一种基于知识图谱的锂离子电池故障检测方法及系统技术方案

本发明专利技术提供一种基于知识图谱的锂离子电池故障检测方法及系统，属于深度学习技术领域，包括：确认故障电池品牌，采集锂离子电池故障数据，获取故障电池相关业务文档；构建故障电池诊断知识体系；采集故障电池结构化数据进行数据清洗和数据存储；对应品牌故障电池售后业务文档的非结构化数据，进行知识抽取，将知识信息填入到诊断知识体系中，形成故障特征文本；将实体对齐数据与故障特征文本匹配，生成故障实体；进行知识推理，构建故障电池故障知识图谱；根据故障知识图谱进行故障归因诊断，给出故障诊断结果

【技术实现步骤摘要】
一种基于知识图谱的锂离子电池故障检测方法及系统


[0001]本专利技术涉及深度学习
，尤其涉及一种基于知识图谱的锂离子电池故障检测方法及系统
。

技术介绍

[0002]随着对环境问题的重视，以电动汽车为代表的新能源产业顺应趋势，得到了迅速发展
。
电池作为电动汽车的核心，其安全问题往往是消费者的关注的首要问题
。
诱发电池安全问题的电池故障类型众多
、
故障的原因复杂
、
故障排查时效低
、
故障检测困难
、
维修时间长，因此电池故障诊断存在很多困难，并且也对从事电池维修的从业者提出了较高的要求
。
[0003]对锂离子电池的故障诊断，主要存在三方面的挑战：首先是电池的故障定位和处理困难，这主要是由于锂离子电池内部化学反应复杂，在故障前期故障表征不够明显所导致的；再者是故障诊断的效率较低，这是由于目前电池故障的诊断还大量依赖于人工诊断以及维修人员的经验，测试手段也比较少，而且缺乏电池全生命周期监测手段；最后是技术门槛较高，锂离子电池故障诊断涉及多学科的专业知识，学习周期较长，有经验的高级人才较为缺乏
。
[0004]而随着近年来人工智能的兴起，推动了智能算法的技术进步，其中较为代表性的深度学习算法，通过深度学习训练语义分割模型，能够实现智能标记识别，推动知识图谱的生成和应用，为解决目前锂离子电池故障诊断困境提供了思路
。

技术实现思路

[0005]本专利技术提供一种基于知识图谱的锂离子电池故障检测方法及系统，用以解决现有技术中针对锂离子电池故障检测方法存在速度慢
、
门槛高和识别精度低，且在深度学习方面应用较少的缺陷
。
[0006]第一方面，本专利技术提供一种基于知识图谱的锂离子电池故障检测方法，包括：采集锂离子电池的原始故障数据集合，基于所述原始故障数据集合构建故障电池诊断知识体系；对所述原始故障数据集合中的结构化数据进行数据清洗和数据存储得到实体对齐数据，对所述原始故障数据集合中的非结构化数据进行知识抽取形成故障特征文本，将所述实体对齐数据与所述故障特征文本进行匹配，生成故障实体；对所述故障实体进行知识推理，构建锂离子电池故障知识图谱；将待检测锂离子故障电池输入所述锂离子电池故障知识图谱，输出锂离子电池故障检测结果
。
[0007]根据本专利技术提供的一种基于知识图谱的锂离子电池故障检测方法，采集锂离子电池的原始故障数据集合，包括：确认故障电池品牌，采集锂离子电池故障数据，获取所述故障电池品牌的故障电池关联业务文档
。
[0008]根据本专利技术提供的一种基于知识图谱的锂离子电池故障检测方法，基于所述原始故障数据集合构建故障电池诊断知识体系，包括：确定所述故障电池诊断知识体系包括数据层
、
服务层和应用层；所述数据层包括结构化数据
、
半结构化数据和非结构化数据；所述服务层包括知识抽取
、
知识融合
、
知识推理和知识计算；所述应用层包括数据统计分析
、
智能标签标识
、
故障图谱生成和故障归因分析
。
[0009]根据本专利技术提供的一种基于知识图谱的锂离子电池故障检测方法，对所述原始故障数据集合中的结构化数据进行数据清洗和数据存储得到实体对齐数据，对所述原始故障数据集合中的非结构化数据进行知识抽取形成故障特征文本，将所述实体对齐数据与所述故障特征文本进行匹配，生成故障实体，包括：将电
‑
热
‑
力
‑
气
‑
阻抗多元传感器采集的所述结构化数据通过宏观数据进行数据清洗和数据存储，得到所述实体对齐数据；利用自然语言对所述非结构化数据中的售后文档数据进行细粒度解析，将对应知识进行归属和标签化，得到所述故障特征文本；通过知识融合，关联所述实体对齐数据和所述故障特征文本，进行实体对齐和消除歧义，生成所述故障实体
。
[0010]根据本专利技术提供的一种基于知识图谱的锂离子电池故障检测方法，所述数据统计分析包括：将故障锂离子电池结构化数据上传至主机数据库，构建故障电池可用于训练的数据集：
[0011][0012]其中，数据集中各子集分别表示电压数据集
、
电流数据集
、
温度数据集
、
应力数据集
、
应变数据集
、
气体浓度数据集和阻抗多元特征数据集；
[0013]从数据集中提取故障锂离子电池的故障特征，由数据集
S
构建特征集
, 进行归一化处理，特征集
X
表示如下：
[0014][0015]其中，特征集中的各子集分别表示电压特征集
、
电流特征集
、
温度特征集
、
应力特征集
、
应变特征集
、
气体浓度特征集和阻抗特征集，归一化处理公式如下：
[0016][0017]其中表示归一化处理后得到的特征矩阵，分别表示特征集的最大值和最小值；
[0018]利用安时积分法标定电池荷电状态
SOC
：
[0019]其中，表示锂离子电池初始
SOC
，表示库伦效率，表示电池的额定容量，表示
t
时刻的电流；
[0020]采用深度学习的方法，构建长短时记忆递归神经网络
LSTM
，估计故障电池
SOC
，得到数据统计分析结果
。
[0021]根据本专利技术提供的一种基于知识图谱的锂离子电池故障检测方法，所述智能标签标识包括：利用自然语言对存储的故障电池售后业务文档中的电池信息进行细粒度解析，通过知识抽取和语义识别抽取故障关联实体
、
属性和关系：将所述故障电池售后业务文档中的文段序列信息，通过自然语言处理进行细粒度解析，提取关键词，语义识别抽取故障关联实体
、
属性和关系，其中所述自然语言处理采用
Span
抽取；对故障关联实体
、
属性和关系进行语义分割，得到标签化的故障电池信息标签
。
[0022]根据本专利技术提供的一种基于知识图谱的锂离子电池故障检测方法，所述故障图谱生成包括：利用深度学习算法，对标签化的故障电池信息标签进行知识推理和语义匹配，确定故障模式
、
故障实体和故障位置：对故障锂离子电池非结构化数据进行文本预分类，文本预分类主要包含故障类型
、
故障原因
、
故障参数和故障参数值；由所述故障模式
、
所述故障实体和所述故障位置生成故障电池知识图谱
。
[0023]根据本专利技术提供的一种基于知识图谱的锂离子电池故障检测方法，所述故障归因分析包括：基于片段数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于知识图谱的锂离子电池故障检测方法，其特征在于，包括：采集锂离子电池的原始故障数据集合，基于所述原始故障数据集合构建故障电池诊断知识体系；对所述原始故障数据集合中的结构化数据进行数据清洗和数据存储得到实体对齐数据，对所述原始故障数据集合中的非结构化数据进行知识抽取形成故障特征文本，将所述实体对齐数据与所述故障特征文本进行匹配，生成故障实体；对所述故障实体进行知识推理，构建锂离子电池故障知识图谱；将待检测锂离子故障电池输入所述锂离子电池故障知识图谱，输出锂离子电池故障检测结果
。2.
根据权利要求1所述的基于知识图谱的锂离子电池故障检测方法，其特征在于，采集锂离子电池的原始故障数据集合，包括：确认故障电池品牌，采集锂离子电池故障数据，获取所述故障电池品牌的故障电池关联业务文档
。3.
根据权利要求1所述的基于知识图谱的锂离子电池故障检测方法，其特征在于，基于所述原始故障数据集合构建故障电池诊断知识体系，包括：确定所述故障电池诊断知识体系包括数据层
、
服务层和应用层；所述数据层包括结构化数据
、
半结构化数据和非结构化数据；所述服务层包括知识抽取
、
知识融合
、
知识推理和知识计算；所述应用层包括数据统计分析
、
智能标签标识
、
故障图谱生成和故障归因分析
。4.
根据权利要求1所述的基于知识图谱的锂离子电池故障检测方法，其特征在于，对所述原始故障数据集合中的结构化数据进行数据清洗和数据存储得到实体对齐数据，对所述原始故障数据集合中的非结构化数据进行知识抽取形成故障特征文本，将所述实体对齐数据与所述故障特征文本进行匹配，生成故障实体，包括：将电
‑
热
‑
力
‑
气
‑
阻抗多元传感器采集的所述结构化数据通过宏观数据进行数据清洗和数据存储，得到所述实体对齐数据；利用自然语言对所述非结构化数据中的售后文档数据进行细粒度解析，将对应知识进行归属和标签化，得到所述故障特征文本；通过知识融合，关联所述实体对齐数据和所述故障特征文本，进行实体对齐和消除歧义，生成所述故障实体
。5.
根据权利要求3所述的基于知识图谱的锂离子电池故障检测方法，其特征在于，所述数据统计分析包括：将故障锂离子电池结构化数据上传至主机数据库，构建故障电池可用于训练的数据集：其中，数据集中各子集分别表示电压数据集
、
电流数据集
、
温度数据集
、
应力数据集
、
应变数据集
、
气体浓度数据集和阻抗多元特征数据集；从数据集中提取故障锂离子电池的故障特征，由数据集
S
构建特征集
, 进行归一化处理，特征集
X
表示如下：
其中，特征集中的各子集分别表示电压特征集
、
电流特征集
、
温度特征集
、
应力特征集
、
应变特征集
、
气体浓度特征集和阻抗特...

【专利技术属性】
技术研发人员：田爱娜，王钰钦，董开朗，潘壮壮，胡兆宇，姜久春，王鹿军，常春，廖力，吕露，
申请(专利权)人：湖北工业大学，
类型：发明
国别省市：