CN116047164A - 一种电动汽车绝缘电阻异常的检测方法和检测装置 - Google Patents
一种电动汽车绝缘电阻异常的检测方法和检测装置 Download PDFInfo
- Publication number
- CN116047164A CN116047164A CN202211722700.2A CN202211722700A CN116047164A CN 116047164 A CN116047164 A CN 116047164A CN 202211722700 A CN202211722700 A CN 202211722700A CN 116047164 A CN116047164 A CN 116047164A
- Authority
- CN
- China
- Prior art keywords
- target
- insulation resistance
- point
- insulation
- peak
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R27/00—Arrangements for measuring resistance, reactance, impedance, or electric characteristics derived therefrom
- G01R27/02—Measuring real or complex resistance, reactance, impedance, or other two-pole characteristics derived therefrom, e.g. time constant
- G01R27/025—Measuring very high resistances, e.g. isolation resistances, i.e. megohm-meters
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Resistance Or Impedance (AREA)
Abstract
本申请提供了一种电动汽车绝缘电阻异常的检测方法和检测装置,该检测方法包括:基于多组目标运行数据中的多个绝缘电阻值生成目标绝缘电阻分布曲线,并根据所述目标绝缘电阻分布曲线确定该组目标运行数据中的多种第一统计学特征;以滑动窗口方式逐帧计算所述目标车辆的实际运行数据中在滑动窗口内的多种第二统计学特征;将多个差异特征输入到预先训练好的绝缘电阻异常检测模型中,确定出所述目标车辆在当前时刻是否存在绝缘异常。根据所述方法和装置,能充分体现实时绝缘电阻与历史绝缘电阻的差异,可识别常见的绝缘异常情况,显著减少误报或漏报的情况。
Description
技术领域
本申请涉及绝缘电阻异常检测领域,具体而言,涉及一种电动汽车绝缘电阻异常的检测方法和检测装置。
背景技术
电动汽车中的电气***是一个复杂的高压***,其绝缘性能直接影响着车内人员的安全。电解液泄漏、绝缘层破损、线束粘接等原因可导致车辆绝缘失效,进而造成人员电击、电池***起火等危险。
电动汽车绝缘性能用绝缘电阻表示,即动力电池正、负极引线与汽车底盘之间的电阻,无绝缘故障时绝缘电阻值在兆欧数量级,发生绝缘故障时绝缘电阻值变小。国标《电动汽车用动力蓄电池安全要求》中给出了安全性试验后绝缘电阻下限阈值,目前业内普遍使用基于阈值的方法识别绝缘电阻异常现象。
不同工况(充电、上高压、下高压)下绝缘电阻呈现不同的分布,现有绝缘异常检测方法通常针对不同车型、不同工况设置不同的阈值,需要花费大量精力反复调整验证,不同充电桩型号、车载电器的使用等因素则使调试过程更加困难。且基于阈值的方法只有当绝缘电阻显著偏离正常情况时才能被检测到,无法识别早期故障,另外阈值设置不合理时容易产生误报或漏报。
发明内容
有鉴于此,本申请的目的在于提供一种电动汽车绝缘电阻异常的检测方法和检测装置,通过绝缘电阻异常检测模型对目标车辆进行实时的绝缘电阻异常检测,以实时滑动窗口统计学指标与历史统计学指标的差异作为特征,能充分体现实时绝缘电阻与历史绝缘电阻的差异,可识别常见的绝缘异常情况,显著减少误报或漏报的情况,同时可以在绝缘异常早期实现预警。
第一方面,本申请实施例提供了一种电动汽车绝缘电阻异常的检测方法,所述检测方法包括:
获取目标车辆的历史运行数据,并对所述历史运行数据进行数据清洗,得到目标运行数据;其中,所述目标运行数据包括每个采样时间对应的绝缘电阻值;
按照预设时间尺度,基于所述目标运行数据中的多个采样时间对所述目标运行数据进行分割,得到多组分割后的目标运行数据;
针对于每组目标运行数据,基于该组目标运行数据中的多个绝缘电阻值生成目标绝缘电阻分布曲线,并根据所述目标绝缘电阻分布曲线确定该组目标运行数据中的多种第一统计学特征;
以预设时间长度为滑动窗口长度,以滑动窗口方式逐帧计算所述目标车辆的实际运行数据中在所述滑动窗口内的多种第二统计学特征;
针对于每种第二统计学特征,从与该第二统计学特征时间邻近的上一组目标运行数据的所述多种第一统计学特征中确定与该第二统计学特征的属性相同的目标第一统计学特征,并将所述目标第一统计学特征与该第二统计学特征作差,得到差异特征;
将多个差异特征输入到预先训练好的绝缘电阻异常检测模型中,确定出所述目标车辆在当前时刻是否存在绝缘异常。
进一步的,所述基于该组目标运行数据中的多个绝缘电阻值生成目标绝缘电阻分布曲线,并根据所述目标绝缘电阻分布曲线确定该组目标运行数据中的多种第一统计学特征,包括:
基于电阻划分区间长度确定多个电阻区间,并确定在每个电阻区间内的绝缘电阻的数量;
基于所述多个电阻区间以及每个电阻区间内的绝缘电阻的数量生成初始绝缘电阻分布曲线;其中,所述初始绝缘电阻分布曲线的横坐标表示各个电阻区间,纵坐标表示每个电阻区间内的绝缘电阻的数量;
对所述初始绝缘电阻分布曲线进行降噪处理,得到所述目标绝缘电阻分布曲线;
对所述目标绝缘电阻分布曲线使用寻峰算法,在所述目标绝缘电阻分布曲线中的多个峰中确定出绝缘最小峰;
在所述目标绝缘电阻分布曲线中统计在所述绝缘最小峰的上下限范围内的绝缘电阻的多种统计学特征,并将在所述绝缘最小峰的上下限范围内的绝缘电阻的多种统计学特征确定为该组目标运行数据中的多种第一统计学特征。
进一步的,所述对所述目标绝缘电阻分布曲线使用寻峰算法,在所述目标绝缘电阻分布曲线中的多个峰中确定出绝缘最小峰,包括:
在所述目标绝缘电阻分布曲线中的多个点中确定出纵坐标既大于左边点的纵坐标又大于右边点的纵坐标的多个坐标点,并将所述多个坐标点中的每个坐标点作为波峰点;
针对于每个波峰点,以该波峰点为起点沿着所述目标绝缘电阻分布曲线的横坐标向左搜索,确定第一目标点,并将该波峰点与所述第一目标点之间的最低点作为左波谷点;其中,所述第一目标点为左边界点或纵坐标大于该波峰的纵坐标的点;
以该波峰点为起点沿着所述目标绝缘电阻分布曲线的横坐标向右搜索,确定第二目标点,并将该波峰点与所述第二目标点之间的最低点作为右波谷点;其中,所述第二目标点为右边界点或纵坐标大于该波峰的纵坐标的点;
根据所述左波谷点的坐标与该波峰点的坐标计算第一高度差,根据所述右波谷点的坐标与该波峰点的坐标计算第二高度差,并将所述第一高度差与所述第二高度差之间的较小值作为该波峰点对应的峰的突出度;
根据各个峰的突出度对各个峰进行筛选,去除噪声峰,并将横坐标最左边的峰确定为所述目标绝缘电阻分布曲线中的绝缘最小峰。
进一步的,通过以下方式训练所述绝缘电阻异常检测模型:
获取曾发生绝缘故障的样本车辆的原始运行数据,并对所述原始运行数据进行数据清洗,得到历史运行样本数据;其中,所述历史运行样本数据包括每个采样时间对应的绝缘电阻值;
按照所述预设时间尺度,基于所述历史运行样本数据中的多个采样时间对所述历史运行样本数据进行分割,得到多组分割后的历史运行样本数据;
针对于每组历史运行样本数据,基于该组历史运行样本数据中的多个绝缘电阻值生成绝缘电阻分布样本曲线,并根据所述绝缘电阻分布样本曲线确定该组历史运行样本数据中的多种第一统计学样本特征;
以所述预设时间长度为滑动窗口长度,以滑动窗口方式逐帧计算所述样本车辆的实际运行数据中在所述滑动窗口内的多种第二统计学样本特征;
针对于每种第二统计学样本特征,从与该第二统计学样本特征时间邻近的上一组历史运行样本数据的所述多种第一统计学样本特征中确定与该第二统计学样本特征的属性相同的目标第一统计学样本特征,并将所述目标第一统计学样本特征与该第二统计学样本特征作差,得到差异样本特征;
获取所述样本车辆在所有采样时间内的车辆绝缘信号,并对所述车辆绝缘信号随时间变化趋势进行分析,标记所述车辆绝缘信号中的绝缘异常状态,以作为第一标签信息;其中,所述第一标签信息表示所述样本车辆在所有采样时间内是否处于绝缘异常状态;
将所述差异样本特征与所述第一标签信息进行关联,得到样本训练数据;
将多组所述样本训练数据输入到机器学习算法中进行训练,以得到所述绝缘电阻异常检测模型。
进一步的,所述将多组所述样本训练数据输入到机器学习算法中进行训练,以得到所述绝缘电阻异常检测模型,包括:
将多组所述样本训练数据输入到所述机器学习算法中,确定出每组所述样本训练数据对应的第二标签信息;其中,所述第二标签信息用来表示在每组所述样本训练数据对应的采样时间内所述样本车辆是否处于绝缘异常状态;
将每个所述差异样本特征对应的所述第一标签信息与所述第二标签信息进行对比,计算当前状态下所述绝缘电阻异常原始检测模型的损失函数;
采用梯度下降法,基于所述绝缘电阻异常原始检测模型的损失函数,不断调整所述绝缘电阻异常原始检测模型的模型参数,直至所述绝缘电阻异常原始检测模型达到收敛状态,或训练达到迭代次数限制,得到所述绝缘电阻异常检测模型。
第二方面,本申请实施例还提供了一种电动汽车绝缘电阻异常的检测装置,所述检测装置包括:
数据获取模块,用于获取目标车辆的历史运行数据,并对所述历史运行数据进行数据清洗,得到目标运行数据;其中,所述目标运行数据包括每个采样时间对应的绝缘电阻值;
数据分割模块,用于按照预设时间尺度,基于所述目标运行数据中的多个采样时间对所述目标运行数据进行分割,得到多组分割后的目标运行数据;
第一统计学特征确定模块,用于针对于每组目标运行数据,基于该组目标运行数据中的多个绝缘电阻值生成目标绝缘电阻分布曲线,并根据所述目标绝缘电阻分布曲线确定该组目标运行数据中的多种第一统计学特征;
第二统计学特征确定模块,用于以预设时间长度为滑动窗口长度,以滑动窗口方式逐帧计算所述目标车辆的实际运行数据中在所述滑动窗口内的多种第二统计学特征;
差异特征确定模块,用于针对于每种第二统计学特征,从与该第二统计学特征时间邻近的上一组目标运行数据的所述多种第一统计学特征中确定与该第二统计学特征的属性相同的目标第一统计学特征,并将所述目标第一统计学特征与该第二统计学特征作差,得到差异特征;
异常检测模块,用于将多个差异特征输入到预先训练好的绝缘电阻异常检测模型中,确定出所述目标车辆在当前时刻是否存在绝缘异常。
进一步的,所述第一统计学特征确定模块在用于基于该组目标运行数据中的多个绝缘电阻值生成目标绝缘电阻分布曲线,并根据所述目标绝缘电阻分布曲线确定该组目标运行数据中的多种第一统计学特征时,所述第一统计学特征确定模块还用于:
基于电阻划分区间长度确定多个电阻区间,并确定在每个电阻区间内的绝缘电阻的数量;
基于所述多个电阻区间以及每个电阻区间内的绝缘电阻的数量生成初始绝缘电阻分布曲线;其中,所述初始绝缘电阻分布曲线的横坐标表示各个电阻区间,纵坐标表示每个电阻区间内的绝缘电阻的数量;
对所述初始绝缘电阻分布曲线进行降噪处理,得到所述目标绝缘电阻分布曲线;
对所述目标绝缘电阻分布曲线使用寻峰算法,在所述目标绝缘电阻分布曲线中的多个峰中确定出绝缘最小峰;
在所述目标绝缘电阻分布曲线中统计在所述绝缘最小峰的上下限范围内的绝缘电阻的多种统计学特征,并将在所述绝缘最小峰的上下限范围内的绝缘电阻的多种统计学特征确定为该组目标运行数据中的多种第一统计学特征。
进一步的,所述第一统计学特征确定模块在用于对所述目标绝缘电阻分布曲线使用寻峰算法,在所述目标绝缘电阻分布曲线中的多个峰中确定出绝缘最小峰时,所述第一统计学特征确定模块还用于:
在所述目标绝缘电阻分布曲线中的多个点中确定出纵坐标既大于左边点的纵坐标又大于右边点的纵坐标的多个坐标点,并将所述多个坐标点中的每个坐标点作为波峰点;
针对于每个波峰点,以该波峰点为起点沿着所述目标绝缘电阻分布曲线的横坐标向左搜索,确定第一目标点,并将该波峰点与所述第一目标点之间的最低点作为左波谷点;其中,所述第一目标点为左边界点或纵坐标大于该波峰的纵坐标的点;
以该波峰点为起点沿着所述目标绝缘电阻分布曲线的横坐标向右搜索,确定第二目标点,并将该波峰点与所述第二目标点之间的最低点作为右波谷点;其中,所述第二目标点为右边界点或纵坐标大于该波峰的纵坐标的点;
根据所述左波谷点的坐标与该波峰点的坐标计算第一高度差,根据所述右波谷点的坐标与该波峰点的坐标计算第二高度差,并将所述第一高度差与所述第二高度差之间的较小值作为该波峰点对应的峰的突出度;
根据各个峰的突出度对各个峰进行筛选,去除噪声峰,并将横坐标最左边的峰确定为所述目标绝缘电阻分布曲线中的绝缘最小峰。
第三方面,本申请实施例还提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如上述的电动汽车绝缘电阻异常的检测方法的步骤。
第四方面,本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上述的电动汽车绝缘电阻异常的检测方法的步骤。
本申请实施例所提供的电动汽车绝缘电阻异常的检测方法和检测装置,首先,获取目标车辆的历史运行数据,并对所述历史运行数据进行数据清洗,得到目标运行数据;然后,按照预设时间尺度,基于所述目标运行数据中的多个采样时间对所述目标运行数据进行分割,得到多组分割后的目标运行数据;针对于每组目标运行数据,基于该组目标运行数据中的多个绝缘电阻值生成目标绝缘电阻分布曲线,并根据所述目标绝缘电阻分布曲线确定该组目标运行数据中的多种第一统计学特征;以预设时间长度为滑动窗口长度,以滑动窗口方式逐帧计算所述目标车辆的实际运行数据中在所述滑动窗口内的多种第二统计学特征;针对于每种第二统计学特征,从与该第二统计学特征时间邻近的上一组目标运行数据的所述多种第一统计学特征中确定与该第二统计学特征的属性相同的目标第一统计学特征,并将所述目标第一统计学特征与该第二统计学特征作差,得到差异特征;最后,将多个差异特征输入到预先训练好的绝缘电阻异常检测模型中,确定出所述目标车辆在所述当前窗口时间内是否存在绝缘异常。
本申请通过绝缘电阻异常检测模型对目标车辆进行实时的绝缘电阻异常检测,即根据车辆上传的实时数据检测是否绝缘异常,基于绝缘异常发生时通常显著偏离历史分布这一现象,以实时滑动窗口统计学指标与历史统计学指标的差异作为特征,能充分体现实时绝缘电阻与历史绝缘电阻的差异,可识别常见的绝缘异常情况,显著减少误报或漏报的情况,同时可以在绝缘异常早期实现预警。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例所提供的一种电动汽车绝缘电阻异常的检测方法的流程图;
图2为本申请实施例所提供的一种电动汽车绝缘电阻异常的检测装置的结构示意图之一;
图3为本申请实施例所提供的一种电动汽车绝缘电阻异常的检测装置的结构示意图之二;
图4为本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例,都属于本申请保护的范围。
首先,对本申请可适用的应用场景进行介绍。本申请可应用于绝缘电阻异常检测领域。
电动汽车中的电气***是一个复杂的高压***,其绝缘性能直接影响着车内人员的安全。电解液泄漏、绝缘层破损、线束粘接等原因可导致车辆绝缘失效,进而造成人员电击、电池***起火等危险。
电动汽车绝缘性能用绝缘电阻表示,即动力电池正、负极引线与汽车底盘之间的电阻,无绝缘故障时绝缘电阻值在兆欧数量级,发生绝缘故障时绝缘电阻值变小。国标《电动汽车用动力蓄电池安全要求》中给出了安全性试验后绝缘电阻下限阈值,目前业内普遍使用基于阈值的方法识别绝缘电阻异常现象。
不同工况(充电、上高压、下高压)下绝缘电阻呈现不同的分布,现有绝缘异常检测方法通常针对不同车型、不同工况设置不同的阈值,需要花费大量精力反复调整验证,不同充电桩型号、车载电器的使用等因素则使调试过程更加困难。且基于阈值的方法只有当绝缘电阻显著偏离正常情况时才能被检测到,无法识别早期故障,另外阈值设置不合理时容易产生误报或漏报。
基于此,本申请实施例提供了一种电动汽车绝缘电阻异常的检测方法,通过绝缘电阻异常检测模型对目标车辆进行实时的绝缘电阻异常检测,可识别常见的绝缘异常情况,显著减少误报或漏报的情况,同时可以在绝缘异常早期实现预警。
请参阅图1,图1为本申请实施例所提供的一种电动汽车绝缘电阻异常的检测方法的流程图。如图1中所示,本申请实施例提供的电动汽车绝缘电阻异常的检测方法,包括:
S101,获取目标车辆的历史运行数据,并对所述历史运行数据进行数据清洗,得到目标运行数据。
需要说明的是,目标车辆指的是需要进行绝缘电阻异常检测的车辆。历史数据则是目标车辆在运行过程中所产生的数据。其中,所述目标运行数据包括每个采样时间对应的绝缘电阻值。
针对上述步骤S101,在具体实施时,获取目标车辆的历史运行数据,并对历史运行数据进行数据清洗,去除无效值,以得到目标运行数据。这里的目标运行数据包括目标车辆在每个采样时间对应的绝缘电阻值。
S102,按照预设时间尺度,基于所述目标运行数据中的多个采样时间对所述目标运行数据进行分割,得到多组分割后的目标运行数据。
需要说明的是,预设时间尺度指的是预先设定的用于进行数据分割的时间尺度,例如,可以设定预设时间尺度为一个月,对此本申请不做具体限定。
针对上述步骤S102,在具体实施时,由于历史运行数据都携带有对应的采样时间,因此可以根据目标运行数据中的多个采样时间对目标运行数据进行分割。按照预设时间尺度,例如按照月份对目标运行数据进行分割,得到多组分割后的目标运行数据。
S103,针对于每组目标运行数据,基于该组目标运行数据中的多个绝缘电阻值生成目标绝缘电阻分布曲线,并根据所述目标绝缘电阻分布曲线确定该组目标运行数据中的多种第一统计学特征。
需要说明的是,绝缘电阻分布曲线指的是根据多个绝缘电阻值生成的,用于表征绝缘电阻值分布的曲线。统计学特征可以包括但不限于最大值、最小值、平均值、中位值、标准差、偏度、峰度等。
针对上述步骤S103,在具体实施时,针对于分割后的每组目标运行数据,基于该组目标运行数据中的多个绝缘电阻值生成绝缘电阻分布曲线,并根据生成绝缘电阻分布曲线确定该组目标运行数据中的多种第一统计学特征,例如最大值、最小值、平均值、中位值、标准差、偏度、峰度等。
具体的,针对上述步骤S103,所述基于该组目标运行数据中的多个绝缘电阻值生成目标绝缘电阻分布曲线,并根据所述目标绝缘电阻分布曲线确定该组目标运行数据中的多种第一统计学特征,包括:
步骤1031,基于电阻划分区间长度确定多个电阻区间,并确定在每个电阻区间内的绝缘电阻的数量。
需要说明的是,电阻划分区间长度指的是预先设定的用于进行电阻值区间划分的区间范围,例如,电阻划分区间长度可以设定为100,对此本申请不做具体限定。电阻区间则是根据电阻划分区间长度生成的多个区间。延续上述实施例,当电阻划分区间长度为100时,电阻区间则为0~100、100~200、200~300等。
针对上述步骤1031,在具体实施时,基于预先设定的电阻划分区间长度确定多个电阻区间,并确定在每个电阻区间内的绝缘电阻的数量。
步骤1032,基于所述多个电阻区间以及每个电阻区间内的绝缘电阻的数量生成初始绝缘电阻分布曲线。
这里,所述初始绝缘电阻分布曲线的横坐标表示各个电阻区间,纵坐标表示每个电阻区间内的绝缘电阻的数量。
针对上述步骤1032,在步骤1031中确定多个电阻区间以及每个电阻区间内的绝缘电阻的数量后,基于多个电阻区间以及每个电阻区间内的绝缘电阻的数量生成初始绝缘电阻分布曲线。
步骤1033,对所述初始绝缘电阻分布曲线进行降噪处理,得到所述目标绝缘电阻分布曲线。
针对上述步骤1033,在具体实施时,在步骤1032中生成初始绝缘电阻分布曲线后,对初始绝缘电阻分布曲线进行降噪处理,得到目标绝缘电阻分布曲线。这里可以通过移动平均法或小波变换法等方法对进行初始绝缘电阻分布曲线降噪。例如,以窗口为3的移动平均法为例,对初始绝缘电阻分布曲线上每个点,取包括其自身的前3个点的y值作为y’,变换后点的序列即为(x1,y1’)、(x2,y2’)、(x3,y3’)、(x4,y4’)……(xn-2,yn-2’)、(xn-1,yn-1’)、(xn,yn’),其中,y3’=(y1+y2+y3)/3,y4’=(y2+y3+y4)/3……yn’=(yn-2+yn-1+yn)/3。
步骤1034,对所述目标绝缘电阻分布曲线使用寻峰算法,在所述目标绝缘电阻分布曲线中的多个峰中确定出绝缘最小峰。
针对上述步骤1034,在具体实施时,由于目标绝缘电阻分布曲线会中存在多个峰,因此要使用寻峰算法在目标绝缘电阻分布曲线中的多个峰中确定出绝缘最小峰。这里,在具体实施时,先使用寻峰算法找到目标绝缘电阻分布曲线中所有的峰,再去除噪声峰,再从剩下的峰里找到绝缘最小峰。这里,寻峰算法可以是局部最大值法(比较法)、脊线法(如continuous wavelet transform,简称CWT)等,目前应用最广泛的即局部最大值法和脊线法。对于噪声少,或对处理速度有要求的情形,可使用局部最大值法,对于噪声较多的情形,可使用脊线法。
具体的,针对上述步骤1034,所述对所述目标绝缘电阻分布曲线使用寻峰算法,在所述目标绝缘电阻分布曲线中的多个峰中确定出绝缘最小峰,包括:
步骤10341,在所述目标绝缘电阻分布曲线中的多个点中确定出纵坐标既大于左边点的纵坐标又大于右边点的纵坐标的多个坐标点,并将所述多个坐标点中的每个坐标点作为波峰点。
针对上述步骤10341,在目标绝缘电阻分布曲线中的多个点中确定出纵坐标既大于左边点的纵坐标又大于右边点的纵坐标的多个坐标点,也就是确定出所有高于左右相邻点的点,即所有满足yi>yi-1且yi>yi+1的点(xi,yi)作为波峰点。
步骤10342,针对于每个波峰点,以该波峰点为起点沿着所述目标绝缘电阻分布曲线的横坐标向左搜索,确定第一目标点,并将该波峰点与所述第一目标点之间的最低点作为左波谷点。
这里,所述第一目标点为左边界点或纵坐标大于该波峰的纵坐标的点。
针对上述步骤10342,在具体实施时,针对于每个波峰点,以该波峰点为起点沿着所述目标绝缘电阻分布曲线的横坐标向左搜索,确定第一目标点,并将该波峰点与所述第一目标点之间的最低点作为左波谷点。这里,以波峰位置为起点,向左搜索,直到遇到左边界(x1,y1)或高于当前波峰的点,即满足yj>yi的点(xjL,yjL),以点(xjL,yjL)和点(xi,yi)之间最低点,即满足的点(xL,yL)作为左波谷点。
步骤10343,以该波峰点为起点沿着所述目标绝缘电阻分布曲线的横坐标向右搜索,确定第二目标点,并将该波峰点与所述第二目标点之间的最低点作为右波谷点。
这里,所述第二目标点为右边界点或纵坐标大于该波峰的纵坐标的点。
针对上述步骤10343,在具体实施时,以该波峰点为起点沿着所述目标绝缘电阻分布曲线的横坐标向右搜索,确定第二目标点,并将该波峰点与所述第二目标点之间的最低点作为右波谷点。这里,以波峰位置为起点,向右搜索,直到遇到右边界(xn,yn)或高于当前波峰的点,即满足yj>yi的点(xjR,yjR),以点(xi,yi)和点(xjR,yjR)之间最低点,即满足的点(xR,yR)作为右波谷点。
步骤10344,根据所述左波谷点的坐标与该波峰点的坐标计算第一高度差,根据所述右波谷点的坐标与该波峰点的坐标计算第二高度差,并将所述第一高度差与所述第二高度差之间的较小值作为该波峰点对应的峰的突出度。
针对上述步骤10344,在具体实施时,左波谷点以及右波谷均确定后,根据左波谷点的坐标与该波峰点的坐标计算第一高度差(即yi-yL),根据右波谷点的坐标与该波峰点的坐标计算第二高度差(即yi-yR)。并将第一高度差与第二高度差之间的较小值作为该波峰点对应的峰的突出度。
步骤10345,根据各个峰的突出度对各个峰进行筛选,去除噪声峰,并将横坐标最左边的峰确定为所述目标绝缘电阻分布曲线中的绝缘最小峰。
针对上述步骤10345,在具体实施时,每个波峰点对应的峰的突出度均确定出后,根据各个峰的突出度对各个峰进行筛选,去除噪声峰,并将横坐标最左边的峰,也就是绝缘值最小的峰确定为目标绝缘电阻分布曲线中的绝缘最小峰。这里,在具体实施时,去除噪声峰后目标绝缘电阻分布曲线中会有多个峰,对应不同工况,突出度与车辆在不同工况的运行时长有关,绝缘值越大表示绝缘性能越好,绝缘故障时绝缘值通常比较小,与绝缘值最小的工况下的绝缘分布对比更能可靠地体现绝缘差异。
作为一种可选的实施方式,在进行噪声峰筛选时,还可以按照峰宽、峰高、峰距等峰特性对所有搜索到的峰进行筛选,得到最终目的峰。实际使用过程中,要先对部分样本的峰进行可视化分析,并记录目的峰的突出度等特性值,总结出能显著区别噪声峰的阈值,再按这些特性值的阈值组合筛选。由于峰宽、峰高受数据帧数影响大,峰距主要用于过滤距离过近的邻峰,大多数据情况下使用突出度即可。
步骤1035,在所述目标绝缘电阻分布曲线中统计在所述绝缘最小峰的上下限范围内的绝缘电阻的多种统计学特征,并将在所述绝缘最小峰的上下限范围内的绝缘电阻的多种统计学特征确定为该组目标运行数据中的多种第一统计学特征。
需要说明的是,最小峰的上下限范围指的是绝缘最小峰的左山脚的点到右山脚的点之间的范围。
针对上述步骤1035,在具体实施时,目标绝缘电阻分布曲线中的绝缘最小峰确定出后,在目标绝缘电阻分布曲线中统计在绝缘最小峰的上下限范围内的绝缘电阻的多种统计学特征,例如最大值、最小值、平均值、中位值、标准差、偏度、峰度等。并将在绝缘最小峰的上下限范围内的绝缘电阻的多种统计学特征确定为该组目标运行数据中的多种第一统计学特征。
S104,以预设时间长度为滑动窗口长度,以滑动窗口方式逐帧计算所述目标车辆的实际运行数据中在所述滑动窗口内的多种第二统计学特征。
需要说明的是,预设时间长度指的是预先设定的,使用滑动窗口方式计算第二统计学特征时的窗口长度。例如,可以预先设定预设时间长度为10分钟,以1为步长,对此本申请不做具体限定。第二统计学特征中也包括但不限于最大值、最小值、平均值、中位值、标准差、偏度、峰度等。
针对上述步骤S104,在具体实施时,目标车辆在运行中会不断的产生运行数据,以预设时间长度为窗口长度,例如以10分钟为窗口长度,以1为步长,以滑动窗口方式逐帧计算目标车辆的实时运行数据中的多种第二统计学特征。
S105,针对于每种第二统计学特征,从与该第二统计学特征时间邻近的上一组目标运行数据的所述多种第一统计学特征中确定与该第二统计学特征的属性相同的目标第一统计学特征,并将所述目标第一统计学特征与该第二统计学特征作差,得到差异特征。
针对上述步骤S105,在具体实施时,针对于每种第二统计学特征,从与该第二统计学特征时间邻近的上一组目标运行数据的多种第一统计学特征中确定与该第二统计学特征的属性相同的目标第一统计学特征,并将所述目标第一统计学特征与该第二统计学特征作差,得到差异特征。这里,在上述步骤中对目标运行数据按时间先后进行了分组,每组数据都有一组第一统计学特征,这里确定出与第二统计学特征时间相邻的那一组第一统计学特征作差。例如,某第二统计学特征为最大值,采样时间为12月份,寻找与该第二统计学特征时间相邻的上一组目标运行数据,也就是采样时间为11月份的目标运行数据,从采样时间为11月份的目标运行数据的多种第一统计学特征中确定出同样为最大值属性的目标第一统计学特征,目标第一统计学特征与第二统计学特征相减,得到差异特征。
S106,将多个差异特征输入到预先训练好的绝缘电阻异常检测模型中,确定出所述目标车辆在当前时刻是否存在绝缘异常。
需要说明的是,绝缘电阻异常检测模型指的是预先训练好的,用于预测目标车辆在当前窗口时间内是否存在绝缘异常的模型。
针对上述步骤S106,在具体实施时,在得到多个差异特征后,将差异特征输入到预先训练好的绝缘电阻异常检测模型中,即可确定出目标车辆在当前时刻是否存在绝缘异常。
具体的,根据本申请实施例提供的电动汽车绝缘电阻异常的检测方法,通过以下方式训练所述绝缘电阻异常检测模型:
A:获取曾发生绝缘故障的样本车辆的原始运行数据,并对所述原始运行数据进行数据清洗,得到历史运行样本数据。
需要说明的是,样本车辆是曾经发生过绝缘故障的车辆。原始运行数据则是样本车辆在历史运行过程中所产生的运行数据。其中,所述历史运行样本数据包括每个采样时间对应的绝缘电阻值。
针对上述步骤A,在具体实施时,获取曾发生绝缘故障的样本车辆的原始运行数据,并对原始运行数据进行数据清洗,去除无效值,以得到历史运行样本数据。这里的历史运行样本数据包括样本车辆在每个历史样本采样时间对应的绝缘电阻值。
B:按照所述预设时间尺度,基于所述历史运行样本数据中的多个采样时间对所述历史运行样本数据进行分割,得到多组分割后的历史运行样本数据。
针对上述步骤B,在具体实施时,由于原始运行数据都携带有对应的历史样本采样时间,因此可以根据历史运行样本数据中的多个采样时间对历史运行样本数据进行分割。按照预设时间尺度,例如按照每个月份对历史运行样本数据进行分割,得到多组分割后的历史运行样本数据。
C:针对于每组历史运行样本数据,基于该组历史运行样本数据中的多个绝缘电阻值生成绝缘电阻分布样本曲线,并根据所述绝缘电阻分布样本曲线确定该组历史运行样本数据中的多种第一统计学样本特征。
针对上述步骤C,在具体实施时,针对于每组历史运行样本数据,基于该组历史运行样本数据中的多个绝缘电阻值生成绝缘电阻分布样本曲线,并根据绝缘电阻分布样本曲线确定该组历史运行样本数据中的多种第一统计学样本特征。具体的,这里的第一统计学样本特征的确定方法与步骤1031-步骤1035中的第一统计学特征的确定方法相同,并且能达到相同的技术效果,在此不再赘述。
D:以所述预设时间长度为滑动窗口长度,以滑动窗口方式逐帧计算所述样本车辆的实际运行数据中在所述滑动窗口内的多种第二统计学样本特征。
针对上述步骤D,在具体实施时,以预设时间长度为窗口长度,例如以10分钟为单位,以1为步长,以滑动窗口方式逐帧计算样本车辆的实时运行数据中的多种第二统计学样本特征。
E:针对于每种第二统计学样本特征,从与该第二统计学样本特征时间邻近的上一组历史运行样本数据的所述多种第一统计学样本特征中确定与该第二统计学样本特征的属性相同的目标第一统计学样本特征,并将所述目标第一统计学样本特征与该第二统计学样本特征作差,得到差异样本特征。
针对上述步骤E,在具体实施时,针对于每种第二统计学样本特征,从与该第二统计学样本特征时间邻近的上一组历史运行样本数据的多种第一统计学样本特征中确定与该第二统计学样本特征的属性相同的目标第一统计学样本特征,并将目标第一统计学样本特征与该第二统计学样本特征作差,得到差异样本特征。
F:获取所述样本车辆在所有采样时间内的车辆绝缘信号,并对所述车辆绝缘信号随时间变化趋势进行分析,标记所述车辆绝缘信号中的绝缘异常状态,以作为第一标签信息。
这里,所述第一标签信息表示所述样本车辆在所有采样时间内是否处于绝缘异常状态。
针对上述步骤F,在具体实施时,获取样本车辆在所有采样时间内的车辆绝缘信号,并对车辆绝缘信号随时间变化趋势进行分析,标记车辆绝缘信号中的绝缘异常状态,以作为第一标签信息,表示样本车辆在在所有采样时间内是否处于绝缘异常状态,如,正常标记为0,异常标记为1。绝缘信号正常情况下随时间的波动较小,突降的情形可以认为是异常,无突降情形的可以认为是正常。
G:将所述差异样本特征与所述第一标签信息进行关联,得到样本训练数据。
H:将多组所述样本训练数据输入到机器学习算法中进行训练,以得到所述绝缘电阻异常检测模型。
针对上述步骤G和步骤H,在具体实施时,将步骤E得到的差异样本特征与步骤F中的第一标签信息进行关联,得到样本训练数据。然后将多组样本训练数据输入到机器学习算法中进行训练,以得到所述绝缘电阻异常检测模型。这里,机器学习算法为有监督机器学习二分类模型,所述分类模型可以是逻辑回归、lightGBM等。对处理速度和可解释性有要求的情形,可使用逻辑回归算法。对准确度有要求、对处理速度要求一般的情形,可使用lightGBM、神经网络等算法,对处理速度有要求、对准确性和可解释性要求一般的情形,可使用线性支持向量机、朴素贝叶斯等算法。
针对上述步骤H,在具体实施时,所述将多组所述样本训练数据输入到绝缘电阻异常原始检测模型中,对所述绝缘电阻异常原始检测模型进行训练,以得到所述绝缘电阻异常检测模型,包括:
a:将多组所述样本训练数据输入到所述机器学习算法中,确定出每组所述样本训练数据对应的第二标签信息。
其中,所述第二标签信息用来表示在每组所述样本训练数据对应的采样时间内所述样本车辆是否处于绝缘异常状态。
针对上述步骤a,在具体实施时,将多组样本训练数据输入到机器学习算法中,机器学习算法即可确定出每组所述样本训练数据对应的第二标签信息。第二标签信息用来表示在每组样本训练数据对应的采样时间内样本车辆是否处于绝缘异常状态。
b:将每个所述差异样本特征对应的所述第一标签信息与所述第二标签信息进行对比,计算当前状态下所述绝缘电阻异常原始检测模型的损失函数。
c:采用梯度下降法,基于所述绝缘电阻异常原始检测模型的损失函数,不断调整所述绝缘电阻异常原始检测模型的模型参数,直至所述绝缘电阻异常原始检测模型达到收敛状态,或训练达到迭代次数限制,得到所述绝缘电阻异常检测模型。
需要说明的是,损失函数(loss function)是将随机事件或其有关随机变量的取值映射为非负实数以表示该随机事件的“风险”或“损失”的函数。在应用中,损失函数通常作为学习准则与优化问题相联系,即通过最小化损失函数求解和评估模型。
以逻辑回归为例。逻辑回归假定某个样本属于某一类的概率可以通过某一函数y表示。其中,z为所有特征x的线性函数,y将z转换到(0,1)区间,表示样本属于某一类的概率,根据y大于或小于0.5确定样本是否属于某一类。逻辑回归的训练过程,即拟合线性函数z,使得对每个样本的分类尽可能正确。“对每个样本的分类尽可能正确”通过损失函数 表示,训练的迭代过程,即最小化损失函数的过程,每次迭代时调节参数w,在所有训练样本上计算损失函数的值,再进行下一次迭代,直到损失函数足够小为止。
针对上述步骤b,在具体实施时,假设有n个差异样本特征,即样本训练数据i对应的x为对应w为(w1,w2,w3…wn),z为使用梯度下降法训练绝缘电阻异常原始检测模型时,首先随机初始化w,如(0.1,0.8,0.2…0.3),设置学习率η,如0.1,设置迭代次数n_iter,如1000;对每个样本训练数据i,计算pi,yi,计算损失函数J(w)的值,对w的每一个分量wj,计算损失函数相对wj的偏导数更新wj为更新w所有分量以后,再次对每个样本训练数据i,计算pi,yi,计算损失函数J(w)的值,计算w每个分量wj新的偏导数并更新;迭代,直至损失函数变化接近0,或达到迭代次数n_iter,即可得到绝缘电阻异常检测模型。
本申请实施例所提供的电动汽车绝缘电阻异常的检测方法,首先,获取目标车辆的历史运行数据,并对所述历史运行数据进行数据清洗,得到目标运行数据;然后,按照预设时间尺度,基于所述目标运行数据中的多个采样时间对所述目标运行数据进行分割,得到多组分割后的目标运行数据;针对于每组目标运行数据,基于该组目标运行数据中的多个绝缘电阻值生成目标绝缘电阻分布曲线,并根据所述目标绝缘电阻分布曲线确定该组目标运行数据中的多种第一统计学特征;以预设时间长度为滑动窗口长度,以滑动窗口方式逐帧计算所述目标车辆的实际运行数据中在所述滑动窗口内的多种第二统计学特征;针对于每种第二统计学特征,从与该第二统计学特征时间邻近的上一组目标运行数据的所述多种第一统计学特征中确定与该第二统计学特征的属性相同的目标第一统计学特征,并将所述目标第一统计学特征与该第二统计学特征作差,得到差异特征;最后,将多个差异特征输入到预先训练好的绝缘电阻异常检测模型中,确定出所述目标车辆在所述当前窗口时间内是否存在绝缘异常。
本申请通过绝缘电阻异常检测模型对目标车辆进行实时的绝缘电阻异常检测,即根据车辆上传的实时数据检测是否绝缘异常,基于绝缘异常发生时通常显著偏离历史分布这一现象,以实时滑动窗口统计学指标与历史统计学指标的差异作为特征,能充分体现实时绝缘电阻与历史绝缘电阻的差异,可识别常见的绝缘异常情况,显著减少误报或漏报的情况,同时可以在绝缘异常早期实现预警。
请参阅图2和图3,图2为本申请实施例所提供的一种电动汽车绝缘电阻异常的检测装置的结构示意图之一,图3为本申请实施例所提供的一种电动汽车绝缘电阻异常的检测装置的结构示意图之二。如图2中所示,所述检测装置200包括:
数据获取模块201,用于获取目标车辆的历史运行数据,并对所述历史运行数据进行数据清洗,得到目标运行数据;其中,所述目标运行数据包括每个采样时间对应的绝缘电阻值;
数据分割模块202,用于按照预设时间尺度,基于所述目标运行数据中的多个采样时间对所述目标运行数据进行分割,得到多组分割后的目标运行数据;
第一统计学特征确定模块203,用于针对于每组目标运行数据,基于该组目标运行数据中的多个绝缘电阻值生成目标绝缘电阻分布曲线,并根据所述目标绝缘电阻分布曲线确定该组目标运行数据中的多种第一统计学特征;
第二统计学特征确定模块204,用于以预设时间长度为滑动窗口长度,以滑动窗口方式逐帧计算所述目标车辆的实际运行数据中在所述滑动窗口内的多种第二统计学特征;
差异特征确定模块205,用于针对于每种第二统计学特征,从与该第二统计学特征时间邻近的上一组目标运行数据的所述多种第一统计学特征中确定与该第二统计学特征的属性相同的目标第一统计学特征,并将所述目标第一统计学特征与该第二统计学特征作差,得到差异特征;
异常检测模块206,用于将多个差异特征输入到预先训练好的绝缘电阻异常检测模型中,确定出所述目标车辆在当前时刻是否存在绝缘异常。
进一步的,所述第一统计学特征确定模块203在用于基于该组目标运行数据中的多个绝缘电阻值生成目标绝缘电阻分布曲线,并根据所述目标绝缘电阻分布曲线确定该组目标运行数据中的多种第一统计学特征时,所述第一统计学特征确定模块203还用于:
基于电阻划分区间长度确定多个电阻区间,并确定在每个电阻区间内的绝缘电阻的数量;
基于所述多个电阻区间以及每个电阻区间内的绝缘电阻的数量生成初始绝缘电阻分布曲线;其中,所述初始绝缘电阻分布曲线的横坐标表示各个电阻区间,纵坐标表示每个电阻区间内的绝缘电阻的数量;
对所述初始绝缘电阻分布曲线进行降噪处理,得到所述目标绝缘电阻分布曲线;
对所述目标绝缘电阻分布曲线使用寻峰算法,在所述目标绝缘电阻分布曲线中的多个峰中确定出绝缘最小峰;
在所述目标绝缘电阻分布曲线中统计在所述绝缘最小峰的上下限范围内的绝缘电阻的多种统计学特征,并将在所述绝缘最小峰的上下限范围内的绝缘电阻的多种统计学特征确定为该组目标运行数据中的多种第一统计学特征。
进一步的,所述第一统计学特征确定模块203在用于对所述目标绝缘电阻分布曲线使用寻峰算法,在所述目标绝缘电阻分布曲线中的多个峰中确定出绝缘最小峰时,所述第一统计学特征确定模块203还用于:
在所述目标绝缘电阻分布曲线中的多个点中确定出纵坐标既大于左边点的纵坐标又大于右边点的纵坐标的多个坐标点,并将所述多个坐标点中的每个坐标点作为波峰点;
针对于每个波峰点,以该波峰点为起点沿着所述目标绝缘电阻分布曲线的横坐标向左搜索,确定第一目标点,并将该波峰点与所述第一目标点之间的最低点作为左波谷点;其中,所述第一目标点为左边界点或纵坐标大于该波峰的纵坐标的点;
以该波峰点为起点沿着所述目标绝缘电阻分布曲线的横坐标向右搜索,确定第二目标点,并将该波峰点与所述第二目标点之间的最低点作为右波谷点;其中,所述第二目标点为右边界点或纵坐标大于该波峰的纵坐标的点;
根据所述左波谷点的坐标与该波峰点的坐标计算第一高度差,根据所述右波谷点的坐标与该波峰点的坐标计算第二高度差,并将所述第一高度差与所述第二高度差之间的较小值作为该波峰点对应的峰的突出度;
根据各个峰的突出度对各个峰进行筛选,去除噪声峰,并将横坐标最左边的峰确定为所述目标绝缘电阻分布曲线中的绝缘最小峰。
如图2中所示,所述检测装置200包括模型训练模块207,所述模型训练模块207用于:
获取曾发生绝缘故障的样本车辆的原始运行数据,并对所述原始运行数据进行数据清洗,得到历史运行样本数据;其中,所述历史运行样本数据包括每个采样时间对应的绝缘电阻值;
按照所述预设时间尺度,基于所述历史运行样本数据中的多个采样时间对所述历史运行样本数据进行分割,得到多组分割后的历史运行样本数据;
针对于每组历史运行样本数据,基于该组历史运行样本数据中的多个绝缘电阻值生成绝缘电阻分布样本曲线,并根据所述绝缘电阻分布样本曲线确定该组历史运行样本数据中的多种第一统计学样本特征;
以所述预设时间长度为滑动窗口长度,以滑动窗口方式逐帧计算所述样本车辆的实际运行数据中在所述滑动窗口内的多种第二统计学样本特征;
针对于每种第二统计学样本特征,从与该第二统计学样本特征时间邻近的上一组历史运行样本数据的所述多种第一统计学样本特征中确定与该第二统计学样本特征的属性相同的目标第一统计学样本特征,并将所述目标第一统计学样本特征与该第二统计学样本特征作差,得到差异样本特征;
获取所述样本车辆在所有采样时间内的车辆绝缘信号,并对所述车辆绝缘信号随时间变化趋势进行分析,标记所述车辆绝缘信号中的绝缘异常状态,以作为第一标签信息;其中,所述第一标签信息表示所述样本车辆在所有采样时间内是否处于绝缘异常状态;
将所述差异样本特征与所述第一标签信息进行关联,得到样本训练数据;
将多组所述样本训练数据输入到机器学习算法中进行训练,以得到所述绝缘电阻异常检测模型。
进一步的,所述模型训练模块207在用于将多组所述样本训练数据输入到机器学习算法中进行训练,以得到所述绝缘电阻异常检测模型时,所述模型训练模块207还用于:
将多组所述样本训练数据输入到所述机器学习算法中,确定出每组所述样本训练数据对应的第二标签信息;其中,所述第二标签信息用来表示在每组所述样本训练数据对应的采样时间内所述样本车辆是否处于绝缘异常状态;
将每个所述差异样本特征对应的所述第一标签信息与所述第二标签信息进行对比,计算当前状态下所述绝缘电阻异常原始检测模型的损失函数;
采用梯度下降法,基于所述绝缘电阻异常原始检测模型的损失函数,不断调整所述绝缘电阻异常原始检测模型的模型参数,直至所述绝缘电阻异常原始检测模型达到收敛状态,或训练达到迭代次数限制,得到所述绝缘电阻异常检测模型。
请参阅图4,图4为本申请实施例所提供的一种电子设备的结构示意图。如图4中所示,所述电子设备400包括处理器410、存储器420和总线430。
所述存储器420存储有所述处理器410可执行的机器可读指令,当电子设备400运行时,所述处理器410与所述存储器420之间通过总线430通信,所述机器可读指令被所述处理器410执行时,可以执行如上述图1所示方法实施例中的电动汽车绝缘电阻异常的检测方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时可以执行如上述图1所示方法实施例中的电动汽车绝缘电阻异常的检测方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
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,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
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。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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,又例如,多个单元或组件可以结合或者可以集成到另一个***,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通信接口,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。
所述功能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,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。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部分可以以软件产品的形式体现出来,该计算机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台计算机设备(可以是个人计算机,服务器,或者网络设备等)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、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解: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,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,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权利要求的保护范围为准。
Claims (10)
1.一种电动汽车绝缘电阻异常的检测方法,其特征在于,所述检测方法包括:
获取目标车辆的历史运行数据,并对所述历史运行数据进行数据清洗,得到目标运行数据;其中,所述目标运行数据包括每个采样时间对应的绝缘电阻值;
按照预设时间尺度,基于所述目标运行数据中的多个采样时间对所述目标运行数据进行分割,得到多组分割后的目标运行数据;
针对于每组目标运行数据,基于该组目标运行数据中的多个绝缘电阻值生成目标绝缘电阻分布曲线,并根据所述目标绝缘电阻分布曲线确定该组目标运行数据中的多种第一统计学特征;
以预设时间长度为滑动窗口长度,以滑动窗口方式逐帧计算所述目标车辆的实际运行数据中在所述滑动窗口内的多种第二统计学特征;
针对于每种第二统计学特征,从与该第二统计学特征时间邻近的上一组目标运行数据的所述多种第一统计学特征中确定与该第二统计学特征的属性相同的目标第一统计学特征,并将所述目标第一统计学特征与该第二统计学特征作差,得到差异特征;
将多个差异特征输入到预先训练好的绝缘电阻异常检测模型中,确定出所述目标车辆在当前时刻是否存在绝缘异常。
2.根据权利要求1所述的检测方法,其特征在于,所述基于该组目标运行数据中的多个绝缘电阻值生成目标绝缘电阻分布曲线,并根据所述目标绝缘电阻分布曲线确定该组目标运行数据中的多种第一统计学特征,包括:
基于电阻划分区间长度确定多个电阻区间,并确定在每个电阻区间内的绝缘电阻的数量;
基于所述多个电阻区间以及每个电阻区间内的绝缘电阻的数量生成初始绝缘电阻分布曲线;其中,所述初始绝缘电阻分布曲线的横坐标表示各个电阻区间,纵坐标表示每个电阻区间内的绝缘电阻的数量;
对所述初始绝缘电阻分布曲线进行降噪处理,得到所述目标绝缘电阻分布曲线;
对所述目标绝缘电阻分布曲线使用寻峰算法,在所述目标绝缘电阻分布曲线中的多个峰中确定出绝缘最小峰;
在所述目标绝缘电阻分布曲线中统计在所述绝缘最小峰的上下限范围内的绝缘电阻的多种统计学特征,并将在所述绝缘最小峰的上下限范围内的绝缘电阻的多种统计学特征确定为该组目标运行数据中的多种第一统计学特征。
3.根据权利要求2所述的检测方法,其特征在于,所述对所述目标绝缘电阻分布曲线使用寻峰算法,在所述目标绝缘电阻分布曲线中的多个峰中确定出绝缘最小峰,包括:
在所述目标绝缘电阻分布曲线中的多个点中确定出纵坐标既大于左边点的纵坐标又大于右边点的纵坐标的多个坐标点,并将所述多个坐标点中的每个坐标点作为波峰点;
针对于每个波峰点,以该波峰点为起点沿着所述目标绝缘电阻分布曲线的横坐标向左搜索,确定第一目标点,并将该波峰点与所述第一目标点之间的最低点作为左波谷点;其中,所述第一目标点为左边界点或纵坐标大于该波峰的纵坐标的点;
以该波峰点为起点沿着所述目标绝缘电阻分布曲线的横坐标向右搜索,确定第二目标点,并将该波峰点与所述第二目标点之间的最低点作为右波谷点;其中,所述第二目标点为右边界点或纵坐标大于该波峰的纵坐标的点;
根据所述左波谷点的坐标与该波峰点的坐标计算第一高度差,根据所述右波谷点的坐标与该波峰点的坐标计算第二高度差,并将所述第一高度差与所述第二高度差之间的较小值作为该波峰点对应的峰的突出度;
根据各个峰的突出度对各个峰进行筛选,去除噪声峰,并将横坐标最左边的峰确定为所述目标绝缘电阻分布曲线中的绝缘最小峰。
4.根据权利要求1所述的检测方法,其特征在于,通过以下方式训练所述绝缘电阻异常检测模型:
获取曾发生绝缘故障的样本车辆的原始运行数据,并对所述原始运行数据进行数据清洗,得到历史运行样本数据;其中,所述历史运行样本数据包括每个采样时间对应的绝缘电阻值;
按照所述预设时间尺度,基于所述历史运行样本数据中的多个采样时间对所述历史运行样本数据进行分割,得到多组分割后的历史运行样本数据;
针对于每组历史运行样本数据,基于该组历史运行样本数据中的多个绝缘电阻值生成绝缘电阻分布样本曲线,并根据所述绝缘电阻分布样本曲线确定该组历史运行样本数据中的多种第一统计学样本特征;
以所述预设时间长度为滑动窗口长度,以滑动窗口方式逐帧计算所述样本车辆的实际运行数据中在所述滑动窗口内的多种第二统计学样本特征;
针对于每种第二统计学样本特征,从与该第二统计学样本特征时间邻近的上一组历史运行样本数据的所述多种第一统计学样本特征中确定与该第二统计学样本特征的属性相同的目标第一统计学样本特征,并将所述目标第一统计学样本特征与该第二统计学样本特征作差,得到差异样本特征;
获取所述样本车辆在所有采样时间内的车辆绝缘信号,并对所述车辆绝缘信号随时间变化趋势进行分析,标记所述车辆绝缘信号中的绝缘异常状态,以作为第一标签信息;其中,所述第一标签信息表示所述样本车辆在所有采样时间内是否处于绝缘异常状态;
将所述差异样本特征与所述第一标签信息进行关联,得到样本训练数据;
将多组所述样本训练数据输入到机器学习算法中进行训练,以得到所述绝缘电阻异常检测模型。
5.根据权利要求4所述的检测方法,其特征在于,所述将多组所述样本训练数据输入到机器学习算法中进行训练,以得到所述绝缘电阻异常检测模型,包括:
将多组所述样本训练数据输入到所述机器学习算法中,确定出每组所述样本训练数据对应的第二标签信息;其中,所述第二标签信息用来表示在每组所述样本训练数据对应的采样时间内所述样本车辆是否处于绝缘异常状态;
将每个所述差异样本特征对应的所述第一标签信息与所述第二标签信息进行对比,计算当前状态下所述绝缘电阻异常原始检测模型的损失函数;
采用梯度下降法,基于所述绝缘电阻异常原始检测模型的损失函数,不断调整所述绝缘电阻异常原始检测模型的模型参数,直至所述绝缘电阻异常原始检测模型达到收敛状态,或训练达到迭代次数限制,得到所述绝缘电阻异常检测模型。
6.一种电动汽车绝缘电阻异常的检测装置,其特征在于,所述检测装置包括:
数据获取模块,用于获取目标车辆的历史运行数据,并对所述历史运行数据进行数据清洗,得到目标运行数据;其中,所述目标运行数据包括每个采样时间对应的绝缘电阻值;
数据分割模块,用于按照预设时间尺度,基于所述目标运行数据中的多个采样时间对所述目标运行数据进行分割,得到多组分割后的目标运行数据;
第一统计学特征确定模块,用于针对于每组目标运行数据,基于该组目标运行数据中的多个绝缘电阻值生成目标绝缘电阻分布曲线,并根据所述目标绝缘电阻分布曲线确定该组目标运行数据中的多种第一统计学特征;
第二统计学特征确定模块,用于以预设时间长度为滑动窗口长度,以滑动窗口方式逐帧计算所述目标车辆的实际运行数据中在所述滑动窗口内的多种第二统计学特征;
差异特征确定模块,用于针对于每种第二统计学特征,从与该第二统计学特征时间邻近的上一组目标运行数据的所述多种第一统计学特征中确定与该第二统计学特征的属性相同的目标第一统计学特征,并将所述目标第一统计学特征与该第二统计学特征作差,得到差异特征;
异常检测模块,用于将多个差异特征输入到预先训练好的绝缘电阻异常检测模型中,确定出所述目标车辆在当前时刻是否存在绝缘异常。
7.根据权利要求6所述的检测装置,其特征在于,所述第一统计学特征确定模块在用于基于该组目标运行数据中的多个绝缘电阻值生成目标绝缘电阻分布曲线,并根据所述目标绝缘电阻分布曲线确定该组目标运行数据中的多种第一统计学特征时,所述第一统计学特征确定模块还用于:
基于电阻划分区间长度确定多个电阻区间,并确定在每个电阻区间内的绝缘电阻的数量;
基于所述多个电阻区间以及每个电阻区间内的绝缘电阻的数量生成初始绝缘电阻分布曲线;其中,所述初始绝缘电阻分布曲线的横坐标表示各个电阻区间,纵坐标表示每个电阻区间内的绝缘电阻的数量;
对所述初始绝缘电阻分布曲线进行降噪处理,得到所述目标绝缘电阻分布曲线;
对所述目标绝缘电阻分布曲线使用寻峰算法,在所述目标绝缘电阻分布曲线中的多个峰中确定出绝缘最小峰;
在所述目标绝缘电阻分布曲线中统计在所述绝缘最小峰的上下限范围内的绝缘电阻的多种统计学特征,并将在所述绝缘最小峰的上下限范围内的绝缘电阻的多种统计学特征确定为该组目标运行数据中的多种第一统计学特征。
8.根据权利要求7所述的检测装置,其特征在于,所述第一统计学特征确定模块在用于对所述目标绝缘电阻分布曲线使用寻峰算法,在所述目标绝缘电阻分布曲线中的多个峰中确定出绝缘最小峰时,所述第一统计学特征确定模块还用于:
在所述目标绝缘电阻分布曲线中的多个点中确定出纵坐标既大于左边点的纵坐标又大于右边点的纵坐标的多个坐标点,并将所述多个坐标点中的每个坐标点作为波峰点;
针对于每个波峰点,以该波峰点为起点沿着所述目标绝缘电阻分布曲线的横坐标向左搜索,确定第一目标点,并将该波峰点与所述第一目标点之间的最低点作为左波谷点;其中,所述第一目标点为左边界点或纵坐标大于该波峰的纵坐标的点;
以该波峰点为起点沿着所述目标绝缘电阻分布曲线的横坐标向右搜索,确定第二目标点,并将该波峰点与所述第二目标点之间的最低点作为右波谷点;其中,所述第二目标点为右边界点或纵坐标大于该波峰的纵坐标的点;
根据所述左波谷点的坐标与该波峰点的坐标计算第一高度差,根据所述右波谷点的坐标与该波峰点的坐标计算第二高度差,并将所述第一高度差与所述第二高度差之间的较小值作为该波峰点对应的峰的突出度;
根据各个峰的突出度对各个峰进行筛选,去除噪声峰,并将横坐标最左边的峰确定为所述目标绝缘电阻分布曲线中的绝缘最小峰。
9.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过所述总线进行通信,所述机器可读指令被所述处理器运行时执行如权利要求1至5任一所述的电动汽车绝缘电阻异常的检测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至5任一所述的电动汽车绝缘电阻异常的检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211722700.2A CN116047164A (zh) | 2022-12-30 | 2022-12-30 | 一种电动汽车绝缘电阻异常的检测方法和检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211722700.2A CN116047164A (zh) | 2022-12-30 | 2022-12-30 | 一种电动汽车绝缘电阻异常的检测方法和检测装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116047164A true CN116047164A (zh) | 2023-05-02 |
Family
ID=86121299
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211722700.2A Pending CN116047164A (zh) | 2022-12-30 | 2022-12-30 | 一种电动汽车绝缘电阻异常的检测方法和检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116047164A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116494769A (zh) * | 2023-06-29 | 2023-07-28 | 岚图汽车科技有限公司 | 一种车辆绝缘异常预测方法、装置、设备和介质 |
CN116958130A (zh) * | 2023-09-18 | 2023-10-27 | 深圳市赛特新能科技有限公司 | 一种基于机器学习的车辆检测***及方法 |
-
2022
- 2022-12-30 CN CN202211722700.2A patent/CN116047164A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116494769A (zh) * | 2023-06-29 | 2023-07-28 | 岚图汽车科技有限公司 | 一种车辆绝缘异常预测方法、装置、设备和介质 |
CN116958130A (zh) * | 2023-09-18 | 2023-10-27 | 深圳市赛特新能科技有限公司 | 一种基于机器学习的车辆检测***及方法 |
CN116958130B (zh) * | 2023-09-18 | 2024-01-05 | 深圳市赛特新能科技有限公司 | 一种基于机器学习的车辆检测***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116047164A (zh) | 一种电动汽车绝缘电阻异常的检测方法和检测装置 | |
CN109978379B (zh) | 时序数据异常检测方法、装置、计算机设备和存储介质 | |
CN110018670B (zh) | 一种基于动态关联规则挖掘的工业过程异常工况预测方法 | |
JP6815480B2 (ja) | 時系列内の前兆部分列を発見する方法及びシステム | |
EP3373089B1 (en) | Operating state classification device | |
CA2931624A1 (en) | Systems and methods for event detection and diagnosis | |
EP0909390A2 (en) | Statistical pattern analysis methods of partial discharge measurments in high voltage insulation | |
CN112911627B (zh) | 无线网络性能检测方法、装置以及存储介质 | |
CN111538311B (zh) | 一种基于数据挖掘的机械设备柔性多状态自适应预警方法及装置 | |
CN113139610A (zh) | 一种针对变压器监测数据的异常检测方法及装置 | |
CN112862127B (zh) | 一种传感器数据的异常处理方法、装置、电子设备及介质 | |
KR20210017651A (ko) | 반도체 제조 공정에서 고장 검출 및 불량 원인 진단을 위한 방법 | |
CN116167010B (zh) | 具有智能迁移学习能力的电力***异常事件快速识别方法 | |
CN112905412A (zh) | 关键性能指标数据的异常检测方法及装置 | |
CN117668684A (zh) | 基于大数据分析的电网电能数据异常检测方法 | |
US7958062B2 (en) | Method and system of creating health operating envelope for dynamic systems by unsupervised learning of a sequence of discrete event codes | |
CN117783872A (zh) | 动力电池的数据异常检测方法、装置、服务器及存储介质 | |
CN116400244B (zh) | 储能电池的异常检测方法及装置 | |
CN113515554A (zh) | 用于不规则采样的时间序列的异常检测方法和*** | |
CN117269742A (zh) | 一种高海拔环境下断路器健康状态评估方法、装置及介质 | |
CN117074985A (zh) | 一种电动汽车电池健康评估方法及装置 | |
CN113514742B (zh) | 一种gis局部放电严重程度的评估方法、***和介质 | |
CN112214934A (zh) | 一种基于多传感器的悬浮***寿命预测方法及相关装置 | |
CN110146634B (zh) | 一种油色谱数据的故障诊断方法、装置、设备和存储介质 | |
KR102028845B1 (ko) | 원전설비의 예측 진단 방법 및 시스템 |
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 |