电池诊断设备和方法与流程

本发明涉及电池诊断设备和电池诊断方法。

背景技术：

1、电池在阳极和阴极之间储存和释放电能方面起着关键作用。例如，电池被用作诸如电动车辆(electric vehicles，ev)和储能系统(energystorage systems，ess)的各种领域的核心能源。

2、相应地，确保电池的性能和安全性的电池管理系统(batterymanagement system，bms)的重要性正在受到重视。bms监测电池的状况，并且执行诸如充电/放电控制、电池电芯平衡和温度管理的功能，以确保电池的高效运行和安全。

3、然而，作为车载控制器，bms在计算性能和存储容量方面受到限制，从而难以运行先进的数据分析和电池诊断算法。具体地，在电池上连续地存储长期时间序列数据并对所有时间序列数据运行诊断算法可能是低效的，并且可能超出车辆的计算和存储限制。

4、为了解决这些问题，将电池数据传输到服务器以执行基于人工智能(ai)的分析和诊断的技术正在受到关注。这种方法通过利用服务器的强大计算资源，不仅减少了bms上的计算负担，还执行了精确的电池状态分析和异常检测。

5、在本背景技术部分中的陈述仅提供与本发明有关的背景技术信息，并不一定构成现有技术。

技术实现思路

1、做出本发明以解决在现有技术中出现的上述问题，同时完整地保留现有技术实现的优点。

2、本发明的实施方案执行高效且准确的基于服务器的电池诊断。

3、本发明的方面提供了与bms通信以执行基于云的电池诊断的电池诊断设备和方法。

4、本发明的方面提供了经由基于自编码器的人工智能模型来诊断电池是否异常的电池诊断设备和方法。

5、本发明的方面提供了这样一种电池诊断设备和方法，如果bms确定出需要电池诊断，则基于云中的人工智能模型来诊断电池是否异常。

6、本发明要解决的技术问题不限于上述问题。本发明所属领域的普通技术人员应从以下描述中更清楚地理解本文未提及的其他技术问题。

7、根据本发明的方面，提供了电池诊断设备。电池诊断设备包括通信装置，所述通信装置配置为从车辆接收与电池的状况相关的时间序列数据。电池诊断设备还包括控制器，所述控制器配置为将时间序列数据划分为单元窗口块。控制器还配置为：在单元窗口块中，将包括在各个单元窗口块中的时间序列数据划分为与车辆的运行状态相关的数据分段。控制器进一步配置为将数据分段输入到训练为将数据分段分类为正常或异常的人工智能模型中。控制器另外配置为基于人工智能模型对数据分段的分类来诊断电池是否异常。

8、根据实施方案，在数据分段中，每个数据分段可以与车辆的行驶状态、充电状态或停车状态的一个相对应。

9、根据实施方案，控制器可以基于人工智能模型将数据分段的至少一个分类为异常，诊断出电池异常。

10、根据实施方案，人工智能模型可以包括基于自编码器的模型。人工智能模型可以配置为：确定输入到人工智能模型的数据分段的每个的重构误差。人工智能模型可以配置为：在数据分段中，基于确定出数据分段的重构误差超过预定的参考值，将所述数据分段分类为异常。

11、根据实施方案，电池诊断设备可以进一步包括学习装置，所述学习装置配置为：通过利用数据分段中分类为正常的数据分段作为学习数据来使人工智能模型进行学习。

12、根据实施方案，学习装置可以配置为：基于分类为正常的数据分段的重构误差来调整预定的参考值。

13、根据实施方案，学习装置可以配置为：通过利用数据分段中分类为异常的数据分段作为验证数据来评估人工智能模型的性能。

14、根据实施方案，学习装置可以配置为：通过进一步利用数据分段中分类为正常的一定比率的数据分段作为验证数据来评估人工智能模型的性能。

15、根据实施方案，控制器可以配置为：将数据分段的分类结果和评估人工智能模型的性能的结果存储在数据库中。

16、根据本发明的另一方面，提供了一种电池诊断方法。电池诊断方法包括：从车辆获得与电池的状况相关的时间序列数据。电池诊断方法还包括：将时间序列数据划分为单元窗口块。电池诊断方法还包括：在单元窗口块中，将包括在各个单元窗口块中的时间序列数据划分为与车辆的运行状态相关的数据分段。电池诊断方法另外包括：将数据分段输入到训练为将数据分段分类为正常或异常的人工智能模型中。电池诊断方法进一步包括：基于人工智能模型对数据分段的分类来诊断电池是否异常。

17、根据实施方案，数据分段的每个可以与车辆的行驶状态、充电状态或停车状态的一个相对应。

18、根据实施方案，诊断电池是否异常可以包括：基于人工智能模型将数据分段的至少一个分类为异常，诊断出电池异常。

19、根据实施方案，该方法可以进一步包括：确定输入到人工智能模型的数据分段的每个的重构误差；在数据分段中，基于确定出重构误差超过预定的参考值，将数据分段分类为异常。

20、根据实施方案，该方法可以进一步包括：通过利用数据分段中分类为正常的数据分段作为学习数据来使人工智能模型进行学习。

21、根据实施方案，该方法可以进一步包括：基于分类为正常的数据分段的重构误差来调整预定的参考值。

22、根据实施方案，该方法可以进一步包括：通过利用数据分段中分类为异常的数据分段作为验证数据来评估人工智能模型的性能。

23、根据实施方案，评估人工智能模型的性能可以包括：通过进一步利用数据分段中分类为正常的一定比率的数据分段作为验证数据来评估人工智能模型的性能。

24、根据实施方案，该方法可以进一步包括：将数据分段的分类结果和评估人工智能模型的性能的结果存储在数据库中。

1.一种电池诊断设备，包括：

2.根据权利要求1所述的电池诊断设备，其中，在数据分段中，每个数据分段与车辆的行驶状态、充电状态或停车状态的一个相对应。

3.根据权利要求2所述的电池诊断设备，其中，所述控制器配置为：基于人工智能模型将数据分段的至少一个分类为异常，诊断出电池异常。

4.根据权利要求2所述的电池诊断设备，其中，

5.根据权利要求4所述的电池诊断设备，进一步包括学习装置，所述学习装置配置为通过利用数据分段中分类为正常的数据分段作为学习数据来训练人工智能模型。

6.根据权利要求5所述的电池诊断设备，其中，所述学习装置配置为基于分类为正常的数据分段的重构误差来调整预定的参考值。

7.根据权利要求5所述的电池诊断设备，其中，所述学习装置配置为通过利用数据分段中分类为异常的数据分段作为验证数据来评估人工智能模型的性能。

8.根据权利要求7所述的电池诊断设备，其中，所述学习装置配置为通过进一步利用分类为正常的一定比率的数据分段作为验证数据来评估人工智能模型的性能。

9.根据权利要求2所述的电池诊断设备，其中，所述控制器配置为：将数据分段的分类结果和评估人工智能模型的性能的结果存储在数据库中。

10.一种电池诊断方法，所述方法包括：

11.根据权利要求10所述的方法，其中，所述数据分段的每个与车辆的行驶状态、充电状态或停车状态的一个相对应。

12.根据权利要求10所述的方法，其中，诊断电池是否异常包括：基于人工智能模型将数据分段的至少一个分类为异常，诊断出电池异常。

13.根据权利要求11所述的方法，进一步包括：

14.根据权利要求13所述的方法，进一步包括：通过利用数据分段中分类为正常的数据分段作为学习数据来使人工智能模型进行学习。

15.根据权利要求14所述的方法，进一步包括：基于分类为正常的数据分段的重构误差来调整预定的参考值。

16.根据权利要求15所述的方法，进一步包括：通过利用数据分段中分类为异常的数据分段作为验证数据来评估人工智能模型的性能。

17.根据权利要求16所述的方法，其中，评估人工智能模型的性能包括：通过进一步利用分类为正常的一定比率的数据分段作为验证数据来评估人工智能模型的性能。

18.根据权利要求11所述的方法，进一步包括：将数据分段的分类结果和评估人工智能模型的性能的结果存储在数据库中。