基于新能源汽車大數(shù)據(jù)的事故特征模式匹配追蹤分析

抄佩佩 ，豐俊獻(xiàn)，程端前，劉 川,

（1.中國(guó)汽車工程研究院股份有限公司，重慶 401122；2.重慶交通大學(xué) 經(jīng)濟(jì)與管理學(xué)院，重慶 400074）

相比于傳統(tǒng)燃油車，新能源汽車具有節(jié)能環(huán)保、高效低噪等優(yōu)點(diǎn)。受到國(guó)家政策的支持和引導(dǎo)，我國(guó)新能源汽車產(chǎn)業(yè)目前處于高速發(fā)展期，2020 年產(chǎn)銷量達(dá)到136 萬(wàn)輛，保持全球領(lǐng)先地位[1]。隨著新能源汽車數(shù)量的增長(zhǎng)，其安全問(wèn)題也日漸突出，據(jù)不完全統(tǒng)計(jì)，2020 年新能源汽車發(fā)生的安全事故就有124 起，主要原因是動(dòng)力電池失效所引發(fā)的熱失控從而導(dǎo)致火災(zāi)事故，鋰電池的熱失控是動(dòng)力電池安全事故的核心原因[2]。目前，關(guān)于新能源汽車事故分析方法主要局限于事故現(xiàn)場(chǎng)調(diào)查、事后統(tǒng)計(jì)分析以及試驗(yàn)定性測(cè)試方法[3]。方凱正等[4]針對(duì)新能源汽車安全事故的特征進(jìn)行了事故的梳理和分析，發(fā)現(xiàn)新能源汽車安全事故涉及電池、整車、充電等方面，主要原因是電池發(fā)生熱失控。蘇曉倩等[5]根據(jù)新能源汽車燃爆事件的統(tǒng)計(jì)數(shù)據(jù)，針對(duì)新能源汽車的5 個(gè)子系統(tǒng)分析了其致因機(jī)制。佟麗珠[6]應(yīng)用統(tǒng)計(jì)方法分析了新能源汽車事故發(fā)生的原因并提出相關(guān)發(fā)展建議。何佳星[7]以動(dòng)力電池實(shí)時(shí)故障為研究對(duì)象，在新能源汽車實(shí)時(shí)行駛數(shù)據(jù)的基礎(chǔ)上，實(shí)現(xiàn)對(duì)電池故障進(jìn)行診斷以及預(yù)測(cè)。國(guó)外也有很多對(duì)于動(dòng)力電池故障的研究，旨在通過(guò)動(dòng)力電池的研究來(lái)解釋新能源汽車事故發(fā)生的成因。如基于香農(nóng)熵的鋰離子電池組功率衰減故障識(shí)別[8]、電池荷電狀態(tài)的不一致性研究[9]、電池系統(tǒng)內(nèi)部短路的研究[10]以及電池壽命預(yù)測(cè)[11]等。

由于火災(zāi)事故涉及的因素較多，相互關(guān)聯(lián)復(fù)雜程度高，通過(guò)現(xiàn)場(chǎng)調(diào)查以及試驗(yàn)測(cè)試等方法，一方面消耗較大的資源，另一方面對(duì)事故原因也較難下定論。新能源汽車目前都具備實(shí)時(shí)上傳數(shù)據(jù)的能力，可以將各類數(shù)據(jù)看成數(shù)字信號(hào)，并用信號(hào)處理的方法對(duì)新能源汽車進(jìn)行事故研究分析。小波變換和相關(guān)性分析是信號(hào)處理中常用的兩種方法，小波變換是一種新的變換分析方法，并廣泛應(yīng)用于信號(hào)分析、語(yǔ)音合成、圖像識(shí)別、計(jì)算機(jī)視覺等領(lǐng)域。SELVAN 等[12]使用小波變換對(duì)信號(hào)進(jìn)行分解，得到正交的特征向量，再通過(guò)Kullback-Leibler 距離函數(shù)對(duì)圖像紋理進(jìn)行識(shí)別和分類，結(jié)果表明處理效果要優(yōu)于傳統(tǒng)的子帶能量法。MUHAMMAD 等[13]提出了基于雙樹復(fù)小波變換的醫(yī)學(xué)圖像分辨率增強(qiáng)方法，使用雙樹復(fù)小波變換獲得高頻子帶，通過(guò)內(nèi)插法將對(duì)比度增強(qiáng)的低分辨率圖像和逆小波變換后的高頻子帶進(jìn)行組合，從而獲得對(duì)比度增強(qiáng)的超分辨率圖像。在信號(hào)相關(guān)性分析方面，孫秋菊[14]將信號(hào)間的相關(guān)性應(yīng)用于工程信號(hào)處理，并通過(guò)Matlab 對(duì)其進(jìn)行仿真，得出了基于信號(hào)相關(guān)性可以大大提高測(cè)試信號(hào)信噪比的結(jié)論。沈穎[15]針對(duì)工程測(cè)試信號(hào)處理中存在的信號(hào)間相關(guān)性，利用概率統(tǒng)計(jì)參量來(lái)描述信號(hào)內(nèi)部及信號(hào)間不同形式的相關(guān)關(guān)系，從而揭示了信號(hào)間關(guān)聯(lián)程度的內(nèi)在規(guī)律，并通過(guò)實(shí)例展示了信號(hào)相關(guān)分析技術(shù)在實(shí)際工程測(cè)試中的應(yīng)用。

綜上所述，目前有關(guān)新能源汽車事故的研究分析主要來(lái)源于傳統(tǒng)火災(zāi)事故調(diào)查，受到許多因素的限制，相對(duì)來(lái)說(shuō)仍比較片面。信號(hào)處理技術(shù)作為一種新型技術(shù)，展現(xiàn)出了極強(qiáng)的功能性，并廣泛應(yīng)用于各種領(lǐng)域。當(dāng)前，國(guó)內(nèi)外關(guān)于信號(hào)處理的研究已非常成熟，但將信號(hào)處理方法用于新能源汽車事故的研究分析并不普遍。本文通過(guò)構(gòu)建高斯濾波器提取新能源汽車電池模板信號(hào)的高階微分特征，實(shí)現(xiàn)模板信號(hào)的變化模式解析，再將目標(biāo)特征信號(hào)與模板特征信號(hào)作相關(guān)性計(jì)算，通過(guò)對(duì)事故車輛歷史數(shù)據(jù)的分析挖掘以及與同類正常車輛的對(duì)比，并結(jié)合事故車輛現(xiàn)場(chǎng)調(diào)查可以更準(zhǔn)確地發(fā)現(xiàn)事故的成因，有利于實(shí)現(xiàn)后期對(duì)火災(zāi)事故車輛的快速事故模式識(shí)別，提高事故調(diào)查深度和事故原因分析的效率，進(jìn)一步提升新能源汽車缺陷分析與應(yīng)急處置能力，從而有效維護(hù)消費(fèi)者生命和財(cái)產(chǎn)安全。

1 高斯函數(shù)高階導(dǎo)數(shù)

信號(hào)分析的本質(zhì)是信號(hào)的特征提取，信號(hào)的特征通常指的是信號(hào)的變化特征，一個(gè)恒定不變的信號(hào)往往不具有絕對(duì)價(jià)值，因此，獲取信號(hào)的變化特征更加有意義，如信號(hào)變化的速度、加速度或更高階的速度。而觀察速度的大小與所給觀察信號(hào)的時(shí)間尺度有關(guān)，如某個(gè)時(shí)間內(nèi)的平均速度、更大或更小時(shí)間段的速度，甚至瞬時(shí)速度，都與所選的時(shí)間窗密切相關(guān)，基于此提出基于高斯函數(shù)高階導(dǎo)數(shù)的特征提取方法。

2 信號(hào)相關(guān)性計(jì)算

信號(hào)處理中經(jīng)常需要對(duì)信號(hào)進(jìn)行相關(guān)性分析，牽涉到信號(hào)相關(guān)的問(wèn)題往往都會(huì)涉及大型的數(shù)據(jù)集?；ハ嚓P(guān)在智能信號(hào)處理相關(guān)領(lǐng)域中，是用來(lái)表示兩個(gè)信號(hào)之間相似性的一個(gè)度量，通過(guò)與確定信號(hào)比較，來(lái)尋找不確定信號(hào)的特性，它是確定信號(hào)與不確定信號(hào)之間相對(duì)于時(shí)間的一個(gè)函數(shù)，也可以稱為滑動(dòng)點(diǎn)積。自相關(guān)表示同一個(gè)信號(hào)不同時(shí)間段的相關(guān)程度，可以看作是信號(hào)與自身的延遲信號(hào)相乘后的乘積進(jìn)行積分運(yùn)算，在模式識(shí)別以及密碼分析學(xué)等很多領(lǐng)域，信號(hào)的相關(guān)性分析都有廣泛的應(yīng)用。

式中：Rxx(m)表示信號(hào)x(k)與自身作卷積計(jì)算。

本文從自相關(guān)和互相關(guān)的角度，對(duì)新能源汽車事故數(shù)據(jù)進(jìn)行模式特征匹配追蹤研究，其中匹配代表信號(hào)的互相關(guān)，通過(guò)特征模板信號(hào)與其他車輛的全生命周期的特征信號(hào)進(jìn)行互相關(guān)運(yùn)算，橫向分析其他車輛是否存在同樣的事故模式。追蹤即為信號(hào)的自相關(guān)，將事故發(fā)生時(shí)的模板信號(hào)經(jīng)過(guò)濾波器組處理形成特征模板信號(hào)，再與經(jīng)過(guò)同樣濾波器組處理的全生命周期信號(hào)作相關(guān)運(yùn)算，縱向分析事故車輛前中期是否存在此類事故模式。

3 匹配追蹤算法

傳統(tǒng)的新能源汽車事故分析往往會(huì)受到多方面因素的影響，并且存在復(fù)雜度高、資源消耗大的問(wèn)題，本文以新能源汽車全生命周期數(shù)據(jù)為例，提出一套事故數(shù)據(jù)模式特征匹配追蹤的方法，步驟如下：

（1）首先構(gòu)造一組高斯高階導(dǎo)數(shù)濾波器組v，a，g，g'。其中，v為高斯函數(shù)一階導(dǎo)數(shù)；a為高斯函數(shù)二階導(dǎo)數(shù)；g為高斯函數(shù)三階導(dǎo)數(shù)；g'為高斯函數(shù)四階導(dǎo)數(shù)，歸一化后如圖1 所示。

圖1 高斯函數(shù)各階導(dǎo)數(shù)

圖2 特征匹配追蹤算法流程

4 實(shí)例分析

4.1 數(shù)據(jù)來(lái)源

本文采用7 輛新能源汽車的歷史數(shù)據(jù)作為試驗(yàn)數(shù)據(jù)，采集的數(shù)據(jù)來(lái)源于新能源汽車國(guó)家監(jiān)管平臺(tái)，并由新能源汽車自帶電池管理系統(tǒng)檢測(cè)上傳。

4.2 模板信號(hào)提取

本文使用數(shù)據(jù)為7 輛新能源汽車的電壓和溫度，其中3 輛是事故車輛，另外4 輛是正常車輛，其中包含模板信號(hào)的事故車輛全生命周期電壓、溫度曲線如圖3 所示。

圖3 事故車輛電壓、溫度曲線

在生命周期末期，車輛發(fā)生自燃事故，且在數(shù)據(jù)層面表現(xiàn)出溫度驟然上升并伴隨著電壓明顯下降的明顯特征，放大后如圖4 所示?？梢钥闯?，圖4的溫度從30℃上升到100 多攝氏度，同時(shí)事故車輛的電壓降低，因此，可以將這類特征看成一種事故特征模式，即電壓下降、溫度顯著上升。將這一段電壓、溫度信號(hào)作為模板信號(hào)與高斯高階導(dǎo)數(shù)濾波器作濾波，結(jié)果如表1 和表2 所示，得到4 個(gè)維度的特征信號(hào)并作為特征模板。再將濾波器與目標(biāo)信號(hào)卷積同樣得到4 個(gè)維度的信號(hào)，通過(guò)計(jì)算特征模板與新得到的特征信號(hào)的相關(guān)性，求得兩段信號(hào)的相關(guān)程度，并進(jìn)一步計(jì)算得到其聯(lián)合概率。

表1 多維電壓模板信號(hào)

表2 多維溫度模板信號(hào)

圖4 事故車輛電壓、溫度曲線

4.3 信號(hào)模式匹配追蹤

4.3.1 縱向分析

事故縱向比較主要針對(duì)單車的全生命周期數(shù)據(jù)進(jìn)行前后對(duì)比分析，由于新能源汽車火災(zāi)主要由動(dòng)力電池系統(tǒng)的故障所引發(fā)，因而縱向比較主要針對(duì)事故車輛的故障電池在全生命周期內(nèi)的演變過(guò)程進(jìn)行分析，分析事故車輛在生命周期內(nèi)其電壓、溫度等特征模式是否發(fā)生明顯的異常變化。

將事故車輛全周期的電壓、溫度數(shù)據(jù)作為目標(biāo)信號(hào)，利用構(gòu)造的濾波器與其做卷積運(yùn)算并提取特征，結(jié)果如表3 和表4 所示。

表3 多維電壓全周期信號(hào)

表4 多維溫度全周期信號(hào)

將多維電壓模板信號(hào)特征與多維電壓全周期信號(hào)特征作相關(guān)性計(jì)算，得到兩組信號(hào)的相關(guān)程度，如圖5 所示，上端曲線代表電壓曲線，下端代表每一個(gè)點(diǎn)所對(duì)應(yīng)的相關(guān)程度，即與模板信號(hào)的匹配程度?？梢钥闯鲈谏芷谇捌冢瑳]有相關(guān)程度超過(guò)0.5的點(diǎn)，中期有較少點(diǎn)超過(guò)0.5，到了后期超過(guò)0.5 的點(diǎn)的次數(shù)更加頻繁，當(dāng)事故發(fā)生時(shí)，即電壓曲線的末端，相對(duì)應(yīng)的相關(guān)程度達(dá)到1?？沙醪脚袛啵撌鹿受囕v的電壓波動(dòng)在早期就存在異常，并且隨著時(shí)間的推移，其波動(dòng)與事故電壓模板相關(guān)程度也隨之增高，說(shuō)明事故車輛發(fā)生事故并不是一蹴而就的，很多時(shí)候往往是事故風(fēng)險(xiǎn)特征逐漸累計(jì)，由“量變”引起“質(zhì)變”，最終導(dǎo)致火災(zāi)事故的發(fā)生。

圖5 事故車輛電壓曲線及其相關(guān)程度

同理，將多維溫度模板信號(hào)特征與多維溫度全周期信號(hào)特征作相關(guān)性計(jì)算，結(jié)果如圖6 所示，上端曲線代表溫度曲線，下端代表每一個(gè)點(diǎn)所對(duì)應(yīng)的相關(guān)程度，即與模板信號(hào)的匹配程度。可以看出超過(guò)0.5 的點(diǎn)只有兩個(gè)，表明車輛運(yùn)行較為穩(wěn)定，并且溫度相關(guān)性大的點(diǎn)基本出現(xiàn)在前期，中后期較少，而事故發(fā)生時(shí)其相關(guān)程度達(dá)到1。說(shuō)明從溫度上不易發(fā)現(xiàn)事故特征，溫度的異常波動(dòng)不是引起新能源汽車發(fā)生事故的主要原因，但發(fā)生事故時(shí)通常會(huì)伴隨溫度的上升。

圖6 事故車輛溫度曲線及其相關(guān)程度

4.3.2 橫向分析

事故橫向比較主要體現(xiàn)在事故特征模板信號(hào)與正常車輛之間或者其他事故車輛之間的相關(guān)程度表示。將提取得到的事故電壓、溫度曲線作為模板，以正常車輛或者其他事故車輛全周期數(shù)據(jù)為目標(biāo)信號(hào)，利用事故特征模式匹配追蹤算法對(duì)兩輛事故車與4 輛正常車進(jìn)行計(jì)算分析，正常車輛結(jié)果如圖7所示，事故車輛結(jié)果如圖8 所示，左圖代表電壓曲線及其相關(guān)程度，即與事故數(shù)據(jù)模式的匹配程度，中圖代表溫度曲線及其相關(guān)程度，右圖代表兩者的聯(lián)合概率。

圖7 為4 輛正常車輛的全生命周期電壓、溫度及其與特征模板的相關(guān)程度?？梢钥闯稣＼囕v的電壓相關(guān)程度基本在0.5 以下，溫度相關(guān)程度在0.3以下，且聯(lián)合相關(guān)概率均在0.5 以下。表明正常車輛在運(yùn)行過(guò)程中較為穩(wěn)定，從數(shù)據(jù)上來(lái)看和事故模式匹配程度不高。

圖7 正常車輛分析結(jié)果圖

圖8 表示事故車輛的全生命周期電壓、溫度及其與特征模板的匹配程度。可以看出事故車輛的電壓、溫度相關(guān)程度超過(guò)0.5 的點(diǎn)普遍較多，表明和事故模式有50%相似的情況較多，且某些點(diǎn)的電壓溫度聯(lián)合相關(guān)概率達(dá)到0.7，表明和事故模式相似程度達(dá)到了70%，這是非常危險(xiǎn)的。

圖8 事故車輛分析結(jié)果

從特征匹配追蹤的角度看，相比于事故車輛，正常車輛要更加安全，特征匹配追蹤模型對(duì)于正常車輛和事故車輛具有一定的區(qū)分性。

5 結(jié)論

（1）針對(duì)新能源汽車動(dòng)力電池安全問(wèn)題，提出一套新能源汽車事故數(shù)據(jù)模式特征匹配追蹤的方法，并用于新能源汽車事故大數(shù)據(jù)分析。

（2）通過(guò)構(gòu)造高斯高階導(dǎo)數(shù)濾波器，對(duì)模板信號(hào)的高階微分特征進(jìn)行抽取，得到模板信號(hào)特征模板，運(yùn)用卷積運(yùn)算計(jì)算車輛歷史運(yùn)行數(shù)據(jù)與特征模板的相關(guān)程度。

（3）以多輛正常車輛和事故車輛數(shù)據(jù)為試驗(yàn)對(duì)象，結(jié)果表明特征匹配追蹤算法便捷有效，對(duì)于正常車輛和事故車輛具有辨識(shí)性，可以為新能源汽車安全預(yù)警提供有效的依據(jù)。

（4）今后將進(jìn)一步尋找更多的事故特征模式（包括溫度、電壓、電流、絕緣電阻等），并使用更多的車輛數(shù)據(jù)樣本加以驗(yàn)證分析。