【技術實現步驟摘要】
本申請涉及電動汽車電池，具體而言，涉及一種電動汽車動力電池故障預測方法及裝置。
技術介紹
1、電動汽車的動力來源主要是動力電池，其安全性和可靠性對整車系統至關重要。動力電池故障預測與預測有助于保障電動汽車安全高效運行、延長電池使用壽命、降低維護成本、增強用戶信心，以及推動技術進步。因此，對動力電池故障預測的研究具有極其重要的應用和實際意義。然而，現有的動力電池故障預測方法通常僅僅建模了單個傳感器序列的自相關性，忽略了跨傳感器維度的依賴關系，從而導致了電動汽車動力電池的故障預測準確率較低。
技術實現思路
1、本申請實施例的目的在于提供一種電動汽車動力電池故障預測方法及裝置，能夠提高電動汽車動力電池的故障預測準確率。
2、本申請第一方面提供了一種電動汽車動力電池故障預測方法，包括：
3、采集電動汽車動力電池系統的第一電池參數序列數據；
4、對所述第一電池參數序列數據進行數據預處理，得到預處理數據；
5、基于所述預處理數據構建訓練數據集；
6、構建用于預測電動汽車動力電池故障的transformer模型，并創建損失函數；
7、基于所述損失函數和所述訓練數據集對所述transformer模型進行訓練，得到訓練好的電池故障預測模型；
8、獲取待預測電動汽車的第二電池參數序列數據；
9、將所述第二電池參數序列數據輸入至所述電池故障預測模型中進行電池故障預測，得到電池故障預測結果。
10、
11、進一步地，所述對所述第一電池參數序列數據進行數據預處理，得到預處理數據，包括：
12、對所述第一電池參數序列數據進行分割處理，得到多個片段數據；
13、基于多項式回歸算法對每個所述片段數據進行預平滑和間隙填充處理，得到第一處理片段數據；
14、基于指數加權移動平均算法對所述第一處理片段數據進行二次平滑，得到去噪和缺失值填充后的第二處理片段數據；
15、對所述第二處理片段數據進行標準化處理，得到預處理數據。
16、進一步地，所述基于所述預處理數據構建訓練數據集，包括：
17、通過預設的滑動窗口對所述預處理數據進行分割處理，得到電池參數子序列；
18、對每個所述電池參數序列進行標注處理，得到標注數據；其中，所述標注數據包括所述電池參數序列以及所述電池參數序列對應的電池安全狀況標簽；
19、基于所述標注數據構建訓練數據集、驗證數據集和測試數據集。
20、進一步地，所述transformer模型包括輸入數據嵌入模塊、時間通道自注意力模塊和分類頭模塊；
21、其中，所述輸入數據嵌入模塊用于對數據進行維度分段嵌入、位置嵌入、時間嵌入和電池操作狀態嵌入；
22、所述時間通道自注意力模塊包括跨時間自注意力階段、跨通道自注意力階段和信息融合階段；
23、所述分類頭模塊包括全連接層和softmax層；
24、所述損失函數為交叉熵損失函數。
25、進一步地，所述基于所述損失函數和所述訓練數據集對所述transformer模型進行訓練，得到訓練好的電池故障預測模型，包括：
26、基于所述損失函數和adam優化器確定用于訓練所述transformer模型的目標函數和優化方法；
27、獲取所述transformer模型的訓練策略；
28、對所述transformer模型的模型參數進行隨機初始化；
29、根據所述訓練策略和所述訓練數據集對所述transformer模型進行處理，得到處理結果；
30、在訓練所述transformer模型時，基于所述損失函數、反向傳播算法以及所述處理結果計算所述損失函數對于所述transformer模型中每個參數的梯度；
31、基于所述梯度、所述目標函數以及所述優化方法對所述transformer模型的模型參數進行更新，得到更新后的目標transformer模型；
32、基于所述測試數據集對所述transformer模型的訓練策略進行調整，得到調整后的訓練策略；
33、基于所述驗證數據集判斷所述目標transformer模型的性能是否通過驗證；
34、如果是，則將所述目標transformer模型確定為電池故障預測模型。
35、進一步地，所述基于所述測試數據集對所述transformer模型的訓練策略進行調整，得到調整后的訓練策略，包括：
36、監測模型在所述測試數據集上的損失和診斷準確率；
37、根據所述損失和所述診斷準確率調整所述訓練策略；其中，所述訓練策略至少包括模型學習率、批量大小、訓練迭代次數。
38、進一步地，所述基于所述驗證數據集判斷所述目標transformer模型的性能是否通過驗證，包括：
39、將所述驗證數據集輸入至所述目標transformer模型中進行預測，得到預測結果；
40、將所述預測結果與所述驗證數據集中的電池狀況標簽進行比較，得到比較結果；
41、根據所述比較結果計算所述目標transformer模型的評價指標結果；
42、根據所述評價指標結果判斷所述目標transformer模型的性能是否通過驗證；
43、如果是，執行所述的將所述目標transformer模型確定為電池故障預測模型；
44、如果否，執行所述的根據所述訓練策略和所述訓練數據集對所述transformer模型進行處理，得到處理結果。
45、本申請第二方面提供了一種電動汽車動力電池故障預測裝置，所述電動汽車動力電池故障預測裝置包括：
46、采集單元，用于采集電動汽車本文檔來自技高網...
【技術保護點】
1.一種電動汽車動力電池故障預測方法，其特征在于，包括：
2.根據權利要求1所述的電動汽車動力電池故障預測方法，其特征在于，所述對所述第一電池參數序列數據進行數據預處理，得到預處理數據，包括：
3.根據權利要求1所述的電動汽車動力電池故障預測方法，其特征在于，所述基于所述預處理數據構建訓練數據集，包括：
4.根據權利要求1所述的電動汽車動力電池故障預測方法，其特征在于，所述Transformer模型包括輸入數據嵌入模塊、時間通道自注意力模塊和分類頭模塊；
5.根據權利要求3所述的電動汽車動力電池故障預測方法，其特征在于，所述基于所述損失函數和所述訓練數據集對所述Transformer模型進行訓練，得到訓練好的電池故障預測模型，包括：
6.根據權利要求5所述的電動汽車動力電池故障預測方法，其特征在于，所述基于所述測試數據集對所述Transformer模型的訓練策略進行調整，得到調整后的訓練策略，包括：
7.根據權利要求5所述的電動汽車動力電池故障預測方法，其特征在于，所述基于所述驗證數據集判斷所述目標Trans
8.一種電動汽車動力電池故障預測裝置，其特征在于，所述電動汽車動力電池故障預測裝置包括：
9.一種電子設備，其特征在于，所述電子設備包括存儲器以及處理器，所述存儲器用于存儲計算機程序，所述處理器運行所述計算機程序以使所述電子設備執行權利要求1至7中任一項所述的電動汽車動力電池故障預測方法。
10.一種可讀存儲介質，其特征在于，所述可讀存儲介質中存儲有計算機程序指令，所述計算機程序指令被一處理器讀取并運行時，執行權利要求1至7任一項所述的電動汽車動力電池故障預測方法。
...【技術特征摘要】
1.一種電動汽車動力電池故障預測方法，其特征在于，包括：
2.根據權利要求1所述的電動汽車動力電池故障預測方法，其特征在于，所述對所述第一電池參數序列數據進行數據預處理，得到預處理數據，包括：
3.根據權利要求1所述的電動汽車動力電池故障預測方法，其特征在于，所述基于所述預處理數據構建訓練數據集，包括：
4.根據權利要求1所述的電動汽車動力電池故障預測方法，其特征在于，所述transformer模型包括輸入數據嵌入模塊、時間通道自注意力模塊和分類頭模塊；
5.根據權利要求3所述的電動汽車動力電池故障預測方法，其特征在于，所述基于所述損失函數和所述訓練數據集對所述transformer模型進行訓練，得到訓練好的電池故障預測模型，包括：
6.根據權利要求5所述的電動汽車動力電池故障預測方法，其特征在于，所述...
【專利技術屬性】
技術研發人員：馮嘉健，廖輝煌，鄧忠晗，
申請(專利權)人：廣汽埃安新能源汽車股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。