一种车辆故障发生概率预测方法、系统及车辆技术方案

本发明专利技术属于电动汽车动力电池技术领域，具体涉及一种车辆故障发生概率预测方法、系统及车辆。本发明专利技术方法包括以下步骤：1)获取车辆预测时间段内各个时刻电池系统的接触阻抗；2)计算预测时间段内接触阻抗的平均值、中位数和标准差，输入到建立的车辆故障预测模型中，以输出车辆预测时间段内的故障发生概率。本发明专利技术通过计算预测时间内接触阻抗的标准差、平均值和中位数，将上述各指标数据输入到建立的车辆故障预测模型中，通过该模型计算并输出车辆预测时间段内的故障发生概率，这三种数据可以展现预测时间段内阻抗动态变化的差异，从而提高车辆故障概率预测的准确性，解决了现有技术中通过简单的阈值设定进行车辆故障预测误判率高的问题。的问题。的问题。

【技术实现步骤摘要】
一种车辆故障发生概率预测方法、系统及车辆


[0001]本专利技术属于电动汽车动力电池
，具体涉及一种车辆故障发生概率预测方法、系统及车辆。

技术介绍

[0002]新能源车辆的动力电池系统内部有电池、高压接触器、MSD等元器件相互由铜排等排线连接，组成高压回路为车辆提供电能，高压回路内部用螺栓连接、焊接等连接方式形成串并联电路。行车抖动、维保不到位、工艺管控不到位等都可能会导致紧固胶外溢、高压连接点螺栓松动、MSD松动等电连接异常、虚/脱焊等安全隐患发生。
[0003]在行驶时间内车辆抖动会使高压连接点虚接部位震动引起阻抗值跳变，导致拉弧烧蚀，产生局部过温，或充放电阶段回路内部存在大电流而产生严重的发热烧蚀，也会因螺栓紧固胶溢出覆盖在连接处减小高压连接线的接触面，这些异常现象都会严重影响新能源车辆的使用安全。
[0004]为避免上述情况的发生，通过计算识别车辆电池系统接触阻抗动态特性，对异常的车辆进行预警对于提升新能源车辆使用安全具有关键性作用。但根据当前电池系统发送的单体电池电压、总电流、总电压、绝缘阻值等电池信息中，难以直接提取当前接触阻抗的阻值，同时由于电池系统接触阻抗在行驶中波动性较大且由于高压连接线的长短和材料不一致，接触阻抗异常的动态特性复杂，数据特征较多且没有固定指向具体的失效模型，通常通过简单的阈值设定判断车辆异常，这种方式进行车辆故障预测的可靠性差，且误判率高，无法准确计算和预警该失效模式，仅能通过定期排查车辆等方式进行维护，导致问题具有突发性，无法实时监控和提前预警车辆存在的潜在隐患。

技术实现思路

[0005]本专利技术的目的在于提供一种车辆故障发生概率预测方法、系统及车辆，用以解决现有技术中通过简单的阈值设定进行车辆故障预测造成的误判率高的问题。
[0006]为解决上述技术问题，本专利技术提供了一种车辆故障发生概率预测方法，包括以下步骤：
[0007]1)获取车辆预测时间段内各个时刻电池系统的接触阻抗r
contact
；
[0008]2)计算预测时间段内接触阻抗r
contact
的平均值r_avg、中位数r_med和标准差r_stddev，输入到建立的车辆故障预测模型中，以输出车辆预测时间段内的故障发生概率；
[0009]所述车辆故障预测模型利用车辆多个历史时间段内的电池系统接触阻抗的平均值r_avg、中位数r_med和标准差r_stddev，以及相应的故障发生情况作为训练数据进行训练得到。
[0010]其有益效果为：本专利技术的方法不再直接利用接触阻抗与设定的阈值比较的方式来预测车辆故障发生的概率，而是通过计算预测时间内接触阻抗的用来描述跳变特性的标准差r_stddev、用来表征阻抗大小的平均值r_avg和用来修正因跳变产生阻抗平均值偏差的
中位数r_med，将上述各指标数据输入到建立的车辆故障预测模型中，通过该模型计算并输出车辆预测时间段内的故障发生概率，这三种数据可以展现预测时间段内阻抗动态变化的差异，从而提高车辆故障概率预测的准确性，解决了现有技术中通过简单的阈值设定进行车辆故障预测误判率高的问题。而且，该方法中所使用的车辆故障预测模型只要前期训练完成便可直接使用，能够通过自动化的方式实现对车辆的实时监控，对车辆故障进行提前预警，克服人工定期排查维护无法及时预警的问题，进一步降低车辆的热失控概率，保证车辆的安全。
[0011]进一步地，步骤1)中，所述接触阻抗r
contact
的计算公式为：
[0012][0013]其中，为电池系统单节平均电压，n为单个回路内部电池串数，U为配电盒输出端总电压，I为高压回路内部总电流。
[0014]其有益效果为：由于电池系统内部高压连接线和螺栓的分压难以直接求得，将电池系统内部高压连接线和螺栓的分压转化为电池总电压与配电盒输出端总电压的差值，便于计算电池系统内部的接触阻抗值。
[0015]进一步地，在计算接触阻抗r
contact
时，若某个时刻电池系统的关键指标为空值，则需要对该时刻的数据进行过滤，所述关键指标包括配电盒输出端总电压U和电池系统单节平均电压
[0016]其有益效果为：通过对关键指标为空值的数据进行过滤，避免数据干扰波动过大，保证了计算接触阻抗的间接性指标的准确性。
[0017]进一步地，若训练数据为电池系统放电或充电阶段的数据，则需要对计算得到的不在(0，0.1)区间内的接触阻抗r
contact
数据进行过滤。
[0018]其有益效果为：在模型训练时，将在放电或充电阶段计算得到的接触阻抗r
contact
中不在(0，0.1)区间内的数据进行过滤，避免因计算时未注意电流的矢量性导致接触阻抗的计算结果错误。
[0019]进一步地，按照如下方法计算训练数据中某个历史时间段接触阻抗的标准差：将该历史时间段内各个时刻的接触阻抗r
contact
数据进行升序或者降序排序，从中正数N个数据和倒数N个数据得到2N个数据，将选取的2N个数据的接触阻抗r
contact
的标准差r_stddev作为该历史时间段接触阻抗的标准差。
[0020]其有益效果为：由于标准差的比较应满足相同数量的样本，通过上述方法选取2N个数据，能够保证每组样本的数量均为2N，减少了样本数量，能够提高计算速度。
[0021]进一步地，训练所述车辆故障预测模型的过程中，需对车辆历史时间段内电池系统的接触阻抗r
contact
的平均值r_avg、中位数r_med和标准差r_stddev进行归一化处理。
[0022]其有益效果为：将数据进行归一化处理使原本不能进行比较的三个指标数据能够进行比较，便于数据处理，加快计算速度。
[0023]进一步地，所述归一化处理方式为：
[0024][0025]其中，k
i
为第i个归一化处理的结果，n
i
为第i个接触阻抗r
contact
的平均值r_avg、中
位数r_med或标准差r_stddev，max(N)为该指标分组中N个数据的最大值，指标分组指的是将同型号车型的车辆历史时间段内的指标数据作为一个分组。
[0026]其有益效果为：通过将单个指标n
i
除以指标分组N中的最大值以得到归一化处理结果k
i
，能够突出指标在同车型的量级，便于突出同车型之间的占比。
[0027]进一步地，步骤2)中，建立的车辆故障预测模型为神经网络模型。
[0028]其有益效果为：神经网络模型结构简单，计算精度高，便于对接触阻抗的平均值r_avg、中位数r_med和标准差r_stddev等数据进行计算，以预测车辆故障发生概率。
[0029]为解决上述技术问题，本专利技术还提供了一种车辆故障发生概率预测系统，包括存储器和处理器，所述处理器用于运行存储在所述存储本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车辆故障发生概率预测方法，其特征在于，包括以下步骤：1)获取车辆预测时间段内各个时刻电池系统的接触阻抗r
contact
；2)计算预测时间段内接触阻抗r
contact
的平均值r_avg、中位数r_med和标准差r_stddev，输入到建立的车辆故障预测模型中，以输出车辆预测时间段内的故障发生概率；所述车辆故障预测模型利用车辆多个历史时间段内的电池系统接触阻抗的平均值r_avg、中位数r_med和标准差r_stddev，以及相应的故障发生情况作为训练数据进行训练得到。2.根据权利要求1所述的车辆故障发生概率预测方法，其特征在于，步骤1)中，所述接触阻抗r
contact
的计算公式为：其中，为电池系统单节平均电压，n为单个回路内部电池串数，U为配电盒输出端总电压，I为高压回路内部总电流。3.根据权利要求2所述的车辆故障发生概率预测方法，其特征在于，在计算接触阻抗r
contact
时，若某个时刻电池系统的关键指标为空值，则需要对该时刻的数据进行过滤，所述关键指标包括配电盒输出端总电压U和电池系统单节平均电压4.根据权利要求1所述的车辆故障发生概率预测方法，其特征在于，若训练数据为电池系统放电或充电阶段的数据，则需要对计算得到的不在(0，0.1)区间内的接触阻抗r
contact
数据进行过滤。5.根据权利要求1所述的车辆故障发生概率预测方法，其特征在于，按照如下方法计算训练数据中某个历史时间段接触阻抗的标准差：将该历史时间段内各个时刻的接触阻抗r
c...

【专利技术属性】
技术研发人员：田野，陈雨晴，王印，李云肖，石赵伟，周雪松，
申请(专利权)人：宇通客车股份有限公司，
类型：发明
国别省市：