CN119535214A 一种故障预警方法、装置、设备和计算机可读存储介质 (重庆长安汽车股份有限公司)_第1页
CN119535214A 一种故障预警方法、装置、设备和计算机可读存储介质 (重庆长安汽车股份有限公司)_第2页
CN119535214A 一种故障预警方法、装置、设备和计算机可读存储介质 (重庆长安汽车股份有限公司)_第3页
CN119535214A 一种故障预警方法、装置、设备和计算机可读存储介质 (重庆长安汽车股份有限公司)_第4页
CN119535214A 一种故障预警方法、装置、设备和计算机可读存储介质 (重庆长安汽车股份有限公司)_第5页
已阅读5页,还剩46页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

一个第一样本的充电数据和至少一个第一样本对至少一个第一样本的充电数据进行频域特征2获取至少一个第一样本的充电数据和所述至少一个第一样对所述至少一个第一样本的充电数据进行时域特征提取,得到根据所述至少一个第一特征、所述至少一个第二特征和所述至少对所述至少一个数据进行划分处理,得到至少一个第二样本,所确定所述至少一个第二样本的放电数据和所述至少一个第二对所述至少一个第二样本的放电数据进行筛选处理,得到所述至少对所述至少一个第二样本的充电数据进行对齐处理,得到所述至少一在第三样本的充电数据的长度大于第三预设值的情况其中,所述第三样本为所述至少一个第二样本中的其中之一在所述截取后的充电数据的长度大于第四预设值的情况下,对在所述截取后的充电数据的长度小于或等于所述第四预设值的5.根据权利要求2至4中任一项所述方法从所述至少一个第二样本的放电数据中筛选出放电电量大于第五预设值的放电数据,6.根据权利要求1至4中任一项所述的方法,其特对所述至少一个第一样本的充电数据在所述至少一个维度下进行频域特征提3对第五样本的充电数据在第一维度下进行傅里叶变换,并对傅里叶对所述第五样本的充电数据在所述第一维度下进行小波变换,并对小其中,所述第五样本为所述至少一个第一样本中的其中之一少一个维度中的其中之一,所述至少一个第二特征包括所述至少一个第四特征和/或所述8.根据权利要求1至4中任一项所述的方法,其特征对所述至少一个第一特征、所述至少一个第二特征和所述至少一个9.根据权利要求1至4中任一项所述的方法,其特征在将所述至少一个第一特征、所述至少一个第二特征和所述至少一对所述第一初始概率、所述第二初始概率和所述第三初始概率进行融所述获取单元,配置为获取至少一个第一样本的充电数据和所述至所述特征提取单元,配置为对所述至少一个第一样本的充电数据进行时域特征提取,所述特征提取单元,还配置为对所述至少一个第一样本的放电数据进行时域特征提所述确定单元,配置为根据所述至少一个第一特征、所述至少一个第所述处理器,配置为在运行所述计算机程序时,执行如权利要求1至45况下,删除了至少一个第二样本中充电数据缺失过多或充电时间过短的样本的充电数据,6为至少一个维度中的其中之一,至少一个第二特征包括至少一个第四特征和/或至少一个[0023]根据上述技术手段,对第五样本的充电数据在第一维度特征和/或至少一个第五特征可以精确得到发生故障的目标概率,从而能够提高基于该目7质存储有计算机程序,该计算机程序被至少一个处理器执行时实现如第一方面所述的方[0048]图8为本发明实施例提供的一种单个样本中的充电数据进行频域特征提取的流程技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本发明实施例的目的,8[0059]目前锂电池动力汽车具备较好的数据实时交互能力,综合考虑数据及算力需通过云端电池健康管理类算法对锂电池动力汽车实时上传的数据进行健康管理是较好的锂电池过热预警算法的主要技术路线可以包9[0069]特征提取模块120可以对经预处理后的长周期数据进行时域特征提取,得到至少[0070]模型训练模块130可以将至少一个特征作为机器学习模型的输入,并通过机器学[0071]通过数据预处理模块110、特征提取模块120以及模型训练模块130对不同长周期[0076]在本发明的一实施例中,图2为本发明实施例提供的一种故障预警方法的流程示基于得到的至少一个第一样本的放电数据以及至少一个第一样本的充电数据分别进行特对第五样本的充电数据在第一维度下进行定长时域信号的快速傅里对第五样本的充电数据在第一维度下进行三层小对第五样本的充电数据在第一维度下进行小波特征提取,基于得到的至少一个第四特征和/或至少一个第五特征可以精确得到发生故障的目标概率,从而能够提高基于该目标概至少一个第一样本的充电数据和至少一个第一样本的放电数据)分别进行时域充放电特征[0142](1)本发明实施例提出样本划分和数据对齐方法。相关技术中特征提取基于清洗特征基于相同物理区间且定长的短周期数据样本(即至少一个第一样本的充电数据)进行[0148](3)机器学习模型训练时需要大量数据,基于长周期数据提取特征会需要大量的[0150]数据预处理模块510可以以长周期(即周期大于第一预设值)数据为处理对象,对[0151]样本划分和对齐模块520可以对预处理后的长周期数据(即至少一个数据)进行样期较短(即第二样本的周期小于第二预设值),并对该划分后的至少一个样本的充电数据(即至少一个第一样本的充电数据),以及对该[0153]充电时域特征提取模块530可以对对齐后的至少一个样本的充电数据进行时域特[0154]放电时域特征提取模块540可以对筛选后的至少一个样本的放电数据进行时域特[0155]充电频域特征提取模块550可以对对齐后的至少一个样本的充电数据进行频域特[0156]需要说明的是,可以基于定长时域信号的快速傅里叶变换(FastFourier[0158]特征融合模块560可以对至少一个第一特征、至少一个第二特征以及至少一个第[0159]模型训练模块570可以将至少一个第六特征作为机器学习模型(即第一模型)的输放电时域特征提取模块540、充电频域特征提取模块550以及特征融合模块560对不同长周[0161]部署测试模块580可以将测试数据经数据预处理模块510、样本划分和对齐模块[0162]在本发明的又一实施例中,图6为本发明实施例提供的一种故障预警的框架示意[0164]样本划分和对齐模块602可以对预处理后的长周期数据进行样本划分,得到划分[0165]充电时域特征提取模块603可以对对齐后的至少一个样本的充电数据进行时域特[0166]放电时域特征提取模块604可以对筛选后的至少一个样本的放电数据进行时域特[0167]充电频域特征提取模块605可以对对齐后的至少一个样本的充电数据进行频域特[0168]第一模型训练模块606可以将至少一个第一特征作为第一机器学习模型(即第二[0169]第二模型训练模块607可以将至少一个第三特征作为第三机器学习模型(即第四[0170]第三模型训练模块608可以将至少一个第二特征作为第二机器学习模型(即第三[0172]模型融合模块609可以对第一初始概率、第二初始概率和第三初始概率进行融合至少一个第三特征)进行融合,形成融合特征(即至[0177]在本发明的另一实施例中,图7为本发明实施例提供的一种样本划分和对齐的流大于第四预设值,从而能够确定对该截取后的充电数据进行均匀剔除或者线性插值处理,[0207]在本发明的又一实施例中,图8为本发明实施例提供的一种单个样本中的充电数[0230]获取单元910,配置为获取至少一个第一样本的充电数据和至少一个第一样本的[0234]获取单元910,还配置为获取至少一个数据,至少一个数据的周期大于第一预设[0236]确定单元930,还配置为确定至少一个第二样本的放电数据和至少一个第二样本[0241]筛选单元950,配置为从至少一个第二样本的放电数据中筛选出放电电量大于第[0247]所述集成的单元如果以软件功能模块的形式实现并非作为独立的产品进行销售案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产序,所述计算机程序被至少一个处理器执行时实现前述实施例中任一项所述的方法的步总线系统1040配置为实现这些组件之间的连接通信。总线系统1040除包括数据总线之外,[0256]可以理解,本发明实施例中的存储器1020可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器读存储器(ErasablePROM,EPROM)、电可擦除可编程只读存储器(ElectricallyEPROM,链动态随机存取存储器(SynchronouslinkDRAM,SLDRAM)和直接内存总线随机存取存储述方法的各步骤可以通过处理器1030中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1030可以是通用处理器、数字信号处理器(DigitalSignalProcessor,其组合来实现。对于硬件实现,处理单元可以实现在一个或多个专用集成电路

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论