[发明专利]基于嵌入式AI算法的批量电芯外特征故障预测方法

权利要求书

1.基于嵌入式AI算法的批量电芯外特征故障预测方法，其特征在于：它包括以下步骤：

步骤一，在每个充电单元设置嵌入式主控板，嵌入式主控板连接有电压传感器和电流传感器；

步骤二，嵌入式主控板内置SOC和电池剩余寿命算法；

步骤三，嵌入式主控板通过有线或者无线传输机构连接内存装置，用于SOC和电池剩余寿命信息；

步骤四，嵌入式主控板通过有线或者无线传输机构外接云端服务器，用于交换数据以及获得远程操控指令；

步骤五，根据SOC和电池剩余寿命信息进行电芯外特征故障预测。

2.根据权利要求1所述的基于嵌入式AI算法的批量电芯外特征故障预测方法，其特征在于：所述SOC算法为：

一、上电校准SOC读取系统上电初始时的SOC值和开路电压校准的SOC值，并将两组SOC值进行比较得到基准SOC值；

a、在系统上电初始时，从带电可擦可编程只读存储器中读取掉电前存入的SOC值，为SOC0；

b、电池管理系统采用每一个电池的压力值，取最低电池值，通过查表做线性差值计算得出与开路电压相对应的SOC值，为SOC1；

c、将两个SOC值(SOC0和SOC1)，如果ABS(SOC0-SOC1)5，则SOC＝SOC1，否则为SOC＝SOC0，即如果差值小于5％，则初始SOC值以掉电时存入带电可擦可编程只读存储器的值为准，否则以开路电压校准的SOC为准；

二、系统在运行过程中以第一步中得到的SOC值为基准来计算电池包的SOC值；

三、系统下电时将当前SOC值进行储存以供下次上电时参考；

四、当电池包连接充电器时，如果SOC为0，则开始进行可用容量的校准，此时记录下电池包从0到充电截止为止的全部电量，即为电池包当前的可用容量，并将其进行储存；如果充电没有到截止电压就中断，则放弃此次可用容量标记。

3.根据权利要求1所述的基于嵌入式AI算法的批量电芯外特征故障预测方法，其特征在于：所述电池剩余寿命算法为：

S1、采集每节锂离子电池每个使用周期内的电池容量数据，构建数据集，根据设定的每节电池寿命最大值和周期数，获得不同周期下每节电池的剩余寿命；

S2、将S1中的数据集作为训练数据的输入数据，将对应周期下电池的剩余寿命作为训练数据的输出数据，将所述的输入数据和输出数据带入相关向量机模型中进行训练，得到训练好的容量序列与剩余寿命的映射模型；

S3、将各周期下的待预测电池容量作为训练数据的输入数据，输入到S2中的映射模型中，得到映射模型的输出数据，作为该待预测电池剩余寿命的估计值；

S4、采用卡尔曼滤波方法对所述剩余寿命估计值进行滤波处理，获得待预测电池的剩余寿命估计结果。

4.根据权利要求1所述的基于嵌入式AI算法的批量电芯外特征故障预测方法，其特征在于：所述电芯外特征故障预测方法为：

将电池的历史监测信号作为原始特征库，通过稀疏自编码算法从原始特征库中提取每一采样时刻的电池的主特征矩阵，基于快速聚类算法搜寻每一采样时刻的聚类中心电池，计算电池的累积偏心距离矩阵，对累积偏心距离矩阵进行归一化处理并设定预警阈值，最终实现电池故障的预测。