System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及电池故障分析,具体是涉及一种基于大数据的电池故障分类识别方法及系统。
技术介绍
1、公开号cn114781551b公开了一种基于大数据的电池多故障智能分类识别方法,包括以下步骤:s1.采集不同故障条件下电池的海量运行数据并上传大数据平台;s2.提取大数据平台中的原始数据并进行预处理;s3 .建立并训练基于智能无监督学习算法的数据高阶特征提取模型;s4 .建立并训练基于智能有监督学习算法的高阶特征多分类器;s5 .实时采集电池运行数据,利用无监督学习算法提取实时数据的高阶特征,然后利用有监督学习算法进行特征分类,从而实现多种故障的实时诊断和分类,结合基于无监督学习的特征提取方法和基于有监督学习的多分类器实现多种故障的诊断和分类,通过利用无监督学习算法可以提高多分类器的准确性和训练效率。
2、由于蓄电池出现板极硫化故障和内部极板短路故障时,都会出现电解液温度迅速升高和电流下降速度过快的特征,如果仅仅根据电解液温度和电流下降速度作为以上技术中的的特征数据去计算蓄电池故障时,是无法准确区分出板极硫化故障和内部极板短路故障的。
技术实现思路
1、针对现有技术存在的不足,本专利技术的目的在于提供一种基于大数据的电池故障分类识别方法及系统,以解决上述
技术介绍
中存在的问题。
2、本专利技术是这样实现的,一种基于大数据的电池故障分类识别方法,所述方法包括以下步骤:
3、采集电池异常数据样本,在电池异常数据样本上标记有电池型号,所述异常数据样本包括充电
4、将标记有电池型号的电池异常数据样本输入至大数据平台进行匹配,当电解液密度与大数据平台匹配时,输出板极硫化故障信息,当电压为零,且充电时电解液温度上升速度和放电电流与大数据平台匹配时,输出内部短路故障数据,否则,输出其它类型的故障信息。
5、作为本专利技术进一步的方案:采集电池异常数据样本,在电池异常数据样本上标记有电池型号的步骤,具体包括:
6、采集电池充电时电解液温度上升速度、电池放电电流和电压以及电池电解液密度;
7、分别在电池充电时电解液温度上升速度、电池放电电流和电压和电解液密度上标记有电池型号。
8、作为本专利技术进一步的方案:将标记有电池型号的电池异常数据样本输入至大数据平台进行匹配的步骤,具体包括:
9、将标记有电池型号的电池异常数据样本输入至大数据平台,计算电池异常数据样本中的平均值作为样本特征数据;
10、建立电池故障类型数据库,所述故障类型数据库包括板极硫化故障、内部短路故障和其它故障类型,故障类型数据库内存储有充电时电解液温度上升速度异常数据、放电电流异常数据、电压异常数据和电解液密度异常数据的特征数据,其中,所述内部短路故障数据库中的电压异常数据均为零;
11、根据充电时电解液温度上升速度异常数据、放电电流异常数据、电压异常数据和电解液密度异常数据的特征数据建立特征数据与故障种类间的映射关系,所述电解液密度异常特征数据对应有极硫化故障,所述电压为零,且充电时电解液温度上升速度和放电电流异常特征数据对应有内部短路故障,其它异常特征数据对应有其它故障类型;
12、将样本特征数据与充电时电解液温度上升速度异常数据、放电电流异常数据、电压异常数据和电解液密度异常数据的特征数据进行匹配,从而对样本特征数据进行分类;
13、将分类后的样本特征数据作为特征数据与故障种类间的映射关系的输入,输出故障类型。
14、作为本专利技术进一步的方案:根据充电时电解液温度上升速度异常数据、放电电流异常数据、电压异常数据和电解液密度异常数据的特征数据建立特征数据与故障种类间的映射关系的步骤,具体包括:
15、基于无监督学习算法建立特征提取模型,利用采集的样本特征数据多次训练特征提取模型;
16、基于有监督学习算法建立特征多分类器,建立特征数据与故障种类间的映射关系;
17、利用特征多分类器计算多种故障的出现概率,从而实现多种故障的实时诊断和分类。
18、作为本专利技术进一步的方案:将样本特征数据与充电时电解液温度上升速度异常数据、放电电流异常数据、电压异常数据和电解液密度异常数据的特征数据进行匹配,从而对样本特征数据进行分类的步骤,具体包括:
19、利用数据分析法将样本特征数据与充电时电解液温度上升速度异常数据、放电电流异常数据、电压异常数据和电解液密度异常数据仅仅一一对比;
20、输出样本特征数据中的异常数据作为特征数据与故障种类间的映射关系的输入。
21、作为本专利技术进一步的方案:利用特征多分类器计算多种故障的出现概率,从而实现多种故障的实时诊断和分类的步骤,具体包括:
22、将样本特征数据中的异常数据作为特征数据与故障种类间的映射关系的输入;
23、利用特征提取模型提取实时样本特征数据的高阶特征,所述样本特征数据的高阶特征为电解液密度异常数据、电压异常数据、充电时电解液温度上升速度和放电电流异常数据;
24、利用特征多分类器计算多种故障的出现概率,从而根据电解液密度异常数据输出极硫化故障信息,根据电压异常数据、充电时电解液温度上升速度和放电电流异常数据输出内部短路故障,否则输出其它故障类型信息。
25、一种基于大数据的电池故障分类识别系统,所述系统包括:
26、数据采集模块,用于采集电池异常数据样本,在电池异常数据样本上标记有电池型号,所述异常数据样本包括充电时电解液温度上升速度、放电电流、电压和电解液密度;
27、故障类型分类输出模块,用于将标记有电池型号的电池异常数据样本输入至大数据平台进行匹配,当电解液密度与大数据平台匹配时,输出板极硫化故障信息,当电压为零,且充电时电解液温度上升速度和放电电流与大数据平台匹配时,输出内部短路故障数据,否则,输出其它类型的故障信息。
28、作为本专利技术进一步的方案:所述故障类型分类输出模块包括:
29、输入单元,用于将标记有电池型号的电池异常数据样本输入至大数据平台,计算电池异常数据样本中的平均值作为样本特征数据;
30、数据库建立单元,用于建立电池故障类型数据库,所述故障类型数据库包括板极硫化故障、内部短路故障和其它故障类型,故障类型数据库内存储有充电时电解液温度上升速度异常数据、放电电流异常数据、电压异常数据和电解液密度异常数据的特征数据,其中,所述内部短路故障数据库中的电压异常数据均为零;
31、映射关系建立单元,用于根据充电时电解液温度上升速度异常数据、放电电流异常数据、电压异常数据和电解液密度异常数据的特征数据建立特征数据与故障种类间的映射关系,所述电解液密度异常特征数据对应有极硫化故障,所述电压为零,且充电时电解液温度上升速度和放电电流异常特征数据对应有内部短路故障,其它异常特征数据对应有其它故障类型;
32、匹配单本文档来自技高网...
【技术保护点】
1.一种基于大数据的电池故障分类识别方法,其特征在于,所述方法包括以下步骤:
2.根据权利要求1所述的一种基于大数据的电池故障分类识别方法,其特征在于,采集电池异常数据样本,在电池异常数据样本上标记有电池型号的步骤,具体包括:
3.根据权利要求2所述的一种基于大数据的电池故障分类识别方法,其特征在于,将标记有电池型号的电池异常数据样本输入至大数据平台进行匹配的步骤,具体包括:
4.根据权利要求3所述的一种基于大数据的电池故障分类识别方法,其特征在于,根据充电时电解液温度上升速度异常数据、放电电流异常数据、电压异常数据和电解液密度异常数据的特征数据建立特征数据与故障种类间的映射关系的步骤,具体包括:
5.根据权利要求4所述的一种基于大数据的电池故障分类识别方法,其特征在于,将样本特征数据与充电时电解液温度上升速度异常数据、放电电流异常数据、电压异常数据和电解液密度异常数据的特征数据进行匹配,从而对样本特征数据进行分类的步骤,具体包括:
6.根据权利要求5所述的一种基于大数据的电池故障分类识别方法,其特征在于,利用特征多分类
7.一种基于大数据的电池故障分类识别系统,其特征在于,所述系统包括:
8.根据权利要求7所述的一种基于大数据的电池故障分类识别系统,其特征在于,所述故障类型分类输出模块包括:
9.根据权利要求8所述的一种基于大数据的电池故障分类识别系统,其特征在于,所述映射关系建立单元包括:
10.根据权利要求9所述的一种基于大数据的电池故障分类识别系统,其特征在于,所述匹配单元单元包括:
...【技术特征摘要】
1.一种基于大数据的电池故障分类识别方法,其特征在于,所述方法包括以下步骤:
2.根据权利要求1所述的一种基于大数据的电池故障分类识别方法,其特征在于,采集电池异常数据样本,在电池异常数据样本上标记有电池型号的步骤,具体包括:
3.根据权利要求2所述的一种基于大数据的电池故障分类识别方法,其特征在于,将标记有电池型号的电池异常数据样本输入至大数据平台进行匹配的步骤,具体包括:
4.根据权利要求3所述的一种基于大数据的电池故障分类识别方法,其特征在于,根据充电时电解液温度上升速度异常数据、放电电流异常数据、电压异常数据和电解液密度异常数据的特征数据建立特征数据与故障种类间的映射关系的步骤,具体包括:
5.根据权利要求4所述的一种基于大数据的电池故障分类识别方法,其特征在于,将样本特征数据与充电...
【专利技术属性】
技术研发人员:徐广琳,李梦雪,初宏伟,刘彤,彭敏,韩荧,徐磊,
申请(专利权)人:长春汽车工业高等专科学校,
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。