CN117972620A - 基于逻辑回归算法的电芯异常预测方法及装置 - Google Patents
基于逻辑回归算法的电芯异常预测方法及装置 Download PDFInfo
- Publication number
- CN117972620A CN117972620A CN202410391018.2A CN202410391018A CN117972620A CN 117972620 A CN117972620 A CN 117972620A CN 202410391018 A CN202410391018 A CN 202410391018A CN 117972620 A CN117972620 A CN 117972620A
- Authority
- CN
- China
- Prior art keywords
- cell
- result
- target
- data
- model
- 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.)
- Granted
Links
- 230000005856 abnormality Effects 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000007477 logistic regression Methods 0.000 title claims abstract description 48
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 47
- 230000002159 abnormal effect Effects 0.000 claims abstract description 167
- 238000012417 linear regression Methods 0.000 claims abstract description 85
- 238000004364 calculation method Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims description 87
- 238000013178 mathematical model Methods 0.000 claims description 86
- 238000005259 measurement Methods 0.000 claims description 46
- 230000006870 function Effects 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 27
- 238000012886 linear function Methods 0.000 claims description 16
- 238000004519 manufacturing process Methods 0.000 abstract description 9
- 230000009286 beneficial effect Effects 0.000 description 41
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000002349 favourable effect Effects 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000009529 body temperature measurement Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于逻辑回归算法的电芯异常预测方法及装置,涉及新能源动力电池自动化生产线技术领域,包括:获取目标电芯的电芯数据,并将所有电芯数据输入至线性回归模型,得到模型输出结果;基于预先确定出的目标函数对模型输出结果执行计算操作,得到模型输出结果对应的函数计算结果,并根据函数计算结果确定目标电芯的至少一个电芯系数;对目标电芯的所有电芯系数执行数据拟合操作,得到电芯拟合结果,并根据电芯拟合结果确定目标电芯的异常预测结果。可见,实施本发明能够结合线性回归模型对电芯进行数据计算以及数据拟合,从而实现对电芯的智能异常预测,有利于提高对电芯进行异常预测的精准性和可靠性。
Description
技术领域
本发明涉及新能源动力电池自动化生产线技术领域,尤其涉及一种基于逻辑回归算法的电芯异常预测方法及装置。
背景技术
在自动化电池生产线,电芯异常通常表示该通道的电芯在生产过程中出现了故障,根据故障严重程度,轻则暂停该通道电芯生成流程,影响其他通道生产效率,重则停止该通道的电芯生产流程,导致该通道电芯报废,造成经济损失。然而由于每颗电芯的封装,内部化学成分不能够做到完全相同,在同样的工艺流程的控制下,生产过程中仍然会出现电芯异常的状况的发生。
现有的技术,只能根据设定的保护条件,对电芯进行保护,例如电压上限/下限,电流大幅波动等保护,就是通过高频电压电流采样,对电压电流进行监测,一旦电压电流值超过了保护条件设定的安全范围,便会触发保护,暂停/停止该电芯的生产流程。该方案确实对电芯起到了一定的保护作用,同时也避免了电芯异常带来的更严重的生产事故。关键的问题,就是保护条件的判定,多数为电压电流值的范围判定,该判定结果为布尔值,只能判定电芯的正常与否(布尔值描述状态是/否),但无法判定电芯的正常/异常程度,并且,通常判定为异常的电芯,那么证明异常状况已经发生,无法避免,只能将该电芯报废。同时,保护条件只能进行简单的逻辑与或非运算,并不能进行线性运算,更没有触发条件的权重大小区分,因此只要触发保护条件之一,便会判定为电芯异常,该方法过于简单并且存在不可避免的误判率。可见,提供一种新的电芯异常预测方法以提高异常预测的精准性,显得尤为重要。
发明内容
本发明所提供了一种基于逻辑回归算法的电芯异常预测方法及装置,能够实现对电芯的智能异常预测,有利于提高对电芯进行异常预测的精准性和可靠性。
为了解决上述技术问题,本发明第一方面公开了一种基于逻辑回归算法的电芯异常预测方法,所述方法包括:
获取目标电芯的电芯数据,并将所有所述电芯数据输入至线性回归模型,得到模型输出结果,其中,所述模型输出结果包括所有所述电芯数据的数据拟合结果;
基于预先确定出的目标函数对所述模型输出结果执行计算操作,得到所述模型输出结果对应的函数计算结果,并根据所述函数计算结果确定所述目标电芯的至少一个电芯系数;
对所述目标电芯的所有所述电芯系数执行数据拟合操作,得到电芯拟合结果,并根据所述电芯拟合结果确定所述目标电芯的异常预测结果。
作为一种可选的实施方式,在本发明第一方面中,所述方法还包括:
判断所述目标电芯的异常预测结果是否用于表示所述目标电芯为预测异常状态,当判断出所述目标电芯的异常预测结果用于表示所述目标电芯为所述预测异常状态时,基于所述目标电芯的异常预测结果,确定所述目标电芯的预测异常参数;
判断所述目标电芯的预测异常参数是否满足预设的干预处理条件,当判断出所述目标电芯的预测异常参数满足预设的所述干预处理条件时,基于所述预测异常参数确定所述目标电芯的异常处理参数,并对所述目标电芯执行与所述异常处理参数相匹配的异常处理操作。
作为一种可选的实施方式,在本发明第一方面中,所述获取目标电芯的电芯数据之前,所述方法还包括:
获取若干个待测电芯的电芯测量数据,并将每个所述待测电芯的电芯测量数据确定为测量数据集合,并确定每个所述待测电芯的电芯属性信息;
根据所有所述待测电芯的电芯属性信息以及每个所述待测电芯的电芯测量数据,生成训练数据集合;其中,所述训练数据集合包括每个所述待测电芯的电芯属性信息以及每个所述待测电芯的电芯测量数量;
对于每个所述待测电芯,将该待测电芯的电芯测量数据输入至预先确定出的备用数学模型,得到模型预测结果,并将所述模型预测结果与该待测电芯的电芯属性信息执行对比操作,得到预测对比结果;
判断所述预测对比结果是否满足预设的结果预测条件;
当判断出所述预测对比结果满足预设的所述结果预测条件时,将所述备用数学模型确定为线性回归模型,并触发执行所述的获取目标电芯的电芯数据,并将所有所述电芯数据输入至线性回归模型,得到模型输出结果的操作。
作为一种可选的实施方式,在本发明第一方面中,所述将所述模型预测结果与该待测电芯的电芯属性信息执行对比操作,得到预测对比结果,包括:
计算所述模型预测结果与该待测电芯的电芯属性信息之间的交叉熵,并对所述交叉熵执行预先确定出的梯度处理操作,得到所述交叉熵对应的至少一个梯度斜率;
在所有所述梯度斜率中确定出目标梯度斜率,并基于所述目标梯度斜率生成预测对比结果。
作为一种可选的实施方式,在本发明第一方面中,所述方法还包括:
当判断出所述预测对比结果不满足预设的所述结果预测条件时,根据目标交叉熵,在所述备用数学模型中确定出至少一个待调整参数,以及确定每个所述待调整参数的参数调节因子,并对每个所述待调整参数执行与该待调整参数的参数调节因子相匹配的参数更新操作,以得到模型更新参数;
基于所有所述模型更新参数,对所述备用数学模型执行模型更新操作,得到更新数学模型;
将所述训练数据集合输入至所述更新数学模型中,得到所述更新数学模型对应的数据拟合度,判断所述数据拟合度是否满足预设的数据拟合条件,当判断出所述数据拟合度满足预设的所述数据拟合条件时,将所述更新数学模型确定为线性回归模型,并触发执行所述的获取目标电芯的电芯数据,并将所有所述电芯数据输入至线性回归模型,得到模型输出结果的操作。
作为一种可选的实施方式,在本发明第一方面中,所述将所有所述电芯数据输入至线性回归模型,得到模型输出结果,包括:
将所有所述电芯数据输入至线性回归模型,以使所述线性回归模型通过预先确定出的基础线性函数对所有所述电芯数据执行线性拟合操作,得到线性拟合结果,并基于所述线性拟合结果,生成模型输出结果。
作为一种可选的实施方式,在本发明第一方面中,所述基于所述预测异常参数确定所述目标电芯的异常处理参数之前,所述方法还包括:
根据所述目标电芯的电芯数据以及所述目标电芯的异常预测结果,生成所述目标电芯在预设的目标周期内的电芯运行数据;
根据所述电芯运行数据,确定所述目标电芯在预设的所述目标周期内的运行状态信息;
其中,所述基于所述预测异常参数确定所述目标电芯的异常处理参数,包括:
基于所述预测异常参数以及所述运行状态信息,确定所述目标电芯的异常处理参数;其中,所述异常处理参数包括异常处理时刻因子以及异常处理操作因子。
本发明第二方面公开了一种基于逻辑回归算法的电芯异常预测装置,所述装置包括:
获取模块,用于获取目标电芯的电芯数据;
输入模块,用于将所有所述电芯数据输入至线性回归模型,得到模型输出结果,其中,所述模型输出结果包括所有所述电芯数据的数据拟合结果;
计算模块,用于基于预先确定出的目标函数对所述模型输出结果执行计算操作,得到所述模型输出结果对应的函数计算结果;
确定模块,用于根据所述函数计算结果确定所述目标电芯的至少一个电芯系数;
拟合模块,用于对所述目标电芯的所有所述电芯系数执行数据拟合操作,得到电芯拟合结果;
所述确定模块,还用于根据所述电芯拟合结果确定所述目标电芯的异常预测结果。
作为一种可选的实施方式,在本发明第二方面中,所述装置还包括:
第一判断模块,用于判断所述目标电芯的异常预测结果是否用于表示所述目标电芯为预测异常状态;
所述确定模块,还用于当所述第一判断模块判断出所述目标电芯的异常预测结果用于表示所述目标电芯为所述预测异常状态时,基于所述目标电芯的异常预测结果,确定所述目标电芯的预测异常参数;
所述第一判断模块,还用于判断所述目标电芯的预测异常参数是否满足预设的干预处理条件;
所述确定模块,还用于当所述第一判断模块判断出所述目标电芯的预测异常参数满足预设的所述干预处理条件时,基于所述预测异常参数确定所述目标电芯的异常处理参数;
处理模块,用于对所述目标电芯执行与所述异常处理参数相匹配的异常处理操作。
作为一种可选的实施方式,在本发明第二方面中,所述获取模块,还用于获取目标电芯的电芯数据之前,获取若干个待测电芯的电芯测量数据;
所述确定模块,还用于将每个所述待测电芯的电芯测量数据确定为测量数据集合,并确定每个所述待测电芯的电芯属性信息;
所述装置还包括:
第一生成模块,用于根据所有所述待测电芯的电芯属性信息以及每个所述待测电芯的电芯测量数据,生成训练数据集合;其中,所述训练数据集合包括每个所述待测电芯的电芯属性信息以及每个所述待测电芯的电芯测量数量;
所述输入模块,还用于对于每个所述待测电芯,将该待测电芯的电芯测量数据输入至预先确定出的备用数学模型,得到模型预测结果;
对比模块,用于将所述模型预测结果与该待测电芯的电芯属性信息执行对比操作,得到预测对比结果;
第二判断模块,用于判断所述预测对比结果是否满足预设的结果预测条件;
所述确定模块,还用于当所述第二判断模块判断出所述预测对比结果满足预设的所述结果预测条件时,将所述备用数学模型确定为线性回归模型,并触发所述获取模块执行所述的获取目标电芯的电芯数据以及触发所述输入模块执行所述的将所有所述电芯数据输入至线性回归模型,得到模型输出结果的操作。
作为一种可选的实施方式,在本发明第二方面中,所述对比模块将所述模型预测结果与该待测电芯的电芯属性信息执行对比操作,得到预测对比结果的具体方式包括:
计算所述模型预测结果与该待测电芯的电芯属性信息之间的交叉熵,并对所述交叉熵执行预先确定出的梯度处理操作,得到所述交叉熵对应的至少一个梯度斜率;
在所有所述梯度斜率中确定出目标梯度斜率,并基于所述目标梯度斜率生成预测对比结果。
作为一种可选的实施方式,在本发明第二方面中,所述确定模块,还用于当所述第二判断模块判断出所述预测对比结果不满足预设的所述结果预测条件时,根据目标交叉熵,在所述备用数学模型中确定出至少一个待调整参数,以及确定每个所述待调整参数的参数调节因子;
所述装置还包括:
更新模块,用于对每个所述待调整参数执行与该待调整参数的参数调节因子相匹配的参数更新操作,以得到模型更新参数;基于所有所述模型更新参数,对所述备用数学模型执行模型更新操作,得到更新数学模型;
所述输入模块,还用于将所述训练数据集合输入至所述更新数学模型中,得到所述更新数学模型对应的数据拟合度;
所述第二判断模块,还用于判断所述数据拟合度是否满足预设的数据拟合条件;
所述确定模块,还用于当所述第二判断模块判断出所述数据拟合度满足预设的所述数据拟合条件时,将所述更新数学模型确定为线性回归模型,并触发所述获取模块执行所述的获取目标电芯的电芯数据以及触发所述输入模块执行所述的将所有所述电芯数据输入至线性回归模型,得到模型输出结果的操作。
作为一种可选的实施方式,在本发明第二方面中,所述输入模块将所有所述电芯数据输入至线性回归模型,得到模型输出结果的具体方式包括:
将所有所述电芯数据输入至线性回归模型,以使所述线性回归模型通过预先确定出的基础线性函数对所有所述电芯数据执行线性拟合操作,得到线性拟合结果,并基于所述线性拟合结果,生成模型输出结果。
作为一种可选的实施方式,在本发明第二方面中,所述装置还包括:
第二生成模块,用于在所述确定模块基于所述预测异常参数确定所述目标电芯的异常处理参数之前,根据所述目标电芯的电芯数据以及所述目标电芯的异常预测结果,生成所述目标电芯在预设的目标周期内的电芯运行数据;
所述确定模块,还用于根据所述电芯运行数据,确定所述目标电芯在预设的所述目标周期内的运行状态信息;
其中,所述确定模块基于所述预测异常参数确定所述目标电芯的异常处理参数的具体方式包括:
基于所述预测异常参数以及所述运行状态信息,确定所述目标电芯的异常处理参数;其中,所述异常处理参数包括异常处理时刻因子以及异常处理操作因子。
本发明第三方面公开了另一种基于逻辑回归算法的电芯异常预测装置,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明第一方面公开的基于逻辑回归算法的电芯异常预测方法。
本发明第四方面公开了一种计算机存储介质,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行本发明第一方面公开的基于逻辑回归算法的电芯异常预测方法。
与现有技术相比,本发明实施例具有以下有益效果:
本发明实施例中,获取目标电芯的电芯数据,并将所有电芯数据输入至线性回归模型,得到模型输出结果,其中,模型输出结果包括所有电芯数据的数据拟合结果;基于预先确定出的目标函数对模型输出结果执行计算操作,得到模型输出结果对应的函数计算结果,并根据函数计算结果确定目标电芯的至少一个电芯系数;对目标电芯的所有电芯系数执行数据拟合操作,得到电芯拟合结果,并根据电芯拟合结果确定目标电芯的异常预测结果。可见,实施本发明能够结合线性回归模型对电芯进行数据计算以及数据拟合,从而实现对电芯的智能异常预测,有利于提高对电芯进行异常预测的精准性和可靠性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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他的附图。
图1是本发明实施例公开的一种基于逻辑回归算法的电芯异常预测方法的流程示意图;
图2是本发明实施例公开的另一种基于逻辑回归算法的电芯异常预测方法的流程示意图;
图3是本发明实施例公开的一种基于逻辑回归算法的电芯异常预测装置的结构示意图;
图4是本发明实施例公开的另一种基于逻辑回归算法的电芯异常预测装置的结构示意图;
图5是本发明实施例公开的又一种基于逻辑回归算法的电芯异常预测装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,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、装置、产品或端没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种基于逻辑回归算法的电芯异常预测方法及装置,能够结合线性回归模型对电芯进行数据计算以及数据拟合,从而实现对电芯的智能异常预测,有利于提高对电芯进行异常预测的精准性和可靠性。以下分别进行详细说明。
实施例一
请参阅图1,图1是本发明实施例公开的一种基于逻辑回归算法的电芯异常预测方法的流程示意图。其中,图1所描述的基于逻辑回归算法的电芯异常预测方法可以应用于基于逻辑回归算法的电芯异常预测装置中,也可以应用于化成分容设备本身,其中,基于逻辑回归算法的电芯异常预测装置可以集成在本地服务器或云端服务器,本发明实施例不做限定。如图1所示,该基于逻辑回归算法的电芯异常预测方法可以包括以下操作:
101、获取目标电芯的电芯数据,并将所有电芯数据输入至线性回归模型,得到模型输出结果。
本发明实施例中,模型输出结果包括所有电芯数据的数据拟合结果。
本发明实施例中,可选的,获取目标电芯的电芯数据的方式可以是实时获取的,也可以是按照预设的时间段定时获取的,还可以是需要进行电芯异常预测时进行获取的,本发明实施例不做具体限定。
本发明实施例中,进一步可选的,目标电芯的数量可以为一个,也可以为多个,本发明实施例不做具体限定。进一步的,当目标电芯的数量为多个时,每个目标电芯存在与之对应的电芯数据。
本发明实施例中,可选的,目标电芯的电芯数据包括该目标电芯的电压数据、电流数据、电芯温度数据、工艺流程数据、电芯质量数据、额定电容量数据、电芯类型数据中的一种或多种。
本发明实施例中,可选的,线性回归模型包括一层多项式线性回归模型。这样能够通过一层多项式线性回归模型更好的对训练样本以及目标电芯的电芯数据进行拟合训练样本数据的操作,提高得到模型输出结果的准确性和可靠性。
本发明实施例中,可选的,若所输入的电芯数据为多个目标电芯的电芯数据时,则模型输出结果中包括多个目标电芯的电芯数据对应的输出结果。
102、基于预先确定出的目标函数对模型输出结果执行计算操作,得到模型输出结果对应的函数计算结果,并根据函数计算结果确定目标电芯的至少一个电芯系数。
本发明实施例中,可选的,预先确定出的目标函数可以包括Sigmoid函数;其中,Sigmoid函数是一个常见的S型函数,也称为S型生长曲线,由于其单增以及反函数单增等性质,Sigmoid函数常被用作神经网络的激活函数,将变量映射到0,1之间,并且Sigmoid函数能够用作神经网络的激活函数以及逻辑回归。
本发明实施例中,可选的,若模型输出结果中包括多个目标电芯的输出结果时,对于每个目标电芯,均存在与该目标电芯相对应的函数计算结果。
本发明实施例中,可选的,电芯系数可以包括布尔值。其中,布尔值是“真” True或“假” False 中的一个,动作脚本也会在适当时将值 True 和 False 转换为 1 和 0,布尔值经常与动作脚本语句中通过比较控制脚本流的逻辑运算符一起使用。进一步的,布尔值能够用于作为判定电芯的状态是否异常的依据。
103、对目标电芯的所有电芯系数执行数据拟合操作,得到电芯拟合结果,并根据电芯拟合结果确定目标电芯的异常预测结果。
本发明实施例中,可选的,电芯拟合结果包括拟合了目标电芯的电芯数据与电芯异常程度的拟合结果,也即,电芯拟合结果至少用于表示目标电芯的电芯数据与电芯异常程度之间的对应关系。其中,目标电芯的电芯数据包括目标电芯的各项数值,举例来说,目标电芯的数值包括电压值、电流值、电芯温度值、工艺流程数据值、电芯质量值、额定电容量值、电池类型数据值中的一种或多种。
本发明实施例中,可选的,若目标电芯的数量为多个时,电芯拟合结果包括所有目标电芯的电芯系数。进一步可选的,若目标电芯的数量为多个时,目标电芯的异常预测结果包括每个目标电芯的异常预测结果。
可见,实施图1所描述的基于逻辑回归算法的电芯异常预测方法能够获取目标电芯的电芯数据并将所有电芯数据输入至线性回归模型得到模型输出结果,并基于目标函数对模型输出结果执行计算操作得到函数计算结果从而确定电芯系数,对所有目标电芯的电芯系数执行数据拟合操作得到电芯拟合结果从而确定目标电芯的异常预测结果,能够结合线性回归模型以及目标函数对目标电芯进行智能化预测及预警,能够在电芯还未出现异常时就预测电芯的异常情况,相较于传统的方法,能够有利于实现防止电芯在化成分容的过程中被损毁,进而还有利于提高对电芯进行异常预测的准确性和客观性,以及有利于提高对电芯进行异常预测的智能性。
实施例二
请参阅图2,图2是本发明实施例公开的另一种基于逻辑回归算法的电芯异常预测方法的流程示意图。其中,图2所描述的基于逻辑回归算法的电芯异常预测方法可以应用于基于逻辑回归算法的电芯异常预测装置中,也可以应用于化成分容设备本身,其中,基于逻辑回归算法的电芯异常预测装置可以集成在本地服务器或云端服务器,本发明实施例不做限定。如图2所示,该基于逻辑回归算法的电芯异常预测方法可以包括以下操作:
201、获取目标电芯的电芯数据,并将所有电芯数据输入至线性回归模型,得到模型输出结果。
202、基于预先确定出的目标函数对模型输出结果执行计算操作,得到模型输出结果对应的函数计算结果,并根据函数计算结果确定目标电芯的至少一个电芯系数。
203、对目标电芯的所有电芯系数执行数据拟合操作,得到电芯拟合结果,并根据电芯拟合结果确定目标电芯的异常预测结果。
本发明实施例中,针对步骤201-步骤203的详细描述,请参照实施例一中针对步骤101-步骤103的其它描述,本发明实施例不再赘述。
204、判断目标电芯的异常预测结果是否用于表示目标电芯为预测异常状态,当判断出目标电芯的异常预测结果用于表示目标电芯为预测异常状态时,基于目标电芯的异常预测结果,确定目标电芯的预测异常参数。
本发明实施例中,可选的,上述判断目标电芯的异常预测结果是否用于表示目标电芯为预测异常状态,可以包括:
提取目标电芯的异常预测结果中的预测关键字,并计算预测关键字与预先确定的异常关键字之间的关键字匹配度,判断关键字匹配度是否大于等于预设的匹配度阈值;
当判断出关键字匹配度大于等于预设的匹配度阈值时,确定目标电芯的异常预测结果用于表示目标电芯为预测异常状态;当判断出关键字匹配度小于预设的匹配度阈值时,确定目标电芯的异常预测结果用于表示目标电芯不为预测异常状态。
本发明实施例中,进一步可选的,当判断出目标电芯的异常预测结果用于表示目标电芯不为预测异常状态时,可以结束本流程。
本发明实施例中,可选的,上述基于目标电芯的异常预测结果,确定目标电芯的预测异常参数,可以包括:基于目标电芯的异常预测结果,确定目标电芯的异常概率值,并根据目标电芯的异常概率值,生成目标电芯的预测异常参数。其中,目标电芯的异常概率值包括用于表示目标电芯0~100%连续的概率值的异常可能性;相比布尔值,该连续的概率值包含了所有电芯的数据值,可以更加客观的描述当前通道内电芯的异常程度,从而给操作人员更好的判断依据,也可以根据该可能性。
205、判断目标电芯的预测异常参数是否满足预设的干预处理条件,当判断出目标电芯的预测异常参数满足预设的干预处理条件时,基于预测异常参数确定目标电芯的异常处理参数,并对目标电芯执行与异常处理参数相匹配的异常处理操作。
本发明实施例中,进一步可选的,上述方法还可以包括:
当判断出目标电芯的预测异常参数不满足预设的干预处理条件时,根据目标电芯的预测异常参数,确定目标电芯满足预设的干预处理条件的异常时刻,并基于异常时刻以及预测异常参数生成目标电芯的预测处理参数,并在实时时刻到达异常时刻时,对目标电芯执行与预测处理参数相匹配的处理操作。
本发明实施例中,可选的,上述基于预测异常参数确定目标电芯的异常处理参数,并对目标电芯执行与异常处理参数相匹配的异常处理操作,可以包括:
基于预测异常参数,在预先确定的处理参数数据库中确定出与预测异常参数相匹配的至少一个处理参数,并根据确定出的所有处理参数,生成目标电芯的异常处理参数,并对目标电芯执行与异常处理参数相匹配的异常处理操作。
可见,实施图2所描述的基于逻辑回归算法的电芯异常预测方法能够判断目标电芯的异常预测结果是否用于表示目标电芯为预测异常状态,若是则基于目标电芯的异常预测结果确定目标电芯的预测异常参数,并判断目标电芯的预测异常参数是否满足预设的干预处理条件,若满足则基于预测异常参数确定目标电芯的异常处理参数并对目标电芯执行相匹配的异常处理操作,能够基于异常预测结果确定出目标电芯包括用于表示目标电芯概率值的异常可能性的预测异常参数,有利于提高确定目标电芯的预测异常参数的准确性和可靠性,以及有利于提高确定出目标电芯的预测异常参数的智能性和概率,并且能够在判断出预测异常参数满足预设的干预处理条件时才确定异常处理参数,有利于提高确定异常处理参数的智能性和效率,避免在无须对目标电芯执行异常处理操作时依旧生成对应的异常处理参数,避免出现资源浪费的现象,从而有利于提高对目标电芯进行异常预测的准确性和可靠性,以及有利于提高对目标电芯进行异常预测的智能性和效率,进而有利于提高对目标电芯执行异常处理操作的准确性和可靠性,以及有利于提高对目标电芯执行异常处理操作的智能性和效率。
在一个可选的实施例中,获取目标电芯的电芯数据之前,该方法还包括:
获取若干个待测电芯的电芯测量数据,并将每个待测电芯的电芯测量数据确定为测量数据集合,并确定每个待测电芯的电芯属性信息;
根据所有待测电芯的电芯属性信息以及每个待测电芯的电芯测量数据,生成训练数据集合;其中,训练数据集合包括每个待测电芯的电芯属性信息以及每个待测电芯的电芯测量数量;
对于每个待测电芯,将该待测电芯的电芯测量数据输入至预先确定出的备用数学模型,得到模型预测结果,并将模型预测结果与该待测电芯的电芯属性信息执行对比操作,得到预测对比结果;
判断预测对比结果是否满足预设的结果预测条件;
当判断出预测对比结果满足预设的结果预测条件时,将备用数学模型确定为线性回归模型,并触发执行获取目标电芯的电芯数据,并将所有电芯数据输入至线性回归模型,得到模型输出结果的操作。
在该可选的实施例中,可选的,待测电芯的数量可以为一个,也可以为多个,本发明实施例不做具体限定。
在该可选的实施例中,可选的,获取待测电芯的电芯测量数据的方式可以是实时获取的,也可以是按照预设的时间段定时获取的,本发明实施例不做具体限定;进一步可选的,获取待测电芯的电芯测量数据可以是通过电流传感器、电压传感器、温度传感器、红外传感器、视觉传感器中的一种或多种进行获取的,本发明实施例不做具体限定。
在该可选的实施例中,可选的,测量数据集合中包括所有待测电芯的电芯测量数据。可选的,每个待测电芯的电芯测量数据包括每个待测电芯的电压测量数据、电流测量数据、电芯温度测量数据、电芯质量测量数据、电容量数量中的一种或多种。
在该可选的实施例中,可选的,备用数学模型可以为一层多项式线性回归模型。
在该可选的实施例中,可选的,上述将模型预测结果与该待测电芯的电芯属性信息执行对比操作,得到预测对比结果,可以包括:
计算模型预测结果与该待测电芯的电芯属性信息之间的信息匹配度,并根据信息匹配度,生成预测对比结果;其中,信息匹配度包括用于表示模型预测结果与该待测电芯的电芯属性信息之间的信息对比结果。
在该可选的实施例中,可选的,上述判断预测对比结果是否满足预设的结果预测条件,可以包括:
确定预测对比结果的信息匹配程度,并判断信息匹配度程度是否大于等于预设的匹配程度阈值;
当判断出信息匹配度程度大于等于预设的匹配程度阈值时,确定预测对比结果满足预设的结果预测条件;当判断出信息匹配度程度小于预设的匹配程度阈值时,确定预测对比结果不满足预设的结果预测条件。
在该可选的实施例中,可选的,当判断出预测对比结果满足预设的结果预测条件时,则确定备用数学模型所输出的结果与该待测电芯对应的电芯属性信息相匹配,进一步的确定该备用数学模型满足预设的使用要求。
可见,实施该可选的实施例能够获取若干个待测电芯的电芯测量数据并生成测量数据集合并确定每个待测电芯的电芯属性信息,根据所有待测电芯的电芯属性信息以及每个待测电芯的电芯测量数据生成训练数据集合,将每个待测电芯的电芯测量数据输入至预先确定出的备用数学模型得到模型预测结果,并将模型预测结果与待测电芯的电芯属性信息进行对比得到预测对比结果,若判断出预测对比结果满足结果预测条件时则将备用数学模型确定为线性回归模型并触发执行获取目标电芯的电芯数据并将电芯数据输入至线性回归模型得到模型输出结果的操作,能够先结合包含多个待测电芯的训练数据集合输入至备用数学模型并判断备用数学模型是否满足结果预测条件,有利于提高判断备用数学模型是否满足结果预测条件的准确性和可靠性,以及有利于提高判断备用数学模型是否满足结果预测条件的智能性和效率,并且在判断出满足结果预测条件时才将备用数学模型确定为线性回归模型,有利于提高确定线性回归模型的准确性和可靠性,以及有利于提高后续基于线性回归模型对目标电芯的电芯数据执行对应的数据处理操作得到模型输出结果的精准性和可靠性,从而有利于提高结合线性回归模型的得到模型输出结果的精准性和可靠性,有利于提高对目标电芯进行异常预测的准确性和可靠性,以及有利于提高对目标电芯进行异常预测的智能性和效率,进而有利于提高对目标电芯执行异常处理操作的准确性和可靠性,以及有利于提高对目标电芯执行异常处理操作的智能性和效率。
在另一个可选的实施例中,将模型预测结果与该待测电芯的电芯属性信息执行对比操作,得到预测对比结果,包括:
计算模型预测结果与该待测电芯的电芯属性信息之间的交叉熵,并对交叉熵执行预先确定出的梯度处理操作,得到交叉熵对应的至少一个梯度斜率;
在所有梯度斜率中确定出目标梯度斜率,并基于目标梯度斜率生成预测对比结果。
在该可选的实施例中,可选的,模型预测结果包括通过预先确定出的备用数学模型确定出的预测结果;待测电芯的电芯属性信息包括该待测电芯的电芯实际数据。
在该可选的实施例中,可选的,预先确定出的梯度处理包括对该交叉熵的梯度进行逐步递减;交叉熵对应的至少一个梯度斜率包括该交叉熵对应的梯度斜率。进一步可选的,目标梯度斜率包括该交叉熵对应的最小梯度斜率。
在该可选的实施例中,可选的,上述基于目标梯度斜率生成预测对比结果,可以包括:基于目标梯度斜率,确定备用数学模型的系数参数,并根据系数参数以及该待测电芯的电芯属性信息,生成预测对比结果。
在该可选的实施例中,可选的,举例来说,通过备用数学模型,对待测电芯的电芯测量数据执行计算操作,得到待测电芯的预测值,并将待测电芯的预测值与该待测电芯的实际值进行交叉熵计算,通过对该交叉熵的梯度进行逐步递减,得到该交叉熵梯度斜率最小值时,备用数学模型各项系数的值,从而计算出该数学模型与该待测电芯的实际值之间的对比值;其中,待测电芯的实际值包括该待测电芯的电芯实际数据。
可见,实施该可选的实施例能够计算模型预测结果与待测电芯的电芯属性信息之间的交叉熵,并对交叉熵执行梯度处理操作得到对应的梯度斜率并确定出目标梯度斜率,基于目标梯度斜率生成预测对比结果,能够通过计算模型预测结果与电芯实际值之间的交叉熵参数从而确定目标梯度斜率进而确定预测对比结果,有利于提高确定出交叉熵参数的精准性和可靠性,并且有利于提高确定目标梯度斜率的精准性和可靠性,从而能够根据确定出的目标梯度斜率生成预测对比结果,有利于提高生成预测对比结果的精准性和可靠性,以及有利于提高生成预测对比结果的智能性和效率,进而有利于提高后续对目标电芯进行异常预测的智能性和准确性,能够实现更快捷且更准确地确定出异常电芯,进一步的还有利于提高化成分容设备运行的准确性以及安全性。
在又一个可选的实施例中,该方法还包括:
当判断出预测对比结果不满足预设的结果预测条件时,根据目标交叉熵,在备用数学模型中确定出至少一个待调整参数,以及确定每个待调整参数的参数调节因子,并对每个待调整参数执行与该待调整参数的参数调节因子相匹配的参数更新操作,以得到模型更新参数;
基于所有模型更新参数,对备用数学模型执行模型更新操作,得到更新数学模型;
将训练数据集合输入至更新数学模型中,得到更新数学模型对应的数据拟合度,判断数据拟合度是否满足预设的数据拟合条件,当判断出数据拟合度满足预设的数据拟合条件时,将更新数学模型确定为线性回归模型,并触发执行获取目标电芯的电芯数据,并将所有电芯数据输入至线性回归模型,得到模型输出结果的操作。
在该可选的实施例中,可选的,待调整参数的数量可以为一个,也可以为多个,本发明实施例不做具体限定。进一步可选的,每个待调整参数对应一个参数调节因子;更进一步的,不同的待调整参数对应的参数调节因子可以是不同的,也可以是相同的,本发明实施例不做具体限定。
在该可选的实施例中,可选的,上述根据目标交叉熵,在备用数学模型中确定出至少一个待调整参数,以及确定每个待调整参数的参数调节因子,可以包括:
根据目标交叉熵,确定备用数学模型中与目标交叉熵存在关联关系的模型参数,并将所有与目标交叉熵存在关联关系的模型参数确定为待调整参数;
对于每个待调整参数,根据目标交叉熵,从预先确定出的调节因子集合中确定出与该待调整参数相匹配的参数调节因子。
在该可选的实施例中,可选的,上述基于所有模型更新参数,对备用数学模型执行模型更新操作,得到更新数学模型,可以包括:
对于每个模型更新参数,在备用数学模型中确定出与该模型更新参数对应的备用模型参数,并将该备用模型参数更新为该模型更新参数,以对该备用模型参数执行更新操作,以对备用数学模型执行模型更新操作,得到更新数学模型;其中,更新数学模型中包含所有模型更新参数。
在该可选的实施例中,可选的,上述将训练数据集合输入至更新数学模型中,得到更新数学模型对应的数据拟合度,可以包括:
将训练数据集合输入至更新数学模型中,得到更新数学模型对应的数据输出结果,并确定数据输出结果与训练数据集合对应的训练数据结果之间的数据差异信息,并基于数据差异信息生成更新数学模型对应的数据拟合度。
在该可选的实施例中,进一步可选的,当判断出数据拟合度不满足预设的数据拟合条件时,重新触发执行根据目标交叉熵,在备用数学模型中确定出至少一个待调整参数,以及确定每个待调整参数的参数调节因子,并对每个待调整参数执行与该待调整参数的参数调节因子相匹配的参数更新操作,以得到模型更新参数的操作。
可见,实施该可选的实施例能够在预测对比结果不满足结果预测条件时根据目标交叉熵确定出备用数学模型中的待调整参数以及参数调节因子以得到模型更新参数,并基于模型更新参数对备用数学模型进行模型更新操作得到更新数学模型,将训练数据集合输入至更新数学模型得到对应的数据拟合度,若数据拟合度满足数据拟合条件则将更新数学模型确定为线性回归模型并触发执行获取目标电芯的电芯数据并将所有电芯数据输入至线性回归模型得到模型输出结果,能够在预测对比结果不满足结果预测条件时对备用数学模型进行更新,有利于提高对备用数学模型执行智能化更新以得到更新数学模型进而得到线性回归模型的智能性和准确性,并且能够通过判断数据拟合度是否满足数据拟合条件,有利于进一步提高基于更新数学模型确定线性回归模型的精准性和可靠性,进而有利于提高后续基于线性回归模型对目标电芯进行异常预测的智能性和准确性,能够实现更快捷且更准确地确定出异常电芯,进一步的还有利于提高化成分容设备运行的准确性以及安全性。
在又一个可选的实施例中,将所有电芯数据输入至线性回归模型,得到模型输出结果,包括:
将所有电芯数据输入至线性回归模型,以使线性回归模型通过预先确定出的基础线性函数对所有电芯数据执行线性拟合操作,得到线性拟合结果,并基于线性拟合结果,生成模型输出结果。
在该可选的实施例中,可选的,预先确定出的基础线性函数可以包括一元线性函数、二元线性函数及三元线性函数中的一种或多种。
在该可选的实施例中,可选的,线性拟合结果包括基于所有电芯数据与异常程度之间的拟合结果。
在该可选的实施例中,可选的,上述基于线性拟合结果,生成模型输出结果,可以包括:将线性拟合结果确定为模型输出结果。
在该可选的实施例中,可选的,举例来说,假定电压值、电流值、电芯温度值、化成执行时间、电芯重量、额定电容量,以及电芯的类型与电芯异常程度程线性相关,那么通过选取拟合度较高的基础线性函数,作为拟合各描述项数值与异常程度的函数,本方案中,通过多次计算,选取多项式作为拟合函数,将电压值、电流值、电芯温度值、化成执行时间、电芯重量、额定电容量、电芯的类型作为该线性回归模型的输入,并将线性回归模拟关系的输出结合目标函数进而后续的计算操作。
可见,实施该可选的实施例能够将所有电芯数据输入至线性回归模型以使该模型通过基础线性函数对电芯数据还行线性拟合操作得到线性拟合结果,并基于线性拟合结果生成模型输出结果,能够结合基础线性函数对所有电芯数据进行数据拟合以得到线性拟合结果,能够通过基础线性函数对所有电芯数据进行处理,有利于提高对电芯数据进行处理的智能性以及得到线性拟合结果的精准性和可靠性,相较于传统方法中通过单一数值范围对电芯数据进行计算从而确定电芯是否处于异常状态,通过对电芯数据进行线性拟合能够提高得到线性拟合结果的精准性和可靠性,并且能够将电芯数据以及线性拟合结果进行二次使用,从而扩展到实验研发阶段进行数据的二次使用,有利于提高数据的使用重复率,以及有利于提高获取实验数据的便捷性和智能性,进而还有利于提高后续基于线性回归模型得到模型输出结果的精准性和可靠性,以及进一步有利于提高基于线性回归模型对电芯进行异常预测得到异常预测结果的精准性和可靠性,进一步的还有利于提高化成分容设备运行的准确性以及安全性。
在又一个可选的实施例中,基于预测异常参数确定目标电芯的异常处理参数之前,该方法还包括:
根据目标电芯的电芯数据以及目标电芯的异常预测结果,生成目标电芯在预设的目标周期内的电芯运行数据;
根据电芯运行数据,确定目标电芯在预设的目标周期内的运行状态信息;
其中,基于预测异常参数确定目标电芯的异常处理参数,包括:
基于预测异常参数以及运行状态信息,确定目标电芯的异常处理参数;其中,异常处理参数包括异常处理时刻因子以及异常处理操作因子。
在该可选的实施例中,可选的,预设的目标周期可以为半个小时,也可以为两个小时,还可以为24小时,本发明实施例不做具体限定。
在该可选的实施例中,可选的,目标电芯的预设的目标周期内的电芯运行数据可以包括目标电芯在预设的目标周期内的电流运行数据、电压运行数据、电芯温度运行数据、电芯容量运行数据、电芯质量运行数据中的一种或多种。
在该可选的实施例中,可选的,上述基于预测异常参数以及运行状态信息,确定目标电芯的异常处理参数,可以包括:
基于预测异常参数以及运行状态信息,确定目标电芯的异常原因,并提取目标电芯的异常原因中的异常关键字,基于异常关键字,在预先确定出的异常处理参数集合中确定出与异常关键字相匹配的至少一个目标异常处理因子,并根据所有目标异常处理因子,确定目标电芯的异常处理参数;其中,目标异常处理因子至少包括异常处理时刻因子以及异常处理操作因子。
在该可选的实施例中,可选的,举例来说,若确定出目标电芯在2小时内的运行状态信息用于表示该目标电芯的电芯运行温度过高时,则确定异常处理处理时刻因子包括14:30分,异常处理操作因子包括对目标电芯进行降温的处理因子,也即,在14:30分对该目标电芯执行电芯温度降温到的处理操作。
可见,实施该可选的实施例能够根据目标电芯的电芯数据以及异常预测结果生成目标电芯在预设的目标周期内的电芯运行数据,并根据电芯运行数据确定运行状态信息,基于预测异常参数以及运行状态信息确定目标电芯的异常处理参数,能够实现智能化确定目标电芯的运行状态信息,并且能够在预测出目标电芯为异常时智能化确定出目标电芯的异常处理参数,有利于提高确定异常处理参数的精准性和可靠性,并且能够结合目标电芯的预测异常参数以及运行状态信息综合性确定出目标电芯的异常处理参数,有利于提高确定目标电芯的异常处理参数的精准性和可靠性,以及有利于提高确定目标电芯的异常处理参数的智能性和效率,能够在电芯还未出现异常时就预测电芯的异常情况,相较于传统的方法,能够有利于实现防止电芯在化成分容的过程中被损毁,进而还有利于提高对电芯进行异常预测的准确性和客观性,以及有利于提高对电芯进行异常预测的智能性,进一步的还有利于提高化成分容设备运行的准确性以及安全性。
实施例三
请参阅图3,图3是本发明实施例公开的一种基于逻辑回归算法的电芯异常预测装置的结构示意图。如图3所示,该基于逻辑回归算法的电芯异常预测装置可以包括:
获取模块301,用于获取目标电芯的电芯数据;
输入模块302,用于将所有电芯数据输入至线性回归模型,得到模型输出结果,其中,模型输出结果包括所有电芯数据的数据拟合结果;
计算模块303,用于基于预先确定出的目标函数对模型输出结果执行计算操作,得到模型输出结果对应的函数计算结果;
确定模块304,用于根据函数计算结果确定目标电芯的至少一个电芯系数;
拟合模块305,用于对目标电芯的所有电芯系数执行数据拟合操作,得到电芯拟合结果;
确定模块304,还用于根据电芯拟合结果确定目标电芯的异常预测结果。
可见,实施图3所描述的装置能够获取目标电芯的电芯数据并将所有电芯数据输入至线性回归模型得到模型输出结果,并基于目标函数对模型输出结果执行计算操作得到函数计算结果从而确定电芯系数,对所有目标电芯的电芯系数执行数据拟合操作得到电芯拟合结果从而确定目标电芯的异常预测结果,能够结合线性回归模型以及目标函数对目标电芯进行智能化预测及预警,能够在电芯还未出现异常时就预测电芯的异常情况,相较于传统的方法,能够有利于实现防止电芯在化成分容的过程中被损毁,进而还有利于提高对电芯进行异常预测的准确性和客观性,以及有利于提高对电芯进行异常预测的智能性。
在一个可选的实施例中,如图4所示,该装置还包括:
第一判断模块306,用于判断目标电芯的异常预测结果是否用于表示目标电芯为预测异常状态;
确定模块304,还用于当第一判断模块306判断出目标电芯的异常预测结果用于表示目标电芯为预测异常状态时,基于目标电芯的异常预测结果,确定目标电芯的预测异常参数;
第一判断模块306,还用于判断目标电芯的预测异常参数是否满足预设的干预处理条件;
确定模块304,还用于当第一判断模块306判断出目标电芯的预测异常参数满足预设的干预处理条件时,基于预测异常参数确定目标电芯的异常处理参数;
处理模块307,用于对目标电芯执行与异常处理参数相匹配的异常处理操作。
可见,实施图4所描述的装置能够判断目标电芯的异常预测结果是否用于表示目标电芯为预测异常状态,若是则基于目标电芯的异常预测结果确定目标电芯的预测异常参数,并判断目标电芯的预测异常参数是否满足预设的干预处理条件,若满足则基于预测异常参数确定目标电芯的异常处理参数并对目标电芯执行相匹配的异常处理操作,能够基于异常预测结果确定出目标电芯包括用于表示目标电芯概率值的异常可能性的预测异常参数,有利于提高确定目标电芯的预测异常参数的准确性和可靠性,以及有利于提高确定出目标电芯的预测异常参数的智能性和概率,并且能够在判断出预测异常参数满足预设的干预处理条件时才确定异常处理参数,有利于提高确定异常处理参数的智能性和效率,避免在无须对目标电芯执行异常处理操作时依旧生成对应的异常处理参数,避免出现资源浪费的现象,从而有利于提高对目标电芯进行异常预测的准确性和可靠性,以及有利于提高对目标电芯进行异常预测的智能性和效率,进而有利于提高对目标电芯执行异常处理操作的准确性和可靠性,以及有利于提高对目标电芯执行异常处理操作的智能性和效率。
在另一个可选的实施例中,如图4所示,获取模块301,还用于获取目标电芯的电芯数据之前,获取若干个待测电芯的电芯测量数据;
确定模块304,还用于将每个待测电芯的电芯测量数据确定为测量数据集合,并确定每个待测电芯的电芯属性信息;
该装置还包括:
第一生成模块308,用于根据所有待测电芯的电芯属性信息以及每个待测电芯的电芯测量数据,生成训练数据集合;其中,训练数据集合包括每个待测电芯的电芯属性信息以及每个待测电芯的电芯测量数量;
输入模块302,还用于对于每个待测电芯,将该待测电芯的电芯测量数据输入至预先确定出的备用数学模型,得到模型预测结果;
对比模块309,用于将模型预测结果与该待测电芯的电芯属性信息执行对比操作,得到预测对比结果;
第二判断模块310,用于判断预测对比结果是否满足预设的结果预测条件;
确定模块304,还用于当第二判断模块310判断出预测对比结果满足预设的结果预测条件时,将备用数学模型确定为线性回归模型,并触发获取模块301执行获取目标电芯的电芯数据以及触发输入模块302执行将所有电芯数据输入至线性回归模型,得到模型输出结果的操作。
可见,实施图4所描述的装置能够获取若干个待测电芯的电芯测量数据并生成测量数据集合并确定每个待测电芯的电芯属性信息,根据所有待测电芯的电芯属性信息以及每个待测电芯的电芯测量数据生成训练数据集合,将每个待测电芯的电芯测量数据输入至预先确定出的备用数学模型得到模型预测结果,并将模型预测结果与待测电芯的电芯属性信息进行对比得到预测对比结果,若判断出预测对比结果满足结果预测条件时则将备用数学模型确定为线性回归模型并触发执行获取目标电芯的电芯数据并将电芯数据输入至线性回归模型得到模型输出结果的操作,能够先结合包含多个待测电芯的训练数据集合输入至备用数学模型并判断备用数学模型是否满足结果预测条件,有利于提高判断备用数学模型是否满足结果预测条件的准确性和可靠性,以及有利于提高判断备用数学模型是否满足结果预测条件的智能性和效率,并且在判断出满足结果预测条件时才将备用数学模型确定为线性回归模型,有利于提高确定线性回归模型的准确性和可靠性,以及有利于提高后续基于线性回归模型对目标电芯的电芯数据执行对应的数据处理操作得到模型输出结果的精准性和可靠性,从而有利于提高结合线性回归模型的得到模型输出结果的精准性和可靠性,有利于提高对目标电芯进行异常预测的准确性和可靠性,以及有利于提高对目标电芯进行异常预测的智能性和效率,进而有利于提高对目标电芯执行异常处理操作的准确性和可靠性,以及有利于提高对目标电芯执行异常处理操作的智能性和效率。
在又一个可选的实施例中,如图4所示,对比模块309将模型预测结果与该待测电芯的电芯属性信息执行对比操作,得到预测对比结果的具体方式包括:
计算模型预测结果与该待测电芯的电芯属性信息之间的交叉熵,并对交叉熵执行预先确定出的梯度处理操作,得到交叉熵对应的至少一个梯度斜率;
在所有梯度斜率中确定出目标梯度斜率,并基于目标梯度斜率生成预测对比结果。
可见,实施图4所描述的装置能够计算模型预测结果与待测电芯的电芯属性信息之间的交叉熵,并对交叉熵执行梯度处理操作得到对应的梯度斜率并确定出目标梯度斜率,基于目标梯度斜率生成预测对比结果,能够通过计算模型预测结果与电芯实际值之间的交叉熵参数从而确定目标梯度斜率进而确定预测对比结果,有利于提高确定出交叉熵参数的精准性和可靠性,并且有利于提高确定目标梯度斜率的精准性和可靠性,从而能够根据确定出的目标梯度斜率生成预测对比结果,有利于提高生成预测对比结果的精准性和可靠性,以及有利于提高生成预测对比结果的智能性和效率,进而有利于提高后续对目标电芯进行异常预测的智能性和准确性,能够实现更快捷且更准确地确定出异常电芯,进一步的还有利于提高化成分容设备运行的准确性以及安全性。
在又一个可选的实施例中,如图4所示,确定模块304,还用于当第二判断模块310判断出预测对比结果不满足预设的结果预测条件时,根据目标交叉熵,在备用数学模型中确定出至少一个待调整参数,以及确定每个待调整参数的参数调节因子;
该装置还包括:
更新模块311,用于对每个待调整参数执行与该待调整参数的参数调节因子相匹配的参数更新操作,以得到模型更新参数;基于所有模型更新参数,对备用数学模型执行模型更新操作,得到更新数学模型;
输入模块302,还用于将训练数据集合输入至更新数学模型中,得到更新数学模型对应的数据拟合度;
第二判断模块310,还用于判断数据拟合度是否满足预设的数据拟合条件;
确定模块304,还用于当第二判断模块310判断出数据拟合度满足预设的数据拟合条件时,将更新数学模型确定为线性回归模型,并触发获取模块301执行获取目标电芯的电芯数据以及触发输入模块302执行将所有电芯数据输入至线性回归模型,得到模型输出结果的操作。
可见,实施图4所描述的装置能够在预测对比结果不满足结果预测条件时根据目标交叉熵确定出备用数学模型中的待调整参数以及参数调节因子以得到模型更新参数,并基于模型更新参数对备用数学模型进行模型更新操作得到更新数学模型,将训练数据集合输入至更新数学模型得到对应的数据拟合度,若数据拟合度满足数据拟合条件则将更新数学模型确定为线性回归模型并触发执行获取目标电芯的电芯数据并将所有电芯数据输入至线性回归模型得到模型输出结果,能够在预测对比结果不满足结果预测条件时对备用数学模型进行更新,有利于提高对备用数学模型执行智能化更新以得到更新数学模型进而得到线性回归模型的智能性和准确性,并且能够通过判断数据拟合度是否满足数据拟合条件,有利于进一步提高基于更新数学模型确定线性回归模型的精准性和可靠性,进而有利于提高后续基于线性回归模型对目标电芯进行异常预测的智能性和准确性,能够实现更快捷且更准确地确定出异常电芯,进一步的还有利于提高化成分容设备运行的准确性以及安全性。
在又一个可选的实施例中,如图4所示,输入模块302将所有电芯数据输入至线性回归模型,得到模型输出结果的具体方式包括:
将所有电芯数据输入至线性回归模型,以使线性回归模型通过预先确定出的基础线性函数对所有电芯数据执行线性拟合操作,得到线性拟合结果,并基于线性拟合结果,生成模型输出结果。
可见,实施图4所描述的装置能够将所有电芯数据输入至线性回归模型以使该模型通过基础线性函数对电芯数据还行线性拟合操作得到线性拟合结果,并基于线性拟合结果生成模型输出结果,能够结合基础线性函数对所有电芯数据进行数据拟合以得到线性拟合结果,能够通过基础线性函数对所有电芯数据进行处理,有利于提高对电芯数据进行处理的智能性以及得到线性拟合结果的精准性和可靠性,相较于传统方法中通过单一数值范围对电芯数据进行计算从而确定电芯是否处于异常状态,通过对电芯数据进行线性拟合能够提高得到线性拟合结果的精准性和可靠性,并且能够将电芯数据以及线性拟合结果进行二次使用,从而扩展到实验研发阶段进行数据的二次使用,有利于提高数据的使用重复率,以及有利于提高获取实验数据的便捷性和智能性,进而还有利于提高后续基于线性回归模型得到模型输出结果的精准性和可靠性,以及进一步有利于提高基于线性回归模型对电芯进行异常预测得到异常预测结果的精准性和可靠性,进一步的还有利于提高化成分容设备运行的准确性以及安全性。
在又一个可选的实施例中,如图4所示,该装置还包括:
第二生成模块312,用于在确定模块304基于预测异常参数确定目标电芯的异常处理参数之前,根据目标电芯的电芯数据以及目标电芯的异常预测结果,生成目标电芯在预设的目标周期内的电芯运行数据;
确定模块304,还用于根据电芯运行数据,确定目标电芯在预设的目标周期内的运行状态信息;
其中,确定模块304基于预测异常参数确定目标电芯的异常处理参数的具体方式包括:
基于预测异常参数以及运行状态信息,确定目标电芯的异常处理参数;其中,异常处理参数包括异常处理时刻因子以及异常处理操作因子。
可见,实施图4所描述的装置能够根据目标电芯的电芯数据以及异常预测结果生成目标电芯在预设的目标周期内的电芯运行数据,并根据电芯运行数据确定运行状态信息,基于预测异常参数以及运行状态信息确定目标电芯的异常处理参数,能够实现智能化确定目标电芯的运行状态信息,并且能够在预测出目标电芯为异常时智能化确定出目标电芯的异常处理参数,有利于提高确定异常处理参数的精准性和可靠性,并且能够结合目标电芯的预测异常参数以及运行状态信息综合性确定出目标电芯的异常处理参数,有利于提高确定目标电芯的异常处理参数的精准性和可靠性,以及有利于提高确定目标电芯的异常处理参数的智能性和效率,能够在电芯还未出现异常时就预测电芯的异常情况,相较于传统的方法,能够有利于实现防止电芯在化成分容的过程中被损毁,进而还有利于提高对电芯进行异常预测的准确性和客观性,以及有利于提高对电芯进行异常预测的智能性,进一步的还有利于提高化成分容设备运行的准确性以及安全性。
实施例四
请参阅图5,图5是本发明实施例公开的又一种基于逻辑回归算法的电芯异常预测装置的结构示意图。如图5所示,该基于逻辑回归算法的电芯异常预测装置可以包括:
存储有可执行程序代码的存储器401;
与存储器401耦合的处理器402;
处理器402调用存储器401中存储的可执行程序代码,执行本发明实施例一或本发明实施例二所描述的基于逻辑回归算法的电芯异常预测方法中的步骤。
实施例五
本发明实施例公开了一种计算机存储介质,该计算机存储介质存储有计算机指令,该计算机指令被调用时,用于执行本发明实施例一或本发明实施例二所描述的基于逻辑回归算法的电芯异常预测方法中的步骤。
实施例六
本发明实施例公开了一种计算机程序产品,该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,且该计算机程序可操作来使计算机执行实施例一或实施例二中所描述的基于逻辑回归算法的电芯异常预测方法中的步骤。
以上所描述的装置实施例仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施例的具体描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是:本发明实施例公开的一种基于逻辑回归算法的电芯异常预测方法及装置所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (10)
1.一种基于逻辑回归算法的电芯异常预测方法,其特征在于,所述方法包括:
获取目标电芯的电芯数据,并将所有所述电芯数据输入至线性回归模型,得到模型输出结果,其中,所述模型输出结果包括所有所述电芯数据的数据拟合结果;
基于预先确定出的目标函数对所述模型输出结果执行计算操作,得到所述模型输出结果对应的函数计算结果,并根据所述函数计算结果确定所述目标电芯的至少一个电芯系数;
对所述目标电芯的所有所述电芯系数执行数据拟合操作,得到电芯拟合结果,并根据所述电芯拟合结果确定所述目标电芯的异常预测结果。
2.根据权利要求1所述的基于逻辑回归算法的电芯异常预测方法,其特征在于,所述方法还包括:
判断所述目标电芯的异常预测结果是否用于表示所述目标电芯为预测异常状态,当判断出所述目标电芯的异常预测结果用于表示所述目标电芯为所述预测异常状态时,基于所述目标电芯的异常预测结果,确定所述目标电芯的预测异常参数;
判断所述目标电芯的预测异常参数是否满足预设的干预处理条件,当判断出所述目标电芯的预测异常参数满足预设的所述干预处理条件时,基于所述预测异常参数确定所述目标电芯的异常处理参数,并对所述目标电芯执行与所述异常处理参数相匹配的异常处理操作。
3.根据权利要求1所述的基于逻辑回归算法的电芯异常预测方法,其特征在于,所述获取目标电芯的电芯数据之前,所述方法还包括:
获取若干个待测电芯的电芯测量数据,并将每个所述待测电芯的电芯测量数据确定为测量数据集合,并确定每个所述待测电芯的电芯属性信息;
根据所有所述待测电芯的电芯属性信息以及每个所述待测电芯的电芯测量数据,生成训练数据集合;其中,所述训练数据集合包括每个所述待测电芯的电芯属性信息以及每个所述待测电芯的电芯测量数量;
对于每个所述待测电芯,将该待测电芯的电芯测量数据输入至预先确定出的备用数学模型,得到模型预测结果,并将所述模型预测结果与该待测电芯的电芯属性信息执行对比操作,得到预测对比结果;
判断所述预测对比结果是否满足预设的结果预测条件;
当判断出所述预测对比结果满足预设的所述结果预测条件时,将所述备用数学模型确定为线性回归模型,并触发执行所述的获取目标电芯的电芯数据,并将所有所述电芯数据输入至线性回归模型,得到模型输出结果的操作。
4.根据权利要求3所述的基于逻辑回归算法的电芯异常预测方法,其特征在于,所述将所述模型预测结果与该待测电芯的电芯属性信息执行对比操作,得到预测对比结果,包括:
计算所述模型预测结果与该待测电芯的电芯属性信息之间的交叉熵,并对所述交叉熵执行预先确定出的梯度处理操作,得到所述交叉熵对应的至少一个梯度斜率;
在所有所述梯度斜率中确定出目标梯度斜率,并基于所述目标梯度斜率生成预测对比结果。
5.根据权利要求4所述的基于逻辑回归算法的电芯异常预测方法,其特征在于,所述方法还包括:
当判断出所述预测对比结果不满足预设的所述结果预测条件时,根据目标交叉熵,在所述备用数学模型中确定出至少一个待调整参数,以及确定每个所述待调整参数的参数调节因子,并对每个所述待调整参数执行与该待调整参数的参数调节因子相匹配的参数更新操作,以得到模型更新参数;
基于所有所述模型更新参数,对所述备用数学模型执行模型更新操作,得到更新数学模型;
将所述训练数据集合输入至所述更新数学模型中,得到所述更新数学模型对应的数据拟合度,判断所述数据拟合度是否满足预设的数据拟合条件,当判断出所述数据拟合度满足预设的所述数据拟合条件时,将所述更新数学模型确定为线性回归模型,并触发执行所述的获取目标电芯的电芯数据,并将所有所述电芯数据输入至线性回归模型,得到模型输出结果的操作。
6.根据权利要求1所述的基于逻辑回归算法的电芯异常预测方法,其特征在于,所述将所有所述电芯数据输入至线性回归模型,得到模型输出结果,包括:
将所有所述电芯数据输入至线性回归模型,以使所述线性回归模型通过预先确定出的基础线性函数对所有所述电芯数据执行线性拟合操作,得到线性拟合结果,并基于所述线性拟合结果,生成模型输出结果。
7.根据权利要求2所述的基于逻辑回归算法的电芯异常预测方法,其特征在于,所述基于所述预测异常参数确定所述目标电芯的异常处理参数之前,所述方法还包括:
根据所述目标电芯的电芯数据以及所述目标电芯的异常预测结果,生成所述目标电芯在预设的目标周期内的电芯运行数据;
根据所述电芯运行数据,确定所述目标电芯在预设的所述目标周期内的运行状态信息;
其中,所述基于所述预测异常参数确定所述目标电芯的异常处理参数,包括:
基于所述预测异常参数以及所述运行状态信息,确定所述目标电芯的异常处理参数;其中,所述异常处理参数包括异常处理时刻因子以及异常处理操作因子。
8.一种基于逻辑回归算法的电芯异常预测装置,其特征在于,所述装置包括:
获取模块,用于获取目标电芯的电芯数据;
输入模块,用于将所有所述电芯数据输入至线性回归模型,得到模型输出结果,其中,所述模型输出结果包括所有所述电芯数据的数据拟合结果;
计算模块,用于基于预先确定出的目标函数对所述模型输出结果执行计算操作,得到所述模型输出结果对应的函数计算结果;
确定模块,用于根据所述函数计算结果确定所述目标电芯的至少一个电芯系数;
拟合模块,用于对所述目标电芯的所有所述电芯系数执行数据拟合操作,得到电芯拟合结果;
所述确定模块,还用于根据所述电芯拟合结果确定所述目标电芯的异常预测结果。
9.一种基于逻辑回归算法的电芯异常预测装置,其特征在于,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1-7任一项所述的基于逻辑回归算法的电芯异常预测方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行如权利要求1-7任一项所述的基于逻辑回归算法的电芯异常预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410391018.2A CN117972620B (zh) | 2024-04-02 | 2024-04-02 | 基于逻辑回归算法的电芯异常预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410391018.2A CN117972620B (zh) | 2024-04-02 | 2024-04-02 | 基于逻辑回归算法的电芯异常预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117972620A true CN117972620A (zh) | 2024-05-03 |
CN117972620B CN117972620B (zh) | 2024-05-28 |
Family
ID=90866149
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410391018.2A Active CN117972620B (zh) | 2024-04-02 | 2024-04-02 | 基于逻辑回归算法的电芯异常预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117972620B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210288493A1 (en) * | 2020-03-12 | 2021-09-16 | ComAp a.s. | Optimization of power generation from power sources using fault prediction based on intelligently tuned machine learning power management |
CN113740738A (zh) * | 2021-09-29 | 2021-12-03 | 蜂巢能源科技有限公司 | 一种电芯容量预测方法及其应用 |
US20220036199A1 (en) * | 2020-07-31 | 2022-02-03 | VoltSense, Inc. | System and method for predictive foliage impingement and wildfire management using generative adversarial network |
WO2022126526A1 (zh) * | 2020-12-17 | 2022-06-23 | 浙江吉利控股集团有限公司 | 一种电池温度预测方法及*** |
CN116680992A (zh) * | 2023-07-28 | 2023-09-01 | 宁德时代新能源科技股份有限公司 | 建立电芯容量预测模型的方法、装置、计算机设备及介质 |
CN117214757A (zh) * | 2023-09-26 | 2023-12-12 | 杭州华弗能源科技有限公司 | 锂离子电池及电池组健康度预测方法 |
-
2024
- 2024-04-02 CN CN202410391018.2A patent/CN117972620B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210288493A1 (en) * | 2020-03-12 | 2021-09-16 | ComAp a.s. | Optimization of power generation from power sources using fault prediction based on intelligently tuned machine learning power management |
US20220036199A1 (en) * | 2020-07-31 | 2022-02-03 | VoltSense, Inc. | System and method for predictive foliage impingement and wildfire management using generative adversarial network |
WO2022126526A1 (zh) * | 2020-12-17 | 2022-06-23 | 浙江吉利控股集团有限公司 | 一种电池温度预测方法及*** |
CN113740738A (zh) * | 2021-09-29 | 2021-12-03 | 蜂巢能源科技有限公司 | 一种电芯容量预测方法及其应用 |
CN116680992A (zh) * | 2023-07-28 | 2023-09-01 | 宁德时代新能源科技股份有限公司 | 建立电芯容量预测模型的方法、装置、计算机设备及介质 |
CN117214757A (zh) * | 2023-09-26 | 2023-12-12 | 杭州华弗能源科技有限公司 | 锂离子电池及电池组健康度预测方法 |
Non-Patent Citations (1)
Title |
---|
任超: "动力电池低荷电状态风险预测", 汽车实用技术, vol. 48, no. 02, 30 January 2023 (2023-01-30), pages 34 - 38 * |
Also Published As
Publication number | Publication date |
---|---|
CN117972620B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8154297B2 (en) | System and method for predictive maintenance of a battery assembly using temporal signal processing | |
CN114114049B (zh) | 一种基于样本迁移的锂离子电池寿命预测方法 | |
CN111907370B (zh) | 一种动力电池温度监测方法及装置、车辆、存储介质 | |
CN112098850B (zh) | 基于sdo算法的锂离子电池电压故障诊断方法及*** | |
CN113092900B (zh) | 光伏逆变器的状态检测方法、装置及计算机可读存储介质 | |
CN115238831B (zh) | 故障预测方法、装置、计算机设备和存储介质 | |
CN115980585A (zh) | 电池故障的检测方法、装置、计算机设备和存储介质 | |
CN114580496A (zh) | 一种锂离子电池单体故障自检测方法 | |
CN116736166A (zh) | 电池包的电芯异常检测方法、装置及电池包 | |
CN113758652B (zh) | 换流变压器漏油检测方法、装置、计算机设备和存储介质 | |
CN113935423A (zh) | 耦合模糊控制规则与Elman神经网络的动力电池故障预警方法与*** | |
CN117031182B (zh) | 配电站所终端遥测值异常检测方法及*** | |
CN117972620B (zh) | 基于逻辑回归算法的电芯异常预测方法及装置 | |
CN116794542B (zh) | 一种储能电池短路检测和保护的方法及*** | |
CN116956187A (zh) | 用于电源模块的故障预测方法、装置、存储介质及处理器 | |
CN115600879A (zh) | 一种断路器异常预警方法、***及相关装置 | |
CN115409059A (zh) | 高压电子开关设备在线故障预警方法、终端设备 | |
CN115659768A (zh) | 一种igbt剩余使用寿命预测方法及装置 | |
KR20230061480A (ko) | 진단 파라미터 예측 에러의 변동을 이용한 전기 장비의 상태 결정 | |
Jensen et al. | Remaining useful life estimation of stator insulation using particle filter | |
CN117907844B (zh) | 电池***内短路异常检测方法、电子设备及介质 | |
CN117391459B (zh) | 基于深度学习的电力运行风险预警方法及*** | |
CN115208745A (zh) | 一种电力***故障定位方法、装置及故障定位设备 | |
Zhang et al. | Electric vehicle power battery fault diagnosis based on wavelet decomposition and modified Z-score model | |
CN118068210A (zh) | 一种电芯衰减评估方法、装置、设备及介质 |
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 |