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】
本专利技术涉及新能源动力电池自动化生产线,尤其涉及一种基于逻辑回归算法的电芯异常预测方法及装置。
技术介绍
1、在自动化电池生产线,电芯异常通常表示该通道的电芯在生产过程中出现了故障,根据故障严重程度,轻则暂停该通道电芯生成流程,影响其他通道生产效率,重则停止该通道的电芯生产流程,导致该通道电芯报废,造成经济损失。然而由于每颗电芯的封装,内部化学成分不能够做到完全相同,在同样的工艺流程的控制下,生产过程中仍然会出现电芯异常的状况的发生。
2、现有的技术,只能根据设定的保护条件,对电芯进行保护,例如电压上限/下限,电流大幅波动等保护,就是通过高频电压电流采样,对电压电流进行监测,一旦电压电流值超过了保护条件设定的安全范围,便会触发保护,暂停/停止该电芯的生产流程。该方案确实对电芯起到了一定的保护作用,同时也避免了电芯异常带来的更严重的生产事故。关键的问题,就是保护条件的判定,多数为电压电流值的范围判定,该判定结果为布尔值,只能判定电芯的正常与否(布尔值描述状态是/否),但无法判定电芯的正常/异常程度,并且,通常判定为异常的电芯,那么证明异常状况已经发生,无法避免,只能将该电芯报废。同时,保护条件只能进行简单的逻辑与或非运算,并不能进行线性运算,更没有触发条件的权重大小区分,因此只要触发保护条件之一,便会判定为电芯异常,该方法过于简单并且存在不可避免的误判率。可见,提供一种新的电芯异常预测方法以提高异常预测的精准性,显得尤为重要。
技术实现思路
1、本专利技术所提供了一种基
2、为了解决上述技术问题,本专利技术第一方面公开了一种基于逻辑回归算法的电芯异常预测方法,所述方法包括:
3、获取目标电芯的电芯数据,并将所有所述电芯数据输入至线性回归模型,得到模型输出结果,其中,所述模型输出结果包括所有所述电芯数据的数据拟合结果;
4、基于预先确定出的目标函数对所述模型输出结果执行计算操作,得到所述模型输出结果对应的函数计算结果,并根据所述函数计算结果确定所述目标电芯的至少一个电芯系数;
5、对所述目标电芯的所有所述电芯系数执行数据拟合操作,得到电芯拟合结果,并根据所述电芯拟合结果确定所述目标电芯的异常预测结果。
6、作为一种可选的实施方式,在本专利技术第一方面中,所述方法还包括:
7、判断所述目标电芯的异常预测结果是否用于表示所述目标电芯为预测异常状态,当判断出所述目标电芯的异常预测结果用于表示所述目标电芯为所述预测异常状态时,基于所述目标电芯的异常预测结果,确定所述目标电芯的预测异常参数;
8、判断所述目标电芯的预测异常参数是否满足预设的干预处理条件,当判断出所述目标电芯的预测异常参数满足预设的所述干预处理条件时,基于所述预测异常参数确定所述目标电芯的异常处理参数,并对所述目标电芯执行与所述异常处理参数相匹配的异常处理操作。
9、作为一种可选的实施方式,在本专利技术第一方面中,所述获取目标电芯的电芯数据之前,所述方法还包括:
10、获取若干个待测电芯的电芯测量数据,并将每个所述待测电芯的电芯测量数据确定为测量数据集合,并确定每个所述待测电芯的电芯属性信息;
11、根据所有所述待测电芯的电芯属性信息以及每个所述待测电芯的电芯测量数据,生成训练数据集合;其中,所述训练数据集合包括每个所述待测电芯的电芯属性信息以及每个所述待测电芯的电芯测量数量;
12、对于每个所述待测电芯,将该待测电芯的电芯测量数据输入至预先确定出的备用数学模型,得到模型预测结果,并将所述模型预测结果与该待测电芯的电芯属性信息执行对比操作,得到预测对比结果;
13、判断所述预测对比结果是否满足预设的结果预测条件;
14、当判断出所述预测对比结果满足预设的所述结果预测条件时,将所述备用数学模型确定为线性回归模型,并触发执行所述的获取目标电芯的电芯数据,并将所有所述电芯数据输入至线性回归模型,得到模型输出结果的操作。
15、作为一种可选的实施方式,在本专利技术第一方面中,所述将所述模型预测结果与该待测电芯的电芯属性信息执行对比操作,得到预测对比结果,包括:
16、计算所述模型预测结果与该待测电芯的电芯属性信息之间的交叉熵,并对所述交叉熵执行预先确定出的梯度处理操作,得到所述交叉熵对应的至少一个梯度斜率;
17、在所有所述梯度斜率中确定出目标梯度斜率,并基于所述目标梯度斜率生成预测对比结果。
18、作为一种可选的实施方式,在本专利技术第一方面中,所述方法还包括:
19、当判断出所述预测对比结果不满足预设的所述结果预测条件时,根据目标交叉熵,在所述备用数学模型中确定出至少一个待调整参数,以及确定每个所述待调整参数的参数调节因子,并对每个所述待调整参数执行与该待调整参数的参数调节因子相匹配的参数更新操作,以得到模型更新参数;
20、基于所有所述模型更新参数,对所述备用数学模型执行模型更新操作,得到更新数学模型;
21、将所述训练数据集合输入至所述更新数学模型中,得到所述更新数学模型对应的数据拟合度,判断所述数据拟合度是否满足预设的数据拟合条件,当判断出所述数据拟合度满足预设的所述数据拟合条件时,将所述更新数学模型确定为线性回归模型,并触发执行所述的获取目标电芯的电芯数据,并将所有所述电芯数据输入至线性回归模型,得到模型输出结果的操作。
22、作为一种可选的实施方式,在本专利技术第一方面中,所述将所有所述电芯数据输入至线性回归模型,得到模型输出结果,包括:
23、将所有所述电芯数据输入至线性回归模型,以使所述线性回归模型通过预先确定出的基础线性函数对所有所述电芯数据执行线性拟合操作,得到线性拟合结果,并基于所述线性拟合结果,生成模型输出结果。
24、作为一种可选的实施方式,在本专利技术第一方面中,所述基于所述预测异常参数确定所述目标电芯的异常处理参数之前,所述方法还包括:
25、根据所述目标电芯的电芯数据以及所述目标电芯的异常预测结果,生成所述目标电芯在预设的目标周期内的电芯运行数据;
26、根据所述电芯运行数据,确定所述目标电芯在预设的所述目标周期内的运行状态信息;
27、其中,所述基于所述预测异常参数确定所述目标电芯的异常处理参数,包括:
28、基于所述预测异常参数以及所述运行状态信息,确定所述目标电芯的异常处理参数;其中,所述异常处理参数包括异常处理时刻因子以及异常处理操作因子。
29、本专利技术第二方面公开了一种基于逻辑回归算法的电芯异常预测装置,所述装置包括:
30、获取模块,用于获取目标电芯的电芯数据;
31、输入模块,用于将所有所述电芯数据输入至线性回归模型,得到模型输出结果,其中,所述模型输出结果包括所有所述电芯本文档来自技高网...
【技术保护点】
1.一种基于逻辑回归算法的电芯异常预测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的基于逻辑回归算法的电芯异常预测方法,其特征在于,所述方法还包括:
3.根据权利要求1所述的基于逻辑回归算法的电芯异常预测方法,其特征在于,所述获取目标电芯的电芯数据之前,所述方法还包括:
4.根据权利要求3所述的基于逻辑回归算法的电芯异常预测方法,其特征在于,所述将所述模型预测结果与该待测电芯的电芯属性信息执行对比操作,得到预测对比结果,包括:
5.根据权利要求4所述的基于逻辑回归算法的电芯异常预测方法,其特征在于,所述方法还包括:
6.根据权利要求1所述的基于逻辑回归算法的电芯异常预测方法,其特征在于,所述将所有所述电芯数据输入至线性回归模型,得到模型输出结果,包括:
7.根据权利要求2所述的基于逻辑回归算法的电芯异常预测方法,其特征在于,所述基于所述预测异常参数确定所述目标电芯的异常处理参数之前,所述方法还包括:
8.一种基于逻辑回归算法的电芯异常预测装置,其特征在于,所述装置包括:
9
10.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行如权利要求1-7任一项所述的基于逻辑回归算法的电芯异常预测方法。
...【技术特征摘要】
1.一种基于逻辑回归算法的电芯异常预测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的基于逻辑回归算法的电芯异常预测方法,其特征在于,所述方法还包括:
3.根据权利要求1所述的基于逻辑回归算法的电芯异常预测方法,其特征在于,所述获取目标电芯的电芯数据之前,所述方法还包括:
4.根据权利要求3所述的基于逻辑回归算法的电芯异常预测方法,其特征在于,所述将所述模型预测结果与该待测电芯的电芯属性信息执行对比操作,得到预测对比结果,包括:
5.根据权利要求4所述的基于逻辑回归算法的电芯异常预测方法,其特征在于,所述方法还包括:
6.根据权利要求1所述的基于逻...
【专利技术属性】
技术研发人员:李东升,
申请(专利权)人:深圳和润达科技有限公司,
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。