CN112965001A - 一种基于实车数据的动力电池组故障诊断方法 - Google Patents

Abstract

本发明涉及一种基于实车数据的动力电池组故障诊断方法，属于故障诊断领域。该方法包括：S1：选取发生热失控的事故车，将事故车分为两类，获取事故车生命周期后期的所有电池单体的充放电电压数据，对预处理后的单体电压进行标准化；S2：确定时间窗口长度，获取每一个时间窗口内的单体电压，构建单体电压状态矩阵，计算相应的参数向量作为基准参数向量，相应的状态向量作为基准状态向量；S3：将除第一个时间窗口之外的其余所有时间窗口下的单体电压状态矩阵，与基准参数向量相乘得到各时间窗口下的各电池单体的状态向量；S4：基于SRM方法实现电压的故障诊断。本发明实现了电压故障提前预警，异常单体准确定位以及故障类型的准确判断。

Description

一种基于实车数据的动力电池组故障诊断方法

技术领域

本发明属于电动汽车故障诊断技术领域，涉及一种基于实车数据的动力电池组故障诊断 方法。

背景技术

近年来国内外电动汽车自燃起火事故频繁发生，根据事故原因调查分析研究，事故主要 的矛头指向电动汽车搭载的动力电池，电池的热失控是造成电动汽车安全事故的主要原因。 市面上广泛应用的是锂离子电池，为了解决电动汽车续航里程不足、成本高等短板，高比能 量比功率的锂离子电池也在快速更新迭代，随着电动汽车保有量的持续增加，锂离子电池的 安全问题也日益凸显。电池安全是推动电动汽车发展过程中的关键核心问题。

动力电池组是由成百上千个电池单体通过串联并联的方式形成的，而安全事故的发生往 往是由于某个或某几个单体发生热失控而引起的，而事故单体的规律性不强，因此实时监控 各单体的状态对保证电动汽车安全非常必要。

目前，对电池热失控的研究主要基于实验室条件下的热失控实验以及各类模型仿真，进 而提出预防热失控的措施。然而，这些环境条件相对理想，不能准确模拟实车工况下电池的 真实状态，在实车上不能得到很好的应用。因此，亟需开发出适用于实车数据的故障诊断方 法，减少安全事故的发生。

发明内容

有鉴于此，本发明的目的在于提供一种基于实车数据的动力电池组故障诊断方法，实现 电压故障提前预警，异常单体准确定位，以及故障类型判断。

为达到上述目的，本发明提供如下技术方案：

一种基于实车数据的动力电池组故障诊断方法，包括以下步骤：

S1：数据准备：选取发生热失控的事故车，将事故车分为两类，获取事故车生命周期后 期的所有电池单体的充放电电压数据，对预处理后的单体电压进行标准化；

S2：基准状态确定：确定时间窗口长度，获取每一个时间窗口内的单体电压，构建单体 电压状态矩阵，根据第一个时间窗口下的单体电压状态矩阵计算相应的参数向量作为基准参 数向量，相应的状态向量作为电池包各电池单体的基准状态向量；

S3：各时间窗口的状态确定：将除第一个时间窗口之外的其余所有时间窗口下的单体电 压状态矩阵，与基准参数向量相乘，得到各个时间窗口下的电池包各电池单体的状态向量；

S4：电压故障诊断：基于状态表示的方法(State Representation Methodology,SRM)实 现电池组中电池单体电压的故障诊断。

进一步，步骤S1具体包括以下步骤：

S11：将发生热失控的事故车分为两类，第一类是事故前期特征表现不明显的事故车， 第二类是事故前期特征表现明显的事故车，特征指的是各单体初始电压；

S12：提取两类事故车生命周期后期的所有电池单体的充放电电压数据；

S13：对单体充放电电压进行去重补漏、插值平滑和采集异常点剔除等数据预处理；

S14：将每个采样时刻下的单体电压作为一个样本，计算每个样本下各单体的标准电压， 构建特征向量x_t为：

x_t＝(u_t1,...,u_ti,...,u_tm)

U_t＝(v_t1,...,v_it,...,v_tm)

其中，x_t是第t个数据样本下的特征向量，u_ti为第t个数据样本下的第i号单体标准化 后的电压，m为电池包中电池单体个数，v_ti为第t个数据样本下的第i号单体预处理后的电 压，U_t为第t个数据样本下的单体电压向量，|U_t|为U_t的模长。

进一步，步骤S2具体包括以下步骤：

S21：确定时间窗口长度为n个数据采样点长度；

S22：获取各个时间窗口下的电池包各电池单体电压，构建单体电压状态矩阵G为：

其中，G_j是第j个时间窗口下的单体电压状态矩阵，X_j是第j个时间窗口下的特征矩阵，

是在第j个时间窗口下的第i号单体电压向量，

是第j个时间窗口下第i号 单体的电压向量和第1号单体的电压向量乘积，

为第j个时间窗口下第t个数据样本中的 第i号单体标准化后的电压,

是第j个时间窗口下第t个数据样本下的特征向量；

S23：根据最小二乘误差目标函数，计算第一个窗口下的单体电压状态矩阵G₁对应的基 准参数向量λ为：

λ＝(λ₁,...,λ_i,...,λ_m)^T

其中，λ_i是第一个时间窗口下的第i号单体对应的参数权重；

S24：计算第一个窗口下的单体电压状态矩阵G₁对应的基准状态向量ζ₁：

其中，f(λ,x)是电池状态函数，ζ_1i是第一个时间窗口下的第i号单体的特征。

进一步，步骤S23中，最小二乘误差目标函数为：

e＝(1,...,1,...1)_1×m；

约束条件：

其中，I表示m*m的单位矩阵，e是m×1的单位向量，e^T是e的转置。

更进一步，步骤S3中，计算各个时间窗口下的电池包各电池单体的状态向量，第j个 时间窗口下的状态向量ζ_j为：

进一步，步骤S4具体包括以下步骤：

S41：计算第j个时间窗口下的状态向量ζ_j与基准状态向量ζ₁的差值diff_j；

diff_j＝∑|ζ_j-ζ₁|＝|ζ_j1-ζ₁₁|+...+|ζ_ji-ζ_1i|...+|ζ_jm-ζ_1m|j＝2,3,...

S42：设定阈值，若diff_j超过阈值，则表明第j个时间窗口为异常时间窗口，电池包中 有单体存在电压故障；若diff_j未超过阈值，则继续计算下一个时间窗口状态；

其中，f＝0表示第j个时间窗口无异常，f＝1表示第j个时间窗口有异常。此方法能够有 效地实现电压故障的提前检测；

S43：根据各个时间窗口下的各单体状态曲线，定位异常单体，异常单体状态在后期明 显偏离其他单体状态；

S44：比较异常单体状态与单体状态中位数；若该异常单体状态高于单体状态中位数， 则表明该异常单体出现过压故障；若该异常单体状态低于单体状态中位数，则表明该单体出 现欠压故障；

其中，ζ_{i_ab}是异常时间窗口下的异常单体i的状态，ζ_{med_ab}是异常时间窗口下的所有单 体状态的中位数，s＝0表示单体出现过压故障，s＝1表示单体出现欠压故障。

本发明的有益效果在于：

1)本发明方法所用数据为单体电压数据，是实车运行过程中容易采集的数据，能够实 现在线故障诊断；

2)本发明方法将单体电压进行标准化后，不需要区分充放电工况进行分析，且不受到 电压分布的影响；

3)本发明方法能够有效实现电池单体电压故障的提前检测，并准确定位故障单体，同 时判断故障单体出现的故障类型。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某 种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发 明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详 细描述，其中：

图1为本发明基于实车数据的动力电池组故障诊断方法实现流程图；

图2为SRM方法的原理图；

图3为两类事故车在各时间窗口下的单体状态曲线图；

图4为两类事故车故障检测时间和BMS报警时间之间的对比曲线图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员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与功效。本发明还可以通过另外不同的具体实施方式加 以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精 神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本 发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明 的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表 实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理 解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中， 需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为 基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示 所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关 系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言， 可以根据具体情况理解上述术语的具体含义。

请参阅图1～图4，图1为本发明提供的基于实车数据的动力电池组故障诊断方法实现 流程图，该方法具体包括以下步骤：

S1：数据准备：选取发生热失控的事故车，将事故车分为两类，获取事故车生命周期后 期的所有电池单体的充放电电压数据，对预处理后的单体电压进行标准化。具体包括以下步 骤：

S11：将发生热失控的事故车分为两类，第一类是事故前期特征表现不明显的事故车， 第二类是事故前期特征表现明显的事故车，特征指的是各单体初始电压；

S12：提取两类事故车生命周期后期的所有电池单体的充放电电压数据；

S13：对单体充放电电压进行去重补漏、插值平滑、采集异常点剔除等数据预处理；

S14：将每个采样时刻下的单体电压作为一个样本，计算每个样本下各单体的标准电压， 构建特征向量x_t：

U_t＝(v_t1,...,v_it,...,v_tm)

x_t＝(u_t1,...,u_ti,...,u_tm)

其中，m为电池包中电池单体个数，v_ti为第t个数据样本下的第i号单体预处理后的电 压，U_t为第t个数据样本下的单体电压向量，|U_t|为U_t的模长，u_ti为第t个数据样本下的第i号单体标准化后的电压，x_t是第t个数据样本下的特征向量。

S2：基准状态确定：确定时间窗口长度，获取每一个时间窗口内的单体电压，构建单体 电压状态矩阵，根据第一个时间窗口下的单体状态矩阵计算相应的参数向量作为基准参数向 量，相应的状态向量作为电池包各电池单体的基准状态向量。如图2所示，具体包括以下步 骤：

S21：确定时间窗口长度为n个数据采样点长度；

S22：获取各个时间窗口下的电池包各电池单体电压，构建单体电压状态矩阵G：

其中，

为第j个时间窗口下第t个数据样本中的第i号单体标准化后的电压,

是第j 个时间窗口下第t个数据样本下的特征向量，X_j是第j个时间窗口下的特征矩阵，

是在 第j个时间窗口下的第i号单体电压向量，

是第j个时间窗口下第i号单体的电压 向量和第1号单体的电压向量乘积，G_j是第j个时间窗口下的单体电压状态矩阵；

S23：依据最小二乘误差目标函数思想，计算第一个窗口下的单体电压状态矩阵G₁对应 的基准参数向量λ：

e＝(1,...,1,...1)_1×m

λ＝(λ₁,...,λ_i,...,λ_m)^T

目标函数：

约束条件：

其中，I表示m*m的单位矩阵，e是m×1的单位向量，e^T是e的转置，λ_i是第一个时间窗口下的第i号单体对应的参数权重，G₁是第1个时间窗口下的单体电压状态矩阵；

S24：计算第一个窗口下的单体电压状态矩阵G₁对应的基准状态向量ζ₁：

其中，f(λ,x)是电池状态函数，ζ_i1是第1个时间窗口下的第i号单体的特征。

S3：各时间窗口的状态确定：将除第一个时间窗口之外的其余所有时间窗口下的单体电 压状态矩阵，与基准参数向量相乘，得到各个时间窗口下的电池包各电池单体的状态向量； 如图2所示，具体包括以下步骤：计算各个时间窗口下的电池包各电池单体的状态向量，第 j个时间窗口下的状态向量ζ_j为：

S4：电压故障诊断：基于SRM的方法实现电池组内电池单体电压的故障诊断。如图2所示，具体包括以下步骤：

S41：计算第j个时间窗口下的状态向量ζ_j与基准状态向量ζ₁的差值diff_j；

diff_j＝∑|ζ_j-ζ₁|＝|ζ_j1-ζ₁₁|+...+|ζ_ji-ζ_1i|...+|ζ_jm-ζ_1m|j＝2,3,...

S42：设定阈值，若diff_j超过阈值，则表明该第j个时间窗口为异常时间窗口，电池包 中有单体存在电压故障；若diff_j未超过阈值，则继续计算下一个时间窗口状态；

其中，f＝0表示该时间窗口无异常，f＝1表示该时间窗口有异常。此方法能够有效地实 现电压故障的提前检测；

S43：根据各个时间窗口下的各单体状态曲线，定位异常单体，异常单体状态在后期明 显偏离其他单体状态；

S44：将异常单体状态与单体状态中位数比较，若该异常单体状态高于单体状态中位数， 则表明该单体出现过压故障；若该异常单体状态低于单体状态中位数，则表明该单体出现欠 压故障；

其中，ζ_{i_ab}是异常时间窗口下的异常单体i的状态，ζ_{med_ab}是异常时间窗口下的所有单 体状态的中位数，s＝0表示单体出现过压故障，s＝1表示单体出现欠压故障。

图3为两类事故车在各时间窗口下的单体状态曲线。取时间窗口长度n＝1个个数据采样 点长度，在正常时间窗口下，单体的状态曲线趋于稳定范围，在异常时间窗口下，单体状态 明显偏离其他单体状态的为异常单体，处于单体状态中位数曲线上方的为发生过压故障的异 常单体，处于单体状态中位数曲线下方的为发生欠压故障的异常单体。

图4为两类事故车故障检测时间和BMS报警时间之间的对比曲线。可以看出SRM算法得到的故障检测时间都提前于BMS报警信号出现时间，很好地实现了电压故障的提前预警。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施 例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进 行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求 范围当中。

Claims (6)

1.一种基于实车数据的动力电池组故障诊断方法，其特征在于，该方法包括以下步骤：

S1：数据准备：选取发生热失控的事故车，将事故车分为两类，获取事故车生命周期后期的所有电池单体的充放电电压数据，对预处理后的单体电压进行标准化；

S2：基准状态确定：确定时间窗口长度，获取每一个时间窗口内的单体电压，构建单体电压状态矩阵，根据第一个时间窗口下的单体电压状态矩阵计算相应的参数向量作为基准参数向量，相应的状态向量作为电池包各电池单体的基准状态向量；

S3：各时间窗口的状态确定：将除第一个时间窗口之外的其余所有时间窗口下的单体电压状态矩阵，与基准参数向量相乘，得到各个时间窗口下的电池包各电池单体的状态向量；

S4：电压故障诊断：基于状态表示的方法(State Representation Methodology,SRM)实现电池组中电池单体电压的故障诊断。

2.根据权利要求1所述的动力电池组故障诊断方法，其特征在于，步骤S1具体包括以下步骤：

S11：将发生热失控的事故车分为两类，第一类是事故前期特征表现不明显的事故车，第二类是事故前期特征表现明显的事故车，特征指的是各单体初始电压；

S12：提取两类事故车生命周期后期的所有电池单体的充放电电压数据；

S13：对单体充放电电压进行去重补漏、插值平滑和采集异常点剔除；

S14：将每个采样时刻下的单体电压作为一个样本，计算每个样本下各单体的标准电压，构建特征向量x_t为：

x_t＝(u_t1,...,u_ti,...,u_tm)

U_t＝(v_t1,...,v_it,...,v_tm)

其中，x_t是第t个数据样本下的特征向量，u_ti为第t个数据样本下的第i号单体标准化后的电压，m为电池包中电池单体个数，v_ti为第t个数据样本下的第i号单体预处理后的电压，U_t为第t个数据样本下的单体电压向量，|U_t|为U_t的模长。

3.根据权利要求2所述的动力电池组故障诊断方法，其特征在于，步骤S2具体包括以下步骤：

S21：确定时间窗口长度为n个数据采样点长度；

S22：获取各个时间窗口下的电池包各电池单体电压，构建单体电压状态矩阵G为：

其中，G_j是第j个时间窗口下的单体电压状态矩阵，X_j是第j个时间窗口下的特征矩阵，

是在第j个时间窗口下的第i号单体电压向量，

是第j个时间窗口下第i号单体的电压向量和第1号单体的电压向量乘积，

为第j个时间窗口下第t个数据样本中的第i号单体标准化后的电压,

是第j个时间窗口下第t个数据样本下的特征向量；

S23：根据最小二乘误差目标函数，计算第一个窗口下的单体电压状态矩阵G₁对应的基准参数向量λ为：

λ＝(λ₁,...,λ_i,...,λ_m)^T

其中，λ_i是第一个时间窗口下的第i号单体对应的参数权重；

S24：计算第一个窗口下的单体电压状态矩阵G₁对应的基准状态向量ζ₁：

其中，f(λ,x)是电池状态函数，ζ_1i是第一个时间窗口下的第i号单体的特征。

4.根据权利要求3所述的动力电池组故障诊断方法，其特征在于，步骤S23中，最小二乘误差目标函数为：

约束条件：

其中，I表示m*m的单位矩阵，e是m×1的单位向量，e^T是e的转置。

5.根据权利要求3所述的动力电池组故障诊断方法，其特征在于，步骤S3中，计算各个时间窗口下的电池包各电池单体的状态向量，第j个时间窗口下的状态向量ζ_j为：

6.根据权利要求5所述的动力电池组故障诊断方法，其特征在于，步骤S4具体包括以下步骤：

S41：计算第j个时间窗口下的状态向量ζ_j与基准状态向量ζ₁的差值diff_j；

diff_j＝∑|ζ_j-ζ₁|＝|ζ_j1-ζ₁₁|+...+|ζ_ji-ζ_1i|...+|ζ_jm-ζ_1m|j＝2,3,...

S42：设定阈值，若diff_j超过阈值，则表明第j个时间窗口为异常时间窗口，电池包中有单体存在电压故障；若diff_j未超过阈值，则继续计算下一个时间窗口状态；

其中，f＝0表示第j个时间窗口无异常，f＝1表示第j个时间窗口有异常；

S43：根据各个时间窗口下的各单体状态曲线，定位异常单体，异常单体状态在后期明显偏离其他单体状态；

S44：比较异常单体状态与单体状态中位数；若该异常单体状态高于单体状态中位数，则表明该异常单体出现过压故障；若该异常单体状态低于单体状态中位数，则表明该单体出现欠压故障；

其中，ζ_{i_ab}是异常时间窗口下的异常单体i的状态，ζ_{med_ab}是异常时间窗口下的所有单体状态的中位数，s＝0表示单体出现过压故障，s＝1表示单体出现欠压故障。

Images