一种基于人工智能的蓄电池故障及使用寿命预测的方法与流程

1.本发明属于数据采集信息技术领域，具体为一种基于人工智能的蓄电池故障及使用寿命预测的方法。


背景技术：

2.目前铅酸蓄电池仍在数据中心内部作为主要的后备电源手段而大量使用，但铅酸蓄电池由于本身特性、生产工艺不足及维护不当等，容易在一定使用年限后产生漏液或性能降低等情况，从而导致蓄电池系统的可用性降低。而蓄电池可以配套安装蓄电池监控系统，监测单块、成组的蓄电池相关参数(如电压、电流、阻值、温度等)，但这种检测只能在电池本身发生故障的情况下才能告警，此时电池已经失效，严重影响了备点安全。因此需要一种采用人工智能技术，能够提前预判电池失效时间或电池使用寿命的方法，提醒运维人员提前查找、更换或维修潜在风险的电池。


技术实现要素：

3.为此，本发明提供一种基于人工智能的蓄电池故障及使用寿命预测的方法，以解决现有技术中的上述问题。
4.为了实现上述目的，本发明提供如下技术方案：
5.根据本发明的第一方面，一种基于人工智能的蓄电池故障及使用寿命预测的方法，包括以下步骤，
6.第一步，制作蓄电池老化衰减模型，
7.第二步，获取蓄电池当前状态下的参数信息，
8.第三步，将蓄电池当前状态下的参数信息输入至蓄电池老化衰减模型内，
9.第四步，蓄电池老化衰减模块对结果进行输出，以预测蓄电池的故障以及寿命。
10.优选的，所述蓄电池老化衰减模型的制作包括以下步骤，
11.步骤一，获取蓄电池的标准放电曲线，以及放电过程中的蓄电池的电压、电流、阻值变化曲线，制作蓄电池标准模型，
12.步骤二，对蓄电池电压、电流、阻值进行改变，并对蓄电池的使用寿命进行记录，以制作出蓄电池使用寿命模型，
13.步骤三，收集使用不同时间后的蓄电池，测量其电压、电流、阻值，并将测量结构带入到蓄电池使用寿命模型中，以对其进行验证，
14.步骤四，输出验证后的蓄电池使用寿命模型。
15.优选的，在对目标蓄电池进行预测时，将目标蓄电池的电压、电流、阻值参数进行测量，并将上述参数信息输入至蓄电池使用寿命模型中，且蓄电池使用寿命模型能够输出与之相同或相似的蓄电池状态的使用寿命，以对目标蓄电池的使用寿命进行预测。
16.优选的，将目标蓄电池的实际使用寿命收集至蓄电池使用寿命模型中，以完善蓄电池使用寿命模型。
17.优选的，将蓄电池使用寿命模型与蓄电池标准模型进行对比，剔除蓄电池使用寿命模型中的电池使用寿命大于蓄电池标准模型的数据。
18.优选的，采集蓄电池在放电时的温升信息，设置温升阈值，且当蓄电池温升大于阈值后，输出蓄电池故障告警信号。
19.优选的，所述温升信息包括有蓄电池壳体温升信息与蓄电池正负极温升信息，
20.当蓄电池壳体温升信息大于第一阈值后，则输出蓄电池壳体易涨裂的告警信息，
21.当蓄电池正负极温升信息大于第二阈值后，则输出蓄电池正负极易烧损的告警信息。
22.优选的，所述第一阈值与第二阈值均包括有初级预警区与高级预警区，初级预警区对应温升信息刚刚大于阈值信息，高级预警区对应温升信息远大于阈值信息，且初级预警区与高级预警区通过预设参数进行调整。
23.与现有技术相比，本发明的有益效果是：
24.本发明在实施的时候，能够根据蓄电池当前的参数信息，预测其使用寿命，进而能够方便用户对蓄电池的使用寿命进行掌握，使得电池失效前就能及时对电池的状态进行掌握；同时，蓄电池通过对蓄电池本身参数的测量，还能对蓄电池的故障进行预测，以避免危险情况的发生。
具体实施方式
25.以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
26.实施例1
27.一种基于人工智能的蓄电池故障及使用寿命预测的方法，包括以下步骤，
28.第一步，制作蓄电池老化衰减模型，基于此模型，本方案在实施的过程中能够实现智能化筛选，进而实现人工智能的目的，
29.第二步，获取蓄电池当前状态下的参数信息，参数信息可以是蓄电池的重量、蓄电池的类型以及蓄电池的充放电时间等，
30.第三步，将蓄电池当前状态下的参数信息输入至蓄电池老化衰减模型内，
31.第四步，蓄电池老化衰减模块对结果进行输出，以预测蓄电池的故障以及寿命。
32.在本发明实施的时候，用户在对蓄电池的自身参数进行获取，获取完成后，将蓄电池对应的参数输入到蓄电池老化衰减模型中，从而对蓄电池的使用寿命进行预测。且由于获取的是蓄电池自身的参数，使得预测结果更加准确。
33.所述蓄电池老化衰减模型的制作包括以下步骤，
34.步骤一，获取蓄电池的标准放电曲线，以及放电过程中的蓄电池的电压、电流、阻值变化曲线，制作蓄电池标准模型，
35.步骤二，对蓄电池电压、电流、阻值进行改变，并对蓄电池的使用寿命进行记录，以制作出蓄电池使用寿命模型，
36.步骤三，收集使用不同时间后的蓄电池，测量其电压、电流、阻值，并将测量结构带
入到蓄电池使用寿命模型中，以对其进行验证，
37.步骤四，输出验证后的蓄电池使用寿命模型，验证过程中，通过对蓄电池标准模型与蓄电池使用寿命模型进行对比，从而能够度蓄电池使用寿命模型进行初步的验证，并当数据不符时，能够将蓄电池使用寿命模型中的数据进行剔除。
38.在对目标蓄电池进行预测时，将目标蓄电池的电压、电流、阻值参数进行测量，并将上述参数信息输入至蓄电池使用寿命模型中，且蓄电池使用寿命模型能够输出与之相同或相似的蓄电池状态的使用寿命，以对目标蓄电池的使用寿命进行预测。
39.当然在本方案实施的时候，还可以引入其他方面的蓄电池的参数。
40.将目标蓄电池的实际使用寿命收集至蓄电池使用寿命模型中，以完善蓄电池使用寿命模型，在不断的验证与收集过程中，本模型能够越来越准确，最终形成能够精准预测大部分蓄电池使用寿命的模型。
41.将蓄电池使用寿命模型与蓄电池标准模型进行对比，剔除蓄电池使用寿命模型中的电池使用寿命大于蓄电池标准模型的数据。
42.在蓄电池使用过程中，其最常出现的问题有两个，其一是蓄电池在充电过程中，外壳出现涨裂的情况，其二是蓄电池正负极处由于阻值过大，而在正负极处出现线头烧损的情况，针对上述两种故障，本技术设计有以下技术方案来进行预测：
43.采集蓄电池在放电时的温升信息，设置温升阈值，且当蓄电池温升大于阈值后，输出蓄电池故障告警信号。
44.所述温升信息包括有蓄电池壳体温升信息与蓄电池正负极温升信息，
45.当蓄电池壳体温升信息大于第一阈值后，则输出蓄电池壳体易涨裂的告警信息，
46.当蓄电池正负极温升信息大于第二阈值后，则输出蓄电池正负极易烧损的告警信息。
47.所述第一阈值与第二阈值均包括有初级预警区与高级预警区，初级预警区对应温升信息刚刚大于阈值信息，高级预警区对应温升信息远大于阈值信息，且初级预警区与高级预警区通过预设参数进行调整。

技术特征：
1.一种基于人工智能的蓄电池故障及使用寿命预测的方法，其特征在于：包括以下步骤，第一步，制作蓄电池老化衰减模型，第二步，获取蓄电池当前状态下的参数信息，第三步，将蓄电池当前状态下的参数信息输入至蓄电池老化衰减模型内，第四步，蓄电池老化衰减模块对结果进行输出，以预测蓄电池的故障以及寿命。2.根据权利要求1所述的一种基于人工智能的蓄电池故障及使用寿命预测的方法，其特征在于：所述蓄电池老化衰减模型的制作包括以下步骤，步骤一，获取蓄电池的标准放电曲线，以及放电过程中的蓄电池的电压、电流、阻值变化曲线，制作蓄电池标准模型，步骤二，对蓄电池电压、电流、阻值进行改变，并对蓄电池的使用寿命进行记录，以制作出蓄电池使用寿命模型，步骤三，收集使用不同时间后的蓄电池，测量其电压、电流、阻值，并将测量结构带入到蓄电池使用寿命模型中，以对其进行验证，步骤四，输出验证后的蓄电池使用寿命模型。3.根据权利要求1所述的一种基于人工智能的蓄电池故障及使用寿命预测的方法，其特征在于：在对目标蓄电池进行预测时，将目标蓄电池的电压、电流、阻值参数进行测量，并将上述参数信息输入至蓄电池使用寿命模型中，且蓄电池使用寿命模型能够输出与之相同或相似的蓄电池状态的使用寿命，以对目标蓄电池的使用寿命进行预测。4.根据权利要求3所述的一种基于人工智能的蓄电池故障及使用寿命预测的方法，其特征在于：将目标蓄电池的实际使用寿命收集至蓄电池使用寿命模型中，以完善蓄电池使用寿命模型。5.根据权利要求2所述的一种基于人工智能的蓄电池故障及使用寿命预测的方法，其特征在于：将蓄电池使用寿命模型与蓄电池标准模型进行对比，剔除蓄电池使用寿命模型中的电池使用寿命大于蓄电池标准模型的数据。6.根据权利要求1所述的一种基于人工智能的蓄电池故障及使用寿命预测的方法，其特征在于：采集蓄电池在放电时的温升信息，设置温升阈值，且当蓄电池温升大于阈值后，输出蓄电池故障告警信号。7.根据权利要求6所述的一种基于人工智能的蓄电池故障及使用寿命预测的方法，其特征在于：所述温升信息包括有蓄电池壳体温升信息与蓄电池正负极温升信息，当蓄电池壳体温升信息大于第一阈值后，则输出蓄电池壳体易涨裂的告警信息，当蓄电池正负极温升信息大于第二阈值后，则输出蓄电池正负极易烧损的告警信息。8.根据权利要求7所述的一种基于人工智能的蓄电池故障及使用寿命预测的方法，其特征在于：所述第一阈值与第二阈值均包括有初级预警区与高级预警区，初级预警区对应温升信息刚刚大于阈值信息，高级预警区对应温升信息远大于阈值信息，且初级预警区与高级预警区通过预设参数进行调整。

技术总结
本发明公开了一种基于人工智能的蓄电池故障及使用寿命预测的方法，包括以下步骤，第一步，制作蓄电池老化衰减模型，第二步，获取蓄电池当前状态下的参数信息，第三步，将蓄电池当前状态下的参数信息输入至蓄电池老化衰减模型内，第四步，蓄电池老化衰减模块对结果进行输出，以预测蓄电池的故障以及寿命。在本发明实施过程中，能够根据蓄电池当前的参数信息，预测其使用寿命，进而能够方便用户对蓄电池的使用寿命进行掌握，使得电池失效前就能及时对电池的状态进行掌握；同时，蓄电池通过对蓄电池本身参数的测量，还能对蓄电池的故障进行预测，以避免危险情况的发生。以避免危险情况的发生。


技术研发人员：周宇 傅尧
受保护的技术使用者：北京众谊越泰科技有限公司
技术研发日：2023.04.07
技术公布日：2023/7/25