FR3143749A1 - METHOD AND SYSTEM FOR PREDICTING THE AGING OF A HEATING COMPONENT IN A TRACTION BATTERY MATERIAL COOKING SYSTEM - Google Patents
METHOD AND SYSTEM FOR PREDICTING THE AGING OF A HEATING COMPONENT IN A TRACTION BATTERY MATERIAL COOKING SYSTEM Download PDFInfo
- Publication number
- FR3143749A1 FR3143749A1 FR2314519A FR2314519A FR3143749A1 FR 3143749 A1 FR3143749 A1 FR 3143749A1 FR 2314519 A FR2314519 A FR 2314519A FR 2314519 A FR2314519 A FR 2314519A FR 3143749 A1 FR3143749 A1 FR 3143749A1
- Authority
- FR
- France
- Prior art keywords
- heating rod
- temperature
- prediction
- data
- training
- 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
- 238000010438 heat treatment Methods 0.000 title claims abstract description 395
- 230000032683 aging Effects 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000000463 material Substances 0.000 title claims abstract description 28
- 238000010411 cooking Methods 0.000 title claims description 5
- 238000012549 training Methods 0.000 claims abstract description 106
- 238000001914 filtration Methods 0.000 claims abstract description 42
- 238000012360 testing method Methods 0.000 claims description 46
- 238000012423 maintenance Methods 0.000 claims description 42
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010304 firing Methods 0.000 claims description 5
- 230000001105 regulatory effect Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 230000033228 biological regulation Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 4
- 230000003449 preventive effect Effects 0.000 claims description 3
- 238000005245 sintering Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000007774 positive electrode material Substances 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- KFDQGLPGKXUTMZ-UHFFFAOYSA-N [Mn].[Co].[Ni] Chemical compound [Mn].[Co].[Ni] KFDQGLPGKXUTMZ-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 229910052748 manganese Inorganic materials 0.000 description 1
- 239000011572 manganese Substances 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000007773 negative electrode material Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010926 purge Methods 0.000 description 1
- 238000009853 pyrometallurgy Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000011819 refractory material Substances 0.000 description 1
- 238000007873 sieving Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/002—Thermal testing
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
- F27D21/00—Arrangements of monitoring devices; Arrangements of safety devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Chemical & Material Sciences (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Electrochemistry (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Chemical & Material Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Mechanical Engineering (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
- Measuring Temperature Or Quantity Of Heat (AREA)
- Control Of Resistance Heating (AREA)
Abstract
La présente divulgation concerne un procédé pour prédire le vieillissement d’un composant chauffant dans un système de cuisson de matériau de batterie de traction, comprenant : l’acquisition (S11) de données d’une tige de chauffage dans chacune de zones de température d’un four pendant chacune de sous-périodes de temps prédéfinies, l’entraînement (S12) de différents modèles de prédiction préliminaires selon les données de la tige de chauffage, et le filtrage des différents modèles de prédiction préliminaires entraînés pour obtenir un modèle de prédiction optimal ; l’entrée (S13) de données de la tige de chauffage dans le modèle de prédiction optimal pour obtenir un résultat de prédiction de la température ; la soustraction (S14) du résultat de prédiction de la température d’une valeur de température prédéfinie pour obtenir une valeur de différence entre le résultat de prédiction de la température et la valeur de température prédéfinie, et la détermination (S15) d’une puissance de la tige de chauffage si la valeur de différence est en dehors d’une plage de valeurs de différence prédéfinie ; si la puissance de la tige de chauffage est supérieure à un seuil de puissance maximal prédéfini, la détermination d’un vieillissement de la tige de chauffage.The present disclosure relates to a method for predicting the aging of a heating component in a traction battery material curing system, comprising: acquiring (S11) data from a heating rod in each of temperature zones d a furnace during each of preset sub-time periods, training (S12) different preliminary prediction models according to the heating rod data, and filtering the different trained preliminary prediction models to obtain a prediction model optimal; inputting (S13) data of the heating rod into the optimal prediction model to obtain a temperature prediction result; subtracting (S14) the temperature prediction result from a preset temperature value to obtain a difference value between the temperature prediction result and the preset temperature value, and determining (S15) a power of the heating rod if the difference value is outside a preset difference value range; if the power of the heating rod is greater than a predefined maximum power threshold, determining whether the heating rod is aging.
Description
La présente demande concerne le domaine technique du contrôle de la température d’une tige de chauffage, par exemple, un procédé et un système pour prédire le vieillissement d’un composant chauffant dans un système de cuisson de matériau de batterie de traction.The present application relates to the technical field of controlling the temperature of a heating rod, for example, a method and system for predicting the aging of a heating component in a traction battery material curing system.
Les fours industriels sont des équipements construits avec des matériaux réfractaires pour calciner des matériaux ou cuire des produits. Les fours industriels sont principalement largement utilisés dans les industries telles que la machinerie, la métallurgie, le pétrole et le gaz. La création et le développement des fours industriels jouent un rôle très important dans le progrès humain.Industrial ovens are equipment built with refractory materials to calcine materials or cook products. Industrial furnaces are mainly widely used in industries such as machinery, metallurgy, oil and gas. The creation and development of industrial ovens play a very important role in human progress.
Dans l’état de l’art, les principaux composants des fours industriels conventionnels comportent la maçonnerie de four industriel, un système de purge de four industriel, un préchauffeur de four industriel, un dispositif de combustion de four industriel, etc. Dans le procédé habituel utilisé dans les fours industriels conventionnels, pour accélérer la vitesse de cuisson des produits et raccourcir le cycle de cuisson des produits, l’opérateur augmente ou diminue les combustibles ou modifie la puissance émise pour contrôler la température à l’intérieur du four. Cependant, en raison de l’instabilité de la commande humaine, l’occurrence d’une régulation excessive ou insuffisante de la puissance est inévitable pendant l’opération manuelle, ce qui entraîne une élévation excessive ou tardive de la température dans le four et affecte le frittage des produits.In the state of the art, the main components of conventional industrial furnaces include industrial furnace masonry, industrial furnace purge system, industrial furnace preheater, industrial furnace combustion device, etc. In the usual process used in conventional industrial ovens, to accelerate the cooking speed of the products and shorten the cooking cycle of the products, the operator increases or decreases the fuels or modifies the power emitted to control the temperature inside the oven. However, due to the instability of human control, the occurrence of excessive or insufficient power regulation is inevitable during manual operation, resulting in excessive or late rise of the temperature in the furnace and affecting sintering of products.
Au cours du processus de chauffage des matériaux, des températures spécifiques dans de multiples zones de température sont maintenues en changeant la puissance de tiges de chauffage, et les conditions de travail des tiges de chauffage diffèrent selon les différentes zones de température. Lorsqu’une tige de chauffage ne parvient pas à maintenir une valeur de température définie, celle-ci doit être remplacée à temps. Cependant, en raison du grand nombre de tiges de chauffage dans l’atelier, les travailleurs ne peuvent pas identifier rapidement toutes les tiges de chauffage anormales.During the process of heating materials, specific temperatures in multiple temperature zones are maintained by changing the power of heating rods, and the working conditions of heating rods differ according to different temperature zones. When a heating rod fails to maintain a set temperature value, it should be replaced in time. However, due to the large number of heating rods in the workshop, workers cannot quickly identify all abnormal heating rods.
La présente demande fournit un procédé et un système pour prédire le vieillissement d’un composant chauffant dans un système de cuisson de matériau de batterie de traction afin d’obtenir une prévision intelligente du degré de vieillissement d’une tige de chauffage.The present application provides a method and system for predicting the aging of a heating component in a traction battery material baking system to achieve intelligent prediction of the aging degree of a heating rod.
Dans un premier aspect, un mode de réalisation de la présente demande fournit un procédé pour prédire le vieillissement d’un composant chauffant dans un système de cuisson de matériau de batterie de traction. Le procédé comporte les étapes décrites ci-dessous.In a first aspect, an embodiment of the present application provides a method for predicting the aging of a heating component in a traction battery material curing system. The process involves the steps described below.
Des données d’une tige de chauffage dans chaque zone de température d’une pluralité de zones de température d’un four sont acquises pendant chaque sous-période de temps prédéfinie de sous-périodes de temps prédéfinies, les données de la tige de chauffage comportant des données de température de la tige de chauffage et des données de puissance de la tige de chauffage.Data of a heating rod in each temperature zone of a plurality of temperature zones of a furnace is acquired during each preset sub-time period of preset sub-time periods, the data of the heating rod comprising heating rod temperature data and heating rod power data.
De multiples modèles de prédiction préliminaire différents sont entraînés selon les données de la tige de chauffage pendant la sous-période de temps prédéfinie, et les multiples modèles de prédiction préliminaire différents entraînés sont filtrés pour obtenir un modèle de prédiction optimal.Multiple different preliminary prediction models are trained according to the heating rod data during the preset sub-time period, and the trained multiple different preliminary prediction models are filtered to obtain an optimal prediction model.
Des données de la tige de chauffage d’une période de temps avant-prédiction prédéfinie sont entrées dans le modèle de prédiction optimal pour obtenir un résultat de prédiction de la température.Heating rod data of a preset pre-prediction time period is input to the optimal prediction model to obtain a temperature prediction result.
Le résultat de prédiction de la température est soustrait d’une valeur de température prédéfinie de sorte à obtenir une valeur de différence entre le résultat de prédiction de la température et la valeur de température prédéfinie, et à détecter une puissance de la tige de chauffage dans le cas où la valeur de différence est en dehors d’une plage de valeurs de différence prédéfinie.The temperature prediction result is subtracted from a preset temperature value so as to obtain a difference value between the temperature prediction result and the preset temperature value, and to detect a power of the heating rod in the case where the difference value is outside a predefined difference value range.
Dans le cas où la puissance de la tige de chauffage est supérieure à un seuil de puissance maximal prédéfini, un vieillissement de la tige de chauffage est déterminé.In the case where the power of the heating rod is greater than a predefined maximum power threshold, aging of the heating rod is determined.
Facultativement, le procédé comporte en outre les étapes suivantes : la puissance de la tige de chauffage est régulée selon une règle de régulation prédéfinie, et une température d’une zone de température où se trouve la tige de chauffage après un temps prédéfini est détectée dans le cas où la puissance de la tige de chauffage est inférieure au seuil de puissance maximal prédéfini ; et un vieillissement de la tige de chauffage est déterminé dans le cas où la température de la zone de température où se trouve la tige de chauffage reste inchangée, ou une valeur croissante de la température de la zone de température où se trouve la tige de chauffage est inférieure à un seuil de température prédéfini.Optionally, the method further comprises the following steps: the power of the heating rod is regulated according to a predefined control rule, and a temperature of a temperature zone where the heating rod is located after a predefined time is detected in the case where the power of the heating rod is lower than the predefined maximum power threshold; and aging of the heating rod is determined in the case where the temperature of the temperature zone where the heating rod is located remains unchanged, or an increasing value of the temperature of the temperature zone where the heating rod is located is below a predefined temperature threshold.
Facultativement, le procédé comporte en outre les étapes suivantes : des informations indiquant que la tige de chauffage doit être remplacée sont envoyées dans le cas où un vieillissement de la tige de chauffage est déterminé ; des données de la tige de chauffage sont acquises à nouveau après avoir détecté un remplacement de la tige de chauffage pour obtenir des données de la tige de chauffage après le remplacement de la tige de chauffage ; les données de la tige de chauffage avant le remplacement de la tige de chauffage et les données de la tige de chauffage après le remplacement de la tige de chauffage dans les mêmes zones de température des différents fours sont analysées en utilisant une pluralité de modules statistiques pour obtenir une tendance de changement avant le remplacement de la tige de chauffage et une tendance de changement après le remplacement de la tige de chauffage dans les mêmes zones de température des différents fours, les modules statistiques comprenant une valeur moyenne, une variance, une dissymétrie et un coefficient d’aplatissement ; et un état de la tige de chauffage est déterminé selon la tendance de changement avant le remplacement de la tige de chauffage et la tendance de changement après le remplacement de la tige de chauffage.Optionally, the method further comprises the following steps: information indicating that the heating rod needs to be replaced is sent in the case that aging of the heating rod is determined; data of the heating rod is acquired again after detecting replacement of the heating rod to obtain data of the heating rod after replacing the heating rod; the data of the heating rod before replacing the heating rod and the data of the heating rod after replacing the heating rod in the same temperature zones of different furnaces are analyzed by using a plurality of statistical modules to obtaining a change trend before replacing the heating rod and a change trend after replacing the heating rod in the same temperature zones of different furnaces, the statistical modules including average value, variance, skewness and a flattening coefficient; and a state of the heating rod is determined according to the change trend before replacing the heating rod and the change trend after replacing the heating rod.
Facultativement, la détermination de l’état de la tige de chauffage selon la tendance de changement avant le remplacement de la tige de chauffage et la tendance de changement après le remplacement de la tige de chauffage comporte les étapes suivantes : la tendance de changement avant le remplacement de la tige de chauffage est comparée avec la tendance de changement après le remplacement de la tige de chauffage dans la même zone de température du même four ; et/ou la tendance de changement avant le remplacement de la tige de chauffage est comparée avec la tendance de changement après le remplacement de la tige de chauffage dans les mêmes zones de température des différents fours, pour obtenir la valeur de changement de données du remplacement de la tige de chauffage ; si l’on détermine qu’une maintenance et un remplacement préventifs sont réalisés sur la tige de chauffage dans le cas où la valeur de changement de données du remplacement de la tige de chauffage se situe dans une plage prédéfinie du changement de données du remplacement de la tige de chauffage ; il est déterminé que les performances de la tige de chauffage sont instables dans le cas où la valeur de changement de données du remplacement de la tige de chauffage ne se situe pas dans une plage prédéfinie du changement de données du remplacement de la tige de chauffage, et une valeur de différence entre la puissance de la tige de chauffage avant remplacement et la puissance de la tige de chauffage après remplacement ne se situe pas dans une plage de différence de puissance prédéfinie ; et si l’on détermine qu’un enregistrement de temps de maintenance de la tige de chauffage est incorrect dans le cas où une fluctuation de puissance de la tige de chauffage avant remplacement est en dehors d’une plage de fluctuations de puissance prédéfinie, une fluctuation de puissance de la tige de chauffage après remplacement se situe dans la plage de fluctuations de puissance prédéfinie, après que de la tige de chauffage s’est échauffée après remplacement pendant une période de temps de chauffage prédéfinie, et une température de la tige de chauffage après remplacement est maintenue à une température spécifique et une fluctuation de température de la tige de chauffage après remplacement se situe dans une plage de fluctuations de température prédéfinie.Optionally, determining the condition of the heating rod according to the change trend before replacing the heating rod and the change trend after replacing the heating rod comprises the following steps: the change trend before replacement of the heating rod is compared with the change trend after replacing the heating rod in the same temperature zone of the same furnace; and/or the change trend before replacing the heating rod is compared with the change trend after replacing the heating rod in the same temperature zones of different furnaces, to obtain the data change value of the replacement heating rod; if it is determined that preventive maintenance and replacement are carried out on the heating rod in the case where the data change value of the replacement of the heating rod is within a preset range of the data change of the replacement of the heating rod the heating rod; it is determined that the performance of the heating rod is unstable in the case where the data change value of the heating rod replacement is not within a preset range of the data change of the heating rod replacement, and a difference value between the power of the heating rod before replacement and the power of the heating rod after replacement is not within a preset power difference range; and if it is determined that a maintenance time record of the heating rod is incorrect in the case where a power fluctuation of the heating rod before replacement is outside a preset power fluctuation range, a power fluctuation of the heating rod after replacement is within the preset power fluctuation range, after the heating rod heats up after replacement for a preset heating time period, and a temperature of the rod of heating after replacement is maintained at a specific temperature and a temperature fluctuation of the heating rod after replacement is within a preset temperature fluctuation range.
Facultativement, l’entraînement de la pluralité de différents modèles de prédiction préliminaires selon les données de la tige de chauffage pendant chaque sous-période de temps prédéfinie, et le filtrage des différents modèles de prédiction préliminaires entraînés pour obtenir le modèle de prédiction optimal comportent les étapes suivantes : un modèle de prédiction pour la tige de chauffage est construit, et un nombre de séries d’entraînement et une condition de filtrage de modèle de conditions de filtrage de modèle correspondant à chaque série d’entraînement des séries d’entraînement sont déterminés, le modèle de prédiction pour la tige de chauffage comprenant une pluralité de différents modèles de prédiction préliminaires présélectionnés ; un ensemble de données à entrer pour l’entraînement et un ensemble de données à entrer pour le test dans chacune des séries d’entraînement sont déterminés selon les données de la tige de chauffage dans une sous-période de temps prédéfinie correspondant à chacune des séries d’entraînement ; dans chacune des séries d’entraînement, le modèle de prédiction pour la tige de chauffage est entraîné et testé sur l’ensemble de données à entrer pour l’entraînement et l’ensemble de données à entrer pour le test pour délivrer une erreur de prédiction de test, la pluralité de différents modèles de prédiction préliminaires dans le modèle de prédiction pour la tige de chauffage sont filtrés selon l’erreur de prédiction de test délivrée et une condition de filtrage de modèle correspondant à une série d’entraînement actuelle pour obtenir un modèle d’examen de prédiction pour la tige de chauffage, et le modèle d’examen de prédiction pour la tige de chauffage est utilisé comme modèle de prédiction pour la tige de chauffage dans une série d’entraînement suivante pour réaliser l’entraînement et le test du modèle de prédiction pour la tige de chauffage dans la série d’entraînement suivante jusqu’à ce que les séries d’entraînement soient réalisées ; et le modèle de prédiction optimal est déterminé selon une erreur de prédiction de test délivrée par une série d’entraînement finale et une condition de filtrage de modèle correspondant à la série d’entraînement finale.Optionally, training the plurality of different preliminary prediction models according to the heating rod data during each predefined sub-time period, and filtering the different trained preliminary prediction models to obtain the optimal prediction model comprises the following steps: a prediction model for the heating rod is constructed, and a number of training sets and a model filtering condition of model filtering conditions corresponding to each training set of the training sets are determined , the prediction model for the heating rod comprising a plurality of different pre-selected preliminary prediction models; a set of data to be input for training and a set of data to be input for testing in each of the training sets are determined according to the data of the heating rod in a preset sub-time period corresponding to each of the sets training; in each of the training runs, the prediction model for the heating rod is trained and tested on the data set to be input for training and the data set to be input for testing to output a prediction error test, the plurality of different preliminary prediction models in the prediction model for the heating rod are filtered according to the output test prediction error and a model filtering condition corresponding to a current training series to obtain a prediction examination model for the heating rod, and the prediction examination model for the heating rod is used as a prediction model for the heating rod in a subsequent training series to realize the training and the testing the prediction model for the heating rod in the next training set until the training sets are completed; and the optimal prediction model is determined according to a test prediction error output by a final training set and a model filtering condition corresponding to the final training set.
Facultativement, dans le cas où les séries d’entraînement comprennent deux séries, la sous-période de temps prédéfinie comprend une période de temps prédéfinie avant la maintenance de tige de chauffage et une période de temps prédéfinie après la maintenance de tige de chauffage correspondant à une première série d’entraînement, et une période de temps prédéfinie avant la prédiction de la tige de chauffage correspondant à une deuxième série d’entraînement, et les conditions de filtrage de modèle comprennent une première condition de filtrage de série correspondant à la première série d’entraînement et une deuxième condition de filtrage de série correspondant à la deuxième série d’entraînement ; la première condition de filtrage de série comprend le filtrage d’une erreur de prédiction de test dans une première plage d’erreurs de test prédéfinie dans la première série d’entraînement, et la sélection d’un modèle de prédiction préliminaire correspondant à l’erreur de prédiction de test filtrée dans la première plage d’erreurs de test prédéfinie dans la première série d’entraînement, dans des modèles de prédiction pour la tige de chauffage de la première série d’entraînement, pour former un modèle d’examen de prédiction pour la tige de chauffage de la première série d’entraînement ; et la deuxième condition de filtrage de série comprend le filtrage d’une erreur de prédiction de test avec une valeur minimale dans la deuxième série d’entraînement, la sélection d’un modèle de prédiction préliminaire correspondant à l’erreur de prédiction de test filtrée avec la valeur minimale, dans des modèles de prédiction pour la tige de chauffage de la deuxième série d’entraînement, et l’utilisation du modèle de prédiction préliminaire correspondant à l’erreur de prédiction de test filtrée avec la valeur minimale comme modèle de prédiction optimal.Optionally, in the case where the training sets include two sets, the predefined sub-time period includes a predefined time period before the heating rod maintenance and a predefined time period after the heating rod maintenance corresponding to a first training series, and a preset period of time before prediction of the heating rod corresponding to a second training series, and the model filtering conditions include a first series filtering condition corresponding to the first series training and a second series filtering condition corresponding to the second training series; the first series filtering condition includes filtering a test prediction error in a first predefined test error range in the first training series, and selecting a preliminary prediction model corresponding to the test prediction error filtered in the first preset test error range in the first training series, in prediction models for the heating rod of the first training series, to form a testing model prediction for the heating rod of the first training series; and the second series filtering condition includes filtering a test prediction error with a minimum value in the second training series, selecting a preliminary prediction model corresponding to the filtered test prediction error with the minimum value, in prediction models for the heating rod of the second training series, and using the preliminary prediction model corresponding to the test prediction error filtered with the minimum value as a prediction model optimal.
Facultativement, le procédé comporte en outre les étapes suivantes : des informations d’invite sont affichées sur une interface d’affichage et des informations vocales sont envoyées à un dispositif de communication prédéfini dans le cas où un vieillissement de la tige de chauffage est déterminé.Optionally, the method further comprises: prompt information is displayed on a display interface and voice information is sent to a predefined communication device in case aging of the heating rod is determined.
Dans un deuxième aspect, un mode de réalisation de la présente demande fournit en outre un système pour prédire le vieillissement d’un composant chauffant dans un système de cuisson de matériau de batterie de traction. Le système comporte un module d’acquisition de données, un module d’entraînement de modèle, un module de prédiction de température et un module de prédiction de vieillissement.In a second aspect, an embodiment of the present application further provides a system for predicting the aging of a heating component in a traction battery material curing system. The system includes a data acquisition module, a model training module, a temperature prediction module and an aging prediction module.
Le module d’acquisition de données est configuré pour acquérir des données d’une tige de chauffage dans chaque zone de température d’une pluralité de zones de température d’un four pendant chaque sous-période de temps prédéfinie de sous-périodes de temps prédéfinies, les données de la tige de chauffage comportant des données de température de la tige de chauffage et des données de puissance de la tige de chauffage.The data acquisition module is configured to acquire data from a heating rod in each temperature zone of a plurality of temperature zones of a furnace during each predefined sub-time period of sub-time periods preset, the heating rod data comprising heating rod temperature data and heating rod power data.
Le module d’entraînement de modèle est configuré pour entraîner de multiples modèles de prédiction préliminaire différents selon les données de la tige de chauffage pendant la sous-période de temps prédéfinie, et filtrer les multiples modèles de prédiction préliminaire différents entraînés pour obtenir un modèle de prédiction optimal.The model training module is configured to train multiple different preliminary prediction models according to the heating rod data during the preset sub-time period, and filter the trained multiple different preliminary prediction models to obtain a model of optimal prediction.
La module de prédiction de température est configuré pour délivrer les données de la tige de chauffage pendant une période de temps avant-prédiction prédéfinie dans le modèle de prédiction optimal pour obtenir un résultat de prédiction de la température.The temperature prediction module is configured to output the heating rod data for a preset pre-prediction time period into the optimal prediction model to obtain a temperature prediction result.
Le module de prédiction de vieillissement est configuré pour soustraire le résultat de prédiction de la température d’une valeur de température prédéfinie pour obtenir une valeur de différence entre le résultat de prédiction de la température et la valeur de température prédéfinie, et détecter une puissance de la tige de chauffage dans le cas où la valeur de différence est en dehors d’une plage de valeurs de différence prédéfinie ; et dans le cas où la puissance de la tige de chauffage est supérieure à un seuil de puissance maximal prédéfini, déterminer un vieillissement de la tige de chauffage.The aging prediction module is configured to subtract the temperature prediction result from a preset temperature value to obtain a difference value between the temperature prediction result and the preset temperature value, and detect a power of the heating rod in the case where the difference value is outside a preset difference value range; and in the case where the power of the heating rod is greater than a predefined maximum power threshold, determining an aging of the heating rod.
Dans un troisième aspect, un mode de réalisation de la présente demande fournit en outre un dispositif informatique. Le dispositif informatique comporte une mémoire, un processeur et un programme informatique stocké dans la mémoire et exécutable par le processeur. Le processeur, lorsqu’il exécute le programme informatique, met en œuvre les étapes dans l’un quelconque des procédés précédents.In a third aspect, an embodiment of the present application further provides a computing device. The computing device includes memory, a processor, and a computer program stored in the memory and executable by the processor. The processor, when executing the computer program, implements the steps in any of the preceding processes.
Dans un quatrième aspect, un mode de réalisation de la présente demande fournit en outre un support de stockage lisible par ordinateur stockant un programme informatique qui, lorsqu’il est exécuté par un processeur, met en œuvre les étapes dans l’un quelconque des procédés précédents.In a fourth aspect, an embodiment of the present application further provides a computer-readable storage medium storing a computer program which, when executed by a processor, implements the steps in any of the methods previous ones.
En résumé, la présente demande fournit un procédé et un système pour prédire le vieillissement d’un composant chauffant dans un système de cuisson de matériau de batterie de traction. Le procédé comporte les étapes décrites ci-dessous. Des données d’une tige de chauffage dans chaque zone de température d’une pluralité de zones de température d’un four sont acquises pendant chaque sous-période de temps prédéfinie d’une pluralité de sous-périodes de temps prédéfinies, les données de la tige de chauffage comportant des données de température de la tige de chauffage et des données de puissance de la tige de chauffage ; de multiples modèles de prédiction préliminaire différents sont entraînés selon les données de la tige de chauffage pendant les sous-périodes de temps prédéfinies, et un modèle de prédiction optimal est obtenu ; des données de la tige de chauffage d’une période de temps avant-prédiction prédéfinie sont entrées dans le modèle de prédiction optimal se sorte à obtenir un résultat de prédiction de la température ; le résultat de prédiction de la température est soustrait d’une valeur de température prédéfinie de sorte à obtenir une valeur de différence entre le résultat de prédiction de la température et la valeur de température prédéfinie, et à détecter une puissance de la tige de chauffage dans le cas où la valeur de différence dépasse une plage prédéfinie ; et dans le cas où la puissance de la tige de chauffage est supérieure à un seuil de puissance maximal prédéfini, un vieillissement de la tige de chauffage est déterminé. La présente demande permet non seulement une prédiction rapide et intelligente du degré de vieillissement d’une tige de chauffage, mais elle améliore aussi considérablement la précision et la rationalité du résultat de prédiction de vieillissement.In summary, the present application provides a method and system for predicting the aging of a heating component in a traction battery material curing system. The process involves the steps described below. Data of a heating rod in each temperature zone of a plurality of temperature zones of a furnace is acquired during each preset sub-time period of a plurality of preset sub-time periods, the data of the heating rod having temperature data of the heating rod and power data of the heating rod; multiple different preliminary prediction models are trained according to the heating rod data during the preset sub-time periods, and an optimal prediction model is obtained; data of the heating rod of a preset pre-prediction time period is inputted into the optimal prediction model so as to obtain a temperature prediction result; the temperature prediction result is subtracted from a preset temperature value so as to obtain a difference value between the temperature prediction result and the preset temperature value, and detecting a power of the heating rod in the case where the difference value exceeds a preset range; and in the case where the power of the heating rod is greater than a predefined maximum power threshold, aging of the heating rod is determined. The present application not only enables rapid and intelligent prediction of the aging degree of a heating rod, but also greatly improves the accuracy and rationality of the aging prediction result.
La présente demande est illustrée ci-dessous en liaison avec les dessins et les modes de réalisation. Les modes de réalisation décrits ci-dessous font partie des modes de réalisation de la présente demande et sont simplement utilisés pour illustrer la présente demande, mais n’ont pas pour but de limiter la portée de la présente demande.The present application is illustrated below in conjunction with the drawings and embodiments. The embodiments described below are part of the embodiments of the present application and are merely used to illustrate the present application, but are not intended to limit the scope of the present application.
Les matériaux d’une batterie de traction comportent généralement des matériaux d’électrode positive et des matériaux d’électrode négative. Un matériau d’électrode positive commun utilisé dans batteries de puissance automobiles sur le marché est le matériau d’électrode positive ternaire (nickel-cobalt-manganèse (NI CO Mn, c’est-à-dire NCM)). Le traitement du NCM comporte habituellement sept étapes : le dosage et le mélange, le frittage simple, le concassage, l’enrobage, le frittage double, le tamisage et la déferrisation et l’emballage. Le frittage est l’une des étapes importantes de la production de NCM par pyrométallurgie. Le temps, la température et d’autres facteurs du frittage peuvent affecter les performances du produit. Le système de cuisson commun du matériau de batterie de traction dans l’industrie est habituellement un four à rouleaux, et des tiges de chauffage sont utilisées comme composants chauffants dans le four à rouleaux. Une section de chauffage, une section de conservation de la chaleur et une section de refroidissement sont établies dans le four à rouleaux, et les températures des multiples sections sont contrôlées par les tiges de chauffage. Par conséquent, la prévision du vieillissement des tiges de chauffage est une partie importante du processus de production des matériaux des batteries de traction.The materials of a traction battery generally have positive electrode materials and negative electrode materials. A common positive electrode material used in automobile power batteries on the market is ternary positive electrode material (nickel-cobalt-manganese (NI CO Mn, i.e. NCM)). NCM processing usually involves seven steps: batching and mixing, single sintering, crushing, coating, double sintering, sieving and iron removal, and packaging. Sintering is one of the important steps in the production of NCM by pyrometallurgy. Time, temperature and other sintering factors may affect product performance. The common firing system of traction battery material in the industry is usually a roller furnace, and heating rods are used as heating components in the roller furnace. A heating section, a heat preservation section and a cooling section are established in the roller furnace, and the temperatures of the multiple sections are controlled by the heating rods. Therefore, predicting the aging of heating rods is an important part of the production process of traction battery materials.
Dans un mode de réalisation, comme le montre la
En S11, des données d’une tige de chauffage dans chaque zone de température d’une pluralité de zones de température d’un four sont acquises pendant chaque sous-période de temps prédéfinie de sous-périodes de temps prédéfinies, les données de la tige de chauffage comportant des données de température de la tige de chauffage et des données de puissance de la tige de chauffage.In S11, data of a heating rod in each temperature zone of a plurality of temperature zones of a furnace is acquired during each preset sub-time period of preset sub-time periods, the data of the a heating rod including heating rod temperature data and heating rod power data.
Un four comporte de multiples zones de température. Par conséquent, dans le mode de réalisation, lors de l’acquisition des données de la tige de chauffage, des numéros d’éléments de zone de température peuvent être configurés pour de multiples zones de température du four de sorte que la position de la tige de chauffage dans chaque zone de température puisse être distinguée grâce au numéro d’élément de zone de chaque zone de température. Ensuite, un enregistrement de maintenance de tige de chauffage de la tige de chauffage de chaque zone de température est acquis grâce au numéro d’élément de zone de température, et les données de température de la tige de chauffage et les données de puissance de la tige de chauffage dans l’enregistrement de maintenance de tige de chauffage sont utilisées comme données de la tige de chauffage. Dans le mode de réalisation, l’enregistrement de maintenance de tige de chauffage comporte deux fonctions. Pour ce qui est de la première fonction, l’enregistrement de maintenance de tige de chauffage est utilisé pour acquérir un ensemble de données d’entraînement d’un modèle de prédiction pour la tige de chauffage ; dans la première série d’entraînement et de test, l’ensemble de données d’entraînement et l’ensemble de données de test pour le modèle de prédiction pour la tige de chauffage sont généralement acquis à partir des données de la tige de chauffage dans une période de temps prédéfinie avant la maintenance de tige de chauffage et une période de temps prédéfinie après la maintenance de tige de chauffage. Pour ce qui est de la deuxième fonction, l’enregistrement de maintenance de tige de chauffage est utilisé pour arrêter la collecte de données de la détection de température ou de la prédiction de température dans une zone de température où une tige de chauffage est située pendant une période de la maintenance de tige de chauffage afin d’éviter toute interférence sur la précision des données d’entraînement du modèle de prédiction.An oven has multiple temperature zones. Therefore, in the embodiment, when acquiring data from the heating rod, temperature zone element numbers can be configured for multiple temperature zones of the furnace so that the position of the rod heating in each temperature zone can be distinguished by the zone element number of each temperature zone. Then, a heating rod maintenance record of the heating rod of each temperature zone is acquired through the temperature zone item number, and the temperature data of the heating rod and the power data of the heating rod in heating rod maintenance record are used as heating rod data. In the embodiment, the heating rod maintenance record has two functions. As for the first function, the heating rod maintenance record is used to acquire a training data set of a prediction model for the heating rod; in the first round of training and testing, the training data set and the testing data set for the prediction model for the heating rod are generally acquired from the data of the heating rod in a preset period of time before heating rod maintenance and a preset period of time after heating rod maintenance. As for the second function, the heating rod maintenance record is used to stop data collection of temperature detection or temperature prediction in a temperature zone where a heating rod is located during a period of heating rod maintenance to avoid any interference on the accuracy of the prediction model training data.
Dans le mode de réalisation, des données d’importation sont configurées en fonction de l’enregistrement de maintenance de tige de chauffage et du numéro d’élément de zone de température. Le vieillissement d’une tige de chauffage est prédit, des données de changement de température sont acquises selon le numéro d’élément de zone de température correspondant à la tige de chauffage, et l’ensemble de données d’entraînement du modèle de prédiction pour la tige de chauffage et les données de température dans un pas de temps sont filtrées selon l’enregistrement de maintenance de tige de chauffage. Le pas de temps comporte une durée des données utilisées pour entrer dans le modèle de prédiction pour une prédiction avant le moment où la prédiction est nécessaire.In the embodiment, import data is configured based on the heater rod maintenance record and the temperature zone item number. The aging of a heating rod is predicted, temperature change data is acquired according to the temperature zone element number corresponding to the heating rod, and the training data set of the prediction model is the heating rod and temperature data in a time step are filtered according to the heating rod maintenance record. The time step includes a duration of data used to enter the prediction model for a prediction before the time the prediction is needed.
En S12, de multiples modèles de prédiction préliminaire différents sont entraînés selon les données de la tige de chauffage pendant chaque sous-période de temps prédéfinie, et un modèle de prédiction optimal est obtenu en filtrant les multiples modèles de prédiction préliminaire différents entraînés.In S12, multiple different preliminary prediction models are trained according to the heating rod data during each preset sub-time period, and an optimal prediction model is obtained by filtering the trained multiple different preliminary prediction models.
Dans le mode de réalisation, l’étape au cours de laquelle de multiples modèles de prédiction préliminaire différents sont entraînés selon les données de la tige de chauffage pendant chaque sous-période de temps prédéfinie, et où un modèle de prédiction optimal est obtenu en filtrant les multiples modèles de prédiction préliminaire différents entraînés, comporte les étapes décrites ci-dessous.In the embodiment, the step in which multiple different preliminary prediction models are trained according to the heating rod data during each preset sub-time period, and an optimal prediction model is obtained by filtering the multiple different preliminary prediction models trained, involves the steps described below.
Un modèle de prédiction pour la tige de chauffage est construit, et des séries d’entraînement et une condition de filtrage de modèle correspondant à chaque série d’entraînement sont déterminées, le modèle de prédiction pour la tige de chauffage comportant de multiples modèles de prédiction préliminaire différents présélectionnés, et les séries d’entraînement viennent dans un ordre séquentiel.A prediction model for the heating rod is constructed, and training sets and a model filtering condition corresponding to each training set are determined, the prediction model for the heating rod having multiple prediction models Preliminary different preselected, and the workout sets come in sequential order.
Un ensemble de données à entrer pour l’entraînement et un ensemble de données à entrer pour le test dans chacune des séries d’entraînement sont déterminés selon les données de la tige de chauffage dans une sous-période de temps prédéfinie correspondant à chacune des séries d’entraînement.A set of data to be input for training and a set of data to be input for testing in each of the training sets are determined according to the data of the heating rod in a preset sub-time period corresponding to each of the sets training.
Dans chacune des séries d’entraînement, le modèle de prédiction pour la tige de chauffage est entraîné et testé sur l’ensemble de données à entrer pour l’entraînement et l’ensemble de données à entrer pour le test de sorte à délivrer une erreur de prédiction de test, les multiples modèles de prédiction préliminaire différents dans le modèle de prédiction pour la tige de chauffage sont filtrés selon l’erreur de prédiction de test délivrée et une condition de filtrage de modèle correspondant à une série d’entraînement actuelle de sorte à obtenir un modèle d’examen de prédiction pour la tige de chauffage, et le modèle d’examen de prédiction pour la tige de chauffage est utilisé comme modèle de prédiction pour la tige de chauffage dans la série d’entraînement suivante pour réaliser l’entraînement et le test du modèle de prédiction pour la tige de chauffage dans la série d’entraînement suivante jusqu’à ce que toutes les séries d’entraînement soient réalisées.In each of the training rounds, the prediction model for the heating rod is trained and tested on the data set to be input for training and the data set to be input for testing so as to output an error test prediction, the multiple different preliminary prediction models in the prediction model for the heating rod are filtered according to the outputted test prediction error and a model filtering condition corresponding to a current training series so that obtaining a prediction examination model for the heating rod, and the prediction examination model for the heating rod is used as a prediction model for the heating rod in the next round of training to realize the training and testing the prediction model for the heating rod in the next training series until all training series are completed.
Le modèle de prédiction optimal est déterminé selon une erreur de prédiction de test délivrée par une série d’entraînement finale et une condition de filtrage de modèle correspondant à la série d’entraînement finale.The optimal prediction model is determined according to a test prediction error output by a final training set and a model filtering condition corresponding to the final training set.
Dans un mode de réalisation, dans le cas où les séries d’entraînement comportent deux séries, la sous-période de temps prédéfinie comporte une période de temps prédéfinie avant et après la maintenance de tige de chauffage correspondant à une première série d’entraînement et une période de temps prédéfinie avant la prédiction pour la tige de chauffage correspondant à une deuxième série d’entraînement, et les conditions de filtrage de modèle comportent une première condition de filtrage de série correspondant à la première série d’entraînement et une deuxième condition de filtrage de série correspondant à la deuxième série d’entraînement.In one embodiment, in the case where the training series comprise two series, the predefined sub-period of time comprises a predefined period of time before and after the heating rod maintenance corresponding to a first training series and a predefined time period before the prediction for the heating rod corresponding to a second training series, and the model filtering conditions include a first series filtering condition corresponding to the first training series and a second training condition series filtering corresponding to the second training series.
La première condition de filtrage de série comporte le filtrage d’une erreur de prédiction de test dans une première plage d’erreurs de test prédéfinie dans la première série d’entraînement, et la sélection d’un modèle de prédiction préliminaire correspondant à l’erreur de prédiction de test filtrée dans la première plage d’erreurs de test prédéfinie dans la première série d’entraînement, dans des modèles de prédiction pour la tige de chauffage de la première série d’entraînement pour former un modèle d’examen de prédiction pour la tige de chauffage de la première série d’entraînement.The first series filtering condition includes filtering a test prediction error in a first predefined test error range in the first training series, and selecting a preliminary prediction model corresponding to the test prediction error filtered in the first preset test error range in the first training series, in prediction models for the heating rod of the first training series to form a prediction examination model for the heating rod of the first drive series.
La deuxième condition de filtrage de série comporte le filtrage d’une erreur de prédiction de test avec une valeur minimale dans la deuxième série d’entraînement, la sélection d’un modèle de prédiction préliminaire correspondant à l’erreur de prédiction de test filtrée avec la valeur minimale, dans des modèles de prédiction pour la tige de chauffage de la deuxième série d’entraînement, et l’utilisation du modèle de prédiction préliminaire correspondant à l’erreur de prédiction de test avec la valeur minimale comme modèle de prédiction optimal.The second series filtering condition includes filtering a test prediction error with a minimum value in the second training series, selecting a preliminary prediction model corresponding to the filtered test prediction error with the minimum value, in prediction models for the heating rod of the second training series, and using the preliminary prediction model corresponding to the test prediction error with the minimum value as the optimal prediction model.
Facultativement, pour garantir la précision de la prédiction, le mode de réalisation sélectionne au moins deux séries d’entraînement. L’homme du métier peut définir le nombre de séries d’entraînement selon la situation de mise en œuvre spécifique, et sélectionner des sous-périodes de temps prédéfinies correspondantes selon les séries d’entraînement pour réaliser l’entraînement dans chaque série d’entraînement sur les ensembles de données de différentes sous-périodes de temps prédéfinies. Une sous-période de temps prédéfinie peut comporter des données de la tige de chauffage tout au long du cycle de vie d’une tige de chauffage ou des données de la tige de chauffage avant la maintenance d’une tige de chauffage et des données de la tige de chauffage après la maintenance d’une tige de chauffage, ce qui n’est pas limité dans le mode de réalisation de la présente demande.Optionally, to ensure prediction accuracy, the embodiment selects at least two training sets. Those skilled in the art can set the number of training sets according to the specific implementation situation, and select corresponding preset sub-time periods according to the training sets to carry out training in each training set on the datasets of different predefined sub-time periods. A predefined sub-time period may include heating rod data throughout the life cycle of a heating rod or heating rod data before maintenance of a heating rod and data of the heating rod after maintenance of a heating rod, which is not limited in the embodiment of the present application.
À titre illustratif, chaque sous-période de temps prédéfinie sélectionnée dans le mode de réalisation peut être suffisamment longue pour refléter pleinement les caractéristiques des données de la tige de chauffage pendant l’entraînement. Cependant, un période de temps trop longue peut allonger le remps d’entraînement de modèle. Par conséquent, le mode de réalisation permet de sélectionner des données de la tige de chauffage pendant les 30 jours avant la maintenance de tige de chauffage comme ensemble de données. La sélection de temps spécifique peut être définie selon la situation de mise en œuvre spécifique. Les données de la tige de chauffage comportent ici des données de température d’une tige de chauffage et des données de puissance d’une tige de chauffage, et d’autres données connexes de la tige de chauffage peuvent également être utilisées ici comme ensemble de données pour l’entraînement et le test.As an illustration, each preset sub-time period selected in the embodiment can be long enough to fully reflect the characteristics of the heating rod data during training. However, too long a period of time can extend the model training time. Therefore, the embodiment allows data of the heating rod during the 30 days before heating rod maintenance to be selected as a data set. The specific time selection can be set according to the specific implementation situation. The data of the heating rod here includes temperature data of a heating rod and power data of a heating rod, and other related data of the heating rod can also be used here as a set of data for training and testing.
Dans le mode de réalisation, le modèle de prédiction pour la tige de chauffage est entraîné et filtré suivant des séries, et des ensembles d’entraînement différents sont sélectionnés selon les différentes séries d’entraînement, de sorte que le modèle de prédiction optimal concordant avec la zone de température actuelle et les propriétés de la tige de chauffage actuelle puisse être sélectionné parmi de nombreux modèles de prédiction pour la tige de chauffage de manière hiérarchique et ciblée ; par conséquent, la précision de la prédiction est améliorée, et une base fiable est fournie pour la prise de décision concernant le vieillissement de tige de chauffage.In the embodiment, the prediction model for the heating rod is trained and filtered in series, and different training sets are selected according to the different training series, so that the optimal prediction model matches the current temperature area and properties of the current heating rod can be selected from numerous prediction models for the heating rod in a hierarchical and targeted manner; therefore, the prediction accuracy is improved, and a reliable basis is provided for decision-making regarding heating rod aging.
Un modèle de prédiction préliminaire du mode de réalisation peut être un modèle de mémoire à long et court terme (LSTM), un modèle de réseau neuronal récurrent (RNN), un modèle de réseau neuronal convolutif (CNN) ou d’autres modèles d’apprentissage profond. Un entraînement et un test sont réalisés à plusieurs reprises sur ces différents modèles de prédiction préliminaires afin de filtrer le modèle de prédiction présentant le résultat de prédiction le plus précis, ce qui permet de garantir efficacement la fiabilité des résultats.A preliminary prediction model of the embodiment may be a long-short-term memory (LSTM) model, a recurrent neural network (RNN) model, a convolutional neural network (CNN) model, or other prediction models. deep learning. Training and testing are carried out several times on these different preliminary prediction models in order to filter the prediction model presenting the most accurate prediction result, which effectively guarantees the reliability of the results.
Le mode de réalisation utilise les données de modèle à entrer sélectionnées pour entraîner le modèle de prédiction pour la tige de chauffage, et détermine si l’entraînement du modèle de prédiction est terminé selon la précision des résultats d’entraînement et de test. Si la précision se situe dans une plage d’erreur prédéfinie, le modèle peut être utilisé pour la prédiction.The embodiment uses the selected input model data to train the prediction model for the heating rod, and determines whether the training of the prediction model is completed according to the accuracy of the training and test results. If the accuracy is within a predefined error range, the model can be used for prediction.
En S13, des données de la tige de chauffage d’une période de temps avant-prédiction prédéfinie sont entrées dans le modèle de prédiction optimal pour obtenir un résultat de prédiction de la température.In S13, data of the heating rod of a preset pre-prediction time period is input to the optimal prediction model to obtain a temperature prediction result.
L’homme du métier peut définir la durée de la période de temps avant-prédiction en fonction de la situation réelle, ce qui n’est pas limité dans le mode de réalisation de la présente demande. Par exemple, si une alerte précoce concernant une tige de chauffage doit être donnée 12 heures à l’avance afin de laisser suffisamment de temps pour la préparation des matériaux, les températures dans les 12 heures suivantes sont prédites. Étant donné que les données de puissance de chauffage sont également concernées, les données de puissance de chauffage et les données de température de la zone de température pendant une période de temps précédente sont entrées ensemble en tant que caractéristiques pour prédire les données de température de la tige de chauffage au cours des 12 heures suivantes.Those skilled in the art can define the duration of the pre-prediction time period according to the actual situation, which is not limited in the embodiment of the present application. For example, if an early warning for a heating rod must be given 12 hours in advance to allow sufficient time for material preparation, temperatures within the next 12 hours are predicted. Since the heating power data is also concerned, the heating power data and the temperature data of the temperature zone for a previous period of time are input together as features to predict the temperature data of the heating rod over the next 12 hours.
En S14, le résultat de prédiction de la température, soustrait d’une valeur de température prédéfinie pour obtenir une valeur de différence entre le résultat de prédiction de la température et la valeur de température prédéfinie, est obtenu, et une puissance de la tige de chauffage est détectée dans le cas où la valeur de différence est en dehors d’une plage de valeurs de différence prédéfinie.In S14, the temperature prediction result subtracted from a preset temperature value to obtain a difference value between the temperature prediction result and the preset temperature value is obtained, and a rod power of heating is detected in the case where the difference value is outside a predefined difference value range.
En S15, dans le cas où la puissance de la tige de chauffage est supérieure à un seuil de puissance maximal prédéfini, un vieillissement de la tige de chauffage est déterminé.In S15, in the case where the power of the heating rod is greater than a predefined maximum power threshold, aging of the heating rod is determined.
Dans le cas où la puissance de la tige de chauffage est inférieure au seuil de puissance maximal prédéfini, la puissance de la tige de chauffage est régulée selon une règle de régulation prédéfinie, une température d’une zone de température où se trouve la tige de chauffage est détectée après un temps prédéfini, et dans le cas où la température de la zone de température où se trouve la tige de chauffage reste inchangée, ou une valeur croissante de la température de la zone de température où se trouve la tige de chauffage est inférieure à un seuil de température prédéfini, un vieillissement de la tige de chauffage est déterminé.In the case where the power of the heating rod is lower than the predefined maximum power threshold, the power of the heating rod is regulated according to a predefined regulation rule, a temperature of a temperature zone where the heating rod is located heating is detected after a preset time, and in the case where the temperature of the temperature zone where the heating rod is located remains unchanged, or an increasing value of the temperature of the temperature zone where the heating rod is located is below a predefined temperature threshold, aging of the heating rod is determined.
Par exemple, lorsque la valeur de différence entre le résultat de prédiction de la température et la valeur de température prédéfinie dépasse la plage prédéfinie, comme lorsque la température prédéfinie de la zone de température est définie à 750 degrés Celsius et que le modèle de prédiction de température prédit que la température dans la zone de température est sur le point de chuter à 700 degrés Celsius, la puissance de la tige de chauffage est détectée. Si la puissance est inférieure au seuil de puissance maximal prédéfini, par exemple, la puissance est de 20 %, la puissance de la tige de chauffage est régulée selon la règle définie, par exemple, la puissance peut être régulée à 40 %, et la température de la tige de chauffage est à nouveau collectée ; si la température de la tige de chauffage s’élève de manière significative et régulière, il est indiqué que la tige de chauffage est normale. S’il est détecté que la puissance de la tige de chauffage est supérieure au seuil de puissance maximal prédéfini, par exemple, si la puissance atteint 105 %, il est indiqué que la tige de chauffage est anormale et doit être remplacée.For example, when the difference value between the temperature prediction result and the preset temperature value exceeds the preset range, such as when the preset temperature of the temperature zone is set to 750 degrees Celsius and the temperature prediction model temperature predicts that the temperature in the temperature zone is about to drop to 700 degrees Celsius, the power of the heating rod is detected. If the power is lower than the preset maximum power threshold, for example, the power is 20%, the power of the heating rod is regulated according to the set rule, for example, the power can be regulated to 40%, and the heating rod temperature is collected again; If the temperature of the heating rod rises significantly and steadily, it is indicated that the heating rod is normal. If it is detected that the power of the heating rod is higher than the preset maximum power threshold, for example, if the power reaches 105%, it is indicated that the heating rod is abnormal and needs to be replaced.
Dans un mode de réalisation, le procédé fourni dans le mode de réalisation comporte en outre l’étape décrite ci-dessous.In one embodiment, the method provided in the embodiment further comprises the step described below.
Après avoir déterminé un vieillissement de la tige de chauffage, des informations indiquant que la tige de chauffage doit être remplacée sont envoyées.After determining whether the heating rod is aging, information indicating that the heating rod needs to be replaced is sent.
Si un vieillissement de la tige de chauffage est déterminé selon les étapes précédentes, une alarme sonore et visuelle peut être émise, ou un message texte peut être envoyé au dispositif de communication de la personne en charge, ou d’autres procédés peuvent être utilisés pour avertir le personnel concerné dès que possible afin de remplacer la tige de chauffage à temps.If aging of the heating rod is determined according to the preceding steps, an audible and visual alarm may be issued, or a text message may be sent to the communication device of the person in charge, or other methods may be used to notify relevant personnel as soon as possible in order to replace the heating rod in time.
Après avoir détecté un remplacement de la tige de chauffage, des données de la tige de chauffage sont acquises à nouveau de sorte à acquérir les données de la tige de chauffage après le remplacement de la tige de chauffage.After detecting a replacement of the heating rod, data of the heating rod is acquired again so as to acquire the data of the heating rod after replacing the heating rod.
Les données de la tige de chauffage avant le remplacement de la tige de chauffage et les données de la tige de chauffage après le remplacement de la tige de chauffage dans les mêmes zones de température des différents fours sont analysées en utilisant de multiples modules statistiques de sorte à obtenir une tendance de changement avant le remplacement de la tige de chauffage et une tendance de changement après le remplacement de la tige de chauffage dans les mêmes zones de température des différents fours, les multiples modules statistiques comportant une valeur moyenne, une variance, une dissymétrie et un coefficient d’aplatissement.The heating rod data before heating rod replacement and the heating rod data after heating rod replacement in the same temperature zones of different furnaces are analyzed using multiple statistical modules so obtaining a change trend before replacing the heating rod and a change trend after replacing the heating rod in the same temperature zones of different furnaces, the multiple statistical modules comprising an average value, a variance, a asymmetry and a kurtosis coefficient.
Un état de la tige de chauffage est déterminé selon la tendance de changement avant le remplacement de la tige de chauffage et la tendance de changement après le remplacement de la tige de chauffage.A state of the heating rod is determined according to the change trend before replacing the heating rod and the change trend after replacing the heating rod.
Dans le mode de réalisation, l’étape au cours de laquelle l’état de la tige de chauffage est déterminé selon la tendance de changement avant le remplacement de la tige de chauffage et la tendance de changement après le remplacement de la tige de chauffage comporte les étapes décrites ci-dessous.In the embodiment, the step in which the state of the heating rod is determined according to the change trend before replacing the heating rod and the change trend after replacing the heating rod comprises the steps described below.
Une tendance de changement avant le remplacement de la tige de chauffage dans la même zone de température du même four est comparée avec une tendance de changement après le remplacement de la tige de chauffage dans la même zone de température du même four, et/ou, la tendance de changement avant le remplacement de la tige de chauffage dans les mêmes zones de température des différents fours est comparée avec la tendance de changement après le remplacement de la tige de chauffage dans les mêmes zones de température des différents fours de sorte à obtenir une valeur de changement de données du remplacement de la tige de chauffage.A change trend before replacing the heating rod in the same temperature zone of the same oven is compared with a change trend after replacing the heating rod in the same temperature zone of the same oven, and/or, the change trend before replacing the heating rod in the same temperature zones of different furnaces is compared with the change trend after replacing the heating rod in the same temperature zones of different furnaces so as to obtain a Data change value of heating rod replacement.
Dans le cas où la valeur de changement de données du remplacement de la tige de chauffage se situe dans une plage prédéfinie du changement de données du remplacement de la tige de chauffage, si l’on détermine qu’une maintenance et un remplacement préventifs sont réalisés sur la tige de chauffage.In the case where the data change value of the heating rod replacement is within a preset range of the data change of the heating rod replacement, if it is determined that preventive maintenance and replacement are carried out on the heating rod.
Dans le cas où la valeur de changement de données du remplacement de la tige de chauffage ne se situe pas dans une plage prédéfinie du changement de données du remplacement de la tige de chauffage, et une valeur de différence entre la puissance de la tige de chauffage avant remplacement et la puissance de la tige de chauffage après remplacement ne se situe pas dans une plage de différence de puissance prédéfinie, il est déterminé que les performances de la tige de chauffage sont instables.In the case where the data change value of the heating rod replacement is not within a preset range of the data change of the heating rod replacement, and a difference value between the power of the heating rod before replacement and the power of the heating rod after replacement is not within a preset power difference range, it is determined that the performance of the heating rod is unstable.
Dans le cas où une fluctuation de puissance de la tige de chauffage avant remplacement ne se situe pas dans une plage de fluctuations de puissance prédéfinie, une fluctuation de puissance de la tige de chauffage après remplacement se situe dans la plage de fluctuations de puissance prédéfinie, et après que de la tige de chauffage s’est échauffée après remplacement pendant une période de temps de chauffage prédéfinie, une température de la tige de chauffage après le remplacement est maintenue à une température spécifique et une fluctuation de température de la tige de chauffage après remplacement se situe dans une plage de fluctuations de température prédéfinie, si l’on détermine qu’un enregistrement de temps de maintenance de la tige de chauffage est incorrect. L’homme du métier peut définir les plages prédéfinies impliquées dans le mode de réalisation en fonction de la situation réelle de mise en œuvre, qui n’est pas spécifiquement limitée dans le mode de réalisation de la présente demande.In the case where a power fluctuation of the heating rod before replacement is not within a preset power fluctuation range, a power fluctuation of the heating rod after replacement is within the preset power fluctuation range, and after the heating rod heats up after replacement for a preset period of heating time, a temperature of the heating rod after replacement is maintained at a specific temperature and a temperature fluctuation of the heating rod after replacement is within a preset temperature fluctuation range, if a maintenance time record of the heating rod is determined to be incorrect. Those skilled in the art can define the predefined ranges involved in the embodiment according to the actual implementation situation, which is not specifically limited in the embodiment of the present application.
Facultativement, après le remplacement de la tige de chauffage, une analyse d’une tendance de changement de température est réalisée sur les données avant la maintenance de la tige de chauffage et les données après la maintenance de la tige de chauffage en utilisant de multiples modules statistiques dans le mode de réalisation. S’il est déterminé que des paramètres de la tige de chauffage changent de manière significative selon la tendance de changement de température, cela signifie qu’il existe une différence dans la stabilité et d’autres caractéristiques de la tige de chauffage. S’il est déterminé que les données ne changent pas de manière significative après que la tige de chauffage a été remplacée selon la tendance de changement de température, cela indique que l’enregistrement de maintenance est incorrect, ou que la tige de chauffage après le remplacement présente encore des problèmes, ou que le dispositif de détection de température présente des problèmes, et des informations d’alarme correspondantes sont alors générées pour rappeler l’inspection.Optionally, after replacing the heating rod, an analysis of a temperature change trend is performed on the data before maintenance of the heating rod and the data after maintenance of the heating rod using multiple modules statistics in the embodiment. If it is determined that parameters of the heating rod change significantly according to the temperature change trend, it means that there is a difference in the stability and other characteristics of the heating rod. If it is determined that the data does not change significantly after the heating rod is replaced according to the temperature change trend, it indicates that the maintenance record is incorrect, or the heating rod after the replacement still has problems, or the temperature detection device has problems, and corresponding alarm information is generated to remind the inspection.
Par exemple, dans le mode de réalisation, lors de la comparaison et de l’analyse des données avant la maintenance de tige de chauffage et des données après la maintenance de tige de chauffage de la zone de température 4u du four 5 (5#4u), des données avant la maintenance de la tige de chauffage et des données après la maintenance de la tige de chauffage de la zone de température 4u du four 7 (7#4u) et des données avant la maintenance de la tige de chauffage et des données après la maintenance de la tige de chauffage de la zone de température 4u du four 8 (8#4u), on trouve que des paramètres de la tige de chauffage changent de manière significative avant et après la maintenance de tige de chauffage. Cependant, la similarité entre ces trois ensembles de données est que des valeurs moyennes des températures après le remplacement de la tige de chauffage se situent essentiellement autour de 750 degrés Celsius ; la différence est que des écarts types des trois ensembles de données sont différents, et qu’il existe également des différences significatives entre la puissance des tiges de chauffage. Cela signifie qu’il existe des différences dans la stabilité des tiges de chauffage après le remplacement de la tige de chauffage. Ici, 5#4u, 7#4u et 8#4u peuvent également être des tiges de chauffage dans les mêmes zones de température de différents fours.For example, in the embodiment, when comparing and analyzing the data before heating rod maintenance and the data after heating rod maintenance of temperature zone 4u of furnace 5 (5#4u ), data before maintenance of the heating rod and data after maintenance of the heating rod of temperature zone 4u of oven 7 (7#4u) and data before maintenance of the heating rod and data after maintenance of the heating rod of temperature zone 4u of furnace 8 (8#4u), it is found that parameters of the heating rod change significantly before and after maintenance of heating rod. However, the similarity between these three data sets is that average values of temperatures after heating rod replacement are essentially around 750 degrees Celsius; the difference is that standard deviations of the three data sets are different, and there are also significant differences between the power of the heating rods. This means that there are differences in the stability of the heating rods after replacing the heating rod. Here, 5#4u, 7#4u and 8#4u can also be heating rods in the same temperature zones of different furnaces.
Dans le mode de réalisation, lors de la comparaison et de l’analyse des données avant la maintenance de tige de chauffage et des données après la maintenance de tige de chauffage de la zone de température 4u du four 2 (2#4u), on trouve que les données ne changent pas de manière significative après le remplacement. Cependant, il convient de déterminer s’il existe une situation de maintenance et de remplacement préventifs. Dans le mode de réalisation, il convient de déterminer si l’enregistrement de temps de maintenance est incorrect selon la fluctuation de puissance avant et après la maintenance de tige de chauffage. Par exemple, la puissance de la tige de chauffage dans la zone de température 4u du four 6 (6#4u) a fluctué avant la maintenance. Après la maintenance, la puissance réelle de la tige de chauffage est presque constante, et la température de la tige de chauffage fluctue finalement autour de 748,73 degrés Celsius après un bref processus d’échauffement avec un écart type de 2,53 degrés Celsius. Ce motif est exactement opposé à des motifs des trois autres ensembles de données du four 5 (5#), four 7 (7#) et four 8 (8#). Par conséquent, il convient donc de déterminer si l’enregistrement de temps de maintenance est incorrect.In the embodiment, when comparing and analyzing the data before heating rod maintenance and the data after heating rod maintenance of temperature zone 4u of furnace 2 (2#4u), we finds that the data does not change significantly after replacement. However, it should be determined whether a preventative maintenance and replacement situation exists. In the embodiment, it should be determined whether the maintenance time record is incorrect according to the power fluctuation before and after heating rod maintenance. For example, the power of the heating rod in temperature zone 4u of oven 6 (6#4u) fluctuated before maintenance. After maintenance, the actual power of the heating rod is almost constant, and the temperature of the heating rod finally fluctuates around 748.73 degrees Celsius after a brief warm-up process with a standard deviation of 2.53 degrees Celsius . This pattern is exactly opposite to patterns in the other three datasets of Furnace 5 (5#), Furnace 7 (7#), and Furnace 8 (8#). Therefore, it is necessary to determine whether the maintenance time recording is incorrect.
Dans le cas où un vieillissement de la tige de chauffage est déterminé, des informations d’invite sont affichées sur une interface d’affichage et des informations vocales sont envoyées à un dispositif de communication prédéfini.In case aging of the heating rod is determined, prompt information is displayed on a display interface and voice information is sent to a preset communication device.
Un graphique de tendance future des températures de la tige de chauffage peut être visualisé à travers l’interface, et le résultat de surveillance est mis à jour toutes les 30 minutes. La fréquence de mise à jour du résultat de surveillance peut également être réglée en fonction des besoins de l’utilisateur, par exemple une fois par heure, une fois toutes les 10 minutes, etc. Après que l’utilisateur a séquentiellement sélectionné et renseigné la ligne de production et le brûleur principal sur l’interface, l’interface affiche tous les modèles sauvegardés sous ce brûleur. Si l’on clique sur une zone de température spécifique sur la gauche, le graphique de tendance de prédiction de température spécifique de la zone de température peut être affichée. Si le résultat de prédiction de la température de la tige de chauffage se situe dans une plage normale, aucune anomalie de température n’est affichée dans le coin supérieur droit de l’interface. Si le résultat de prédiction montre une anomalie de température, l’anomalie de température est poussée sur le coin supérieur droit de l’interface, et l’équipe sera avertie pour vérifier à temps par « DingTalk » (marque déposée), messagerie texte (SMS), applications de travail (APPs) ou autres. Si la tige de chauffage anormale est remplacée, la fonction de prédiction de la tige de chauffage peut être temporairement suspendue afin d’éviter des alarmes répétées dues à un décalage des données.A future trend graph of heating rod temperatures can be viewed through the interface, and the monitoring result is updated every 30 minutes. The frequency of updating the monitoring result can also be set according to user needs, such as once per hour, once every 10 minutes, etc. After the user has sequentially selected and entered the production line and the main burner on the interface, the interface displays all the models saved under this burner. If a specific temperature zone is clicked on the left, the temperature prediction trend graph specific to the temperature zone can be displayed. If the heating rod temperature prediction result is within a normal range, no temperature abnormality is displayed in the upper right corner of the interface. If the prediction result shows a temperature anomaly, the temperature anomaly is pushed to the upper right corner of the interface, and the team will be notified to check in time by "DingTalk" (registered trademark), text messaging ( SMS), work applications (APPs) or others. If the abnormal heating rod is replaced, the heating rod prediction function can be temporarily suspended to avoid repeated alarms due to data mismatch.
La présente demande fournit un procédé pour prédire le vieillissement d’un composant chauffant dans un système de cuisson de matériau de batterie de traction, qui permet une prévision intelligente du degré de vieillissement d’une tige de chauffage, facilite le maintien d’une température stable de la tige de chauffage, améliore les performances du produit, et réduit les anomalies du processus.The present application provides a method for predicting the aging of a heating component in a traction battery material cooking system, which enables intelligent prediction of the degree of aging of a heating rod, facilitates maintaining a temperature stable heating rod, improves product performance, and reduces process abnormalities.
Sur la base du procédé précédent pour prédire un vieillissement d’un composant chauffant dans un système de cuisson de matériau de batterie de traction, un mode de réalisation de la présente demande fournit en outre un système pour prédire le vieillissement d’un composant chauffant dans un système de cuisson de matériau de batterie de traction. Comme le montre la
Le module d’acquisition de données 1 est configuré pour acquérir des données d’une tige de chauffage dans chaque zone de température d’une pluralité de zones de température d’un four pendant chaque sous-période de temps prédéfinie d’une pluralité de sous-périodes de temps prédéfinies, les données de la tige de chauffage comportant des données de température de la tige de chauffage et des données de puissance de la tige de chauffage.The data acquisition module 1 is configured to acquire data from a heating rod in each temperature zone of a plurality of temperature zones of an oven during each predefined sub-time period of a plurality of predefined sub-time periods, the heating rod data comprising heating rod temperature data and heating rod power data.
Le module d’entraînement de modèle 2 est configuré pour entraîner de multiples modèles de prédiction préliminaire différents selon les données de la tige de chauffage pendant chaque sous-période de temps prédéfinie, et pour obtenir un modèle de prédiction optimal en filtrant les multiples modèles de prédiction préliminaire différents entraînés.The model training module 2 is configured to train multiple different preliminary prediction models according to the heating rod data during each preset sub-time period, and to obtain an optimal prediction model by filtering the multiple models of preliminary prediction different trained.
Le module de prédiction de température 3 est configuré pour délivrer les données de la tige de chauffage pendant une période de temps avant-prédiction prédéfinie dans le modèle de prédiction optimal pour obtenir un résultat de prédiction de la température.The temperature prediction module 3 is configured to output the heating rod data for a preset pre-prediction time period into the optimal prediction model to obtain a temperature prediction result.
Le module de prédiction de vieillissement 4 est configuré pour soustraire le résultat de prédiction de la température d’une valeur de température prédéfinie pour obtenir une valeur de différence entre le résultat de prédiction de la température et la valeur de température prédéfinie, et détecter une puissance de la tige de chauffage dans le cas où la valeur de différence est en dehors d’une plage de valeurs de différence prédéfinie ; et dans le cas où la puissance de la tige de chauffage est supérieure à un seuil de puissance maximal prédéfini, déterminer un vieillissement de la tige de chauffage.The aging prediction module 4 is configured to subtract the temperature prediction result from a preset temperature value to obtain a difference value between the temperature prediction result and the preset temperature value, and detect a power of the heating rod in the case where the difference value is outside a preset difference value range; and in the case where the power of the heating rod is greater than a predefined maximum power threshold, determining an aging of the heating rod.
Le module de prédiction de vieillissement 4 est en outre configuré pour, dans le cas où la puissance de la tige de chauffage est inférieure au seuil de puissance maximal prédéfini, réguler la puissance de la tige de chauffage selon une règle de régulation prédéfinie, détecter une température d’une zone de température du four où se trouve la tige de chauffage après un temps prédéfini, et dans le cas où la température de la zone de température du four est inférieure à un seuil de température prédéfini, déterminer un vieillissement de la tige de chauffage.The aging prediction module 4 is further configured to, in the case where the power of the heating rod is lower than the predefined maximum power threshold, regulate the power of the heating rod according to a predefined regulation rule, detect a temperature of a temperature zone of the oven where the heating rod is located after a preset time, and in the case where the temperature of the temperature zone of the oven is lower than a preset temperature threshold, determining an aging of the rod of heating.
En ce qui concerne la limitation du système pour prédire le vieillissement d’un composant chauffant dans un système de cuisson de matériau de batterie de traction, on peut se référer à la limitation du procédé pour prédire le vieillissement d’un composant chauffant dans un système de cuisson de matériau de batterie de traction, qui n’est pas répétée ici. Les multiples modules du système précédent peuvent être entièrement ou partiellement mis en œuvre au moyen de logiciels, de matériel ou d’une combinaison de logiciels et de matériel. Chaque module décrit ci-dessus peut être intégré ou indépendant d’un processeur dans un dispositif informatique sous une forme matérielle, ou stocké dans une mémoire dans un dispositif informatique sous une forme matérielle de sorte que le processeur puisse invoquer et exécuter une opération correspondant à chacun des modules décrits ci-dessus.Regarding the limitation of the system for predicting the aging of a heating component in a traction battery material firing system, reference may be made to the limitation of the method for predicting the aging of a heating component in a system. firing of traction battery material, which is not repeated here. The multiple modules of the previous system can be fully or partially implemented using software, hardware, or a combination of software and hardware. Each module described above may be integrated into or independent of a processor in a computing device in hardware form, or stored in memory in a computing device in hardware form such that the processor can invoke and execute an operation corresponding to each of the modules described above.
La
Il doit être compris par les personnes de compétence ordinaire dans l’art que la structure illustrée dans la
En résumé, la présente demande fournit un procédé et un système pour prédire le vieillissement d’un composant chauffant dans un système de cuisson de matériau de batterie de traction. Le procédé comporte les étapes décrites ci-dessous. Des données d’une tige de chauffage dans chaque zone de température de multiples zones de température d’un four sont acquises pendant chaque sous-période de temps prédéfinie de sous-périodes de temps prédéfinies, les données de la tige de chauffage comportant des données de température de la tige de chauffage et des données de puissance de la tige de chauffage ; de multiples modèles de prédiction préliminaire différents sont entraînés selon les données de la tige de chauffage pendant la sous-périodes de temps prédéfinies, et un modèle de prédiction optimal est obtenu ; des données de la tige de chauffage d’une période de temps avant-prédiction prédéfinie sont entrées dans le modèle de prédiction optimal se sorte à obtenir un résultat de prédiction de la température ; le résultat de prédiction de la température est soustrait d’une valeur de température prédéfinie de sorte à obtenir une valeur de différence entre le résultat de prédiction de la température et la valeur de température prédéfinie, et à détecter une puissance de la tige de chauffage dans le cas où la valeur de différence dépasse une plage prédéfinie ; et dans le cas où la puissance de la tige de chauffage est supérieure à un seuil de puissance maximal prédéfini, un vieillissement de la tige de chauffage est déterminé. La présente demande permet non seulement une prédiction rapide et intelligente du degré de vieillissement d’une tige de chauffage, mais elle améliore aussi considérablement la précision et la rationalité du résultat de prédiction de vieillissement.In summary, the present application provides a method and system for predicting the aging of a heating component in a traction battery material curing system. The process involves the steps described below. Data of a heating rod in each temperature zone of multiple temperature zones of a furnace is acquired during each preset sub-time period of preset sub-time periods, the data of the heating rod comprising data heating rod temperature and heating rod power data; multiple different preliminary prediction models are trained according to the heating rod data during the preset sub-time periods, and an optimal prediction model is obtained; data of the heating rod of a preset pre-prediction time period is inputted into the optimal prediction model so as to obtain a temperature prediction result; the temperature prediction result is subtracted from a preset temperature value so as to obtain a difference value between the temperature prediction result and the preset temperature value, and detecting a power of the heating rod in the case where the difference value exceeds a preset range; and in the case where the power of the heating rod is greater than a predefined maximum power threshold, aging of the heating rod is determined. The present application not only enables rapid and intelligent prediction of the aging degree of a heating rod, but also greatly improves the accuracy and rationality of the aging prediction result.
Les multiples modes de réalisation dans la description sont décrits de manière progressive. Les parties identiques ou similaires dans les multiples modes de réalisation se réfèrent les unes aux autres. Chaque mode de réalisation met l’accent sur les différences par rapport aux autres modes de réalisation. Étant donné que les modes de réalisation de système sont sensiblement similaires aux modes de réalisation de procédé, la description est relativement simple. Pour le contenu connexe, il est possible de se référer à une description partielle des modes de réalisation de procédé. Il convient de noter que de multiples caractéristiques techniques des modes de réalisation précédents peuvent être combinées de n’importe quelle manière. Par souci de concision, toutes les combinaisons possibles des multiples caractéristiques techniques dans les modes de réalisation précédents ne sont pas décrites. Cependant, tant que les combinaisons de ces caractéristiques techniques ne sont pas contradictoires, ces combinaisons doivent être interprétées comme relevant de la portée de la divulgation.The multiple embodiments in the description are described progressively. The same or similar parts in the multiple embodiments refer to each other. Each embodiment emphasizes the differences from other embodiments. Since the system embodiments are substantially similar to the method embodiments, the description is relatively simple. For related content, reference may be made to a partial description of method embodiments. It should be noted that multiple technical features of the previous embodiments can be combined in any way. For the sake of brevity, all possible combinations of the multiple technical characteristics in the preceding embodiments are not described. However, as long as the combinations of these technical features are not contradictory, these combinations should be interpreted as falling within the scope of the disclosure.
Légende de la
S11 : Acquérir des données d’une tige de chauffage dans chaque zone de température de multiples zones de température d’un four pendant chaque sous-période de temps prédéfinie.S11: Acquire data from a heating rod in each temperature zone of multiple temperature zones of a furnace during each preset sub-time period.
S12 : Entraîner de multiples modèles de prédiction préliminaire différents selon les données de la tige de chauffage pendant chaque sous-période de temps prédéfinie, et filtrer les différents modèles de prédiction préliminaires entraînés pour obtenir un modèle de prédiction optimal.S12: Training multiple different preliminary prediction models according to the heating rod data during each preset sub-time period, and filtering the different trained preliminary prediction models to obtain an optimal prediction model.
S13 : Entrer les données de la tige de chauffage pendant une période de temps avant-prédiction prédéfinie dans le modèle de prédiction optimal pour obtenir un résultat de prédiction de la température.S13: Input the heating rod data for a preset pre-prediction time period into the optimal prediction model to obtain a temperature prediction result.
S14 : Soustraire le résultat de prédiction de la température d’une valeur de température prédéfinie pour obtenir une valeur de différence entre le résultat de prédiction de la température et la valeur de température prédéfinie, et détecter une puissance de la tige de chauffage dans le cas où la valeur de différence est en dehors d’une plage de valeurs de différence prédéfinie.S14: Subtracting the temperature prediction result from a preset temperature value to obtain a difference value between the temperature prediction result and the preset temperature value, and detecting a power of the heating rod in the case where the difference value is outside a predefined difference value range.
S15 : Déterminer un vieillissement de la tige de chauffage dans le cas où la puissance de la tige de chauffage est supérieure à un seuil de puissance maximal prédéfini.S15: Determine aging of the heating rod in the case where the power of the heating rod is greater than a predefined maximum power threshold.
Claims (10)
l’acquisition (S11) de données d’une tige de chauffage dans chaque zone de température d’une pluralité de zones de température d’un four pendant chaque sous-période de temps prédéfinie, dans lequel les données de la tige de chauffage comprennent des données de température de la tige de chauffage et des données de puissance de la tige de chauffage ;
l’entraînement (S12) d’une pluralité de différents modèles de prédiction préliminaires selon les données de la tige de chauffage pendant chaque sous-période de temps prédéfinie, et le filtrage des différents modèles de prédiction préliminaires entraînés pour obtenir un modèle de prédiction optimal ;
l’entrée (S13) des données de la tige de chauffage pendant une période de temps avant-prédiction prédéfinie dans le modèle de prédiction optimal pour obtenir un résultat de prédiction de la température ;
la soustraction (S14) du résultat de prédiction de la température d’une valeur de température prédéfinie pour obtenir une valeur de différence entre le résultat de prédiction de la température et la valeur de température prédéfinie, et la détection d’une puissance de la tige de chauffage dans le cas où la valeur de différence est en dehors d’une plage de valeurs de différence prédéfinie ; et
la détermination (S15) d’un vieillissement de la tige de chauffage dans le cas où la puissance de la tige de chauffage est supérieure à un seuil de puissance maximal prédéfini.Method for predicting the aging of a heating component in a traction battery material cooking system, characterized in that it comprises:
acquiring (S11) data from a heating rod in each temperature zone of a plurality of temperature zones of a furnace during each preset sub-time period, wherein the heating rod data includes temperature data of the heating rod and power data of the heating rod;
training (S12) a plurality of different preliminary prediction models according to the data of the heating rod during each preset sub-time period, and filtering the different trained preliminary prediction models to obtain an optimal prediction model ;
inputting (S13) the data of the heating rod for a preset pre-prediction time period into the optimal prediction model to obtain a temperature prediction result;
subtracting (S14) the temperature prediction result from a preset temperature value to obtain a difference value between the temperature prediction result and the preset temperature value, and detecting a power of the rod heating in the case where the difference value is outside a preset difference value range; And
determining (S15) an aging of the heating rod in the case where the power of the heating rod is greater than a predefined maximum power threshold.
la régulation de la puissance de la tige de chauffage selon une règle de régulation prédéfinie, et la détection de la temperature d’une zone de température où se trouve la tige de chauffage après un temps prédéfini, dans le cas où la puissance de la tige de chauffage est inférieure au seuil de puissance maximal prédéfini ; et
la détermination d’un vieillissement de la tige de chauffage dans le cas où la température de la zone de température où se trouve la tige de chauffage reste inchangée, ou une valeur croissante de la température de la zone de température où se trouve la tige de chauffage est inférieure à un seuil de température prédéfini.A method for predicting the aging of the heating component in the traction battery material curing system according to claim 1, further comprising:
regulating the power of the heating rod according to a preset regulation rule, and detecting the temperature of a temperature zone where the heating rod is located after a preset time, in the case where the power of the rod heating is lower than the predefined maximum power threshold; And
determining an aging of the heating rod in the case where the temperature of the temperature zone where the heating rod is located remains unchanged, or an increasing value of the temperature of the temperature zone where the heating rod is located heating is below a predefined temperature threshold.
l’envoi d’informations indiquant que la tige de chauffage dans une zone de température du four doit être remplacée dans le cas où un vieillissement de la tige de chauffage dans une zone de température du four est déterminé ;
l’acquisition à nouveau de données de la tige de chauffage après avoir détecté un remplacement de la tige de chauffage, pour obtenir des données de la tige de chauffage après le remplacement de la tige de chauffage ;
l’analyse de données de la tige de chauffage avant le remplacement de la tige de chauffage et de données de la tige de chauffage après le remplacement de la tige de chauffage dans la zone de température du four, en utilisant une pluralité de modules statistiques, pour obtenir une tendance de changement avant le remplacement de la tige de chauffage et une tendance de changement après le remplacement de la tige de chauffage dans la zone de température du four, dans lequel les modules statistiques comprennent une valeur moyenne, une variance, une dissymétrie et un coefficient d’aplatissement ; et
la détermination d’un état de la tige de chauffage selon la tendance de changement avant le remplacement de la tige de chauffage et la tendance de changement après le remplacement de la tige de chauffage.A method for predicting the aging of the heating component in the traction battery material curing system according to claim 1, further comprising:
sending information indicating that the heating rod in a furnace temperature zone needs to be replaced in the case that aging of the heating rod in a furnace temperature zone is determined;
reacquiring data of the heating rod after detecting replacement of the heating rod, to obtain data of the heating rod after replacing the heating rod;
analyzing data of the heating rod before replacing the heating rod and data of the heating rod after replacing the heating rod in the temperature zone of the furnace, using a plurality of statistical modules, for obtaining a change trend before replacing the heating rod and a change trend after replacing the heating rod in the temperature zone of the furnace, wherein the statistical modules include average value, variance, skewness and a kurtosis coefficient; And
determining a state of the heating rod according to the change trend before replacing the heating rod and the change trend after replacing the heating rod.
comparer la tendance de changement avant le remplacement de la tige de chauffage avec la tendance de changement après le remplacement de la tige de chauffage dans la zone de température du four ; pour obtenir la valeur de changement de données du remplacement de la tige de chauffage ;
la détermination de la réalisation ou non d’une maintenance et d’un remplacement préventifs sur la tige de chauffage, dans le cas où la valeur de changement de données du remplacement de la tige de chauffage se situe dans une plage prédéfinie du changement de données du remplacement de la tige de chauffage ;
la détermination d’une instabilité des performances de la tige de chauffage dans le cas où la valeur de changement de données du remplacement de la tige de chauffage ne se situe pas dans une plage prédéfinie du changement de données du remplacement de la tige de chauffage, et une valeur de différence entre la puissance de la tige de chauffage avant remplacement et la puissance de la tige de chauffage après remplacement ne se situe pas dans une plage de différence de puissance prédéfinie ; et
la détermination précisant si un enregistrement de temps de maintenance de la tige de chauffage est incorrect dans le cas où une fluctuation de puissance de la tige de chauffage avant remplacement est en dehors d’une plage de fluctuations de puissance prédéfinie, une fluctuation de puissance de la tige de chauffage après remplacement se situe dans la plage de fluctuations de puissance prédéfinie, et après que de la tige de chauffage s’est échauffée après remplacement pendant une période de temps de chauffage prédéfinie, une température de la tige de chauffage après remplacement est maintenue à une température spécifique et une fluctuation de température de la tige de chauffage après remplacement se situe dans une plage de fluctuations de température prédéfinie.A method for predicting the aging of the heating component in the traction battery material curing system according to claim 3, wherein determining the condition of the heating rod according to the change trend before replacing the heating rod and the change trend after replacing the heating rod includes:
comparing the change trend before replacing the heating rod with the change trend after replacing the heating rod in the temperature zone of the furnace; to get the data change value of heating rod replacement;
determining whether to perform preventive maintenance and replacement on the heating rod, in the case where the data change value of replacing the heating rod is within a preset range of the data change replacement of the heating rod;
determining instability in the performance of the heating rod in the case where the data change value of the heating rod replacement is not within a preset range of the data change of the heating rod replacement, and a difference value between the power of the heating rod before replacement and the power of the heating rod after replacement is not within a preset power difference range; And
determining whether a maintenance time record of the heating rod is incorrect in the case where a power fluctuation of the heating rod before replacement is outside a preset power fluctuation range, a power fluctuation of the heating rod after replacement is within the preset power fluctuation range, and after the heating rod after replacement has heated up for a preset heating time period, a temperature of the heating rod after replacement is maintained at a specific temperature and a temperature fluctuation of the heating rod after replacement is within a preset temperature fluctuation range.
la construction d’un modèle de prédiction pour la tige de chauffage, et la détermination d’un nombre de séries d’entraînement et d’une condition de filtrage de modèle de conditions de filtrage de modèle correspondant à chaque série d’entraînement des séries d’entraînement, dans lequel le modèle de prédiction pour la tige de chauffage comprend une pluralité de différents modèles de prédiction préliminaires présélectionnés ;
la détermination d’un ensemble de données à entrer pour l’entraînement et d’un ensemble de données à entrer pour le test dans chacune des séries d’entraînement selon les données de la tige de chauffage dans une sous-période de temps prédéfinie correspondant à chacune des séries d’entraînement ;
dans chacune des séries d’entraînement, l’entraînement et le test du modèle de prédiction pour la tige de chauffage sur l’ensemble de données à entrer pour l’entraînement et l’ensemble de données à entrer pour le test pour délivrer une erreur de prédiction de test, le filtrage de la pluralité de différents modèles de prédiction préliminaires dans le modèle de prédiction pour la tige de chauffage selon l’erreur de prédiction de test délivrée et une condition de filtrage de modèle correspondant à une série d’entraînement actuelle pour obtenir un modèle d’examen de prédiction pour la tige de chauffage, et l’utilisation du modèle d’examen de prédiction pour la tige de chauffage comme modèle de prédiction pour la tige de chauffage dans une série d’entraînement suivante pour réaliser l’entraînement et le test du modèle de prédiction pour la tige de chauffage dans la série d’entraînement suivante jusqu’à ce que les séries d’entraînement soient réalisées ; et
la détermination du modèle de prédiction optimal selon une erreur de prédiction de test délivrée par une série d’entraînement finale et une condition de filtrage de modèle correspondant à la série d’entraînement finale.A method for predicting the aging of the heating component in the traction battery material firing system according to claim 1, wherein training (S12) the plurality of different preliminary prediction models according to the heating rod data during each predefined time sub-period, and the filtering of the different preliminary prediction models trained to obtain the optimal prediction model include:
constructing a prediction model for the heating rod, and determining a number of training sets and a model filtering condition of model filtering conditions corresponding to each training set of the sets training, wherein the prediction model for the heating rod comprises a plurality of different preselected preliminary prediction models;
determining a set of data to be input for training and a set of data to be input for testing in each of the training sets according to the data of the heating rod in a corresponding preset sub-time period during each training series;
in each of the training sets, training and testing the prediction model for the heating rod on the data set to be input for training and the data set to be input for testing to output an error test prediction, filtering the plurality of different preliminary prediction models in the prediction model for the heating rod according to the output test prediction error and a model filtering condition corresponding to a current training series to obtain a prediction examination model for the heating rod, and using the prediction examination model for the heating rod as a prediction model for the heating rod in a subsequent training round to realize the training and testing the prediction model for the heating rod in the next training series until the training series are completed; And
determining the optimal prediction model according to a test prediction error output by a final training set and a model filtering condition corresponding to the final training set.
dans le cas où les séries d’entraînement comprennent deux séries, la sous-période de temps prédéfinie comprend une période de temps prédéfinie avant la maintenance de tige de chauffage et une période de temps prédéfinie après la maintenance de tige de chauffage correspondant à une première série d’entraînement, et une période de temps prédéfinie avant la prédiction de la tige de chauffage correspondant à une deuxième série d’entraînement, et les conditions de filtrage de modèle comprennent une première condition de filtrage de série correspondant à la première série d’entraînement et une deuxième condition de filtrage de série correspondant à la deuxième série d’entraînement ;
la première condition de filtrage de série comprend le filtrage d’une erreur de prédiction de test dans une première plage d’erreurs de test prédéfinie dans la première série d’entraînement, et la sélection d’un modèle de prédiction préliminaire correspondant à l’erreur de prédiction de test filtrée dans la première plage d’erreurs de test prédéfinie dans la première série d’entraînement, dans des modèles de prédiction pour la tige de chauffage de la première série d’entraînement, pour former un modèle de filtrage de prédiction pour la tige de chauffage de la première série d’entraînement ; et
la deuxième condition de filtrage de série comprend le filtrage d’une erreur de prédiction de test avec une valeur minimale dans la deuxième série d’entraînement, la sélection d’un modèle de prédiction préliminaire correspondant à l’erreur de prédiction de test filtrée avec la valeur minimale, dans des modèles de prédiction pour la tige de chauffage de la deuxième série d’entraînement, et l’utilisation du modèle de prédiction préliminaire correspondant à l’erreur de prédiction de test filtrée avec la valeur minimale comme modèle de prédiction optimal.A method for predicting the aging of the heating component in the traction battery material curing system according to claim 5, wherein
in the case where the training series comprises two series, the predefined sub-time period comprises a predefined time period before the heating rod maintenance and a predefined time period after the heating rod maintenance corresponding to a first training series, and a predefined period of time before the prediction of the heating rod corresponding to a second training series, and the model filtering conditions include a first series filtering condition corresponding to the first series of training training and a second series filtering condition corresponding to the second training series;
the first series filtering condition includes filtering a test prediction error in a first predefined test error range in the first training series, and selecting a preliminary prediction model corresponding to the test prediction error filtered in the first preset test error range in the first training series, in prediction models for the heating rod of the first training series, to form a prediction filtering model for the heating rod of the first drive series; And
the second series filtering condition includes filtering a test prediction error with a minimum value in the second training series, selecting a preliminary prediction model corresponding to the filtered test prediction error with the minimum value, in prediction models for the heating rod of the second training series, and using the preliminary prediction model corresponding to the test prediction error filtered with the minimum value as the optimal prediction model .
l’affichage d’informations d’invite sur une interface d’affichage et l’envoi d’informations vocales à un dispositif de communication prédéfini dans le cas où un vieillissement de la tige de chauffage est déterminé.A method for predicting the aging of the heating component in the traction battery material curing system according to claim 1, further comprising:
displaying prompt information on a display interface and sending voice information to a preset communication device in case aging of the heating rod is determined.
un module d’acquisition de données (1) configuré pour acquérir des données d’une tige de chauffage dans chaque zone de température d’une pluralité de zones de température d’un four pendant chaque sous-période de temps prédéfinie, dans lequel les données de la tige de chauffage comprennent des données de température de la tige de chauffage et des données de puissance de la tige de chauffage
un module d’entraînement de modèle (2) configuré pour entraîner une pluralité de différents modèles de prédiction préliminaires selon les données de la tige de chauffage pendant chaque sous-période de temps prédéfinie, et filtrer les différents modèles de prédiction préliminaires entraînés pour obtenir un modèle de prédiction optimal ;
un module de prédiction de température (3) configuré pour délivrer les données de la tige de chauffage pendant une période de temps avant-prédiction prédéfinie dans le modèle de prédiction optimal pour obtenir un résultat de prédiction de la température ; et
un module de prédiction de vieillissement (4) configuré pour soustraire le résultat de prédiction de la température d’une valeur de température prédéfinie pour obtenir une valeur de différence entre le résultat de prédiction de la température et la valeur de température prédéfinie, et détecter une puissance de la tige de chauffage dans le cas où la valeur de différence est en dehors d’une plage de valeurs de différence prédéfinie ; et dans le cas où la puissance de la tige de chauffage est supérieure à un seuil de puissance maximal prédéfini, déterminer un vieillissement de la tige de chauffage.System for predicting the aging of a heating component in a traction battery material curing system, comprising:
a data acquisition module (1) configured to acquire data from a heating rod in each temperature zone of a plurality of temperature zones of an oven during each predefined sub-time period, wherein the heating rod data includes heating rod temperature data and heating rod power data
a model training module (2) configured to train a plurality of different preliminary prediction models according to the heating rod data during each preset sub-time period, and filter the different trained preliminary prediction models to obtain a optimal prediction model;
a temperature prediction module (3) configured to output the data of the heating rod for a preset pre-prediction time period into the optimal prediction model to obtain a temperature prediction result; And
an aging prediction module (4) configured to subtract the temperature prediction result from a preset temperature value to obtain a difference value between the temperature prediction result and the preset temperature value, and detect an power of the heating rod in the case where the difference value is outside a preset difference value range; and in the case where the power of the heating rod is greater than a predefined maximum power threshold, determining an aging of the heating rod.
A computer-readable storage medium storing a computer program which, when executed by a processor, implements the steps of the method according to any one of claims 1 to 7.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211646615.2A CN115964942B (en) | 2022-12-19 | 2022-12-19 | Aging prediction method and system for heating component of power battery material firing system |
| CN2022116466152 | 2022-12-19 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| FR3143749A1 true FR3143749A1 (en) | 2024-06-21 |
Family
ID=87352264
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR2314519A Pending FR3143749A1 (en) | 2022-12-19 | 2023-12-19 | METHOD AND SYSTEM FOR PREDICTING THE AGING OF A HEATING COMPONENT IN A TRACTION BATTERY MATERIAL COOKING SYSTEM |
Country Status (3)
| Country | Link |
|---|---|
| CN (1) | CN115964942B (en) |
| FR (1) | FR3143749A1 (en) |
| WO (1) | WO2024130882A1 (en) |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102212663B1 (en) * | 2018-05-22 | 2021-02-05 | 주식회사 석영시스템즈 | An apparatus for hvac system input power control based on target temperature and method thereof |
| EP3826102A1 (en) * | 2019-11-20 | 2021-05-26 | Vestas Wind Systems A/S | Model based monitoring of battery system |
| CN111581889B (en) * | 2020-05-26 | 2023-05-26 | 瑞纳智能设备股份有限公司 | Fault prediction method, system and equipment for heat supply equipment component |
| CN112279507B (en) * | 2020-10-23 | 2021-09-17 | 南京玻璃纤维研究设计院有限公司 | Temperature control method and device, electronic equipment and system |
| CN112307617B (en) * | 2020-10-29 | 2024-05-17 | 中国科学技术大学 | Prediction method for thermal runaway propagation behavior of cylindrical lithium ion battery module |
| CN112697306A (en) * | 2020-12-09 | 2021-04-23 | 东软睿驰汽车技术（沈阳）有限公司 | Method and device for detecting temperature abnormality inside battery pack and related product |
| CN112508118B (en) * | 2020-12-16 | 2023-08-29 | 平安科技（深圳）有限公司 | Target object behavior prediction method aiming at data offset and related equipment thereof |
| CN113139338B (en) * | 2021-04-15 | 2023-04-07 | 广州小鹏汽车科技有限公司 | Temperature prediction method, temperature prediction device and vehicle |
| CN114622048B (en) * | 2022-03-15 | 2023-12-01 | 恒创数字科技(江苏)有限公司 | Hot blast stove combustion optimization system and method |
| CN115186581A (en) * | 2022-06-29 | 2022-10-14 | 天津布尔科技有限公司 | Engine water temperature fault prediction method and device and storage medium |
| CN115291513A (en) * | 2022-07-15 | 2022-11-04 | 国网河北能源技术服务有限公司 | Boiler reheat steam temperature prediction method and device, terminal equipment and storage medium |
-
2022
- 2022-12-19 CN CN202211646615.2A patent/CN115964942B/en active Active
-
2023
- 2023-03-29 WO PCT/CN2023/084577 patent/WO2024130882A1/en unknown
- 2023-12-19 FR FR2314519A patent/FR3143749A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| CN115964942A (en) | 2023-04-14 |
| CN115964942B (en) | 2023-12-12 |
| WO2024130882A1 (en) | 2024-06-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3548900B1 (en) | Failure state prediction for automated analyzers for analyzing a biological sample | |
| US20200082278A1 (en) | Soldering process parameter suggestion method and system thereof | |
| FR3143743A1 (en) | REDICTION METHOD AND SYSTEM FOR FURNACE TEMPERATURE, DEVICE AND MEDIUM-METHOD AND SYSTEM FOR PREDICTING THE TEMPERATURE OF AN OVEN, DEVICE AND SUPPORT | |
| JP6073117B2 (en) | Automatic analyzer, automatic analysis method | |
| FR3067154A1 (en) | METHOD FOR TREND ANALYSIS AND AUTOMATIC ADJUSTMENT OF ALARM PARAMETERS | |
| BRPI1010400A2 (en) | image detection system, software, apparatus and image detection method for controlling combustion equipment | |
| US20090143873A1 (en) | Batch process monitoring using local multivariate trajectories | |
| TW201945987A (en) | System and method for predicting abnormal condition of processing | |
| Xu et al. | Predicting post-therapeutic visual acuity and OCT images in patients with central serous chorioretinopathy by artificial intelligence | |
| FR3143749A1 (en) | METHOD AND SYSTEM FOR PREDICTING THE AGING OF A HEATING COMPONENT IN A TRACTION BATTERY MATERIAL COOKING SYSTEM | |
| EP4363938A1 (en) | Method for monitoring a system and associated computer program product | |
| CN110531276B (en) | Battery condition detection method and device | |
| US20230195100A1 (en) | System and method for development and deployment of self-organizing cyber-physical systems for manufacturing industries | |
| TW201937384A (en) | Data processing method, data processing apparatus, data processing system, and recording medium having recorded therein data processing program | |
| EP4121830A1 (en) | Method for predicting clogging of distillation column(s) in a refinery, computer program and associated prediction system | |
| WO2023247127A1 (en) | Method for validating the predictions of a supervised model for multivariate quantative analysis of spectral data | |
| Tafesse et al. | Risk factors associated with the incidence and recurrence of hyperkalaemia in patients with cardiorenal conditions | |
| Mauro et al. | Relationship between dynamic instability of individual microtubules and flux of subunits into and out of polymer | |
| EP1069486B1 (en) | Method for controlling a complex dynamic process | |
| Liu et al. | The optimal burn-in: state of the art and new advances for cost function formulation | |
| CA2154852A1 (en) | Complete sequences and fail sequences detecting method for situation recognition system | |
| CN118014051B (en) | Multi-mode large model increment learning method and device and computer equipment | |
| JP7055258B1 (en) | Learning device, inference device, diagnostic system, model generation method and program | |
| Salovic | Data Analytics for Automotive Diagnosis | |
| Zhang et al. | Battery capacity knee-onset identification and early prediction using degradation curvature |