一种车辆故障发生概率预测方法、系统及车辆与流程

1.本发明属于电动汽车动力电池技术领域，具体涉及一种车辆故障发生概率预测方法、系统及车辆。


背景技术：

2.新能源车辆的动力电池系统内部有电池、高压接触器、msd等元器件相互由铜排等排线连接，组成高压回路为车辆提供电能，高压回路内部用螺栓连接、焊接等连接方式形成串并联电路。行车抖动、维保不到位、工艺管控不到位等都可能会导致紧固胶外溢、高压连接点螺栓松动、msd松动等电连接异常、虚/脱焊等安全隐患发生。
3.在行驶时间内车辆抖动会使高压连接点虚接部位震动引起阻抗值跳变，导致拉弧烧蚀，产生局部过温，或充放电阶段回路内部存在大电流而产生严重的发热烧蚀，也会因螺栓紧固胶溢出覆盖在连接处减小高压连接线的接触面，这些异常现象都会严重影响新能源车辆的使用安全。
4.为避免上述情况的发生，通过计算识别车辆电池系统接触阻抗动态特性，对异常的车辆进行预警对于提升新能源车辆使用安全具有关键性作用。但根据当前电池系统发送的单体电池电压、总电流、总电压、绝缘阻值等电池信息中，难以直接提取当前接触阻抗的阻值，同时由于电池系统接触阻抗在行驶中波动性较大且由于高压连接线的长短和材料不一致，接触阻抗异常的动态特性复杂，数据特征较多且没有固定指向具体的失效模型，通常通过简单的阈值设定判断车辆异常，这种方式进行车辆故障预测的可靠性差，且误判率高，无法准确计算和预警该失效模式，仅能通过定期排查车辆等方式进行维护，导致问题具有突发性，无法实时监控和提前预警车辆存在的潜在隐患。


技术实现要素：

5.本发明的目的在于提供一种车辆故障发生概率预测方法、系统及车辆，用以解决现有技术中通过简单的阈值设定进行车辆故障预测造成的误判率高的问题。
6.为解决上述技术问题，本发明提供了一种车辆故障发生概率预测方法，包括以下步骤：
7.1)获取车辆预测时间段内各个时刻电池系统的接触阻抗r
contact
；
8.2)计算预测时间段内接触阻抗r
contact
的平均值r_avg、中位数r_med和标准差r_stddev，输入到建立的车辆故障预测模型中，以输出车辆预测时间段内的故障发生概率；
9.所述车辆故障预测模型利用车辆多个历史时间段内的电池系统接触阻抗的平均值r_avg、中位数r_med和标准差r_stddev，以及相应的故障发生情况作为训练数据进行训练得到。
10.其有益效果为：本发明的方法不再直接利用接触阻抗与设定的阈值比较的方式来预测车辆故障发生的概率，而是通过计算预测时间内接触阻抗的用来描述跳变特性的标准差r_stddev、用来表征阻抗大小的平均值r_avg和用来修正因跳变产生阻抗平均值偏差的
中位数r_med，将上述各指标数据输入到建立的车辆故障预测模型中，通过该模型计算并输出车辆预测时间段内的故障发生概率，这三种数据可以展现预测时间段内阻抗动态变化的差异，从而提高车辆故障概率预测的准确性，解决了现有技术中通过简单的阈值设定进行车辆故障预测误判率高的问题。而且，该方法中所使用的车辆故障预测模型只要前期训练完成便可直接使用，能够通过自动化的方式实现对车辆的实时监控，对车辆故障进行提前预警，克服人工定期排查维护无法及时预警的问题，进一步降低车辆的热失控概率，保证车辆的安全。
11.进一步地，步骤1)中，所述接触阻抗r
contact
的计算公式为：
[0012][0013]
其中，为电池系统单节平均电压，n为单个回路内部电池串数，u为配电盒输出端总电压，i为高压回路内部总电流。
[0014]
其有益效果为：由于电池系统内部高压连接线和螺栓的分压难以直接求得，将电池系统内部高压连接线和螺栓的分压转化为电池总电压与配电盒输出端总电压的差值，便于计算电池系统内部的接触阻抗值。
[0015]
进一步地，在计算接触阻抗r
contact
时，若某个时刻电池系统的关键指标为空值，则需要对该时刻的数据进行过滤，所述关键指标包括配电盒输出端总电压u和电池系统单节平均电压
[0016]
其有益效果为：通过对关键指标为空值的数据进行过滤，避免数据干扰波动过大，保证了计算接触阻抗的间接性指标的准确性。
[0017]
进一步地，若训练数据为电池系统放电或充电阶段的数据，则需要对计算得到的不在(0，0.1)区间内的接触阻抗r
contact
数据进行过滤。
[0018]
其有益效果为：在模型训练时，将在放电或充电阶段计算得到的接触阻抗r
contact
中不在(0，0.1)区间内的数据进行过滤，避免因计算时未注意电流的矢量性导致接触阻抗的计算结果错误。
[0019]
进一步地，按照如下方法计算训练数据中某个历史时间段接触阻抗的标准差：将该历史时间段内各个时刻的接触阻抗r
contact
数据进行升序或者降序排序，从中正数n个数据和倒数n个数据得到2n个数据，将选取的2n个数据的接触阻抗r
contact
的标准差r_stddev作为该历史时间段接触阻抗的标准差。
[0020]
其有益效果为：由于标准差的比较应满足相同数量的样本，通过上述方法选取2n个数据，能够保证每组样本的数量均为2n，减少了样本数量，能够提高计算速度。
[0021]
进一步地，训练所述车辆故障预测模型的过程中，需对车辆历史时间段内电池系统的接触阻抗r
contact
的平均值r_avg、中位数r_med和标准差r_stddev进行归一化处理。
[0022]
其有益效果为：将数据进行归一化处理使原本不能进行比较的三个指标数据能够进行比较，便于数据处理，加快计算速度。
[0023]
进一步地，所述归一化处理方式为：
[0024][0025]
其中，ki为第i个归一化处理的结果，ni为第i个接触阻抗r
contact
的平均值r_avg、中
位数r_med或标准差r_stddev，max(n)为该指标分组中n个数据的最大值，指标分组指的是将同型号车型的车辆历史时间段内的指标数据作为一个分组。
[0026]
其有益效果为：通过将单个指标ni除以指标分组n中的最大值以得到归一化处理结果ki，能够突出指标在同车型的量级，便于突出同车型之间的占比。
[0027]
进一步地，步骤2)中，建立的车辆故障预测模型为神经网络模型。
[0028]
其有益效果为：神经网络模型结构简单，计算精度高，便于对接触阻抗的平均值r_avg、中位数r_med和标准差r_stddev等数据进行计算，以预测车辆故障发生概率。
[0029]
为解决上述技术问题，本发明还提供了一种车辆故障发生概率预测系统，包括存储器和处理器，所述处理器用于运行存储在所述存储器中的程序指令以实现上述介绍的车辆故障发生概率预测方法。
[0030]
其有益效果为：本发明的系统不再直接利用接触阻抗与设定的阈值比较的方式来预测车辆故障发生的概率，而是通过计算预测时间内接触阻抗的用来描述跳变特性的标准差r_stddev、用来表征阻抗大小的平均值r_avg和用来修正因跳变产生阻抗平均值偏差的中位数r_med，将上述各指标数据输入到建立的车辆故障预测模型中，通过该模型计算并输出车辆预测时间段内的故障发生概率，这三种数据可以展现预测时间段内阻抗动态变化的差异，从而提高车辆故障概率预测的准确性，解决了现有技术中通过简单的阈值设定进行车辆故障预测误判率高的问题。而且，该方法中所使用的车辆故障预测模型只要前期训练完成便可直接使用，能够通过自动化的方式实现对车辆的实时监控，对车辆故障进行提前预警，克服人工定期排查维护无法及时预警的问题，进一步降低车辆的热失控概率，保证车辆的安全。
[0031]
为解决上述技术问题，本发明还提供了一种车辆，包括车辆本体，还包括车辆故障发生概率预测系统，该系统包括存储器和处理器，所述处理器用于运行存储在所述存储器中的程序指令以实现上述介绍的车辆故障发生概率预测方法。
[0032]
其有益效果为：本发明的车辆不再直接利用接触阻抗与设定的阈值比较的方式来预测车辆故障发生的概率，而是通过计算预测时间内接触阻抗的用来描述跳变特性的标准差r_stddev、用来表征阻抗大小的平均值r_avg和用来修正因跳变产生阻抗平均值偏差的中位数r_med，将上述各指标数据输入到建立的车辆故障预测模型中，通过该模型计算并输出车辆预测时间段内的故障发生概率，这三种数据可以展现预测时间段内阻抗动态变化的差异，从而提高车辆故障概率预测的准确性，解决了现有技术中通过简单的阈值设定进行车辆故障预测误判率高的问题。而且，该方法中所使用的车辆故障预测模型只要前期训练完成便可直接使用，能够通过自动化的方式实现对车辆的实时监控，对车辆故障进行提前预警，克服人工定期排查维护无法及时预警的问题，进一步降低车辆的热失控概率，保证车辆的安全。
附图说明
[0033]
图1是本发明的车辆故障发生概率预测方法流程图；
[0034]
图2是本发明的模拟行车过程的接触阻抗概率分布图；
[0035]
图3是本发明的车辆故障预测模型输出的数据指标概率分布图。
具体实施方式
[0036]
本发明的重点在于通过计算接触阻抗r
contact
的平均值r_avg、中位数r_med和标准差r_stddev来预测车辆故障发生概率代替通过简单的阈值比较来判断车辆故障预测，以提高计算的准确性，将上述各指标数据输入到建立的神经网络模型中，通过模型计算并输出车辆预测时间段内的故障发生概率，能够通过自动化的方式实现对车辆的实时监控。
[0037]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例对本发明进行进一步详细说明。
[0038]
车辆故障发生概率预测方法实施例：
[0039]
本发明的车辆故障发生概率预测方法实施例，其简要方法流程如图1所示，首先获取车辆历史时间段内的工况数据；然后计算各个时刻电池系统内部的接触阻抗r
contact
；再计算接触阻抗r
contact
的平均值r_avg、中位数r_med和标准差r_stddev，并进行数据处理，再进行车辆故障预测模型的训练，以得到训练好的模型，将获取的预测时间段内的车辆数据，输入到建立的车辆故障预测模型中，以输出车辆预测时间段内的故障发生概率。
[0040]
1、获取车辆多个历史时间段内的工况数据。
[0041]
获取的数据为满足电压或车速条件的工况数据，并对数据进行简单过滤，去除关键性指标如总电压、平均电压等为空值的数据，避免数据干扰导致波动过大。需要注意的是，获取的数据为车辆非静止状态下或者电池系统充电或放电阶段的数据，尽量避开车辆非充电条件下的搁置时段，原因是车辆接触阻抗异常在如下场景中会表现出较为明显的异常跳变特性：(1)在非静止状态下的车辆振动等工况，更易表现出其波动性；(2)大电流冲击或持续大电流时，虚接触部分能量较大导致产生的材料阻抗特性更明显。
[0042]
2、计算各个时刻电池系统内部的接触阻抗r
contact
。
[0043]
根据电阻分压的原理，由于连接回路中存在接触阻抗，高压配电盒的端电压和电池总压之间会有一个较小的压差，通过该压差与高压回路中的总电流进行计算，可以得到电池系统接触阻抗值r
contact
，公式如下：
[0044][0045]
其中，电池系统单节平均电压，n：单个回路内部电池串数，u：配电盒输出端总电压，i：高压回路内部总电流。其中，在对放电和充电阶段计算r
contact
的过程中，应注意电流的矢量性(即有方向)，尽量保证取值时的正负性，计算得到的r
contact
需满足0＜r
contact
＜0.1的要求，对r
contact
不在该区间内的情况应过滤。
[0046]
3、计算接触阻抗r
contact
的平均值r_avg、中位数r_med和标准差r_stddev并进行数据处理。
[0047]
如图2所示为本发明的模拟行车过程的接触阻抗概率分布图，试验数据在正常阶段阻抗值相对平稳，但随着振动加剧(模拟行车过程)，电阻值发生不稳定变化。但是这种阻值变化并不能直观体现接触阻抗异常，原因如下：
[0048]
(1)电池在充放电过程中会产生极化反应，两端的电压会根据电流大小而变化，但这种变化往往是滞后的，造成阻抗不一致；
[0049]
(2)bms计算单节平均电压的频率和端电压的采样频率不一致，造成车辆正常状态下也会产生跳变，电流稳定度越差，产生的误差可能也会越大。
[0050]
因此，存在风险的车辆其接触阻抗有明显的跳变性且跳变幅度较大，整体阻抗偏高，通过简单的阈值设定判断车辆异常可靠性差，根据阻抗动态变化的差异，通过数理统计中的标准差、平均数、中位数的指标衡量其数据的离散程度和整体阻值水平，其中，标准差用来描述跳变特性，平均值用来表征阻抗大小，中位数用来修正因跳变产生阻抗平均值的偏差。
[0051]
过滤异常数据后，首先计算出接触阻抗的平均值r_avg和中位数r_med。由于标准差的比较应满足相同数量的样本，为了保证结果准确性，各单位对象样本(单车)根据接触阻抗的大小进行升序或者降序排序选取正数n个点(前n个值)和倒数n个点(后n个值)，保证每组样本的样本数量均为2n，在2n个数据中，计算接触阻抗的标准差r_stddev。
[0052]
由于车辆配置不同，接触阻抗的值会存在差异，不同车型之间不能进行比较，计算出如上三个数据后，还需结合适合的维度进行比较判断：
[0053]
(1)表征跳变量特性的标准差需要考虑各单车运行工况和频率差异性不同划分为单车模型即一个目标车辆一个指标分组；
[0054]
(2)表征跳变中的集中趋势特性的阻抗平均值则需要考虑同车型配置，同等配置下的接触阻抗应该保持一致，平均值越大则表征车辆异常状态越明显，同型号车型即一个目标车辆一个指标分组；
[0055]
(3)为了考虑平均值差异过大，引入一个中位数，用来抵消均值带来的误差，同样使用同配置车型作为指标分组。
[0056]
以上分组在对统计值归一化处理的时候进行区分，归一化处理公式如下：
[0057][0058]
其中，ki为第i个归一化处理的结果，ni为第i个接触阻抗r
contact
的平均值r_avg、中位数r_med或标准差r_stddev，max(n)为该指标分组中n个数据的最大值，指标分组指的是将同型号车型的车辆历史时间段内的指标数据作为一个分组。
[0059]
对数据进行归一化处理便于突出同车型之间的占比，可采用最大值归一化，取单车数据与同车型最大值的比值，可以突出三个指标在同车型的量级。例如，a型车在某日上午接触阻抗的值为[r
contact1
，r
contact2
，r
contact3
，r
contact4
，r
contact5
]，其平均值为r_avg1；a型车在该日下午接触阻抗的值为[r
contact6
，r
contact7
，r
contact8
，r
contact9
，r
contact10
]，其平均值为r_avg2；若r_avg1＜r_avg2，则r_avg2即为该组指标中的最大值max(n)，在对平均值归一化时，
[0060][0061][0062]
4、将归一化处理后的数据输入到建立的模型中进行训练，以得到训练好的车辆故障预测模型。
[0063]
本发明中建立的模型为基于python语言环境建立的神经网络模型，该模型包括输入层、隐藏层、输出层三个部分。由于阻抗异常的数据特征与发生拉弧烧蚀概率并没有线性关系，因此本发明采用非线性神经网络模型，以3个神经网络输入、2个神经元的隐藏层和一个神经元的输出层作为基本模型架构。该神经网络能通过训练数据集对相同特征的数据所
包含的复杂逻辑进行学习拟合，对样本数据特征的权重和系数进行拟合，对训练数据集特征进行训练，保证激活函数参数能准确指向其风险概率指标。该模型的建立过程为：将上述归一化处理后的数据输入到建立的模型进行训练，并标记发生故障的概率为1，即明确表征故障发生的典型性，同时对状态明确较好的车辆的数据标记为0(非必要标记，以此来修正非故障特征的标记，避免出现神经网络过/欠拟合)，通过神经网络的学习迭代，将案例数据经过计算不断向给定概率值靠近，最终完成最优解(学习频度可根据数据量自定义)，以得到训练好的神经网络模型。例a车在某日的数据为r_avga、r_meda、r_stddeva时发生螺栓松动，则将当天发生故障的概率标记为99.9％；b车为检测无故障车辆在某日的值为r_avgb、r_medb、r_stddevb，则b车在当天的的故障概率标记为0％；将a、b车的模型输入神经网络模型进行训练学习，得到训练好的车辆故障预测模型。
[0064]
5、获取预测时间段内的车辆数据，输入到建立的车辆故障预测模型中，以输出车辆的故障发生概率。
[0065]
6、根据车辆故障预测模型输出的概率，提前整改排查，避免车辆产生严重安全故障。
[0066]
根据车辆故障预测模型在判断周期内输出的概率，可以设定概率的阈值，当超过该阈值时即对车辆进行预警。对于车辆故障预测模型输出的数据指标概率分布如图3所示，根据一段时间内高风险的占比进行预警提示。接触阻抗由于控制系统存在误报可能会某一天较高，通过实验数据观察，通常从电连接松动到烧蚀需要持续数天甚至更久的时间，在此期间，风险发生概率会有上升趋势或持续高位，因此可以设定该车辆故障预测模型的预测概率的阈值为0.95，当模型输出概率超过该阈值时即对车辆进行预警(1为100％发生故障，0为0％概率发生故障)。
[0067]
综上，本发明具有如下特点：
[0068]
(1)本发明的方法不再直接利用接触阻抗与设定的阈值比较的方式来预测车辆故障发生的概率，而是通过计算预测时间内接触阻抗的用来描述跳变特性的标准差r_stddev、用来表征阻抗大小的平均值r_avg和用来修正因跳变产生阻抗平均值偏差的中位数r_med，将上述各指标数据输入到建立的车辆故障预测模型中，通过该模型计算并输出车辆预测时间段内的故障发生概率，这三种数据可以展现预测时间段内阻抗动态变化的差异，从而提高车辆故障概率预测的准确性，解决了现有技术中通过简单的阈值设定进行车辆故障预测误判率高的问题。而且，该方法中所使用的车辆故障预测模型只要前期训练完成便可直接使用，能够通过自动化的方式实现对车辆的实时监控，对车辆故障进行提前预警，克服人工定期排查维护无法及时预警的问题，进一步降低车辆的热失控概率，保证车辆的安全。
[0069]
(2)由于标准差的比较应满足相同数量的样本，通过上述方法选取2n个数据，能够保证每组样本的数量均为2n，减少了样本数量，能够提高计算速度。
[0070]
(3)神经网络模型结构简单，计算精度高，便于对接触阻抗的平均值r_avg、中位数r_med和标准差r_stddev等数据进行计算，以预测车辆故障发生概率。
[0071]
需要说明的是，本实施例中利用神经网络模型建立车辆故障预测模型，作为其他实施方式，也可以采用现有技术中的其他机器学习模型作为车辆故障预测模型，例如深度学习模型。
[0072]
本实施例在进行接触阻抗r
contact
的标准差r_stddev计算时，选取样本的2n个数据进行计算，作为其他实施方式，也可利用全部样本数据进行计算。
[0073]
本实施例选取的历史时间段为每日，作为其他实施方式，也可选取两个小时、半日、两日等时间段，具体根据需要进行选取。
[0074]
车辆故障发生概率预测系统实施例：
[0075]
本发明的一种车辆故障发生概率预测系统实施例，该系统包括存储器、处理器和内部总线，处理器、存储器之间通过内部总线完成相互间的通信和数据交互。其中，处理器可以为微处理器mcu、可编程逻辑器件fpga等处理装置。存储器可为利用电能方式存储信息的各式存储器，例如ram、rom等；也可为利用磁能方式存储信息的各式存储器，例如硬盘、软盘、磁带、磁芯存储器、磁泡存储器、u盘等；还可为利用光学方式存储信息的各式存储器，例如cd、dvd等；当然，还可为其他方式的存储器，例如量子存储器、石墨烯存储器等。
[0076]
所述处理器用于运行存储在所述存储器中的程序指令以实现本发明的车辆故障发生概率预测方法，由于方法实施例中对车辆故障发生概率预测方法已经进行了详细的介绍，不再赘述。
[0077]
车辆实施例：
[0078]
本发明的一种车辆实施例，包括车辆本体，还包括车辆故障发生概率预测系统，由于系统实施例中对车辆故障发生概率预测方法已经进行了详细的介绍，不再赘述。

技术特征：
1.一种车辆故障发生概率预测方法，其特征在于，包括以下步骤：1)获取车辆预测时间段内各个时刻电池系统的接触阻抗r
contact
；2)计算预测时间段内接触阻抗r
contact
的平均值r_avg、中位数r_med和标准差r_stddev，输入到建立的车辆故障预测模型中，以输出车辆预测时间段内的故障发生概率；所述车辆故障预测模型利用车辆多个历史时间段内的电池系统接触阻抗的平均值r_avg、中位数r_med和标准差r_stddev，以及相应的故障发生情况作为训练数据进行训练得到。2.根据权利要求1所述的车辆故障发生概率预测方法，其特征在于，步骤1)中，所述接触阻抗r
contact
的计算公式为：其中，为电池系统单节平均电压，n为单个回路内部电池串数，u为配电盒输出端总电压，i为高压回路内部总电流。3.根据权利要求2所述的车辆故障发生概率预测方法，其特征在于，在计算接触阻抗r
contact
时，若某个时刻电池系统的关键指标为空值，则需要对该时刻的数据进行过滤，所述关键指标包括配电盒输出端总电压u和电池系统单节平均电压4.根据权利要求1所述的车辆故障发生概率预测方法，其特征在于，若训练数据为电池系统放电或充电阶段的数据，则需要对计算得到的不在(0，0.1)区间内的接触阻抗r
contact
数据进行过滤。5.根据权利要求1所述的车辆故障发生概率预测方法，其特征在于，按照如下方法计算训练数据中某个历史时间段接触阻抗的标准差：将该历史时间段内各个时刻的接触阻抗r
contact
数据进行升序或者降序排序，从中正数n个数据和倒数n个数据得到2n个数据，将选取的2n个数据的接触阻抗r
contact
的标准差r_stddev作为该历史时间段接触阻抗的标准差。6.根据权利要求1所述的车辆故障发生概率预测方法，其特征在于，训练所述车辆故障预测模型的过程中，需对车辆历史时间段内电池系统的接触阻抗r
contact
的平均值r_avg、中位数r_med和标准差r_stddev进行归一化处理。7.根据权利要求6所述的车辆故障发生概率预测方法，其特征在于，所述归一化处理方式为：其中，k
i
为第i个归一化处理的结果，n
i
为第i个接触阻抗r
contact
的平均值r_avg、中位数r_med或标准差r_stddev，max(n)为该指标分组中n个数据的最大值，指标分组指的是将同型号车型的车辆历史时间段内的指标数据作为一个分组。8.根据权利要求1所述的车辆故障发生概率预测方法，其特征在于，步骤2)中，建立的车辆故障预测模型为神经网络模型。9.一种车辆故障发生概率预测系统，其特征在于，包括存储器和处理器，所述处理器用于运行存储在所述存储器中的程序指令以实现如权利要求1～8任一项所述的车辆故障发生概率预测方法。10.一种车辆，包括车辆本体，其特征在于，还包括车辆故障发生概率预测系统，该系统
包括存储器和处理器，所述处理器用于运行存储在所述存储器中的程序指令以实现如权利要求1～8任一项所述的车辆故障发生概率预测方法。

技术总结
本发明属于电动汽车动力电池技术领域，具体涉及一种车辆故障发生概率预测方法、系统及车辆。本发明方法包括以下步骤：1)获取车辆预测时间段内各个时刻电池系统的接触阻抗；2)计算预测时间段内接触阻抗的平均值、中位数和标准差，输入到建立的车辆故障预测模型中，以输出车辆预测时间段内的故障发生概率。本发明通过计算预测时间内接触阻抗的标准差、平均值和中位数，将上述各指标数据输入到建立的车辆故障预测模型中，通过该模型计算并输出车辆预测时间段内的故障发生概率，这三种数据可以展现预测时间段内阻抗动态变化的差异，从而提高车辆故障概率预测的准确性，解决了现有技术中通过简单的阈值设定进行车辆故障预测误判率高的问题。的问题。的问题。


技术研发人员：田野 陈雨晴 王印 李云肖 石赵伟 周雪松
受保护的技术使用者：宇通客车股份有限公司
技术研发日：2022.09.07
技术公布日：2023/8/31