CN116819331A - 电池失效确定方法、装置、存储介质及结构 - Google Patents
电池失效确定方法、装置、存储介质及结构 Download PDFInfo
- Publication number
- CN116819331A CN116819331A CN202310708031.1A CN202310708031A CN116819331A CN 116819331 A CN116819331 A CN 116819331A CN 202310708031 A CN202310708031 A CN 202310708031A CN 116819331 A CN116819331 A CN 116819331A
- Authority
- CN
- China
- Prior art keywords
- battery
- evaluated
- determining
- current
- discharge
- 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
- 238000000034 method Methods 0.000 title claims abstract description 86
- 208000032953 Device battery issue Diseases 0.000 title claims abstract description 60
- 238000012549 training Methods 0.000 claims description 97
- 238000013507 mapping Methods 0.000 claims description 95
- 238000012795 verification Methods 0.000 claims description 79
- 238000010801 machine learning Methods 0.000 claims description 60
- 238000011156 evaluation Methods 0.000 claims description 49
- 238000012937 correction Methods 0.000 claims description 29
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 9
- 238000001514 detection method Methods 0.000 abstract description 11
- 238000004364 calculation method Methods 0.000 description 25
- 238000012423 maintenance Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 230000010354 integration Effects 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本申请涉及一种电池失效确定方法、装置、存储介质及结构。其中,方法包括:采集待评估电池的电压、电流和温度;基于待评估电池的电压、电流和温度确定待评估电池的初始容量;基于待评估电池的初始容量、电流确定待评估电池的放电深度;根据待评估电池的初始容量进行寿命估计,得到第一估计数据;根据待评估电池的放电深度进行寿命估计,得到第二估计数据;在第一估计数据满足第一预设条件和/或第二估计数据满足第二预设条件的情况下,确定待评估电池失效。本申请通过基于传感器数据精确地估计电池寿命数据,并进一步基于估计的数据判定电池是否失效,从而实现电池的及时更换,并且降低电池寿命检测成本。
Description
技术领域
本申请涉及电池技术领域,尤其涉及一种电池失效确定方法、装置、存储介质及结构。
背景技术
为了保证手术设备的正常使用,手术设备(例如腹腔镜手术机器人)一般会采用DC-UPS(直流不间断电源)控制单元和电池组成备用电源,以在出现停电等突发状况,即电源电压失效时,DC-UPS控制单元能够将电池中的存储的能量通过调节电路释放到直流负载总线中,保证手术设备的正常运作,避免手术过程中突然停电造成不良影响。
电池的电气特性会随着时间的推移而缓慢退化,其退化程度很难在运行***上进行测试得到,不准确的寿命预估可能导致电池突发失效,进而产生应急风险。因此,需要对手术设备的备用电源中的电池的退化情况进行精确估计,以在电池退化到一定程度时能够及时维护电池。
目前的一些电池失效确定方法采用使用时长作为单一维度进行判定,其虽不会出现机器使用意外,但由于更换前电池中往往还有一定的资源可供使用,导致该方法未最大限度利用其使用资源,以致造成电池资源的浪费,也变相增加了手术设备的维护使用成本;还有一些电池失效确定方法采用外部仪器进行检测,导致增加检测工作量及检测成本。
发明内容
为了解决上述技术问题,本申请提供一种电池失效确定方法、装置、存储介质及结构。本申请利用采集到的电池参数进行寿命预估,可以提高寿命预测准确率,从而更精确地判断电池更换时间。
一方面,本申请提供一种电池失效确定方法,包括:采集待评估电池的电压、电流和温度;温度通过温度传感器采集;基于待评估电池的电压、电流和温度确定待评估电池的初始容量;基于待评估电池的初始容量、电流确定待评估电池的放电深度;根据待评估电池的初始容量进行寿命估计,得到第一估计数据;根据待评估电池的放电深度进行寿命估计,得到第二估计数据;在第一估计数据满足第一预设条件和/或第二估计数据满足第二预设条件的情况下,确定待评估电池失效。
可选的,基于待评估电池的电压、电流和温度确定待评估电池的初始容量,包括:基于待评估电池的开路电压和放电电压确定待评估电池的电压变化值;基于待评估电池的电压变化值、放电电流确定待评估电池的初始内阻;基于待评估电池的温度对待评估电池的初始内阻进行校正,得到待评估电池的目标内阻;基于待评估电池的目标内阻确定待评估电池的初始容量。
可选的,基于待评估电池的温度对待评估电池的初始内阻进行校正,得到待评估电池的目标内阻,包括:从第一映射表中确定出与待评估电池的温度对应的映射温度;将第一映射表中映射温度对应的映射校正系数确定为内阻校正系数;基于内阻校正系数、待评估电池的初始内阻确定待评估电池的目标内阻。
可选的,基于待评估电池的目标内阻确定待评估电池的初始容量,包括:从第二映射表中确定出与待评估电池的目标内阻对应的映射内阻;将第二映射表中映射内阻对应的映射容量确定为待评估电池的初始容量。
可选的,基于待评估电池的初始容量、电流确定待评估电池的放电深度,包括:对待评估电池的放电电流进行积分处理,得到待评估电池的放电电量;基于待评估电池的初始容量、放电电量确定待评估电池的放电深度。
可选的,基于待评估电池的初始容量、电流确定待评估电池的放电深度,包括:根据多次放电中待评估电池的初始容量、电流确定待评估电池的多次放电的放电深度;根据待评估电池的多次放电的放电深度,确定待评估电池在不同放电深度下的放电次数;基于放电次数和不同放电深度对应的权重确定待评估电池的平均放电深度;不同的放电深度对应于不同的权重;根据待评估电池的放电深度进行寿命估计,得到第二估计数据,包括:从第三映射表中确定出与待评估电池的平均放电深度对应的映射放电深度;将第三映射表中映射放电深度对应的映射寿命确定为第二估计数据。
可选的,根据待评估电池的初始容量进行寿命估计,得到第一估计数据,包括:获取待评估电池的标称初始容量;将待评估电池的初始容量、标称初始容量进行对比,得到第一估计数据。
可选的,方法还包括:基于待评估电池的电压、电流、温度和特征因子,通过预训练的寿命预测模型得到第三估计数据;在第三估计数据满足第三预设条件的情况下,确定待评估电池失效;或,在第一估计数据满足第一预设条件和/或第二估计数据满足第二预设条件的情况下,若第三估计数据满足第三预设条件,则确定待评估电池失效;或,响应于更新指令,将第一估计数据、第二估计数据替换为第三估计数据,将第一预设条件、第二预设条件替换为第三预设条件。
可选的,方法还包括训练得到寿命预测模型的步骤;训练得到寿命预测模型,包括:基于分析样本数据确定初始特征因子;获取训练样本数据;构建预设机器学习模型,将机器学习模型确定为当前机器学习模型;将初始特征因子确定为当前特征因子;基于当前机器学习模型和当前特征因子,对训练样本数据进行寿命预测操作,确定训练样本数据对应的寿命估计数据;基于训练样本数据对应的寿命估计数据和寿命样本数据,确定损失值;当损失值大于预设损失阈值时,对当前机器学习模型进行更新以得到更新后的机器学习模型,将更新后的机器学习模型重新确定为当前机器学习模型,对当前特征因子进行更新以得到更新后的特征因子,将更新后的特征因子重新确定为当前特征因子;当损失值小于等于预设损失阈值时,将当前机器学习模型确定为训练好的寿命预测模型,将当前特征因子确定为训练好的特征因子;基于待评估电池的电压、电流、温度和特征因子,通过预训练的寿命预测模型得到第三估计数据,包括:基于待评估电池的电压、电流、温度和训练好的特征因子,通过训练好的寿命预测模型得到第三估计数据。
可选的,方法还包括验证寿命预测模型的步骤;验证寿命预测模型的步骤,包括:获取验证样本数据;将训练好的寿命预测模型确定为当前待验证模型;将训练好的特征因子确定为当前待验证特征因子;基于当前待验证模型和当前特征因子,对验证样本数据进行寿命预测操作,得到验证样本数据对应的寿命估计数据;基于验证样本数据对应的寿命估计数据和寿命样本数据,确定偏差值;当偏差值大于预设验证阈值时,基于验证样本数据对训练样本数据进行更新,以得到更新后的训练样本数据;基于更新后的训练样本数据对当前待验证模型和当前待验证特征因子进行迭代训练;当偏差值小于等于预设验证阈值时,将当前待验证模型确定为验证后的寿命预测模型,将当前待验证特征因子确定为验证后的特征因子;基于特征因子,通过预训练的寿命预测模型得到第三估计数据,包括:基于待评估电池的电压、电流、温度和验证后的特征因子,通过验证后的寿命预测模型得到第三估计数据。
另一方面,本申请提供一种电池失效确定装置,包括:
采集模块,用于采集待评估电池的电压、电流和温度;温度通过温度传感器采集;
第一确定模块,用于基于待评估电池的电压、电流和温度确定待评估电池的初始容量;
第二确定模块,用于基于待评估电池的初始容量、电流确定待评估电池的放电深度;
第一估计模块,用于根据待评估电池的初始容量进行寿命估计,得到第一估计数据;
第二估计模块,用于根据待评估电池的放电深度进行寿命估计,得到第二估计数据;
判断模块,用于在第一估计数据满足第一预设条件和/或第二估计数据满足第二预设条件的情况下,确定待评估电池失效。
可选的,第一确定模块用于:基于待评估电池的开路电压和放电电压确定待评估电池的电压变化值;基于待评估电池的电压变化值、放电电流确定待评估电池的初始内阻;基于待评估电池的温度对待评估电池的初始内阻进行校正,得到待评估电池的目标内阻;基于待评估电池的目标内阻确定待评估电池的初始容量。
可选的,第一确定模块用于:从第一映射表中确定出与待评估电池的温度对应的映射温度;将第一映射表中映射温度对应的映射校正系数确定为内阻校正系数;基于内阻校正系数、待评估电池的初始内阻确定待评估电池的目标内阻。
可选的,第一确定模块用于:从第二映射表中确定出与待评估电池的目标内阻对应的映射内阻;将第二映射表中映射内阻对应的映射容量确定为待评估电池的初始容量。
可选的,第二确定模块用于:对待评估电池的电流进行积分处理,得到待评估电池的放电电量;基于待评估电池的初始容量、放电电量确定待评估电池的放电深度。
可选的,第二确定模块用于:基于待评估电池的初始容量、待评估电池多次放电的电流确定待评估电池的单次放电的放电深度;基于多个待评估电池的单次放电的放电深度,确定待评估电池的多次放电的放电深度;根据待评估电池的放电深度进行寿命估计,得到第二估计数据,包括:根据待评估电池的多次放电的放电深度,确定待评估电池的平均放电深度;从第三映射表中确定出与待评估电池的平均放电深度对应的映射放电深度;将第三映射表中映射放电深度对应的映射寿命确定为第二估计数据。
可选的,第一估计模块用于:获取待评估电池的标称初始容量;将待评估电池的初始容量、标称初始容量进行对比,得到第一估计数据。
可选的,装置还包括第三估计模块,用于:基于待评估电池的电压、电流、温度和特征因子,通过预训练的寿命预测模型得到第三估计数据;在第三估计数据满足第三预设条件的情况下,确定待评估电池失效;或,在第一估计数据满足第一预设条件和/或第二估计数据满足第二预设条件的情况下,若第三估计数据满足第三预设条件,则确定待评估电池失效;或,响应于更新指令,将第一估计数据、第二估计数据替换为第三估计数据,将第一预设条件、第二预设条件替换为第三预设条件。
可选的,装置还包括训练模块,用于:基于分析样本数据确定初始特征因子;获取训练样本数据;构建预设机器学习模型,将机器学习模型确定为当前机器学习模型;将初始特征因子确定为当前特征因子;基于当前机器学习模型和当前特征因子,对训练样本数据进行寿命预测操作,确定训练样本数据对应的寿命估计数据;基于训练样本数据对应的寿命估计数据和寿命样本数据,确定损失值;当损失值大于预设损失阈值时,对当前机器学习模型进行更新以得到更新后的机器学习模型,将更新后的机器学习模型重新确定为当前机器学习模型,对当前特征因子进行更新以得到更新后的特征因子,将更新后的特征因子重新确定为当前特征因子;当损失值小于等于预设损失阈值时,将当前机器学习模型确定为目标寿命预测模型,将当前特征因子确定为目标特征因子;基于待评估电池的电压、电流、温度和特征因子,通过预训练的寿命预测模型得到第三估计数据,包括:基于待评估电池的电压、电流、温度和目标特征因子,通过目标寿命预测模型得到第三估计数据。
可选的,装置还包括验证模块,用于:获取验证样本数据;将目标寿命预测模型确定为当前待验证模型;将目标特征因子确定为当前待验证特征因子;基于当前待验证模型和当前特征因子,对验证样本数据进行寿命预测操作,得到验证样本数据对应的寿命估计数据;基于验证样本数据对应的寿命估计数据和寿命样本数据,确定偏差值;当偏差值大于预设验证阈值时,基于验证样本数据对训练样本数据进行更新,以得到更新后的训练样本数据;基于更新后的训练样本数据对当前待验证模型和当前待验证特征因子进行迭代训练;当损失值小于等于预设验证阈值时,将当前待验证模型确定为验证后的寿命预测模型,将当前待验证特征因子确定为验证后的特征因子;基于特征因子,通过预训练的寿命预测模型得到第三估计数据,包括:基于待评估电池的电压、电流、温度和验证后的特征因子,通过验证后的寿命预测模型得到第三估计数据。
另一方面,本申请提供一种计算机可读存储介质,存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述的电池失效确定方法。
另一方面,本申请提供一种电池失效确定结构,包括:
模数转换模块,用于采集待评估电池的电压、电流和温度;温度通过温度传感器采集;
与模数转换模块相连的初始容量确定模块,用于基于待评估电池的电压、电流和温度确定待评估电池的初始容量;
与模数转换模块、初始容量确定模块相连的放电深度确定模块,用于基于待评估电池的初始容量、电流确定待评估电池的放电深度;
与初始容量确定模块相连的第一估计模块,用于根据待评估电池的初始容量进行寿命估计,得到第一估计数据;
与放电深度确定模块相连的第二估计模块,用于根据待评估电池的放电深度进行寿命估计,得到第二估计数据;
与第一估计模块、第二估计模块相连的评估模块,用于在第一估计数据满足第一预设条件和/或第二估计数据满足第二预设条件的情况下,确定待评估电池失效。
可选的,初始容量确定模块包括依次相连的电压计算模块、内阻计算模块、内阻校正模块和初始容量计算模块;
电压计算模块,用于基于待评估电池的开路电压和放电电压确定待评估电池的电压变化值;
内阻计算模块,用于基于待评估电池的电压变化值、放电电流确定待评估电池的初始内阻;
内阻校正模块,用于基于待评估电池的温度对待评估电池的初始内阻进行校正,得到待评估电池的目标内阻;
初始容量计算模块,用于基于待评估电池的目标内阻确定待评估电池的初始容量。
可选的,放电深度确定模块包括依次相连的电流积分模块和放电深度计算模块;
电流积分模块,用于对待评估电池的电流进行积分处理,得到待评估电池的放电电量;
放电深度计算模块,用于基于待评估电池的初始容量、放电电量确定待评估电池的放电深度。
可选的,放电深度计算模块用于:根据多次放电中待评估电池的初始容量、电流确定待评估电池的多次放电的放电深度;根据待评估电池的多次放电的放电深度,确定待评估电池在不同放电深度下的放电次数;基于放电次数和不同放电深度对应的权重确定待评估电池的平均放电深度;不同的放电深度对应于不同的权重;
第二估计模块用于:从第三映射表中确定出与待评估电池的平均放电深度对应的映射放电深度;将第三映射表中映射放电深度对应的映射寿命确定为第二估计数据。
可选的,结构还包括:
模型预测模块,用于基于待评估电池的电压、电流、温度和特征因子,通过预训练的寿命预测模型得到第三估计数据;在第三估计数据满足第三预设条件的情况下,确定待评估电池失效;或,在第一估计数据满足第一预设条件和/或第二估计数据满足第二预设条件的情况下,若第三估计数据满足第三预设条件,则确定待评估电池失效;或,响应于更新指令,将第一估计数据、第二估计数据替换为第三估计数据,将第一预设条件、第二预设条件替换为第三预设条件;接收模型训练模块发送的目标寿命预测模型、目标特征因子,将寿命预测模型替换为目标寿命预测模型,将特征因子替换为目标特征因子;
与模型预测模块相连的模型训练模块,用于基于分析样本数据确定初始特征因子;获取训练样本数据;构建预设机器学习模型;基于训练样本数据对初始特征因子、预设机器学习模型进行迭代训练,得到目标寿命预测模型、目标特征因子。
可选的,结构还包括:
与模型预测模块、模型训练模块分别相连的模型验证模块,用于获取验证样本数据;获取目标寿命预测模型;获取目标特征因子;基于验证样本数据对目标寿命预测模型、目标特征因子进行验证,得到验证后的寿命预测模型、验证后的特征因子;
模型预测模块还用于接收模型训练模块发送的验证后的寿命预测模型、验证后的特征因子,将寿命预测模型替换为验证后的寿命预测模型,将特征因子替换为验证后的特征因子。
本申请实施例提出的一种电池失效确定方法、装置、存储介质及结构,可以利用采集到的电池参数来准确预测出电池是否已使用寿命极限,在不利用其他设备的情况下即可实现电池寿命的准确预估,并在确定电池失效时将预警信息发送给服务后台进行预警,从而实现及时的电池更换,进而有效降低电池的更换成本。并且,根据大量的训练数据训练得到寿命预测模型,后续根据验证数据对寿命预测模型进行验证,并根据寿命预测模型预测出电池的寿命信息,可以进一步提高预测的准确度。
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和优点,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的介绍,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的前提下,还可以根据这些附图获得其它附图;
图1是根据一示例性实施例示出的一种电池失效确定方法的实施环境示意图;
图2是根据一示例性实施例示出的一种电池失效确定结构的示意图;
图3是根据一示例性实施例示出的一种电池失效确定方法的流程示意图;
图4是根据一示例性实施例示出的一种初始容量确定模块的结构示意图;
图5是根据一示例性实施例示出的一种确定待评估电池的初始容量方法的流程示意图;
图6是根据一示例性实施例示出的一种确定待评估电池的目标内阻方法的流程示意图;
图7是根据一示例性实施例示出的一种确定待评估电池的初始容量方法的流程示意图;
图8是根据一示例性实施例示出的一种放电深度确定模块的结构示意图;
图9是根据一示例性实施例示出的一种得到第二估计数据方法的流程示意图;
图10是根据一示例性实施例示出的一种电池失效确定方法的流程示意图;
图11是根据一示例性实施例示出的一种训练得到寿命预测模型方法的流程示意图;
图12是根据一示例性实施例示出的一种验证寿命预测模型方法的流程示意图;
图13是根据一示例性实施例示出的一种电池失效确定装置框图;
图14是根据一示例性实施例提供的一种电池失效确定方法的服务器的硬件结构框图。
具体实施方式
下面将结合本申请实施例中的附图,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。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,本申请实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请实施例的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了使本申请实施例公开的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请实施例进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请实施例,并不用于限定本申请实施例。
以下,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在现有技术中,对于手术设备中备用电源的电池维护电池方式主要有以下几种:第一种,固定更换周期,例如2年更换一次电池;第二种,定期利用仪器检查电池,并根据检测数据判断使用寿命,确定更换日期;第三种,当电池的使用寿命终止而导致机器无法启动或者工作异常时,立刻安排电池的更换。上述第一种情况总是在电池使用寿命极限前更换,如此虽不会出现使用意外,但无法最大限度利用电池资源。第二种情况需要定期利用检测仪器进行电池检测,导致增加检测工作量及检测成本。而对于第三种方法,用户使用机器会受到电池临时更换的影响,从而耽误用户使用机器,可能造成无法使用机器而导致的其他损失,因此变相增大了电池手术设备的维护成本。
若能替代常规的电池维护方式,在电池的使用寿命达到极限之前,不利用检测仪器就能准确预测出电池的使用寿命极限,那么就可以在电池的使用寿命达到极限时再更换电池,进而有效降低电池的更换成本和时间成本,也不影响用户对机器的使用。不过,因使用工况及时间温度等综合原因的影响,电池的使用寿命很难被准确测量出来,因此电池的使用寿命极限更难被预测。
有鉴于此,本申请实施例提供了一种电池失效确定方法、装置、存储介质及结构,可以利用采集到的电池参数来准确预测出电池是否已使用寿命极限,并发送给服务后台进行预警,有效降低电池以及手术设备的维护成本。并且,根据大量的训练数据训练得到寿命预测模型,后续根据验证数据对寿命预测模型进行验证,并根据寿命预测模型预测出电池的寿命信息,从而进一步提高预测的准确度。
图1是根据一示例性实施例示出的一种电池失效确定方法的实施环境示意图。如图1所示,该实施环境至少可以包括服务后台101、通讯模块102、微处理器103、电源模块104、显示界面105、存储模块106、电池电极107、温度传感器108,其中,服务后台101、通讯模块102、微处理器103、电源模块104依次连接,显示界面105和通讯模块102连接,微处理器103分别和存储模块106、电池电极107、温度传感器108连接,上述的连接可以是通过有线或无线通信方式进行直接或间接的连接,本申请在此不做限制。
可选的,电源模块104与微处理器103连接,为微处理器103提供正常的工作电压;温度传感器108与电池接触,用于检测电池的温度;微处理器103的输入端分别与电池的电极以及温度传感器108连接,用于采集电池的电压、电流和温度,将采集的电压、电流及温度进行处理,并输出电池电量和电池内阻、准确预估剩余寿命;存储模块106与微处理器103连接,用于储存机器编号和寿命预期数据,记录存储放电循环次数、电池更换前的终止电压、内阻、温度等信息;通讯模块102与微处理器103输出端连接,用于将电池相关数据信息传出,通过串口通讯接口传送给显示界面105,通过Wi-Fi模块接口传送给服务后台101;显示界面105与通讯模块102连接,用于给使用者提供电池的相关信息显示并提示电池是否达到使用寿命极限;服务后台101与通讯模块102连接,用于向厂家传输电池的相关信息,并提示电池是否达到寿命极限,便于厂家安排人员去维护或更换电池,同时服务后台101可以采集大量机器的电池运行状态,进行自主学习更新存储模块106的原始数据信息,以便***能够更准确预估电池的使用寿命极限。
可选地,服务后台101可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式***,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content DeliveryNetwork,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。具体地,上述涉及的服务器可以包括实体设备,可以具体包括有网络通信子模块、处理器和存储器等等,也可以包括运行于实体设备中的软体,可以具体包括有应用程序等。
可选的,微处理器102可以采集待评估电池的电压、电流和温度;温度通过温度传感器采集;基于待评估电池的电压、电流和温度确定待评估电池的初始容量;基于待评估电池的初始容量、电流确定待评估电池的放电深度;根据待评估电池的初始容量进行寿命估计,得到第一估计数据;根据待评估电池的放电深度进行寿命估计,得到第二估计数据;在第一估计数据满足第一预设条件和/或第二估计数据满足第二预设条件的情况下,确定待评估电池失效。可选的,服务后台101和/或微处理器102还可以用于训练和验证寿命预测模型、特征因子,在一种实施方式中,服务后台101在进行训练和验证寿命预测模型、特征因子后可以将寿命预测模型、特征因子发送到微处理器102,由微处理器102基于寿命预测模型、特征因子进行寿命预测。
需要说明的是,图1仅仅是一种示例。在其他场景中,还可以包括其他实施环境。
本申请实施例提供一种电池失效确定结构。请参阅图2,图2是根据一示例性实施例示出的一种电池失效确定结构的示意图。
如图2所图示,一种电池失效确定结构200可以包括模数转换模块201,初始容量确定模块202,放电深度确定模块203,第一估计模块204,第二估计模块205,评估模块206。其中,初始容量确定模块202与模数转换模块201相连,放电深度确定模块203与模数转换模块201、初始容量确定模块202相连,第一估计模块204与初始容量确定模块202相连,第二估计模块205与放电深度确定模块203相连,评估模块206分别与第一估计模块204、第二估计模块205相连。
可选的,图1图示的微处理器103可以包括图2所图示的模数转换模块201、初始容量确定模块202、放电深度确定模块203、第一估计模块204、第二估计模块205和评估模块206。
相应地,本申请实施例提供一种电池失效确定方法。下面基于图3进一步介绍应用于图2中图示的电池失效确定结构的电池失效确定方法的具体工作流程。
请参照图3,图3是根据一示例性实施例示出的一种电池失效确定方法的流程示意图。根据图3所图示,方法包括:
S101:采集待评估电池的电压、电流和温度。
可选的,模数转换模块201可以采集待评估电池的电压、电流和温度。可选的,温度可以通过温度传感器或其他温度采集方式采集得到。模数转换模块201的输入可以分别与电池、温度传感器连接,用于采集电池的电压、电流和传感器检测得到的电池温度。模数转换模块201的输出端可以与初始容量确定模块202、放电深度确定模块203的输入端相连接,以将采集的数据输入初始容量确定模块202、放电深度确定模块203。
在一种可选的实施方式中,不仅可以采集电池在静止状态下的电压、电流和温度等参数,还可以监测和记录池在充放电过程中上述参数的动态变化曲线,以反映电池的工作变化规律与衰退趋势,为后续建立精度更高的寿命预测模型提供数据支撑。
作为一种示例,模数转换模块201可以将采集的待评估电池的电压、电流和温度输入初始容量确定模块202,将采集的待评估电池的电流输入放电深度确定模块203。
S102:基于待评估电池的电压、电流和温度确定待评估电池的初始容量。
可选的,初始容量确定模块202可以基于待评估电池的电压、电流和温度确定待评估电池的初始容量。
请参照图4,图4是根据一示例性实施例示出的一种初始容量确定模块的结构示意图。根据图4所图示,作为一种示例,初始容量确定模块202可以包括依次相连的电压计算模块2021、内阻计算模块2022、内阻校正模块2023和初始容量计算模块2024。
下面基于图5进一步介绍应用于上述初始容量确定模块202的电池失效确定方法的示例性流程。请参照图5,图5是根据一示例性实施例示出的一种确定待评估电池的初始容量方法的流程示意图。如图5所图示,基于待评估电池的电压、电流和温度确定待评估电池的初始容量,包括:
S1021:基于待评估电池的开路电压和放电电压确定待评估电池的电压变化值。
电池在开路状态下的端电压称为开路电压(Open circuit voltage,OCV)。电池的开路电压等于电池在断路时(即没有电流通过两极时)电池的正极电极电势与负极的电极电势之差。放电电压是指在电池放电过程中(电流由电池流出),电池的两端电压。
可选的,电压计算模块2021可以基于待评估电池的开路电压和放电电压确定待评估电池的电压变化值。具体而言,模数转换模块201可以将待评估电池的开路电压和放电电压输入电压计算模块2021,以使电压计算模块2021基于待评估电池的开路电压和放电电压确定待评估电池的电压变化值。
可选的,电压计算模块2021可以将开路电压和放电电压作差,得到两者的差值,并将差值确定为待评估电池的电压变化值。
S1022:基于待评估电池的电压变化值、放电电流确定待评估电池的初始内阻。
可选的,内阻计算模块2022可以基于待评估电池的电压变化值、放电电流确定待评估电池的初始内阻。其中,电压变化值可以由电压计算模块2021输入内阻计算模块2022,放电电流可以由模数转换模块201输入内阻计算模块2022。
S1023:基于待评估电池的温度对待评估电池的初始内阻进行校正,得到待评估电池的目标内阻。
可选的,内阻校正模块2023可以基于待评估电池的温度对待评估电池的初始内阻进行校正,得到待评估电池的目标内阻。
下面基于图6进一步阐述步骤S1023的示例性流程。请参阅图6,图6是根据一示例性实施例示出的一种确定待评估电池的目标内阻方法的流程示意图。如图6所图示,基于待评估电池的温度对待评估电池的初始内阻进行校正,得到待评估电池的目标内阻,包括:
S10231:从第一映射表中确定出与待评估电池的温度对应的映射温度。
可选的,内阻校正模块2023可以从第一映射表中确定出与待评估电池的温度对应的映射温度。其中,第一映射表可以是一维表,具体可以是温度-校正系数映射表,存储在存储模块中供内阻校正模块2023读取。可选的,确定出的映射温度可以是和待评估电池温度一致的温度;可选的,确定出的映射温度可以是待评估电池温度所属的映射温度范围。例如,26℃~30℃对应于一个映射温度范围,31℃~35℃对应于另一个映射温度范围,上述仅为示例,并不以此为限定。S10232:将第一映射表中映射温度对应的映射校正系数确定为内阻校正系数。
可选的,内阻校正模块2023可以将第一映射表中映射温度对应的映射校正系数确定为内阻校正系数。
S10233:基于内阻校正系数、待评估电池的初始内阻确定待评估电池的目标内阻。
可选的,内阻校正模块2023可以基于内阻校正系数、待评估电池的初始内阻确定待评估电池的目标内阻。作为一种示例,内阻校正模块2023可以将内阻校正系数、待评估电池的初始内阻的乘积确定为待评估电池的目标内阻。
可选的,内阻校正模块2023可以将确定的待评估电池的目标内阻输入到初始电量计算模块。
S1024:基于待评估电池的目标内阻确定待评估电池的初始容量。
可选的,初始容量计算模块2024可以基于待评估电池的目标内阻确定待评估电池的初始容量。
作为一种示例,可以根据第二映射表确定待评估电池的初始容量。下面基于图7进一步介绍步骤S1024的示例性流程。请参照图7,图7是根据一示例性实施例示出的一种确定待评估电池的初始容量方法的流程示意图。如图7所图示,基于待评估电池的电压、电流和温度确定待评估电池的初始容量,包括:
S10241:从第二映射表中确定出与待评估电池的目标内阻对应的映射内阻。
可选的,初始容量计算模块2024可以从第二映射表中确定出与待评估电池的目标内阻对应的映射内阻。其中,第二映射表可以是一维表,具体可以是内阻-容量映射表,存储在存储模块中供初始容量计算模块2024读取。可选的,确定出的映射内阻可以是和待评估电池的目标内阻一致的内阻;可选的,确定出的映射内阻可以是待评估电池的目标内阻所属的映射内阻范围。
S10242:将第二映射表中映射内阻对应的映射容量确定为待评估电池的初始容量。
可选的,初始容量计算模块2024可以将第二映射表中映射内阻对应的映射容量确定为待评估电池的初始容量。
下面继续基于图2进行阐述。
S103:基于待评估电池的初始容量、电流确定待评估电池的放电深度。
可选的,放电深度确定模块203可以基于待评估电池的初始容量、电流确定待评估电池的放电深度。
作为一种示例,请参照图8,图8是根据一示例性实施例示出的一种放电深度确定模块的结构示意图。如图8所图示,放电深度确定模块203可以包括依次相连的电流积分模块2031和放电深度计算模块2032。
可选的,电流积分模块2031可以对待评估电池的电流进行积分处理,得到待评估电池的放电电量;放电深度计算模块2032可以接收电流积分模块2031发送的待评估电池的放电电量,基于待评估电池的初始容量、放电电量确定待评估电池的放电深度。
作为一种示例,放电深度计算模块2032可以根据多次放电中待评估电池的初始容量、电流确定待评估电池的多次放电的放电深度;根据待评估电池的多次放电的放电深度,确定待评估电池在不同放电深度下的放电次数;基于放电次数和不同放电深度对应的权重确定待评估电池的平均放电深度。其中,不同的放电深度可以对应于不同的权重。可选的,在此实施例中,不同放电深度可以包括不同的放电深度数值,也可以包括不同的放电深度范围;作为一种可选的实施例,放电深度可以是分子为整数、分母为100的百分比数据,例如,从0%-100%且间隔为1%的百分比数据;当测量得到的单次放电的放电深度的分子不为整数时,可采用四舍五入后的分子计算得到放电深度并基于该放电深度进行统计,以得到不同放电深度下的放电次数。还例如,不同的放电深度可以是0%,20%,40%,60%,80%,100%,统计时取上述多个放电深度中和测量值最接近的数值进行统计。在一种可选的实施方式中,放电深度计算模块2032还可以包括放电循环次数记录模块,在此实施方式中,放电循环次数记录模块可以记录每次放电的放电深度。例如,可以将输入的电池放电深度根据0%,20%,40%,60%,80%,100%进行分别储存记录并输出电池不同放电程度次数。需注意的是,上述统计方式仅为一种示例,在其他可选的实施例中还可以设置其他放电深度,并针对不同的放电深度匹配不同的权重,其中,放电深度和权重可以是一一对应的关系。
S104:根据待评估电池的初始容量进行寿命估计,得到第一估计数据。
可选的,第一估计模块204可以根据待评估电池的初始容量进行寿命估计,得到第一估计数据。可选的,第一估计数据可以是待评估电池的剩余寿命。例如,初始状态下第一估计数据可以是100%,当电池寿命终止时第一估计数据可以是0%。需要注意的是,本申请实施例不对电池的不同状态下第一估计数据的数值设置作限定。
作为一种示例,第一估计模块204可以获取待评估电池的标称初始容量;将待评估电池的初始容量、标称初始容量进行对比,得到第一估计数据。可选的,可以求得初始容量和标称初始容量的比值,基于该比值确定电池的剩余寿命,得到第一估计数据。
S105:根据待评估电池的放电深度进行寿命估计,得到第二估计数据。
可选的,第二估计模块205可以根据待评估电池的放电深度进行寿命估计,得到第二估计数据。可选的,第二估计数据可以是待评估电池的剩余寿命。例如,初始状态下第二估计数据可以是100%,当电池寿命终止时第二估计数据可以是0%。需要注意的是,本申请实施例不对电池的不同状态下第二估计数据的数值设置作限定。
在上文中阐述的步骤S103中确定平均放电深度的实施例中,步骤S105可以包括:第三映射表中确定出与待评估电池的平均放电深度对应的映射放电深度;将第三映射表中映射放电深度对应的映射寿命确定为第二估计数据。其中,第三映射表可以是放电深度-剩余寿命映射表。
请参照图9,图9是根据一示例性实施例示出的一种得到第二估计数据方法的流程示意图。
在一种具体的实施方式中,第二估计模块205可以接收放电深度确定模块203发送的多次放电的放电深度。在此实施方式中,如图9所图示,根据待评估电池的放电深度进行寿命估计,得到第二估计数据,可以包括:
S1051:从第三映射表中确定出与待评估电池的平均放电深度对应的映射放电深度。
可选的,第二估计模块205可以从第三映射表中确定出与待评估电池的平均放电深度对应的映射放电深度。在一种可选的实施方式中,映射放电深度可以和待评估电池的平均放电深度一致;在另一种可选的实施方式中,映射放电深度可以是待评估电池的平均放电深度所属的映射放电深度范围。
S1052:将第三映射表中映射放电深度对应的映射寿命确定为第二估计数据。
可选的,第二估计模块205可以将第三映射表中映射放电深度对应的映射寿命确定为第二估计数据。
电池下面继续基于图2进行阐述。
S106:在第一估计数据满足第一预设条件和/或第二估计数据满足第二预设条件的情况下,确定待评估电池失效。
在一种可选的实施方式中,评估模块206可以在第一估计数据满足第一预设条件和/或第二估计数据满足第二预设条件的情况下,确定待评估电池失效。也就是说,只要第一估计数据或者第二估计数据中的任何一个满足相应的判断条件,则可以确定待评估电池失效。具体而言,由于第一估计数据是基于初始容量确定的,而第二估计数据是基于放电深度确定的,因此在本实施方式中,只要初始容量、放电深度中的一个参数的数值表征电池寿命达到极限,则判断待评估电池失效,如此可以提高失效判断的灵敏度,防止提示电池失效不及时。
在另一种可选的实施方式中,评估模块206可以在第一估计数据满足第一预设条件并且第二估计数据满足第二预设条件的情况下,确定待评估电池失效。也就是说,需要第一估计数据和第二估计数据均满足相应的判断条件,才可以确定待评估电池失效。在本实施方式中,需要初始容量和放电深度这两个参数的数值表征电池寿命达到极限,才判断待评估电池失效,如此可以提高失效判断的精确度,防止电池失效的误判。
本实施方式,基于电池的实时参数数据进行多角度的寿命评估,可以相互验证,避免个别参数产生的误差,从而提高电池评估的准确性。
在一种可选的实施方式中,第一预设条件可以是第一估计数据小于等于第一预设估计值,第二预设条件可以是第二估计数据小于等于第二预设估计值。可选的,第一预设估计值和第二预设估计值可以是相同值。本申请实施例中,根据第一估计数据以及第二估计数据进行电池失效的判断,可以增强判定准确度。
可选的,步骤S106还可以包括:评估模块206在确定待评估电池失效之后发出预警信号。该预警信号可以通过串口模块传送到显示界面105,以使显示界面105显示预警信号,提示售后维护电池。该预警信号可以通过Wi-Fi模块传送给服务后台101,提示服务后台101显示维护信息,以指示维护人员对电池失效机器进行维护。作为一种示例,显示界面105显示预警信号“提示售后维护电池”,客户根据提示信息,联系厂家上门维护;厂家服务后台101显示维护信息“哪个编号机器需要维护”,厂家根据提示信息,安排维护人员上门维护。
本申请实施例中,微处理器103可以基于模数转换模块201采集的电压、电流、温度等传感器数据,通过预设的映射表来确定寿命估计数据,然后进一步基于寿命估计数据确定电池是否失效,从而准确地进行寿命预估。
为了进一步提高寿命估计的准确率,可以采用寿命估计模型来进行寿命预估。作为一种示例,微处理器103还可以包括模型预测模块,服务后台101还可以包括模型训练模块。其中,模型预测模块可以和模型训练模块相连。
下面基于图10进一步阐述本申请提供的一种电池失效确定方法。
请参照图10,图10是根据一示例性实施例示出的一种电池失效确定方法的流程示意图。如图10所图示,在第一估计数据满足第一预设条件和/或第二估计数据满足第二预设条件的情况下,确定待评估电池失效之后,方法还包括:
S201:基于待评估电池的电压、电流、温度和特征因子,通过预训练的寿命预测模型得到第三估计数据。
可选的,模型预测模块可以基于待评估电池的电压、电流、温度和特征因子,通过预训练的寿命预测模型得到第三估计数据。可选的,第三估计数据可以是待评估电池的剩余寿命。例如,初始状态下第三估计数据可以是100%,当电池寿命终止时第三估计数据可以是0%。需要注意的是,本申请实施例不对电池的不同状态下第三估计数据的数值设置作限定。
S202:响应于更新指令,将第一估计数据、第二估计数据替换为第三估计数据,将第一预设条件、第二预设条件替换为第三预设条件。
可选的,模型预测模块用于响应于更新指令,将第一估计数据、第二估计数据替换为第三估计数据,将第一预设条件、第二预设条件替换为第三预设条件。
作为一种示例,响应于更新指令,步骤S106可以更新为:在第三估计数据满足第三预设条件的情况下,确定电池失效。可选的,第三预设条件可以是第三估计数据小于等于第三预设估计值。
在一种可选的实施方式中,步骤S202还可以是:在第三估计数据满足第三预设条件的情况下,确定待评估电池失效。在此实施方式中,第一预设条件、第二预设条件、第三预设条件可以是或的关系,也就是说,只要其中一个条件被满足,则判断待评估电池失效。
在一种可选的实施方式中,步骤S202还可以是:在第一估计数据满足第一预设条件和/或第二估计数据满足第二预设条件的情况下,若第三估计数据满足第三预设条件,则确定待评估电池失效。在此实施方式中,第一预设条件、第二预设条件之间是或的关系,而第一预设条件或第二预设条件和第三预设条件之间是与的关系,也就是说,需要第一预设条件、第二预设条件中的一个条件被满足,并且第三预设条件被满足,则判断待评估电池失效。
在另一些可选的实施方式中,步骤S201-步骤S202可以包括:基于待评估电池的电压、电流、温度和特征因子,通过寿命预测模型得到电池失效判定结果。在此实施方式中,寿命预测模型直接输出电池失效判定结果,判定结果包括失效、未失效。
可选的,随着数据量的增大,模型可以有足够的训练样本数据、验证数据对模型进行不断更新及优化,从而提高寿命预估准确度。在此实施方式中,服务后台101可以持续更新寿命预测模型。在一种可选的实施方式中,服务后台101可以根据寿命预测模型的更新,同步向微处理器103发送更新后的寿命预测模型;在另一种可选的实施方式中,响应于用户基于显示界面105的更新操作产生的更新指令,服务后台101向微处理器103发送最新的寿命预测模型,以对微处理器103中用于寿命预测的模型进行更新。本实施方式通过基于大量实际电池使用数据建立基于数据驱动的寿命预测模型,与现有的基于指定参数公式的评估方式相比,寿命预测模型可以更加精确地描述电池的真实变化规律,进而评估结果具有较高准确性。
如此以来,寿命估计的准确度可以得到保证,以使用户端可以更好地判断电池寿命,合理安排机器人的使用,避免机器使用中断。可选的,机器可以包括手术设备,避免手术设备的断电可以进一步保证手术安全。
作为一种示例,一种电池失效确定方法还可以包括训练得到寿命预测模型的步骤。下面基于图11对此步骤进行介绍。请参照图11,图11是根据一示例性实施例示出的一种训练得到寿命预测模型方法的流程示意图。如图11所图示,训练得到寿命预测模型,包括:
S301:基于分析样本数据确定初始特征因子。
可选的,模型训练模块可以获取分析样本数据,基于分析样本数据确定初始特征因子。
在一种可选的实施方式中,模型训练模块可以基于回归分析法对分析样本数据进行分析,将电压、电流、内阻、温度等作为自变量,电池容量作为因变量,根据相关性分析得到变量间的关系。其中,如果系数越大,则因变量随自变量的变化越大,可以将计算得到的系数确定为初始特征因子。
S302:获取训练样本数据。
可选的,模型训练模块可以获取训练样本数据。
可选的,训练样本数据可以包括电压、电流、电阻、温度等自变量数据,以及相应的电池寿命。
S303:构建预设机器学习模型,将机器学习模型确定为当前机器学习模型。
需要说明的是,本实施例的机器学习模型可以是通过包括但不限于线性回归、逻辑回归、决策树、神经网络(深度学习)、支持向量机、随机森林等算法所对应建立的数学模型。应当理解的是,其他未说明的机器学习模型也适用于本实施例。
可选的,模型训练模块可以构建预设机器学习模型,将机器学习模型确定为当前机器学习模型。训练过程中可以不断对当前机器学习模型进行更新。
S304:将初始特征因子确定为当前特征因子。
可选的,模型训练模块可以将初始特征因子确定为当前特征因子。训练过程中可以不断对当前特征因子进行修正。
S305:基于当前机器学习模型和当前特征因子,对训练样本数据进行寿命预测操作,确定训练样本数据对应的寿命估计数据。
可选的,模型训练模块可以基于当前机器学习模型和当前特征因子,对训练样本数据进行寿命预测操作,确定训练样本数据对应的寿命估计数据。
S306:基于训练样本数据对应的寿命估计数据和寿命样本数据,确定损失值。
可选的,模型训练模块可以基于训练样本数据对应的寿命估计数据和寿命样本数据,确定损失值。
S307:判断是否损失值大于预设损失阈值;若是,转至步骤S308;若否,转至步骤S309。
可选的,模型训练模块可以判断是否损失值大于预设损失阈值。
S308:对当前机器学习模型进行更新以得到更新后的机器学习模型,将更新后的机器学习模型重新确定为当前机器学习模型,对当前特征因子进行更新以得到更新后的特征因子,将更新后的特征因子重新确定为当前特征因子;转至步骤S305。
可选的,当损失值大于预设损失阈值时,模型训练模块可以对当前机器学习模型进行更新以得到更新后的机器学习模型,将更新后的机器学习模型重新确定为当前机器学习模型,对当前特征因子进行更新以得到更新后的特征因子,将更新后的特征因子重新确定为当前特征因子。转至步骤S305之后,基于重新确定的当前机器学习模型、当前特征因子继续进行迭代训练。
S309:将当前机器学习模型确定为目标寿命预测模型,将当前特征因子确定为目标特征因子。
可选的,当损失值小于等于预设损失阈值时,模型训练模块可以将当前机器学习模型确定为目标寿命预测模型,将当前特征因子确定为目标特征因子。
可选的,模型预测模块可以接收模型训练模块发送的目标寿命预测模型、目标特征因子,将寿命预测模型替换为目标寿命预测模型,将特征因子替换为目标特征因子。基于待评估电池的电压、电流、温度和特征因子,通过预训练的寿命预测模型得到第三估计数据,可以包括:基于待评估电池的电压、电流、温度和目标特征因子,通过目标寿命预测模型得到第三估计数据。
在一种可选的实施方式中,寿命预测模型可以预测得到第三估计数据,第三估计数据可以表征电池的使用情况。在另一种可选的实施方式中,寿命预测模型可以根据特征因子确定出寿命估计数据,并根据阈值判定电池是否失效,从而直接输出电池失效信息。
可选的,训练过程可以在厂家服务后台101持续进行,厂家服务后台101可通讯接收电池的使用数据,并在电池的使用过程中持续收集数据。通过在电池使用过程中持续收集最新数据,并输入最新数据实时评估电池当前状态,这可以使评估结果随时与电池的最新状态同步,避免定期离线评估可能产生的误差,进而能够更加及时准确地反映电池现状。
在一种可选的实施方式中,服务后台101还可以包括模型验证模块,模型验证模块可以分别和模型训练模块、微处理器103相连。在此实施方式中,一种电池失效确定方法还可以包括验证寿命预测模型的步骤。下面基于图12对此步骤进行介绍。请参照图12,图12是根据一示例性实施例示出的一种验证寿命预测模型方法的流程示意图。如图12所图示,验证寿命预测模型,包括:
S401:获取验证样本数据。
可选的,模型验证模块可以获取验证样本数据。可选的,验证样本数据可以和训练样本数据不同。
作为一种示例,验证样本数据可以是和电池型号相匹配的数据,具体而言,可以从相同电池型号的电池运行数据中获取。
S402:将目标寿命预测模型确定为当前待验证模型。
可选的,模型验证模块可以接收模型训练模块或者模型预测模块发送的目标寿命预测模型,并将目标寿命预测模型确定为当前待验证模型。
S403:将目标特征因子确定为当前待验证特征因子。
可选的,模型验证模块可以将目标特征因子确定为当前待验证特征因子。
S404:基于当前待验证模型和当前特征因子,对验证样本数据进行寿命预测操作,得到验证样本数据对应的寿命估计数据。
可选的,模型验证模块可以基于当前待验证模型和当前特征因子,对验证样本数据进行寿命预测操作,得到验证样本数据对应的寿命估计数据。
S405:基于验证样本数据对应的寿命估计数据和寿命样本数据,确定偏差值。
可选的,模型验证模块可以基于验证样本数据对应的寿命估计数据和寿命样本数据,确定偏差值。
S406:判断是否偏差值大于预设验证阈值;若是,转入步骤S407;若否,转入步骤S408。
可选的,模型验证模块可以判断是否偏差值大于预设验证阈值。
S407:基于验证样本数据对训练样本数据进行更新,以得到更新后的训练样本数据;基于更新后的训练样本数据对当前待验证模型和当前待验证特征因子进行迭代训练。
可选的,当偏差值大于预设验证阈值时,模型验证模块可以基于验证样本数据对训练样本数据进行更新,以得到更新后的训练样本数据;基于更新后的训练样本数据对当前待验证模型和当前待验证特征因子进行迭代训练。
在另一种可选的实施方式中,当偏差值大于预设验证阈值时,模型验证模块可以向模型训练模块发送验证不合格信息,以使得模型训练模块对目标寿命预测模型进行进一步的迭代训练。
S408:将当前待验证模型确定为验证后的寿命预测模型,将当前待验证特征因子确定为验证后的特征因子。
可选的,当偏差值小于等于预设验证阈值时,模型验证模块可以将当前待验证模型确定为验证后的寿命预测模型,将当前待验证特征因子确定为验证后的特征因子。
可选的,模型预测模块,还用于接收模型训练模块发送的验证后的寿命预测模型、验证后的特征因子,将寿命预测模型替换为验证后的寿命预测模型,将特征因子替换为验证后的特征因子。基于特征因子,通过预训练的寿命预测模型得到第三估计数据,可以包括:基于待评估电池的电压、电流、温度和验证后的特征因子,通过验证后的寿命预测模型得到第三估计数据。
可选的,在厂家售后维护机器时,可以通过显示界面105发送存储器寿命预测数据更新命令,服务后台101接到更新命令后向微处理器103发送最新训练、验证得到的寿命预测模型,微处理器103接收到寿命预测模型,基于最新的寿命预测模型进行寿命预测,对存储模块数据进行更新。
通过本申请实施例的一种电池失效确定方法,可以根据电池的样本数据训练并验证得到寿命预估模型,并根据数据的增加实时更新寿命预估模型,从而能够准确地预测出电池是否已使用寿命极限,并发送给服务后台进行预警,在不增加额外检测仪器的情况下使得电池能够及时被更换,从而提高机器使用稳定性,并且有效降低电池的更换成本。
需要说明的是,本申请实施例提供的电池失效确定结构实施例与电池失效确定方法实施例基于相同的发明构思。
本申请实施例还提供了一种电池失效确定装置。图13是根据一示例性实施例示出的一种电池失效确定装置框图。如图13所示,电池失效确定装置可以至少包括:
采集模块301,用于采集待评估电池的电压、电流和温度;温度通过温度传感器采集;
第一确定模块302,用于基于待评估电池的电压、电流和温度确定待评估电池的初始容量;
第二确定模块303,用于基于待评估电池的初始容量、电流确定待评估电池的放电深度;
第一估计模块304,用于根据待评估电池的初始容量进行寿命估计,得到第一估计数据;
第二估计模块305,用于根据待评估电池的放电深度进行寿命估计,得到第二估计数据;
判断模块306,用于在第一估计数据满足第一预设条件和/或第二估计数据满足第二预设条件的情况下,确定待评估电池失效。
可选的,第一确定模块302用于:基于待评估电池的开路电压和放电电压确定待评估电池的电压变化值;基于待评估电池的电压变化值、放电电流确定待评估电池的初始内阻;基于待评估电池的温度对待评估电池的初始内阻进行校正,得到待评估电池的目标内阻;基于待评估电池的目标内阻确定待评估电池的初始容量。
可选的,第一确定模块302用于:从第一映射表中确定出与待评估电池的温度对应的映射温度;将第一映射表中映射温度对应的映射校正系数确定为内阻校正系数;基于内阻校正系数、待评估电池的初始内阻确定待评估电池的目标内阻。
可选的,第一确定模块302用于:从第二映射表中确定出与待评估电池的目标内阻对应的映射内阻;将第二映射表中映射内阻对应的映射容量确定为待评估电池的初始容量。
可选的,第二确定模块303用于:对待评估电池的电流进行积分处理,得到待评估电池的放电电量;基于待评估电池的初始容量、放电电量确定待评估电池的放电深度。
可选的,第二确定模块303用于:根据多次放电中待评估电池的初始容量、电流确定待评估电池的多次放电的放电深度;根据待评估电池的多次放电的放电深度,确定待评估电池在不同放电深度下的放电次数;基于放电次数和不同放电深度对应的权重确定待评估电池的平均放电深度;不同的放电深度对应于不同的权重;根据待评估电池的放电深度进行寿命估计,得到第二估计数据,包括:从第三映射表中确定出与待评估电池的平均放电深度对应的映射放电深度;将第三映射表中映射放电深度对应的映射寿命确定为第二估计数据。
可选的,第一估计模块304用于:获取待评估电池的标称初始容量;将待评估电池的初始容量、标称初始容量进行对比,得到第一估计数据。
可选的,装置还包括第三估计模块,用于:基于待评估电池的电压、电流、温度和特征因子,通过预训练的寿命预测模型得到第三估计数据;在第三估计数据满足第三预设条件的情况下,确定待评估电池失效;或,在第一估计数据满足第一预设条件和/或第二估计数据满足第二预设条件的情况下,若第三估计数据满足第三预设条件,则确定待评估电池失效;或,响应于更新指令,将第一估计数据、第二估计数据替换为第三估计数据,将第一预设条件、第二预设条件替换为第三预设条件。
可选的,装置还包括训练模块,用于:基于分析样本数据确定初始特征因子;获取训练样本数据;构建预设机器学习模型,将机器学习模型确定为当前机器学习模型;将初始特征因子确定为当前特征因子;基于当前机器学习模型和当前特征因子,对训练样本数据进行寿命预测操作,确定训练样本数据对应的寿命估计数据;基于训练样本数据对应的寿命估计数据和寿命样本数据,确定损失值;当损失值大于预设损失阈值时,对当前机器学习模型进行更新以得到更新后的机器学习模型,将更新后的机器学习模型重新确定为当前机器学习模型,对当前特征因子进行更新以得到更新后的特征因子,将更新后的特征因子重新确定为当前特征因子;当损失值小于等于预设损失阈值时,将当前机器学习模型确定为目标寿命预测模型,将当前特征因子确定为目标特征因子;基于待评估电池的电压、电流、温度和特征因子,通过预训练的寿命预测模型得到第三估计数据,包括:基于待评估电池的电压、电流、温度和目标特征因子,通过目标寿命预测模型得到第三估计数据。
可选的,装置还包括验证模块,用于:获取验证样本数据;将目标寿命预测模型确定为当前待验证模型;将目标特征因子确定为当前待验证特征因子;基于当前待验证模型和当前特征因子,对验证样本数据进行寿命预测操作,得到验证样本数据对应的寿命估计数据;基于验证样本数据对应的寿命估计数据和寿命样本数据,确定偏差值;当偏差值大于预设验证阈值时,基于验证样本数据对训练样本数据进行更新,以得到更新后的训练样本数据;基于更新后的训练样本数据对当前待验证模型和当前待验证特征因子进行迭代训练;当损失值小于等于预设验证阈值时,将当前待验证模型确定为验证后的寿命预测模型,将当前待验证特征因子确定为验证后的特征因子;基于特征因子,通过预训练的寿命预测模型得到第三估计数据,包括:基于待评估电池的电压、电流、温度和验证后的特征因子,通过验证后的寿命预测模型得到第三估计数据。
需要说明的是,本申请实施例提供的电池失效确定装置实施例与上述电池失效确定方法实施例基于相同的发明构思。
本申请的实施例还提供了一种计算机可读存储介质,该计算机可读存储介质可设置于终端之中以保存用于实现方法实施例中一种电池失效确定方法的至少一条指令或至少一段程序,至少一条指令或至少一段程序由处理器加载并执行以实现如上述方法实施例提供的电池失效确定方法。
可选地,在本说明书实施例中,存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书实施例存储器可用于存储软件程序以及模块,处理器通过运行存储在存储器的软件程序以及模块,从而执行各种功能应用程序以及数据处理。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、功能所需的应用程序等;存储数据区可存储根据设备的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器还可以包括存储器控制器,以提供处理器对存储器的访问。
本申请实施例还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述方法实施例提供的电池失效确定方法。
本申请实施例所提供的电池失效确定方法实施例可以在终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例,图14是根据一示例性实施例提供的一种电池失效确定方法的服务器的硬件结构框图。如图14所示,该服务器400可因配置或性能不同而产生比较大的差异,可以包括一个或一个以***处理器(CentralProcessing Units,CPU)410(中央处理器410可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器340,一个或一个以上存储应用程序424或数据422的存储介质420(例如一个或一个以上海量存储设备)。其中,存储器430和存储介质420可以是短暂存储或持久存储。存储在存储介质420的程序可以包括一个或一个以上模块,每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器410可以设置为与存储介质420通信,在服务器400上执行存储介质420中的一系列指令操作。服务器400还可以包括一个或一个以上电源460,一个或一个以上有线或无线网络接口450,一个或一个以上输入输出接口440,和/或,一个或一个以上操作***421,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
输入输出接口440可以用于经由一个网络接收或者发送数据。上述的网络具体实例可包括服务器400的通信供应商提供的无线网络。在一个实例中,输入输出接口440包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,输入输出接口440可以为射频(RadioFrequency,RF)模块,其用于通过无线方式与互联网进行通讯。
本领域普通技术人员可以理解,图4所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,服务器400还可包括比图4中所示更多或者更少的组件,或者具有与图4所示不同的配置。
需要说明的是:上述本申请实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
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,对于装置和服务器实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,相关的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (13)
1.一种电池失效确定方法,其特征在于,包括:
采集待评估电池的电压、电流和温度;
基于所述待评估电池的电压、电流和温度确定所述待评估电池的初始容量;
基于所述待评估电池的初始容量、电流确定所述待评估电池的放电深度;
根据所述待评估电池的初始容量进行寿命估计,得到第一估计数据;
根据所述待评估电池的放电深度进行寿命估计,得到第二估计数据;
在所述第一估计数据满足第一预设条件和/或所述第二估计数据满足第二预设条件的情况下,确定所述待评估电池失效。
2.根据权利要求1所述的一种电池失效确定方法,其特征在于,所述基于所述待评估电池的电压、电流和温度确定所述待评估电池的初始容量,包括:
基于所述待评估电池的开路电压和放电电压确定所述待评估电池的电压变化值;
基于所述待评估电池的电压变化值、放电电流确定所述待评估电池的初始内阻;
基于所述待评估电池的温度对所述待评估电池的初始内阻进行校正,得到所述待评估电池的目标内阻;
基于所述待评估电池的目标内阻确定所述待评估电池的初始容量。
3.根据权利要求2所述的一种电池失效确定方法,其特征在于,所述基于所述待评估电池的温度对所述待评估电池的初始内阻进行校正,得到所述待评估电池的目标内阻,包括:
从第一映射表中确定出与所述待评估电池的温度对应的映射温度;
将所述第一映射表中所述映射温度对应的映射校正系数确定为内阻校正系数;
基于所述内阻校正系数、所述待评估电池的初始内阻确定所述待评估电池的目标内阻。
4.根据权利要求2所述的一种电池失效确定方法,其特征在于,所述基于所述待评估电池的目标内阻确定所述待评估电池的初始容量,包括:
从第二映射表中确定出与所述待评估电池的目标内阻对应的映射内阻;
将所述第二映射表中所述映射内阻对应的映射容量确定为所述待评估电池的初始容量。
5.根据权利要求1所述的一种电池失效确定方法,其特征在于,所述基于所述待评估电池的初始容量、电流确定所述待评估电池的放电深度,包括:
对所述待评估电池的放电电流进行积分处理,得到所述待评估电池的放电电量;
基于所述待评估电池的初始容量、放电电量确定所述待评估电池的放电深度。
6.根据权利要求1或5任一项所述的一种电池失效确定方法,其特征在于,所述基于所述待评估电池的初始容量、电流确定所述待评估电池的放电深度,包括:
根据多次放电中所述待评估电池的初始容量、电流确定所述待评估电池的所述多次放电的放电深度;
根据所述待评估电池的所述多次放电的放电深度,确定所述待评估电池在不同放电深度下的放电次数;
基于所述放电次数和所述不同放电深度对应的权重确定所述待评估电池的平均放电深度;不同的所述放电深度对应于不同的权重;
所述根据所述待评估电池的放电深度进行寿命估计,得到第二估计数据,包括:
从第三映射表中确定出与所述待评估电池的平均放电深度对应的映射放电深度;
将所述第三映射表中所述映射放电深度对应的映射寿命确定为所述第二估计数据。
7.根据权利要求1所述的一种电池失效确定方法,其特征在于,所述根据所述待评估电池的初始容量进行寿命估计,得到第一估计数据,包括:
获取所述待评估电池的标称初始容量;
将所述待评估电池的初始容量、标称初始容量进行对比,得到所述第一估计数据。
8.根据权利要求1所述的一种电池失效确定方法,其特征在于,所述方法还包括:
基于所述待评估电池的电压、电流、温度和特征因子,通过预训练的寿命预测模型得到第三估计数据;
在所述第三估计数据满足第三预设条件的情况下,确定所述待评估电池失效;
或,
在所述第一估计数据满足第一预设条件和/或所述第二估计数据满足第二预设条件的情况下,若所述第三估计数据满足所述第三预设条件,则确定所述待评估电池失效;
或,
响应于更新指令,将所述第一估计数据、所述第二估计数据替换为所述第三估计数据,将所述第一预设条件、所述第二预设条件替换为第三预设条件。
9.根据权利要求8所述的一种电池失效确定方法,其特征在于,所述方法还包括训练得到所述寿命预测模型的步骤;
所述训练得到所述寿命预测模型,包括:
基于分析样本数据确定初始特征因子;
获取训练样本数据;
构建预设机器学习模型,将所述机器学习模型确定为当前机器学习模型;
将所述初始特征因子确定为当前特征因子;
基于所述当前机器学习模型和所述当前特征因子,对所述训练样本数据进行寿命预测操作,确定所述训练样本数据对应的寿命估计数据;
基于所述训练样本数据对应的寿命估计数据和寿命样本数据,确定损失值;
当所述损失值大于预设损失阈值时,对所述当前机器学习模型进行更新以得到更新后的机器学习模型,将所述更新后的机器学习模型重新确定为所述当前机器学习模型,对所述当前特征因子进行更新以得到更新后的特征因子,将所述更新后的特征因子重新确定为所述当前特征因子;
当所述损失值小于等于所述预设损失阈值时,将所述当前机器学习模型确定为目标寿命预测模型,将所述当前特征因子确定为目标特征因子;
所述基于所述待评估电池的电压、电流、温度和特征因子,通过预训练的寿命预测模型得到第三估计数据,包括:
基于所述待评估电池的电压、电流、温度和所述目标特征因子,通过所述目标寿命预测模型得到第三估计数据。
10.根据权利要求9所述的一种电池失效确定方法,其特征在于,所述方法还包括验证所述寿命预测模型的步骤;
所述验证所述寿命预测模型的步骤,包括:
获取验证样本数据;
将所述目标寿命预测模型确定为当前待验证模型;
将所述目标特征因子确定为当前待验证特征因子;
基于所述当前待验证模型和所述当前特征因子,对所述验证样本数据进行寿命预测操作,得到所述验证样本数据对应的寿命估计数据;
基于所述验证样本数据对应的寿命估计数据和寿命样本数据,确定偏差值;
当所述偏差值大于预设验证阈值时,基于所述验证样本数据对所述训练样本数据进行更新,以得到更新后的训练样本数据;基于所述更新后的训练样本数据对所述当前待验证模型和所述当前待验证特征因子进行迭代训练;
当所述偏差值小于等于所述预设验证阈值时,将所述当前待验证模型确定为验证后的所述寿命预测模型,将所述当前待验证特征因子确定为验证后的所述特征因子;
所述基于所述特征因子,通过预训练的寿命预测模型得到第三估计数据,包括:
基于所述待评估电池的电压、电流、温度和验证后的所述特征因子,通过验证后的所述寿命预测模型得到第三估计数据。
11.一种电池失效确定装置,其特征在于,包括:
采集模块,用于采集待评估电池的电压、电流和温度;
第一确定模块,用于基于所述待评估电池的电压、电流和温度确定所述待评估电池的初始容量;
第二确定模块,用于基于所述待评估电池的初始容量、电流确定所述待评估电池的放电深度;
第一估计模块,用于根据所述待评估电池的初始容量进行寿命估计,得到第一估计数据;
第二估计模块,用于根据所述待评估电池的放电深度进行寿命估计,得到第二估计数据;
判断模块,用于在所述第一估计数据满足第一预设条件和/或所述第二估计数据满足第二预设条件的情况下,确定所述待评估电池失效。
12.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如权利要求1-10任意一项的电池失效确定方法。
13.一种电池失效确定结构,其特征在于,包括:
模数转换模块,用于采集待评估电池的电压、电流和温度;
与所述模数转换模块相连的初始容量确定模块,用于基于所述待评估电池的电压、电流和温度确定所述待评估电池的初始容量;
与所述模数转换模块、所述初始容量确定模块相连的放电深度确定模块,用于基于所述待评估电池的初始容量、电流确定所述待评估电池的放电深度;
与所述初始容量确定模块相连的第一估计模块,用于根据所述待评估电池的初始容量进行寿命估计,得到第一估计数据;
与所述放电深度确定模块相连的第二估计模块,用于根据所述待评估电池的放电深度进行寿命估计,得到第二估计数据;
与所述第一估计模块、第二估计模块相连的评估模块,用于在所述第一估计数据满足第一预设条件和/或所述第二估计数据满足第二预设条件的情况下,确定所述待评估电池失效。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310708031.1A CN116819331A (zh) | 2023-06-14 | 2023-06-14 | 电池失效确定方法、装置、存储介质及结构 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310708031.1A CN116819331A (zh) | 2023-06-14 | 2023-06-14 | 电池失效确定方法、装置、存储介质及结构 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116819331A true CN116819331A (zh) | 2023-09-29 |
Family
ID=88113851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310708031.1A Pending CN116819331A (zh) | 2023-06-14 | 2023-06-14 | 电池失效确定方法、装置、存储介质及结构 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116819331A (zh) |
-
2023
- 2023-06-14 CN CN202310708031.1A patent/CN116819331A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11415630B2 (en) | Methods and apparatus for updating a fuel gauge and estimating state of health of an energy storage cell | |
US20240010100A1 (en) | Processing of status data of a battery for aging estimation | |
WO2018172216A1 (en) | Battery energy store | |
KR102090476B1 (ko) | 클라우드 및 빅데이터를 활용한 bms 최적화 시스템 | |
CN108205114B (zh) | 电池寿命的预测方法及*** | |
JP7502905B2 (ja) | 電池劣化診断システム及び診断処理装置 | |
CN110888065B (zh) | 电池包荷电状态修正方法和装置 | |
EP3905424A1 (en) | Data processing device, data processing method and computer program | |
JP2020169943A (ja) | 蓄電池状態評価システム | |
CN114035096B (zh) | 电化学装置soh评估方法、电子设备及电池*** | |
JP5960017B2 (ja) | 電池劣化判定装置、抵抗値算出装置、電池劣化判定方法およびプログラム | |
KR20210141211A (ko) | 배터리를 진단하기 위한 장치 및 그 방법 | |
CN110806540B (zh) | 电芯测试数据处理方法、装置、***和存储介质 | |
CN111413564B (zh) | 一种超级电容器失效预警方法、***以及设备 | |
CN114879070A (zh) | 一种电池状态评估方法及相关设备 | |
KR101862454B1 (ko) | 배터리 열화 탐지 장치 및 방법 | |
JP2024500788A (ja) | 電池管理装置および方法 | |
CN117214728B (zh) | 电池的劣化程度确定方法、装置、电子设备及存储介质 | |
US20230213587A1 (en) | Method and System for Efficiently Monitoring Battery Cells of a Device Battery in an External Central Processing Unit Using a Digital Twin | |
JP6532374B2 (ja) | 蓄電池状態分析システム、蓄電池状態分析方法および蓄電池状態分析プログラム | |
JP5558391B2 (ja) | 二次電池交換方法および交換用二次電池取得装置 | |
CN116819331A (zh) | 电池失效确定方法、装置、存储介质及结构 | |
CN116298920A (zh) | 电源管理***的量产文件生成方法、装置及电子设备 | |
KR20120078057A (ko) | 에너지 저장장치의 모듈 관리 시스템 및 방법 | |
US20240241180A1 (en) | Battery management apparatus and battery testing system including the same |
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 | ||
CB02 | Change of applicant information |
Country or region after: China Address after: Room 408, No. 76 and 78 Jiangchang 3rd Road, Jing'an District, Shanghai, 200436 Applicant after: Shanghai Shiwei Medical Technology Co.,Ltd. Address before: Room 825 and 826, No. 76 and 78 Jiangchang Third Road, Jing'an District, Shanghai, 200436 Applicant before: Shanghai Shiwei Medical Technology Co.,Ltd. Country or region before: China |