[發明專利]一種動力電池故障檢測方法和裝置在審
| 申請號： | 202211644310.8 | 申請日： | 2022-12-20 |
| 公開（公告）號： | CN115902631A | 公開（公告）日： | 2023-04-04 |
| 發明（設計）人： | 趙英平;楊金碩;張建彪;楊紅新 | 申請（專利權）人： | 章魚博士智能技術（上海）有限公司 |
| 主分類號： | G01R31/36 | 分類號： | G01R31/36;G01R31/367;G06F18/23;G06F17/16 |
| 代理公司： | 北京睿博行遠知識產權代理有限公司 11297 | 代理人： | 孫孟清 |
| 地址： | 201800 上海*** | 國省代碼： | 上海;31 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 動力電池 故障 檢測 方法 裝置 | ||
1.一種動力電池故障檢測方法，其特征在于，所述方法包括：
獲取動力電池在預設時間間隔內的歷史運行數據，基于預設標準化算法對所述歷史運行數據進行標準化處理，得到標準化數據；
基于預設聚類算法對所述標準化數據進行聚類分析，得到多個子類；
基于典型關聯分析算法對所述子類進行關聯分析，得到與所述子類對應的T2統計量和SPE統計量；
根據所述T2統計量和所述SPE統計量確定故障檢測結果。
2.如權利要求1所述的方法，其特征在于，基于典型關聯分析算法對所述子類進行關聯分析，得到與所述子類對應的T2統計量和SPE統計量，具體為：
基于預設滯后階次構造與所述子類對應的過去信息向量和未來信息向量；
根據所述過去信息向量構造過去漢克爾矩陣，并根據所述未來信息向量構造未來漢克爾矩陣；
基于奇異值分解算法對所述過去漢克爾矩陣和所述未來漢克爾矩陣處理，得到典型變量參數矩陣和殘差參數矩陣；
根據所述典型變量參數矩陣得到所述T2統計量，并根據所述殘差參數矩陣得到所述SPE統計量。
3.如權利要求1所述的方法，其特征在于，根據所述T2統計量和所述SPE統計量確定故障檢測結果，具體為：
若所述T2統計量大于第一預設控制限，和/或所述SPE統計量大于第二預設控制限，確定所述動力電池存在故障；
若所述T2統計量不大于所述第一預設控制限，且所述SPE統計量不大于第二預設控制限，確定所述動力電池不存在故障。
4.如權利要求3所述的方法，其特征在于，在確定所述動力電池存在故障之后，所述方法還包括：
根據所述T2統計量生成第一貢獻圖，并根據所述SPE統計量生成第二貢獻圖；
根據所述第一貢獻圖中的第一最大貢獻率和所述第二貢獻圖中的第二最大貢獻率確定引起故障的原因變量。
5.如權利要求1所述的方法，其特征在于，在基于預設聚類算法對所述標準化數據進行聚類分析，得到多個子類之前，所述方法還包括：
基于互信息算法確定所述標準化數據中各數據變量兩兩之間的相關性值；
按各所述相關性值的大小將各所述數據變量順序排列。
6.一種動力電池故障檢測裝置，其特征在于，所述裝置包括：
標準化模塊，用于獲取動力電池在預設時間間隔內的歷史運行數據，基于預設標準化算法對所述歷史運行數據進行標準化處理，得到標準化數據；
聚類模塊，用于基于預設聚類算法對所述標準化數據進行聚類分析，得到多個子類；
分析模塊，用于基于典型關聯分析算法對所述子類進行關聯分析，得到與所述子類對應的T2統計量和SPE統計量；
確定模塊，用于根據所述T2統計量和所述SPE統計量確定故障檢測結果。
7.如權利要求6所述的裝置，其特征在于，所述分析模塊，具體用于：
基于預設滯后階次構造與所述子類對應的過去信息向量和未來信息向量；
根據所述過去信息向量構造過去漢克爾矩陣，并根據所述未來信息向量構造未來漢克爾矩陣；
基于奇異值分解算法對所述過去漢克爾矩陣和所述未來漢克爾矩陣處理，得到典型變量參數矩陣和殘差參數矩陣；
根據所述典型變量參數矩陣得到所述T2統計量，并根據所述殘差參數矩陣得到所述SPE統計量。
8.如權利要求6所述的裝置，其特征在于，所述確定模塊，具體用于：
若所述T2統計量大于第一預設控制限，和/或所述SPE統計量大于第二預設控制限，確定所述動力電池存在故障；
若所述T2統計量不大于所述第一預設控制限，且所述SPE統計量不大于第二預設控制限，確定所述動力電池不存在故障。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于章魚博士智能技術（上海）有限公司，未經章魚博士智能技術（上海）有限公司許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202211644310.8/1.html，轉載請聲明來源鉆瓜專利網。
