CN111845448B - 一种基于概率突变法则的温度异常探针的识别算法 - Google Patents
一种基于概率突变法则的温度异常探针的识别算法 Download PDFInfo
- Publication number
- CN111845448B CN111845448B CN202010759357.3A CN202010759357A CN111845448B CN 111845448 B CN111845448 B CN 111845448B CN 202010759357 A CN202010759357 A CN 202010759357A CN 111845448 B CN111845448 B CN 111845448B
- Authority
- CN
- China
- Prior art keywords
- temperature
- probe
- accumulated
- data
- value
- 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
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
- B60L58/24—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries for controlling the temperature of batteries
-
- 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
- G07C5/08—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
-
- 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
- G07C5/0816—Indicating performance data, e.g. occurrence of a malfunction
- G07C5/0825—Indicating performance data, e.g. occurrence of a malfunction using optical means
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Secondary Cells (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明属于汽车电池检测技术领域,尤其涉及一种基于概率突变法则的温度异常探针的识别算法,包括:数据获取步骤,以车辆为单元,获取探针的温度数据;分析筛选步骤,对温度数据进行统计分析;用累计频率的方式分析小于预设温度值的累计温度频率分布,筛选出累计温度频率小于X时对应的温度值,并将其记录为低温阈值;用累计频率的方式分析大于预设温度值的累计温度频率分布,筛选出累计温度频率小于X时对应的温度值,并将其记录为高温阈值;探针检验步骤,对单个探针的数据进行统计分析。使用本算法,能够提高电池数据的有效利用率,快速对温度异常的电池进行识别及定位。
Description
技术领域
本发明属于汽车电池检测技术领域,尤其涉及一种基于概率突变法则的温度异常探针的识别算法。
背景技术
新能源汽车是指采用非常规的车用燃料作为动力来源(或使用常规的车用燃料、采用新型车载动力装置),综合车辆的动力控制和驱动方面的先进技术,形成的技术原理先进、具有新技术、新结构的汽车。
新能源汽车包括纯电动汽车、增程式电动汽车、混合动力汽车、燃料电池电动汽车、氢发动机汽车等。相较于现有的燃油汽车,新能源汽车具有污染物零排放、能源利用率高、结构简单和噪声小等的特点,社会方面也因新能源汽车的特点在大力倡导新能源汽车的使用。
为了新能源汽车安全性能的改进,及时发现车辆的故障,基于新能源汽车行驶过程中的大数据收集非常重要,为此,国家还设定相关的国家标准,以新能源汽车企业为基础收集新能源汽车行驶过程中的各项运行数据,如电池和发动机等,将收集到的运行数据发送至地方平台,由地方平台将本地的运行数据汇总后发送至国家平台上进行监控和分析。
新能源汽车国家监管平台,在《新能源汽车国家大数据联盟2019年中成果发布会暨新技术研讨会》发布的统计中,在新能源汽车安全事故中的起火原因类型分类中,58%的车辆起火源于电池问题。
新能源汽车的动力电池作为储能部件,关系到新能源汽车行驶过程中的续航能力。而动力电池包括若干个单体电池,动力电池作为车辆行驶的供能部件,其中的单体电池一直在运转使用;当新能源汽车的某个单体电池发生故障,而不及时进行处置的话,极容易影响周边的单体电池发生故障,进而引起整车的安全事故。
目前,运行数据的数据量的庞大,运行数据在采集汇总后的还不能得到很好的利用。这些电池数据不仅占用了非常大的存储空间,并且电池数据的有效利用率非常低下。因此,需要一种基于概率突变法则的温度异常探针的识别算法,能够提高电池数据的有效利用率,快速对温度异常的电池进行识别及定位。
发明内容
本发明的目的在于,提供一种基于概率突变法则的温度异常探针的识别算法,能够提高电池数据的有效利用率,快速对温度异常的电池进行识别及定位。
本发明提供的基础方案为:
一种基于概率突变法则的温度异常探针的识别算法,包括:
数据获取步骤,以车辆为单元,获取探针的温度数据;
分析筛选步骤,对温度数据进行统计分析;用累计频率的方式分析小于预设温度值的累计温度频率分布,筛选出累计温度频率小于X时对应的温度值,并将其记录为低温阈值;用累计频率的方式分析大于预设温度值的累计温度频率分布,筛选出累计温度频率小于Y时对应的温度值,并将其记录为高温阈值;
探针检验步骤,对单个探针的数据进行统计分析,得到累计温度频率分布,当其小于低温阈值的累计频率达到X的N倍,或者大于高温阈值的累计频率达到Y的N倍时,将该探针标记为温度异常探针。
名词解释:探针,即检测新能源汽车电池温度的传感器探针。
基础方案工作原理及有益效果:
新能源汽车一般安装有数十个温度探针,且每个探针有自己的编号。而依据相关国家标准,每隔最多30秒的时间间隔,车辆必须上传每一个温度探针的温度值。通过对这些温度值分析后,发明人发现,由新能源汽车连续上传的温度探针的温度值数据存在一种特殊的现象,即异常的温度值表现出“探针上集中,时间上连片”的现象。
由于探针出现异常值,在正常情况下,从统计概率的意义上总体表现为极小概率事件,若出现了由极小概率事件突变为“探针上集中,时间上连片”这种常概率事件,甚至大概率事件,发明人将这种现象称为“概率突变”。深入分析后,发明人发现,概率突变的原因之一,是因为相应的温度探针所对应的电池发生的本体损坏所致,而电池单体损坏是引发新能源汽车重大安全事故最为主要的因素。
因此,可以通过对温度探针所传温度数值的概率突变现象,间接找到本体损坏的电池单体,从而有效预防和减少安全事故。及时发现状态异常的电池,特别是本体损坏的电池,是新能源汽车大数据分析重要工作内容。在电池的电化学机制作用下,当电池的本质特征发生异常,通常伴随温度的异常变化,而温度恰好是一个可以大量获取的测量值,这就一方面使得通过对温度异常的监测查找并定位异常电池成为可能,另一方面大量的新能源汽车数据资源得以有效利用。
首先,以车辆为单位,获取探针的历史温度数据。之后,对探针的温度数据进行分析,具体的,用累计频率的方式分析小于预设温度值的累计温度频率分布,筛选出累计温度频率小于X时对应的温度值,并将其记录为低温阈值。这样筛选出的低温阈值,可以看作是电池正常工作时探针检测温度的最小值;同样的,高温阈值,可以看作是电池正常工作时探针检测温度的最大值。
在获得低温阈值及高温阈值后,可对探针检测的温度数据是否正常进行判断。具体的,分析单个探针的累积温度频率分布。如果其小于低温阈值的累计频率达到X的N倍,则说明与温度数据整体分布相比,该探针检测的温度值有N倍的时间温度小于正常温度,因此,可以认定为其工作温度过低,将其标记为温度异常探针。同样的,如果其大于高温阈值的累计频率达到Y的N倍,则说明与温度数据整体分布相比,该探针检测的温度值有N倍的时间温度大于正常温度,同样将其标记为温度异常探针。X、Y及N的数值,本领域技术人员可依据电池的型号及容量具体设置。
这样,能够快速对大量探针的温度进行覆盖式扫描,达到快速地扫描所有被监控车辆的所有电池的目的;并从中筛选出温度检测异常的探针,再结合探针的编号,实现异常电池的定位,便于工作人员对异常电池进行更换。避免新能源汽车因为该异常电池而出现安全事故。
与现有技术相比,本算法能够提高电池数据的有效利用率,快速对温度异常的电池进行识别及定位。
进一步,数据获取步骤中,获取的温度数据为前溯历史数据的10万条。
使用这样的数据量,一方面能够实现对电池数据的充分利用,另一方面也能够保障分析结果的精准性。
进一步,探针检验步骤中,还标记单体电池的异常原由。
这样可以通过探针,对电池的异常类型(温度过低/高的频率太高)进行统计,也便于对异常电池进行分类集中处理。
进一步,还包括:存储步骤,存储检测结果;分析步骤,对存储的检测结果进行数据分析。
通过这样的方式,可以对检测结果进行统计分析,便于了解电池的异常率,异常电池中的各类异常情况的占比等分析结果。
进一步,分析步骤中,还用图表的方式将数据分析结果进行展示。
便于管理人员直观的了解分析结果。
进一步,X和Y的数值均小于5%。
若X或Y大于等于5%,相当于部分正常电池也有大量时间处于非正常温度,这样得到的分析结果精细化程度较低,参考意义不大。
进一步,N的数值大于1.5。
由于每个电池温度的累积频率分布之间都存在差异,若N的数值小于1.5,则难免出现大量的由于正常差异而被标记为异常电池的情况。
附图说明
图1为本发明一种基于概率突变法则的温度异常探针的识别算法实施例一的流程图。
具体实施方式
下面通过具体实施方式进一步详细说明:
实施例一
如图1所示,一种基于概率突变法则的温度异常探针的识别算法,包括:
数据获取步骤,以车辆为单元,获取探针的温度数据。具体的,获取的温度数据为前溯历史数据的10万条。
分析筛选步骤,对温度数据进行统计分析;用累计频率的方式分析小于预设温度值的累计温度频率分布,筛选出累计温度频率小于X时对应的温度值,并将其记录为低温阈值;用累计频率的方式分析大于预设温度值的累计温度频率分布,筛选出累计温度频率小于Y时对应的温度值,并将其记录为高温阈值;
探针检验步骤,对单个探针的数据进行统计分析,得到累计温度频率分布,当其小于低温阈值的累计频率达到X的N倍,或者大于高温阈值的累计频率达到Y的N倍时,将该探针标记为温度异常探针。还标记单体电池的异常原由。其中,X、Y的数值均小于5%;N的数值大于1.5。本实施例中,X的数值为0.3%,Y的数值为0.5%,N的数值为1.8。
存储步骤,存储检测结果。
分析步骤,对存储的检测结果进行数据分析,并用图表的方式将数据分析结果进行展示。
具体实施过程如下:
首先,以车辆为单位,获取探针的历史温度数据。之后,对探针的温度数据进行分析,具体的,用累计频率的方式分析小于预设温度值的累计温度频率分布,筛选出累计温度频率小于X时对应的温度值,并将其记录为低温阈值。这样筛选出的低温阈值,可以看作是电池正常工作时探针检测温度的最小值;同样的,高温阈值,可以看作是电池正常工作时探针检测温度的最大值。
在获得低温阈值及高温阈值后,可对探针检测的温度数据是否正常进行判断。具体的,分析单个探针的累积温度频率分布。如果其小于低温阈值的累计频率达到X的N倍,则说明与温度数据整体分布相比,该探针检测的温度值有N倍的时间温度小于正常温度,因此,可以认定为其工作温度过低,将其标记为温度异常探针。同样的,如果其大于高温阈值的累计频率达到Y的N倍,则说明与温度数据整体分布相比,该探针检测的温度值有N倍的时间温度大于正常温度,同样将其标记为温度异常探针。
这样,能够快速对大量探针的温度进行覆盖式扫描,达到快速地扫描所有被监控车辆的所有电池的目的;并从中筛选出温度检测异常的探针,再结合探针的编号,实现异常电池的定位,便于工作人员对异常电池进行更换。避免新能源汽车因为该异常电池而出现安全事故。
之后,通过存储步骤及分析步骤,可以对检测结果进行统计分析,便于了解电池的异常率,异常电池中的各类异常情况的占比等分析结果。
为了更加直观的理解本方案,下面以一组实际数据为例进行说明。
某车辆共计安装有24个温度探针,现对该车辆进行温度异常识别。首先,获取该车辆的前溯历史数据的10万条温度数据。基于所有历史数据,统计得到该车辆温度探针的温度频率表,如表1所示:
表1温度探针总频数统计表
由表1可见,该车温度探针温度的正常分布区间在[20,43]摄氏度之间,占总比例的95%左右,因此,可以合理地认为对于该车而言,探针温度小于20度,或者大于43度即为异常温度状态,因此,将20度和43度分别为低温阈值和高温阈值。
根据低温阈值和高温阈值,分别统计各温度探针的出现异常低温的频率和出现异常高温的频率,结果如表2所示:
表2温度探针概率突变统计表
低温频数 | 高温频数 | 总频数 | 低温频率 | 高温频率 | |
探针1 | 0 | 1225 | 9773 | 0.00% | 12.53% |
探针2 | 0 | 1274 | 9773 | 0.00% | 13.04% |
探针3 | 0 | 1319 | 9773 | 0.00% | 13.50% |
探针4 | 0 | 1348 | 9773 | 0.00% | 13.79% |
探针5 | 0 | 1339 | 9773 | 0.00% | 13.70% |
探针6 | 0 | 1319 | 9773 | 0.00% | 13.50% |
探针7 | 0 | 1347 | 9773 | 0.00% | 13.78% |
探针8 | 0 | 1337 | 9773 | 0.00% | 13.68% |
探针9 | 0 | 0 | 9773 | 0.00% | 0.00% |
探针10 | 0 | 0 | 9773 | 0.00% | 0.00% |
探针11 | 1346 | 0 | 9773 | 13.77% | 0.00% |
探针12 | 0 | 0 | 9773 | 0.00% | 0.00% |
探针13 | 0 | 0 | 8427 | 0.00% | 0.00% |
探针14 | 0 | 0 | 9773 | 0.00% | 0.00% |
探针15 | 0 | 0 | 9773 | 0.00% | 0.00% |
探针16 | 0 | 0 | 9773 | 0.00% | 0.00% |
探针17 | 726 | 547 | 8920 | 8.14% | 6.13% |
探针18 | 0 | 0 | 8954 | 0.00% | 0.00% |
探针19 | 0 | 0 | 8998 | 0.00% | 0.00% |
探针20 | 0 | 0 | 8992 | 0.00% | 0.00% |
探针21 | 0 | 0 | 8890 | 0.00% | 0.00% |
探针22 | 0 | 0 | 9115 | 0.00% | 0.00% |
探针23 | 0 | 0 | 9257 | 0.00% | 0.00% |
探针24 | 0 | 60 | 9160 | 0.00% | 0.66% |
由表2可见,温度探针1—温度探针8高温部份出现“概率突变”事件,探针17同时出现低温概率突变和高温概率突变。
因此,可对将探针1—探针8标记为高温突变,将探针17标记为高低温同时突变。因此,工作人员可根据探针的编号,将探针1—探针8,以及探针17对应的异常电池进行更换。避免新能源汽车因为这些异常电池而出现安全事故。
使用本方案,可以快速地对大量的温度探针进行全覆盖扫描,从中筛选出一切数值异常的温度探针,再配合图表化分析展示,可以快速准确地对高危车辆识别并对异常电池定位。
实施例二
与实施例一不同的是,本实施例中,还包括:
车身状态获取步骤,通过与车载控制器电连接的车速传感器,以及多个与车载控制器电连接的温度传感器获取车身状态数据;其中,温度传感器的数量至少为电池数量的三倍,温度传感器有各自的编号,温度传感器均匀安装在车身内外,车载控制器内预存有各温度传感器的安装位置;
车身温度分析步骤,车载控制器接收到温度传感器反馈的温度后,根据温度传感器的编号调取出对应的安装位置,并结合其反馈的温度值生成车辆的温度分布图;并根据相邻温度传感器的温差值,以及车速传感器反馈的当前车速生成车辆的散热分布图;并将高于预设温度值的区域标记为异常温度区域,将散热强度低于预设强度的区域标记为异常散热区域;
电池温度实时获取步骤,车载控制器实时获取各电池的温度,车载控制器内存储有个电池的安装位置;
电池通断控制步骤,当电池处于正常温度区域时,若该电池的温度高于第一预设温度,车载控制器控制该电池断开;当电池处于异常温度区域,且该区域不属于异常散热区域时,若该电池的温度高于第二预设温度,车载控制器控制该电池断开;当电池处于异常温度区域,且该区域属于异常散热区域时,若该电池的温度高于第三预设温度,车载控制器控制该电池断开;其中,第一预设温度大于第二预设温度大于第三预设温度。
具体实施过程:
为了减少电池之间的相互干扰,同时使电池的散热效果更好,部分车型的车内电池会分散安装,且部分车型内的电池会分为多层。
但是,在车辆行驶过程中,车辆的各个位置(如驾驶使、底盘后备箱等)的温度及散热情况是不同的。安装在不同区域的电池,其适合的开断条件也不同。若只是简单粗暴的同一管理,管理过严,不能充分利用每节电池提供能量,若管理过松,则又容易导致电池出现损坏。
本方法中,通过车身状态获取步骤及车身温度分析步骤,得到车辆的温度分布图及车辆的散热分布图。车载控制器根据电池与车辆的温度分布图及的散热分布图的关系,精细化的管理各电池的断开触发条件。
具体的,当电池处于正常温度区域时,若该电池的温度高于第一预设温度,车载控制器控制该电池断开;当电池处于异常温度区域,且该区域不属于异常散热区域时,若该电池的温度高于第二预设温度,车载控制器控制该电池断开;当电池处于异常温度区域,且该区域属于异常散热区域时,若该电池的温度高于第三预设温度,车载控制器控制该电池断开;其中,第一预设温度大于第二预设温度大于第三预设温度。
通过这样的方式,本方法在充分利用每节电池提供能量的同时,又能够有效的减少电池因温度异常出现损坏的情况。
以上所述的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述,所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识,能够获知该领域中所有的现有技术,并且具有应用该日期之前常规实验手段的能力,所属领域普通技术人员可以在本申请给出的启示下,结合自身能力完善并实施本方案,一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (7)
1.一种基于概率突变法则的温度异常探针的识别算法,其特征在于,用于新能源汽车,包括:
数据获取步骤,以车辆为单元,获取探针的温度数据;
分析筛选步骤,对温度数据进行统计分析;用累计频率的方式分析小于预设温度值的累计温度频率分布,筛选出累计温度频率小于X时对应的温度值,并将其记录为低温阈值;用累计频率的方式分析大于预设温度值的累计温度频率分布,筛选出累计温度频率小于Y时对应的温度值,并将其记录为高温阈值;
探针检验步骤,对单个探针的数据进行统计分析,得到累计温度频率分布,当其小于低温阈值的累计频率达到X的N倍,或者大于高温阈值的累计频率达到Y的N倍时,将该探针标记为温度异常探针。
2.根据权利要求1所述的基于概率突变法则的温度异常探针的识别算法,其特征在于:数据获取步骤中,获取的温度数据为前溯历史数据的10万条。
3.根据权利要求2所述的基于概率突变法则的温度异常探针的识别算法,其特征在于:探针检验步骤中,还标记单体电池的异常原由。
4.根据权利要求3所述的基于概率突变法则的温度异常探针的识别算法,其特征在于:还包括:存储步骤,存储检测结果;分析步骤,对存储的检测结果进行数据分析。
5.根据权利要求4所述的基于概率突变法则的温度异常探针的识别算法,其特征在于:分析步骤中,还用图表的方式将数据分析结果进行展示。
6.根据权利要求5所述的基于概率突变法则的温度异常探针的识别算法,其特征在于:X和Y的数值均小于5%。
7.根据权利要求6所述的基于概率突变法则的温度异常探针的识别算法,其特征在于:N的数值大于1.5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010759357.3A CN111845448B (zh) | 2020-07-31 | 2020-07-31 | 一种基于概率突变法则的温度异常探针的识别算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010759357.3A CN111845448B (zh) | 2020-07-31 | 2020-07-31 | 一种基于概率突变法则的温度异常探针的识别算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111845448A CN111845448A (zh) | 2020-10-30 |
CN111845448B true CN111845448B (zh) | 2021-11-30 |
Family
ID=72953660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010759357.3A Active CN111845448B (zh) | 2020-07-31 | 2020-07-31 | 一种基于概率突变法则的温度异常探针的识别算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111845448B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111882697B (zh) * | 2020-07-31 | 2021-11-16 | 中国汽车工程研究院股份有限公司 | 一种基于概率突变法则的电压异常单体的识别算法 |
CN114512416A (zh) * | 2020-11-17 | 2022-05-17 | 长鑫存储技术有限公司 | 探针异常识别方法及装置、存储介质和电子设备 |
CN113696794B (zh) * | 2021-08-27 | 2022-07-08 | 南京邮电大学 | 一种用于新能源汽车用燃料电池冷却的降温*** |
CN113812845B (zh) * | 2021-09-23 | 2022-12-27 | 华帝股份有限公司 | 一种烹饪设备及其控制方法 |
CN114049336B (zh) * | 2021-11-18 | 2024-06-14 | 国网重庆市电力公司电力科学研究院 | Gis套管温度异常检测方法、装置、设备及可读存储介质 |
CN116154914B (zh) * | 2023-03-02 | 2023-11-07 | 深圳市南霸科技有限公司 | 电池充电管理方法和装置 |
CN118291017A (zh) * | 2024-06-06 | 2024-07-05 | 佛山市涂亿装饰材料科技有限公司 | 一种汽车箱体高性能低温固化粉末涂料及制备方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105301500A (zh) * | 2014-07-28 | 2016-02-03 | 福特全球技术公司 | 通过跟踪温度梯度的车辆电池状态检测 |
CN106556802A (zh) * | 2016-11-01 | 2017-04-05 | 东软集团股份有限公司 | 一种蓄电池组异常单体电池识别方法及装置 |
CN107274670A (zh) * | 2017-07-06 | 2017-10-20 | 盐城工学院 | 校园交通评估方法及装置 |
WO2017215968A1 (fr) * | 2016-06-16 | 2017-12-21 | Bluebus | Procede et systeme de gestion de batteries electrochimiques d'un vehicule electrique en cas de defaillance de batterie(s) |
WO2018162023A2 (en) * | 2017-03-06 | 2018-09-13 | Volvo Truck Corporation | A battery state of power estimation method and a battery state monitoring system |
CN111381165A (zh) * | 2018-12-28 | 2020-07-07 | 重庆峘能电动车科技有限公司 | 一种车辆动力电池监控方法、装置和平台 |
-
2020
- 2020-07-31 CN CN202010759357.3A patent/CN111845448B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105301500A (zh) * | 2014-07-28 | 2016-02-03 | 福特全球技术公司 | 通过跟踪温度梯度的车辆电池状态检测 |
WO2017215968A1 (fr) * | 2016-06-16 | 2017-12-21 | Bluebus | Procede et systeme de gestion de batteries electrochimiques d'un vehicule electrique en cas de defaillance de batterie(s) |
CN106556802A (zh) * | 2016-11-01 | 2017-04-05 | 东软集团股份有限公司 | 一种蓄电池组异常单体电池识别方法及装置 |
WO2018162023A2 (en) * | 2017-03-06 | 2018-09-13 | Volvo Truck Corporation | A battery state of power estimation method and a battery state monitoring system |
CN107274670A (zh) * | 2017-07-06 | 2017-10-20 | 盐城工学院 | 校园交通评估方法及装置 |
CN111381165A (zh) * | 2018-12-28 | 2020-07-07 | 重庆峘能电动车科技有限公司 | 一种车辆动力电池监控方法、装置和平台 |
Also Published As
Publication number | Publication date |
---|---|
CN111845448A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111845448B (zh) | 一种基于概率突变法则的温度异常探针的识别算法 | |
CN111579121B (zh) | 在线诊断新能源汽车电池包内温度传感器故障的方法 | |
CN108872863B (zh) | 一种优化分类的电动汽车充电状态监测方法 | |
CN111882697B (zh) | 一种基于概率突变法则的电压异常单体的识别算法 | |
CN113806675B (zh) | 一种NOx排放与油耗特征分析方法 | |
CN209071553U (zh) | 电池包鼓包检测装置、电池管理***、车辆 | |
CN113500916A (zh) | 一种电池***安全状态的预警方法、预警装置及控制设备 | |
CN117341476B (zh) | 一种电池压差故障预警方法及*** | |
CN112363061A (zh) | 一种基于大数据的热失控风险评估方法 | |
CN112986834A (zh) | 一种基于电压排序的电池安全监控方法及*** | |
CN112684349A (zh) | 电池单体失效的分析方法、验证方法、装置、设备及介质 | |
CN117691722B (zh) | 一种锂电池充电安全监测预警方法及*** | |
CN109615273A (zh) | 一种电动汽车充电设施状态评价方法与*** | |
Liu et al. | Cloud platform-oriented electrical vehicle abnormal battery cell detection and pack consistency evaluation with big data: devising an early-warning system for latent risks | |
Liu et al. | High-dimensional data abnormity detection based on improved Variance-of-Angle (VOA) algorithm for electric vehicles battery | |
CN114646888A (zh) | 一种动力电池容量衰减的评估方法及*** | |
CN111948545B (zh) | 动力电池电压特性的图形化表示及电压异常单体识别方法 | |
CN115648942A (zh) | 一种新能源汽车锂电池充放电管理***及方法 | |
CN111934032B (zh) | 动力电池温度特性的图形化表示及温度异常单体识别方法 | |
CN115587331A (zh) | 电网设备运行状态诊断预测方法及*** | |
Gao et al. | Research on intelligent diagnosis strategy and treatment method of EV charging fault | |
CN105751910B (zh) | 一种车载可放电储能***的电池模组放电方法和装置 | |
CN112991574A (zh) | 一种分析电堆衰减的方法 | |
CN114487888A (zh) | 一种车辆电池***异常电池筛选及监测方法 | |
CN117930027B (zh) | 一种动力电池容量异常检测方法、装置及平台 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |