CN116973782B - 基于机器学习的新能源汽车保养维护与故障监测诊断方法 - Google Patents
基于机器学习的新能源汽车保养维护与故障监测诊断方法 Download PDFInfo
- Publication number
- CN116973782B CN116973782B CN202310970736.0A CN202310970736A CN116973782B CN 116973782 B CN116973782 B CN 116973782B CN 202310970736 A CN202310970736 A CN 202310970736A CN 116973782 B CN116973782 B CN 116973782B
- Authority
- CN
- China
- Prior art keywords
- battery
- vehicle
- coefficient
- new energy
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012423 maintenance Methods 0.000 title claims abstract description 28
- 238000010801 machine learning Methods 0.000 title claims abstract description 17
- 238000012544 monitoring process Methods 0.000 title claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000003745 diagnosis Methods 0.000 claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims description 59
- 230000005856 abnormality Effects 0.000 claims description 23
- 230000008859 change Effects 0.000 claims description 20
- 238000007599 discharging Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 15
- 230000007613 environmental effect Effects 0.000 claims description 12
- 230000036541 health Effects 0.000 claims description 12
- 238000013210 evaluation model Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 208000032953 Device battery issue Diseases 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
-
- 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
- G01R31/387—Determining ampere-hour charge capacity or SoC
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明公开了基于机器学习的新能源汽车保养维护与故障监测诊断方法,涉及新能源汽车技术领域,包括以下步骤:采集新能源汽车使用时车载电池的信息,包括电池容量信息和车载BMS准确度信息,采集后,将新能源汽车使用时车载电池的电池容量信息和车载BMS准确度信息建立车载电池信息评估模型,生成车载电池信息评估指数。本发明通过BMS***对新能源汽车的电池进行监测,实现对新能源汽车的异常状况进行智能化感知,对新能源汽车车载电池提供分级处理方案。实现有效减少新能源汽车电池的损坏故障率,并且能在电池需要保养维护或检测诊断之时,提供相关情况电池处理方案的数据支撑,便于车主对新能源汽车安全高效地使用。
Description
技术领域
本发明涉及新能源汽车技术领域,具体涉及一种基于机器学习的新能源汽车保养维护与故障监测诊断方法。
背景技术
电池管理***(BMS)是一种专门设计用于监控、控制和保护电池的***。它通常用于新能源汽车、电动车辆、混合动力车辆以及其他需要电池供电的应用中。它能够监控和控制电池的各项参数,以确保电池的正常工作和最佳性能。同时,BMS也为电池的维护、故障排查和性能优化提供了重要的数据和信息支持。在保证电池的性能、安全和寿命方面起着重要作用。
现有技术存在以下不足:
尽管BMS具有故障检测和诊断功能,但在某些情况下,BMS可能无法准确检测电池故障或提供准确的故障码。这可能导致对电池故障的迅速识别和修复存在困难。与此同时BMS缺乏一种预警机制,在故障发生前提醒车主车载电池需要保养维护的方向,以减少电池故障发生的频率和带给车主的损失。
在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明通过BMS***对新能源汽车的电池进行监测,实现对新能源汽车的异常状况进行智能化感知,对新能源汽车车载电池提供分级处理方案。实现有效减少新能源汽车电池的损坏故障率,并且能在电池需要保养维护或检测诊断之时,提供相关情况电池处理方案的数据支撑,便于车主对新能源汽车安全高效地使用,以解决上述背景技术中的问题。
为了实现上述目的,本发明提供如下技术方案:基于机器学习的新能源汽车保养维护与故障监测诊断方法,包括数据采集模块、评估模块、比对分析模块、处理模块以及输出反馈模块;
数据采集模块,采集新能源汽车使用时车载电池的信息,包括电池容量信息和车载BMS准确度信息,采集后,将电池容量信息和车载BMS准确度信息传递至评估模块;
评估模块,将新能源汽车使用时车载电池的电池容量信息和车载BMS准确度信息建立车载电池信息评估模型,生成车载电池信息评估指数,并将车载电池信息评估指数传递至比对分析模块;
比对分析模块,将评估模块中生成的车载电池信息评估指数分别与车载电池健康阈值进行比对,生成损坏频率信号,并将损坏频率信号传递至处理模块;
处理模块,接受比对分析模块中的损坏频率信号后,根据损坏频率信号判断新能源汽车的电池需要检测诊断还是保养维护,采集此时电池数据信息,建立电池异常评估模型,生成电池异常评估指数,再根据电池异常评估指数与远程数据库匹配相似的示例,通过输出反馈模块传递到车主的智能设备上。
优选的,电池容量信息包括电池容量大小占比系数、电池组电量均衡系数以及电池充放电周期系数,采集后,数据采集模块将电池容量大小占比系数、电池组电量均衡系数以及电池充放电周期系数分别标定为Rδ、Jδ和Cδ,车载BMS准确度信息包括车载BMS准确度系数,采集后,数据采集模块将车载BMS准确度系数标定为Zδ;
电池容量大小占比系数获取的逻辑如下:
测得电池当前满电时的电量大小,电池容量大小占比系数Rδ=(当前满电量/额定电量)*100%。
优选的,电池组电量均衡系数获取的逻辑如下:
S1、获取汽车正常使用时电池组充放电过程中各个单位电池的电压变化情况,并将电压变化速率标定为Ue x,在采集数据的过程中,保证所有电池均处于稳定且持续的充放电状态,x表示电池组各个单位电池的编号,x=1、2、3、4、……、u,u为正整数;
S2、求出电池组各个单位电压变化速率Ue x的标准差,并将标准差标定为z,标准差z的计算公式为:其中,/>为同型号标准电池组的各个单位电池电压变化速率Ub x的平均值,获取的表达式为:/>
S3、通过电池组各个单位电池电压变化速率Ue x的标准差z获取电池组电量均衡系数,获取的表达式为:Jδ=z。
优选的,电池充放电周期系数获取的逻辑如下:
S1、通过数据库收集标准品质电池组每行驶千公里需要车载电池进行充放电的次数,取数据平均值,设为参考值Ki;
S2、获取目标汽车正常使用过程中,每行驶千公里需要车载电池进行充放电的次数,并将该电池充放电次数标定为Kr;
S3、计算电池充放电周期系数,计算公式为:
优选的,车载BMS准确度系数获取的逻辑如下:
S1、通过数据库收集标准品质BMS***在汽车正常使用的每千公里内进行报错的次数,取数据平均值,设为正常额定值Ei;
S2、获取汽车正常使用过程中,每行驶千公里BMS***进行报错的次数,并将报错的次数标定为Er;
S3、计算车载BMS准确度系数,计算公式为:Zδ=Er-Ei;
当车载BMS准确度系数Zδ大于0时,生成并传递错误频率信号到输出反馈模块,不进行后续的车载电池信息评估;
当车载BMS准确度系数Zδ小于等于0时,不生成错误频率信号,继续进行后续的车载电池信息评估。
优选的,评估模块将获取的电池容量大小占比系数Rδ、电池组电量均衡系数Jδ以及电池充放电周期系数Cδ建立车载电池信息评估模型,生成车载电池信息评估指数PGz,依据的公式为:式中,e1、e2、e3分别为电池容量大小占比系数Rδ、电池组电量均衡系数Jδ以及电池充放电周期系数Cδ的预设比例系数,且e1、e2、e3均大于0;
比对分析模块将评估模块生成的车载电池信息评估指数与车载电池健康阈值比对,分为以下情况:
若车载电池信息评估指数大于等于车载电池健康阈值,则生成低损坏频率信号,并将低损坏频率信号通过处理模块传递至输出反馈模块,提示车主车载电池损坏程度当前可控,仅需要进行保养维护工作;
若车载电池信息评估指数小于车载电池健康阈值,则生成高损坏频率信号,并将高损坏频率信号通过处理模块传递至输出反馈模块,提示车主车载电池损坏程度高,需要进行故障维修工作。
优选的,处理模块接收到损坏频率信号后,通过BMS***采集电池环境数据和电池特性数据,电池环境数据包括温度系数和湿度系数,分别标定为Wd和Sd,电池特性数据包括电池年限系数和电池内阻系数,标定为Nx和Rz;
温度系数获取的逻辑如下:
数据采集模块通过BMS***采集到车载电池一定周期内所处环境温度信息,设定为Tc,c=1、2、3、4、……、j,j为正整数,结合该电池的标准温度Ti,则温度系数
优选的,湿度系数获取的逻辑如下:
数据采集模块通过BMS***采集到车载电池一定周期内所处环境湿度信息,设定为Hw,w=1、2、3、4、……、u,u为正整数,结合该电池的标准湿度Hi,则湿度系数
优选的,电池年限系数获取的逻辑如下:
将车载电池的使用年限设为Xnx,则电池年限系数
电池内阻系数获取的逻辑如下:
通过测量汽车正常运行时车载电池在充放电过程中的电压变化率和电流值,计算得到电池的实际内阻值,该值设定为Zsj,由数据库反馈得到电阻标准值为Zbz,则电池内阻系数Rz=(Zbz-Zsj)2。
优选的,处理模块将获取的温度系数Wd、湿度系数Sd、电池年限系数Nx以及电池内阻系数Rz建立单独的数据分析模型,生成单项评估值,PGz1=e4*Wd,PGz2=e5*Sd,PGz3=e6*Nx,PGz4=e7*Rz,将电池各个方向的理论最大性能评分到理论失效性能评分平均划分为9份,分别对应序号1-9,再把处理模块评估的单项评估值接入数据库与之对应,分别得到X1、X2、X3、X4,X1、X2、X3、X4的值为各项评估值在数据库中对应的序号,建立电池异常评估模型,生成电池异常评估指数PGyc,依据的公式为:PGyc=1000X1+100X2+10X3+X4,式中,e4、e5、e6、e7分别为温度系数Wd、湿度系数Sd、电池年限系数Nx以及电池内阻系数Rz的预设比例系数,且e4、e5、e6、e7均大于0;
处理模块将损坏频率信号和电池异常评估指数传递至输出反馈模块,输出反馈模块于数据库中比对,给出相同损坏频率信号,相同异常评分的数据案例和解决方法,并在车主改善电池状况后再一次进行数据收集工作反馈到数据库中。
在上述技术方案中,本发明提供的技术效果和优点:
本发明通过BMS***对新能源汽车的电池进行监测,实现对新能源汽车的异常状况进行智能化感知,对新能源汽车车载电池提供分级处理方案。实现有效减少新能源汽车电池的损坏故障率,并且能在电池需要保养维护或检测诊断之时,提供相关情况电池处理方案的数据支撑,便于车主对新能源汽车安全高效地使用;
本发明通过对新能源汽车运行时车载电池工作状况的检测反馈,判断电池改善方向,同时收集电池内外部影响因子进行综合分析,分析结果与数据库比对,提供后续方案,提高新能源汽车BMS***对车载电池状况判断的准确性,进而提高车主对BMS***的信任度,保障车载电池长久有效的发挥作用。
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,下面将对实施例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发明中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本发明基于机器学习的新能源汽车保养维护与故障监测诊断方法的模块示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些示例实施方式使得本公开的描述将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
本发明提供了如图1所示的基于机器学习的新能源汽车保养维护与故障监测诊断方法,包括数据采集模块、评估模块、比对分析模块、处理模块以及输出反馈模块;
数据采集模块,采集新能源汽车运行时车载电池的信息,包括电池容量信息和车载BMS准确度信息,采集后,将电池容量信息和车载BMS准确度信息传递至评估模块;
优选的,电池容量信息包括电池容量大小占比系数、电池组电量均衡系数以及电池充放电周期系数,采集后,数据采集模块将电池容量大小占比系数、电池组电量均衡系数以及电池充放电周期系数分别标定为Rδ、Jδ和Cδ,车载BMS准确度信息包括车载BMS准确度系数,采集后,数据采集模块将车载BMS准确度系数标定为Zδ。
实施例1
当基于机器学习的新能源汽车保养维护与故障监测诊断方法中的车载电池出现产品质量问题时,可能会导致车主承担人身安全和财产损失方面的巨大威胁,新能源汽车的车载电池状况可以通过以下几个量化值来进行评估和描述:
容量衰减:随着电池的使用和充放电循环次数增加,电池的容量会逐渐减少。电池原本的续航能力会变差,使用时间缩短,需要频繁充电。
不均衡和容量差异:在电池组中,不同单体电池之间可能存在不均衡的情况。即使进行了均衡操作,随着使用时间的增加,电池之间的容量差异可能会逐渐增大。这可能导致BMS无法准确评估电池组的总体容量和健康状态。
充电问题:电池可能出现无法充满或充电速度异常缓慢的情况。即使连接到电源,电池电量可能不增长或增长速度很慢,这可能是由于充电器故障、电池内部损坏或连接问题引起的。
评价车载电池的好坏主要从电池的容量大小,电池组之间的容量差距以及电池充放电这一输入输出过程的速率周期,为保证车载电池的正常使用,BMS***收集汽车稳定工作后电池的数轮循环充放电数据,之后进行分级评估建议,排除可能出现的误差,保证数据的精确严密性。
因此,电池容量大小占比系数获取的逻辑如下:
测得电池当前满电时的电量大小,电池容量大小占比系数Rδ=(当前满电量/额定电量)*100%。
电池组电量均衡系数获取的逻辑如下:
当一个电池的电容较大时,意味着它能够储存更多的电荷,在相同的负载条件下,其电荷和放电速度较慢,电压变化会相对缓慢。相反,容量较小的电池在相同的负载条件下,其电荷和放电速度较快,电压变化会较为迅速;
S1、获取汽车正常使用时电池组充放电过程中各个单位电池的电压变化情况,并将电压变化速率标定为Ue x,在采集数据的过程中,保证所有电池均处于稳定且持续的充放电状态,x表示电池组各个单位电池的编号,x=1、2、3、4、……、u,u为正整数;
S2、求出电池组各个单位电压变化速率Ue x的标准差,并将标准差标定为z,标准差z的计算公式为:其中,/>为同型号标准电池组的各个单位电池电压变化速率Ub x的平均值,获取的表达式为:/>
S3、通过电池组各个单位电池电压变化速率Ue x的标准差z获取电池组电量均衡系数,获取的表达式为:Jδ=z。
电池充放电周期系数获取的逻辑如下:
S1、通过数据库收集标准品质电池组每行驶千公里需要车载电池进行充放电的次数,取数据平均值,设为参考值Ki;
S2、获取汽车正常使用过程中,每行驶千公里需要车载电池进行充放电的次数,并将该电池充放电次数标定为Kr;
S3、计算电池充放电周期系数,计算公式为:
车载BMS准确度系数获取的逻辑如下:
S1、通过数据库收集标准品质BMS***在汽车正常使用的每千公里内进行报错的次数,取数据平均值,设为正常额定值Ei;
S2、获取目标汽车正常使用过程中,每行驶千公里BMS***进行报错的次数,并将报错的次数标定为Er;
S3、计算车载BMS准确度系数,计算公式为:Zδ=Er-Ei;
当车载BMS准确度系数Zδ大于0时,说明车载BMS***得到的数据可能不准确,需要对车载BMS***进行检修,生成并传递错误频率信号到输出反馈模块,不进行后续的车载电池信息评估;
当车载BMS准确度系数Zδ小于等于0时,说明BMS***得到的数值在预定范围之内,不生成错误频率信号,继续进行后续的车载电池信息评估。
评估模块将获取的电池容量大小占比系数Rδ、电池组电量均衡系数Jδ以及电池充放电周期系数Cδ建立车载电池信息评估模型,生成车载电池信息评估指数PGz,依据的公式为:式中,e1、e2、e3分别为电池容量大小占比系数Rδ、电池组电量均衡系数Jδ以及电池充放电周期系数Cδ的预设比例系数,且e1、e2、e3均大于0;
由计算的表达式可知,评估指数的表现值越大,表明车载电池质量越高,反之则表明车载电池质量越低;
比对分析模块将评估模块生成的车载电池信息评估指数与车载电池健康阈值比对,分为以下情况:
若车载电池信息评估指数大于等于车载电池健康阈值,则生成低损坏频率信号,并将低损坏频率信号通过处理模块传递至输出反馈模块,提示车主车载电池损坏程度当前可控,仅需要进行保养维护工作;
若车载电池信息评估指数小于车载电池健康阈值,则生成高损坏频率信号,并将高损坏频率信号通过处理模块传递至输出反馈模块,提示车主车载电池损坏程度高,需要进行故障维修工作。
实施例2
处理模块接收到比对分析模块传来的损坏频率信号后,通过BMS***采集电池环境数据和电池特性数据,电池环境数据包括温度系数和湿度系数,分别标定为Wd和Sd,电池特性数据包括电池年限系数和电池内阻系数,标定为Nx和Rz;
温度系数获取的逻辑如下:
数据采集模块通过BMS***采集到车载电池一定周期内所处环境温度信息,设定为Tc,c=1、2、3、4、……、j,j为正整数,结合该电池的标准温度Ti,则温度系数
湿度系数获取的逻辑如下:
数据采集模块通过BMS***采集到车载电池一定周期内所处环境湿度信息,设定为Hw,w=1、2、3、4、……、u,u为正整数,结合该电池的标准湿度Hi,则湿度系数
电池年限系数获取的逻辑如下:
将车载电池的使用年限设为Xnx,则电池年限系数
电池内阻系数获取的逻辑如下:
通过测量汽车正常运行时车载电池在充放电过程中的电压变化率和电流值,计算得到电池的实际内阻值,该值设定为Zsj,由数据库反馈得到电阻标准值为Zbz,则电池内阻系数Rz=(Zbz-Zsj)2。
处理模块将获取的温度系数Wd.、湿度系数Sd、电池年限系数Nx以及电池内阻系数Rz建立单独的数据分析模型,生成单项评估值,PGz1=e4*Wd,PGz2=e5*Sd,PGz3=e6*Nx,PGz4=e7*Rz,将电池各个方向的理论最大性能评分到理论失效性能评分平均划分为9份,分别对应序号1-9,再把处理模块评估的单项评估值接入数据库与之对应,分别得到X1、X2、X3、X4,X1、X2、X3、X4的值为各项评估值在数据库中对应的序号,建立电池异常评估模型,生成电池异常评估指数,依据的公式为:PGyc=1000X1+100X2+10X3+X4,式中,e4、e5、e6、e7分别为温度系数Wd、湿度系数Sd、电池年限系数Nx以及电池内阻系数Rz的预设比例系数,且e4、e5、e6、e7均大于0;
由计算的表达式可知,评估指数的千,百,十,个四位分别代表了不同的问题方向,通过这四位数可以简明扼要的表明车载电池需要维修或者养护的方向,同时,车辆损坏的原因多种多样,有时问题间甚至会互相影响,用这种四位数表示法能找出车况最为相近的改善方案,而四个位数分别对应的数字越大,说明车载电池异常程度越高,反之则说明车载电池异常程度越低;
处理模块将损坏频率信号和电池异常评估指数传递至输出反馈模块,输出反馈模块于数据库中比对,给出相同损坏频率信号,相同异常评分的数据案例和解决方法,并在车主改善电池状况后再一次进行数据收集工作反馈到数据库中。
本发明通过BMS***对新能源汽车的电池进行监测,实现对新能源汽车的异常状况进行智能化感知,对新能源汽车车载电池提供分级处理方案。实现有效减少新能源汽车电池的损坏故障率,并且能在电池需要保养维护或检测诊断之时,提供相关情况电池处理方案的数据支撑,便于车主对新能源汽车安全高效地使用;
本发明通过对新能源汽车运行时车载电池工作状况的检测反馈,判断电池改善方向,同时收集电池内外部影响因子进行综合分析,分析结果与数据库比对,提供后续方案,提高新能源汽车BMS***对车载电池状况判断的准确性,进而提高车主对BMS***的信任度,保障车载电池长久有效的发挥作用。
上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设参数由本领域的技术人员根据实际情况进行设置。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质。半导体介质可以是固态硬盘。
应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的***和方法,可以通过其它的方式实现。例如,以上所描述的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,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-only memory,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。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,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,可轻易想到变化或替换,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所述权利要求的保护范围为准。
Claims (9)
1.基于机器学习的新能源汽车保养维护与故障监测诊断方法,其特征在于,包括以下步骤:
步骤一,采集新能源汽车使用时车载电池的信息,包括电池容量信息和车载BMS准确度信息;
步骤二,将新能源汽车使用时车载电池的电池容量信息和车载BMS准确度信息建立车载电池信息评估模型,生成车载电池信息评估指数;
步骤三,将步骤二中生成的车载电池信息评估指数分别与车载电池健康阈值进行比对,生成损坏频率信号;
步骤四,接受步骤三中的损坏频率信号后,根据损坏频率信号判断新能源汽车的电池需要检测诊断还是保养维护,采集此时电池数据信息,建立电池异常评估模型,生成电池异常评估指数,再根据电池异常评估指数于远程数据库匹配相似的示例,将输出反馈传递到车主的智能设备上;
车载BMS准确度信息包括车载BMS准确度系数;
车载BMS准确度系数获取的逻辑如下:
S1-1、通过数据库收集标准品质BMS***在汽车正常使用的每千公里内进行报错的次数,取数据平均值,设为正常额定值Ei;
S1-2、获取汽车正常使用过程中,每行驶千公里BMS***进行报错的次数,并将报错的次数标定为Er;
S1-3、计算车载BMS准确度系数,计算公式为:Zδ=Er-Ei;
当车载BMS准确度系数Zδ大于0时,生成并传递错误频率信号到输出反馈模块,不进行后续的车载电池信息评估;
当车载BMS准确度系数Zδ小于等于0时,不生成错误频率信号,继续进行后续的车载电池信息评估。
2.根据权利要求1所述的基于机器学习的新能源汽车保养维护与故障监测诊断方法,其特征在于,电池容量信息包括电池容量大小占比系数、电池组电量均衡系数以及电池充放电周期系数,采集后,数据采集模块将电池容量大小占比系数、电池组电量均衡系数以及电池充放电周期系数分别标定为Rδ、Jδ和Cδ,采集后,数据采集模块将车载BMS准确度系数标定为Zδ;
电池容量大小占比系数获取的逻辑如下:
测得电池当前满电时的电量大小,电池容量大小占比系数Rδ=(当前满电量/额定电量)*100%。
3.根据权利要求2所述的基于机器学习的新能源汽车保养维护与故障监测诊断方法,其特征在于,电池组电量均衡系数获取的逻辑如下:
S3-1、获取汽车正常使用时电池组充放电过程中各个单位电池的电压变化情况,并将电压变化速率标定为Ue x,在采集数据的过程中,保证所有电池均处于稳定且持续的充放电状态,x表示电池组各个单位电池的编号,x=1、2、3、4、……、u,u为正整数;
S3-2、求出电池组各个单位电压变化速率Ue x的标准差,并将标准差标定为z,标准差z的计算公式为:其中,/>为同型号标准电池组的各个单位电池电压变化速率Ub x的平均值,获取的表达式为:/>
S3-3、通过电池组各个单位电池电压变化速率Ue x的标准差z获取电池组电量均衡系数,获取的表达式为:Jδ=z。
4.根据权利要求3所述的基于机器学习的新能源汽车保养维护与故障监测诊断方法,其特征在于,电池充放电周期系数获取的逻辑如下:
S4-1、通过数据库收集标准品质电池组每行驶千公里需要车载电池进行充放电的次数,取数据平均值,设为参考值Ki;
S4-2、获取目标汽车正常使用过程中,每行驶千公里需要车载电池进行充放电的次数,并将该电池充放电次数标定为Kr;
S4-3、计算电池充放电周期系数,计算公式为:
5.根据权利要求4所述的基于机器学习的新能源汽车保养维护与故障监测诊断方法,其特征在于,步骤二将获取的电池容量大小占比系数Rδ、电池组电量均衡系数Jδ以及电池充放电周期系数Cδ建立车载电池信息评估模型,生成车载电池信息评估指数PGz,依据的公式为:式中,e1、e2、e3分别为电池容量大小占比系数Rδ、电池组电量均衡系数Jδ以及电池充放电周期系数Cδ的预设比例系数,且e1、e2、e3均大于0;
步骤三将步骤二生成的车载电池信息评估指数与车载电池健康阈值比对,分为以下情况:
若车载电池信息评估指数大于等于车载电池健康阈值,则生成低损坏频率信号,并将低损坏频率信号通过处理模块进行输出反馈;
若车载电池信息评估指数小于车载电池健康阈值,则生成高损坏频率信号,并将高损坏频率信号通过处理模块进行输出反馈。
6.根据权利要求5所述的基于机器学习的新能源汽车保养维护与故障监测诊断方法,其特征在于,处理模块接收到损坏频率信号后,通过BMS***采集电池环境数据和电池特性数据,电池环境数据包括温度系数和湿度系数,分别标定为Wd和Sd,电池特性数据包括电池年限系数和电池内阻系数,标定为Nx和Rz;
温度系数获取的逻辑如下:
数据采集模块通过BMS***采集到车载电池使用周期内所处环境温度信息,设定为Tc,c=1、2、3、4、……、j,j为正整数,结合该电池的标准温度Ti,则温度系数
7.根据权利要求6所述的基于机器学习的新能源汽车保养维护与故障监测诊断方法,其特征在于,湿度系数获取的逻辑如下:
步骤一通过BMS***采集到车载电池使用周期内所处环境湿度信息,设定为Hw,w=1、2、3、4、……、u,u为正整数,结合该电池的标准湿度Hi,则湿度系数
8.根据权利要求7所述的基于机器学习的新能源汽车保养维护与故障监测诊断方法,其特征在于,电池年限系数获取的逻辑如下:
将车载电池的使用年限设为Xnx,则电池年限系数
电池内阻系数获取的逻辑如下:
通过测量汽车正常运行时车载电池在充放电过程中的电压变化率和电流值,计算得到电池的实际内阻值,实际内阻值设定为Zsj,由数据库反馈得到电阻标准值为Zbz,则电池内阻系数Rz=(Zbz-Zsj)2。
9.根据权利要求8所述的基于机器学***均划分为9份,分别对应序号1-9,再把评估的单项评估值接入数据库与之对应,分别得到X1、X2、X3、X4,X1、X2、X3、X4的值为各项评估值在数据库中对应的序号,建立电池异常评估模型,生成电池异常评估指数PGyc,依据的公式为:
PGyc=1000X1+100X2+10X3+X4
式中,e4、e5、e6、e7分别为温度系数Wd、湿度系数Sd、电池年限系数Nx以及电池内阻系数Rz的预设比例系数,且e4、e5、e6、e7均大于0;
将损坏频率信号和电池异常评估指数传递至数据库,于数据库中比对,给出相同损坏频率信号、完全相同异常评分的数据案例和解决方法,并在车主改善电池状况后再一次进行数据收集工作反馈到数据库中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310970736.0A CN116973782B (zh) | 2023-08-03 | 2023-08-03 | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310970736.0A CN116973782B (zh) | 2023-08-03 | 2023-08-03 | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116973782A CN116973782A (zh) | 2023-10-31 |
CN116973782B true CN116973782B (zh) | 2024-05-24 |
Family
ID=88472915
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310970736.0A Active CN116973782B (zh) | 2023-08-03 | 2023-08-03 | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116973782B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117594860B (zh) * | 2024-01-19 | 2024-04-05 | 新立讯科技股份有限公司 | 基于dlp的新能源汽车工艺指导方法及*** |
CN117936949B (zh) * | 2024-03-22 | 2024-06-07 | 深圳玖逸行新能源汽车技术有限公司 | 一种新能源汽车电池组快速智能检测养护*** |
CN117991108B (zh) * | 2024-04-07 | 2024-06-18 | 邦邦汽车销售服务(北京)有限公司 | 一种基于数据的动力电池损伤检测方法与*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105904986A (zh) * | 2016-04-26 | 2016-08-31 | 深圳市德传技术有限公司 | 一种新能源车远程电池管理检测方法及*** |
CN109143072A (zh) * | 2017-06-28 | 2019-01-04 | 东软集团股份有限公司 | 一种电池管理***的测试方法、装置及设备 |
CN109683096A (zh) * | 2018-12-17 | 2019-04-26 | 珠海格力电器股份有限公司 | 电池管理***功能测试***及测试方法 |
CN113022374A (zh) * | 2021-02-04 | 2021-06-25 | 东风汽车集团股份有限公司 | 电动汽车电池管理***的被动均衡控制方法及*** |
CN113043912A (zh) * | 2021-04-06 | 2021-06-29 | 广州汽车集团股份有限公司 | 一种电池全时检测装置、***及汽车 |
CN114529067A (zh) * | 2022-01-30 | 2022-05-24 | 常伟 | 一种基于大数据机器学习进行电动汽车电池预测性维护的方法 |
CN115366683A (zh) * | 2022-08-09 | 2022-11-22 | 北京理工大学 | 一种新能源汽车动力电池多维模型融合的故障诊断策略 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11065978B2 (en) * | 2019-02-25 | 2021-07-20 | Toyota Research Institute, Inc. | Systems, methods, and storage media for adapting machine learning models for optimizing performance of a battery pack |
US20210005027A1 (en) * | 2019-07-04 | 2021-01-07 | QodeLogix Systems Inc. | System and method for battery maintenance management |
-
2023
- 2023-08-03 CN CN202310970736.0A patent/CN116973782B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105904986A (zh) * | 2016-04-26 | 2016-08-31 | 深圳市德传技术有限公司 | 一种新能源车远程电池管理检测方法及*** |
CN109143072A (zh) * | 2017-06-28 | 2019-01-04 | 东软集团股份有限公司 | 一种电池管理***的测试方法、装置及设备 |
CN109683096A (zh) * | 2018-12-17 | 2019-04-26 | 珠海格力电器股份有限公司 | 电池管理***功能测试***及测试方法 |
CN113022374A (zh) * | 2021-02-04 | 2021-06-25 | 东风汽车集团股份有限公司 | 电动汽车电池管理***的被动均衡控制方法及*** |
CN113043912A (zh) * | 2021-04-06 | 2021-06-29 | 广州汽车集团股份有限公司 | 一种电池全时检测装置、***及汽车 |
CN114529067A (zh) * | 2022-01-30 | 2022-05-24 | 常伟 | 一种基于大数据机器学习进行电动汽车电池预测性维护的方法 |
CN115366683A (zh) * | 2022-08-09 | 2022-11-22 | 北京理工大学 | 一种新能源汽车动力电池多维模型融合的故障诊断策略 |
Also Published As
Publication number | Publication date |
---|---|
CN116973782A (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116973782B (zh) | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 | |
CN112092675B (zh) | 一种电池热失控预警方法、***及服务器 | |
CN106100022B (zh) | 主动均衡电池管理*** | |
CN114430080B (zh) | 一种基于运行数据的动力电池电芯异常自放电的识别方法 | |
CN104813182B (zh) | 串联连接的电池元件中的异常充电事件的稳定状态检测 | |
CN109870650B (zh) | 电池监控方法及*** | |
CN112098850B (zh) | 基于sdo算法的锂离子电池电压故障诊断方法及*** | |
CN110045291B (zh) | 一种锂电池容量估计方法 | |
CN113696786B (zh) | 电池均衡方法及*** | |
KR20230129953A (ko) | 차량 배터리 셀 일관성 평가 방법, 장치, 기기 및 저장매체 | |
CN110920400B (zh) | 纯电动汽车的电池***一致性故障诊断与整车处理方法 | |
CN108710087A (zh) | 一种纯电动汽车电池组健康状态测取装置及其测取方法 | |
CN113253138A (zh) | 对电池分类的方法、电池、电池回收利用***和机动车 | |
CN114329760A (zh) | 一种基于数字孪生的车载锂离子电池建模及故障诊断方法 | |
CN116224075A (zh) | 动力电池单体异常预警方法、装置、电子设备和存储介质 | |
CN115718258A (zh) | 电池故障检测 | |
US20230391224A1 (en) | System and method for battery diagnosis according to altitude using atmospheric pressure sensor | |
CN113391214A (zh) | 一种基于电池充电电压排名变化的电池微故障诊断方法 | |
CN113687251A (zh) | 一种基于双模型的锂离子电池组电压异常故障诊断方法 | |
US20230324463A1 (en) | Method and Apparatus for Operating a System for Detecting an Anomaly of an Electrical Energy Store for a Device by Means of Machine Learning Methods | |
CN112540301B (zh) | 电池检测方法、装置及存储介质 | |
CN113420494B (zh) | 一种超级电容贝叶斯概率融合建模方法 | |
CN115128468A (zh) | 一种化学储能电池phm欠压故障预测方法 | |
CN115219932A (zh) | 用于评价设备电池组的相对老化状态的方法和装置 | |
CN114062943B (zh) | 一种锂离子电池***极化异常预警方法及*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |