一种电池故障分类方法、装置、设备及介质与流程

摘要: 本发明涉及新能源汽车动力电池,尤其涉及一种电池故障分类方法、装置、设备及介质。背景技术:1、锂离子电池因其高能量密度、长寿命等优点被广泛应用,但其在制造和使用过...
一种电池故障分类方法、装置、设备及介质与流程

本发明涉及新能源汽车动力电池,尤其涉及一种电池故障分类方法、装置、设备及介质。

背景技术:

1、锂离子电池因其高能量密度、长寿命等优点被广泛应用,但其在制造和使用过程中可能出现多种故障,如过充、析锂、内短路等。若未能早期识别,可能引发严重安全事故。

2、现有电池故障诊断方法主要包括基于阈值、基于等效电路模型、基于电化学阻抗谱eis(electrochemical impedance spectroscopy)以及基于数据驱动模型的方法。然而,这些方法存在各自的局限性。

3、基于阈值的方法依赖电压、温度等外部可测参数,对电池内部电化学状态变化不敏感,导致故障识别滞后,难以检出早期隐蔽性故障。

4、基于等效电路模型的方法虽有物理意义,但模型参数辨识易受工况、噪声等因素干扰,且单纯依赖少数几个参数难以准确区分多种耦合的故障类型。

5、基于电化学阻抗谱eis的方法能够反映电池内部状态,但现有技术往往存在特征利用不充分的问题。例如,仅利用单一频点阻抗或少量等效电路参数,无法完整表征eis在不同频段所蕴含的关于欧姆阻抗、界面反应和离子扩散的丰富信息,导致在多故障分类任务中区分能力有限。

6、基于数据驱动的方法,如深度学习模型,虽有较强的非线性拟合能力,但通常需要大规模、均衡的标注数据集。在电池故障领域,高危故障的样本稀少且获取困难,导致模型易过拟合且对少数类的识别能力弱。此外,这类“黑盒”模型缺乏可解释性,无法阐明其做出故障判断所依据的电化学机理,限制了其在安全关键领域的应用可信度。

7、因此,现有技术普遍存在对电池内部电化学异常识别不及时、对多类型故障的分类能力不足、对eis信息利用不充分以及诊断结果缺乏可解释性的问题,难以满足对电池系统进行早期、准确、可信的故障诊断需求。

技术实现思路

1、本发明提供了一种电池故障分类方法及装置,可以解决电池故障诊断技术存在的对内部电化学异常识别不及时、多故障分类能力不足、eis信息利用不充分以及诊断结果缺乏可解释性的缺陷问题。技术方案如下:

2、一方面,提供了一种电池故障分类方法,所述方法包括:

3、基于锂离子电池的电化学阻抗谱eis数据提取多频段电化学阻抗谱eis统计特征,以及基于等效电路模型ecm提取电化学机理特征向量,其中,所述多频段包括高频段、中频段和低频段;基于所述多频段电化学阻抗谱eis统计特征和所述电化学机理特征向量构建异构特征集合;

4、采用基于对称决策树的集成学习模型,以加权多分类损失函数为优化目标,对所述异构特征集合构建故障类别模型;

5、在所述故障类别模型训练过程中,基于shap(shapley additive explanations)值对特征贡献度进行迭代评估与反馈,动态调整高频段、中频段、低频段统计特征与电化学机理特征向量的融合权重,使所述故障类别模型自适应聚焦于对故障判别最具区分力的电化学响应维度;

6、输出故障类别、置信概率、风险等级及可解释性诊断依据中至少一项,所述诊断依据基于shap贡献值映射至高频段、中频段、低频段阻抗响应及等效电路参数,揭示故障分类决策所依赖的电化学机理路径。另一方面,提供了一种电池故障分类装置,所述装置包括:

7、数据预处理模块,用于基于锂离子电池的电化学阻抗谱eis数据提取多频段电化学阻抗谱eis统计特征,以及基于等效电路模型ecm(equivalent circuit model)提取电化学机理特征向量,其中,所述多频段包括高频段、中频段和低频段;基于所述多频段电化学阻抗谱eis统计特征和所述电化学机理特征向量构建异构特征集合;

8、故障分类模型模块,其内嵌基于对称决策树的集成学习模型,用于以加权多分类损失函数为优化目标,对所述异构特征集合进行训练,构建故障类别预测模型;

9、动态权重优化模块,其在所述故障分类模型模块的训练过程中,基于shap值对所述异构特征集合中各特征的贡献度进行迭代评估,动态调整高频段、中频段、低频段统计特征与电化学机理特征向量的融合权重,使所述故障类别模型自适应聚焦于对故障判别最具区分力的电化学响应维度;

10、可解释输出模块,用于在故障分类模型输出故障类别、置信概率、风险等级及可解释性诊断依据中至少一项,所述诊断依据基于shap贡献值映射至高频段、中频段、低频段阻抗响应及等效电路参数,揭示故障分类决策所依赖的电化学机理路径。另一方面,提供了一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器用于存放计算机程序,所述处理器用于执行所述存储器上所存放的计算机程序,以实现上述所述的电池故障分类方法的步骤。

11、另一方面,提供了一种计算机可读存储介质,所述存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述电池故障分类方法的步骤。

12、另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现上述电池故障分类方法的步骤。

13、本发明提供的技术方案至少可以带来以下有益效果:通过融合多频段统计特征与电化学机理特征向量,构建了信息更全面的异构特征集合,克服了现有技术仅依赖部分eis信息或外部信号导致特征表达能力不足的问题,从而提高了故障分类的准确性;通过采用加权多分类损失函数,使模型在训练时能够优先关注样本稀少但风险高(如析锂、内短路)的故障类型,有效提升了对高危故障的识别敏感性和检出率;通过基于shap值对特征贡献度进行迭代评估与反馈,动态调整高频段、中频段、低频段统计特征与电化学机理特征向量的融合权重,使模型能够自适应地聚焦于对当前分类任务最具区分力的电化学响应维度,实现了多尺度信息的协同优化,提升了模型的整体性能;通过在输出分类结果的同时,基于shap贡献值映射至高频段、中频段、低频段阻抗响应及等效电路参数,提供可解释性诊断依据,将抽象的模型决策映射到具体的频段响应和电化学参数上,揭示了故障发生的物理机理路径增强了诊断结果的可信度和实用性。

1.一种电池故障分类方法,其特征在于,包括:

2.如权利要求1所述的方法,其特征在于,所述提取多频段电化学阻抗谱eis统计特征包括:

3.如权利要求1所述的方法,其特征在于,所述基于等效电路模型ecm提取的电化学机理特征向量,包括:

4.如权利要求1所述的方法,其特征在于,基于所述多频段电化学阻抗谱eis统计特征和所述电化学机理特征向量构建异构特征集合,包括:

5.如权利要求1所述的方法,其特征在于,所述对称决策树的集成学习模为catboost模型,所述catboost模型函数表示为:其中,为决策树数量,为学习率,为第棵对称决策树。

6.如权利要求1所述的方法,其特征在于,所述加权多分类损失函数定义为:

7.如权利要求1所述的方法,其特征在于,所述动态调整高频段、中频段、低频段统计特征与电化学机理特征向量的融合权重,包括:

8.一种电池故障分类装置,其特征在于,包括:

9.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器用于存放计算机程序,所述处理器用于执行所述存储器上所存放的计算机程序,以实现上述权利要求1-7任一所述方法的步骤。

10.一种计算机可读存储介质,其特征在于,所述存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-7任一所述的方法的步骤。