[发明专利]一种基于大数据机器学习进行电动汽车电池预测性维护的方法

权利要求书

1.一种电动汽车电池预测性维护方法，所述方法包括：

步骤001数据准备步骤：获取与电动汽车电池使用相关的数据。所述电动汽车电池使用相关数据包括故障维修数据和电池的使用数据。其中，所述故障维修数据包括电池发生故障前的数据记录和电池的维修数据；所述电池的使用数据包括在正常使用时与电池相关的电池自身数据以及汽车状态数据；所述故障维修数据、电池的使用数据均是基于时间序列的流式数据；

步骤002数据整理步骤：对所述电动汽车电池使用相关的数据进行清洗并将清洗后的所述电动汽车电池使用相关的数据基于时间单元进行数据构建。所述对数据进行清洗包括，采用该变量在一段行程的平均值或中间值或相邻插值进行空余变量的赋值。通过设定电动汽车电池使用相关数据的每个变量的阈值检查数据是否合乎要求将超出正常范围的数据予以删除或纠正。通过设定电动汽车电池使用相关数据的相互约束和依赖关系，将逻辑上不合理或者相互矛盾的数据予以删除或纠正。所述数据构建包括，按照时间的顺序将搜集到的其它数据进行整合。

步骤003数据特征化步骤：将通过数据整理步骤得到的数据进行总结和抽取，获取特征化后的数据；对于数据的总结和抽取包括滚动聚合，所述滚动聚合是指设定一个时间窗口，计算在预定的变量在该时间窗口内的聚合值，所述聚合值可以是数据的总和、平均值或者是标准差。所述总结和抽取还包括将特征变量进行扩展，所述扩展包括对初始的特征变量根据滚动聚合的均值增加相应的个数，以及对初始的特征变量根据滚动聚合的标准差增加相应的个数。

步骤004建立模型步骤：基于特征化后的数据建立电池预测性维护自适应模型。对于电池预测性维护的问题，分解成第一个子问题是电池是否将要发生故障和第二个子问题电池还有多久会发生故障。对于第一个子问题是电池是否将要发生故障，本实施方式中采用二元分类模型来建立所述电池预测性维护自适应模型。对于第二个子问题电池还有多久会发生故障，采用回归模型来建立所述电池预测性维护自适应模型。

步骤005训练验证步骤：对自适应模型进行训练和验证以优化该自适应模型。所述训练验证步骤优选包括交叉验证，所述交叉验证包括，首先把原始的数据随机分成K个部分，在这K个部分中选择其中一个部分作为测试数据，剩下的K-1个部分作为训练数据得到相应的实验结果。然后，挑选另外一个部分作为测试数据，剩下的K-1个部分作为训练数据；以此类推，重复进行K次交叉检验，每次实验都从K个部分中选择一个不同的部分作为测试数据，保证K个部分的数据都分别做过测试数据，剩下的K-1个当作训练数据进行实验；最后把得到的K个实验结果平均。基于所述实验结果确定最佳的数据分类。

步骤006算法评估步骤：评估数据在不同算法下的预测结果，基于评估选择最优的算法；所述评估包括正确率评估、召回率评估、或者综合评价指标评估。所述正确率是指预测结果实际真正发生的相符比率，正确率评估取最大的数值所对应的算法。所述召回率是指真实发生的有多少被预测正确了，正确率评估取最大的数值所对应的算法。综合评价指标其中，α为计算参数，P是正确率，R是召回率，根据不同算法得到的结果F来判断不同的算法在不同的环境下的优越性。

2.根据权利要求1所述的一种电动汽车电池预测性维护方法，其特征在于完成数据构建之后，对基于时间单元进行构建的数据进行评估以及修正。所述评估包括筛选数据本身存在错误的那些数据，在评估之后，对于所述错误数据进行校正。所述校正包括，对于缺失值，将缺失值设置为0。对于异常值，将负值设置为0。对于时间周期错误的数值，明确应该取得时间周期，调整并重新运行数据。对于计算规格错误的数值，明确口径调整并重新运行数据。

3.根据权利要求1或2中任一项所述的一种电动汽车电池预测性维护方法，其特征在于，所述二元分类模型包括：把输入的电池数据设为x；把判断电池是否将要发生故障设定为目标为y，y＝1，即为发生故障，y＝0即为发生故障；二元分类的模型即是：y＝f(x)，其中f是具体算法；所述具体算法包括：逻辑回归、提升决策树、决策森林和神经网络。