CN112285570B - 一种基于衰减记忆滤波器的电动汽车故障诊断方法 - Google Patents

Abstract

本发明提供一种基于衰减记忆滤波器的电动汽车故障诊断方法，该方法用于电动汽车中电池系统故障诊断，首先对所选电池开展基础特性测试实验，实际电池系统故障诊断过程需要实时采集电池的电流和端电压信号，建立一阶RC等效电路模型和状态空间方程，然后使用衰减记忆滤波器对电池进行参数辨识，到模型参数ζ和OCV估计值。通过参数ζ的估计值与参考值得到残差r₁，通过OCV的估计值与参考值得到残差r₂，将两个残差分别与对应阈值进行对比，只有当两残差均超过对应阈值才可判断故障发生，所提方法在残差生成和残差评价过程均优于现有技术。

Description

一种基于衰减记忆滤波器的电动汽车故障诊断方法

技术领域

本发明主要涉及新能源汽车电池系统相关技术领域，具体是一种基于衰减记忆滤波器的电动汽车故障诊断方法。

背景技术

随着全球空气污染和化石能源减少等问题日益严重，节能环保已成为当前汽车领域急需解决的问题之一。以动力电池为核心动力源的新能源汽车能提高经济性和清洁环保性，减少排放，被认为是当前节能减排的有效途径之一。随着产量和保有量不断增加，新能源汽车安全成为当然研究热点和难点。因动力电池系统的安全性直接决定了整车的安全性，故各种基于模型的故障诊断方法被提出并应用于电池系统故障诊断中，但仍存在以下问题：

(1)基于模型的方法对模型的准确性要求较高，目前的方法是利用电化学模型或等效电路模型得到参数的估计值，并将其与参数的参考值进行对比来判断故障是否发生。卡尔曼类滤波器是电池模型参数辨识典型方法之一，若电池出现故障时，由于电池模型失真会导致卡尔曼类滤波器发散，影响故障检测及故障程度识别；

(2)传统故障诊断方法是通过对比电池欧姆内阻这单一参数的估计值和参考值来进行故障诊断，若故障阈值给定不合理会导致故障诊断虚警率和漏警率高问题。

发明内容

为解决目前技术的不足，本发明结合现有技术，从实际应用出发，提供一种基于衰减记忆滤波器的电动汽车故障诊断方法。

本发明的技术方案如下：

一种基于衰减记忆滤波器的电动汽车故障诊断方法，所述方法用于电动汽车中电池系统故障诊断，包括如下步骤：

步骤一、采集电池的电流信号I和端电压信号V；

步骤二、建立一阶RC等效电路模型和状态空间方程；

步骤三、采用衰减记忆滤波器进行电池模型参数辨识，得到模型参数ζ和OCV估计值；

步骤四、通过模型参数ζ的估计值与实验所得参考值得到残差r₁，通过开路电压OCV的估计值与实验所得参考值得到残差r₂，将两个残差分别与实验所得对应阈值进行对比，只有当两残差均超过对应阈值才可判断故障发生。

进一步，在实施步骤一至步骤四前，首次进行电池基础特性测试实验，用于获取电池容量C_n、OCV-SOC拟合关系式、参数参考值以及故障阈值。

进一步，电池基础特性测试实验包括容量实验、开路电压实验和混合动力脉冲能力特性HPPC实验，OCV-SOC拟合关系式为：

V_oc(z)＝α₀+α₁z+α₂z²+α₃z³+α₄z⁴+α₅z⁵+α₆z⁶+α₇z⁷ (1)

式中，V_oc表示OCV，α₀,α₁,…,α₇为关系式系数，可通过OCV测试数据拟合得到，z为电池荷电状态SOC，其值在电池完全充满时为100％，完全放光时为0，其他时刻的值可通过如下安时积分法计算：

式中，下标k表示第k个采样时刻，Δt为电池的采样间隔。

进一步，所述步骤二所建一阶RC等效电路模型如下：

V＝V_oc-V_a-IR_o (3)

式中，V_a为电池极化电容两端的极化电压，

为所述极化电压的变化率，V_oc为开路电压OCV，R_a为极化内阻，C_a为极化电容，R_o为欧姆内阻。

进一步，所述步骤二还包括建立如下状态空间方程：

上述状态空间方程包括两个公式，其中上式为系统方程，下式为观测方程；系统方程中等号左侧为状态向量x_k，等号右侧为状态方程f(x_k,u_k)与系统噪声w_k，u_k为系统输入，即电流I_k；观测方程中等号左侧为系统输出y_k，即端电压V_k，等号右侧为观测方程g(x_k,u_k)与观测噪声v_k。；w_k和v_k均值均为0，协方差分别为Q_k和R_k，k表示第k个采样时刻，Δt为电池的采样间隔。

进一步，所述步骤三通过衰减记忆滤波器实时估计模型参数过程如下：

(i)雅克比矩阵设定：

(ii)初始化设置：当采样时刻k＝0时，设定：

其中上标冒号^表示估计值，上标+表示后验估计值；

若在测量值获取之前没有可利用的x信息，则令状态向量和误差协方差分别为：

其中V_rate为电池额定电压，E为单位矩阵；

A₀、B₀和C₀则根据初始状态向量先验估计初值和雅克比矩阵计算；

系统噪声和观测噪声协方差Q₀和R₀可先分别取：

R₀＝5×10^-4

(iii)设置衰减因子μ，具体取值取决于期望对过去测量值的遗忘程度，若μ为1，则衰减记忆滤波器等价于标准卡尔曼滤波器；

(iv)对采样时刻k＝1,2,…，衰减记忆滤波器迭代方程如下：

式中，上标+表示先验估计；上标冒号^表示估计值；上标T表示矩阵转置；e_k表示新息矩阵；L为噪声更新窗口，其值是采样时刻的整数倍，可默认设定为60个采样时刻，即L＝60；K_k为增益矩阵。

进一步，所述步骤四残差生成过程如下：

通过加载混合动力脉冲能力特性HPPC实验，其采样间隔Δt与实车搭载BMS采样间隔一致，通过最小二乘法获得一阶RC等效电路模型R_a和C_a，进而确定ζ的参考值，将其减去基于衰减基于滤波器得到的ζ估计值得到残差r₁；通过安时积分法获得每个采样时刻的SOC，然后代入OCV-SOC拟合关系式得到OCV参考值，将其减去基于衰减基于滤波器得到的OCV估计值得到残差r₂。进一步，所述步骤四中故障检测过程：

(|r₁|≥J₁)∩(|r₂|≥J₂)，故障发生

式中，J₁为ζ的故障阈值，J₂为OCV的故障阈值。

本发明的有益效果：

本发明针对传统卡尔曼滤波器在电池故障时模型失真易发散问题，提出引入衰减因子来应对模型不确定性，此外，与传统单一参数残差超过阈值即判定故障发生，本发明通过两参数残差均超过相应阈值来判定电池系统故障是否发生，提高了故障诊断的准确率。

附图说明

附图1为本发明流程框图。

附图2为本发明一阶等效电路图。

具体实施方式

结合附图和具体实施例，对本发明作进一步说明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所限定的范围。

一种基于衰减记忆滤波器的电动汽车故障诊断方法，所述方法用于电动汽车中电池系统故障诊断，本发明所提方法包括以下步骤：

准备工作、选取锂离子动力电池样本作为实验对象，开展电池基础特性测试实验，具体包括：容量实验、OCV实验和HPPC实验。容量实验用于获取动力电池的最大可用容量C_n；OCV实验用于获得OCV与荷电状态SOC间的拟合关系式；HPPC实验用于确定故障阈值；OCV实验获得OCV与SOC间的如下拟合关系式：

V_oc(z)＝α₀+α₁z+α₂z²+α₃z³+α₄z⁴+α₅z⁵+α₆z⁶+α₇z⁷ (1)

式中，V_oc表示OCV，α₀,α₁,…,α₇为关系式系数，可通过OCV测试数据拟合得到，z为电池SOC，其值在电池完全充满时为100％，完全放光时为0，其他时刻的值可通过如下安时积分法计算：

式中，下标k表示第k个采样时刻，Δt为电池的采样间隔。

准备工作完成后，实施如下步骤：

步骤一、电池管理系统记录电池工作时的电流信号I和端电压信号V；

步骤二、建立一阶RC等效电路模型和状态空间方程；

建立如图2所示一阶RC等效电路模型，该模型数学表达式如下：

V＝V_oc-V_a-IR₀ (3)

式中，V_a为电池极化电容两端的极化电压，

为所述极化电压的变化率，V_oc为开路电压OCV，R_a为极化内阻，C_a为极化电容，R_o为欧姆内阻。

然后建立如下状态空间方程：

该状态空间方程包括两个公式，其中上式为系统方程，下式为观测方程，系统方程中等号左侧为状态向量x_k，等号右侧为状态方程f(x_k,u_k)与系统噪声w_k，u_k为系统输入，即电流I_k；观测方程中等号左侧为系统输出y_k，即端电压V_k，等号右侧为观测方程g(x_k,u_k)与观测噪声v_k。；w_k和v_k均值均为0，协方差分别为Q_k和R_k。

步骤三、采用衰减记忆滤波器进行电池模型参数辨识，得到模型参数ζ和OCV估计值；

通过衰减记忆滤波器实时估计模型参数过程如下：

(i)雅克比矩阵设定：

(ii)初始化设置：当采样时刻k＝0时，设定：

其中上标冒号^表示估计值，上标+表示后验估计值。

若在测量值获取之前没有可利用的x信息，可令

其中V_rate为电池额定电压，E为单位矩阵；

A₀、B₀和C₀则根据初始状态向量先验估计初值和雅克比矩阵计算；

系统噪声和观测噪声协方差Q₀和R₀可先分别取：

R₀＝5×10^-4

尽管噪声协方差初值不精确，但其后续取值可根据模型故障误差自适应更新。

(iii)设置衰减因子μ，具体取值取决于期望对过去测量值的遗忘程度，若μ为1，则衰减记忆滤波器等价于标准卡尔曼滤波器，在锂离子动力电池系统应用中，μ取1.03。

(iv)对采样时刻k＝1,2,…，衰减记忆滤波器迭代方程如下：

式中，上标+表示先验估计；上标T表示矩阵转置；e_k表示新息；K_k为增益矩阵；L为噪声更新窗口，其值是采样时刻的整数倍，可默认设定为60个采样时刻，即L＝60。

该衰减记忆滤波器在计算后验估计时增加了遗忘因子项μ²，能更好的应对模型的不确定性，使滤波器在估计时更相信测量值，使得估计出的模型参数ζ和OCV能更准确地反映电池当前健康状态。

步骤四、通过模型参数ζ的估计值与参考值得到残差r₁，通过OCV的估计值与参考值得到残差r₂，将两个残差分别与对应阈值进行对比，只有当两残差均超过对应阈值才可判断故障发生；

因为R_a×C_a为时间常数，是恒定值，故对于固定的采样间隔，ζ也是恒定值，因此可通过加载HPPC试验，其采样间隔Δt与实车搭载BMS采样间隔一致，通过最小二乘法获得一阶RC等效电路模型R_a和C_a，进而确定ζ的参考值，将其减去基于衰减基于滤波器得到的ζ估计值可得到残差r₁。

通过安时积分法获得每个采样时刻的SOC，然后代入OCV-SOC拟合关系式得到OCV参考值，将其减去基于衰减基于滤波器得到的OCV估计值可得到残差r₂。

通过下式来完成故障检测：

(|r₁|≥J₁)∩(|r₂|≥J₂)，故障发生

式中，J₁为ζ的故障阈值，取0.1，J₂为OCV的故障阈值，取0.05V。本发明中，首先对所选电池开展基础特性测试实验，用于获取电池容量C_n、OCV-SOC拟合关系式及参数参考值。实际电池系统故障诊断过程需要实时采集电池的电流和端电压信号，建立一阶RC等效电路模型和状态空间方程，然后使用衰减记忆滤波器对电池进行参数辨识，到模型参数ζ和OCV估计值。由安时积分法及OCV-SOC函数关系可得OCV参考值；通过最小二乘法获得电池参数ζ的参考值。通过参数ζ的估计值与参考值得到残差r₁，通过OCV的估计值与参考值得到残差r₂，将两个残差分别与对应阈值进行对比，只有当两残差均超过对应阈值才可判断故障发生，所提方法在残差生成和残差评价过程均优于现有技术。

Claims (5)

1.一种基于衰减记忆滤波器的电动汽车故障诊断方法，其特征在于，所述方法用于电动汽车中电池系统故障诊断，包括如下步骤：

步骤一、采集电池的电流信号I和端电压信号V；

步骤二、建立一阶RC等效电路模型和状态空间方程；

步骤三、采用衰减记忆滤波器进行电池模型参数辨识，得到模型参数ζ和OCV估计值；

步骤四、通过模型参数ζ的估计值与实验所得参考值得到残差r₁，通过OCV的估计值与实验所得参考值得到残差r₂，将两个残差分别与实验所得对应阈值进行对比，只有当两残差均超过对应阈值才可判断故障发生；

所述步骤二所建一阶RC等效电路模型如下：

V＝V_oc-V_a-IR_o(3)

式中，V_a为电池极化电容两端的极化电压，

为所述极化电压的变化率，V_oc为开路电压OCV，R_a为极化内阻，C_a为极化电容，R_o为欧姆内阻；

所述步骤二所建立状态空间方程如下：

上述状态空间方程包括两个公式，其中上式为系统方程，下式为观测方程；系统方程中等号左侧为状态向量x_k，等号右侧为状态方程f(x_k,u_k)与系统噪声w_k，u_k为系统输入，即电流I_k；观测方程中等号左侧为系统输出y_k，即端电压V_k，等号右侧为观测方程g(x_k,u_k)与观测噪声v_k；w_k和v_k均值均为0，协方差分别为Q_k和R_k，k表示第k个采样时刻，Δt为电池的采样间隔；

所述步骤三通过衰减记忆滤波器实时估计模型参数过程如下：

(i)雅克比矩阵设定：

(ii)初始化设置：当采样时刻k＝0时，设定：

其中上标冒号^表示估计值，上标+表示后验估计值；

若在测量值获取之前没有可利用的x信息，则令状态向量和误差协方差分别为：

其中V_rate为电池额定电压，E为单位矩阵；

A₀、B₀和C₀则根据初始状态向量先验估计初值和雅克比矩阵计算；

系统噪声和观测噪声协方差Q₀和R₀可先分别取：

(iii)设置衰减因子μ，具体取值取决于期望对过去测量值的遗忘程度，若μ为1，则衰减记忆滤波器等价于标准卡尔曼滤波器；

(iv)对采样时刻k＝1,2,…，衰减记忆滤波器迭代方程如下：

式中，上标+表示先验估计；上标冒号^表示估计值；上标T表示矩阵转置；e_k表示新息矩阵；L为噪声更新窗口，其值是采样时刻的整数倍，可默认设定为60个采样时刻，即L＝60；K_k为增益矩阵。

2.根据权利要求1所述的基于衰减记忆滤波器的电动汽车故障诊断方法，其特征在于，在实施步骤一至步骤四前，首次进行电池基础特性测试实验，用于获取电池容量C_n、OCV-SOC拟合关系式、参数参考值以及故障阈值。

3.根据权利要求2所述的基于衰减记忆滤波器的电动汽车故障诊断方法，其特征在于，电池基础特性测试实验包括容量实验、开路电压OCV实验和混合动力脉冲能力特性HPPC实验，OCV-SOC拟合关系式为：

V_oc(z)＝α₀+α₁z+α₂z²+α₃z³+α₄z⁴+α₅z⁵+α₆z⁶+α₇z⁷ (1)

式中，V_oc表示OCV，α₀,α₁,…,α₇为关系式系数，可通过OCV测试数据拟合得到，z为电池SOC，其值在电池完全充满时为100％，完全放光时为0，其他时刻的值可通过如下安时积分法计算：

式中，下标k表示第k个采样时刻，Δt为电池的采样间隔。

4.根据权利要求1所述的基于衰减记忆滤波器的电动汽车故障诊断方法，其特征在于，所述步骤四残差生成过程如下：

通过加载混合动力脉冲能力特性HPPC实验，其采样间隔Δt与实车搭载BMS采样间隔一致，通过最小二乘法获得一阶RC等效电路模型R_a和C_a，进而确定ζ的参考值，将其减去基于衰减基于滤波器得到的ζ估计值得到残差r₁；通过安时积分法获得每个采样时刻的SOC，然后代入OCV-SOC拟合关系式得到OCV参考值，将其减去基于衰减基于滤波器得到的OCV估计值得到残差r₂。

5.根据权利要求4所述的基于衰减记忆滤波器的电动汽车故障诊断方法，其特征在于，所述步骤四中故障检测过程：

(|r₁|≥J₁)∩(|r₂|≥J₂)，故障发生

式中，J₁为ζ的故障阈值，J₂为OCV的故障阈值。

Images