基于流形学习的锂离子电池故障诊断方法_贺兴.pdf

第 53 卷 第 3 期2023 年 6 月电池BATTERY BIMONTHLYVol.53,No.3Jun.,2023作者简介:贺 兴(1987-),男,辽宁人,中国标准化研究院产品安全研究所质量担保部主任,研究方向:产品安全质量管理;陶 陈(1998-),男,湖北人,湖北工业大学太阳能高效利用及储能运行控制湖北省重点实验室硕士生,研究方向:动力电池安全预警;常 春(1978-),男,湖北人,湖北工业大学太阳能高效利用及储能运行控制湖北省重点实验室讲师,研究方向:储能电池安全技术;姜久春(1973-),男,北京人,湖北工业大学太阳能高效利用及储能运行控制湖北省重点实验室教授,研究方向:储能电池安全技术,通信作者。基金项目:国家自然科学基金(52177212),中国标准化研究院院长基金项目(282022Y-9459)新 能 源DOI:10.19535/j.1001-1579.2023.03.006基于流形学习的锂离子电池故障诊断方法贺 兴1,陶 陈2,常 春2,姜久春2(1.中国标准化研究院产品安全研究所,北京 100191;2.湖北工业大学太阳能高效利用及储能运行控制湖北省重点实验室,湖北 武汉 430068)摘要:锂离子电池容易受到滥用和老化等因素的影响。电池系统故障会导致车辆安全事故发生,为保障车辆的正常运行,对锂离子电池故障的诊断至关重要。提出一种基于流形学习的锂离子电池故障诊断方法。首先,通过变分模态分解(VMD),对电池的电压信号进行分解和重构;然后,基于重构信号,通过局部线性嵌入算法提取无量纲特征参数;再使用局部离群因子(LOF)算法检测故障电池;最后,将故障检测时间与真实车辆的报警时间进行比较。该方法能及时准确地检测出故障电池,相较于电池管理系统,提前 17 个采样点发出故障预警。关键词:锂离子电池;数据驱动;故障诊断;热失控;实车数据中图分类号:TM912.9 文献标志码:A 文章编号:1001-1579(2023)03-0262-05Li-ion battery fault diagnosis based on manifold learningHE Xing1,TAO Chen2,CHANG Chun2,JIANG Jiu-chun2(1.Institute of Product Safety,China National Institute of Standardization,Beijing 100191,China;2.Hubei Key Laboratory for High-Efficiency Utilization of Solar Energy and Operation Control of Energy Storage System,Hubei University of Technology,Wuhan,Hubei 430068,China)Abstract:Li-ion battery was easy to be affected by factors such as abuse and aging.Battery system failure would lead to vehicle safety accidents,in order to protect the normal operation of the vehicle,it was crucial to diagnose the Li-ion battery failure.A fault diagnosis method for Li-ion battery based on manifold learning was proposed.Firstly,the voltage signal of battery was decomposed and reconstructed by variational modal decomposition(VMD).The dimensionless feature parameters were extracted by local linear embedding algorithm based on the reconstructed signal.Then the faulty battery was detected by using local outlier factor(LOF)algorithm.Finally,the fault detection time was compared with the alarm time of the real vehicle.The method could detect the faulty battery timely and accurately and issued the fault warning 17 sampling points earlier compared to the battery management system.Key words:Li-ion battery;data-driven;fault diagnosis;thermal runaway;real vehicle data 锂离子电池在运行过程中会因老化或滥用出现各种故障1,其中电压故障,即电压信号突然下降,尤为常见。电压故障是热失控的电压表现之一,严重的热失控甚至会导致车辆起火,造成事故2,因此,故障诊断与安全预警对锂离子电池安全运行至关重要3。目前,锂离子电池的故障诊断方法主要有基于模型的故第 3 期贺 兴,等:基于流形学习的锂离子电池故障诊断方法障诊断方法和基于数据驱动的故障诊断方法4。基于模型的故障诊断方法存在以下问题:首先,等效电路模型结构简单,诊断结果过于依赖建模精度;其次,电化学模型的计算较复杂,易受噪声的干扰;最后,电热模型需要准确的温度值,但电池的温度计算需要很长的时间,导致由于延迟,诊断结果出现误差。有鉴于此,越来越多的科研人员开始研究基于数据驱动的故障诊断方法5。L.Yao 等6利用离散余弦变换及逆变换,对原始电压信号进行滤波处理,然后将改进协方差作为支持向量机输入,进而识别异常单体,经实验证明,该方法故障诊断准确率达 95%以上。L.Yao 等7利用小波变换对电压信号进行降噪处理,然后提取方差和协方差等作为特征,输入递归神经网络进行故障识别,故障诊断精度取决于特征参数的选取,其中当所有 9 个参数都用作输入值时,预测精度提高到 99.675%。R.X.Yang 等8使用随机森林的分类方法,以电池容量和温升作为故障分析参数来判断故障信息,并计算实测电压与估计电压之间的均方根误差,通过设置不同大小的阈值,对电解液泄漏的情况进行预警,并用另外 9 个单元对所提出的故障诊断算法进行评估,结果表明,使用较低的计算工作量,就可以准确地诊断外短路故障(ESC),甚至可以诊断泄漏。上述研究的特征提取多为有量纲参数,而有量纲参数易受工作条件影响,表现不稳定,导致故障诊断较困难。本文作者利用流行学习提取无量纲参数,对锂离子电池进行故障诊断。首先,通过变分模态分解(VMD)算法对电池电压原始信号进行分解并完成分量重构;然后,基于重构的信号,利用局部线性嵌入算法提取无量纲特征参数;最后,通过局部离群因子检测故障电池。1 诊断算法理论研究1.1 信号分解采集电池电压信号的过程中会存在一定的噪声,对原始电压信号进行预处理,可以消除噪声的干扰,从处理后的信号中提取特征参数作为研究基础。VMD 在处理原始电压信号时,可将电压信号分解为表现单体电池之间不一致性的低频分量和表现故障信息的高频分量。为减少故障信息的丢失,将高频分量进行重构处理。VMD 核心是构建和求解变分问题,假设原始电压信号 f被分解为 K 个 h 分量,在约束条件内反复迭代寻找最优 hk。相应的约束变分表达式为(1):minhkkKk=1t(t)+jthk(t)e-jkt22s.t.khk=f(1)式(1)中:K 为模态分量的个数;hk表示信号的所有模态;k表示第 k 个模态的中心频率;为梯度运算;t 表示采样的时间序列;为卷积运算符;为狄拉克分布;j 为虚数单位;e 为自然常数。引入二次惩罚因子 和拉格朗日乘子,约束变分优化问题如式(2)所示。(hk,k,)=Kk=1t(t)+jthk(t)e-jkt22+f(t)-Kk=1hk(t)22+(t),f(t)-Kk=1hk(t)(2)式(2)中:的作用是降低高斯噪声的干扰;为拉格朗日乘子法的目标函数。为了找到增广 Lagrange 表达式的鞍点,利用交替方向乘子法对模态分量函数、中心频率和乘法算子进行更新,分别见式(3)、式(4)和式(5)。hn+1k()=f()-Ki=1,ikhi()+()21+2(-k)2(3)n+1k=0|hk()|2d0|hk()|2d(4)n+1=n+(f-khn+1k)(5)式(3)-(5)中:n 为第 n 个时刻;i 为分解层数;为噪声容忍度。通过上述步骤处理,可将原始电压信号分解为一个低频分量和多个高频分量,将所有高频分量相加重构,如式(6)所示,得到重构分量 u。u=Kk=2hk(6)1.2 基于流形学习的无量纲特征提取电池电压信号是一种非线性、非平稳的信号,要准确地找到故障电池并消除正常电池不一致性的干扰非常困难。局部线性嵌入(LLE)将振动电压信号视为局部线性,利用局部映射关系,可使高维电压信号降维,以降维后的无量纲参数作为故障特征,能够精确地分析电压信号中的异常信息。无量纲特征提取过程如下。首先,求解重构电压信号 u 的 k 邻近点。LLE 算法假设数据是局部线性的,因此,可将每个点 xi的 k 邻近点表示为式(7):xi=kj=1jixji(7)式(7)中:ji为 i的第 j 行;i为 kl 的列向量;xji为 xi的第 j 个邻近点。其次,求解权重系数矩阵。损失函数最小化为式(8):arg minNi=1(xi-kj=1jixji22)s.t.kj=1ji=1(8)式(8)中:N 为采样点的个数。解得系数权重矩阵(9):i=V-1ilklTkV-1ilk(9)式(9)中:Vi为局部协方差矩阵,是一个 kk 的矩阵;lk为 kl 的元素全为 1 的列向量。最后,将矩阵映射到低维空间,求解约束优化问题,如式(10)所示。362电池BATTERY BIMONTHLY第 53 卷arg minY(LDIS)=Ni=1(yi-kj=1jiyji22)s.t.kj=1yi=0,Ni=1yiyTi=NEdd(10)得到低维空间矩阵:LDIS=y1,y1,yN,dN(11)式(10)-(11)中:d 为求解低维空间的维度;E 为单位矩阵;yi对应矩阵 LDIS的第 i 列;为 LDIS的损失函数;yji表示重构信号第 i 个采样点的第 j 个邻近点。设置一个滑动窗口为 60 个采样点,从 60 个采样点计算10 个特征值,因此 d 取 10。为了验证提取的无量纲特征是否能准确找到异常信息,将实车故障前和故障后的采样数据进行 VMD 处理后,基于LLE 提取无量纲参数,结果如图 1 所示。图 1 故障前后特征序列Fig.1 Sequence of features before and after failure从图 1 可知,故障前电压信号的特征序列没有显示异常,故障后可以明显看出 27 号电池的异常,说明基于 LLE 提取的无量纲参数,可以作为判断信号是否异常的指标。1.3 故障诊断算法局部离群因子(LOF)算法是一种基于密度的非监督学习诊断算法,通过计算每个样本的离群值实现异常检测9。LOF 算法的具体流程如下。在低维空间矩阵 LDIS内定义 dist(i,j)为点 i 和点 j 的距离,dk(i)=dist(i,j),Nk(i)为点 i 的第 k 距离领域,则有|Nk(i)|k;定义点 i 到点 j 的可达距离为 Rdk(i,j)=maxdk(j),d(i,j);计