详情

原文传递电动汽车的故障检测方法及电动汽车

专利名称：	电动汽车的故障检测方法及电动汽车
摘要：	本发明涉及电动汽车技术领域，特别涉及电动汽车的故障检测方法及电动汽车。其中，该方法包括：对每个电动汽车的原始动力电池数据进行采样故障的剔除，得到目标动力电池数据；将目标动力电池数据输入到第一故障检测模型中，得到疑似故障的电动汽车；对每个疑似故障的电动汽车的目标动力电池数据进行特征提取，得到不同特征维度的目标特征值；将不同特征维度的目标特征值输入到第二故障检测模型中，确定发生故障的动力电池编号；基于当前电动汽车发生故障的动力电池编号和当前电动汽车中每个动力电池在不同特征维度的目标特征值，确定当前电动汽车的预测故障等级。本发明的方案能够有效对电动汽车进行故障检测。
专利类型：	发明专利
国家地区组织代码：	北京;11
申请人：	北京航空航天大学
发明人：	杨世春;张正杰;陈飞;刘新华;周思达;曹瑞
专利状态：	有效
申请日期：	2023-10-18T00:00:00+0800
发布日期：	2023-11-17T00:00:00+0800
申请号：	CN202311345280.5
公开号：	CN117067921A
代理机构：	北京格允知识产权代理有限公司
代理人：	张沫
分类号：	B60L3/00;B60L58/10;B;B60;B60L;B60L3;B60L58;B60L3/00;B60L58/10
申请人地址：	100191 北京市海淀区学院路37号
主权项：	1.一种电动汽车的故障检测方法，其特征在于，包括：对由各车载BMS采集的每个电动汽车的原始动力电池数据进行采样故障的剔除，得到各电动汽车的目标动力电池数据；其中，所述动力电池数据包括电压数据、电流数据、温度数据和时间数据；将每个电动汽车的目标动力电池数据输入到预先训练好的第一故障检测模型中，筛选得到疑似故障的电动汽车；对每个疑似故障的电动汽车的目标动力电池数据进行特征提取，得到每个疑似故障的电动汽车中每个动力电池在不同特征维度的目标特征值；将每个疑似故障的电动汽车中每个动力电池在不同特征维度的目标特征值输入到预先训练好的第二故障检测模型中，以确定每个疑似故障的电动汽车发生故障的动力电池编号；其中，所述第二故障检测模型包括孤立森林算法、基于距离的第一无监督学习算法和基于密度的第二无监督学习算法；针对动力电池发生故障的每个疑似故障的电动汽车，基于当前电动汽车发生故障的动力电池编号和当前电动汽车中每个动力电池在不同特征维度的目标特征值，确定当前电动汽车的预测故障等级。 2.根据权利要求1所述的方法，其特征在于，所述第一故障检测模型包括依次连接的编码器、采样层和解码器，所述编码器和所述解码器均包括LSTM或GRU，所述编码器用于将输入序列数据转化为第一潜在向量，所述采样层用于将所述第一潜在向量映射到一个高斯分布并从所述高斯分布中采样出第二潜在向量，所述解码器用于将所述第二潜在向量转化为输出序列数据，所述输入序列数据和所述输出序列数据为相同类型的连续向量。 3.根据权利要求2所述的方法，其特征在于，所述第一故障检测模型是通过如下方式进行训练的：将作为正样本的样本动力电池数据输入到待训练的目标神经网络中；其中，所述样本动力电池数据包括电动汽车中超过预设百分比的动力电池处于正常状态时的第一样本动力电池数据和该电动汽车中剩余动力电池处于异常状态时的第二样本动力电池数据，所述目标神经网络包括依次连接的所述编码器、所述采样层和所述解码器；在训练的次数达到预设次数或预设的损失函数小于预设值时，得到训练完成的第一故障检测模型。 4.根据权利要求3所述的方法，其特征在于，所述目标神经网络的超参数是通过如下方式确定的：对所述目标神经网络的初始超参数进行编码，得到初始种群；其中，所述初始超参数为所述初始种群的个体，所述初始超参数包括神经网络层数、神经元个数和权重；设定种群规模、最大进化次数、交叉概率、变异概率、学习率、个体的速度范围和位置范围；对所述初始种群中每个个体的速度和位置均进行初始化，并计算所述初始种群中每个个体的适应度值；对所述初始种群中每个个体的速度和位置均进行更新，并计算更新后的每个个体的适应度值；基于更新后的每个个体的适应度值，对所述初始种群的个体进行选择、交叉和变异，得到下一代种群，循环执行对每一代种群中个体的适应度值计算、选择、交叉和变异，直至完成所述最大进化次数的迭代，并输出适应度值最高的全局最优个体；对所述全局最优个体进行解码，得到最优超参数。 5.根据权利要求2所述的方法，其特征在于，所述将每个电动汽车的目标动力电池数据输入到预先训练好的第一故障检测模型中，筛选得到疑似故障的电动汽车，包括：将每个电动汽车的目标动力电池数据输入到预先训练好的第一故障检测模型中，得到每个电动汽车的第二潜在向量；基于如下公式确定每个电动汽车的异常阈值：式中，z为所述异常阈值，t为当前电动汽车的第二潜在向量的98%分位数，和/>为遵循帕累托分布的极大似然估计值，n为当前电动汽车的第二潜在向量的个数，Nt为峰值大于t的向量个数；在目标动力电池数据超过所述异常阈值时，确定当前电动汽车为疑似故障的电动汽车。 6.根据权利要求1所述的方法，其特征在于，所述将每个疑似故障的电动汽车中每个动力电池在不同特征维度的目标特征值输入到预先训练好的第二故障检测模型中，以确定每个疑似故障的电动汽车发生故障的动力电池编号，包括：将每个疑似故障的电动汽车中每个动力电池在不同特征维度的目标特征值输入到预先训练好的孤立森林算法、基于距离的第一无监督学习算法和基于密度的第二无监督学习算法中，确定每种算法中各动力电池存在离群点的特征维度个数；针对每种算法，如果当前算法中存在离群点的特征维度个数超过特征维度总个数的预设比例，则将当前动力电池确定为疑似故障动力电池；对三种算法中确定的所有疑似故障动力电池进行取交集运算，以确定每个疑似故障的电动汽车发生故障的动力电池编号。 7.根据权利要求1所述的方法，其特征在于，所述针对动力电池发生故障的每个疑似故障的电动汽车，基于当前电动汽车发生故障的动力电池编号和当前电动汽车中每个动力电池在不同特征维度的目标特征值，确定当前电动汽车的预测故障等级，包括：针对动力电池发生故障的每个疑似故障的电动汽车，均执行如下操作：计算当前电动汽车中所有动力电池在各特征维度的目标特征值的形心，以计算各目标特征值到该形心的欧氏距离；基于计算得到的所有目标特征值到该形心的欧氏距离，确定各特征维度的所有目标特征值的均值和标准差；基于预设的信度分配下限和信度分配上限以及所有目标特征值的均值和标准差，拟合得到各特征维度的支持正常的第一信度分配曲线、支持异常的第二信度分配曲线和支持未知的第三信度分配曲线；基于当前电动汽车发生故障的动力电池编号以及在不同特征维度的所述第一信度分配曲线、所述第二信度分配曲线和所述第三信度分配曲线，确定当前电动汽车的预测故障等级。 8.根据权利要求7所述的方法，其特征在于，所述基于当前电动汽车发生故障的动力电池编号以及在不同特征维度的所述第一信度分配曲线、所述第二信度分配曲线和所述第三信度分配曲线，确定当前电动汽车的预测故障等级，包括：基于当前电动汽车发生故障的动力电池编号以及在不同特征维度的所述第一信度分配曲线、所述第二信度分配曲线和所述第三信度分配曲线，确定当前电动汽车在不同特征维度的第一信度值、第二信度值和第三信度值；基于当前电动汽车在不同特征维度的第一信度值、第二信度值和第三信度值，确定当前电动汽车的故障概率上限；基于当前电动汽车的故障概率上限，确定当前电动汽车的预测故障等级。 9.根据权利要求1-8中任一项所述的方法，其特征在于，在所述得到各电动汽车的目标动力电池数据之后，还包括：针对每个电动汽车，均执行如下操作：基于当前电动汽车的目标动力电池数据和预设的报警规则，确定当前电动汽车触发的所有报警类型；其中，所述报警规则包括多个报警类型和阈值判别规则，至少一个报警类型包括至少两个针对不同电池数据类型的阈值判别规则，所述电池数据类型包括电压、电流和温度，每个报警类型均赋予有预设权重；基于当前电动汽车触发的所有报警类型的权重之和，确定当前电动汽车的实时故障等级。 10.一种电动汽车，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-9中任一项所述的方法。
所属类别：	发明专利