一种汽车蓄电池智能监测方法、装置及系统

技术领域

本发明涉及车联网技术领域，特别涉及一种汽车蓄电池智能监测方法、装置及系统。

背景技术

目前，随着车联网技术的发展，越来越多的目标车辆被连接在网络之中，车联网技术也成为汽车技术中重要的一部分。通过车联网技术可以对汽车各个零部件的工作状态进行监控，这其中就包括对汽车蓄电池工作状态的监控。

蓄电池是目标车辆中不可缺少的功能部件，其在目标车辆使用过程中发挥重要作用。例如，启动发动机时，蓄电池给起动机提供强大的启动电流；在发动机过载时，蓄电池协助发动机向用电设备供电；当发动机处于怠速时，蓄电池向用电设备供电。但是随着循环次数增加和长时间老化，汽车蓄电池往往会发生不可预知的故障。因此，快速、高效的监测蓄电池的实际状态并进行状态分析，是蓄电池维护的必要环节。

现有的蓄电池状态监测技术手段主要有两种：一是通过汽车蓄电池诊断设备对汽车蓄电池进行检测，但是这种离线的对目标车辆蓄电池状态进行检测是无法及时动态的了解汽车蓄电池的健康状态，同时，离线检测需要专业的目标车辆检修人员才能进行。二是基于车联网中大量车辆的蓄电池相关的参数信号数据，建立电池状态监测相关模型，并根据该模型基于获取的当前监测数据分析出待监测蓄电池的运行状态，但是这种方法得到的状态分析结果准确性较低，并且使用成本较高。

发明内容

针对现有技术的上述问题，本发明的目的在于提供一种汽车蓄电池智能监测方法、装置及系统，能够提高蓄电池状态监测结果的准确性。

为了解决上述问题，本发明提供一种汽车蓄电池智能监测方法，包括：

车载终端获取目标车辆的待监测蓄电池的当前监测数据；

所述车载终端将所述当前监测数据发送至云端平台；

所述云端平台根据所述当前监测数据，利用与所述目标车辆对应的状态评估模型确定所述待监测蓄电池的当前状态信息；其中，所述状态评估模型通过使用所述待监测蓄电池的历史监测数据基于通用评估模型进行训练确定，所述通用评估模型根据多个车辆的蓄电池的历史监测数据基于机器学习算法确定；

所述云端平台将所述待监测蓄电池的当前状态信息发送至与所述目标车辆对应的用户端。

进一步地，所述云端平台将所述待监测蓄电池的当前状态信息发送至与所述目标车辆对应的用户端包括：

所述云端平台将所述待监测蓄电池的当前状态信息发送至所述车载终端；

和/或，

所述云端平台将所述待监测蓄电池的当前状态信息发送至与所述目标车辆对应的移动终端。

进一步地，所述方法还包括：

当所述待监测蓄电池的当前状态信息满足预设条件时，所述云端平台根据所述当前监测数据和所述当前状态信息，利用与所述目标车辆对应的因素分析模型确定所述待监测蓄电池的状态影响因素；其中，所述因素分析模型通过使用所述待监测蓄电池的历史监测数据基于通用分析模型进行训练确定，所述通用分析模型根据多个车辆的蓄电池的历史监测数据基于机器学习算法确定；

所述云端平台将所述待监测蓄电池的状态影响因素发送至与所述目标车辆对应的用户端。

本发明另一方面提供一种汽车蓄电池智能监测方法，包括：

获取目标车辆的待监测蓄电池的当前监测数据；

根据所述当前监测数据，利用与所述目标车辆对应的状态评估模型确定所述待监测蓄电池的当前状态信息；其中，所述状态评估模型通过使用所述待监测蓄电池的历史监测数据基于通用评估模型进行训练确定，所述通用评估模型根据多个车辆的蓄电池的历史监测数据基于机器学习算法确定；

将所述待监测蓄电池的当前状态信息发送至与所述目标车辆对应的用户端。

进一步地，所述方法还包括：

当所述待监测蓄电池的当前状态信息满足预设条件时，根据所述当前监测数据和所述当前状态信息，利用与所述目标车辆对应的因素分析模型确定所述待监测蓄电池的状态影响因素；其中，所述因素分析模型通过使用所述待监测蓄电池的历史监测数据基于通用分析模型进行训练确定，所述通用分析模型根据多个车辆的蓄电池的历史监测数据基于机器学习算法确定；

将所述待监测蓄电池的状态影响因素发送至与所述目标车辆对应的用户端。

进一步地，所述通用评估模型的建立方法包括：

获取多个车辆的蓄电池的历史监测数据，生成历史监测数据集合；

基于至少一种融合算法对所述历史监测数据集合中的数据进行融合，生成训练数据集合；

构建蓄电池监测的第一神经网络模型；

基于机器学习算法，使用所述训练数据集合中的数据对所述第一神经网络模型进行训练，得到所述通用评估模型；

所述通用分析模型的建立方法包括：

构建蓄电池监测的第二神经网络模型；

将所述训练数据集合中的数据输入所述通用评估模型，得到多个车辆的蓄电池的历史状态信息集合；

基于机器学习算法，使用所述训练数据集合中的数据和所述历史状态信息集合中的信息对所述第二神经网络模型进行训练，得到所述通用分析模型。

进一步地，所述状态评估模型的建立方法包括：

获取所述目标车辆的待监测蓄电池的历史监测数据；

基于至少一种融合算法对所述历史监测数据进行融合，生成训练数据；

使用所述训练数据对所述通用评估模型进行训练，得到所述状态评估模型；

所述因素分析模型的建立方法包括：

将所述训练数据输入所述状态评估模型，得到所述目标车辆的待监测蓄电池的历史状态信息；

使用所述训练数据和所述历史状态信息对所述通用分析模型进行训练，得到所述因素分析模型。

具体地，所述当前监测数据和所述历史监测数据均包括：蓄电池参数数据、蓄电池充放电行为数据、目标车辆行驶数据以及外部环境数据。

本发明另一方面提供一种汽车蓄电池智能监测装置，包括：

获取模块，用于获取目标车辆的待监测蓄电池的当前监测数据；

第一确定模块，用于根据所述当前监测数据，利用与所述目标车辆对应的状态评估模型确定所述待监测蓄电池的当前状态信息；其中，所述状态评估模型通过使用所述待监测蓄电池的历史监测数据基于通用评估模型进行训练确定，所述通用评估模型根据多个车辆的蓄电池的历史监测数据基于机器学习算法确定；

第一发送模块，用于将所述待监测蓄电池的当前状态信息发送至与所述目标车辆对应的用户端。

本发明另一方面提供一种汽车蓄电池智能监测系统，包括车载终端和云端平台；

所述车载终端，用于获取目标车辆的待监测蓄电池的当前监测数据；将所述当前监测数据发送至云端平台；

所述云端平台，用于根据所述当前监测数据，利用与所述目标车辆对应的状态评估模型确定所述待监测蓄电池的当前状态信息；其中，所述状态评估模型通过使用所述待监测蓄电池的历史监测数据基于通用评估模型进行训练确定，所述通用评估模型根据多个车辆的蓄电池的历史监测数据基于机器学习算法确定；将所述待监测蓄电池的当前状态信息发送至与所述目标车辆对应的用户端。

由于上述技术方案，本发明具有以下有益效果：

(1)本发明的汽车蓄电池智能监测方法，通过建立状态评估模型和因素分析模型，提供对蓄电池运行状态的分析结果和对蓄电池运行状态的影响因素的分析结果，能够及时发现或预判蓄电池的异常或故障，提高蓄电池运行的稳定性、安全性和可靠性，并且能够定位产生异常或故障的原因。

(2)本发明的汽车蓄电池智能监测方法，在建立状态评估模型和因素分析模型的过程中，首先基于大数据中大量车辆的蓄电池的历史监测数据训练通用评估模型和通用分析模型，再根据目标车辆的待监测蓄电池的历史监测数据对所述通用评估模型和通用分析模型进行训练得到与所述目标车辆相对应的状态评估模型和因素分析模型，能够增加模型与待监测蓄电池的相关性，提高模型的准确度，从而提高蓄电池状态监测结果的准确性。

(3)本发明的汽车蓄电池智能监测方法，在模型的训练过程中考虑车辆用户的使用习惯以及外部环境等因素对蓄电池使用状态的影响，能够准确分析对所述待监测蓄电池状态有较大影响的各类因素，从而指导用户采取合理的措施来延长蓄电池的使用寿命，以及当蓄电池发生故障时帮助用户定位故障原因。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1是本发明一个实施例提供的汽车蓄电池智能监测方法的流程图；

图2是本发明另一个实施例提供的汽车蓄电池智能监测方法的流程图；

图3是本发明一个实施例提供的通用评估模型和通用分析模型的建立方法的流程图；

图4是本发明一个实施例提供的状态评估模型和因素分析模型的建立方法的流程图；

图5是本发明另一个实施例提供的汽车蓄电池智能监测方法的流程图；

图6是本发明另一个实施例提供的汽车蓄电池智能监测方法的流程图；

图7是本发明一个实施例提供的汽车蓄电池智能监测装置的结构示意图；

图8是本发明一个实施例提供的汽车蓄电池智能监测系统的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

参考说明书附图1，本发明实施例提供一种汽车蓄电池智能监测方法，所述方法可以应用于汽车蓄电池智能监测系统中。如图1所示，所述汽车蓄电池智能监测方法可以包括以下步骤：

S110：车载终端获取目标车辆的待监测蓄电池的当前监测数据。

本发明实施例中，可以通过车载电子控制单元(Electronic Control Unit，ECU)采集总线上的当前监控数据，所述当前监控数据可以包括：蓄电池参数数据、蓄电池充放电行为数据、目标车辆行驶数据以及外部环境数据等。具体地，所述蓄电池参数数据可以包括蓄电池的电压、电流、温度、压力以及荷电状态等数据；所述蓄电池充放电行为数据可以包括蓄电池的充放电状态和负载用电器的使用状态等数据，包括大屏显示器、空调、大灯、座椅加热、通风用电器的使用状态以及车辆其它控制模块(例如车载TBOX)的使用状态等；所述目标车辆行驶数据可以包括车辆的速度、加速度、车辆的行驶状态、车辆行驶的时间等数据；所述外部环境数据可以包括气温和天气等数据。

在一个可能的实施例中，获取到所述当前监测数据后，所述车载ECU可以存储所述当前监测数据并且在边缘端对所述当前监控数据进行计算和预处理，以减小发送到云端平台数据量。具体地，所述预处理可以包括对所述当前监控数据进行加密以及打包成便于传输协议传输的小文件格式等。

在一个可能的实施例中，在进行汽车蓄电池智能监测之前，还可以包括：获取目标车辆的当前状态信息和所述待监测蓄电池的当前状态信息；当所述目标车辆的当前状态信息和所述待监测蓄电池的当前状态信息满足预设条件时，执行所述汽车蓄电池智能监测过程。其中，所述预设条件可以包括：每次充电完成后所述目标车辆需处于熄火状态达到预设时间(例如30分钟)、充电后所述待监测蓄电池的荷电状态(StateofCharge，SOC)与充电前的SOC差值大于第一预设值(例如50％)、充电完成时所述待监测蓄电池的电流小于第二预设值(例如20A)。

S120：所述车载终端将所述当前监测数据发送至云端平台。

相应地，所述云端平台接收所述车载终端发送的所述当前监测数据。

本发明实施例中，所述车载ECU可以将所述当前监测数据发送给车载TBOX，车载TBOX可以通过移动网络，例如第三代移动通信技术(3rd-generation，3G)、第四代移动通信技术(4rd-generation，4G)或者第五代移动通信技术(5rd-generation，5G)网络经过安全超文本传输协议(Hypertext Transfer Protocol Secure，HTTPS)或者基于安全套接层/传输层安全的消息队列遥测传输协议(Message Queuing Telemetry Transportover SSL/TLS，MQTTS)将所述当前监测数据发送给云端平台。

S130：所述云端平台根据所述当前监测数据，利用与所述目标车辆对应的状态评估模型确定所述待监测蓄电池的当前状态信息；其中，所述状态评估模型通过使用所述待监测蓄电池的历史监测数据基于通用评估模型进行训练确定，所述通用评估模型根据多个车辆的蓄电池的历史监测数据基于机器学习算法确定。

本发明实施例中，所述云端平台可以将所述当前监测数据输入与所述目标车辆对应的状态评估模型中，得到模型输出的所述待监测蓄电池的当前状态信息。

S140：所述云端平台将所述待监测蓄电池的当前状态信息发送至与所述目标车辆对应的用户端。

本发明实施例中，可以通过移动网络或者远程空中下载(Over-the-Air，OTA)技术将所述待监测蓄电池的当前状态信息发送至与所述目标车辆对应的用户端。相应地，所述与所述目标车辆对应的用户端接收并显示所述待监测蓄电池的当前状态信息。

在一个可能的实施例中，所述待监测蓄电池的当前状态信息可以包括所述待监测蓄电池的电池健康度，当所述电池健康度小于预设阈值时，可以生成预警信息，将所述待监测蓄电池的当前状态信息和所述预警信息一起发生给与所述目标车辆对应的用户端。可以使用户直观地了解到所述待监测蓄电池的状况以及故障信息。

在另一个可能的实施例中，还可以根据所述待监测蓄电池的当前状态信息，结合所述目标车辆对应的用户的各种驾驶习惯，预测出所述待监测蓄电池的剩余使用寿命，帮助用户判断电池的更换时间。

在一个可能的实施例中，所述云端平台将所述待监测蓄电池的当前状态信息发送至与所述目标车辆对应的用户端可以包括：

所述云端平台将所述待监测蓄电池的当前状态信息发送至所述车载终端；

和/或，

所述云端平台将所述待监测蓄电池的当前状态信息发送至与所述目标车辆对应的移动终端。

本发明实施例中，所述车载终端接收到所述待监测蓄电池的当前状态信息后，可以通过车载显示屏显示所述当前状态信息。所述移动终端接收到所述待监测蓄电池的当前状态信息后，可以通过手机应用或者浏览器网页显示所述当前状态信息。

在一个可能的实施例中，如图2所示，所述方法还可以包括以下步骤：

S150：当所述待监测蓄电池的当前状态信息满足预设条件时，所述云端平台根据所述当前监测数据和所述当前状态信息，利用与所述目标车辆对应的因素分析模型确定所述待监测蓄电池的状态影响因素；其中，所述因素分析模型通过使用所述待监测蓄电池的历史监测数据基于通用分析模型进行训练确定，所述通用分析模型根据多个车辆的蓄电池的历史监测数据基于机器学习算法确定。

本发明实施例中，所述待监测蓄电池的当前状态信息可以包括所述待监测蓄电池的电池健康度，当所述电池健康度小于预设阈值时，所述云端平台可以将所述当前监测数据和所述当前状态信息输入与所述目标车辆对应的因素分析模型中，得到模型输出的所述待监测蓄电池的状态影响因素。另外，所述用户端也可以包括所述车载终端和/或与所述目标车辆对应的移动终端。

S160：所述云端平台将所述待监测蓄电池的状态影响因素发送至与所述目标车辆对应的用户端。

本发明实施例中，可以通过移动网络或者远程OTA技术将所述待监测蓄电池的状态影响因素发送至与所述目标车辆对应的用户端。相应地，所述与所述目标车辆对应的用户端接收并显示所述待监测蓄电池的状态影响因素。用户可以直观地了解到对所述待监测蓄电池的使用状况造成影响的主要因素，指导用户合理地用车，或者当蓄电池故障时，帮助用户定位故障原因。

在一个可能的实施例中，如图3所示，所述方法还可以包括建立通用评估模型和通用分析模型；所述通用评估模型和通用分析模型可以由云端平台建立。

其中，所述通用评估模型的建立方法可以包括：

S310：获取多个车辆的蓄电池的历史监测数据，生成历史监测数据集合。

本发明实施例中，所述多个车辆的蓄电池的历史监测数据可以包括同一车型的多个车辆的蓄电池的历史监测数据，也可以包括不同车型的多个车辆的蓄电池的历史监测数据。所述多个车辆的车载ECU可以按照预设频率采集自车的蓄电池的监测数据，将所述监测数据通过车载TBOX发送给所述云端平台，或者对所述监测数据进行预处理后通过车载TBOX发送给所述云端平台；所述云端平台存储所述多个车辆发送的监测数据得到历史监测数据，并生成历史检监测数据集合。或者，每个车辆的车载ECU可以按照预设频率采集自车的蓄电池的监测数据，生成自车的历史监测数据，将所述历史监测数据通过车载TBOX发送给所述云端平台；所述云端平台获取多个车辆发送的历史监测数据生成历史检监测数据集合。

S320：基于至少一种融合算法对所述历史监测数据集合中的数据进行融合，生成训练数据集合。

本发明实施例中，所述融合算法可以包括线性加权融合方法，交叉融合法，瀑布融合法和预测融合法。所述云端平台可以通过对使用多种融合算法对所述历史监测数据集合中的数据进行融合得到的融合结果进行加权，得到训练数据集合。

S330：构建蓄电池监测的第一神经网络模型。

S340：基于机器学习算法，使用所述训练数据集合中的数据对所述第一神经网络模型进行训练，得到所述通用评估模型。

本发明实施例中，可以使用所述训练数据集合中的数据对所述第一神经网络模型进行训练，训练过程中不断调整所述第一神经网络模型的参数直至收敛，将收敛时的模型作为所述通用评估模型。

其中，所述通用分析模型的建立方法可以包括：

S350：构建蓄电池监测的第二神经网络模型；

S360：将所述训练数据集合中的数据输入所述通用评估模型，得到多个车辆的蓄电池的历史状态信息集合。

S370：基于机器学习算法，使用所述训练数据集合中的数据和所述历史状态信息集合中的信息对所述第二神经网络模型进行训练，得到所述通用分析模型。

本发明实施例中，可以使用所述训练数据集合中的数据以及与之对应的历史状态信息，对所述第二神经网络模型进行训练，训练过程中不断调整所述第二神经网络模型的参数直至收敛，将收敛时的模型作为所述通用分析模型。

在一个可能的实施例中，如图4所示，所述方法还可以包括建立状态评估模型和因素分析模型；所述状态评估模型和因素分析模型可以由云端平台建立。

其中，所述状态评估模型的建立方法可以包括：

S410：获取所述目标车辆的待监测蓄电池的历史监测数据。

本发明实施例中，所述目标车辆的车载ECU可以按照预设频率采集所述待监测蓄电池的监测数据，将所述监测数据通过车载TBOX发送给所述云端平台，或者对所述监测数据进行预处理后通过车载TBOX发送给所述云端平台；所述云端平台存储所述目标车辆发送的监测数据得到历史监测数据。或者，所述目标车辆的车载ECU可以按照预设频率采集所述待监测蓄电池的监测数据，生成所述待监测蓄电池的历史监测数据，将所述历史监测数据通过车载TBOX发送给所述云端平台。

S420：基于至少一种融合算法对所述历史监测数据进行融合，生成训练数据。

本发明实施例中，所述融合算法可以包括线性加权融合方法，交叉融合法，瀑布融合法和预测融合法。所述云端平台可以通过对使用多种融合算法对所述待监测蓄电池的历史监测数据进行融合得到的融合结果进行加权，得到训练数据。

S430：使用所述训练数据对所述通用评估模型进行训练，得到所述状态评估模型。

本发明实施例中，可以使用所述训练数据对所述通用评估模型进行训练，训练过程中不断调整所述通用评估模型的参数直至收敛，将收敛时的模型作为所述状态评估模型。

其中，所述因素分析模型的建立方法可以包括：

S440：将所述训练数据输入所述状态评估模型，得到所述目标车辆的待监测蓄电池的历史状态信息。

S450：使用所述训练数据和所述历史状态信息对所述通用分析模型进行训练，得到所述因素分析模型。

本发明实施例中，可以使用所述训练数据以及与之对应的历史状态信息对所述通用分析模型进行训练，训练过程中不断调整所述通用分析模型的参数直至收敛，将收敛时的模型作为所述因素分析模型。

实施例2

参考说明书附图5，本发明实施例提供一种汽车蓄电池智能监测方法，所述方法可以应用于汽车蓄电池智能监测装置中，所述装置可以设置于目标车辆中，也可以设置于云端平台上。如图5所示，所述汽车蓄电池智能监测方法可以包括以下步骤：

S510：获取目标车辆的待监测蓄电池的当前监测数据。

本发明实施例中，当所述汽车蓄电池智能监测装置设置于云端平台上时，所述云端平台可以从所述目标车辆的车载终端获取待监测蓄电池的当前监测数据。

S520：根据所述当前监测数据，利用与所述目标车辆对应的状态评估模型确定所述待监测蓄电池的当前状态信息；其中，所述状态评估模型通过使用所述待监测蓄电池的历史监测数据基于通用评估模型进行训练确定，所述通用评估模型根据多个车辆的蓄电池的历史监测数据基于机器学习算法确定。

本发明实施例中，所述方法还可以包括建立通用评估模型和状态评估模型，建立通用评估模型和状态评估模型的方法的相关细节可以参考图3和图4所示的方法实施例。其中，当所述汽车蓄电池智能监测装置设置于云端平台上时，可以从多个车辆的车载终端获取多个车辆的蓄电池的历史监测数据，可以从目标车辆的车载终端获取所述目标车辆的待监测蓄电池的历史监测数据，通过云端平台进行模型训练。当所述汽车蓄电池智能监测装置设置于目标车辆中时，可以从所述云端平台获取多个车辆的蓄电池的历史监测数据，使用车辆的边缘计算的算力进行模型训练。另外，当所述汽车蓄电池智能监测装置设置于目标车辆中时，所述通用评估模型和状态评估模型还可以通过云端平台的进行训练，所述目标车辆可以从云端平台获取与之对应的训练完成的状态评估模型。

S530：将所述待监测蓄电池的当前状态信息发送至与所述目标车辆对应的用户端。

本发明实施例中，所述与所述目标车辆对应的用户端可以包括与所述目标车辆对应的移动终端和/或所述目标车辆的车载终端。

在一个可能的实施例中，如图6所示，所述方法还可以包括步骤：

S540：当所述待监测蓄电池的当前状态信息满足预设条件时，根据所述当前监测数据和所述当前状态信息，利用与所述目标车辆对应的因素分析模型确定所述待监测蓄电池的状态影响因素；其中，所述因素分析模型通过使用所述待监测蓄电池的历史监测数据基于通用分析模型进行训练确定，所述通用分析模型根据多个车辆的蓄电池的历史监测数据基于机器学习算法确定。

本发明实施例中，所述方法还可以包括建立通用分析模型和因素分析模型，建立通用分析模型和因素分析模型的方法的相关细节可以参考图3和图4所示的方法实施例。其中，当所述汽车蓄电池智能监测装置设置于云端平台上时，可以通过云端平台进行模型训练。当所述汽车蓄电池智能监测装置设置于目标车辆中时，可以使用车辆的边缘计算的算力进行模型训练。另外，当所述汽车蓄电池智能监测装置设置于目标车辆中时，所述通用分析模型和因素分析模型还可以通过云端平台的进行训练，所述目标车辆可以从云端平台获取与之对应的训练完成的因素分析模型。

S550：将所述待监测蓄电池的状态影响因素发送至与所述目标车辆对应的用户端。

本发明实施例中，所述与所述目标车辆对应的用户端可以包括与所述目标车辆对应的移动终端和/或所述目标车辆的车载终端。

其他相关细节可参考图1和图2所示的方法实施例。

综上所述，本发明的汽车蓄电池智能监测方法具有以下有益效果：

(1)本发明的汽车蓄电池智能监测方法，通过建立状态评估模型和因素分析模型，提供对蓄电池运行状态的分析结果和对蓄电池运行状态的影响因素的分析结果，能够及时发现或预判蓄电池的异常或故障，提高蓄电池运行的稳定性、安全性和可靠性，并且能够定位产生异常或故障的原因。

(2)本发明的汽车蓄电池智能监测方法，在建立状态评估模型和因素分析模型的过程中，首先基于大数据中大量车辆的蓄电池的历史监测数据训练通用评估模型和通用分析模型，再根据目标车辆的待监测蓄电池的历史监测数据对所述通用评估模型和通用分析模型进行训练得到与所述目标车辆相对应的状态评估模型和因素分析模型，能够增加模型与待监测蓄电池的相关性，提高模型的准确度，从而提高蓄电池状态监测结果的准确性。

(3)本发明的汽车蓄电池智能监测方法，在模型的训练过程中考虑车辆用户的使用习惯以及外部环境等因素对蓄电池使用状态的影响，能够准确分析对所述待监测蓄电池状态有较大影响的各类因素，从而指导用户采取合理的措施来延长蓄电池的使用寿命，以及当蓄电池发生故障时帮助用户定位故障原因。

参考说明书附图7，本发明实施例提供一种汽车蓄电池智能监测装置700。如图7所示，所述装置700可以包括：

获取模块710，用于获取目标车辆的待监测蓄电池的当前监测数据；

第一确定模块720，用于根据所述当前监测数据，利用与所述目标车辆对应的状态评估模型确定所述待监测蓄电池的当前状态信息；其中，所述状态评估模型通过使用所述待监测蓄电池的历史监测数据基于通用评估模型进行训练确定，所述通用评估模型根据多个车辆的蓄电池的历史监测数据基于机器学习算法确定；

第一发送模块730，用于将所述待监测蓄电池的当前状态信息发送至与所述目标车辆对应的用户端。

在一个可能的实施例中，所述装置700还可以包括：

第二确定模块，用于当所述待监测蓄电池的当前状态信息满足预设条件时，根据所述当前监测数据和所述当前状态信息，利用与所述目标车辆对应的因素分析模型确定所述待监测蓄电池的状态影响因素；其中，所述因素分析模型通过使用所述待监测蓄电池的历史监测数据基于通用分析模型进行训练确定，所述通用分析模型根据多个车辆的蓄电池的历史监测数据基于机器学习算法确定；

第二发送模块，用于将所述待监测蓄电池的状态影响因素发送至与所述目标车辆对应的用户端。

参考说明书附图8，本发明实施例提供一种汽车蓄电池智能监测系统。如图8所示，所述系统可以包括车载终端810和云端平台820；

所述车载终端810，用于获取目标车辆的待监测蓄电池的当前监测数据；将所述当前监测数据发送至云端平台；

所述云端平台820，用于根据所述当前监测数据，利用与所述目标车辆对应的状态评估模型确定所述待监测蓄电池的当前状态信息；其中，所述状态评估模型通过使用所述待监测蓄电池的历史监测数据基于通用评估模型进行训练确定，所述通用评估模型根据多个车辆的蓄电池的历史监测数据基于机器学习算法确定；将所述待监测蓄电池的当前状态信息发送至与所述目标车辆对应的用户端。

在一个可能的实施例中，所述云端平台820，还可以用于当所述待监测蓄电池的当前状态信息满足预设条件时，根据所述当前监测数据和所述当前状态信息，利用与所述目标车辆对应的因素分析模型确定所述待监测蓄电池的状态影响因素；其中，所述因素分析模型通过使用所述待监测蓄电池的历史监测数据基于通用分析模型进行训练确定，所述通用分析模型根据多个车辆的蓄电池的历史监测数据基于机器学习算法确定；将所述待监测蓄电池的状态影响因素发送至与所述目标车辆对应的用户端。

需要说明的是，上述实施例提供的装置，在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。

上述说明已经充分揭露了本发明的具体实施方式。需要指出的是，熟悉该领域的技术人员对本发明的具体实施方式所做的任何改动均不脱离本发明的权利要求书的范围。相应地，本发明的权利要求的范围也并不仅仅局限于前述具体实施方式。