電池充電狀態和電壓/溫度異常聯合故障診斷

傅振亮, 張建敏, 羅崴, 閆愿, 郝文美*

(1.中車唐山機車車輛有限公司產品研發中心, 唐山 063035; 2.廣西科技大學自動化學院, 柳州 545000;3.北京理工大學電動車輛國家工程研究中心, 北京 100081)

隨著新能源汽車普及程度越來越高,鋰離子動力電池呈現快速增長的趨勢。但新能源汽車由于環境因素、駕駛員行為和出廠差異等因素的影響,會讓鋰離子動力電池使用壽命衰減加劇。為了保證動力電池給新能源汽車提供最佳的功率輸出,需要對新能源汽車的動力電池進行更換,而報廢的鋰離子電池若未妥善處置將帶來許多環境隱患的同時也會危害人們的健康。對退役電池進行分類、重組、重新利用等[1-5]是緩解能源帶來環境問題的關鍵措施,也能為降低儲能系統成本、優化儲能系統配置發揮積極作用[6]。故障診斷作為電池梯次利用中的重要一環,也是保證電池再利用的時高效運行的前提,王志福等[7]提出多方法融合的聯合估計方法對電池狀態進行估計,但是需要建立復雜的等效電路模型,計算繁瑣且不具備通用性,無法對電池的多種故障進行監測和預警。段雙明等[8]提出改進殘差網絡的電池故障診斷雖然能達到99%的準確率,但是數據來源于實驗室,不一定能在實車上達到較好的效果。Wang等[9]提出動態貝葉斯的分級故障診斷模型,雖然能對分級故障能達到一定的效果,但是沒有對特定故障進行故障診斷。張暉等[10]提出用長短時記憶神經網絡進行動力電池電壓異常的故障診斷,但是沒有考慮到關聯故障以及故障會引發熱失控。

綜上所述,目前的研究只針對單一故障,缺乏對關聯故障的全局性考慮,在工程應用方面具有較大局限?；诖?提出基于實車數據的電荷荷電狀態(state of charge,SOC)和電壓/溫度異常聯合故障診斷方法,首先基于實車的電壓電流溫度數據,進行故障特征的提取,明確故障特征子集,接著進行聯合的故障診斷,該方法不僅能精確定位故障單體,還能挖掘關聯故障,為后續動力電池多故障的研究奠定了基礎。

1 實車數據預處理與故障特征提取

為了對證梯次利用電池進行故障診斷的正確率和實用性,需要采用車輛在實際運行過程中的電池大數據進行建模與診斷,所以使用的是新能源汽車國家監測與管理中心平臺、新能源汽車國家檢測與動力蓄電池回收利用溯源綜合管理平臺提供的數據,其中建立的實車數據獲取流程如圖1所示。

圖1 建立的實車數據獲取平臺

電池的故障診斷需要大量數據作為支撐,從平臺獲取實車數據,但考慮到汽車實際運行時路況的復雜性、駕駛員操作的多變性、當地網絡的不穩定性等因素,傳輸到國家平臺的原始數據中存在大量的噪聲信息[11]。

為了提高后續研究的可信度,在數據應用前,往往需要對其進行一定的預處理,數據預處理流程主要包括：數據基本格式轉換、數據整合、數據清洗、數據切片與重構。其中,基本格式轉換主要是根據《電動汽車遠程服務與管理系統技術規范》(GB/T 329601—2016)將原始報文解碼成結構化數據,數據整合是將放在不同文件夾及文件里的不同數據項根據時間序列(唯一性)整合在同一個數據表里,數據清洗主要是去除噪聲點和錯誤的點,并對缺失的數據點進行插值,數據切片與重構主要是為了方便后續故障診斷,對數據按照時間序列和充放電等使用工況進行切分和重構。

(1)數據基本格式轉換。

D=[Time,U,I,…gi,…,gn]

(1)

式(1)中：D為結構化數據矩陣,一共有n個數據項向量,主要包括總電流I、時間Time、總電壓U等;gi、gn分別為第i及n個數據項的數據向量。

(2)數據整合。

(2)

Gz=[G1,G2,…,Gn]

(3)

(3)數據清洗(插補法)。

Uz=[U1,U3,…,Un], 插值前

(4)

UzA=[U1,A2,U3,…,Un], 插值后

(5)

式中：Uz為原始電壓數據矩陣;UzA為插值后的電壓矩陣;U1和U3存在電壓數據缺失,需要運用插值方法進行插值;A2為插的值。

(4)數據切片與重構。

(6)

式(6)中：UzA1、UzA2、UzAn分別為切片的第1、2、n個電壓矩陣;Ucg為最終重構后的電壓矩陣。

目前的研究主要采用基于模型、數據驅動等方法,通過利用故障特征的一種或多種對硬故障或軟故障進行故障診斷[12]。將數據通過預處理后,根據文獻[9]的二元邏輯回歸方法可以得到絕緣阻值、電壓、溫度、檔位、SOC對車輛的電池故障有影響,其中電壓和溫度對電池故障的影響最大,通過螳螂算法優化K近鄰(dung beetle optimizesK-nearest neighbor, DBO-KNN)進行特征提取。為克服KNN算法在權值和閾值生成上容易陷入局部最優、收斂速度慢的缺點,采用新型群體的DBO算法,該算法在收斂速度、求解精度和穩定性方面相比于其他的智能優化算法具有很好的效果[13]。螳螂優化算法的計算公式見文獻[14],DBO-KNN算法提取特征的流程框圖如圖2所示。

圖2 DBO-KNN算法特征提取的流程圖

DBO-KNN提取特征的步驟如下。

f={1,2,…,ns}

(7)

式(7)中：f為故障特征的一類標簽;ns為標簽的數量。

步驟2初始化DBO的種群數量,覓食上界和下界,KNN的參數。

步驟3利用隨機K值訓練 KNN 算法,并計算適應度函數的精度。

步驟4根據適應度函數計算每個螳螂的位置,如果螳螂當前位置優于其先前的最佳位置,則通過式(8)更新螳螂的位置。

xi(t+1)=xi(t)+|xi(t)-xi(t-1)|tanθ

客服人員是營銷工作的主力軍，是公司與客戶溝通互動的重要界面，對客服人員各方面能力素質要求較高，招聘到合適的營銷人員對完成營銷任務非常關鍵。在互聯網時代下，可以充分借助移動互聯網、大數據、人工智能等技術，采用靈活便捷的面試方式進行客服人員應聘，多維度展示應聘者的各項能力素質與專業技能，通過將應聘者與招聘崗位進行智能匹配，提高客服人員人崗匹配度。

(8)

式(8)中：xi(t)為第i只螳螂在t時刻迭代中位置信息;|xi(t)-xi(t-1)|為第i只螳螂在第t時刻迭代時的位置與第t-1時刻迭代時的位置之差;θ為偏轉角,也就是螳螂遇到障礙后怎么轉動,取值范圍為[0,π]。

步驟5根據螳螂先前的最佳位置確定種群中的最優位置。

(9)

步驟6將螳螂移動到其更新位置。

(10)

式(10)中：C1為遵循正態分布的隨機數;C2為屬于0～1的隨機數。

步驟7重復上述步驟,直到滿足停止條件或達到最大迭代次數。

步驟8利用優化的K值訓練KNN算法,并找到輸入樣本的K個近鄰。

2 實車的聯合故障診斷方法

用采集的實車數據,構建一個差分整合移動平均自回歸(autoregressive integrated moving average model, ARIMA)的電壓異常故障診斷模型,并根據制定的閾值,實時診斷車輛動力電池系統的電壓異常故障,確保電動汽車在整個生命周期內安全運行。在ARIMA模型中的主要參數均為整數：自回歸項數,用p表示;移動平均項的數量,用q表示;以及原時間序列差分的次數,用d表示。因此,在實際應用時,常用ARIMA(p,d,q)形式表征該模型的內部結構。

針對一段電壓時間序列,ARIMA(p,d,q)模型的數學原理可表示為

(11)

式(11)中：Ut為電壓序列中t時刻的電壓;μ為該電壓序列中的平均值;βi(i=1,2,…,p)和θi(i=1,2,…,q)分別為相應參數的權重;p為自回歸項數;q為移動平均項的數量;εt為上述模型中的隨機誤差。

平穩時間序列是指該時序里,數據的平均值與標準差在系統上無變化,而且也沒有周期性波動現象,但是在實際問題中,許多變量的變化不屬于平穩時序,此時如果該序列增量(即一階差分序列)能夠穩定在零點附近,也可將該差分后序列當成平穩時間序列?？紤]到ARIMA基本原理僅適用于平穩時間序列,在實車數據中應用ARIMA(p,d,q)模型前,需要確定d的具體數值,即差分階數的大小,一般p和q的確定采用逼近優化法獲取,而且自回歸項數p和移動平均項數量q兩者的數值不能過大,在圖3(a)模型殘差偏自相關圖(ACF)和圖3(b)模型殘差自相關圖(PACF)中得到p和q都為1。

圖3 模型殘差圖

ARIMA模型中參數確定并建立后,需要對模型進行殘差檢驗,即需要對預測結果與真實值之間的殘差進行檢驗,在一個理想的回歸模型中,預測值與真實值之間的差異必然是隨機的、不可預測的。因此,此處需要對上述模型中的殘差序列進行白噪聲檢測,絕大部分紅色的點都在95%置信區間藍色線以內(但第7階和第9階超過了2倍標準差,可能是由偶然因素引起的),這意味著模型的殘差是白噪聲序列,沒有可用的信息可以進一步提取,建模結束。另外,可通過QQ圖(樣本數據-標準數據)將殘差分布可視化,其是通過比較被測樣本數據的四分位數與已知分布(通常是正態分布)來驗證數據分布的一種方法。圖3(c)顯示了樣本數據與標準正態之間的關系,可以看出,QQ圖上的點分布近似于一條直線,只有少部分的點離該直線的距離較遠,表明模型殘差分布可近似為正態分布,即殘差序列的均值為0,方差為常數。

建立故障診斷模型來實時診斷異常電壓和SOC過低的聯合故障,具體步驟如下。

步驟4通過ARIMA多步預測的SOC與總的SOC比較,若估計值與真實值之間的殘差小于5,則說明引起SOC過低報警的不是電池過壓和欠壓引起的;若估計值與真實值之間的殘差大于5(±5的閾值是大量工程實驗得到的),則說明電池過壓和欠壓引發SOC過低報警,而此時溫度超過了閾值,說明故障等級較高,有觸發熱失控的風險。

3 算例分析

對圖1所示的新能源汽車國家監測與管理中心獲取的電壓、電流、溫度、SOC等數據進行預處理和歸一化,部分數據如圖4所示。

初始化DBO和KNN參數,設置特征提取參數的上限為1和下限為0,螳螂的種群數量設置為30,迭代次數為150,維數根據特征數設置為5,并初始化螳螂種群數量,DBO-KNN特征提取的優化曲線如圖5所示。

圖5中迭代曲線在迭代次數為50次,適應度值達到最優,最優的適應度值為0.01,建立DBO-KNN模型進行特征提取,平均絕對誤差(mean absolute error, MAE)為0.023,均方根誤差(root mean square error, RMSE)為0.055,表明建立特征提取模型效果好,能幫助跳出局部最優,選取300組數據,數據根據報警標志位的不同,確定絕緣阻值、電壓、溫度、檔位、SOC這5個特征在故障報警標志位的主要影響,將選取的數據分為5類標簽,其特征提取的混淆矩陣如圖6所示,經過DBO-KNN的準確率相比于沒有經過DBO特征提取的準確率提高了10.77%,不會使重要的故障特征丟失。

圖6 特征提取的混淆矩陣

新能源汽車的動力電池發生故障的原因有很多,其中最主要的原因是電壓異常和溫度異常。過壓、失壓和高溫都會導致電池的SEI(solid electrolyte interphase)膜分解,負極消耗活性物質發生放熱反應,當溫度達到電池110 ℃時,會讓隔膜上的細孔收縮,進而使得鋰離子不能通過隔膜,造成輕微短路。當溫度達到130 ℃時,溫度突然從上升變為下降,這是由于電池內部高溫引發電解液氣化產生的氣體帶走了部分熱量,這時發生了嚴重內短路,當溫度達到并超過210 ℃時,電池將達到觸發熱失控的臨界值,副反應加劇,溫度繼續上升,當溫度達到臨界點就會引發熱失控,甚至是起火和爆炸。選用組成實車的95個單體電池以串并聯的方式組成的34個電池組。

從圖7可以看出,電池組編號8從761 s開始發生高溫報警,報警等級為最高級別的故障3級,這時駕駛員需要立即停車并離開車輛,并撥打救援電話,避免高溫威脅到生命安全,持續了91 s,后回歸正常。但在879 s時又再次發生高溫報警。電池組編號9分別從769 s和776 s發生了兩次高溫報警,但高溫報警持續的時間都較短,分別為2 s和3 s,可能的原因是其他電池組的高溫影響了該電池組。發生高溫故障的還有電池組12號、電池組17號、電池組19號、電池組20號、電池組21號、電池組23號,發生持續時間較短的是電池組12號,只持續了2 s,發生持續時間最長的是電池組17號和電池組21號,持續時間達到了50 s,其中17號還發生了2次高溫故障。

pack 1～34為34個電池組

車輛型號一在2020年10月28日10： 44： 31—17：10：18時段下的實車數據,該車在16：58：57出現過電壓異常報警,報警持續了81 s,查看電池單體數據,發現電池單體29的電壓在該時刻上升到4.99 V,比其他電池單元的電壓高0.9 V,該車在17：09：53出現過失壓異常報警,報警持續了25 s,電池單體25在該時刻下降到0.063 V和0.261 V,相比于其他電池單體下降了4 V,如圖8所示。

cell 1～95為95個單體電池

建立ARIMA模型來診斷該段電壓數據的故障,診斷結果如圖9所示?？梢钥闯?在16：58：57電池單體出現了過壓異常,此時真實值和預測值之間的電壓差達到了0.99 V,對應的電池單體編號為29,發生最高報警等級3級的報警,會發生嚴重的故障事故。在17：10：04時刻,此時真實值和預測值的電壓差值為-0.6 V,持續3 s回歸正常,單體電池30發生了一個輕微的失壓異常故障,報警等級為1級,不影響車輛正常行駛,但是得提防發生更嚴重的故障。在17：09：53時刻時,兩個電池單體發生較為嚴重的失壓故障,分別為25號和27號,此時真實值和預測值的電壓差值為-4.2 V和-3.8 V,報警等級為2級,這級別的故障會影響車輛性能,急需駕駛員限制行駛。

從圖10可以看出,由于原始數據中總的SOC在16：58：57時刻變為0,但預測值在這一時刻的SOC值為6.07,其預測值和原始數據之間的差值超過了閾值5,而此時發生了電池單體的過壓和欠壓故障,若是因為電池傳感器故障,不會引起SOC和電壓故障的同時發生,SOC和電壓的同時發生會引起溫度超過閾值,進而觸發熱失控的風險,這時報警等級為最高級別3級,需要駕駛員離開車輛,防止發生嚴重的交通安全事故。

圖10 SOC異常故障診斷

4 結論

目前動力電池故障研究大多只針對單一故障,缺乏對關聯故障的全局性考慮,在工程應用方面具有較大局限?；诖?基于北京理工大學新能源汽車國家監測與管理中心平臺提供的數據,對實車退役電池的梯次利用進行故障診斷?；贒BO-KNN算法進行故障特征的提取,準確率能達到97.98%。將提取的特征輸入建立的ARIMA的故障診斷模型中,從單步預測和多步預測實時診斷SOC過低、電壓異常和溫度異常的聯合故障,不僅能精準定位單體發生異常的位置,還能提前9 s發生報警,有效的預防了電池發生熱失控的風險,為退役電池是循環利用還是拆解再回收提供了較好的理論依據,為后續動力電池多故障的研究奠定了基礎。