进行电池故障诊断时需要耗费的工作量。
本申请实施例公开了如下技术方案:
第一方面,本申请实施例提供了一种电动汽车电池故障诊断方法,所述方法包括:
获取历史电池特征数据;
对于一个故障类型,从所述历史电池特征数据中选取属于所述故障类型的电池特征数据作为正样本,从所述历史电池特征数据中选取不属于所述故障类型的电池特征数据作为负样本;
根据机器学习算法,训练所述故障类型的正样本和负样本得到对应于所述故障类型的弱分类器;
根据所述弱分类器构建电池故障分类器;
获取待诊断电池的电池特征数据;
将所述待诊断电池的电池特征数据输入所述电池故障分类器,所述电池故障分类器至少包括一个分类器,一个所述分类器对应于一种故障类型;
根据所述电池故障分类器输出的诊断数据,确定所述待诊断电池所属的故障类型。
可选的,所述根据所述弱分类器构建电池故障分类器,包括:
对应于一个故障类型训练一个所述弱分类器,所述弱分类器为所述电池故障分类器。
可选的,所述根据所述电池故障分类器输出的诊断数据,确定所述待诊断电池所属的故障类型包括:
若所述电池输出的诊断数据大于第一预设阈值,则所述待诊断电池属于所述电池故障分类器对应的故障类型;
若所述电池故障分类器输出的诊断数据小于所述第一预设阈值,则所述待诊断电池不属于所述电池故障分类器对应的故障类型。
可选的,所述根据所述弱分类器构建电池故障分类器,包括:
对应于一个故障类型训练至少两个所述弱分类器,根据所述至少两个弱分类器构建对应于所述故障类型的强分类器,所述强分类器为所述电池故障分类器。
可选的,所述根据所述电池故障分类器输出的诊断数据,确定所述待诊断电池所属的故障类型包括:
若所述电池故障分类器输出的诊断数据大于第二预设阈值,则所述待诊断电池属于所述电池故障分类器对应的故障类型;
若所述电池故障分类器输出的诊断数据小于所述第二预设阈值,则所述待诊断电池不属于所述电池故障分类器对应的故障类型。
可选的,所述根据所述弱分类器构建电池故障分类器,包括:
对应于一个故障类型训练至少两个所述弱分类器,根据所述至少两个弱分类器构建对应于所述故障类型的强分类器;
并行运行所述对应于各个故障类型的强分类器,所述并行运行的各个故障类型对应的强分类器构成所述电池故障分类器。
可选的,所述根据所述电池故障分类器输出的诊断数据,确定所述待诊断电池所属的故障类型包括:
若所述电池故障分类器中所述强分类器输出的诊断数据大于第三预设阈值,则所述待诊断电池属于所述强分类器对应的故障类型;
若所述电池故障分类器中所述强分类器输出的诊断数据小于所述第三预设阈值,则所述待诊断电池不属于所述强分类器对应的故障类型。
第二方面,本申请实施例提供了一种电动汽车电池故障诊断装置,所装置包括:
历史数据获取模块,用于获取历史电池特征数据;
样本选取模块,用于对于一个故障类型,从所述历史电池特征数据中选取属于所述故障类型的电池特征数据作为正样本,从所述历史电池特征数据中选取不属于所述故障类型的电池特征数据作为负样本;
训练模块,用于根据机器学习算法,训练所述故障类型的正样本和负样本得到对应于所述故障类型的弱分类器;
构建模块,用于根据所述弱分类器构建电池故障分类器;
获取模块,用于获取待诊断电池的电池特征数据;
输入模块,用于将所述待诊断电池的电池特征数据输入预训练的电池故障分类器,所述电池故障分类器至少包括一个分类器,一个所述分类器对应于一种故障类型;
确定模块,用于根据所述电池故障分类器输出的诊断数据,确定所述待诊断电池所属的故障类型。
由上述技术方案可以看出,本申请提供的电动汽车电池故障诊断方法,预先获取历史电池特征数据,并针对一个故障类型从所获取的历史电池特征数据选取正样本和负样本,进而根据机器学习算法,基于该故障类型的正样本和负样本,训练该故障类型对应的弱分类器,并基于该弱分类器构建电池故障分类器;在利用上述电池故障分类器诊断电池故障时,获取待诊断电池的电池特征数据,将该电池特征数据输入至该电池故障分类器,该电池故障分类器至少包括一个分类器,并且一个分类器对应于一种故障类型,电池故障分类器可以自动根据电池特征数据确定待诊断电池所属的故障类型,无需工程师通过人工分析BMU发出的故障码和NVM中存储的电池温度、电压等电池数据来确定待诊断电池的故障类型,由此大大减少了工程师对电动汽车进行电池故障诊断时的工作量。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述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申请的一些实施例,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为本申请实施例提供的电动汽车电池故障诊断方法的流程示意图;
图2为本申请实施例提供的电池故障分类器的训练方法的流程示意图;
图3为本申请实施例提供的利用弱分类器构建强分类器的示意图;
图4为本申请实施例提供的利用强分类器确定待诊断电池的故障类型的示意图;
图5为本申请实施例提供的电动汽车电池故障诊断装置的结构示意图。
具体实施方式
下面结合附图,对本申请实施例进行描述。
本申请提供了一种电动汽车电池故障诊断方法,能够自动根据待诊断电池的电池特征数据,确定待诊断电池所属的故障类型,无需通过工程师人工分析待诊断电池BMU发出的故障码和NVM中存储的电池电压、温度等电池数据,来确定待诊断电池的故障诊断结果,大大减少了工程师的工作量。
下面对本申请提供的电动汽车电池故障诊断方法的核心技术思路进行介绍:
本申请提供的电动汽车电池故障诊断方法,预先获取历史电池特征数据,并针对一个故障类型从所获取的历史电池特征数据选取正样本和负样本,进而根据机器学习算法和该故障类型的正样本、负样本,训练该故障类型对应的弱分类器,并基于该弱分类器构建电池故障分类器;在利用上述电池故障分类器诊断电池故障时,获取待诊断电池的电池特征数据,将该电池特征数据输入至该电池故障分类器,该电池故障分类器至少包括一个分类器,并且一个分类器对应于一种故障类型,电池故障分类器根据输入的电池特征数据相应地输出诊断数据,根据该诊断数据即可确定待诊断电池所属的故障类型。
上述电动汽车电池故障诊断方法,获取到待诊断电池的电池特征数据,并将该电池特征数据输入至预训练的电池故障分类器后,电池故障分类器可以自动根据电池特征数据确定待诊断电池所属的故障类型,无需工程师通过人工分析BMU发出的故障码和NVM中存储的电池温度、电压等电池数据来确定待诊断电池的故障类型,由此大大减少了工程师对电动汽车进行电池故障诊断时的工作量。
下面通过实施例对本申请提供的电动汽车电池故障诊断方法进行介绍:
参见图1,图1为本申请实施例提供的电动汽车电池故障诊断方法的流程示意图,如图1所示,该电动汽车电池故障诊断方法包括:
步骤101:获取待诊断电池的电池特征数据。
在一些情况下,使用者发现电动汽车工作异常,且认为导致该电动汽车工作异常的原因在于电动汽车电池出现故障,相应地,可以将该电动汽车电池作为待诊断电池,获取该待诊断电池的电池特征数据。
此外,在一些情况下,工程师需要对出厂的电动汽车电池进行出厂检测,检测出厂的电动汽车电池是否存在故障,相应地,也可以将需要检测的电动汽车电池作为待诊断电池,获取该待诊断电池的电池特征数据。
需要说明的是,待诊断电池的电池特征数据具体可以包括:待诊断电池的BMU状态数据,以及待诊断电池NVM中存储的电压数据、电流数据和温度数据等数据,当然,待诊断电池的电池特征数据还可以包括其他数据,在此不对电池特征数据中具体包括的数据类型做任何限定。
步骤102:将所述待诊断电池的电池特征数据输入预训练的电池故障分类器,所述电池故障分类器至少包括一个分类器,一个所述分类器对应于一种故障类型。
获取到待诊断电池的电池特征数据后,将该电池特征数据输入至预训练的电池故障分类器中,该电池故障分类器根据输入的电池特征数据,确定待诊断电池所属的故障类型。
需要说明的是,上述电池故障分类器中至少包括一个分类器,并且一个分类器对应于一种故障类型。
可以理解的是,若电池故障分类器中仅包括一个分类器,那么,根据待诊断电池的电池特征数据,该电池故障分类器可以确定该待诊断电池是否属于电池故障分类器中包括的分类器对应的故障类型;若电池故障分类器中包括多个分类器,且多个分类器分别对应不同的故障类型,即该电池故障分类器可以诊断其中包括的多个分类器对应的故障类型,那么,根据待诊断电池的电池特征数据,该电池故障分类器可以确定该待诊断电池是否属于电池故障分类器所能够诊断的故障类型,若待诊断电池属于该电池故障分类器所能诊断的故障类型,还可以进一步根据待诊断电池的电池特征数据,确定该待诊断电池具体属于其中的哪种故障类型。
步骤103:根据所述电池故障分类器输出的诊断数据,确定所述待诊断电池所属的故障类型。
将待诊断电池的电池特征数据输入至电池故障分类器后,电池故障分类器根据该待诊断电池的电池特征数据,相应地针对该待诊断电池的电池特征数据输出对应的诊断数据,根据该诊断数据即可确定待诊断电池所属的故障类型。
可以理解的是,若电池故障分类器中仅包括一个分类器,那么根据电池故障分类器输出的诊断数据,可以判断待诊断电池是否属于该电池故障分类器中所包括的分类器对应的故障类型;若电池故障分类器中包括多个分类器,那么根据电池故障分类器输出的诊断数据,可以判断该待诊断电池是否属于该电池故障分类器所能够检测的故障类型,若待诊断电池属于该电池故障分类器所能够检测的故障类型,还可以进一步判断该待诊断电池具体属于哪种故障类型。
本申请实施例提供的电动汽车电池故障诊断方法,获取到待诊断电池的电池特征数据,并将该电池特征数据输入至预训练的电池故障分类器后,电池故障分类器可以自动根据电池特征数据确定待诊断电池所属的故障类型,无需工程师通过人工分析BMU发出的故障码和NVM中存储的电池温度、电压等电池数据来确定待诊断电池的故障类型,由此大大减少了工程师对电动汽车进行电池故障诊断时的工作量。
上述图1对应的实施例中用于确定待诊断电池的故障类型的电池故障分类器是预先训练的,而电池故障分类器均是以弱分类器为基础构建得到的,下面结合图2,对弱分类器的训练方法进行介绍:
参见图2,图2为本申请实施例提供的电池故障分类器的训练方法的流程示意图。如图2所示,该电池故障分类器的训练方法包括以下步骤:
步骤201:获取历史电池特征数据。
在本实施例中,历史电池特征数据是用于构建训练样本的电池特征数据,该历史特征数据具体可以包括电池的BMU状态数据,以及电池NVM中存储的电压数据、电流数据和温度数据等数据。需要说明的是,该历史电池特征数据中也可以包含无故障的电池特征数据,进而根据该无故障的电池特征数据可以训练出对应于无故障的弱分类器。
可以理解的是,历史电池特征数据中包括的数据类型可以决定输入至电池故障分类器的电池特征数据中包括的数据类型,具体的,若用于构建训练样本的历史电池特征数据中包括:电池的BMU状态数据、电池NVM中存储的电压数据、电流数据和温度数据,相应地,利用该电池故障分类器对待诊断电池进行故障诊断时,向该电池故障分类器输入电池特征数据中包含的数据类型需要与上述历史电池特征数据中的数据类型一致,即需要向该电池故障分类器中输入待诊断电池的BMU状态数据、待诊断电池NVM中存储的电压数据、电流数据和温度数据。
可以理解的是,所获取的历史电池特征数据越多,根据这些历史电池特征数据训练得到的电池故障分类器的分类结果越准确,但是获取的历史电池特征数据的数量也会影响训练电池故障分类器的效率,因此,本实施例对所获取的历史电池特征数据不作限定,在具体实现时,可以根据实际需求确定。
步骤202:对于一个故障类型,从所述历史电池特征数据中选取属于所述故障类型的电池特征数据作为正样本,从所述历史电池特征数据中选取不属于所述故障类型的电池特征数据作为负样本。
对于一个故障类型,从在步骤201中获取的历史电池特征数据中选取属于该故障类型的电池特征数据作为正样本,在历史电池特征数据中选取不属于该故障类型的电池特征数据作为负样本,当然也可以将历史电池特征数据中剩余的不属于该故障类型的电池特征数据均作为负样本,将针对该故障类型的正样本和负样本结合起来,构成用于训练对应于该故障类型的分类器的训练样本集。
为了便于理解,下面对上述正样本和负样本的具体形式进行举例说明:
如下表1所示,针对电动汽车电池电压高这一故障类型,构建针对该故障类型的训练样本集。从获取的历史电池特征数据中,选取属于电池电压高故障类型的电池特征数据作为正样本,如表1所示,样本1、样本2和样本3均属于电池电压高故障类型的电池特征数据,因此为样本1、样本2和样本3添加分类标签“1”,即确定样本1、样本2和样本3均为电池电压高故障类型的正样本;相应地,将剩余的不属于电池电压高故障类型的历史电池特征数据作为负样本,如表1所示,为样本4、样本5和样本6添加分类标签“-1”,即确定样本4、样本5和样本6均为电池电压高故障类型的负样本。
表1
步骤203:根据机器学习算法,训练所述故障类型的正样本和负样本得到对应于所述故障类型的弱分类器。
采用机器学习算法,训练对应于上述故障类型的正样本和负样本,得到对应于该故障类型的弱分类器。具体实现时,可以采用BP神经网络算法训练对应于某一故障类型的弱分类器。该弱分类器能够根据输入的待诊断电池的电池特征数据,确定该待诊断电池是否属于该弱分类器对应的故障类型。
在构建出弱分类器的基础上,可以根据构建的弱分类器进一步确定电池故障分类器,下面以弱分类器为基础对几种构建电池故障分类器的方法进行介绍:
在一种可能的实现方式中,可以采用上述构建弱分类器的方法,仅针对一个故障类型构建一个弱分类器,将这个弱分类器作为电池故障分类器,该电池故障分类器可以根据输入的待诊断电池的电池特征数据,判断该待诊断电池是否属于该电池故障分类器对应的故障类型。具体实现时,将待诊断电池的电池特征数据输入至该电池故障分类器后,电池故障分类器会根据该待诊断电池的电池特征数据输出对应的诊断数据,当电池故障分类器输出的诊断数据大于第一预设阈值时,则表明待诊断电池属于该电池故障分类器对应的故障类型,即待诊断电池属于该弱分类器对应的故障类型;反之,当电池故障分类器输出的诊断数据小于该第一预设阈值时,则表明待诊断电池不属于该电池故障分类器对应的故障类型,即待诊断电池不属于该弱分类器对应的故障类型。
需要说明的是,上述第一预设阈值可以根据实际需求进行设定,在此不对该第一预设阈值做具体限定。
为了便于理解,下面对上述采用弱分类器作为电池故障分类器的方法进行举例说明:
假设利用获取的历史电池数据训练出一个对应于电池电压高故障的弱分类器,将该弱分类器作为电池故障分类器,相应地,该电池故障分类器所对应的故障类型即为电池电压高。将待诊断电池的电池特征数据输入至该电池故障分类器中,电池故障分类器根据输入的电池特征数据,输出对应的诊断数据,当电池故障分类器输出的诊断数据大于第一预设阈值时,表明该待诊断电池的故障类型属于电池电压高的故障类型,当电池故障分类器输出的诊断数据小于该第一预设阈值时,表明该待诊断电池的故障类型不属于电池电压高的故障类型。
在一种可能的实现方式中,可以针对多种故障类型分别构建对应的弱分类器,不同的弱分类器能够识别不同的故障类型,并行运行对应于不同故障类型的弱分类器,将并行运行的多个弱分类器作为电池故障分类器,该电池故障分类器可以根据输入的待诊断电池的电池特征数据,确定待诊断电池是否属于自身能够检测的故障类型,若属于自身能够检测的故障类型,该电池故障分类器还可以确定该待诊断电池具体属于哪种故障类型。具体实现时,将待诊断电池的电池特征数据输入该电池故障分类器中,电池故障分类器可以根据输入的电池特征数据,判断该待诊断电池是否属于自身所能够检测的故障类型,若电池故障分类器中各个弱分类器输出的诊断数据均小于第一预设阈值,则说明该待诊断电池不属于该电池故障分类器所能够检测的故障类型,或者该待诊断电池不存在故障;若电池故障分类器中任一弱分类器输出的诊断数据大于该第一预设阈值,则说明该待诊断电池属于该电池故障分类器所能够检测的故障类型,且属于该弱分类器对应的故障类型,需要说明的是,若电池故障分类器中多个弱分类器输出的诊断数据均大于第一预设阈值,则说明该待诊断电池存在多种故障,该待诊断电池所属的故障类型为上述输出诊断数据大于第一预设阈值的弱分类器对应的故障类型。
需要说明的是,弱分类器的分类能力较弱且分类的准确度不高,因此,将弱分类器作为电池故障分类器,利用该电池故障分类器诊断得到的故障结果准确性较差。
在一种可能的实现方式中,为了提高电池故障分类器故障诊断的准确性,通常针对一个故障类型训练至少两个弱分类器,具体的,可以针对一个故障类型,采用不同的训练方法如梯度下降法、共轭法等方法,训练由上述历史电池数据构成的训练样本集,得到针对该故障类型的至少两个弱分类器;或者,通过改变用于训练弱分类器的神经网络的训练参数,获得针对该故障类型的至少两个弱分类器。进而,根据至少两个弱分类器构建对应于该故障类型的强分类器,将该强分类器作为对应于该故障类型的电池故障分类器。
下面结合图3,对上述根据至少两个弱分类器构建强分类器的具体实现方法进行介绍:
如图3所示,利用历史电池特征数据针对某一故障类型构建出至少两个弱分类器,如弱分类器1、弱分类器2、弱分类器3、……、弱分类器n,此处,可以根据实际需求确定训练的弱分类器的数量,在此不对所训练的弱分类器的数量做具体限定。采用AdaBoost算法将上述至少两个弱分类器组合为与该故障类型对应的强分类器,该强分类器即为电池故障分类器,具体实现时,可以利用标定数据训练每个弱分类器对应的权值,利用各个弱分类器对应的权值对各个弱分类器输出的数据进行加权处理,如图3所示,弱分类器1对应的权值为w1,弱分类器2对应的权值为w2,弱分类器3对应的权值为w3,……,弱分类器n对应的权值为wn,对各个弱分类器输出的数据加权处理后得到的数据即为强分类器输出的数据,即为电池故障分类器输出的诊断数据。
相应地,根据由强分类构成的电池故障分类器输出的诊断数据,确定待诊断电池所属的故障类型时,需要判断该电池故障分类器输出的诊断数据是否大于第二预设阈值,若电池故障分类器输出的诊断数据大于该第二预设阈值,则说明待诊断电池属于该电池故障分类器对应的故障类型,即待诊断电池属于该强分类器对应的故障类型;反之,若电池故障分类器输出的诊断数据小于该第二预设阈值,则说明待诊断电池不属于该电池故障分类器对应的故障类型,即待诊断电池不属于该强分类器对应的故障类型。
需要说明的是,上述第二预设阈值可以根据实际需求进行设定,在此不对第二预设阈值做具体限定。
由于强分类器的性能相对弱分类器的性能较好,因此,将强分类器作为电池故障分类器能够更准确地识别待诊断电池的故障类型,保证得到的诊断结果较为准确。
在一种可能的实现方式中,可以针对多种故障类型分别构建对应的强分类器,即针对某个故障类型构建对应于该故障类型的至少两个弱分类器,根据对应于该故障类型的至少两个弱分类器构建对应于该故障类型的强分类器,按照上述方法针对各个故障类型分别构建对应的强分类器,并行运行对应于各个故障类型的强分类器,将并行运行的对应于各个故障类型强分类器作为电池故障分类器,该电池故障分类器可以根据输入的待诊断电池的电池特征数据,确定待诊断电池具体属于哪种故障类型。
下面结合图4,对上述根据确定待诊断电池的故障类型的方法进行具体说明:
如图4所示,将待诊断电池的电池特征数据输入电池故障分类器中,电池故障分类器中并行运行对应于各个故障类型的强分类器,如强分类器1、强分类器2、强分类器3、……、强分类器n,电池故障分类器中的各个强分类器根据输入的电池特征数据对应地输出诊断数据,如强分类器1输出诊断数据1,强分类器2输出诊断数据2,强分类器3输出诊断数据3,……,强分类器4输出诊断数据4,判断各个诊断数据是否大于第三预设阈值,若电池故障分类器中任一强分类器输出的诊断数据大于该第三预设阈值,则待诊断电池属于该强分类器对应的故障类型,若电池故障分类器中多个强分类器输出的诊断数据均大于第三预设阈值,则说明该待诊断电池存在多种故障,该待诊断电池的故障类型为这些强分类器对应的故障类型;若电池故障分类器中各个强分类器输出的诊断数据均较小该第三预设阈值,则说明该待诊断电池不属于该电池故障分类器所能够诊断的故障类型,该待诊断电池可能不存在任何故障。
需要说明的是,上述第三预设阈值可以根据实际需求进行设定,在此不对第三预设阈值做具体限定。
采用上述电池故障分类器构建方法构建电池故障分类器,电池故障分类器可以根据输入的待诊断电池的电池特征数据,确定出待诊断电池是否属于某种故障类型,或者,确定出待诊断电池具体所属的故障类型。由此,利用电池故障分类器即可确定待诊断电池的故障类型,无需工程师通过人工分析BMU发出的故障码和NVM中存储的电池温度、电压等电池数据来确定待诊断电池的故障类型,由此大大减少了工程师对电动汽车进行电池故障诊断时的工作量。
此外,本申请还提供了一种电动汽车电池故障诊断装置,参见图5,图5为电动汽车电池故障诊断装置500的结构示意图,该装置包括:
历史数据获取模块501,用于获取历史电池特征数据;
样本选取模块502,用于对于一个故障类型,从所述历史电池特征数据中选取属于所述故障类型的电池特征数据作为正样本,从所述历史电池特征数据中选取不属于所述故障类型的电池特征数据作为负样本;
训练模块503,用于根据机器学习算法,训练所述故障类型的正样本和负样本得到对应于所述故障类型的弱分类器;
构建模块504,用于根据所述弱分类器构建电池故障分类器;
获取模块505,用于获取待诊断电池的电池特征数据;
输入模块506,用于将所述待诊断电池的电池特征数据输入预训练的电池故障分类器,所述电池故障分类器至少包括一个分类器,一个所述分类器对应于一种故障类型;
确定模块507,用于根据所述电池故障分类器输出的诊断数据,确定所述待诊断电池所属的故障类型。
本申请实施例提供的电动汽车电池故障诊断装置,获取到待诊断电池的电池特征数据,并将该电池特征数据输入至预训练的电池故障分类器后,电池故障分类器可以自动根据电池特征数据确定待诊断电池所属的故障类型,无需工程师通过人工分析BMU发出的故障码和NVM中存储的电池温度、电压等电池数据来确定待诊断电池的故障类型,由此大大减少了工程师对电动汽车进行电池故障诊断时的工作量。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备及***实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的设备及***实施例仅仅是示意性的,其中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或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本申请的一种具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,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该以权利要求的保护范围为准。
Claims (8)
1.一种电动汽车电池故障诊断方法,其特征在于,所述方法包括:
获取历史电池特征数据;
对于一个故障类型,从所述历史电池特征数据中选取属于所述故障类型的电池特征数据作为正样本,从所述历史电池特征数据中选取不属于所述故障类型的电池特征数据作为负样本;
根据机器学习算法,训练所述故障类型的正样本和负样本得到对应于所述故障类型的弱分类器;
根据所述弱分类器构建电池故障分类器;
获取待诊断电池的电池特征数据;
将所述待诊断电池的电池特征数据输入所述电池故障分类器,所述电池故障分类器至少包括一个分类器,一个所述分类器对应于一种故障类型;
根据所述电池故障分类器输出的诊断数据,确定所述待诊断电池所属的故障类型。
2.根据权利要求1所述的方法,其特征在于,所述根据所述弱分类器构建电池故障分类器,包括:
对应于一个故障类型训练一个所述弱分类器,所述弱分类器为所述电池故障分类器。
3.根据权利要求2所述的方法,其特征在于,所述根据所述电池故障分类器输出的诊断数据,确定所述待诊断电池所属的故障类型包括:
若所述电池故障分类器输出的诊断数据大于第一预设阈值,则所述待诊断电池属于所述电池故障分类器对应的故障类型;
若所述电池故障分类器输出的诊断数据小于所述第一预设阈值,则所述待诊断电池不属于所述电池故障分类器对应的故障类型。
4.根据权利要求1所述的方法,其特征在于,所述根据所述弱分类器构建电池故障分类器,包括:
对应于一个故障类型训练至少两个所述弱分类器,根据所述至少两个弱分类器构建对应于所述故障类型的强分类器,所述强分类器为所述电池故障分类器。
5.根据权利要求4所述的方法,其特征在于,所述根据所述电池故障分类器输出的诊断数据,确定所述待诊断电池所属的故障类型包括:
若所述电池故障分类器输出的诊断数据大于第二预设阈值,则所述待诊断电池属于所述电池故障分类器对应的故障类型;
若所述电池故障分类器输出的诊断数据小于所述第二预设阈值,则所述待诊断电池不属于所述电池故障分类器对应的故障类型。
6.根据权利要求1所述的方法,其特征在于,所述根据所述弱分类器构建电池故障分类器,包括:
对应于一个故障类型训练至少两个所述弱分类器,根据所述至少两个弱分类器构建对应于所述故障类型的强分类器;
并行运行所述对应于各个故障类型的强分类器,所述并行运行的各个故障类型对应的强分类器构成所述电池故障分类器。
7.根据权利要求6所述的方法,其特征在于,所述根据所述电池故障分类器输出的诊断数据,确定所述待诊断电池所属的故障类型包括:
若所述电池故障分类器中所述强分类器输出的诊断数据大于第三预设阈值,则所述待诊断电池属于所述强分类器对应的故障类型;
若所述电池故障分类器中所述强分类器输出的诊断数据小于所述第三预设阈值,则所述待诊断电池不属于所述强分类器对应的故障类型。
8.一种电动汽车电池故障诊断装置,其特征在于,所装置包括:
历史数据获取模块,用于获取历史电池特征数据;
样本选取模块,用于对于一个故障类型,从所述历史电池特征数据中选取属于所述故障类型的电池特征数据作为正样本,从所述历史电池特征数据中选取不属于所述故障类型的电池特征数据作为负样本;
训练模块,用于根据机器学习算法,训练所述故障类型的正样本和负样本得到对应于所述故障类型的弱分类器;
构建模块,用于根据所述弱分类器构建电池故障分类器;
获取模块,用于获取待诊断电池的电池特征数据;
输入模块,用于将所述待诊断电池的电池特征数据输入所述电池故障分类器,所述电池故障分类器至少包括一个分类器,一个所述分类器对应于一种故障类型;
确定模块,用于根据所述电池故障分类器输出的诊断数据,确定所述待诊断电池所属的故障类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811173222.8A CN111025153A (zh) | 2018-10-09 | 2018-10-09 | 一种电动汽车电池故障诊断方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811173222.8A CN111025153A (zh) | 2018-10-09 | 2018-10-09 | 一种电动汽车电池故障诊断方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111025153A true CN111025153A (zh) | 2020-04-17 |
Family
ID=70190950
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811173222.8A Pending CN111025153A (zh) | 2018-10-09 | 2018-10-09 | 一种电动汽车电池故障诊断方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111025153A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111157898A (zh) * | 2020-01-07 | 2020-05-15 | 清华大学深圳国际研究生院 | 一种新能源车辆在线电池故障检测分析方法及装置 |
CN112067997A (zh) * | 2020-08-14 | 2020-12-11 | 杭州小电科技股份有限公司 | 移动电源租赁设备诊断方法、***、电子设备和存储介质 |
CN112710956A (zh) * | 2020-12-17 | 2021-04-27 | 四川虹微技术有限公司 | 一种基于专家***的电池管理***故障检测***及方法 |
CN116429339A (zh) * | 2023-06-07 | 2023-07-14 | 海斯坦普汽车组件(北京)有限公司 | 一种新能源电池盒泄露检测方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2482474A2 (en) * | 2011-01-31 | 2012-08-01 | MediaTek Inc. | Apparatus for communicating another device |
CN103633938A (zh) * | 2013-12-10 | 2014-03-12 | 中国矿业大学 | 一种光伏阵列故障定位的方法 |
CN103995237A (zh) * | 2014-05-09 | 2014-08-20 | 南京航空航天大学 | 一种卫星电源***在线故障诊断方法 |
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 |
CN106168799A (zh) * | 2016-06-30 | 2016-11-30 | 常伟 | 一种基于大数据机器学习进行电动汽车电池预测性维护的方法 |
CN107633266A (zh) * | 2017-09-07 | 2018-01-26 | 西安交通大学 | 一种电力机车接触网受电弓电弧检测方法 |
CN108344947A (zh) * | 2018-01-11 | 2018-07-31 | 西南交通大学 | 一种非侵入式的燃料电池故障诊断方法 |
-
2018
- 2018-10-09 CN CN201811173222.8A patent/CN111025153A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2482474A2 (en) * | 2011-01-31 | 2012-08-01 | MediaTek Inc. | Apparatus for communicating another device |
CN103633938A (zh) * | 2013-12-10 | 2014-03-12 | 中国矿业大学 | 一种光伏阵列故障定位的方法 |
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 |
CN103995237A (zh) * | 2014-05-09 | 2014-08-20 | 南京航空航天大学 | 一种卫星电源***在线故障诊断方法 |
CN106168799A (zh) * | 2016-06-30 | 2016-11-30 | 常伟 | 一种基于大数据机器学习进行电动汽车电池预测性维护的方法 |
CN107633266A (zh) * | 2017-09-07 | 2018-01-26 | 西安交通大学 | 一种电力机车接触网受电弓电弧检测方法 |
CN108344947A (zh) * | 2018-01-11 | 2018-07-31 | 西南交通大学 | 一种非侵入式的燃料电池故障诊断方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111157898A (zh) * | 2020-01-07 | 2020-05-15 | 清华大学深圳国际研究生院 | 一种新能源车辆在线电池故障检测分析方法及装置 |
CN112067997A (zh) * | 2020-08-14 | 2020-12-11 | 杭州小电科技股份有限公司 | 移动电源租赁设备诊断方法、***、电子设备和存储介质 |
CN112067997B (zh) * | 2020-08-14 | 2023-11-14 | 杭州小电科技股份有限公司 | 移动电源租赁设备诊断方法、***、电子设备和存储介质 |
CN112710956A (zh) * | 2020-12-17 | 2021-04-27 | 四川虹微技术有限公司 | 一种基于专家***的电池管理***故障检测***及方法 |
CN112710956B (zh) * | 2020-12-17 | 2023-08-04 | 四川虹微技术有限公司 | 一种基于专家***的电池管理***故障检测***及方法 |
CN116429339A (zh) * | 2023-06-07 | 2023-07-14 | 海斯坦普汽车组件(北京)有限公司 | 一种新能源电池盒泄露检测方法及*** |
CN116429339B (zh) * | 2023-06-07 | 2023-09-01 | 海斯坦普汽车组件(北京)有限公司 | 一种新能源电池盒泄露检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111025153A (zh) | 一种电动汽车电池故障诊断方法和装置 | |
CN108931725B (zh) | 一种电池故障检测的方法及装置 | |
CN113870260B (zh) | 一种基于高频时序数据的焊接缺陷实时检测方法及*** | |
CN113696786B (zh) | 电池均衡方法及*** | |
CN106772082B (zh) | 一种单体电池的电压采集线断线检测方法 | |
CN105116870B (zh) | 空调机组的故障分析方法、装置和*** | |
CN104021238A (zh) | 一种铅酸动力电池***故障诊断方法 | |
CN102799171A (zh) | 检测故障码设置中的异常和使用分析症状增强维修文件 | |
CN105453141B (zh) | 用于检测电子***中的故障的设备和方法 | |
CN108957331B (zh) | 电池性能检测方法及电池性能检测*** | |
CN109543743B (zh) | 一种基于重建预测残差的制冷机组多传感器故障诊断方法 | |
CN111191400B (zh) | 基于用户报障数据的车辆零部件寿命预测方法及*** | |
CN112816881B (zh) | 电池压差异常检测方法、装置及计算机存储介质 | |
CN115267557B (zh) | 一种锂电池电解液泄露故障诊断方法、装置和电子设备 | |
CN116295948B (zh) | 大温差环境下工业温度传感器的异常检测方法、***及存储介质 | |
CN111459616A (zh) | 一种测试方法、装置、设备及存储介质 | |
US11733309B2 (en) | Method and system for self-discharge prognostics for vehicle battery cells with an internal short circuit | |
CN117150276B (zh) | 机器学习模型构建方法、车辆行驶风险预测方法以及装置 | |
CN112327804A (zh) | 牵引控制单元的故障诊断方法、装置、***和列车 | |
CN117665604A (zh) | 电池采样异常识别方法、装置、存储介质及电子设备 | |
CN116994641A (zh) | 一种半导体老化测试方法及其*** | |
CN112199295A (zh) | 一种基于频谱的深度神经网络缺陷定位方法及*** | |
CN108226790A (zh) | 均衡电路状态检测装置、方法、电池组和电池管理*** | |
CN111856299A (zh) | 电源状态的确定方法、装置及设备 | |
CN116224091A (zh) | 电池的电芯故障检测方法、装置、电子设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200417 |