一种基于制造技术

本发明专利技术涉及电动重卡技术领域，公开了一种基于

【技术实现步骤摘要】
一种基于XGBoost的电动重卡电池故障预警方法、装置及设备


[0001]本专利技术涉及电动重卡
，更具体地，涉及一种基于
XGBoost
的电动重卡电池故障预警方法
、
装置及设备
。

技术介绍

[0002]电动重卡作为新能源汽车的一种，具有节能减排的优势
。
电动重卡使用动力电池作为能源，电池系统由数千个锂离子电池串并联而成，以提供足够的动力
。
但是，电池系统也存在着故障风险，如
SOC
低报警
、SOC
跳变报警
、
电池一致性差等，这些故障会影响电池的性能和寿命，甚至导致安全事故
。
因此，对电池系统进行实时在线的故障诊断和预警是非常必要的
。
[0003]现有的电动重卡电池故障诊断方法基于物理模型，通过获取故障因素之间的关系来对电动重卡电池进行故障诊断，只能在故障发生后才能进行诊断，对于复杂的电动重卡电池系统来说，存在着诊断效率低以及精度低的缺陷
。

技术实现思路

[0004]本专利技术为克服现有技术存在的电动重卡电池故障诊断效率低以及精度低的缺陷，提出如下技术方案：
[0005]第一个方面，本专利技术提出一种基于
XGBoost
的电动重卡电池故障预警方法，包括：
[0006]从电动重卡的历史数据中获取充电段数据和放电段数据；
[0007]根据所述充电段数据和放电段数据，提取电动重卡电池的状态特征数据；
[0008]使用滑动窗口将所述状态特征数据划分为若干类标签特征数据；
[0009]将所述若干类标签特征数据输入预训练好的
XGBoost
模型进行预测，所述
XGBoost
模型输出故障预测值；
[0010]当所述预测结果值大于或等于故障阈值时，发出故障预警
。
[0011]第二个方面，本专利技术还提出一种基于
XGBoost
的电动重卡电池故障预警方法装置，包括：
[0012]获取模块，用于从电动重卡的历史数据中获取充电段数据和放电段数据；
[0013]提取模块，用于根据所述充电段数据和放电段数据，提取电动重卡电池的状态特征数据；
[0014]划分模块，用于使用滑动窗口将所述状态特征数据划分为若干类标签特征数据；
[0015]预测模块，用于将所述若干类标签特征数据输入预训练好的
XGBoost
模型进行预测，所述
XGBoost
模型输出故障预测值；
[0016]预警模块，用于当所述预测结果值大于或等于故障阈值时，发出故障预警
。
[0017]第三个方面，本专利技术还提出一种电子设备，所述电子设备包括存储器
、
处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现如第一个方面中所述的基于
XGBoost
的电动重卡电池故障预警方法所执行的操作
。
[0018]本专利技术的有益效果至少包括：
[0019](1)
本专利技术通过获取电动重卡的历史数据，提取电动重卡电池的状态特征数据，并将所述状态特征数据划分为若干类标签特征数据，然后使用
XGBoost
模型进行故障预测，可以自动从大量历史数据中学习出最优的故障预测模型，无需人工干预，解决了传统的基于规则或物理模型的电动重卡电池故障诊断方法存在的效率低和精度低缺陷，提升了电动重卡电池故障诊断的效率和精度
。
[0020](2)XGBoost
模型可以根据电动重卡的实时数据，快速地输出故障预测值，并根据故障阈值进行故障预警，准确分析出不同工况下电动重卡的潜在规律和内在特征，从而可以及时发现电池的异常情况，避免发生严重的故障或事故
。
附图说明
[0021]图1为本申请实施例所提供的基于
XGBoost
的电动重卡电池故障预警方法的流程示意图
。
[0022]图2为本申请实施例所提供的基于
XGBoost
的电动重卡电池故障预警方法的原理架构图
。
[0023]图3为本申请实施例中使用滑动窗口将所述状态特征数据划分为若干类标签特征数据的原理图
。
[0024]图4为本申请实施例中标签特征数据集的划分的原理图
。
[0025]图5为本申请实施例中
K
折交叉验证法的原理图
。
[0026]图6为本申请实施例中
XGBoost
模型的构建流程图
。
[0027]图7为本申请实施例所提供的基于
XGBoost
的电动重卡电池故障预警装置的架构图
。
[0028]图8为本申请实施例所提供的电子设备的结构示意图
。
具体实施方式
[0029]以下将参照附图和优选的技术方案来说明本专利技术的实施方式，本领域技术人员可由本说明书中所揭露的内容轻易地了解本专利技术的其他优点与功效
。
本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变
。
应当理解，优选的技术方案仅为了说明本专利技术，而不是为了限制本专利技术的保护范围
。
[0030]需要说明的是，以下实施例中所提供的图示仅以示意方式说明本专利技术的基本构想，遂图式中仅显示与本专利技术中有关的组件而非按照实际实施时的组件数目
、
形状及尺寸绘制，其实际实施时各组件的型态
、
数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂
。
[0031]在下文描述中，探讨了大量细节，以提供对本专利技术实施例的更透彻的解释，然而，对本领域技术人员来说，可以在没有这些具体细节的情况下实施本专利技术的实施例是显而易见的，在其他实施例中，以方框图的形式而不是以细节的形式来示出公知的结构和设备，以避免使本专利技术的实施例难以理解
。
[0032]具体而言，图1和图2分别为本申请实施例所提供的基于
XGBoost
的电动重卡电池
故障预警方法的流程示意图和原理架构图
。
[0033]如图1和图2所示，该基于
XGBoost
的电动重卡电池故障预警方法包括：
[0034]S10
：从电动重卡的历史数据中获取充电段数据和放电段数据
。
[0035]可选地，在本申请的一个实施例中，在获取充放电段数据之前，所述方法还包括对所述历史数据进行以下预处理：
[0036]将超过预设范围的电压值和温度值删除
。
[0037]将采样点缺失的历史数据删除
。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
XGBoost
的电动重卡电池故障预警方法，其特征在于，包括：从电动重卡的历史数据中获取充电段数据和放电段数据；根据所述充电段数据和放电段数据，提取电动重卡电池的状态特征数据；将所述状态特征数据划分为若干类标签特征数据；将所述若干类标签特征数据输入预训练好的
XGBoost
模型进行预测，所述
XGBoost
模型输出故障预测值；当所述预测结果值大于或等于故障阈值时，发出故障预警
。2.
根据权利要求1所述的基于
XGBoost
的电动重卡电池故障预警方法，其特征在于，所述电动重卡电池的状态特征数据包括总电压
、
总电流
、SOC、
最高单体电压
、
最低单体电压
、
最高单体温度以及电芯端电压的统计值
。3.
根据权利要求2所述的基于
XGBoost
的电动重卡电池故障预警方法，其特征在于，所述电芯端电压的统计值包括电芯端电压的均值
、
标准差
、
中位数和压差；其中，电芯端电压的均值
v
_mean
的表达式如下所示：其中，
n
为电芯的个数，
v
i
表示第
i
个电芯的电压；电芯端电压的标准差
v
_std
的表达式如下所示：电芯端电压的压差
v
_diff
的表达式如下所示：
v
_diff
＝
v
_max
‑
v
_min
其中，
v
_max
为电芯端电压的最大值，
v
_min
为电芯端电压的最小值；电芯端电压的单体一致性偏差程度
v
_bias
的表达式如下所示：
4.
根据权利要求1所述的基于
XGBoost
的电动重卡电池故障预警方法，其特征在于，使用滑动窗口将所述状态特征数据划分为若干类标签特征数据，具体的步骤包括：设置每一类状态特征的故障阈值；利用长度为
s
的滑动窗口将所述电动重卡电池的状态特征数据划分在若干个滑动窗口内；判断每一个滑动窗口内的状态特征数据是否达到故障阈值，若是，则将该滑动窗口标记为1表示故障状态数据，若否，则将该滑动窗口标记为0表示正常状态数据；若连续
c
个滑动窗口被标记为1，则将该
c
个连续的滑动窗口的前
c
个滑动窗口标记为0‑1表示预警状态数据；重复上述步骤，直至所有状态特征数据都被标记，得到若干类标签特征数据
。5.
根据权利要求4所述的基于
XGBoost
的电动重卡电池故障预警方法，其特征在于，所述判断每一个滑动窗口内的状态特征数据是否达到故障阈值，具体为：若滑动窗口内存在一个数据点的每一类状态特征数据均处于其对应的故障阈值范围内，则判定该滑动窗口内的状态特征数据达到故障阈值
。。
6.
根据权利要求1所述的基于
XGBo...

【专利技术属性】
技术研发人员：徐悦，周浩，周海，张锦学，
申请(专利权)人：湖南行必达网联科技有限公司，
类型：发明
国别省市：