一种对动力电池进行故障预测和识别的方法和存储设备
文献发布时间:2023-06-19 13:27:45
技术领域
本发明涉及数据处理技术领域,特别涉及一种对动力电池进行故障预测和识别的方法和存储设备。
背景技术
随着人民生活水平的提高,电动汽车的使用越来越普及。对于电动汽车电池故障的筛查,目前现有技术是很被动和滞后的,当前在故障处理这块都还是被动处理,当电池故障发生后特别是安抛类的问题,比如SOC不准,绝缘故障,传感器异常等,将直接导致趴窝,需要拖车,会给客户造成非常大的不方便,客户将会投诉和维权,给公司造成很大损失;各个整车厂目前都有后台,主要用于国家核查电芯的相关信息,这种平台只是简单具备已发生故障的查询和历史数据下载的功能,无法对电池故障进行预判与分析,进而避免滞后的维修,或维修时间长,客户体验差等问题。
发明内容
为此,需要提供一种对动力电池进行故障预测和识别的方法,用以解决现有技术无法对动力电池故障进行预判和识别的技术问题。具体技术方案如下:
一种对动力电池进行故障预测和识别的方法,包括步骤:
获取待分析数据;
对所述待分析数据进行预处理;
对预处理后的待分析数据进行分析,根据分析结果对动力电池进行故障预测和/或识别。
进一步的,所述“对所述待分析数据进行预处理”,具体还包括步骤:
对所述待分析数据进行数据类型分类;
将数据类型分类好后的待分析数据按预设格式导入对应数据库;
根据预设参数范围对所述对应数据库中的各数据进行清洗。
进一步的,所述“对预处理后的待分析数据进行分析,根据分析结果对动力电池进行故障预测和/或识别”,具体还包括步骤:
当压差故障发生时,根据对应车辆VIN码;
根据所述车辆VIN码在对应数据库中获取所述车辆发生故障前预设时间内的待分析数据;
捕捉有效静置数据,所述有效静置数据包括:前后数据间隔大于半小时且电流小于1A,将所有有效静置数据集合起来;
模拟静态压差变化情况,判断压差变大的起始时间及根据时间间隔算出压差变化率;
根据压差变化率推测本次压差产生的原因,判断是否找到相似样本,若否,则将本次压差变化率推测本次压差产生的原因作为新样本加入数据库。
进一步的,所述“对预处理后的待分析数据进行分析,根据分析结果对动力电池进行故障预测和/或识别”,具体还包括步骤:
通过对预处理后的待分析数据进行分析预判动力电池当前状态;
根据历史数据及动力电池当前状态预判动力电池后续是否会发生故障。
进一步的,还包括步骤:
自动存储动力电池故障预测结果和/或识别结果。
为解决上述技术问题,还提供一种存储设备,具体技术方案如下:
一种存储设备,其中存储有指令集,所述指令集用于执行:
获取待分析数据;
对所述待分析数据进行预处理;
对预处理后的待分析数据进行分析,根据分析结果对动力电池进行故障预测和/或识别。
进一步的,所述指令集还用于执行:
所述“对所述待分析数据进行预处理”,具体还包括步骤:
对所述待分析数据进行数据类型分类;
将数据类型分类好后的待分析数据按预设格式导入对应数据库;
根据预设参数范围对所述对应数据库中的各数据进行清洗。
进一步的,所述指令集还用于执行:
所述“对预处理后的待分析数据进行分析,根据分析结果对动力电池进行故障预测和/或识别”,具体还包括步骤:
当压差故障发生时,根据对应车辆VIN码;
根据所述车辆VIN码在对应数据库中获取所述车辆发生故障前预设时间内的待分析数据;
捕捉有效静置数据,所述有效静置数据包括:前后数据间隔大于半小时且电流小于1A,将所有有效静置数据集合起来;
模拟静态压差变化情况,判断压差变大的起始时间及根据时间间隔算出压差变化率;
根据压差变化率推测本次压差产生的原因,判断是否找到相似样本,若否,则将本次压差变化率推测本次压差产生的原因作为新样本加入数据库。
进一步的,所述指令集还用于执行:
所述“对预处理后的待分析数据进行分析,根据分析结果对动力电池进行故障预测和/或识别”,具体还包括步骤:
通过对预处理后的待分析数据进行分析预判动力电池当前状态;
根据历史数据及动力电池当前状态预判动力电池后续是否会发生故障。
进一步的,所述指令集还用于执行:自动存储动力电池故障预测结果和/或识别结果。
本发明的有益效果是:一种对动力电池进行故障预测和识别的方法,包括步骤:获取待分析数据;对所述待分析数据进行预处理;对预处理后的待分析数据进行分析,根据分析结果对动力电池进行故障预测和/或识别。通过上述方法当动力电池发生故障时,可以通过远程获取待分析数据,对待分析数据进行分析后,即可推断出动力电池故障原因,同时对一些动力电池故障做出预测,无需人工参与,且可实时分析,节省人力的同时,还支持对大批量动力电池进行故障预测和识别。
附图说明
图1为具体实施方式所述一种对动力电池进行故障预测和识别的方法的流程图;
图2为具体实施方式所述压差故障分析流程示意图;
图3为具体实施方式所述一种对动力电池进行故障预测和识别的方法的流程示意图;
图4为具体实施方式所述一种存储设备的模块示意图;
图5为具体实施方式所述对动力电池故障预测流程示意图。
附图标记说明:
400、存储设备。
具体实施方式
为详细说明技术方案的技术内容、构造特征、所实现目的及效果,以下结合具体实施例并配合附图详予说明。
请参阅图1至图3,在本实施方式中,一种对动力电池进行故障预测和识别的方法可应用在一种存储设备上,所述存储设备包括但不限于:个人计算机、服务器、通用计算机、专用计算机、网络设备、嵌入式设备、可编程设备、智能移动终端等。
具体技术方案如下:
步骤S101:获取待分析数据,主要包括电芯单体温度、单体电压、SOC绝缘阻值、电流、总压等电信参数。需要说明的是,根据目标需求的不同,可以获取不同时间维度内的待分析数据,如当是要对动力电池进行故障预测时,则需要获取较长时间的数据并对其进行分析才可以对动力电池故障进行预测。而当是要分析当前动力电池故障发生的原因时,则可以获取短时间内的待分析数据来进行分析。以下会对这两种情况进行具体分析。
步骤S102:对所述待分析数据进行预处理。具体还包括步骤:
对所述待分析数据进行数据类型分类;
将数据类型分类好后的待分析数据按预设格式导入对应数据库;
根据预设参数范围对所述对应数据库中的各数据进行清洗。以下展开具体说明:
前期准备:分析待分析数据的类型,包括文本类型,数据类型,数据采样步长,数据的异常值特点,缺失情况;
通过设定的流程自动导入相关数据:由于要自动化批量处理成千上万台车辆的历史数据,采用matlab的cell元包数组格式将数据导入到对应数据库;
数据提取:建立预存储空间,根据已导入数据在结构体中所在的行、列提取相应数据,提取过后需要对预存储空间未使用部分进行清除,提高程序运算效率;
数据清洗:针对已提取数据的数据特点,以及程序后续处理过程主要目标,首先对各电芯数据的有效范围进行过滤,比如单体电芯的电压为0~4.5V,超出范围说明数据在传输过程中出现异常,需要去掉一整个时间点的数据,防止异常数据对故障计算产生干扰,其它的电流、温度、SOC以及绝缘值等等都需要相似处理;其次,根据电流的变化,判断电芯数据是否有更新,若在几分钟内都没更新,说明相关真实数据没有被传递,需要清除该阶段的数据。
步骤S103:对预处理后的待分析数据进行分析,根据分析结果对动力电池进行故障预测和/或识别。
需要说明的是对于已经发生的动力电池故障,每个故障都有独自的处理方法,具体如下:
绝缘判断:
通过绝缘值的变化情况预测和判定,大于预设阈值(如500K)时,说明绝缘状态良好,当某一时刻持续小于一特定值时,将被挂起重点监控,说明此时的整车绝缘状态不理想。
同理静态压差故障也可以做相关的逻辑进行预测:
首先,静态状态判断,通过当前数据的时间与前一数据所对应的时间对比,当两者的时间大于一个标定值,说明该车已放置很久,可以通过当前的压差来判断静态压差;
然后通过判断静态压差、单体电压值对OCV查表来计算当前的SOC差值,评估当前动力电池的一致性情况;
通过历史的SOC差值变化情况,可以间接推测动力电池一致性演变情况,判断是越变越差还是通过均衡有收敛趋势,进而做各种推理。
其它故障判断也将不断优化和改进。
如图2所示,其中静态压差故障的判断具体可如下:
当压差故障发生时,根据对应车辆VIN码;
根据所述车辆VIN码在对应数据库中获取所述车辆发生故障前预设时间内的待分析数据;
捕捉有效静置数据,所述有效静置数据包括:前后数据间隔大于半小时且电流小于1A,将所有有效静置数据集合起来;
模拟静态压差变化情况,判断压差变大的起始时间及根据时间间隔算出压差变化率;
根据压差变化率(主要根据数据库记载的各压差故障所对应的压差变化率)推测本次压差产生的原因,判断是否找到相似样本,若否,则将本次压差变化率推测本次压差产生的原因作为新样本加入数据库。
以上为对已发生的动力电池的故障进行分析进行说明。以下为对动力电池故障预测进行说明(参考图5):
进一步的,所述“对预处理后的待分析数据进行分析,根据分析结果对动力电池进行故障预测和/或识别”,具体还包括步骤:
通过对预处理后的待分析数据进行分析预判动力电池当前状态;
根据历史数据及动力电池当前状态预判动力电池后续是否会发生故障。如通过对单体电压的历史数据不断演变,预判某个电芯是否有老化的现象;通过总压的值异常判断高压环路是否出现断路的情况,提前预判防患于未然;另一方可以协助售后排查车辆故障,确认故障是否误判或者由哪一方面引起,可以节省非常多的费用。
进一步的,还包括步骤:自动存储动力电池故障预测结果和/或识别结果。以便后续需要对应数据时可以调取分析。
以上整体示意图可如图3所示。
通过上述方法当动力电池发生故障时,可以通过远程获取待分析数据,对待分析数据进行分析后,即可推断出动力电池故障原因,同时对一些动力电池故障做出预测,可以协助售后和客户进行整车动力电池故障排查及通过历史数据推演判断产生故障的原因,提供服务效率,而且是远程操控,可以节省很多费用。且可实时分析,节省人力的同时,还支持对大批量动力电池进行故障预测和识别。
此外上述方法的故障预判具有不断学习的特性,将不断迭代和改进,不仅是对已发生的故障可以进行原因分析,且对产生该故障的特征值进行不断学习,将可以提前预测该故障是否会发生,进而提前客户进行维护,减少故障的产生。
请参阅图2至图4,在本实施方式中,一种存储设备400的具体实施方式如下:
一种存储设备400,其中存储有指令集,所述指令集用于执行:
获取待分析数据。需要说明的是,根据目标需求的不同,可以获取不同时间维度内的待分析数据,如当是要对动力电池进行故障预测时,则需要获取较长时间的数据并对其进行分析才可以对动力电池故障进行预测。而当是要分析当前动力电池故障发生的原因时,则可以获取短时间内的待分析数据来进行分析。以下会对这两种情况进行具体分析。
对所述待分析数据进行预处理。具体还包括步骤:
对所述待分析数据进行数据类型分类;
将数据类型分类好后的待分析数据按预设格式导入对应数据库;
根据预设参数范围对所述对应数据库中的各数据进行清洗。以下展开具体说明:
前期准备:分析待分析数据的类型,包括文本类型,数据类型,数据采样步长,数据的异常值特点,缺失情况;
通过设定的流程自动导入相关数据:由于要自动化批量处理成千上万台车辆的历史数据,采用matlab的cell元包数组格式将数据导入到对应数据库;
数据提取:建立预存储空间,根据已导入数据在结构体中所在的行、列提取相应数据,提取过后需要对预存储空间未使用部分进行清除,提高程序运算效率;
数据清洗:针对已提取数据的数据特点,以及程序后续处理过程主要目标,首先对各电芯数据的有效范围进行过滤,比如单体电芯的电压为0~4.5V,超出范围说明数据在传输过程中出现异常,需要去掉一整个时间点的数据,防止异常数据对故障计算产生干扰,其它的电流、温度、SOC以及绝缘值等等都需要相似处理;其次,根据电流的变化,判断电芯数据是否有更新,若在几分钟内都没更新,说明相关真实数据没有被传递,需要清除该阶段的数据。
对预处理后的待分析数据进行分析,根据分析结果对动力电池进行故障预测和/或识别。
需要说明的是对于已经发生的动力电池故障,每个故障都有独自的处理方法,具体如下:
绝缘判断:
通过绝缘值的变化情况预测和判定,大于预设阈值(如500K)时,说明绝缘状态良好,当某一时刻持续小于一特定值时,将被挂起重点监控,说明此时的整车绝缘状态不理想。
同理静态压差故障也可以做相关的逻辑进行预测:
首先,静态状态判断,通过当前数据的时间与前一数据所对应的时间对比,当两者的时间大于一个标定值,说明该车已放置很久,可以通过当前的压差来判断静态压差;
然后通过判断静态压差、单体电压值对OCV查表来计算当前的SOC差值,评估当前动力电池的一致性情况;
通过历史的SOC差值变化情况,可以间接推测动力电池一致性演变情况,判断是越变越差还是通过均衡有收敛趋势,进而做各种推理。
其它故障判断也将不断优化和改进。
如图2所示,其中静态压差故障的判断具体可如下:
当压差故障发生时,根据对应车辆VIN码;
根据所述车辆VIN码在对应数据库中获取所述车辆发生故障前预设时间内的待分析数据;
捕捉有效静置数据,所述有效静置数据包括:前后数据间隔大于半小时且电流小于1A,将所有有效静置数据集合起来;
模拟静态压差变化情况,判断压差变大的起始时间及根据时间间隔算出压差变化率;
根据压差变化率推测本次压差产生的原因,判断是否找到相似样本,若否,则将本次压差变化率推测本次压差产生的原因作为新样本加入数据库。
以上为对已发生的动力电池的故障进行分析进行说明。以下为对动力电池故障预测进行说明:(参考图5)
进一步的,所述指令集还用于执行:
所述“对预处理后的待分析数据进行分析,根据分析结果对动力电池进行故障预测和/或识别”,具体还包括步骤:
通过对预处理后的待分析数据进行分析预判动力电池当前状态;
根据历史数据及动力电池当前状态预判动力电池后续是否会发生故障。如通过对单体电压的历史数据不断演变,预判某个电芯是否有老化的现象;通过总压的值异常判断高压环路是否出现断路的情况,提前预判防患于未然;另一方可以协助售后排查车辆故障,确认故障是否误判或者由哪一方面引起,可以节省非常多的费用。
进一步的,所述指令集还用于执行:自动存储动力电池故障预测结果和/或识别结果。
以便后续需要对应数据时可以调取分析。
以上整体示意图可如图3所示。
通过上述存储设备400当动力电池发生故障时,可以通过远程获取待分析数据,对待分析数据进行分析后,即可推断出动力电池故障原因,同时对一些动力电池故障做出预测,可以协助售后和客户进行整车动力电池故障排查及通过历史数据推演判断产生故障的原因,提供服务效率,而且是远程操控,可以节省很多费用。且可实时分析,节省人力的同时,还支持对大批量动力电池进行故障预测和识别。
此外上述存储设备400的故障预判具有不断学习的特性,将不断迭代和改进,不仅是对已发生的故障可以进行原因分析,且对产生该故障的特征值进行不断学习,将可以提前预测该故障是否会发生,进而提前客户进行维护,减少故障的产生。
需要说明的是,尽管在本文中已经对上述各实施例进行了描述,但并非因此限制本发明的专利保护范围。因此,基于本发明的创新理念,对本文所述实施例进行的变更和修改,或利用本发明说明书及附图内容所作的等效结构或等效流程变换,直接或间接地将以上技术方案运用在其他相关的技术领域,均包括在本发明的专利保护范围之内。
- 一种对动力电池进行故障预测和识别的方法和存储设备
- 一种存储设备故障预测方法和系统