【技术实现步骤摘要】
本专利技术属于新能源汽车用动力电池故障诊断分析，具体涉及一种将远程数据分析与专家知识结合来对新能源汽车电池热失控的致因进行调查的方法。
技术介绍
1、目前，新能源汽车用动力电池在使用中可能发生的故障较为多样化，某些如热失控等的故障容易造成严重安全风险，不仅影响动力电池系统与整车的安全性和可靠性，也势必会阻碍电动汽车的推广应用，因此有必要针对一些重要电池故障与事故的致因进行客观精确的调查分析。现有技术针对热失控事故致因的推断主要可分为基于数据驱动的异常特征提取与分析方式，以及基于专家经验的调查分析方式两类。然而，这两类现有技术仍然存在一些缺点，譬如采用前一方式的中国专利申请cn114240260a、cn115575830a等技术方案，由于新能源汽车锂离子电池的热失控场景和热失控致因复杂多样、数据繁杂，既是优势也是劣势，大批量的实车数据中提取的安全特征多源、异构以及部分特征冗余，且无法有效的定位事故电芯和表征热失控风险，因此在机器学习模型的训练时仍较难建立热失控特征与热失控致因标签映射关系明确的训练集，训练后的实际模型效果也受平台的算力限制；而对于采用后一方式的技术方案如中国专利申请cn115790899a等，其虽可以提供明确的动力电池热失控特征与热失控致因映射关系的先验经验，但一些现场调查常在对事故情况没有任何认知的情况下开展，所耗费的时间成本和人力成本巨大，有可能会在早期工作中做太多无用功。
技术实现思路
1、有鉴于此，针对本领域中所存在的技术问题，本专利技术提供了一种数据挖掘与专
2、步骤一、云端的新能源汽车运行监测平台对发生电池热失控的各新能源车辆提取包括：车速、电压、电流、soc、绝缘阻值、电池探针温度、日期-时间、车辆运行状态、里程等的全生命周期运行监测原始数据，经解析后转换为数值类型的时间序列形式并对原始数据执行相应的数据项命名；
3、步骤二、对解析后的数据依次执行包括时间戳排序、数据缺失值填充、数据奇异值剔除、数据重复值剔除的数据清洗处理；
4、步骤三、对数据清洗处理后的数据基于相应的数据项分别执行车辆运行状态切分、日期-时间切分、数据项切分；
5、步骤四、基于热失控发生时刻的电流特征、车速特征、车辆状态编码特征以及热失控时现场的图片/视频信息(如有)，判断具体的热失控场景；
6、步骤五、利用步骤一至步骤三得到的数据建立分别对应不同热失控场景的数据库；
7、步骤六、利用步骤五建立的数据库执行热失控风险特征提取，针对热失控发生前特定短时期维度的单体电压相关值率特征、探针温度相关值率特征和绝缘阻值特征进行提取；以及针对全生命周期维度数据自动筛选与热失控风险强关联的单体电压相关特征，利用机器学习从筛选的单体电压相关特征中筛选出全生命周期中相应的热失控风险演变规律特征，并利用soc、电池探针温度和总电流数据聚类提取全生命周期中的异常充电行为特征；
8、步骤七、利用步骤六得到的各特征数据，融合专家经验对热失控的具体致因执行推断。
9、进一步地，步骤一所提取的原始数据具体根据gb/t 32960-2016的规定进行数据解码；对原始数据的解析具体包括：将车速、电压、电流、探针温度数据项转换成国际单位制下的数值，将日期-时间数据转换为标准的“年-月-日时-分-秒”格式；对各数据项的规范命名包括：“时间”、“车辆状态”、“里程(km)”、“总电压(v)”、“总电流(a)”、“探针温度列表(℃)”、“单体电压列表(v)”、“soc(％)”、“绝缘阻值(kω)”。
10、进一步地，步骤二中的数据清洗处理过程具体包括：首先针对平台提取的原始数据解析后仍存在时间顺序乱序的现象，按照“时间”一列进行时间戳的升序排序；之后的数据填充是检测存在“null”的时间帧，并将该位置的元素填充为与其同列的上一行的元素；数据奇异值剔除具体是针对“单体电压列表(v)”数据项，检测单体电压值是否超过5v，并将该奇异值替换为其余单体在该时刻的电压中位数；最后的数据重复值是检测连续多行数据的所有数据项是否完全相同，若相同，则只保留第一行数据，其余重复项全部直接删除。
11、进一步地，步骤三中的车辆运行状态切分具体是将全生命周期的数据切分成停车充电数据、行驶状态数据、静置停放数据；日期-时间切分是按照“时间”数据项倒序提取热失控发生及热失控发生前7天的数据；数据项切分是分别从“总电压(v)”、“单体电压列表(v)”、“探针温度列表(℃)”、“soc(％)”、“总电流(a)”、“绝缘阻值(kω)”提取出与各车辆运行状态、日期-时间对应的数据项列表。
12、进一步地，步骤四中判断出的具体热失控场景包括停车充电场景、行驶场景、静置停放场景、碰撞场景、涉水场景、外部火源场景。
13、进一步地，步骤六中针对热失控发生前特定短时期维度的特征提取过程依次包括：
14、①通过“时间”数据项切分出电池热失控发生当天以及前7天的电池系统运行数据；
15、②通过“单体电压列表(v)”数据项，得到各时刻所有单体电压的中位数并生成参考单体电压曲线；利用参考单体电压曲线分别计算：各个单体电压与参考电压的压差、电压随时间的变化率、压降速率突破阈值的时刻，存储为“热失控前的单体电压相关值率特征”；
16、③通过“探针温度列表(℃)”数据项，得到各时刻所有温度探针的最高温度和温升速率，并记录温升速率超过阈值的时刻，存储为“热失控前的探针温度相关值率特征”；
17、④通过“绝缘阻值(kω)”数据项，提取绝缘阻值最低值和绝缘阻值下降速率，存储为“热失控前的绝缘阻值相关值率特征”。
18、进一步地，步骤六中针对全生命周期维度数据的特征提取过程依次包括：
19、①对全生命周期停车充电状态的所有数据按照“时间”数据项划分充电周期；
20、②切分“单体电压列表(v)”数据项，通过自动化特征工程提取各个单体电压时间序列的相关统计学特征，然后结合单体的安全/风险类别标签，进行特征重要性分析，自动筛选出特征重要性评分为正的统计学特征，并得到每个单体的单体特征矩阵，作为热失控风险强关联特征；
21、③将第②步得到的各个单体特征矩阵输入到高斯混合模型的机器学习算法中，拟合各单体的极大似然值，将极大似然最高的单体作为参考单体，计算单个充电周期中各单体特征坐标与参考单体特征坐标的欧式距离，得到热失控风险特征距离(distance ofrisk features，以下简称rfd)；将各个充电周期的rfd进行累加，将结果定义为每个充电周期充电结束后各单体的累积热失控风险特征距离(accumulated distance of riskfeatures，以下简称arfd)，然后对arfd在0到1区间内进行最大最小归一化得到标准化处理的累积热失控风险特征距离(normalized accumulated distance of ris本文档来自技高网...
【技术保护点】
1.数据挖掘与专家知识结合的电池热失控致因调查方法，其特征在于：具体包括以下步骤：
2.如权利要求1所述的方法，其特征在于：步骤一所提取的原始数据具体根据GB/T32960-2016的规定进行数据解码；对原始数据的解析具体包括：将车速、电压、电流、探针温度数据项转换成国际单位制下的数值，将日期-时间数据转换为标准的“年-月-日时-分-秒”格式；对各数据项的规范命名包括：“时间”、“车辆状态”、“里程(km)”、“总电压(V)”、“总电流(A)”、“探针温度列表(℃)”、“单体电压列表(V)”、“SOC(％)”、“绝缘阻值(kΩ)”。
3.如权利要求2所述的方法，其特征在于：步骤二中的数据清洗处理过程具体包括：首先针对平台提取的原始数据解析后仍存在时间顺序乱序的现象，按照“时间”一列进行时间戳的升序排序；之后的数据填充是检测存在“null”的时间帧，并将该位置的元素填充为与其同列的上一行的元素；数据奇异值剔除具体是针对“单体电压列表(V)”数据项，检测单体电压值是否超过5V，并将该奇异值替换为其余单体在该时刻的电压中位数；最后的数据重复值是检测连续多行数据的
4.如权利要求3所述的方法，其特征在于：步骤三中的车辆运行状态切分具体是将全生命周期的数据切分成停车充电数据、行驶状态数据、静置停放数据；日期-时间切分是按照“时间”数据项倒序提取热失控发生及热失控发生前7天的数据；数据项切分是分别从“总电压(V)”、“单体电压列表(V)”、“探针温度列表(℃)”、“SOC(％)”、“总电流(A)”、“绝缘阻值(kΩ)”提取出与各车辆运行状态、日期-时间对应的数据项列表。
5.如权利要求4所述的方法，其特征在于：步骤四中判断出的具体热失控场景包括停车充电场景、行驶场景、静置停放场景、碰撞场景、涉水场景、外部火源场景。
6.如权利要求5所述的方法，其特征在于：步骤六中针对热失控发生前特定短时期维度的特征提取过程依次包括：
7.如权利要求6所述的方法，其特征在于：步骤六中针对全生命周期维度数据的特征提取过程依次包括：
8.如权利要求7所述的方法，其特征在于：步骤七中利用各特征数据融合专家经验依次执行的热失控具体致因推断过程依次包括：
...【技术特征摘要】
1.数据挖掘与专家知识结合的电池热失控致因调查方法，其特征在于：具体包括以下步骤：
2.如权利要求1所述的方法，其特征在于：步骤一所提取的原始数据具体根据gb/t32960-2016的规定进行数据解码；对原始数据的解析具体包括：将车速、电压、电流、探针温度数据项转换成国际单位制下的数值，将日期-时间数据转换为标准的“年-月-日时-分-秒”格式；对各数据项的规范命名包括：“时间”、“车辆状态”、“里程(km)”、“总电压(v)”、“总电流(a)”、“探针温度列表(℃)”、“单体电压列表(v)”、“soc(％)”、“绝缘阻值(kω)”。
3.如权利要求2所述的方法，其特征在于：步骤二中的数据清洗处理过程具体包括：首先针对平台提取的原始数据解析后仍存在时间顺序乱序的现象，按照“时间”一列进行时间戳的升序排序；之后的数据填充是检测存在“null”的时间帧，并将该位置的元素填充为与其同列的上一行的元素；数据奇异值剔除具体是针对“单体电压列表(v)”数据项，检测单体电压值是否超过5v，并将该奇异值替换为其余单体在该时刻的电压中位数；最后的数据重复值是检测连续多行数据的所有数据项...
【专利技术属性】
技术研发人员：王震坡，潘金泉，程夕明，张照生，王舒慧，彭鹏，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。