公开(公告)号：CN113884903B

公开(公告)日：2023-08-18

申请号：CN202111224434.6

申请日：2021-10-19

Applicant: 中国计量大学

Inventor： 胡栋泽 ,  孙坚

IPC: G01R31/382

Abstract: 本发明公开了一种基于多层感知器神经网络的电池故障诊断方法。包括：对各种故障类型的电池的充电过程特性参数进行采样，获得各个采样数据；利用电压‑SOC曲线计算获得各个电池的各个采样时刻的SOC值；分割获得各个电池的所有故障数据集单元，计算各个故障数据集单元的故障似然向量，从而获得对应的故障特征向量；将各个故障特征向量及对应的故障类型标签输入MLF神经网络中进行训练，获得训练好的MLF神经网络；采集待诊断电池的充电过程特性参数，获得各个采样数据，计算获得对应的故障特征向量并输入到网络中，从而判断故障类型。本发明引入了电压‑电流‑SOC的概率密度分布组成新的特征向量，大大提高了电池故障诊断的准确率。

公开(公告)号：CN115097310A

公开(公告)日：2022-09-23

申请号：CN202210692002.6

申请日：2022-06-17

Applicant: 中国计量大学

Inventor： 胡栋泽 ,  孙坚

IPC: G01R31/367 ,  G01R31/3835 ,  G01R31/392 ,  G01R31/396 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于专家系统的电池故障诊断方法。包括：利用历史采样数据修正知识库中的电池特性模型；接着根据历史采样数据计算对应的历史电池运行特征并和故障类型标签同时输入推理机中的LSTM神经网络模型中进行训练，获得训练好的LSTM神经网络模型；再将即时采样的电流以及对应的即时电池电压、温度、容量和绝缘电阻所计算出的当前电池运行特征输入训练好的LSTM神经网络模型中进行电池故障诊断，最后LSTM神经网络模型输出的电池诊断结果通过解释机输出到故障类型输出模块。本发明提出的诊断方法通过结合多特征对电池故障进行诊断，改善了基于单一参数诊断和以及基于经验方法存在的诊断准确率不高的问题。

公开(公告)号：CN113884903A

公开(公告)日：2022-01-04

申请号：CN202111224434.6

申请日：2021-10-19

Applicant: 中国计量大学

Inventor： 胡栋泽 ,  孙坚

IPC: G01R31/382

Abstract: 本发明公开了一种基于多层感知器神经网络的电池故障诊断方法。包括：对各种故障类型的电池的充电过程特性参数进行采样，获得各个采样数据；利用电压‑SOC曲线计算获得各个电池的各个采样时刻的SOC值；分割获得各个电池的所有故障数据集单元，计算各个故障数据集单元的故障似然向量，从而获得对应的故障特征向量；将各个故障特征向量及对应的故障类型标签输入MLF神经网络中进行训练，获得训练好的MLF神经网络；采集待诊断电池的充电过程特性参数，获得各个采样数据，计算获得对应的故障特征向量并输入到网络中，从而判断故障类型。本发明引入了电压‑电流‑SOC的概率密度分布组成新的特征向量，大大提高了电池故障诊断的准确率。