电动汽车的故障检测方法及电动汽车技术

本发明专利技术涉及电动汽车技术领域，特别涉及电动汽车的故障检测方法及电动汽车

【技术实现步骤摘要】
电动汽车的故障检测方法及电动汽车


[0001]本专利技术涉及电动汽车
，特别涉及电动汽车的故障检测方法及电动汽车
。

技术介绍

[0002]动力电池是电动车辆的关键部分之一，其故障风险直接影响着整个车辆的安全和可靠性
。
伴随着电动汽车的使用，恶劣的路面条件
、
环境温度和负载的动态变化会导致动力电池的性能非线性下降，进而导致漏液
、
绝缘损坏和部分短路等问题
。
[0003]若未能明晰动力电池的内部反应机理，及时监测故障特征和评估健康状态，动力电池将加速老化继而引发自燃
、
爆炸等严重安全事故，对于人民生命财产安全造成严重威胁，因此实现电动汽车的故障检测变得愈发重要
。
[0004]因此，目前亟待需要一种电动汽车的故障检测方法
、
装置
、
电子设备及电动汽车来解决上述技术问题
。

技术实现思路

[0005]本专利技术实施例提供了电动汽车的故障检测方法及电动汽车，能够有效对电动汽车进行故障检测
。
[0006]第一方面，本专利技术实施例提供了一种电动汽车的故障检测方法，包括：对由各车载
BMS
采集的每个电动汽车的原始动力电池数据进行采样故障的剔除，得到各电动汽车的目标动力电池数据；其中，所述动力电池数据包括电压数据
、
电流数据
、
温度数据和时间数据；对每个电动汽车的目标动力电池数据进行特征提取，得到每个电动汽车中每个动力电池在不同特征维度的目标特征值；将每个电动汽车中每个动力电池在不同特征维度的目标特征值输入到预先训练好的第二故障检测模型中，以确定每个电动汽车发生故障的动力电池编号；其中，所述第二故障检测模型包括孤立森林算法
、
基于距离的第一无监督学习算法和基于密度的第二无监督学习算法；针对动力电池发生故障的每个电动汽车，基于当前电动汽车发生故障的动力电池编号和当前电动汽车中每个动力电池在不同特征维度的目标特征值，确定当前电动汽车的预测故障等级
。
[0007]第二方面，本专利技术实施例还提供了一种电动汽车，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本专利技术任一实施例所述的方法
。
[0008]本专利技术实施例提供了电动汽车的故障检测方法及电动汽车，首先通过对由各车载
BMS
采集的每个电动汽车的原始动力电池数据进行采样故障的剔除，这样就可以避免因采样故障导致的误报警；然后利用第一故障检测模型对每个电动汽车的目标动力电池数据进行预检测，可以快速粗筛得到疑似故障的电动汽车，从而可以有效提高第二故障检测模型
的检测效率；接着对每个电动汽车的目标动力电池数据进行特征提取，并将每个电动汽车中每个动力电池在不同特征维度的目标特征值输入到预先训练好的第二故障检测模型中，这样可以在保证查全率的前提下有效降低模型的误报率；最后基于当前电动汽车发生故障的动力电池编号和当前电动汽车中每个动力电池在不同特征维度的目标特征值，确定当前电动汽车的预测故障等级
。
因此，上述技术方案能够有效对电动汽车进行故障检测
。
附图说明
[0009]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图
。
[0010]图1是本专利技术实施例提供的一种电动汽车的故障检测方法流程图；图2是本专利技术实施例提供的一种电动汽车中电子设备的硬件架构图；图3是本专利技术实施例提供的一种动力电池在其中一个特征维度的基本信度分配曲线图
。
具体实施方式
[0011]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，基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围
。
[0012]请参考图1，本专利技术实施例提供了一种电动汽车的故障检测方法，包括：步骤
100
：对由各车载
BMS
采集的每个电动汽车的原始动力电池数据进行采样故障的剔除，得到各电动汽车的目标动力电池数据；其中，动力电池数据包括电压数据
、
电流数据
、
温度数据和时间数据；步骤
102
：将每个电动汽车的目标动力电池数据输入到预先训练好的第一故障检测模型中，筛选得到疑似故障的电动汽车；步骤
104
：对每个疑似故障的电动汽车的目标动力电池数据进行特征提取，得到每个疑似故障的电动汽车中每个动力电池在不同特征维度的目标特征值；步骤
106
：将每个疑似故障的电动汽车中每个动力电池在不同特征维度的目标特征值输入到预先训练好的第二故障检测模型中，以确定每个疑似故障的电动汽车发生故障的动力电池编号；其中，第二故障检测模型包括孤立森林算法
、
基于距离的第一无监督学习算法和基于密度的第二无监督学习算法；步骤
108
：针对动力电池发生故障的每个疑似故障的电动汽车，基于当前电动汽车发生故障的动力电池编号和当前电动汽车中每个动力电池在不同特征维度的目标特征值，确定当前电动汽车的预测故障等级
。
[0013]在本实施例中，首先通过对由各车载
BMS
采集的每个电动汽车的原始动力电池数据进行采样故障的剔除，这样就可以避免因采样故障导致的误报警；然后利用第一故障检测模型对每个电动汽车的目标动力电池数据进行预检测，可以快速粗筛得到疑似故障的电
动汽车，从而可以有效提高第二故障检测模型的检测效率；接着对每个电动汽车的目标动力电池数据进行特征提取，并将每个电动汽车中每个动力电池在不同特征维度的目标特征值输入到预先训练好的第二故障检测模型中，这样可以在保证查全率的前提下有效降低模型的误报率；最后基于当前电动汽车发生故障的动力电池编号和当前电动汽车中每个动力电池在不同特征维度的目标特征值，确定当前电动汽车的预测故障等级
。
因此，上述技术方案能够有效对电动汽车进行故障检测
。
[0014]下面针对各步骤依次进行介绍
。
[0015]针对步骤
100
：在一些实施方式中，各车载
BMS
（
Battery Management System
，电池管理系统）采集的每个电动汽车的原始动力电池数据通过
T
‑
BOX
（...

【技术保护点】

【技术特征摘要】
1.
一种电动汽车的故障检测方法，其特征在于，包括：对由各车载
BMS
采集的每个电动汽车的原始动力电池数据进行采样故障的剔除，得到各电动汽车的目标动力电池数据；其中，所述动力电池数据包括电压数据
、
电流数据
、
温度数据和时间数据；将每个电动汽车的目标动力电池数据输入到预先训练好的第一故障检测模型中，筛选得到疑似故障的电动汽车；对每个疑似故障的电动汽车的目标动力电池数据进行特征提取，得到每个疑似故障的电动汽车中每个动力电池在不同特征维度的目标特征值；将每个疑似故障的电动汽车中每个动力电池在不同特征维度的目标特征值输入到预先训练好的第二故障检测模型中，以确定每个疑似故障的电动汽车发生故障的动力电池编号；其中，所述第二故障检测模型包括孤立森林算法
、
基于距离的第一无监督学习算法和基于密度的第二无监督学习算法；针对动力电池发生故障的每个疑似故障的电动汽车，基于当前电动汽车发生故障的动力电池编号和当前电动汽车中每个动力电池在不同特征维度的目标特征值，确定当前电动汽车的预测故障等级
。2.
根据权利要求1所述的方法，其特征在于，所述第一故障检测模型包括依次连接的编码器
、
采样层和解码器，所述编码器和所述解码器均包括
LSTM
或
GRU
，所述编码器用于将输入序列数据转化为第一潜在向量，所述采样层用于将所述第一潜在向量映射到一个高斯分布并从所述高斯分布中采样出第二潜在向量，所述解码器用于将所述第二潜在向量转化为输出序列数据，所述输入序列数据和所述输出序列数据为相同类型的连续向量
。3.
根据权利要求2所述的方法，其特征在于，所述第一故障检测模型是通过如下方式进行训练的：将作为正样本的样本动力电池数据输入到待训练的目标神经网络中；其中，所述样本动力电池数据包括电动汽车中超过预设百分比的动力电池处于正常状态时的第一样本动力电池数据和该电动汽车中剩余动力电池处于异常状态时的第二样本动力电池数据，所述目标神经网络包括依次连接的所述编码器
、
所述采样层和所述解码器；在训练的次数达到预设次数或预设的损失函数小于预设值时，得到训练完成的第一故障检测模型
。4.
根据权利要求3所述的方法，其特征在于，所述目标神经网络的超参数是通过如下方式确定的：对所述目标神经网络的初始超参数进行编码，得到初始种群；其中，所述初始超参数为所述初始种群的个体，所述初始超参数包括神经网络层数
、
神经元个数和权重；设定种群规模
、
最大进化次数
、
交叉概率
、
变异概率
、
学习率
、
个体的速度范围和位置范围；对所述初始种群中每个个体的速度和位置均进行初始化，并计算所述初始种群中每个个体的适应度值；对所述初始种群中每个个体的速度和位置均进行更新，并计算更新后的每个个体的适应度值；基于更新后的每个个体的适应度值，对所述初始种群的个体进行选择
、
交叉和变异，得
到下一代种群，循环执行对每一代种群中个体的适应度值计算
、
选择
、
交叉和变异，直至完成所述最大进化次数的迭代，并输出适应度值最高的全局最优个体；对所述全局最优个体进行解码，得到最优超参数
。5.
根据权利要求2所述的方法，其特征在于，所述将每个电动汽车的目标动力电池数据输入到预先训练好的第一故障检测模型中，筛选得到疑似故障的电动汽车，包括：将每个电动汽车的目标动力电池数据输入到预先训练好的第一故障检测模型中，得到每个电动汽车的第二潜在向量；基于如下公式确定每个电动汽车的异常阈值：式中，
z
为所述异常阈值，<...

【专利技术属性】
技术研发人员：杨世春，张正杰，陈飞，刘新华，周思达，曹瑞，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：