用于检测电池异常的方法和装置制造方法及图纸

本申请涉及电池技术，特别涉及用于训练目标检测模型的方法和装置以及利用上述目标检测模型来检测电池异常的方法和装置。按照本申请一个方面的用于训练目标检测模型的方法包括下列步骤：由多个电池数据集生成相应的多个特征图作为训练样本，其中，每个所述电池数据集包含归属于同一个电池的多个电芯的状态参数的时间序列，所述多个特征图的每一个包含与多个电芯对应的多个区域，每个所述区域具有关联于所对应的电芯的时序性特征；将所述多个特征图划分为训练集和验证集，并且对划归所述训练集的特征图进行标注；利用所述多个特征图对所述目标检测模型进行训练。所述目标检测模型进行训练。所述目标检测模型进行训练。

【技术实现步骤摘要】
用于检测电池异常的方法和装置


[0001]本申请涉及电池技术，特别涉及用于训练目标检测模型的方法和装置以及利用上述目标检测模型来检测电池异常的方法和装置。

技术介绍

[0002]动力电池包由多个电芯组成，当电芯出现自放电过大或者电芯短路等异常情况时，将导致热失控的风险。因此车载动力电池的安全监控是迫切需要的。
[0003]目前已有的车载动力电池异常识别方法包括基于参数标定的专家经验规则方法和基于数据驱动的方法。前者需要大量的实验参数标定并结合人工经验，由于对某些监控参数的敏感性，容易产生大量误报，与此同时，该方法不具备应用泛化性。后一种方法从电池传感器采集的数据中提取特征并对异常电池进行二分类，该方法漏报率高并且只能从整体上判断电池是否异常，无法定位到电芯。

技术实现思路

[0004]本申请的目的包括提供用于训练目标检测模型的方法和装置，所训练的目标检测模型具有良好的泛化能力，能够将异常定位到电芯层面并且具有较高的预测准确率。
[0005]本申请的目的还包括提供用于检测电池异常的方法和装置，其能够将异常定位到电芯层面并且具有较高的预测准确率。
[0006]按照本申请一个方面，提供一种用于训练目标检测模型的方法，该目标检测模型被用于电池异常检测，所述方法包括下列步骤：
[0007]由多个电池数据集生成相应的多个特征图作为训练样本，其中，每个所述电池数据集包含归属于同一个电池的多个电芯的状态参数的时间序列，所述多个特征图的每一个包含与多个电芯对应的多个区域，每个所述区域具有关联于所对应的电芯的时序性特征；
[0008]将所述多个特征图划分为训练集和验证集，并且对划归所述训练集的特征图进行标注；
[0009]利用所述多个特征图对所述目标检测模型进行训练。
[0010]可选地，在上述方法中，所述状态参数为下列中的一个或多个：电压、电流和温度。
[0011]除了上述一个或多个特征以外，在上述方法中，所述多个特征图的每一个按照下列方式生成：
[0012]由各个电芯的状态参数的时间序列生成各自的序列特征；
[0013]利用同一编码器，由各自的序列特征生成各个电芯的编码特征作为所述时序性特征；
[0014]生成表示各个电芯在所述电池的横截面上的投影的投影图并且将所生成的各个电芯的编码特征关联于投影图中相应的区域以得到所述电池的特征图；
[0015]根据设定的规则调整各个电芯在所述特征图上的位置。
[0016]可选地，在上述方法中，在利用所述多个特征图训练样本对所述目标检测模型进
行训练之前还包括下列步骤：
[0017]将所述多个特征图的尺度调整至设定值。
[0018]可选地，在上述方法中，所述序列特征为下列中的一个或多个：所述状态参数在设定长度的时间窗口内的平均值、标准差、最小值、最大值、中位数、差分最小值和差分最大值。
[0019]可选地，在上述方法中，所述编码器选自下列中的一种：循环神经网络、双向循环神经网络、长短时记忆网络、双向长短时记忆网络、门控循环单元神经网络。
[0020]可选地，在上述方法中，所述设定的规则包括优先级别依次降低的下列规则：
[0021]使电流回路内相邻的电芯在所述特征图上相邻；
[0022]使空间位置相邻的电芯在所述特征图上相邻。
[0023]可选地，在上述方法中，按照下列方式对所述训练集中的特征图进行标注：
[0024]如果一个电芯属于异常电芯，则将其在所述特征图上对应的区域以及与该对应的区域相邻的区域标注为异常区域。
[0025]可选地，在上述方法中，所述目标检测模型为下列中的一种：YOLO模型、SSD模型和CenterNet模型。
[0026]按照本申请的另一个方面，提供一种用于训练目标检测模型的装置，该目标检测模型被用于电池异常检测，所述装置包括：
[0027]至少一个处理器；
[0028]至少一个存储器；
[0029]存储在所述存储器上的计算机程序，所述计算机程序在所述处理器上的运行导致下列操作：
[0030]由多个电池数据集生成相应的多个特征图作为训练样本，其中，每个所述电池数据集包含归属于同一个电池的多个电芯的状态参数的时间序列，所述多个特征图的每一个包含与多个电芯对应的多个区域，每个所述区域具有关联于所对应的电芯的时序性特征；
[0031]将所述多个特征图划分为训练集和验证集，并且对划归所述训练集的特征图进行标注；
[0032]利用所述多个特征图对所述目标检测模型进行训练。
[0033]可选地，在上述装置中，所述状态参数为下列中的一个或多个：电压、电流和温度。
[0034]除了上述一个或多个特征以外，在上述装置中，所述多个特征图的每一个按照下列方式生成：
[0035]由各个电芯的状态参数的时间序列生成各自的序列特征；
[0036]利用同一编码器，由各自的序列特征生成各个电芯的编码特征作为所述时序性特征；
[0037]生成表示各个电芯在所述电池的横截面上的投影的投影图并且将所生成的各个电芯的编码特征关联于投影图中相应的区域以得到所述电池的特征图；
[0038]根据设定的规则调整各个电芯在所述特征图上的位置。
[0039]可选地，在上述装置中，在利用所述多个特征图训练样本对所述目标检测模型进行训练之前还包括下列操作：
[0040]将所述多个特征图的尺度调整至设定值。
[0041]可选地，在上述装置中，所述序列特征为下列中的一个或多个：所述状态参数在设定长度的时间窗口内的平均值、标准差、最小值、最大值、中位数、差分最小值和差分最大值。
[0042]可选地，在上述装置中，所述编码器选自下列中的一种：循环神经网络、双向循环神经网络、长短时记忆网络、双向长短时记忆网络、门控循环单元神经网络。
[0043]可选地，在上述装置中，所述设定的规则包括优先级别依次降低的下列规则：
[0044]使电流回路内相邻的电芯在所述特征图上相邻；
[0045]使空间位置相邻的电芯在所述特征图上相邻。
[0046]可选地，在上述装置中，按照下列方式对所述训练集中的特征图进行标注：
[0047]如果一个电芯属于异常电芯，则将其在所述特征图上对应的区域以及与该对应的区域相邻的区域标注为异常区域。
[0048]可选地，在上述装置中，所述目标检测模型为下列中的一种：YOLO模型、SSD模型和CenterNet模型。
[0049]按照本申请的另一个方面，提供一种用于检测电池异常的方法，包括下列步骤：
[0050]由待检测电池的数据集生成待检测的特征图，其中，所述待检测电池的数据集包含归属于该待检测电池的多个电芯的状态参数的时间序列，所述待检测的特征图包含与该待检测电池的多个电芯对应的多个区域，每个所述区域具有关联于所对应的电芯的时序性特征；
[0051]将所述待本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于训练目标检测模型的方法，该目标检测模型被用于电池异常检测，所述方法包括下列步骤：由多个电池数据集生成相应的多个特征图作为训练样本，其中，每个所述电池数据集包含归属于同一个电池的多个电芯的状态参数的时间序列，所述多个特征图的每一个包含与多个电芯对应的多个区域，每个所述区域具有关联于所对应的电芯的时序性特征；将所述多个特征图划分为训练集和验证集，并且对划归所述训练集的特征图进行标注；利用所述多个特征图对所述目标检测模型进行训练。2.如权利要求1所述的方法，其中，所述状态参数为下列中的一个或多个：电压、电流和温度。3.如权利要求1或2所述的方法，其中，所述多个特征图的每一个按照下列方式生成：由各个电芯的状态参数的时间序列生成各自的序列特征；利用同一编码器，由各自的序列特征生成各个电芯的编码特征作为所述时序性特征；生成表示各个电芯在所述电池的横截面上的投影的投影图并且将所生成的各个电芯的编码特征关联于投影图中相应的区域以得到所述电池的特征图；根据设定的规则调整各个电芯在所述特征图上的位置。4.如权利要求3所述的方法，其中，在利用所述多个特征图训练样本对所述目标检测模型进行训练之前还包括下列步骤：将所述多个特征图的尺度调整至设定值。5.如权利要求3所述的方法，其中，所述序列特征为下列中的一个或多个：所述状态参数在设定长度的时间窗口内的平均值、标准差、最小值、最大值、中位数、差分最小值和差分最大值。6.如权利要求3所述的方法，其中，所述编码器选自下列中的一种：循环神经网络、双向循环神经网络、长短时记忆网络、双向长短时记忆网络、门控循环单元神经网络。7.如权利要求3所述的方法，其中，所述设定的规则包括优先级别依次降低的下列规则：使电流回路内相邻的电芯在所述特征图上相邻；使空间位置相邻...

【专利技术属性】
技术研发人员：邰康盛，张健，潘鹏举，吴毅成，
申请(专利权)人：蔚来汽车科技安徽有限公司，
类型：发明
国别省市：