电池充电状态和电压/温度异常联合故障诊断

傅振亮, 张建敏, 罗崴, 闫愿, 郝文美*

(1.中车唐山机车车辆有限公司产品研发中心, 唐山 063035; 2.广西科技大学自动化学院, 柳州 545000;3.北京理工大学电动车辆国家工程研究中心, 北京 100081)

随着新能源汽车普及程度越来越高,锂离子动力电池呈现快速增长的趋势。但新能源汽车由于环境因素、驾驶员行为和出厂差异等因素的影响,会让锂离子动力电池使用寿命衰减加剧。为了保证动力电池给新能源汽车提供最佳的功率输出,需要对新能源汽车的动力电池进行更换,而报废的锂离子电池若未妥善处置将带来许多环境隐患的同时也会危害人们的健康。对退役电池进行分类、重组、重新利用等[1-5]是缓解能源带来环境问题的关键措施,也能为降低储能系统成本、优化储能系统配置发挥积极作用[6]。故障诊断作为电池梯次利用中的重要一环,也是保证电池再利用的时高效运行的前提,王志福等[7]提出多方法融合的联合估计方法对电池状态进行估计,但是需要建立复杂的等效电路模型,计算繁琐且不具备通用性,无法对电池的多种故障进行监测和预警。段双明等[8]提出改进残差网络的电池故障诊断虽然能达到99%的准确率,但是数据来源于实验室,不一定能在实车上达到较好的效果。Wang等[9]提出动态贝叶斯的分级故障诊断模型,虽然能对分级故障能达到一定的效果,但是没有对特定故障进行故障诊断。张晖等[10]提出用长短时记忆神经网络进行动力电池电压异常的故障诊断,但是没有考虑到关联故障以及故障会引发热失控。

综上所述,目前的研究只针对单一故障,缺乏对关联故障的全局性考虑,在工程应用方面具有较大局限。基于此,提出基于实车数据的电荷荷电状态(state of charge,SOC)和电压/温度异常联合故障诊断方法,首先基于实车的电压电流温度数据,进行故障特征的提取,明确故障特征子集,接着进行联合的故障诊断,该方法不仅能精确定位故障单体,还能挖掘关联故障,为后续动力电池多故障的研究奠定了基础。

1 实车数据预处理与故障特征提取

为了对证梯次利用电池进行故障诊断的正确率和实用性,需要采用车辆在实际运行过程中的电池大数据进行建模与诊断,所以使用的是新能源汽车国家监测与管理中心平台、新能源汽车国家检测与动力蓄电池回收利用溯源综合管理平台提供的数据,其中建立的实车数据获取流程如图1所示。

图1 建立的实车数据获取平台

电池的故障诊断需要大量数据作为支撑,从平台获取实车数据,但考虑到汽车实际运行时路况的复杂性、驾驶员操作的多变性、当地网络的不稳定性等因素,传输到国家平台的原始数据中存在大量的噪声信息[11]。

为了提高后续研究的可信度,在数据应用前,往往需要对其进行一定的预处理,数据预处理流程主要包括：数据基本格式转换、数据整合、数据清洗、数据切片与重构。其中,基本格式转换主要是根据《电动汽车远程服务与管理系统技术规范》(GB/T 329601—2016)将原始报文解码成结构化数据,数据整合是将放在不同文件夹及文件里的不同数据项根据时间序列(唯一性)整合在同一个数据表里,数据清洗主要是去除噪声点和错误的点,并对缺失的数据点进行插值,数据切片与重构主要是为了方便后续故障诊断,对数据按照时间序列和充放电等使用工况进行切分和重构。

(1)数据基本格式转换。

D=[Time,U,I,…gi,…,gn]

(1)

式(1)中：D为结构化数据矩阵,一共有n个数据项向量,主要包括总电流I、时间Time、总电压U等;gi、gn分别为第i及n个数据项的数据向量。

(2)数据整合。

(2)

Gz=[G1,G2,…,Gn]

(3)

(3)数据清洗(插补法)。

Uz=[U1,U3,…,Un], 插值前

(4)

UzA=[U1,A2,U3,…,Un], 插值后

(5)

式中：Uz为原始电压数据矩阵;UzA为插值后的电压矩阵;U1和U3存在电压数据缺失,需要运用插值方法进行插值;A2为插的值。

(4)数据切片与重构。

(6)

式(6)中：UzA1、UzA2、UzAn分别为切片的第1、2、n个电压矩阵;Ucg为最终重构后的电压矩阵。

目前的研究主要采用基于模型、数据驱动等方法,通过利用故障特征的一种或多种对硬故障或软故障进行故障诊断[12]。将数据通过预处理后,根据文献[9]的二元逻辑回归方法可以得到绝缘阻值、电压、温度、档位、SOC对车辆的电池故障有影响,其中电压和温度对电池故障的影响最大,通过螳螂算法优化K近邻(dung beetle optimizesK-nearest neighbor, DBO-KNN)进行特征提取。为克服KNN算法在权值和阈值生成上容易陷入局部最优、收敛速度慢的缺点,采用新型群体的DBO算法,该算法在收敛速度、求解精度和稳定性方面相比于其他的智能优化算法具有很好的效果[13]。螳螂优化算法的计算公式见文献[14],DBO-KNN算法提取特征的流程框图如图2所示。

图2 DBO-KNN算法特征提取的流程图

DBO-KNN提取特征的步骤如下。

f={1,2,…,ns}

(7)

式(7)中：f为故障特征的一类标签;ns为标签的数量。

步骤2初始化DBO的种群数量,觅食上界和下界,KNN的参数。

步骤3利用随机K值训练 KNN 算法,并计算适应度函数的精度。

步骤4根据适应度函数计算每个螳螂的位置,如果螳螂当前位置优于其先前的最佳位置,则通过式(8)更新螳螂的位置。

xi(t+1)=xi(t)+|xi(t)-xi(t-1)|tanθ

客服人员是营销工作的主力军，是公司与客户沟通互动的重要界面，对客服人员各方面能力素质要求较高，招聘到合适的营销人员对完成营销任务非常关键。在互联网时代下，可以充分借助移动互联网、大数据、人工智能等技术，采用灵活便捷的面试方式进行客服人员应聘，多维度展示应聘者的各项能力素质与专业技能，通过将应聘者与招聘岗位进行智能匹配，提高客服人员人岗匹配度。

(8)

式(8)中：xi(t)为第i只螳螂在t时刻迭代中位置信息;|xi(t)-xi(t-1)|为第i只螳螂在第t时刻迭代时的位置与第t-1时刻迭代时的位置之差;θ为偏转角,也就是螳螂遇到障碍后怎么转动,取值范围为[0,π]。

步骤5根据螳螂先前的最佳位置确定种群中的最优位置。

(9)

步骤6将螳螂移动到其更新位置。

(10)

式(10)中：C1为遵循正态分布的随机数;C2为属于0～1的随机数。

步骤7重复上述步骤,直到满足停止条件或达到最大迭代次数。

步骤8利用优化的K值训练KNN算法,并找到输入样本的K个近邻。

2 实车的联合故障诊断方法

用采集的实车数据,构建一个差分整合移动平均自回归(autoregressive integrated moving average model, ARIMA)的电压异常故障诊断模型,并根据制定的阈值,实时诊断车辆动力电池系统的电压异常故障,确保电动汽车在整个生命周期内安全运行。在ARIMA模型中的主要参数均为整数：自回归项数,用p表示;移动平均项的数量,用q表示;以及原时间序列差分的次数,用d表示。因此,在实际应用时,常用ARIMA(p,d,q)形式表征该模型的内部结构。

针对一段电压时间序列,ARIMA(p,d,q)模型的数学原理可表示为

(11)

式(11)中：Ut为电压序列中t时刻的电压;μ为该电压序列中的平均值;βi(i=1,2,…,p)和θi(i=1,2,…,q)分别为相应参数的权重;p为自回归项数;q为移动平均项的数量;εt为上述模型中的随机误差。

平稳时间序列是指该时序里,数据的平均值与标准差在系统上无变化,而且也没有周期性波动现象,但是在实际问题中,许多变量的变化不属于平稳时序,此时如果该序列增量(即一阶差分序列)能够稳定在零点附近,也可将该差分后序列当成平稳时间序列。考虑到ARIMA基本原理仅适用于平稳时间序列,在实车数据中应用ARIMA(p,d,q)模型前,需要确定d的具体数值,即差分阶数的大小,一般p和q的确定采用逼近优化法获取,而且自回归项数p和移动平均项数量q两者的数值不能过大,在图3(a)模型残差偏自相关图(ACF)和图3(b)模型残差自相关图(PACF)中得到p和q都为1。

图3 模型残差图

ARIMA模型中参数确定并建立后,需要对模型进行残差检验,即需要对预测结果与真实值之间的残差进行检验,在一个理想的回归模型中,预测值与真实值之间的差异必然是随机的、不可预测的。因此,此处需要对上述模型中的残差序列进行白噪声检测,绝大部分红色的点都在95%置信区间蓝色线以内(但第7阶和第9阶超过了2倍标准差,可能是由偶然因素引起的),这意味着模型的残差是白噪声序列,没有可用的信息可以进一步提取,建模结束。另外,可通过QQ图(样本数据-标准数据)将残差分布可视化,其是通过比较被测样本数据的四分位数与已知分布(通常是正态分布)来验证数据分布的一种方法。图3(c)显示了样本数据与标准正态之间的关系,可以看出,QQ图上的点分布近似于一条直线,只有少部分的点离该直线的距离较远,表明模型残差分布可近似为正态分布,即残差序列的均值为0,方差为常数。

建立故障诊断模型来实时诊断异常电压和SOC过低的联合故障,具体步骤如下。

步骤4通过ARIMA多步预测的SOC与总的SOC比较,若估计值与真实值之间的残差小于5,则说明引起SOC过低报警的不是电池过压和欠压引起的;若估计值与真实值之间的残差大于5(±5的阈值是大量工程实验得到的),则说明电池过压和欠压引发SOC过低报警,而此时温度超过了阈值,说明故障等级较高,有触发热失控的风险。

3 算例分析

对图1所示的新能源汽车国家监测与管理中心获取的电压、电流、温度、SOC等数据进行预处理和归一化,部分数据如图4所示。

初始化DBO和KNN参数,设置特征提取参数的上限为1和下限为0,螳螂的种群数量设置为30,迭代次数为150,维数根据特征数设置为5,并初始化螳螂种群数量,DBO-KNN特征提取的优化曲线如图5所示。

图5中迭代曲线在迭代次数为50次,适应度值达到最优,最优的适应度值为0.01,建立DBO-KNN模型进行特征提取,平均绝对误差(mean absolute error, MAE)为0.023,均方根误差(root mean square error, RMSE)为0.055,表明建立特征提取模型效果好,能帮助跳出局部最优,选取300组数据,数据根据报警标志位的不同,确定绝缘阻值、电压、温度、档位、SOC这5个特征在故障报警标志位的主要影响,将选取的数据分为5类标签,其特征提取的混淆矩阵如图6所示,经过DBO-KNN的准确率相比于没有经过DBO特征提取的准确率提高了10.77%,不会使重要的故障特征丢失。

图6 特征提取的混淆矩阵

新能源汽车的动力电池发生故障的原因有很多,其中最主要的原因是电压异常和温度异常。过压、失压和高温都会导致电池的SEI(solid electrolyte interphase)膜分解,负极消耗活性物质发生放热反应,当温度达到电池110 ℃时,会让隔膜上的细孔收缩,进而使得锂离子不能通过隔膜,造成轻微短路。当温度达到130 ℃时,温度突然从上升变为下降,这是由于电池内部高温引发电解液气化产生的气体带走了部分热量,这时发生了严重内短路,当温度达到并超过210 ℃时,电池将达到触发热失控的临界值,副反应加剧,温度继续上升,当温度达到临界点就会引发热失控,甚至是起火和爆炸。选用组成实车的95个单体电池以串并联的方式组成的34个电池组。

从图7可以看出,电池组编号8从761 s开始发生高温报警,报警等级为最高级别的故障3级,这时驾驶员需要立即停车并离开车辆,并拨打救援电话,避免高温威胁到生命安全,持续了91 s,后回归正常。但在879 s时又再次发生高温报警。电池组编号9分别从769 s和776 s发生了两次高温报警,但高温报警持续的时间都较短,分别为2 s和3 s,可能的原因是其他电池组的高温影响了该电池组。发生高温故障的还有电池组12号、电池组17号、电池组19号、电池组20号、电池组21号、电池组23号,发生持续时间较短的是电池组12号,只持续了2 s,发生持续时间最长的是电池组17号和电池组21号,持续时间达到了50 s,其中17号还发生了2次高温故障。

pack 1～34为34个电池组

车辆型号一在2020年10月28日10： 44： 31—17：10：18时段下的实车数据,该车在16：58：57出现过电压异常报警,报警持续了81 s,查看电池单体数据,发现电池单体29的电压在该时刻上升到4.99 V,比其他电池单元的电压高0.9 V,该车在17：09：53出现过失压异常报警,报警持续了25 s,电池单体25在该时刻下降到0.063 V和0.261 V,相比于其他电池单体下降了4 V,如图8所示。

cell 1～95为95个单体电池

建立ARIMA模型来诊断该段电压数据的故障,诊断结果如图9所示。可以看出,在16：58：57电池单体出现了过压异常,此时真实值和预测值之间的电压差达到了0.99 V,对应的电池单体编号为29,发生最高报警等级3级的报警,会发生严重的故障事故。在17：10：04时刻,此时真实值和预测值的电压差值为-0.6 V,持续3 s回归正常,单体电池30发生了一个轻微的失压异常故障,报警等级为1级,不影响车辆正常行驶,但是得提防发生更严重的故障。在17：09：53时刻时,两个电池单体发生较为严重的失压故障,分别为25号和27号,此时真实值和预测值的电压差值为-4.2 V和-3.8 V,报警等级为2级,这级别的故障会影响车辆性能,急需驾驶员限制行驶。

从图10可以看出,由于原始数据中总的SOC在16：58：57时刻变为0,但预测值在这一时刻的SOC值为6.07,其预测值和原始数据之间的差值超过了阈值5,而此时发生了电池单体的过压和欠压故障,若是因为电池传感器故障,不会引起SOC和电压故障的同时发生,SOC和电压的同时发生会引起温度超过阈值,进而触发热失控的风险,这时报警等级为最高级别3级,需要驾驶员离开车辆,防止发生严重的交通安全事故。

图10 SOC异常故障诊断

4 结论

目前动力电池故障研究大多只针对单一故障,缺乏对关联故障的全局性考虑,在工程应用方面具有较大局限。基于此,基于北京理工大学新能源汽车国家监测与管理中心平台提供的数据,对实车退役电池的梯次利用进行故障诊断。基于DBO-KNN算法进行故障特征的提取,准确率能达到97.98%。将提取的特征输入建立的ARIMA的故障诊断模型中,从单步预测和多步预测实时诊断SOC过低、电压异常和温度异常的联合故障,不仅能精准定位单体发生异常的位置,还能提前9 s发生报警,有效的预防了电池发生热失控的风险,为退役电池是循环利用还是拆解再回收提供了较好的理论依据,为后续动力电池多故障的研究奠定了基础。