一种电池包故障检测方法及装置

技术领域

本申请的实施例涉及电池技术领域，特别涉及一种电池包故障检测方法及装置。

背景技术

电池包故障的外部特征表现为电池监测参数数据的异常变化，因此，对电池包故障的检测通常基于采集到的电池监测参数数据进行，同时定位异常的电池单体位置，以及可能发生的故障类型。

目前，对电池监测参数数据的分析是基于深度学习分析获取的电池包的电池监测参数数据，直接学习电池包的老化信息和规律以完成电池包的故障检测。然而，实际运行工况下电池监测参数数据会产生噪声，导致产生对电池包故障的错误预警，电池包故障的检测准确率较低。

发明内容

本申请的实施例提供一种电池包故障检测方法，以解决现有技术中电池监测参数数据会产生噪声，导致产生对电池包故障的错误预警，电池包故障的检测准确率较低的技术问题；本申请的实施例还提供一种电池包故障检测装置。

为了解决上述技术问题，本申请的实施例公开了如下技术方案：

第一方面，提供了一种电池包故障检测方法，包括：

获取电池包最近一次充电时段的第一数据集，所述第一数据集中包括所述电池包按时间序列排列的多个第一监测参数数据；

基于所述第一数据集和第一模型，获取每个时刻对应的特征图；

将所述特征图输入第二模型，获取所述特征图对应的故障类型；所述故障类型包括内阻故障、过充故障和无故障。

结合第一方面，所述第一监测参数数据包括所述电池包的电池单体电压、电池总电压、电池包温度、电流、绝缘电阻和充电状态。

结合第一方面，基于所述第一数据集和第一模型，获取每个时刻对应的特征图，包括：

基于所述第一数据集，获取第二数据集；

基于所述第二数据集，构造待检测矩阵集；

基于所述待检测矩阵集和所述第一模型，获取所述特征图。

结合第一方面，基于所述第一数据集，获取第二数据集，包括：

删除所述第一数据集中的异常监测参数数据，所述异常监测参数数据包括空白监测参数数据和超出预设阈值的所述监测参数数据；

根据所述电池单体电压获取所有所述时刻的电池单体电压均值；

根据所述电池包温度获取所有所述时刻的电池包温度均值；

基于所述第一数据集、所述电池单体电压均值和所述电池包温度均值，获取电池内阻，以及，每个所述时刻对应的累计电池容量；

将所述电池单体电压均值、所述电池总电压、所述电池包温度均值、所述电流、所述绝缘电阻、所述充电状态、所述电池内阻和所述累计电池容量共同确定为所述时刻对应的第二监测参数数据；

将所述第二监测参数数据进行归一化处理，获取第三监测参数数据；

将所有的所述第三监测参数数据共同确定为所述第二数据集。

结合第一方面，基于所述第二数据集，构造待检测矩阵集，包括：

采用滑动窗口的方式将所述第二数据集中的所有所述第三监测参数数据构造成所述待检测矩阵集；其中，所述滑动窗口的大小和步长基于所述第二数据集中所述时刻的数量，以及每个所述时刻对应的所述第三监测参数数据的数量设置。

结合第一方面，基于所述待检测矩阵集和所述第一模型，获取所述特征图，包括：

将所述待检测矩阵集中的每一个所述第三监测参数数据进行极坐标转换，获得极坐标编码；

将所述极坐标编码进行格拉姆矩阵变换，并生成所述特征图。

结合第一方面，所述特征图按照预设规格生成，所述预设规格为A*B*C；其中，A为所述特征图的水平像素数，A的范围为32～64；B为所述特征图的垂直像素数，B的范围为32～64；C为所述特征图的通道数，C等于每个所述时刻对应的所述第二监测参数数据的数量。

结合第一方面，所述第一模型通过以下步骤进行训练：

获取训练用电池包的全生命周期的第三数据集，所述第三数据集中包括按所述时间序列排列的多个第四监测参数数据；所述训练用电池包为已发生热失控的电池包；所述第四监测参数数据包括所述训练用电池包的电池单体电压、电池总电压、电池包温度、电流、绝缘电阻和充电状态；

基于所述第三数据集，获取第四数据集；所述第四数据集中包括按所述时间序列排列的多个第五监测参数数据，所述第五监测参数数据包括所述训练用电池包的电池单体电压均值、电池总电压、电池包温度均值、电流、绝缘电阻、充电状态、电池内阻和累计电池容量；

基于所述第四数据集，构造训练矩阵集；

基于所述训练矩阵集训练所述第一模型，获取样本特征图。

结合第一方面，所述第二模型通过以下步骤进行构建并训练：

构建所述第二模型；按照运算顺序，所述第二模型包括依次设置的四个运算单元、两个全连接层和输出层，每个所述运算单元中依次设置卷积层、激活层和池化层；其中，第四个所述运算单元中，所述卷积层和所述激活层之间设置批量归一化层，两个所述全连接层之间设置随机失活层；

设置训练超参数；所述训练超参数包括所述第二模型训练的迭代次数、每次输入的所述样本特征图的数量、初始学习率、训练调整系数和损失函数；

将所有所述样本特征图按照预设比例分为第一部分和第二部分，其中，所述第一部分输入所述第二模型；

基于所述训练超参数对所述第二模型进行训练，并保存模型参数；

基于所述模型参数设置所述第二模型；

将所述第二部分输入所述第二模型进行预测，验证所述第二模型的准确率。

第二方面，提供了一种电池包故障检测装置，包括：

第一获取单元，所述第一获取单元被配置为获取电池包最近一次充电时段的第一数据集，所述第一数据集中包括所述电池包按时间序列排列的多个第一监测参数数据；

第二获取单元，所述第二获取单元被配置为基于所述第一数据集和第一模型，获取每个时刻对应的特征图；

第三获取单元，所述第三获取单元被配置为将所述特征图输入第二模型，获取所述特征图对应的故障类型；所述故障类型包括内阻故障、过充故障和无故障。

上述技术方案中的一个技术方案具有如下优点或有益效果：

与现有技术相比，本申请提供的电池包故障检测方法，包括：获取电池包最近一次充电时段的第一数据集，第一数据集中包括电池包按时间序列排列的多个第一监测参数数据；基于第一数据集和第一模型，获取每个时刻对应的特征图；将特征图输入第二模型，获取特征图对应的故障类型；故障类型包括内阻故障、过充故障和无故障。如此，本申请通过第一模型将第一数据集转化每个时刻对应的特征图，再通过第二模型对特征图进行分类，最终获取每个特征图的故障类型，即每个时刻的电池包故障类型，从而提升了电池包故障检测的准确性。

可以理解的是，本申请提供的电池包故障检测装置具有上述电池包故障检测方法的所有技术特征和有益效果，在此不再赘述。

附图说明

下面结合附图，通过对本申请的具体实施方式详细描述，将使本申请的技术方案及其它有益效果显而易见。

图1为本申请实施例提供的电池包故障检测方法的流程示意图；

图2为本申请实施例提供的电池包故障检测方法中特征图的获取示意图；

图3为本申请实施例提供的电池包故障检测方法中第二模型的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。在本申请的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

申请人发现，目前，对电池监测参数数据的分析是基于深度学习分析获取的电池包的电池监测参数数据，直接学习电池包的老化信息和规律以完成电池包的故障检测。然而，实际运行工况下电池监测参数数据在运行和传输过程中均会产生噪声，导致对电池包故障的错误预警，电池包故障的检测准确率较低。

为此，本申请通过第一模型将第一数据集转化每个时刻对应的特征图，再通过第二模型对特征图进行分类，最终获取每个特征图的故障类型，即每个时刻的电池包故障类型。尤其是相较于传统的深度学习模型，第二模型的结构进行了简化，进一步加快了第二模型的运行速度，从而提升了电池包故障检测的准确性。

以下通过实施例来阐述本申请的具体实施方式：

请参阅图1，图1示意了本申请实施例提供的电池包故障检测方法的流程示意图。本申请提供了一种电池包故障检测方法，包括：

步骤101，获取电池包最近一次充电时段的第一数据集，第一数据集中包括电池包按时间序列排列的多个第一监测参数数据；具体来说，第一监测参数数据包括电池包的电池单体电压、电池总电压、电池包温度、电流、绝缘电阻和充电状态。需要说明的是，第一检测参数数据为从电池包采集的原始数据，本申请中对电池包的故障检测需要对原始数据进一步处理，以降低噪声对检测结果的影响。

步骤102，基于第一数据集和第一模型，获取每个时刻对应的特征图。第一模型为预先建立的模型，用于对第一数据集进行处理后，再将处理后的数据转化为更为直观的特征图，以反映每个时刻的电池包状态，从而实现对电池包状态的实时监测和分析。

在一些实施例中，步骤102，基于第一数据集和第一模型，获取每个时刻对应的特征图，包括：

步骤201，基于第一数据集，获取第二数据集。第二数据集为对第一数据及进行进一步处理后获取的数据集。在一些实施例中，步骤201包括：

步骤2011，删除第一数据集中的异常监测参数数据，异常监测参数数据包括空白监测参数数据和超出预设阈值的监测参数数据；具体来说，预设阈值包括：电池包的充电状态为0～100％，电池包温度为-40～210℃，电池单体电压小于5000mv。如此，通过删除异常监测参数数据提高第一数据集的准确性，进一步提升对电池包故障检测的准确性。

步骤2012，根据电池单体电压获取所有时刻的电池单体电压均值；根据电池包温度获取所有时刻的电池包温度均值。需要说明的是，第一数据集中，不同时刻的电池单体电压和电池包均存在一定的误差，也会产生一部分噪声。因此，本申请中，需要先对这两个监测参数数据进行求均值，以消除误差和噪声，提高监测参数数据的准确性和可靠性。

步骤2013，基于第一数据集、电池单体电压均值和电池包温度均值，获取电池内阻，以及，每个时刻对应的累计电池容量。其中，电池内阻通过滑窗计算每个窗口内的电池内阻均值，窗口的大小和步数根据第一数据集的大小设置，进一步根据以下公式(1)获取每个时刻的电池内阻：

其中，n为滑窗的窗口大小，t为时刻，ΔU

累积电池容量为每个时刻的累积电池容量，通过安时积分并按照以下公式(2)获取：

其中t

步骤2014，将电池单体电压均值、电池总电压、电池包温度均值、电流、绝缘电阻、充电状态、电池内阻和累计电池容量共同确定为时刻对应的第二监测参数数据。可以看出，本申请的第二检测参数数据相较于第一检测参数数据，将每个时刻的电池单体电压替换为了电池单体电压均值，将每个时刻的电池包温度替换为了电池包温度均值，并增加了每个时刻的电池内阻和每个时刻的累计电池容量。也就是说，本申请的第二检测参数数据共包括8个字段。

步骤2015，将第二监测参数数据进行归一化处理，获取第三监测参数数据。归一化处理后，第三检测参数数据的范围被压缩到[-1，1]，从而加快第一模型的收敛速度，降低第一模型的计算时间，提升第一模型的计算效率。具体来说，根据以下公式(3)进行归一化处理：

其中，t为时刻，x

步骤2016，将所有的第三监测参数数据共同确定为第二数据集。至此，完成对第一数据集的进一步处理，并获取第二数据集，第二数据集中包括按时间序列排列的多个第三监测参数数据，时间序列中包括多个时刻，每个时刻对应8个第三监测参数数据。上述处理过程中，首先消除了第一数据集的噪声，即异常监测参数数据，而后消除了具有误差的电池单体电压和电池包温度，再增加每个时刻对应的电池内阻和每个时刻对应的累计电池容量，提升了第三检测参数数据的可靠性和有效性。本申请的后续步骤均基于第二数据集，以保障故障检测的准确性。

完成对第一数据集的进一步处理，并获取第二数据集后，本申请需要在获取特征图之前首先构造待检测矩阵集，即本申请的电池包故障检测方法的步骤102还包括步骤202，基于第二数据集，构造待检测矩阵集。具体包括：采用滑动窗口的方式将第二数据集中的所有第三监测参数数据构造成待检测矩阵集；其中，滑动窗口的大小和步长基于第二数据集中时刻的数量，以及每个时刻对应的第三监测参数数据的数量设置。例如，第二数据集的维度为n×8，其中，n为时刻的数量，8为每个时刻对应的第三监测参数数据的数量，假设滑动窗口的大小为L，滑动步长设置为1，则通过步骤202可以构造n-1个维度为L×8的待检测矩阵集。

请参阅图2，图2示意了本申请实施例提供的电池包故障检测方法中特征图的获取示意图，本申请的电池包故障检测方法的步骤102还包括步骤203，基于待检测矩阵集和第一模型，获取特征图。为了通过更加直观的获取电池包在不同时刻的状态，在一种实施例中，步骤203具体包括：

步骤2031，将待检测矩阵集中的每一个第三监测参数数据进行极坐标转换，获得极坐标编码。具体来说，将每个时刻对应的每个第三检测参数数据分别进行极坐标转换，假设第k个时刻归一化后对应的第三监测参数数据为

其中，t

步骤2032，将极坐标编码进行格拉姆矩阵变换，并生成特征图。具体来说，将每一个第三监测参数数据转换为极坐标编码后按格拉姆矩阵变换，表示形式如下公式(5)所示：

这里的

至此，完成本申请的特征图生成。可以理解的是，由于每个时刻对应8个第三监测参数数据，则每个时刻可以转化为8个格拉姆矩阵，从而融合成8通道的特征图。需要说明的是，在一种实施例中，特征图按照预设规格生成，预设规格为A*B*C；其中，A为特征图的水平像素数，A的范围为32～64；B为特征图的垂直像素数，B的范围为32～64；C为特征图的通道数，C等于每个时刻对应的第二监测参数数据的数量，也即每个时刻对应的第三监测参数数据的数量。

为了保证第一模型功能的实现，本申请需要预先进行第一模型的训练。在一种实施例中，第一模型通过以下步骤进行训练：

获取训练用电池包的全生命周期的第三数据集，第三数据集中包括按时间序列排列的多个第四监测参数数据；训练用电池包为已发生热失控的电池包；第四监测参数数据包括训练用电池包的电池单体电压、电池总电压、电池包温度、电流、绝缘电阻和充电状态。

基于第三数据集，获取第四数据集；第四数据集中包括按时间序列排列的多个第五监测参数数据，第五监测参数数据包括训练用电池包的电池单体电压均值、电池总电压、电池包温度均值、电流、绝缘电阻、充电状态、电池内阻和累计电池容量。具体来说，基于第三数据集，获取第四数据集，包括：删除第三数据集中的异常监测参数数据，异常监测参数数据包括空白监测参数数据和超出预设阈值的监测参数数据；根据电池单体电压获取所有时刻的电池单体电压均值；根据电池包温度获取所有时刻的电池包温度均值；基于第三数据集、电池单体电压均值和电池包温度均值，获取电池内阻，以及，每个时刻对应的累计电池容量；将电池单体电压均值、电池总电压、电池包温度均值、电流、绝缘电阻、充电状态、电池内阻和累计电池容量共同确定为时刻对应的第四监测参数数据；将第四监测参数数据进行归一化处理，获取第五监测参数数据；将所有的第五监测参数数据共同确定为第四数据集。

基于第四数据集，构造训练矩阵集；具体包括：采用滑动窗口的方式将第四数据集中的所有第五监测参数数据构造成待检测矩阵集；其中，滑动窗口的大小和步长基于第四数据集中时刻的数量，以及每个时刻对应的第五监测参数数据的数量设置。

基于训练矩阵集训练第一模型，获取样本特征图。具体包括：将待检测矩阵集中的每一个第五监测参数数据进行极坐标转换，获得极坐标编码。将极坐标编码进行格拉姆矩阵变换，并生成特征图。

步骤103，将特征图输入第二模型，获取特征图对应的故障类型；故障类型包括内阻故障、过充故障和无故障。本申请实施例中，第二模型为改进的AlexNet网络，用于对特征图进行分类。需要说明的是，原始的AlexNet网络包含5个卷积层、5个池化层、2个全连接层组成的一个深度学习网络模型，并且AlexNet网络的输入是维度为224*224*3的图片。

请参阅图3，图3示意了本申请实施例提供的电池包故障检测方法中第二模型的结构示意图。本申请中为了减少计算过程，加快计算速率，在一种实施例中，第二模型通过以下步骤301～步骤306进行构建并训练。

步骤301，构建第二模型；按照运算顺序，第二模型包括依次设置的四个运算单元、两个全连接层和输出层，每个运算单元中依次设置卷积层、激活层和池化层；其中，第四个运算单元中，卷积层和激活层之间设置批量归一化层，两个全连接层之间设置随机失活层。其中，批量归一化层用于加快第二模型的收敛速度，从而提升第二模型的泛化性能，随机失活层则用于避免第二模型过拟合。具体来说，批量归一化层的计算公式如以下公式(6)：

y

步骤302，设置训练超参数；训练超参数包括第二模型训练的迭代次数、每次输入的样本特征图的数量、初始学习率、训练调整系数和损失函数。在一些实施例中，本申请设置第二模型的训练超参数为：迭代次数为100；每次输入的样本特征图的数量为8，即等于每个时刻对应的第三检测参数数据；出示学习率lr为0.001；训练调整系数gamma为0.95；设置损失函数为交叉熵损失函数，参见以下公式(7)：

其中，output size为第二模型的输出结果的种类数量，本申请中为检测结果的数量，即为3；y

步骤303，将所有样本特征图按照预设比例分为第一部分和第二部分，其中，第一部分输入第二模型；其中，第一部分用于第二模型的训练，第二部分用于第二模型的验证。预设比例根据实际应用情况设置，例如设为8:2、7:3等等。

步骤304，基于训练超参数对第二模型进行训练，并保存模型参数；模型参数可以保存为模型文件。

步骤305，基于模型参数设置第二模型。

步骤306，将第二部分输入第二模型进行预测，验证第二模型的准确率。在第二模型的训练过程中，样本特征图的分类是已知的，因此，通过比较第二模型对第二部分的预测结果和已知的第二部分的分类，则可以判断第二模型的准确率如何。当第二模型的准确率满足使用需求后，则可以根据模型参数将第二模型投入使用。

如此，本申请通过第一模型，尤其是使用了格拉姆角场变换将第一数据集转化每个时刻对应的特征图，再通过第二模型对特征图进行处理和分类，最终获取每个特征图的故障类型，即每个时刻的电池包故障类型；同时，本申请的第二模型对AlexNet网络进行“减法”改进，将卷积层由原来的5层减少到4层，第二模型的参数量也相应减少，进一步加快第二模型的运行速度；此外，第四个运算单元中，卷积层和激活层之间设置批量归一化层，加快模型训练过程中的收敛速度，提升第二模型的泛化性能，从而提升了电池包故障检测的准确性。

相应的，本申请实施例提供一种电池包故障检测装置，包括第一获取单元、第二获取单元和第三获取单元；其中，第一获取单元被配置为获取电池包最近一次充电时段的第一数据集，第一数据集中包括电池包按时间序列排列的多个第一监测参数数据；第二获取单元被配置为基于第一数据集和第一模型，获取每个时刻对应的特征图；第三获取单元被配置为将特征图输入第二模型，获取特征图对应的故障类型；故障类型包括内阻故障、过充故障和无故障。

本申请提供的电池包故障检测装置具有上述电池包故障检测方法的所有技术特征和有益效果，在此不再赘述。

以上对本申请实施例所提供的一种电池包故障检测方法及装置进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的技术方案及其核心思想；本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例的技术方案的范围。