鋰離子電池故障診斷算法研究綜述

張 揚(yáng),李曉杰,,馬茲林,彭星淵,崔學(xué)良

(1.中北大學(xué) 能源與動力工程學(xué)院, 太原 030051;2.中北大學(xué) 先進(jìn)制造技術(shù)山西省重點(diǎn)實(shí)驗(yàn)室, 太原 030051;3.重慶標(biāo)能瑞源儲能技術(shù)研究院有限公司, 重慶 401120)

0 引言

鋰離子電池因其能量密度高、循環(huán)使用壽命長以及無記憶效應(yīng)等優(yōu)點(diǎn)被廣泛應(yīng)用于新能源汽車領(lǐng)域[1-2],然而鋰離子電池本身有著很大的安全隱患,隨著鋰離子電池能量密度等指標(biāo)的不斷提高,其安全性問題也越發(fā)尖銳[3-4]。據(jù)消防救援局相關(guān)數(shù)據(jù)顯示,2021年全國范圍內(nèi)共發(fā)生約3 000起新能源汽車火災(zāi)事故。國家應(yīng)急管理部公布了2022年一季度新能源汽車火災(zāi)數(shù)據(jù)：共計640起,比去年同期上升32%,高于交通工具火災(zāi)平均(8.8%)增幅,平均每日超7例火災(zāi)[5]。新能源汽車火災(zāi)事故嚴(yán)重危害了人們的生命財產(chǎn)安全,極大地打擊了人們對新能源汽車的信心。

新能源汽車電池系統(tǒng)故障按照是否與電池本身有關(guān)可以分為內(nèi)部故障和外部故障,內(nèi)部故障主要包括過充、過放、短路、不一致性等,外部故障主要包括傳感器故障、冷卻系統(tǒng)故障、電池虛接故障等[6-8]。新能源汽車火災(zāi)事故大都是由于動力電池內(nèi)部或外部故障導(dǎo)致電池內(nèi)部溫度壓力持續(xù)升高,溫度到達(dá)熱失控的臨界點(diǎn)后發(fā)生一系列副反應(yīng),最終導(dǎo)致電池?zé)崾Э?。為了預(yù)防新能源汽車火災(zāi)事故的發(fā)生,國內(nèi)外學(xué)者提出了一系列鋰離子電池故障診斷算法,筆者綜述了近年來鋰電池故障診斷算法的研究進(jìn)展,闡述了不同鋰電池故障診斷算法的原理、應(yīng)用以及優(yōu)缺點(diǎn),總結(jié)了目前故障診斷算法存在的問題,并對未來故障診斷算法的研究進(jìn)行了展望。

1 鋰電池故障診斷算法分類

現(xiàn)有的鋰電池故障診斷算法有多種,不同的學(xué)者對其有不同的分類,具體見表1[6,9-12]。

表1 鋰電池故障診斷的算法分類

從表1中可以看出,當(dāng)前主流的鋰電池故障診斷算法主要分為基于知識的故障診斷算法、基于模型的故障診斷算法和基于數(shù)據(jù)驅(qū)動的故障診斷算法,基于信號處理的故障診斷算法主要利用統(tǒng)計分析等數(shù)學(xué)工具提取數(shù)據(jù)中的故障信號特征,其本質(zhì)上屬于一種數(shù)據(jù)驅(qū)動的故障診斷算法[13]。因此,將基于信號處理的故障診斷算法歸類于基于數(shù)據(jù)驅(qū)動的故障診斷算法?；谥R的鋰電池故障診斷算法主要依靠領(lǐng)域?qū)＜以陂L時間的實(shí)踐中建立鋰電池故障診斷的知識庫,通過故障特征與故障標(biāo)簽的對應(yīng)關(guān)系來判斷是否發(fā)生故障,并隨著時間的推移不斷學(xué)習(xí)完善知識庫;基于模型的鋰電池故障診斷算法需要建立精確的電池模型,精確的電池模型是進(jìn)行故障診斷的基礎(chǔ),通過模型預(yù)測值與實(shí)測值的對比進(jìn)行故障診斷,從而達(dá)到故障診斷的目的;基于數(shù)據(jù)驅(qū)動的鋰電池故障診斷算法以采集到的鋰離子電池歷史外特性數(shù)據(jù)為基礎(chǔ),通過數(shù)據(jù)處理、數(shù)據(jù)分析等數(shù)學(xué)手段提取故障特征,結(jié)合數(shù)據(jù)輸入和輸出的關(guān)系建立鋰電池非線性模型來進(jìn)行故障診斷與預(yù)測[14]。

2 基于知識的鋰電池故障診斷算法

基于知識的鋰電池故障診斷算法通過利用各種人工智能技術(shù)從鋰電池大量歷史數(shù)據(jù)中獲取相關(guān)底層知識,然后通過分類器檢查所得到的電池數(shù)據(jù)與知識庫之間的一致性,從而進(jìn)行故障診斷[15]?；谥R的鋰電池故障診斷算法可以分為圖論法、專家系統(tǒng)法和模糊邏輯法。

圖論法主要包括故障決策樹以及有向圖等。故障決策樹是鋰電池的一種直觀形象、簡單有效的故障診斷方法,它通過一定的邏輯關(guān)系將一些圖形元素組合形成故障樹,起點(diǎn)通常是故障類型,向下的分支表示故障類型所對應(yīng)的故障原因。針對鋰電池Pack生產(chǎn)過程中容易出現(xiàn)問題的環(huán)節(jié),許守平[16]建立了相應(yīng)環(huán)節(jié)的故障樹,分析故障原因,提出了解決方案;萬雄[17]根據(jù)故障樹-貝葉斯網(wǎng)絡(luò)轉(zhuǎn)換方法構(gòu)建了動力電池充電故障的貝葉斯網(wǎng)絡(luò)模型,通過貝葉斯網(wǎng)絡(luò)分析軟件Netica對該模型進(jìn)行故障診斷,實(shí)現(xiàn)了故障的快速定位;孫振宇等[6]提出了包含溫度報警、電壓報警、SOC報警、絕緣報警、狀態(tài)報警在內(nèi)的19項(xiàng)報警的電池系統(tǒng)故障樹,并以此為基礎(chǔ)實(shí)現(xiàn)了電動汽車電池系統(tǒng)的遠(yuǎn)程監(jiān)控。有向圖是描述系統(tǒng)因果關(guān)系的圖形化模型,可以清楚描述系統(tǒng)節(jié)點(diǎn)的結(jié)構(gòu)關(guān)系,明確故障產(chǎn)生的原因,從而進(jìn)行故障診斷。武美君[18]基于Simulink搭建動力電池系統(tǒng)關(guān)鍵設(shè)備的仿真模型,提出了基于有向圖的故障定位方法,通過仿真故障數(shù)據(jù)表明該方法可以定位故障至模塊層,并采用深度學(xué)習(xí)方法與ER推理規(guī)則的融合方法提高了故障診斷的準(zhǔn)確性。

專家系統(tǒng)法尋找電池歷史數(shù)據(jù)中電池故障特征與故障原因的對應(yīng)關(guān)系,通過故障特征與故障標(biāo)簽間的模糊邏輯建立相應(yīng)的知識庫,并在后續(xù)的故障診斷過程中不斷進(jìn)行自我完善[19]。胡棟澤等[20]發(fā)明了一種基于專家系統(tǒng)的電池故障診斷方法,首先利用歷史數(shù)據(jù)修正知識庫中的電池特性模型,接著將歷史數(shù)據(jù)特征和故障標(biāo)簽輸入到推理機(jī)中的LSTM神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練,將實(shí)時采集到的電池外特性數(shù)據(jù)以及所計算出的多種特征輸入到訓(xùn)練好的LSTM神經(jīng)網(wǎng)絡(luò)模型,將故障診斷結(jié)果通過解釋機(jī)輸出到故障類型輸出模塊,該算法由于采用了多參數(shù)融合的神經(jīng)網(wǎng)絡(luò)模型,在一定程度上提高了故障診斷的準(zhǔn)確率;孟顯海[21]建立了電動汽車充電過程中常見故障類型及原因的故障樹,并利用模糊數(shù)學(xué)相關(guān)性分析法有效解決了實(shí)際車輛中故障特征重疊及故障原因交錯的情況,通過神經(jīng)網(wǎng)絡(luò)增加了故障診斷的準(zhǔn)確性,在此基礎(chǔ)之上開發(fā)了電動汽車充電故障專家診斷系統(tǒng),實(shí)現(xiàn)了工程化的應(yīng)用。

模糊邏輯法的基本原理是構(gòu)建鋰電池故障原因與故障現(xiàn)象之間的模糊關(guān)系,通過隸屬函數(shù)和模糊關(guān)系方程解決故障原因與狀態(tài)識別的問題[22]。馬宗鈺等[23]提出了基于模糊邏輯理論和支持向量機(jī)的故障診斷方法,利用電壓信號確定故障隸屬度函數(shù),基于Simulink搭建磷酸鐵鋰電池故障仿真平臺,驗(yàn)證了該方法的準(zhǔn)確性;趙士博[24]利用模糊理論對電池故障機(jī)理進(jìn)行分析,計算電池故障的隸屬度,利用BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)以及支持向量機(jī)驗(yàn)證了電池故障診斷的準(zhǔn)確性。

基于知識的鋰電池故障診斷算法對比如表2所示。

表2 基于知識的鋰電池故障診斷算法對比

3 基于模型的鋰電池故障診斷算法

基于模型的鋰電池故障診斷算法的基本原理是建立鋰離子動力電池相關(guān)模型,通過模型的預(yù)測值與真實(shí)值對比生成殘差,然后對殘差進(jìn)行評價。鋰離子動力電池模型主要有等效電路模型、電化學(xué)機(jī)理模型、熱模型以及電熱耦合模型等[25],如圖1所示。這些鋰離子動力電池模型結(jié)合參數(shù)估計法、狀態(tài)估計法以及奇偶空間法等共同形成了基于模型的故障診斷算法。

圖1 基于模型的故障診斷算法流程

學(xué)者們經(jīng)常借助“電池模型+觀測器/濾波器”的方法來實(shí)現(xiàn)電池電壓、電阻或者SOC等信號的估算,以此來識別電池故障。Kumara等[26]開發(fā)了一種基于龍貝格觀測器的鋰電池連接故障診斷算法,通過建立一階等效電路模型,基于輸入電流對終端輸出電壓的變化模擬連接故障場景,利用龍貝格觀測器生成殘差信號診斷電池故障。Lin等[27]基于混合系統(tǒng)理論建立自動機(jī)同時獲得鋰離子電池組的連續(xù)和離散狀態(tài),采用分布式診斷結(jié)構(gòu)減小了計算量,并利用雙擴(kuò)展卡爾曼濾波器對鋰電池一階等效電路模型進(jìn)行參數(shù)估計,有效地診斷了鋰離子電池傳感器故障和繼電器故障。Marcicki等[28]利用非線性奇偶方程生成等效電路模型,熱模型以及SOC模型相對應(yīng)的電壓、電流以及SOC的殘差,根據(jù)殘差識別電池傳感器故障和冷卻系統(tǒng)中的風(fēng)扇故障。Xu等[29]通過建立考慮短路的電池等效電路模型,提出了一種多尺度短路電阻估計的短路故障診斷方法,利用比例積分觀測器(PIO)估計微尺度短路電阻,利用軟短路故障引起的SOC差值在長時間內(nèi)足夠大的思想估計宏觀尺度短路電阻。該方法不僅可以實(shí)現(xiàn)硬短路電阻的快速估算,還可以準(zhǔn)確估計軟短路電阻。Dey等[30]建立描述電池表面和核心溫度動態(tài)的雙態(tài)熱模型,利用表面溫度和核心溫度反饋的李雅普諾夫非線性觀測器生成殘差信號,基于自適應(yīng)閾值有效地診斷了電池故障。此外,還有多種觀測器用于鋰電池狀態(tài)估計,如劉思佳等[31]基于一階RC等效電路模型,通過擾動觀測器與擴(kuò)展卡爾曼濾波器結(jié)合的方法來估算電池SOC,通過擾動觀測器的實(shí)時補(bǔ)償電壓修正模型誤差。經(jīng)實(shí)驗(yàn)驗(yàn)證,該方法相比于EKF估算精度較高。鮑時全等[32]基于二階RC模型,利用自適應(yīng)增益非線性觀測器估算鋰電池SOC,并利用差分進(jìn)化算法對觀測器參數(shù)進(jìn)行尋優(yōu)。經(jīng)驗(yàn)證,SOC估算精度高于無跡卡爾曼濾波估算精度,且計算量較小。H∞觀測器[33]以及離散滑膜觀測器[34]等也都用于鋰電池荷電狀態(tài)估計,達(dá)到了不錯的效果,觀測器和濾波器實(shí)現(xiàn)了鋰電池的參數(shù)估計與狀態(tài)估計,一定程度上消除了噪聲的影響。

清華大學(xué)歐陽明高院士團(tuán)隊(duì)聯(lián)合國內(nèi)外眾多高校對鋰電池內(nèi)短路問題展開了一系列深入研究[35]。Feng等[36]通過建立方殼電池電化學(xué)-熱耦合模型,開展了內(nèi)部短路等效電阻的大小、面積以及位置對故障特征影響的研究,從而揭示了內(nèi)短路的故障特征,該模型填補(bǔ)了內(nèi)短路特征和檢測的空白。Ouyang等[37]提出了一種基于平均-差異模型的鋰電池內(nèi)短路檢測方法,該方法利用等效電路模型估計電池開路電壓和內(nèi)阻,然后計算電池開路電壓一致性差值、內(nèi)阻一致性差值以及內(nèi)短路一致性波動值等指標(biāo),判斷是否達(dá)到閾值來檢測內(nèi)短路的發(fā)生,這為后來基于模型的故障診斷算法提供了新思路。針對大型鋰離子電池內(nèi)短路在線檢測問題,Feng等[38]提出了一種基于模型的故障診斷算法,將內(nèi)短路檢測問題轉(zhuǎn)化為參數(shù)估計問題,并對其進(jìn)行了評估,結(jié)果表明,該估計算法能夠?qū)崟r跟蹤參數(shù)變化,從而實(shí)現(xiàn)對內(nèi)短路狀態(tài)的跟蹤預(yù)測或?qū)λ矔r觸發(fā)的內(nèi)短路的檢測。馮旭寧等[39-41]利用平均-差異模型的故障診斷算法實(shí)現(xiàn)了鋰電池內(nèi)短路故障的檢測。平均-差異模型的內(nèi)短路檢測算法流程如圖2所示。

圖2 平均-差異模型的內(nèi)短路檢測算法流程示意圖[39]

基于電化學(xué)模型的故障診斷算法通過建立鋰離子電池電化學(xué)-熱耦合模型,識別內(nèi)部電化學(xué)參數(shù)的異常變化來進(jìn)行故障診斷。該算法從電化學(xué)機(jī)理模型方面增強(qiáng)了故障診斷的解釋性。林玉珍[42]基于鋰離子電池電化學(xué)-熱耦合模型,利用擴(kuò)展卡爾曼濾波-平滑變結(jié)構(gòu)濾波混合觀測器估算電池SOC,并基于雨流計數(shù)法統(tǒng)計不同放電深度以及放電倍率下的循環(huán)使用壽命建立壽命估計模型,均達(dá)到了不錯的效果。曾港輝[43]通過建立鋰電池電化學(xué)-熱耦合模型,研究正常充電到微過充階段的電熱特性,同時構(gòu)建容量衰減預(yù)測模型,提出了鋰電池微過充故障預(yù)測算法,有效識別了故障電池。黎欽懿等[44]在電化學(xué)-熱耦合模型的基礎(chǔ)上建立了鋰離子電池內(nèi)短路模型,基于帶遺忘因子的最小二乘法(FFRLS)參數(shù)辨識結(jié)合內(nèi)部溫度估計提出了內(nèi)短路故障診斷算法,結(jié)果表明該算法可在早期識別內(nèi)短路故障。目前,電化學(xué)模型正朝著電化學(xué)-機(jī)械-熱-流體等多方面、多尺度建模,不斷獲得更精確的內(nèi)部電化學(xué)參數(shù),使基于電化學(xué)模型的故障診斷算法可靠性更高,應(yīng)用更加廣泛?；谀Ｐ偷匿囯姵毓收显\斷算法的優(yōu)缺點(diǎn)如表3所示。

表3 基于模型的鋰電池故障診斷算法對比

4 基于數(shù)據(jù)驅(qū)動的鋰電池故障診斷算法

基于數(shù)據(jù)驅(qū)動的鋰電池故障診斷算法直接對鋰離子電池大量的離線以及在線過程中的運(yùn)行數(shù)據(jù)進(jìn)行分析處理,建立鋰離子電池輸入和輸出的映射機(jī)制,提取相應(yīng)的特征進(jìn)行故障診斷,這種故障診斷方法不需要建立精確的鋰離子動力電池模型,但對數(shù)據(jù)的質(zhì)量要求高。目前,全國各地有很多新能源汽車數(shù)據(jù)中心,存儲了大量新能源汽車的歷史數(shù)據(jù),數(shù)據(jù)驅(qū)動的故障診斷算法可以得到橫向驗(yàn)證[45]。如圖3所示,數(shù)據(jù)驅(qū)動的故障診斷方法可以分為信號處理法、統(tǒng)計分析法和機(jī)器學(xué)習(xí)法。

圖3 數(shù)據(jù)驅(qū)動的故障診斷算法分類

4.1 信號處理法

基于信號處理的故障診斷方法原理是通過信號特征提取方法實(shí)現(xiàn)信號的提取,進(jìn)而進(jìn)行信號分析,綜合評估系統(tǒng)運(yùn)行狀況與故障信號特征進(jìn)行故障診斷,這類方法主要包括相關(guān)性分析法、小波變換法以及模態(tài)分解法等。

相關(guān)性分析法常被用于診斷鋰電池短路、傳感器以及連接故障等。相關(guān)系數(shù)法是相關(guān)性分析法中一個典型算法,最早由統(tǒng)計學(xué)家卡爾·皮爾遜提出[46],它反映了2個變量間的相關(guān)性,其公式為：

(1)

Xia等[47]通過計算相鄰電池電壓的相關(guān)系數(shù)診斷電池故障,利用移動窗口消除歷史數(shù)據(jù),保證了故障檢測的靈敏度。李晨等[48]提出一種基于zero-mean和相關(guān)系數(shù)法的串聯(lián)電池包故障診斷方法,避免了電池不一致性的影響,通過FUDS工況驗(yàn)證了該方法的有效性。為了識別電池多種故障,Kang等[49]基于交錯電壓測量拓?fù)浣Y(jié)構(gòu)和改進(jìn)相關(guān)系數(shù)法的多故障聯(lián)合診斷方法,有效地檢測了電池內(nèi)短路以及外短路等多種故障。相關(guān)系數(shù)法需要得到每個單體電池的電壓,且為保證得到相同電流激勵下的電池電壓,必須要求電池組由單體電池串聯(lián)組成。另外,余弦相似性也被應(yīng)用于電池故障診斷,溫濤[10]構(gòu)建了模組電流和單體電壓變化的二維特征向量,利用故障電池電壓響應(yīng)和其他電池電壓響應(yīng)相似性下降,導(dǎo)致向量夾角間余弦值降低的原理,有效地診斷了內(nèi)短路故障。

小波變換法和模態(tài)分解法常用來提取信號特征,與其他方法融合構(gòu)成鋰電池故障診斷方法,Yao等[50]提出了一種基于小波神經(jīng)網(wǎng)絡(luò)的鋰離子電池故障預(yù)測方法,通過對離散小波變換(DWT)的分解和重構(gòu)來消除電壓信號的噪聲,將電壓、電壓差、協(xié)方差矩陣和方差矩陣等參數(shù)作為廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)的輸入值對故障預(yù)測和識別,通過深入分析參數(shù)與故障信號之間的關(guān)聯(lián)度,發(fā)現(xiàn)電壓差與故障的發(fā)生有很強(qiáng)的相關(guān)性,實(shí)驗(yàn)結(jié)果驗(yàn)證了該方法的可行性和優(yōu)越性。常春等[51]提出了一種基于小波分解和希爾伯特(Hilbert)包絡(luò)譜分析的電池故障診斷方法,首先,利用小波分解將電壓數(shù)據(jù)分解為低頻近似信號和高頻細(xì)節(jié)信號,接著,對細(xì)節(jié)信號作希爾伯特(Hilbert)包絡(luò)譜分析進(jìn)而提取故障特征,最后,使用離群算法實(shí)現(xiàn)對故障電池的檢測。Li 等[52]利用經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)對鋰電池電壓信號進(jìn)行分解,計算分解后的鋰電池電壓信號的樣本熵值來檢測電池系統(tǒng)故障,基于電動汽車大數(shù)據(jù)監(jiān)測中心采集的電池端電壓數(shù)據(jù),對常見故障和突發(fā)故障進(jìn)行了研究,驗(yàn)證了所提出的電池故障檢測方法的有效性。此外,變分模態(tài)分解(VMD)[53]、集合經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)[54]、完全自適應(yīng)噪聲集合經(jīng)驗(yàn)?zāi)B(tài)分解(CEEMDAN)[55]等也被應(yīng)用到電池故障診斷中來。

4.2 統(tǒng)計分析法

基于統(tǒng)計分析的故障診斷原理是依據(jù)系統(tǒng)采集到的電池外特性數(shù)據(jù),利用統(tǒng)計分析的方法識別異常單體,通過設(shè)置閾值診斷電池故障?；诮y(tǒng)計分析的故障診斷方法可以分為香農(nóng)熵、主元分析法以及獨(dú)立主元分析法等。

香農(nóng)熵也稱信息熵,由克勞德·艾爾伍德·香農(nóng)于1948年提出,它描述了系統(tǒng)的混亂程度,解決了信息量化度量問題[56],其公式為

(2)

式中：H(X)表示樣本X的熵值,pi, j表示樣本j在第i個區(qū)間內(nèi)發(fā)生的概率,n為劃分的區(qū)間個數(shù)。

目前眾多學(xué)者通過計算電池電壓的香農(nóng)熵,對電壓波動進(jìn)行量化分析,觀察電池電壓波動的混亂程度,從而識別異常單體,達(dá)到故障診斷的目的。Sun等[57]利用小波變換法對電壓數(shù)據(jù)進(jìn)行去噪,計算電壓數(shù)據(jù)的香農(nóng)熵來進(jìn)行故障診斷,通過鋰離子電池振動實(shí)驗(yàn)驗(yàn)證了方法的有效性。針對傳統(tǒng)香農(nóng)熵計算復(fù)雜、對電腦硬件要求高、難以實(shí)現(xiàn)在線監(jiān)測電池故障的問題,Wang等[58]利用改進(jìn)的香農(nóng)熵對電動汽車監(jiān)測數(shù)據(jù)進(jìn)行分析,在計算香農(nóng)熵的基礎(chǔ)上設(shè)置滑動窗口進(jìn)行熵值的迭代計算,結(jié)果表明,修正后的香農(nóng)熵能夠檢測到電壓異常的電池,并有效地預(yù)測發(fā)生故障的時間和位置,并且在此基礎(chǔ)上,提出了一種基于Z分?jǐn)?shù)方法的預(yù)測與安全管理策略,通過設(shè)置異常系數(shù)對故障等級進(jìn)行實(shí)時評估。Liu 等[59]通過熵權(quán)法來計算電池電壓的客觀權(quán)重,通過計算電池評分識別異常單體。該方法可以反映數(shù)據(jù)的內(nèi)在規(guī)律,實(shí)現(xiàn)故障預(yù)警。針對電池早期故障難以識別,故障特征不明顯的問題,Hong 等[60]提出了一種改進(jìn)的多尺度熵電池多故障診斷方法。該方法可以有效提取電池故障早期信號的多尺度特征,準(zhǔn)確預(yù)測各種電池故障的時間和位置,通過對不同電池故障設(shè)置安全閾值和可變計算窗口,建立協(xié)同診斷方案,實(shí)現(xiàn)實(shí)時診斷,有效防止熱失控的發(fā)生。

主元分析法(PCA)與獨(dú)立元分析法(ICA)是較為常見的多變量統(tǒng)計方法[61]。該方法的故障診斷原理是通過歷史正常數(shù)據(jù)建立相應(yīng)的多元統(tǒng)計模型,采集運(yùn)行數(shù)據(jù)進(jìn)行實(shí)時監(jiān)控,進(jìn)而進(jìn)行故障診斷。郝中華[62]利用PCA結(jié)合最小二乘法實(shí)現(xiàn)了鋰電池SOC的精準(zhǔn)估算。楊啟帆等[63]利用PCA提取故障特征,有效地區(qū)分了串聯(lián)電池組內(nèi)單體電池的故障和連接故障。針對現(xiàn)有故障診斷方法只能檢測單一故障,普適性較差的問題,馬迷娜[64]提出了一種基于并行PCA-KPCA的電池組多故障診斷方法,可以檢測出電池不一致性、外部短路以及電池虛接等多種故障。多故障診斷程序如圖4所示。首先,將實(shí)驗(yàn)測得的電池端電壓以及最小二乘法估計的開路電壓、歐姆內(nèi)阻等作為故障特征,建立鋰電池的PCA模型,接著,通過計算電池組中各單體電池對PCA統(tǒng)計量的貢獻(xiàn)值檢測出故障電池,進(jìn)一步建立電池的KPCA模型,最后,通過PCA-KPCA重構(gòu)技術(shù)構(gòu)建故障電池的波形,確定故障原因。另外,獨(dú)立元分析ICA也被應(yīng)用于汽車傳感器故障檢測,沈新新[61]提出了一種改進(jìn)的獨(dú)立成分分析法,利用Adam算法替代快速獨(dú)立成分分析法(FastICA)中的牛頓迭代法,解決了牛頓迭代法容易陷入局部最小值的問題,在汽車傳感器故障數(shù)據(jù)集中得到了驗(yàn)證。偏最小二乘法通過將自變量和因變量的高維數(shù)據(jù)投影到低維空間,得到向量間的一元線性回歸關(guān)系,以此為基礎(chǔ)實(shí)現(xiàn)電池故障診斷。陳達(dá)等[65]通過對鋰電池?zé)崾Э貧怏w進(jìn)行分析,利用偏最小二乘法構(gòu)建特征氣體的拉曼光譜模型,在線分析鋰電池?zé)崾Э貧怏w,實(shí)現(xiàn)鋰電池?zé)崾Э氐脑缙陬A(yù)警。

圖4 基于PCA-KPCA的串聯(lián)鋰離子電池組多故障診斷程序[64]

4.3 機(jī)器學(xué)習(xí)法

機(jī)器學(xué)習(xí)的故障診斷算法的基本原理是通過大量的數(shù)據(jù)訓(xùn)練轉(zhuǎn)化為抽象的模型,通過對模型的不斷調(diào)整來逐漸逼近電池現(xiàn)實(shí)的情況,達(dá)到減少誤差的目的,進(jìn)而進(jìn)行故障診斷?；跈C(jī)器學(xué)習(xí)的故障診斷算法不需要建立精確的模型,從而避免了電池模型參數(shù)的更新。

一些學(xué)者利用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了電池故障的準(zhǔn)確診斷和預(yù)測。Hong 等[66]采用天氣-車輛-駕駛員分析方法,考慮天氣和駕駛員行為對電池系統(tǒng)性能的影響,研究了一種利用長短期記憶人工神經(jīng)網(wǎng)絡(luò)(LSTM)進(jìn)行電池系統(tǒng)多步電壓預(yù)測的深度學(xué)習(xí)方法。結(jié)果表明,該方法具有較強(qiáng)的電壓預(yù)測能力,可以有效識別電壓異常。Li等[67]提出了一種將長短時記憶遞歸神經(jīng)網(wǎng)絡(luò)(LSTM)和等效電路模型(ECM)相結(jié)合的電池故障診斷模型,采用改進(jìn)自適應(yīng)增強(qiáng)(MAB)耦合模塊,結(jié)合了LSTM和ECM的優(yōu)點(diǎn),提高了診斷精度,采用預(yù)判模型減少了計算時間,通過實(shí)車數(shù)據(jù)驗(yàn)證了所提出的模型不僅能檢測到電池組中潛在的電池故障,還可以實(shí)現(xiàn)熱失控的預(yù)警。朱景哲等[68]提出了基于可解釋的電化學(xué)參數(shù)的電池故障診斷模型,將電化學(xué)模型作為序列特征嵌入先驗(yàn)?zāi)Ｐ?提出了全局可解釋參數(shù)敏感度分析和分階段參數(shù)辨識的方法,提取高敏感度參數(shù),有效提升了參數(shù)辨識的可靠性,通過一維CNN構(gòu)建原始數(shù)據(jù)與故障標(biāo)簽的映射機(jī)制,避免了反復(fù)調(diào)用電化學(xué)模型,經(jīng)過實(shí)車數(shù)據(jù)驗(yàn)證了電池故障診斷的準(zhǔn)確性。其他諸如徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)[69]、帶有外部輸入的非線性自回歸神經(jīng)網(wǎng)絡(luò)(NARX)[70]以及似然映射增強(qiáng)的人工神經(jīng)網(wǎng)絡(luò)[71]等也都用于鋰電池故障診斷中,均達(dá)到了不錯的故障診斷效果。神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)能力強(qiáng),但依賴大量準(zhǔn)確的故障數(shù)據(jù)。

由于支持向量機(jī)在處理非線性故障分類問題的優(yōu)勢被廣泛應(yīng)用于電池故障診斷中,其基本原理是建立一個最優(yōu)決策超平面,使該決策平面兩側(cè)距離該平面最近的數(shù)據(jù)之間的距離最大化,從而實(shí)現(xiàn)分類問題。Yao等[72]采用離散余弦濾波方法去噪,為了減小電流變化對狀態(tài)指標(biāo)的影響改進(jìn)了協(xié)方差矩陣,提出了一種基于網(wǎng)格搜索支持向量機(jī)的鋰電池系統(tǒng)智能故障診斷方法。結(jié)果表明,該方法不僅能及時檢測出電壓故障,而且能反映故障的嚴(yán)重程度,為電池系統(tǒng)故障分級管理策略的研究提供了依據(jù)。針對電池故障數(shù)據(jù)較少的情況,Deng等[73]提出了一種基于多分類支持向量機(jī)的故障診斷方法,減少了對數(shù)據(jù)量的依賴,同時提高了診斷的精度和速度。針對最小二乘支持向量機(jī)對電池動態(tài)數(shù)據(jù)不敏感的問題,徐世暉[74]提出了一種可實(shí)時更新的基于改進(jìn)在線最小二乘支持向量機(jī)的電池故障診斷方法,Li等[75]提出一種基于蟻獅優(yōu)化最小二乘支持向量機(jī)的鋰電池在線故障診斷方法。結(jié)果表明,2種方法保證了故障診斷的精度,計算速度快,具有更好的泛化能力,可以更好地適應(yīng)鋰電池復(fù)雜的實(shí)際工作條件,從而顯示出更大的實(shí)用價值。王宇[76]提出了一種基于徑向基核函數(shù)的支持向量機(jī)方法來診斷電池組不一致性。結(jié)果表明,該方法診斷電池組不一致性的準(zhǔn)確率達(dá)到了95%。支持向量機(jī)在小樣本訓(xùn)練集的電池故障診斷中取得了良好的效果。

聚類算法屬于機(jī)器學(xué)習(xí)算法中的無監(jiān)督學(xué)習(xí)算法,根據(jù)數(shù)據(jù)之間的關(guān)聯(lián)程度計算距離,以此形成多個聚類,識別故障單體。李曉宇等[77]提出了一種基于K-Means聚類分析的電池故障診斷方法,將單體電池電壓作為故障樣本數(shù)據(jù),對電池運(yùn)行過程中可能發(fā)生的故障進(jìn)行預(yù)警,并進(jìn)行故障分級。經(jīng)驗(yàn)證,該方法可以迅速對電池故障進(jìn)行預(yù)警。賈俊等[78]基于實(shí)際工程數(shù)據(jù)提出了一種數(shù)據(jù)驅(qū)動的鋰離子電池健康狀態(tài)綜合評分及異常電池篩選算法,提取實(shí)際工程數(shù)據(jù)的多維特征,并利用混合聚類算法進(jìn)行綜合評分,基于MIT-Stanford的公開數(shù)據(jù)集得到了驗(yàn)證,最后,在儲能電站得到了應(yīng)用。潘岳等[79]提出了一種基于長周期運(yùn)行數(shù)據(jù)的鋰離子電池內(nèi)短路檢測算法。該算法綜合考慮了電壓一致性差異、自放電、溫度一致性差異和異常溫升等特征,利用聚類算法確定內(nèi)短路的故障電池位置,借助Z分?jǐn)?shù)法進(jìn)行故障分級報警。經(jīng)驗(yàn)證,該算法可在5個月前進(jìn)行預(yù)警,具有較強(qiáng)的可遷移性和實(shí)際應(yīng)用價值。基于數(shù)據(jù)驅(qū)動的鋰電池故障診斷算法如表4所示。

表4 基于數(shù)據(jù)驅(qū)動的鋰電池故障診斷算法對比

互聯(lián)網(wǎng)技術(shù)的發(fā)展對鋰電池故障診斷算法的研究起到了一定的推動作用,在國家新能源汽車大數(shù)據(jù)平臺的支持下,北京理工大學(xué)王震坡教授團(tuán)隊(duì)在鋰電池故障診斷以及潛在熱失控單體預(yù)測方面做出了一些貢獻(xiàn),提出了各種數(shù)據(jù)驅(qū)動的鋰電池故障診斷算法,其中有基于離群頻率[80]、熵值[55-58]、角度方差[81]、密度聚類[82]、箱型圖和基尼不純度[83]、神經(jīng)網(wǎng)絡(luò)[66-67]以及統(tǒng)計學(xué)[84]的故障診斷算法等,并基于實(shí)車數(shù)據(jù)準(zhǔn)確實(shí)現(xiàn)了鋰電池故障診斷,為后續(xù)數(shù)據(jù)驅(qū)動的故障診斷算法的發(fā)掘奠定了堅實(shí)的基礎(chǔ)。

5 結(jié)束語

5.1 總結(jié)

本文中所闡述的鋰電池故障診斷算法在一定程度上實(shí)現(xiàn)了鋰電池故障的精準(zhǔn)識別,達(dá)到了不錯的診斷效果,但仍存在以下不足：

1) 實(shí)車應(yīng)用的準(zhǔn)確性亟待提高

鋰電池故障數(shù)據(jù)按獲取途徑可分為軟件仿真模擬、故障注入實(shí)驗(yàn)以及大數(shù)據(jù)平臺3種,鋰電池在軟件仿真模擬以及故障注入實(shí)驗(yàn)條件下獲取的故障數(shù)據(jù)并不能準(zhǔn)確模擬實(shí)車運(yùn)行過程中環(huán)境、工況以及駕駛員習(xí)慣等條件下的實(shí)際數(shù)據(jù),基于軟件仿真模擬、故障注入實(shí)驗(yàn)的故障診斷結(jié)論很難在實(shí)車得到驗(yàn)證,同時實(shí)車數(shù)據(jù)質(zhì)量較差,難以進(jìn)行故障特征提取,致使大部分故障診斷算法實(shí)際應(yīng)用困難。

2) 閾值的設(shè)定有待商榷

目前大部分鋰電池故障診斷算法通過設(shè)置固定的閾值來進(jìn)行不同等級的故障診斷,閾值的設(shè)定對基于模型的故障診斷算法的應(yīng)用至關(guān)重要。鋰電池本身是一個非線性復(fù)雜的時變系統(tǒng),在運(yùn)行過程中,隨著電池老化,電池不一致性變差,故障率明顯升高,此時的閾值明顯不適合進(jìn)行故障診斷,使基于模型的故障診斷算法應(yīng)用困難。

3) 全生命周期內(nèi)多故障聯(lián)合診斷算法研究較少

目前大部分鋰電池故障診斷算法只針對電池某種特定的故障類型,實(shí)際在鋰電池生產(chǎn)、成組、工作、退役梯次利用的全生命周期內(nèi)均有不同的安全隱患,在不同階段可能發(fā)生不同故障,甚至一種故障發(fā)生時會引發(fā)多種故障。隨著電池老化,電池的壽命受到不同程度的衰減,故障隱患增大,然而針對這種情況下的故障診斷算法的研究較少。

4) 算法的性能均衡研究較少

目前的鋰電池故障診斷算法難以實(shí)現(xiàn)準(zhǔn)確性、魯棒性、可靠性以及復(fù)雜度之間的均衡,實(shí)際學(xué)者往往依靠試錯法來實(shí)現(xiàn)算法的參數(shù)調(diào)優(yōu),這種方式一定程度上實(shí)現(xiàn)了算法的性能均衡,但對一個復(fù)雜的系統(tǒng)來說,系統(tǒng)內(nèi)部參數(shù)眾多,一個參數(shù)的變化往往影響其他眾多參數(shù),不能通過簡單的試錯來進(jìn)行調(diào)優(yōu)。實(shí)際鋰電池故障診斷算法應(yīng)用在實(shí)車往往需要在準(zhǔn)確性、誤報率以及復(fù)雜度之間做取舍,這是一個很難解決的問題。

5.2 展望

針對目前鋰電池故障診斷算法存在的問題,對未來的故障診斷算法的研究提出以下展望：

1) 鋰電池跨尺度多場耦合電化學(xué)模型的建立

基于電化學(xué)模型的故障診斷算法從電池內(nèi)部電化學(xué)參數(shù)出發(fā),深入了解鋰電池工作機(jī)理,對故障診斷算法的工程化應(yīng)用有很大幫助,可以極大地提高故障診斷算法的準(zhǔn)確性。在電池模型領(lǐng)域,電化學(xué)-熱耦合模型的建立已趨于成熟,未來學(xué)者需在建立電化學(xué)-熱耦合模型的基礎(chǔ)之上,同時耦合機(jī)械以及流體等多物理場,考慮宏觀到微觀不同空間和時間尺度下的電化學(xué)、熱力學(xué)以及動力學(xué)等反應(yīng)的相互耦合作用,建立更精確的鋰電池跨尺度多場耦合模型,以此為基礎(chǔ)提升鋰電池故障診斷算法的準(zhǔn)確性,增強(qiáng)故障診斷在電化學(xué)模型層面的可解釋性。

2) 基于知識-模型-數(shù)據(jù)驅(qū)動聯(lián)合的故障診斷算法研究

基于知識的故障診斷算法計算簡單,可以建立專家知識庫,基于模型的故障診斷算法可以快速識別電池故障,基于數(shù)據(jù)驅(qū)動的故障診斷算法自適應(yīng)能力強(qiáng),知識-模型-數(shù)據(jù)驅(qū)動聯(lián)合的故障診斷算法充分利用到3種算法的優(yōu)點(diǎn),在快速定位故障電池的基礎(chǔ)之上,同時提升了故障診斷算法的魯棒性以及可靠性,又賦予了故障診斷算法在電池模型方面的可解釋性,將是未來研究的重點(diǎn)。

3) 全生命周期故障診斷算法的融合機(jī)制研究

隨著傳感器技術(shù)以及信息融合技術(shù)的不斷發(fā)展,鋰電池電壓、溫度、內(nèi)阻、內(nèi)部壓力以及氣體等參數(shù)的獲取將更加容易,精度更高,經(jīng)過多參數(shù)融合的多故障聯(lián)合診斷算法將被一一開發(fā)出來。不同的算法有不同的優(yōu)缺點(diǎn),在鋰電池運(yùn)行的不同工況將有不同的適用性,針對鋰電池全生命周期不同工況設(shè)計相應(yīng)的實(shí)驗(yàn),根據(jù)鋰電池在全生命周期內(nèi)各種算法在不同階段的敏感性分配權(quán)重,充分利用各種故障診斷算法的優(yōu)點(diǎn),進(jìn)行算法融合機(jī)制的研究,綜合評估進(jìn)行故障預(yù)測,減小誤報率,將是未來故障診斷算法發(fā)展的一大方向。

4) 人工智能與故障診斷結(jié)合的算法研究

隨著人工智能的興起,未來的鋰離子電池故障診斷算法將通過AI進(jìn)行內(nèi)部參數(shù)尋優(yōu),提高自適應(yīng)學(xué)習(xí)能力,并根據(jù)不同型號的電池、使用環(huán)境以及駕駛員習(xí)慣等,自動調(diào)整算法的故障閾值,降低對閾值的依賴性,在鋰離子電池故障診斷算法性能之間實(shí)現(xiàn)很好的均衡,使算法具備智能故障診斷、熱失控預(yù)警的能力,實(shí)時監(jiān)測鋰電池健康狀態(tài),進(jìn)行壽命評估,并提供相應(yīng)的處理方案,降低成本和風(fēng)險,真正實(shí)現(xiàn)“智慧故障診斷算法”的應(yīng)用。

5) 端云一體化實(shí)時故障診斷

隨著5G技術(shù)以及大數(shù)據(jù)分析技術(shù)的不斷發(fā)展,數(shù)據(jù)的傳輸速度以及算法的處理速度都得到了大幅加強(qiáng),整合物聯(lián)網(wǎng)、大數(shù)據(jù)、云計算等技術(shù)的數(shù)字孿生技術(shù)將在新能源汽車領(lǐng)域得到很好的應(yīng)用,在云端為每一輛車建立仿真模型,車端實(shí)時傳輸數(shù)據(jù)更新模型,車端以“閾值—速率”為核心,采集數(shù)據(jù)進(jìn)行故障判定與報警,云端以“閾值—速率”為基礎(chǔ),端云一體化實(shí)施多算法聯(lián)合診斷,這在未來都將會實(shí)現(xiàn)。