CN116087782B - 一种汽车电池故障预警方法、***、装置及存储介质 - Google Patents

Abstract

本说明书实施例提供一种汽车电池故障预警方法、***、装置及存储介质，该方法包括：采集预设观测周期中的一个或多个周期内的电池数据，该电池数据包括电池组内的一个或多个电池单元的端电压及电流、一个或多个预设测量点的温度；基于一个或多个周期内的电池数据，确定一个或多个周期内的电池性能；基于一个或多个周期内的电池性能，确定电池故障概率；响应于电池故障概率满足预设条件，生成故障预警信息。

Description

一种汽车电池故障预警方法、***、装置及存储介质

技术领域

本说明书涉及电池技术领域，特别涉及一种汽车电池故障预警方法、***、装置及存储介质。

背景技术

能源危机的加剧和碳减排压力的上升推动了动力电池的技术革新。与动力电池技术革新紧密相关的新能源汽车发展及应用也为时下的热点话题。

然而，随着新能源汽车在全球的推广，近年来发生的众多新能源汽车起火事件也引发了公众和企业对动力电池安全性和可靠性的广泛关注和思考。动力电池***在实际使用过程中的诸多危险操作及滥用行为(如热滥用、电滥用和机械滥用等)会对其安全性带来极大影响，在某些极端情况下甚至会引发热失控、电池破裂甚至***。

近年来频发的车载动力电池***着火和***事故都说明了由电池失效造成的损失是非常巨大而沉重的，确保动力电池***的使用安全性及可靠性不容忽视。

因此，需要提供一种汽车电池故障预警方法和***。

发明内容

本说明书一个或多个实施例提供一种汽车电池故障预警方法。所述方法包括：采集预设观测周期中的一个或多个周期内的电池数据，所述电池数据包括电池组内的一个或多个电池单元的端电压及电流、一个或多个预设测量点的温度；基于所述一个或多个周期内的电池数据，确定所述一个或多个周期内的电池性能；基于所述一个或多个周期内的电池性能，确定电池故障概率；响应于所述电池故障概率满足预设条件，生成故障预警信息。

本说明书一个或多个实施例提供一种汽车电池故障预警***。所述***包括采集模块、第一确定模块、第二确定模块和生成模块；所述采集模块用于采集预设观测周期中的一个或多个周期内的电池数据，所述电池数据包括电池组内的一个或多个电池单元的端电压及电流、一个或多个预设测量点的温度；所述第一确定模块用于基于所述一个或多个周期内的电池数据，确定所述一个或多个周期内的电池性能；所述第二确定模块用于基于所述一个或多个周期内的电池性能，确定电池故障概率；所述生成模块用于响应于所述电池故障概率满足预设条件，生成故障预警信息。

本说明书一个或多个实施例提供一种汽车电池故障预警装置，包括处理器，所述处理器用于执行汽车电池故障预警方法。

本说明书一个或多个实施例提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行汽车电池故障预警方法。

附图说明

本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：

图1是根据本说明书一些实施例所示的汽车电池故障预警***的模块图；

图2是根据本说明书一些实施例所示的汽车电池故障预警方法的示例性流程图；

图3是根据本说明书一些实施例所示的确定电池性能及电池故障概率的示意图；

图4是根据本说明书一些实施例所示的衰减度确定模型的结构图；

图5是根据本说明书一些实施例所示的故障概率确定模型的结构图。

具体实施方式

为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。

应当理解，本文使用的“***”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。

如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。

本说明书中使用了流程图用来说明根据本说明书的实施例的***所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

图1是根据本说明书一些实施例所示的汽车电池故障预警***的模块图。

在一些实施例中，汽车电池故障预警***100可以包括采集模块110、第一确定模块120、第二确定模块130和生成模块140。

采集模块110用于采集预设观测周期中的一个或多个周期内的电池数据，该电池数据包括电池组内的一个或多个电池单元的端电压及电流、一个或多个预设测量点的温度。关于采集电池数据的相关内容请参见图2对应的描述。

第一确定模块120用于基于一个或多个周期内的电池数据，确定一个或多个周期内的电池性能。电池性能包括电池衰减度，该电池衰减度通过衰减度确定模型预测得到，所述衰减度确定模型为机器学习模型，该衰减度确定模型包括第一嵌入层和第一确定层。关于确定电池性能及衰减度确定模型的相关内容请参见图3及图4对应的描述。

在一些实施例中，第二确定模块130用于基于一个或多个周期内的电池性能，确定电池故障概率。第二确定模型130还可以通过故障概率确定模型对所述一个或多个周期内的电池性能进行处理，确定所述电池故障概率。其中，所述故障概率确定模型为机器学习模型，所述故障概率确定模型包括第二嵌入层和第二确定层。电池故障概率与行车状态相关，所述故障概率确定模型的输入包括所述行车状态，所述行车状态包括所述汽车行驶时的速度、转向、车载重量、车内耗电中的一种或多种。关于确定电池故障概率和故障概率确定模型的相关内容请参见图3及图5对应的描述。

生成模块140用于响应于电池故障概率满足预设条件，生成故障预警信息。关于生成故障预警信息的相关内容请参见图2的相关描述。

应当理解，图1所示的***及其模块可以利用各种方式来实现。需要注意的是，以上对于汽车电池故障预警***及其模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该***的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子***与其他模块连接。在一些实施例中，图1中披露的采集模块110、第一确定模块120、第二确定模块130和生成模块140可以是一个***中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。例如，各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本说明书的保护范围之内。

图2是根据本说明书一些实施例所示的汽车电池故障预警方法的示例性流程图。流程200包括步骤210、步骤220、步骤230以及步骤240，分别由采集模块110、第一确定模块120、第二确定模块130和生成模块140执行。

步骤210，采集预设观测周期中的一个或多个周期内的电池数据。

预设观测周期是指根据实际情况设定的时间周期，该时间周期作为进行数据采集、数据处理或其他操作的时间参考。例如，以10分钟为预设观测周期，每隔10分钟采集一次数据，并计算一次当前周期的电池性能。在一些实施例中，预设观测周期中的一个或多个周期可以为与当前时刻最为接近的连续的一个或多个周期。

电池数据是指与电池的性能相关的数据。在一些实施例中，电池数据包括电池组内的一个或多个电池单元的端电压及电流、一个或多个预设测量点的温度或其他相关数据。

电池数据的采集方法包括通过多种传感器或智能电池监测芯片采集。其中传感器的类型包括温度传感器、霍尔电流传感器或其他相关传感器。

步骤220，基于一个或多个周期内的电池数据，确定一个或多个周期内的电池性能。

电池性能是用于表征电池当前运行情况的数据，可以用于说明该电池在一个或多个周期内与其同等条件下的电池的额定工作状态的对比情况。额定工作状态包括但不限于额定容量、额定电压、充放电速率、阻抗、寿命和自放电率。

在一些实施例中，电池性能包括采集到的电压、电流等参数与同等条件下(温度、车辆状态等)的额定参数(标准参考的电压、电流)的接近程度，基于该接近程度描述电池性能。

在一些实施例中，可以基于一个或多个周期内的电池数据，确定一个或多个电池数据向量，同时基于相同环境条件(温度、车辆状态、电池使用情况)下的电池额定参数，确定额定参数向量，并分别基于一个或多个电池数据向量与额定参数向量的向量距离，确定一个或多个周期内的电池性能。在一些实施例中，电池性能可以与电池数据的向量距离负相关。例如，电池数据向量的向量距离数值越大，该一个或多个周期内的电池数据与相同环境条件下的电池额定参数差异越大，对应的电池性能越低。

在一些实施例中，电池性能可以通过数学方法计算(例如，计算其与同等条件下的额定参数的相似度)或者机器学习模型确定，更多相关描述请参见图3对应的说明。

步骤230，基于一个或多个周期内的电池性能，确定电池故障概率。

电池故障概率是指一个或多个周期内电池发生故障的概率。例如，电池在一个周期内的故障发生概率为80％。

在一些实施例中，可以基于一个或多个周期内的电池性能，构建性能向量。性能向量中每一维度的元素对应一个周期的电池性能。可以基于历史故障前的一个或多个历史周期内的电池性能确定历史性能向量。可以基于性能向量与历史性能向量的向量距离，确定电池故障概率。电池故障概率可以与性能向量的向量距离负相关。例如，相同条件下，性能向量的向量距离越小，电池故障概率越大。

电池故障概率可以基于一个或多个周期内的电池性能，通过人工规则、数学方法计算、机器学习模型预测或其他任意可行方式确定，关于确定方法的更多说明可参见图3或图5对应的说明。

步骤240，响应于电池故障概率满足预设条件，生成故障预警信息。

该预设条件可以为电池故障概率大于预设阈值。例如，电池在一个或多个周期内的故障发生概率是否大于60％可以被设置为预设条件的判断依据，当大于60％则为满足预设条件，反之则为不满足预设条件。

故障预警信息是指针对电池可能发生故障的提示信息。故障预警信息可以包括电池发生故障的概率、故障的类型及故障应急提示等信息。

在一些实施例中，故障预警信息可以由处理器生成，并通过与该汽车连接的移动终端、车载终端或其他设备进行信息提示。例如，通过车主的手机、车载大屏及车载音响进行振动、文字、语音等任意组合方式进行提示。

在本说明书一些实施例中，通过采集电池数据，获知电池性能，并预测电池故障，可以有效地监控电池运行情况，大大降低突发电池故障的风险，建立电池故障防范机制。

图3是根据本说明书一些实施例所示的确定电池性能及电池故障概率的示意图。电池性能的相关说明可参见图2相关描述。

在一些实施例中，电池性能可以基于一个或多个周期内监测到的电压、电流等参数与同等条件(相同温度、车辆状态等)下的额定参数(标准电压和电流参数)的接近程度确定电池性能。接近程度越大，代表电池性能越良好。

在一些实施例中，电池性能可以包括电池衰减度。

电池衰减度可以指用于表征电池性能衰减程度的数据。例如，电池衰减度为10％，代表电池当前性能与电池标准性能相比，衰减了10％，即电池当前性能为标准性能的90％。

如图3所示，在流程300中，可以基于一个或多个周期内的电池数据311，通过衰减度确定模型320，确定该一个或多个周期内的电池衰减度331。一个或多个周期内的电池数据的相关说明可参见图2相关描述。衰减度确定模型的相关说明可参见图4相关描述。

在一些实施例中，电池性能还可以包括电池单元一致度。

电池单元一致度可以指能够反映在一个周期内的电池组内各个电池单元的SOC(State of Charge)的离散程度的数据，其取值范围可以为(0,100％]。例如，电池单元一致度大于80％，代表电池组内各个电池单元的SOC的离散程度较低；电池单元一致度小于50％，代表电池组内各个电池单元的SOC的离散程度较高。

如图3所示，在一些实施例中，可以基于一个或多个周期内的电池数据311，获取该一个或多个周期内多个时刻的电池组内各个电池单元的SOC值，进而确定该一个或多个周期内的电池单元一致度332。

一个周期内电池组内各个电池单元的SOC值可以通过多种方式确定。例如，在一个周期内，监测每个电池单元在多个时刻的SOC值；计算每个时刻的各个电池单元的SOC的离散程度；将多个时刻的各个电池单元的SOC的离散程度取平均值，作为该周期内的电池组内各个电池单元的SOC的离散程度。其中，多个时刻可以预设。离散程度可以通过极差、平均差和标准差等计算方法进行确定。

电池单元一致度的数据值可以与电池组内各个电池单元的SOC的离散程度负相关。电池性能可以与电池单元一致度正相关。例如，在相同条件下，电池单元一致度越高，电池性能越高。

在一些实施例中，将多个时刻的各个电池单元的SOC的离散程度取平均值时，可以采用加权平均的方式。每个时刻的各个电池单元的SOC的离散程度的权重值可以相关于该时刻车辆的行驶状态，例如，可以与行驶状态中的车内耗电功率正相关等。更多关于行驶状态的说明可参见图5相关描述。

本说明书一些实施例中，通过在电池性能数据中引入电池单元一致度，可以使得电池性能数据更贴切地反映电池性能情况；不同行车状态下，电池单元的电量变化速率也不同，变化速率过快，理论上误差也越大，因此引入该特征作为权重，可以使得确定的电池单元一致度更加精确。

在一些实施例中，电池性能还可以包括异常值。

异常值可以指反映电池发生异常事件情况的数据。异常事件可以包括但不限于充电跳电、电量快降等情况。在一些实施例中，异常值可以基于一个或多个周期内的异常事件的发生次数、频率等统计数据进行表示。电池性能可以与异常值的大小负相关。例如，在相同条件下，异常值越大，电池性能越低。

如图3所示，在一些实施例中，可以基于一个或多个周期内的异常事件发生频率312，确定该一个或多个周期内的异常值333。例如，一个周期内出现异常事件的次数为5次，那么该周期的异常值为5。

在一些实施例中，不同异常事件对异常值的贡献程度可以不同。例如，异常值可以通过异常事件的加权求和进行确定，权重值相关于异常事件的严重程度。示例性地，对于充电跳电事件，可以预设电量从(80％,90％]跳至100％的权重值为0.8，从(70％,80％]跳至100％的权重值为0.9，从(60％,70％]跳至100％的权重值为1.0，从(50％,60％]跳至100％的权重值为1.1，以此类推。若一个周期内出现充电跳电事件4次，跳电之前的电量分别为85％，77％，71％和67％，那么该周期的异常值为1×0.8+2×0.9+1×1.0＝3.6。

本说明书一些实施例中，通过在电池性能数据中引入异常值，可以使得电池性能数据更贴切地反映电池性能情况；通过对异常事件对异常值的贡献程度的设定，可以使得确定的异常值更符合实际需求。

本说明书一些实施例中，通过在电池性能数据中引入电池衰减度，可以使得电池性能数据更贴切地反映电池性能情况；通过模型确定电池衰减度，提高了确定工作的效率，同时提升了确定结果的准确度。

如图3所示，在一些实施例中，与一个或多个周期内的电池数据311对应的该一个或多个周期内的电池性能330可以包括该一个或多个周期内的电池衰减度331、该一个或多个周期内的电池单元一致度332和该一个或多个周期内的异常值333。

如图3所示，在一些实施例中，可以基于一个或多个周期内的电池性能330，通过故障概率确定模型340，确定电池故障概率350。故障概率确定模型的相关说明可参见图5相关描述。

本说明书一些实施例中，通过模型确定电池故障概率，既提高了确定工作的效率，还提升了概率确定结果的准确度。

图4是根据本说明书一些实施例所示的衰减度确定模型的结构图。

在一些实施例中，可以基于衰减度确定模型对一个周期内的电池数据进行处理，确定该周期内的电池衰减度。衰减度确定模型可以指用于确定电池衰减度的机器学习模型。在一些实施例中，衰减度确定模型可以包括循环神经网络(Recurrent NeuralNetwork,RNN)模型、深度神经网络(Deep Neural Network,DNN)模型、卷积神经网络(Convolutional Neural Network,CNN)模型等各种可行的模型中的任意一种或组合。

在一些实施例中，衰减度确定模型可以包括多个处理层。如图4所示，在结构400中，衰减度确定模型430可以包括第一嵌入层431和第一确定层432。

第一嵌入层431可以用于对一个周期内的电池数据410进行处理，确定该周期对应的第一特征向量440。

第一特征向量可以指基于电池数据构建的特征向量。例如，某个周期的第一特征向量可以是(13.5，13.6，......，13.4，2.12，2.05，......，2.16，30.4，31.0，......，30.8)，代表的含义为该周期内多个电池单元的端电压分别为13.5V，13.6V，......，13.4V，多个电池单元的电流分别为2.12A，2.05A，......，2.16A，多个预设测量点的温度分别为30.4℃，31.0℃，......，30.8℃。

第一确定层432可以用于对一个周期对应的第一特征向量440进行处理，确定该周期内的电池衰减度450。电池衰减度的相关说明可参见图2相关描述。

在一些实施例中，第一确定层432的输入还可以包括当前循环次数420。当前循环次数420可以包括第一特征向量440对应的从电池出厂后投入使用到当前时刻累计的该电池组正常充电过程和正常放电过程的次数，以及过充电次数和过放电次数。

本说明书一些实施例中，通过输入当前循环次数，可以使得第一确定层输出的电池衰减度更贴切地反映电池的实际情况。

在一些实施例中，衰减度确定模型可以通过联合训练获得。联合训练的样本数据可以包括多个样本周期内的电池数据及其对应的样本当前循环次数，标签包括多个样本周期内的实际电池衰减度。多个样本周期可人工选取。多个样本周期内的电池数据及其对应的样本当前循环次数，以及多个样本周期内的电池数据对应的实际电池衰减度均可以基于电池历史使用记录的相关数据获取。标签可以基于人工标注确定。

示例性的联合训练过程包括：将多个样本周期内的电池数据输入初始第一嵌入层，得到初始第一嵌入层输出的第一特征向量；将初始第一嵌入层输出的第一特征向量作为训练样本数据，与多个样本周期内的电池数据对应的样本当前循环次数一起输入第一确定层，得到初始第一确定层输出的多个周期内的电池衰减度；基于多个样本周期内的实际电池衰减度和初始第一确定层输出的多个周期内的电池衰减度构建损失函数，同步更新初始第一嵌入层和初始第一确定层的参数。当损失函数满足预设条件时模型训练完成，得到训练好的衰减度确定模型。其中，预设条件可以是损失函数收敛、迭代的次数达到迭代次数阈值等。

本说明书一些实施例中，通过模型确定电池衰减度，可以保证确定结果的精度，提高预测效率，节约时间成本。同时，通过将衰减度确定模型的多个处理层进行联合训练，可以有效提高衰减度确定模型输出结果的准确度。

图5是根据本说明书一些实施例所示的故障概率确定模型的结构图。

在一些实施例中，可以基于故障概率确定模型对一个或多个周期内的电池性能进行处理，确定电池故障概率。故障概率确定模型可以指用于确定电池故障概率的机器学习模型。在一些实施例中，故障概率确定模型可以包括循环神经网络模型、深度神经网络模型、卷积神经网络模型等各种可行的模型中的任意一种或组合。

在一些实施例中，故障概率确定模型可以包括多个处理层。如图5所示，在结构500中，故障概率确定模型540可以包括第二嵌入层541、第三嵌入层542和第二确定层543。

第二嵌入层541可以用于对一个或多个周期内的电池性能510进行处理，确定该一个或多个周期对应的第二特征向量550。

第二特征向量可以指基于电池性能构建的特征向量。例如，某第二特征向量可以是(88％，84％，......，82％，3.4，3.9，......，4.1)，代表的含义为多个周期的电池组的电池单元一致度分别为88％，84％，......，82％，多个周期的电池组的异常值分别为3.4，3.9，......，4.1。

第三嵌入层542可以用于对行车状态520进行处理，确定第三特征向量560。

行车状态可以指汽车当前的行驶状态情况，可以包括汽车行驶时的车载重量以及多个连续时刻的行驶速度、转向角度、车内设施(例如空调)的耗电总功率等。例如，某行车状态的内容可以是(213，75，80，77，10，70，8，1500，1250，1300)，代表的含义为汽车行驶时的车载重量为213，多个时刻的行驶速度分别为75km/h，80km/h和77km/h，多个时刻的转向角度分别为10°、70°和8°，多个时刻的车内设施的耗电总功率分别为1500w、1250w，1300w。多个连续时刻的时间间隔可以预设，例如，10秒。

在一些实施例中，行车状态可以包括当前时间段的行车状态和未来时间段的行车状态。当前时间段可以预设，例如当前时刻的前1分钟；未来时间段也可以预设，例如当前时刻的后2分钟。

在一些实施例中，未来时间段的行车状态可以通过预测获取。例如，可以基于行车状态预测模型，通过对当前时间段的行车状态的处理，确定未来时间段的行车状态。行车状态预测模型可以为机器学习模型，例如，时间序列模型等。行车状态预测模型的输入可以是当前时间段的行车状态，输出可以是未来时间段的行车状态。

在一些实施例中，行车状态预测模型可以通过多个有标签的训练样本训练得到。例如，可以将多个带有标签的训练样本输入初始行车状态预测模型，通过标签和初始行车状态预测模型的结果构建损失函数，基于损失函数迭代更新初始行车状态预测模型的参数。当初始行车状态预测模型的损失函数满足预设条件时模型训练完成，得到训练好的行车状态预测模型。其中，预设条件可以是损失函数收敛、迭代的次数达到阈值等。

在一些实施例中，训练样本至少可以包括多个历史时间段的行车状态。标签可以是历史时间段对应的历史时间段后的时间段的行车状态。标签可以基于人工标注获取。

本说明书一些实施例中，通过引入行车状态，可以使得模型确定的电池故障概率的准确度更高。通过进一步引入未来的行车状态，可以更好地反映车辆行驶情况，有助于提高模型输出的准确度。

第三特征向量可以指基于行车状态构建的特征向量。例如，某第三特征向量可以是([213，75，80，77，10，70，8，1500，1250，1300]，[213，81，78，80，5，6，20，1400，1350，1380])，代表的含义为当前时间段的行车状态为“车载重量为213，多个连续时刻的行驶速度分别为75km/h、80km/h和77km/h，多个连续时刻的转向角度分别为10°、70°和8°，多个连续时刻的车内设施(例如空调)的耗电总功率分别为1500w、1250w和1300w”，未来时间段(例如未来1分钟内)的行车状态为“车载重量为213，多个连续时刻的行驶速度分别为81km/h、78km/h和80km/h，多个连续时刻的转向角度分别为5°、6°和20°，多个连续时刻的车内设施的耗电总功率分别为1400w、1350w和1380w”。

第二确定层543可以用于对第二特征向量550、第三特征向量560和异常频繁项重合度530进行处理，确定电池故障概率570。

异常频繁项可以指出现次数频繁的异常事件。异常频繁项可以基于异常项出现的频率确定。例如，可以将出现频率高于频繁阈值的异常项确定为异常频繁项，频繁阈值可以预设。示例性地，若频繁阈值预设为0.9，那么根据历史数据，在100次电池故障事件中，有93次电池故障之前发生了“连续3次充电跳电，连续2次电量快降”，那么“连续3次充电跳电，连续2次电量快降”的出现频率为0.93，则该异常项会被确定为异常频繁项。

异常频繁项重合度可以指异常事件与异常频繁项的相近程度。例如，当前出现的异常事件为“连续4次充电跳电，连续4次电量快降”，异常频繁项为“连续3次充电跳电，连续2次电量快降”，那么该异常事件的异常频繁项重合度为(3+2)÷(4+4)＝0.625。

在一些实施例中，故障概率确定模型可以通过联合训练获得。联合训练的样本数据可以包括一个或多个样本周期内的电池性能、样本行车状态和样本异常频繁项重合度，标签包括样本电池故障情况，可以通过1和0分别表示是或否出现电池故障。该样本电池故障情况可以为一个周期的电池故障情况，也可以为多个连续的周期的电池故障情况。例如，在一个样本周期内发生了电池故障则标签为1，否则标签为0；又例如，多个样本周期内，有部分或全部周期发生了电池故障，则标签为1，而全部周期都未发生电池故障时，则标签为0。在一些实施例中，样本数据对应的一个或多个样本周期可以为最接近当前时刻的样本周期。多个样本周期可人工选取。一个或多个样本周期内的电池性能、样本行车状态和样本异常频繁项重合度均可以基于电池历史使用记录和历史行车记录的相关数据获取。标签可以基于人工标注确定。

示例性的联合训练过程包括：将一个或多个样本周期内的电池性能输入初始第二嵌入层，得到初始第二嵌入层输出的第二特征向量；将样本行车状态输入初始第三嵌入层，得到初始第三嵌入层输出的第三特征向量；将初始第二嵌入层输出的第二特征向量和初始第三嵌入层输出的第三特征向量作为训练样本数据，与样本异常频繁项重合度一起输入第二确定层，得到初始第二确定层输出的电池故障概率；基于样本电池故障情况和初始第二确定层输出的电池故障概率构建损失函数，同步更新初始第二嵌入层、初始第三嵌入层和初始第二确定层的参数。当损失函数满足预设条件时模型训练完成，得到训练好的故障概率确定模型。其中，预设条件可以是损失函数收敛、迭代的次数达到迭代次数阈值等。

本说明书一些实施例中，通过模型确定电池故障概率，可以保证确定结果的精度，提高预测效率，节约时间成本。同时，通过将故障概率确定模型的多个处理层进行联合训练，可以有效提高故障概率确定模型输出结果的准确度。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。

同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的***组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的***。

同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。

针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。

最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (8)

1.一种汽车电池故障预警方法，所述方法包括：

采集预设观测周期中的一个或多个周期内的电池数据，所述电池数据包括电池组内的一个或多个电池单元的端电压及电流、一个或多个预设测量点的温度；

基于所述一个或多个周期内的电池数据，确定所述一个或多个周期内的电池性能；

基于所述一个或多个周期内的电池性能，确定电池故障概率；

所述基于所述一个或多个周期内的电池性能，确定电池故障概率，包括：通过故障概率确定模型对所述一个或多个周期内的电池性能及异常频繁项重合度进行处理，确定所述电池故障概率；

所述异常频繁项重合度基于异常事件与异常频繁项的相近程度确定；所述异常频繁项是指出现次数频繁的异常事件；

响应于所述电池故障概率满足预设条件，生成故障预警信息；

所述电池性能包括电池衰减度、电池单元一致度、异常值；

所述电池衰减度通过衰减度确定模型预测得到，所述衰减度确定模型为机器学习模型，所述衰减度确定模型包括第一嵌入层和第一确定层；所述第一嵌入层的输入包括一个周期内的所述电池数据，输出包括第一特征向量；所述第一确定层的输入包括所述第一特征向量及当前循环次数，输出包括该周期内的所述电池衰减度；

所述基于所述一个或多个周期内的电池数据，确定所述一个或多个周期内的电池性能还包括：基于所述一个或多个周期内的电池数据，监测每个电池单元在多个时刻的SOC值；计算多个时刻的所述每个电池单元的SOC值的离散程度；将所述多个时刻的所述每个电池单元的SOC值的离散程度取平均值或加权平均值，作为所述一个或多个周期内多个时刻的电池组内所述每个电池单元的SOC值的离散程度，确定电池单元一致度；所述一个或多个周期内多个时刻的电池组内所述每个电池单元的SOC值的离散程度相关于对应时刻的车辆的行驶状态；

所述一个或多个周期内的所述异常值基于所述一个或多个周期内的异常事件发生频率加权确定。

2.如权利要求1所述的方法，其特征在于，所述故障概率确定模型为机器学习模型，所述故障概率确定模型包括第二嵌入层和第二确定层。

3.如权利要求2所述的方法，其特征在于，所述电池故障概率与行车状态相关，所述故障概率确定模型的输入包括所述行车状态，所述行车状态包括所述汽车行驶时的速度、转向、车载重量、车内耗电中的一种或多种。

4.一种汽车电池故障预警***，包括采集模块、第一确定模块、第二确定模块和生成模块；

所述采集模块用于采集预设观测周期中的一个或多个周期内的电池数据，所述电池数据包括电池组内的一个或多个电池单元的端电压及电流、一个或多个预设测量点的温度；

所述第一确定模块用于基于所述一个或多个周期内的电池数据，确定所述一个或多个周期内的电池性能；

所述电池性能包括电池衰减度、电池单元一致度、异常值；

所述第一确定模块还用于：通过衰减度确定模型预测得到所述电池衰减度，所述衰减度确定模型为机器学习模型，所述衰减度确定模型包括第一嵌入层和第一确定层；所述第一嵌入层的输入包括一个周期内的所述电池数据，输出包括第一特征向量；所述第一确定层的输入包括所述第一特征向量及当前循环次数，输出包括该周期内的所述电池衰减度；

基于所述一个或多个周期内的电池数据，监测每个电池单元在多个时刻的SOC值；计算多个时刻的所述每个电池单元的SOC值的离散程度；将所述多个时刻的所述每个电池单元的SOC值的离散程度取平均值或加权平均值，作为所述一个或多个周期内多个时刻的电池组内每个电池单元的SOC值的离散程度，确定电池单元一致度；所述一个或多个周期内多个时刻的电池组内每个电池单元的SOC值的离散程度相关于对应时刻的车辆的行驶状态；

基于所述一个或多个周期内的异常事件发生频率，加权确定所述一个或多个周期内的所述异常值；

所述第二确定模块用于基于所述一个或多个周期内的电池性能，确定电池故障概率；

所述基于所述一个或多个周期内的电池性能，确定电池故障概率，包括：通过故障概率确定模型对所述一个或多个周期内的电池性能及异常频繁项重合度进行处理，确定所述电池故障概率；

所述异常频繁项重合度基于异常事件与异常频繁项的相近程度确定；所述异常频繁项是指出现次数频繁的异常事件；

所述生成模块用于响应于所述电池故障概率满足预设条件，生成故障预警信息。

5.如权利要求4所述的***，其特征在于，所述故障概率确定模型为机器学习模型，所述故障概率确定模型包括第二嵌入层和第二确定层。

6.如权利要求5所述的***，其特征在于，所述电池故障概率与行车状态相关，所述故障概率确定模型的输入包括所述行车状态，所述行车状态包括所述汽车行驶时的速度、转向、车载重量、车内耗电中的一种或多种。

7.一种汽车电池故障预警装置，包括处理器，所述处理器用于执行权利要求1～3中任一项所述的汽车电池故障预警方法。

8.一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如权利要求1～3任一项所述的汽车电池故障预警方法。