本发明涉及电动车电池故障诊断方法领域,具体涉及一种基于运行数据的新能源汽车电池电压故障诊断方法。
背景技术:
1、电池电压信号异常与电池自放电、电池系统连接异常等故障有着高度的相关性,严重的电压信号异常最终可能导致电池热失控,极大地危害用户财产及生命安全。目前线上电压预警一般为设定阈值的方法,该方法阈值设定较为宽泛,检测及时性差,并且受制于数据传感器采样故障、电池连接异常和其他相关故障对电压信号的影响,极大的增加了电压持续异常下降故障的误报率。此外,传统电池故障检测主要通过线下设备进行诊断,需要基于一定的先验经验和规则,对非预期故障的适应性较差,受限于检测设备,对大规模数据应用较差等缺点。数据驱动的预测方法可以从电池的历史数据出发,依靠统计学原理、智能技术等,准确的对电池进行故障预测。但现有的预测方法容易导致电压异常故障预警不及时、误报多的问题。
技术实现思路
1、本发明意在提供一种基于运行数据的新能源汽车电池电压故障诊断方法,以解决电压异常故障预警不及时、误报多的问题。
2、本方案中的基于运行数据的新能源汽车电池电压故障诊断方法,包括:
3、步骤s1,将原始报文解析出电池信号数据;
4、还包括:
5、步骤s2,对电池信号数据进行清洗处理,得到时间、充放电状态和电压矩阵;
6、步骤s3,对充电状态的电压数据进行计算,计算预设条件为charge_status ==1,将满足预设条件时对应的时间和电压矩阵进行保留;
7、步骤s4,对电压矩阵中的数据进行采样和特征提取,采取中值压差方法对每一行数据进行计算,得到特征矩阵d;
8、步骤s5,基于特定窗口对特征矩阵d进行滑动均值滤波处理,得到电压特征提取矩阵k;
9、步骤s6,选取特定窗口对电压特征提取矩阵k进行滑动计算,对窗口内部每个电芯的特征进行求和计算后再进行差分计算后得到特征值趋势变化矩阵j;
10、步骤s7,根据时间点对电压特征提取矩阵k和特征特征值趋势变化矩阵j中每个电芯的特征向量进行遍历,判断其特征值是否小于异常阈值下限或大于异常阈值上限,若满足条件,则判断为疑似异常;
11、步骤s8,对电压特征提取矩阵k和特征值趋势变化矩阵j进行同时判断,若在同一电芯的同一时刻发生疑似异常,则判定为最终发生异常。
12、本方案的有益效果是:
13、通过从清洗处理后的电池信号数据中提取特征矩阵,再进行电压特征和特征值趋势变化的计算提取,针对电压特征和特征值趋势变化分别计算阈值上限和阈值下限,初步判断为疑似异常,最后结合电压特征和特征值趋势变化同时判断疑似异常是否为同一电芯的同一时刻发生,若是则确认发生异常。基于特征和对应的趋势变化让电压异常故障预警更及时,降低误报率。
14、进一步,所述步骤s2中,清洗处理包括删除异常字符与无效数据、剔除预设范围外的数据、选择预设类型的数据。
15、进一步,所述步骤s3中,所述预设条件为charge_status ==1。
16、进一步,所述步骤s4中,电压矩阵表示为,将每一列表示第i个电芯的电压数据,每一行表示第j个时间点的电压数据,以t秒为采样间隔,在第j个时间点对应的时间为jt秒,对电压矩阵v进行特征提取,对电压数据v进行中值压差处理,得到中值压差的特征矩阵d。
17、进一步,所述步骤s4中,对每一行,计算其中位数,然后用每一列的减去中位数,得到一个新的行向量作为特征矩阵d,行向量表示为:
18、,其中,。
19、有益效果是:以中位数计算特征矩阵d,能够让数据更均匀。
20、进一步,所述步骤s5中, 滑动均值滤波处理过程为,使用长度为m的滑动窗口,每次移动一个时间点,对于每个窗口k,计算其内部每一列的平均值,得到一个新的行向量,表示为:
21、;
22、其中,,m为特征矩阵d的行数。
23、有益效果是:以滑动均值滤波处理,能够让数据更平滑。
24、进一步,所述步骤s6中,对电压特征提取矩阵k进行滑动窗口计算,滑动窗口的长度为3*m,滑动窗口每次移动一个时间点,共有m-3*m+1个窗口,对于每个窗口k,计算其内部每一列的和,得到一个新的行向量为:
25、;
26、其中,,表示第列的和;
27、再对每一列进行差分,即用相邻两行的差值代替原来的值,最后得到一个新的表示特征值的趋势变化情况的矩阵,表示为:
28、;
29、其中,,。
30、有益效果是:设置较大长度的滑动窗口进行计算,能够提取并保留下电压中对应的特征信息。
31、进一步,所述步骤s7中,选取电压特征提取矩阵k和特征值趋势变化矩阵j全生命周期前十分之一阶段的数据,全生命周期包括l个时间点,前十分之一的阶段就是前l/10个时间点,记为k_1和j_1,大小均为(l/10)行n列,对k_1和j_1的列向量进行遍历,求取每一列特征向量的75分位数与25分位数,分别记为q3和q1,它们是两个1行n列的向量。
32、有益效果是:对矩阵k和矩阵j全生命周期前十分之一阶段的数据进行不同的分位数,保证计算的数据所包含的电池特征的有效性和完整性。
33、进一步,所述步骤s7中,对于第i列,先将其按时间排序为升序序列s_i,然后根据以下公式计算q3和q1:
34、;
35、;
36、其中,。
37、有益效果是:通过对每一个单体电芯分别进行公式的计算,能够考虑到每一个电芯的故障表征信息,避免了异常数据过少导致预警失效的情况;同时,该特征提取方法基于统计学中异常判断的思想,能够快速准确的提取电芯关键信息特征,
38、进一步,所述步骤s7中,根据四分位数法计算电压特征提取矩阵k的上限阈值和下限阈值,对于第i列,上限阈值和下限阈值根据以下公式计算:
39、;
40、;
41、对电压特征提取矩阵k的每个点都进行判断,超出上限阈值和下限阈值的异常点标记为1,其余正常点标记为0,得到一个取值范围为0和1的矩阵k1。
42、根据四分位数法计算特征值趋势变化矩阵j的上限阈值和下限阈值,具体地,对于第i列,根据以下公式计算:
43、;
44、。
45、有益效果是:对电压特征提取矩阵j的每个点都进行判断,超出上限阈值和下限阈值的异常点标记为1,其余正常点标记为0,得到一个取值范围为0和1的矩阵j1。
1.一种基于运行数据的新能源汽车电池电压故障诊断方法,包括:
2.根据权利要求1所述的一种基于运行数据的新能源汽车电池电压故障诊断方法,其特征在于:所述步骤s2中,清洗处理包括删除异常字符与无效数据、剔除预设范围外的数据、选择预设类型的数据。
3.根据权利要求1所述的一种基于运行数据的新能源汽车电池电压故障诊断方法,其特征在于:所述步骤s3中,所述预设条件为charge_status==1。
4.根据权利要求2所述的一种基于运行数据的新能源汽车电池电压故障诊断方法,其特征在于:所述步骤s4中,电压矩阵表示为,将每一列表示第i个电芯的电压数据,每一行表示第j个时间点的电压数据,以t秒为采样间隔,在第j个时间点对应的时间为jt秒,对电压矩阵v进行特征提取,对电压数据v进行中值压差处理,得到中值压差的特征矩阵d。
5.根据权利要求4所述的一种基于运行数据的新能源汽车电池电压故障诊断方法,其特征在于:所述步骤s4中,对每一行,计算其中位数,然后用每一列的减去中位数,得到一个新的行向量作为特征矩阵d,行向量表示为:
6. 根据权利要求5所述的一种基于运行数据的新能源汽车电池电压故障诊断方法,其特征在于:所述步骤s5中, 滑动均值滤波处理过程为,使用长度为m的滑动窗口,每次移动一个时间点,对于每个窗口k,计算其内部每一列的平均值,得到一个新的行向量,表示为:
7.根据权利要求6所述的一种基于运行数据的新能源汽车电池电压故障诊断方法,其特征在于:所述步骤s6中,对电压特征提取矩阵k进行滑动窗口计算,滑动窗口的长度为3*m,滑动窗口每次移动一个时间点,共有m-3*m+1个窗口,对于每个窗口k,计算其内部每一列的和,得到一个新的行向量为:
8.根据权利要求5所述的一种基于运行数据的新能源汽车电池电压故障诊断方法,其特征在于:所述步骤s7中,选取电压特征提取矩阵k和特征值趋势变化矩阵j全生命周期前十分之一阶段的数据,全生命周期包括l个时间点,前十分之一的阶段就是前l/10个时间点,记为k_1和j_1,大小均为(l/10)行n列,对k_1和j_1的列向量进行遍历,求取每一列特征向量的75分位数与25分位数,分别记为q3和q1,它们是两个1行n列的向量。
9.根据权利要求5所述的一种基于运行数据的新能源汽车电池电压故障诊断方法,其特征在于:所述步骤s7中,对于第i列,先将其排序为升序序列s_i,然后根据以下公式计算q3和q1:
10.根据权利要求5所述的一种基于运行数据的新能源汽车电池电压故障诊断方法,其特征在于:所述步骤s7中,根据四分位数法计算电压特征提取矩阵k的上限阈值和下限阈值,对于第i列,上限阈值和下限阈值根据以下公式计算: