CN113203954A - 一种基于时频图像处理的电池故障诊断方法 - Google Patents

一种基于时频图像处理的电池故障诊断方法 Download PDF

Info

Publication number
CN113203954A
CN113203954A CN202110453564.0A CN202110453564A CN113203954A CN 113203954 A CN113203954 A CN 113203954A CN 202110453564 A CN202110453564 A CN 202110453564A CN 113203954 A CN113203954 A CN 113203954A
Authority
CN
China
Prior art keywords
battery
time
fault diagnosis
frequency image
image processing
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
CN202110453564.0A
Other languages
English (en)
Inventor
常春
王启悦
姜久春
高洋
廖力
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.)
Hubei University of Technology
Original Assignee
Hubei University of Technology
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 Hubei University of Technology filed Critical Hubei University of Technology
Priority to CN202110453564.0A priority Critical patent/CN113203954A/zh
Publication of CN113203954A publication Critical patent/CN113203954A/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Secondary Cells (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

本发明提出了一种基于时频图像处理的电池故障诊断方法，包括：采集正常电池和故障电池的一维电压数据作为原始数据集；对采集的电压数据进行时频处理，转化为二维时频图；将二维时频图进行灰度化处理，计算得到灰度共生矩阵；并提取灰度共生矩阵相关特征集，利用基于密度的聚类算法对图像特征进行诊断识别；从而实现电池故障诊断。本发明的特点是将一维电压信号转为二维时频图后，更能体现电池故障信息，故障诊断具有很高的精确性和稳定性。本发明提供了一种准确度高，误报少的故障单体电池检测方法，该方法解决了现有技术中很难有效诊断故障单体电池的问题。

Description

一种基于时频图像处理的电池故障诊断方法
技术领域
本发明属于电池故障诊断技术领域，具体涉及一种基于时频图像处理的电池故障诊断方法。
背景技术
锂离子电池因具有循环寿命长、高比能量、自放电率低等优点，以锂离子电池作为动力电池的电动汽车逐渐成为未来汽车发展的主流方向。然而，锂离子电池故障导致的热失控着火事故时有发生，严重威胁人民的生命安全。
车载电池***在实际的运行过程中当遭受一定程度的机械-电-热滥用，会导致电池性能的快速衰退，甚至会引发电池故障并最终发展为热失控，造成严重的安全事故。为了避免这些情况的发生，必须快速准确地诊断出电池中发生的故障并进行安全预警，从而提高电池使用的安全性。
目前，锂离子电池故障诊断技术依然是电池安全问题研究的一个难点，故障诊断的方法主要分为基于模型的故障诊断和基于数据驱动的故障诊断。由于电池运行工况条件的实时变化以及锂离子电池的高度非线性，高准确度模型的建立较为困难。基于数据驱动的故障诊断方法不需要建立精确的电池模型，只需要对电池数据进行处理，通过设置阈值来对电池故障进行诊断，处理方法较为简单，准确度较低，很难有效的诊断出故障单体电池。
发明内容
鉴于此，有必要提供一种更为准确的故障电池诊断方法。
本发明提供了一种基于时频图像处理的电池故障诊断方法，通过实时采集锂离子电池***使用过程中各单体电池的电压数据，创新性地利用各个单体电池的一维电压数据转化为二维时频图像；然后基于时频图像处理算法对各个单体电池对应的时频图进行分析，提取图像灰度共生矩阵特征集，利用基于密度的聚类算法实现诊断故障单体电池，提高故障电池诊断的准确性。本发明采用如下技术方案：
一种基于时频图像处理的电池故障诊断方法，其特征在于，包括以下步骤：
S1，采集电池组使用过程中的一维电压数据作为原始数据集，其中原始数据集应包括正常单体电池和故障单体电池的电压数据；
S2，对采集的一维电压数据进行时频处理，获得电池的二维时频图像；
S3，通过对获得的时频图像进行计算获得灰度共生矩阵，描述图像纹理分布特征；
S4，选取灰度共生矩阵五个特征集即能量、对比度、熵、相关性和逆差矩，并利用主成分分析法进行降维，得到2维故障特征集；
S5，利用基于密度的聚类算法进行单体电池故障诊断。
在上述的基于时频图像处理的电池故障诊断方法，所述步骤S2中对采集的一维电压数据u(t)进行时频处理，转化为二维的时频图像；其中时频处理采用小波变换：
Figure BDA0003039748730000021
其中
Figure BDA0003039748730000022
代表母小波，a为伸缩因子，b为平移因子，C(a,b)为小波变换系数。
在上述的基于时频图像处理的电池故障诊断方法，所述步骤S4计算获得灰度共生矩阵p，依据公式为：
p(i,j,α,β)＝{(m,n),(m+dm,n+dn)∈M*M,f(m,n)＝i,f(m+dm,n+dn)＝j} (2)
其中,M*M为图片尺寸，(m,n)为参考点，(m+dm,n+dn)为偏移点，f(m,n)＝i表示参考点的灰度值为i,f(m+dm,n+dn)＝j表示偏移点的灰度值为j，αβ分别表示偏移点的偏移值和偏移角度。
在上述的基于时频图像处理的电池故障诊断方法，所述步骤S5提取的能量POWER，依据公式为：
Figure BDA0003039748730000023
在上述的基于时频图像处理的电池故障诊断方法，所述步骤S5提取的特征熵值ENY，依据公式为：
Figure BDA0003039748730000024
在上述的基于时频图像处理的电池故障诊断方法，所述步骤S5提取的特征对比度CON，依据公式为：
Figure BDA0003039748730000025
在上述的基于时频图像处理的电池故障诊断方法，所述步骤S5提取的特征相关性DB，依据公式为：
Figure BDA0003039748730000026
其中，
Figure BDA0003039748730000031
Figure BDA0003039748730000032
在上述的基于时频图像处理的电池故障诊断方法，所述步骤S5提取的特征逆差矩DM，该特征分反映了图像纹理的均匀性，度量了图像纹理的局部变化；该值越大，图像纹理在不同区域之间的变化越不明显，局部均匀性越差，依据公式为：
Figure BDA0003039748730000033
在上述的基于时频图像处理的电池故障诊断方法，步骤S5中主成分分析法主要步骤如下：
S5.1,电池个数为N，每个电池存在5个特征量，形成原始矩阵(Xij)N*5，其中Xij为第i电池的第j个特征值；
S5.2,对原始矩阵X进行标准化处理，得到标准化后的矩阵Y，即:
Figure BDA0003039748730000034
其中，Yij表示第i个电池第j个特征量标准化后的值，
Figure BDA0003039748730000035
为第i个电池特征的平均值，Si为第i个电池特征的标准差
S5.3,计算矩阵Y的相关系数矩阵R，即：
Figure BDA0003039748730000036
S5.4,计算矩阵R的特征值λi与特征向量ei，假设R有q个非负特征值，对其进行降序排序，即：λ1≥λ2≥…≥λq (10)
之后求出对应于特征值的特征向量ei(i＝1,2…q)，并且特征向量的模为1；
S5.4本发明中提取两个主成分，因此特征值为，则主成分的计算表达式为：Z＝YE(11)
其中E＝[e1,e2]为2个排序在前特征值对应的规范正交矩阵。
在上述的基于时频图像处理的电池故障诊断方法，所述步骤S6利用基于密度的聚类对电池进行故障诊断，是指异常电池的特征值与正常电池的领域密度不同；该方法有两个核心参数R和Minr，其中R是指故障特征在给定半径内区域的领域，Minr是确定故障特征样本是否是核心对象，即在样本R领域内的样本点数大于等于Minr，则确定该对象为核心对象；该方法步骤为首先任意选择一个样本点，找到该点R半径范围内所有的点，如果距离在R之内的数据点个数大于，则这个点被标记为核心样本，标记为核心样本，并被分配一个新的集群标签，然后算法会返回一个密度相连的集合，将这个集合内的所有对象都表示为同一集群；否则标记离群值。
与现有技术相比，本发明所给出的故障单体电池诊断方法对电池组运行过程中采集到的电压数据进行分析，创新性地将一维电压数据转为二维时频图像，在图像中提取相关特征参数。利用时频图像处理算法和基于密度的聚类算法，能够实时进行故障单体电池的检测诊断，提高了单体电池故障诊断的准确度，减少漏报率。本发明提供的电池故障诊断方法具有较高的鲁棒性。
附图说明
图1为基于时频图像处理的电池故障诊断方法的诊断流程图。
具体实施方式
下面将对本发明提供的故障单体电池检测方法作进一步的详细说明。
本发明提供的电池故障诊断方法，包括以下具体步骤：
S1，采集电池充电过程中的电压数据作为原始数据集，其中原始数据集包括正常单体电池和故障单体电池的电压数据；
S2，对采集的一维电压数据进行小波变换时频处理，获得电池的二维时频图像；
S2.1，将对应时间窗口内采集到的电池一维电压数据记为u(t)；
S2.2，对电压信号u(t)根据公式(1)进行连续小波变换，变为二维时频图:
Figure BDA0003039748730000041
其中
Figure BDA0003039748730000042
代表母小波，a为伸缩因子，b为平移因子，C(a,b)为小波变换系数。
S3，通过对获得的时频图像进行计算获得灰度共生矩阵，描述图像纹理分布特征。
S4，选取灰度共生矩阵五个特征集即能量、对比度、熵和相关性和逆差矩。
S5，利用主成分分析法将5维特征量降维成2维。
S6，利用基于密度的聚类算法进行单体电池故障诊断；
步骤S1中，所述电池组的电池种类不限于某一类，本实施例中所检测的是锂离子电池。提供的电池组包括编号依次为1,2,3…N的N个单体电池，其中N为大于1的整数.
步骤S1中，分别采集所提供的电池组中的N个单体电池的充电电压ui(t)，其中i代表所述N个单体电池中的任意一个单体电池。
步骤S3中，计算灰度共生矩阵，假设时频图的尺寸为M*M，则灰度共生矩阵p中元素为:
p(i,j,α,β)＝{(m,n),(m+dm,n+dn)∈M*M,f(m,n)＝i,f(m+dm,n+dn)＝j} (2)
其中,(m,n)为参考点,(m+dm,n+dn)为偏移点,f(m,n)＝i表示参考点的灰度值为i,f(m+dm,n+dn)＝j表示偏移点的灰度值为j,αβ分别表示偏移点的偏移值和偏移角度。
步骤S4中，能量POWER表示图像灰度分布的均匀程度和纹理粗细程度，依据公式为：
Figure BDA0003039748730000051
步骤S4中，对比度CON表示图像清晰度和纹理深浅的程度。依据公式为：
Figure BDA0003039748730000052
步骤S4中，熵值ENY代表图像纹理的复杂程度。依据公式为:
Figure BDA0003039748730000053
步骤S4中，相关性DB是衡量灰度共生矩阵中元素行或列方向上的相似性参数，依据公式为：
Figure BDA0003039748730000054
其中,
Figure BDA0003039748730000055
Figure BDA0003039748730000056
步骤S4中，逆差矩DM反映了图像纹理的均匀性，度量了图像纹理的局部变化。该值越大，图像纹理在不同区域之间的变化越不明显，局部均匀性越差，依据公式为：
Figure BDA0003039748730000057
步骤S5中主成分分析法主要步骤如下：
S5.1,电池个数为N，每个电池存在5个特征量，形成原始矩阵(Xij)N*Ω，其中Xij为第i号电池的第j个特征值。
S5.2,对原始矩阵X进行标准化处理，得到标准化后的矩阵Y，即:
Figure BDA0003039748730000058
其中，Yij表示第i个电池第j个特征量标准化后的值，
Figure BDA0003039748730000059
为第i个电池特征的平均值，Si为第i个电池特征的标准差。
S5.3,计算矩阵Y的相关系数矩阵R，即：
Figure BDA0003039748730000061
S5.4,计算矩阵R的特征值λi与特征向量ei，假设R有q个非负特征值，对其进行降序排序:
λ1≥λ2≥…≥λq (10)
之后求出对应于特征值的特征向量ei(i＝1,2…q)，并且特征向量的模为1。
S5.4本发明中提取两个主成分，因此特征值为λ1,λ2，则主成分的计算表达式为：
Z＝YE (11)
其中E＝[e1,e2]为排序在前特征值对应的规范正交矩阵。本发明中提取两个主成分。
步骤S6利用基于密度的聚类对电池进行故障诊断，是指异常电池的特征值与正常电池的领域密度不同。该方法有两个核心参数R和Minr，其中R是指研究对象在给定半径内区域的领域，Minr是确定研究对象是否是核心对象，即在研究对象R领域内的样本点数大于等于Minr，则确定该对象为核心对象。首先任意选择任意一个样本点，找到该点R半径范围内所有的点，如果距离在R之内的数据点个数大于Minr，则这个点被标记为核心样本，标记为核心样本，并被分配一个新的集群标签，然后算法会返回一个密度相连的集合，将这个集合内的所有对象都表示为同一集群。否则标记成离群值。
与现有技术相比，本发明所给出的故障单体电池诊断方法对电池组运行过程中采集到的电压数据进行分析，创新性地利用小波分析方法将一维电压信号转变为二维时频图像，利用时频图像处理算法和基于密度的聚类算法，能够实时进行故障单体电池的检测诊断，提高了单体电池故障诊断的准确度，减少漏报率。
另外，电池技术领域的相关技术人员还可以在本发明精神内做其它改变，当然本发明所要求保护范围也包含这些依据本发明所做的改变。

Claims (10)

1.一种基于时频图像处理的电池故障诊断方法，其特征在于，包括以下步骤：
S1，采集电池组使用过程中的一维电压数据作为原始数据集，其中原始数据集应包括正常单体电池和故障单体电池的电压数据；
S2，对采集的一维电压数据进行时频处理，获得电池的二维时频图像；
S3，通过对获得的时频图像进行计算获得灰度共生矩阵，描述图像纹理分布特征；
S4，选取灰度共生矩阵五个特征集即能量、对比度、熵、相关性和逆差矩，并利用主成分分析法进行降维，得到2维故障特征集；
S5，利用基于密度的聚类算法进行单体电池故障诊断。
2.如权利要求1所述的基于时频图像处理的电池故障诊断方法，其特征在于，所述步骤S2中对采集的一维电压数据u(t)进行时频处理，转化为二维的时频图像；其中时频处理采用小波变换：
Figure FDA0003039748720000011
其中
Figure FDA0003039748720000012
代表母小波，a为伸缩因子，b为平移因子，C(a,b)为小波变换系数。
3.如权利要求1所述的基于时频图像处理的电池故障诊断方法，其特征在于，所述步骤S4计算获得灰度共生矩阵p，依据公式为：
p(i,j,α,β)＝{(m,n),(m+dm,n+dn)∈M*M,f(m,n)＝i,f(m+dm,n+dn)＝j} (2)
其中,M*M为图片尺寸，(m,n)为参考点，(m+dm,n+dn)为偏移点，f(m,n)＝i表示参考点的灰度值为i,f(m+dm,n+dn)＝j表示偏移点的灰度值为j，αβ分别表示偏移点的偏移值和偏移角度。
4.如权利要求1所述的基于时频图像处理的电池故障诊断方法，其特征在于，所述步骤S5提取的能量POWER，依据公式为：
Figure FDA0003039748720000013
5.如权利要求1所述的基于时频图像处理的电池故障诊断方法，其特征在于，所述步骤S5提取的特征熵值ENY，依据公式为：
Figure FDA0003039748720000021
6.如权利要求1所述的基于时频图像处理的电池故障诊断方法，其特征在于，所述步骤S5提取的特征对比度CON，依据公式为：
Figure FDA0003039748720000022
7.如权利要求1所述的基于时频图像处理的电池故障诊断方法，其特征在于，所述步骤S5提取的特征相关性DB，依据公式为：
Figure FDA0003039748720000023
其中，
Figure FDA0003039748720000024
Figure FDA0003039748720000025
8.如权利要求1所述的基于时频图像处理的电池故障诊断方法，其特征在于，所述步骤S5提取的特征逆差矩DM，该特征分反映了图像纹理的均匀性，度量了图像纹理的局部变化；该值越大，图像纹理在不同区域之间的变化越不明显，局部均匀性越差，依据公式为：
Figure FDA0003039748720000026
9.如权利要求1所述的基于时频图像处理的电池故障诊断方法，其特征在于，步骤S5中主成分分析法主要步骤如下：
S5.1,电池个数为N，每个电池存在5个特征量，形成原始矩阵(Xij)N*5，其中Xij为第i电池的第j个特征值；
S5.2,对原始矩阵X进行标准化处理，得到标准化后的矩阵Y，即:
Figure FDA0003039748720000027
其中，Yij表示第i个电池第j个特征量标准化后的值，
Figure FDA0003039748720000028
为第i个电池特征的平均值，Si为第i个电池特征的标准差
S5.3,计算矩阵Y的相关系数矩阵R，即：
Figure FDA0003039748720000031
S5.4,计算矩阵R的特征值λi与特征向量ei，假设R有q个非负特征值，对其进行降序排序，即：λ1≥λ2≥…≥λq (10)
之后求出对应于特征值的特征向量ei(i＝1,2…q)，并且特征向量的模为1；S5.4本发明中提取两个主成分，因此特征值为，则主成分的计算表达式为：
Z＝YE (11)
其中E＝[e1,e2]为2个排序在前特征值对应的规范正交矩阵。
10.如权利要求1所述的基于时频图像处理的电池故障诊断方法，其特征在于，所述步骤S6利用基于密度的聚类对电池进行故障诊断，是指异常电池的特征值与正常电池的领域密度不同；该方法有两个核心参数R和Minr，其中R是指故障特征在给定半径内区域的领域，Minr是确定故障特征样本是否是核心对象，即在样本R领域内的样本点数大于等于Minr，则确定该对象为核心对象；该方法步骤为首先任意选择一个样本点，找到该点R半径范围内所有的点，如果距离在R之内的数据点个数大于，则这个点被标记为核心样本，标记为核心样本，并被分配一个新的集群标签，然后算法会返回一个密度相连的集合，将这个集合内的所有对象都表示为同一集群；否则标记离群值。
CN202110453564.0A 2021-04-26 2021-04-26 一种基于时频图像处理的电池故障诊断方法 Pending CN113203954A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110453564.0A CN113203954A (zh) 2021-04-26 2021-04-26 一种基于时频图像处理的电池故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110453564.0A CN113203954A (zh) 2021-04-26 2021-04-26 一种基于时频图像处理的电池故障诊断方法

Publications (1)

Publication Number Publication Date
CN113203954A true CN113203954A (zh) 2021-08-03

Family

ID=77028904

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110453564.0A Pending CN113203954A (zh) 2021-04-26 2021-04-26 一种基于时频图像处理的电池故障诊断方法

Country Status (1)

Country Link
CN (1) CN113203954A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114418465A (zh) * 2022-03-29 2022-04-29 湖北工业大学 一种数据驱动的动力电池使用行为量化评估方法
CN115308631A (zh) * 2022-10-09 2022-11-08 湖北工业大学 一种新能源汽车动力电池组故障诊断方法及***
CN117169732A (zh) * 2023-10-26 2023-12-05 宁德时代新能源科技股份有限公司 电池故障检测方法、装置、计算设备和介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631553A (zh) * 2016-02-01 2016-06-01 浙江工业大学 一种电动汽车充放电自动需求响应优化方法
US20170229891A1 (en) * 2016-02-05 2017-08-10 Korea Advanced Institute Of Science And Technology Optimized battery charging method based on thermodynamic information of battery
CN107643495A (zh) * 2017-11-08 2018-01-30 中国科学院电工研究所 一种基于主成分法的电池一致性评价方法
KR20180021570A (ko) * 2016-08-22 2018-03-05 한국과학기술원 배터리의 용량상태 결정방법 및 그를 이용한 용량감소 측정방법
CN111693868A (zh) * 2019-03-12 2020-09-22 天津工业大学 基于密度特征聚类集成的锂电池荷电状态估算方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631553A (zh) * 2016-02-01 2016-06-01 浙江工业大学 一种电动汽车充放电自动需求响应优化方法
US20170229891A1 (en) * 2016-02-05 2017-08-10 Korea Advanced Institute Of Science And Technology Optimized battery charging method based on thermodynamic information of battery
KR20180021570A (ko) * 2016-08-22 2018-03-05 한국과학기술원 배터리의 용량상태 결정방법 및 그를 이용한 용량감소 측정방법
CN107643495A (zh) * 2017-11-08 2018-01-30 中国科学院电工研究所 一种基于主成分法的电池一致性评价方法
CN111693868A (zh) * 2019-03-12 2020-09-22 天津工业大学 基于密度特征聚类集成的锂电池荷电状态估算方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
刘思洋: "水面垃圾清理机器人电控***及目标识别算法的研究", 《中国优秀博硕士学位论文全文数据库（硕士） 信息科技辑》 *
孙逢春 等: "电池自身的异常", 《"装甲车辆混合动力电传动技术（第2版）》 *
陈宗海: "基于信号处理的方法", 《***仿真技术及其应用》 *
马宏忠 等: "基于MRSVD和时频灰度图的储能电池过充特征识别", 《电源技术》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114418465A (zh) * 2022-03-29 2022-04-29 湖北工业大学 一种数据驱动的动力电池使用行为量化评估方法
CN114418465B (zh) * 2022-03-29 2022-08-05 湖北工业大学 一种数据驱动的动力电池使用行为量化评估方法
CN115308631A (zh) * 2022-10-09 2022-11-08 湖北工业大学 一种新能源汽车动力电池组故障诊断方法及***
CN117169732A (zh) * 2023-10-26 2023-12-05 宁德时代新能源科技股份有限公司 电池故障检测方法、装置、计算设备和介质
CN117169732B (zh) * 2023-10-26 2024-04-26 宁德时代新能源科技股份有限公司 电池故障检测方法、装置、计算设备和介质

Similar Documents

Publication Publication Date Title
CN113203954A (zh) 一种基于时频图像处理的电池故障诊断方法
CN111695598B (zh) 一种基于生成对抗网络的监测数据异常诊断方法
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN108398939B (zh) 一种基于ds证据理论的故障诊断方法
CN114559819A (zh) 一种基于信号处理的电动汽车电池安全预警方法
CN113406524B (zh) 一种动力电池***的不一致性故障诊断方法及***
CN112287980B (zh) 基于典型特征向量的动力电池筛选方法
CN111428772B (zh) 基于k-近邻自适应投票的光伏***深度异常检测方法
CN111678699A (zh) 一种面向滚动轴承早期故障监测与诊断方法及***
CN114118219A (zh) 基于数据驱动的长期加电设备健康状态实时异常检测方法
CN112880726A (zh) 基于变分模态分解样本熵的传感器故障诊断方法和装置
CN116400244B (zh) 储能电池的异常检测方法及装置
CN112419243A (zh) 一种基于红外图像分析的配电房设备故障识别方法
CN117036732A (zh) 一种基于融合模型的机电设备检测***、方法及设备
CN116381493A (zh) 一种电池组故障检测方法、***、电子设备及存储介质
CN116434258A (zh) 一种表格数据的自动识别方法
CN116503354A (zh) 基于多模态融合的光伏电池热斑检测及评估方法与装置
CN112014821B (zh) 一种基于雷达宽带特征的未知车辆目标识别方法
CN116956089A (zh) 电器设备温度异常检测模型训练方法以及检测方法
CN114492636A (zh) 一种变压器绕组状态信号的采集***
CN116819378B (zh) 储能电池异常检测方法及装置
CN117688496B (zh) 面向卫星遥测多维时序数据的异常诊断方法、***及设备
CN117407824B (zh) 一种电力时间同步装置的健康检测方法、设备和介质
CN114863178A (zh) 面向神经网络视觉***的图像数据输入检测方法和***
CN117723299A (zh) 一种基于深度学习的小样本轴承故障检测分类方法及***

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: 20210803