一种电池异常检测系统及方法与流程
本技术属于故障诊断,特别涉及一种电池异常检测系统及方法。
背景技术:
1、电动汽车对保障国家能源安全、减少生态环境污染具备极高战略价值,发展新能源汽车已成为全球行业共识。动力电池作为电动汽车的核心关键部件,因其电化学体系结构复杂、实际运行工况存在强不确定性,既是整车故障的主要诱因,也在很大程度上制约了电动汽车规模化商业化推广。近年来,由动力电池故障引发的起火、爆炸等安全事故时有发生,加剧了大众对电动汽车使用安全的顾虑。为化解行业安全痛点、缓解公众焦虑,除持续优化电池制造工艺与本体安全技术外,强化车辆全生命周期的在线安全监测同样不可或缺。目前,国内外学界已广泛开展动力电池系统故障诊断与寿命预测相关研究,诸多传统检测技术已逐步落地并实现商业化应用。但诸多诊断策略仍局限于实验或离线数据分析,原因主要有二:一是传统方法对整个充电过程进行统一建模,未利用锂离子电池充电特有的电压平台特征;二是未利用故障的时间持续性特征,容易将瞬时噪声误判为故障,误报警问题严重阻碍了诊断方法的实车应用。众所周知,车辆误报警极易引发驾驶员的安全焦虑,每种故障诊断方法的可靠性都需要审慎考量。
2、因此,提出了一种基于深度时序表征与自适应模糊聚类的电池充电平台期电压异常检测方法。
技术实现思路
1、为解决上述问题,本技术提供了一种电池异常检测系统,包括:
2、预处理模块,配置为采集电池管理系统的历史实时数据,对历史实时数据进行预处理,获得历史标准数据;
3、切分模块,配置为基于充电事件检测自动切分历史标准数据,获得多个完整充电周期;
4、自适应提取模块,配置为基于完整充电周期,自适应提取第一平台期和第二平台期的时间边界及对应电压区间;
5、深度特征提取模块,配置为基于第一平台期和第二平台期的时间边界,获得深度表征向量;
6、自适应建模模块,配置为基于模糊c均值聚类模型对深度表征向量进行聚类,建立电池模板基线;
7、异常判定模块,配置为将待检测窗口依次经切分模块、自适应提取模块和深度特征提取模块后,获得待检测深度表征向量,计算待检测深度表征向量相对电池模板基线的重构误差,输出异常状态。
8、本技术提供了一种电池异常检测方法,包括:
9、采集电池管理系统的历史实时数据,对历史实时数据进行预处理,获得历史标准数据;
10、基于充电事件检测自动切分历史标准数据,获得多个完整充电周期;
11、基于完整充电周期,自适应提取第一平台期和第二平台期的时间边界及对应电压区间;
12、基于第一平台期和第二平台期的时间边界,利用informer编码器和一维卷积编码,获得深度表征向量;
13、基于模糊c均值聚类模型对深度表征向量进行聚类,基于聚类结果计算验证集重构误差分布,建立电池模板基线;
14、将待检测窗口依次经充电事件检测切分完整充电周期、提取第一平台期和第二平台期、informer与一维卷积编码后,获得待检测深度表征向量,计算待检测深度表征向量相对电池模板基线的重构误差,输出异常状态。
15、进一步地,采集电池管理系统的历史实时数据,对历史实时数据进行预处理,获得历史标准数据,包括:
16、根据电池健康状态动态调整取数时间窗口长度;
17、采集电池管理系统中时间窗口长度的历史实时数据;
18、对历史实时数据进行清洗、插补、异常值替换,赋予置信度权重,获取历史标准数据。
19、进一步地,基于完整充电周期,自适应提取第一平台期和第二平台期的时间边界及对应电压区间,包括:
20、根据电压变化和充电变化,绘制微分电压曲线;
21、利用寻峰算法自适应识别微分电压曲线的平台期边界;
22、基于平台期边界结合当前荷电状态及环境温度进行动态校正,自适应提取第一平台期和第二平台期的时间边界及对应电压区间。
23、进一步地,基于第一平台期和第二平台期的时间边界,利用informer编码器和一维卷积编码,获得深度表征向量,包括:
24、利用informer编码器提取第一平台期和第二平台期内单体电压时序深度特征;
25、将完整充电周期中的数据经一维卷积编码后拼接,输出工况特征;
26、将时序深度特征和工况特征经交叉注意力机制融合,输出深度表征向量。
27、进一步地,基于模糊c均值聚类模型对深度表征向量进行聚类,基于聚类结果计算验证集重构误差分布,建立电池模板基线,包括:
28、利用深度表征向量进行预训练,构建正常充电样本和异常充电样本对;
29、根据充电时长自适应调整滑动窗口大小及步长;引入时间衰减权重使近期数据权重更高;
30、利用一维卷积自编码器对深度表征向量进行降噪增强,得到增强表征;
31、基于增强表征构建改进的模糊c均值聚类模型;
32、基于改进的模糊c均值聚类模型,获得验证集重构误差分布;
33、基于验证集重构误差分布,采用核密度估计动态建模,建立电池模板基线。
34、进一步地,将待检测窗口依次经充电事件检测切分完整充电周期、提取第一平台期和第二平台期、informer与一维卷积编码后,获得待检测深度表征向量,计算待检测深度表征向量相对电池模板基线的重构误差,输出异常状态,包括:
35、对待检测窗口分别计算点级重构误差、片段级重构误差及事件级重构误差,加权融合得到综合重构误差;
36、基于综合重构误差和电池模板基线,采用加权时间投票机制判定异常状态;
37、引入holt-winters时序预测进行趋势预判;结合同批次电池群体一致性校验修正置信度;
38、输出最终异常状态和置信度。
39、进一步地,所述改进的模糊c均值聚类模型的目标函数为:
40、
41、其中第一项为标准fcm损失,第二项为时序正则项,λ为正则系数;n是样本总数,c是聚类总数,u是样本对聚类的隶属度,是第i个样本的深度表征向量,i为样本索引;k为聚类索引;m为模糊加权指数。
42、进一步地,在基于模糊c均值聚类模型对深度表征向量进行聚类,基于聚类结果计算验证集重构误差分布,建立电池模板基线之后,还包括:
43、设定多层级自适应阈值,包括:
44、预警阈值对应90%分位数、告警阈值对应95%分位数、故障阈值对应99%分位数;当检测到电池健康状态下降超过预设比例时,自动重新校准阈值。
45、进一步地,对历史实时数据进行清洗、插补、异常值替换,赋予置信度权重,获取历史标准数据,包括:
46、当缺失数据量少于预设比例时采用基于transformer的时序插补方法填补空缺;
47、当缺失数据量大于或等于预设比例时剔除相应数据;采用孤立森林与变分自编码器联合检测方法识别并替换误码及无效数据。
48、与现有技术相比,本技术具有如下优点:
49、1.本技术通过对实时数据进行预处理,采用transformer时序插补修复缺失,基于充电事件检测切分完整充电周期,提供结构化输入基础。
50、2.本技术通过提取第一、第二平台期;利用informer编码器提取电压时序深度特征,并行利用一维卷积编码工况特征,经交叉注意力融合生成深度表征向量,捕获早期退化征兆。
51、3.本技术通过构建引入时序正则项的改进模糊c均值聚类模型,自适应确定聚类数并建立个体基线;计算多尺度重构误差,进行故障诊断。
52、本技术的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本技术而了解。本技术的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com