一种基于关联规则的电动汽车动力电池监控数据分析方法技术

本发明专利技术的一种基于关联规则的电动汽车动力电池监控数据分析方法，通过调取电动汽车动力电池运行参数,同时收集采样时间段内的故障类型数据；进而分析各电学参数与报警类型之间的关联度，基于设定不同的关联度阈值,在该故障诊断算法下得到不同关联度阈值下的诊断准确率。之后,根据故障诊断准确率随阈值变化的拐点以及准确率的大小共同确定最佳关联度阈值。至此，即可以做到对动力电池的未发生故障进行预判和已发生的故障进行原因分析。同时，该系统可以为售后维护人员提供有针对性的维修提示并且预测电池下一步的变化趋势。

A data analysis method of electric vehicle power battery monitoring based on association rules

【技术实现步骤摘要】
一种基于关联规则的电动汽车动力电池监控数据分析方法
本专利技术涉及动力电池安全
，具体涉及一种基于关联规则的电动汽车动力电池监控数据分析方法。
技术介绍
当前,由于电动汽车的广泛推广和应用,动力电池的安全问题也逐渐显露,诸如自燃、爆炸、热失控等事故频频发生。根据统计资料,电动汽车众多事故均由多种不同的车载动力电池故障并发所引起的。因此,研究清楚动力电池的多种故障之间的联系，对于提高电动汽车的安全性与可靠性具有十分重要的意义。在众多的电池故障并发形式当中,互相之间的联系不便于用确定性的关系表达式来描述。因为电池使用过程中电池内部化学机理迅速变化,同时由于电动车运行中的振动刹车等操作也会对动力电池产生不可预估的影响。因此,准确诊断电池各种故障的联系情况进而对下一阶段电池可能发生的故障进行预测,是安全管理系统中的重要内容。同时如何追查出故障电池全生命周期中相关属性参数对电池质量的影响是一个函需解决的问题。
技术实现思路
本专利技术提出的一种基于关联规则的电动汽车动力电池监控数据分析方法，可解决有助于查出故障电池全生命周期中相关属性参数对电池质量的影响的问题。为实现上述目的，本专利技术采用了以下技术方案：一种基于关联规则的电动汽车动力电池监控数据分析方法，包括以下步骤：S100、先建立一个报警故障记录的数据库；S200、然后将每一条报警记录作为一个候选项集，引入Apriori算法计算出不同项数的频繁项集；S300、由各频繁项集产生相应的强关联规则，并计算出各强关联规则的置信度大小；S400、通过各强关联规则的置信度大小，将这些频繁项集进行排序推荐给维修人员。进一步的，所述S100先建立一个报警故障记录的数据库；具体为首先从故障发生的历史数据中提取各种故障记录数据，并且分月的统计在该段时间内发生的次数类型信息,每一辆车发生故障的记录数据结合在该月内的发生存量用一个事务来表示；一个月中所有报警记录列表作为一个事务T，所有事务的集合为事务集D。进一步的，所述S200然后将每一条报警记录作为一个候选项集，具体为；将步骤S100中得到故障数据集对应的事务集,针对每一事务建立其对应的一条或多条关联规则,得到一个关联规则集合；这时将远程监控数据库中记录的报警信息细化分解，按照一个自然月为一个周期，将等待训练的数据集存入储备数据文件中，并将所有报警类别数据信息，按照关联规则训练需要的数据集形式排布，也构成关联规则中的每一项；然后对历史记录中数据进行清洗，去除一些无意义和噪声数据。进一步的，所述步骤S200中引入Apriori算法计算出不同项数的频繁项集；具体包括：引入Apriori算法，每跳报警记录作为一个候选1项集c1，所有c1的集合为C1；设定一个最小支持度阈值min_sup＝50％，当c1的支持度计数support_count(c1)大于等于min_sup时，则c1成为频繁1项集l1，所有l1的集合为L1，通过将L1与自身相连接产生候选2项集c2，所有c2的集合为C2，如果C2中第i个候选2项集c2(i)的某个子集为第x个候选1项集c1(x)，且它不是L1的元素时，则将c2(i)从C2中删除；满足min_sup的c2作为频繁2项集l2，其集合为L2；依次循环类推，得到不同频繁项集l2、l3、……lk-1、lk的集合L2、L3……Lk-1、Lk，其中lk-1、lk分别代表频繁k-1项集和频繁k项集，Lk-1、Lk则为它们各自的集合。进一步的，所述S300由各频繁项集产生相应的强关联规则，并计算出各强关联规则的置信度大小；包括：1)提取频繁项集对于关联规则：类型X→类型Y即由X出现可推导出Y，其支持度是指事务中含类型Y项事务的百分比；计算公式为count(类型∪Y)/N,其中count(类型∪Y)为事务集中出现类型∪Y项的数量；对于支持度大于及等于给定最小支持度的项集称为频繁项集；利用重复迭代的方法，从1项集开始，根据给定支持度阈值获得频繁1项集L1；由频繁1项集组合生成2项集，根据给定的支持度阈值对候选的2项集进行剪枝，获得频繁2项集，依次类推，直到产生最多项的频繁项集Ls为止；2)计算关联规则置信度对于关联规则中，置信度是指事物集中出现类型∪Y数量占类型项数量的百分比，计算公式为(类型∪Y)count/(类型)count,其中(类型)count为事务集中出现类型项的次数；对于频繁项集Lk,其中对于任意项I，计算关联规则(Lk-I)→I置信度；对于置信度大于及等于给定最小置信度的关联规则，称为强关联规则，否则为弱关联规则，采用不断迭代的方法计算频繁项集中关联规则的置信度值，并由置信度值对规则进行排序；将关联规则中支持度大于最小支持度阈值,且置信度大于最小置信度阈值的关联规则作为强规则。进一步的，所述S300由各频繁项集产生相应的强关联规则，并计算出各强关联规则的置信度大小；具体包括：设置一个最小置信度阈值min_conf；每个频繁项集l所产生的每个非空子集为s,若子集(l-s)与s的支持度计数之比大于等于最小置信度阈值min_conf，则输出强关联规则‘s→(s-1)'该强规则的置信度大小为l与s的支持度计数之比的值comdlence(s→(s-l))。进一步的，步骤S400通过各强关联规则的置信度大小，将这些频繁项集进行排序推荐给维修人员；包括：将所计算出来的所有强关联规则按照其置信度confidence的大小进行排序，当输入一条报警记录时，通过关联规则得出与该报警记录相关联的其他报警记录。由上述技术方案可知，本专利技术的基于关联规则的电动汽车动力电池监控数据分析方法，通过调取电动汽车动力电池运行参数,同时收集采样时间段内的故障类型数据。进而分析各电学参数与报警类型之间的关联度。基于设定不同的关联度阈值,在该故障诊断算法下得到不同关联度阈值下的诊断准确率。之后,根据故障诊断准确率随阈值变化的拐点以及准确率的大小共同确定最佳关联度阈值。至此，即可以做到对动力电池的未发生故障进行预判和已发生的故障进行原因分析。同时，该系统可以为售后维护人员提供有针对性的维修提示并且预测电池下一步的变化趋势。附图说明图1是本专利技术的方法流程图；图2是本专利技术的动力电池外部短路故障诊断及温升预测系统图；图3是本专利技术的动力电池故障诊断及预测方法流程图；图4为本专利技术的确定关联规则的训练数据中得到高满足支持度阈值的高提升度对应关系计算方法示意图，其中项目代号就是Items,支持度就是数据集合itemset中对应的值计算得到。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。...

【技术保护点】
1.一种基于关联规则的电动汽车动力电池监控数据分析方法，其特征在于：包括以下步骤：/nS100、先建立一个报警故障记录的数据库；/nS200、然后将每一条报警记录作为一个候选项集，引入Apriori算法计算出不同项数的频繁项集；/nS300、由各频繁项集产生相应的强关联规则，并计算出各强关联规则的置信度大小；/nS400、通过各强关联规则的置信度大小，将这些频繁项集进行排序推荐给维修人员。/n

【技术特征摘要】
1.一种基于关联规则的电动汽车动力电池监控数据分析方法，其特征在于：包括以下步骤：
S100、先建立一个报警故障记录的数据库；
S200、然后将每一条报警记录作为一个候选项集，引入Apriori算法计算出不同项数的频繁项集；
S300、由各频繁项集产生相应的强关联规则，并计算出各强关联规则的置信度大小；
S400、通过各强关联规则的置信度大小，将这些频繁项集进行排序推荐给维修人员。


2.根据权利要求1所述的基于关联规则的电动汽车动力电池监控数据分析方法，其特征在于：所述S100先建立一个报警故障记录的数据库；具体为首先从故障发生的历史数据中提取各种故障记录数据，并且分月的统计在该段时间内发生的次数类型信息,每一辆车发生故障的记录数据结合在该月内的发生存量用一个事务来表示；
一个月中所有报警记录列表作为一个事务T，所有事务的集合为事务集D。


3.根据权利要求2所述的基于关联规则的电动汽车动力电池监控数据分析方法，其特征在于：所述S200然后将每一条报警记录作为一个候选项集，具体为；
将步骤S100中得到故障数据集对应的事务集,针对每一事务建立其对应的一条或多条关联规则,得到一个关联规则集合；
这时将远程监控数据库中记录的报警信息细化分解，按照一个自然月为一个周期，将等待训练的数据集存入储备数据文件中，并将所有报警类别数据信息，按照关联规则训练需要的数据集形式排布，也构成关联规则中的每一项；
然后对历史记录中数据进行清洗，去除一些无意义和噪声数据。


4.根据权利要求1所述的基于关联规则的电动汽车动力电池监控数据分析方法，其特征在于：所述步骤S200中引入Apriori算法计算出不同项数的频繁项集；
具体包括：
引入Apriori算法，每条报警记录作为一个候选1项集c1，所有c1的集合为C1；
设定一个最小支持度阈值min_sup＝50％，当c1的支持度计数support_count(c1)大于等于min_sup时，则c1成为频繁1项集l1，所有l1的集合为L1，通过将L1与自身相连接产生候选2项集c2，所有c2的集合为C2，如果C2中第i个候选2项集c2(i)的某个子集为第x个候选1项集c1(x)，且它不是L1的元素时，则将c2(i)从C2中删除；
满足min_sup的c2作为频繁2项集l2，其集合为L2；
依次循环类推，得到不同频繁项集l2、l3、……lk-1、lk的集合L2、L3……Lk-1、Lk，其中lk-...

【专利技术属性】
技术研发人员：单毅，吴定国，朱立中，
申请(专利权)人：合肥国轩高科动力能源有限公司，
类型：发明
国别省市：安徽;34