机械设备状态检测和故障诊断(数据采集异常下的车用动力电池状态监测与故障诊断)

Posted 2023-05-29

篇首语：满堂花醉三千客，一剑霜寒十四州。本文由小常识网(cha138.com)小编为大家整理，主要介绍了机械设备状态检测和故障诊断(数据采集异常下的车用动力电池状态监测与故障诊断)相关的知识，希望对你有一定的参考价值。

机械设备状态检测和故障诊断(数据采集异常下的车用动力电池状态监测与故障诊断)

引言

对于电动汽车，精确实时的电池数据采集和状态估计是电池管理系统最重要的功能之一。

电池建模依赖于传感器传输而来的电压、电流、温度等数据，这是在线状态监测的基础。然而，由于动力电池包所搭载的传感器数量众多，受连接件老化和机械故障的影响，极易在电池模组内部造成小范围的数据传输异常，进而影响到整体动力电池的实时状态监测。

动力电池安全事故往往起源于微小的局部故障，因此为了提高电动汽车的安全性，电池故障的在线诊断变得极其重要。同样，在线诊断方法也分为模型法和数据驱动法。

为了提升计算效率，Yan 等人将龙贝格采样的概念引入到故障诊断和预测中。对于电动汽车而言，底盘振动，连接件老化或机械故障均有可能引起传感器失效，进而导致传输数据异常。

但是目前关于数据异常下的电池状态监测研究较少，现有的研究通常假定传输数据中只含有传感器噪声。针对电池开路故障导致的数据缺失问题，Zhou 等人提出了一种基于噪声自适应 H∞滤波器和平均模型的电池组容错估计方法。

根据实验，该方法仅对于老化程度较低的电池有较好的故障诊断效果。在传感器随机失效的情况下，如何保证电池管理系统的数据采集工作和状态监测仍然是一个挑战，这严重关系到行车安全。

DST 条件下负载电流和电压曲线

1 异常数据的分类和影响

对于动力电池而言，在线数据通常包括负载电流、测量电压、电芯温度、电池舱内气压等。而离线数据通常包括可放电容量、开路电压(open circuit voltage, OCV)与 SOC 的映射关系、电池不同老化程度下的阻抗等。这些离线数据被预先存储在 BMS 中，且离线数据和在线数据之间存在一定的交互作用。

在本文中，传输数据长时间内置零或缺失被定义为数据丢失；传输数据在多个采样间隔内异常停留在非零常数则被定义为更新停滞。

广义上，数据异常包含高斯噪声、热噪声、电磁干扰、传感器故障导致的误差增大等等。相较于数据缺失和更新停滞，上述数据异常对于动力电池荷电状态监测的影响相对可控，因此在本文中没有着重探讨。对于电池状态监控，最重要的输入数据包括负载电流、电压和温度。其中，由于电池包内用于电流/电压采集的传感器数量最多，因此该类信息的传输故障最为常见。因此，本文主要研究多种电流/电压异常数据下的故障诊断与预测。

图 1 DST 条件下负载电流和电压曲线

为了分析不同位点的数据异常对电池模型参数识别的影响，本工作基于戴维宁等效电路模型和数据驱动方法进行了相应的实验。

测试条件为 DST，数据异常形式为更新停滞。对于以数据驱动法为基础的模型参数辨识来说，当输入数据缺失时，辨识过程将无法进行，进而引起系统报错。

因此，数据缺失异常是显性的，易于发现的。相比之下，更新停滞异常对于参数辨识结果具有类似的影响，但不容易被监测。因此，该类异常对于参数辨识的影响在本文中被重点分析。整个测试周期为 8400 秒，其采样间隔为 3.4s。两次更新停滞的起始点分别为 2000s 和 6000s，其 DST 条件下的负载电流和电压曲线如图 1 所示。

两种异常数据位点下的模型参数辨识误差

异常数据校正方法

数据驱动方法

对于数据缺失和更新停滞，考虑到实际负载电流/电压数据的多样性和随机性，本文采用数据驱动的方法，而不是基于模型的方法来校正异常数据。本文采用了基于 RLS、Bi-LSTM 和 LSSVR 相结合的方式进行异常数据校正和电池状态预测。

作为一种常见的数据驱动方法，RLS 在迭代中不断追求状态误差平方的极小值，并以此寻求未知解的最佳函数匹配。而 LSTM 通过在结构中引入多个门来处理系统信息，包括主动遗忘部分输入信息以解决梯度爆炸和梯度消失的问题。

异常数据校正与故障诊断流程设计

在设计状态监测和故障诊断方案时，需要考虑不同数据驱动算法的综合性能，包括对异常数据的校正精度和整体计算效率。为了比较所使用数据驱动方法的性能，本文在 DST 条件下分别设计了基于 Bi-LSTM 和 LSSVR 的异常数据校正，

基于 LSSVR 数据校正的参数辨识结果

对于 R0 和 R1，可以看到单电流校正的辨识效果不如多项数据校正。与开路电压不同，电池内阻在单个放电周期内变化的幅度相对较大，这使得多项数据校正带来的精度提升能更好地克服算法自身所引入的误差。最后，对于 C1 而言，当异常电压被校正后，辨识结果几乎可以很快恢复到正常值。其准确率提高了 8.94%。

结合以上两种数据驱动方法的优点，本文设计的异常数据监测与校正流程图如图所示。对于输入数据，引入车速 Sv 来判断行驶状态。当 Sv 为 0 时，判断车辆处于停车状态。此时若负载电流 IL 和测量电压 UM 不为 0，则判断车辆处于静态充放电状态。对于动态随机工况而言，很少出现连续多个采样间隔内的传输数据保持恒定的情况，因此这样的设定是可行的。

LSSVR 用于校正单项异常数据，而 Bi-LSTM 用于校正多项异常数据。本文所使用的故障检测方法主要是基于传感器的物理检测和基于模型的状态监测。前者通过观察检测目标运行过程中的物理状态来进行故障诊断，如分析其电压、电流、温度等特性的变化，并与默认阈值范围进行比较从而进行故障判断；后者通过电池模型和相关算法计算电池模组的平均 SOC，使其尽可能控制在 0.2 至 0.8 的常用区间，并在低于 0.1 和高于 0.95 时启动预警，防止过度放电和充电。

与 Bi-LSTM 相比，LSSVR 在处理单个异常数据时的辨识误差较小，而在处理多个异常数据时性能较差。这是因为 LSSVR 的预测效果与核函数设置和时间序列长度有关。与短时间序列预测(如单数据校正)相比，LSSVR 方法难以胜任多维大规模数据样本下的预测。以6000s 的起始异常位点为例，与表 1 中电压/电流异常下的 OCV 辨识结果(RMSE=0.152)相比，基于 Bi-LSTM 校正的开路电压 RMSE 为 0.1384故障。

运行故障主要指电池系统在运行过程中某些参数超出了阈值范围触发的故障，如温度过高、电流过大、SOC 过高等，此类故障的解决办法通常是启动系统预警和相应电池模组的保护性断电；系统故障则是指电池系统的元器件功能、连接可靠性等方面出现的故障，如高压互锁故障、传感器连接件故障等，此类故障需要进行维护和检修。

对于运行故障，其定位方式是通过异常参数的信号通道推断出有问题的电池模组，进而调换相同串数的模块位置，来诊断是模块问题还是线束问题；对于系统故障，如传感器故障，其定位方式通常是排除法，即通过信号通道锁定故障区域，再逐个监测电池模组中的传感器模块，并向系统中上报该故障位点。

本文整体工作流程如图所示。来自车载传感器与数据平台的电池充放电数据被选择与提取出来，包括电压、电流、温度与瞬时车速。之后进行数据预处理，包括同组电池数据的合并，异常极值数据清洗和平滑等。在这一步骤中，对于数据精度为 10-9。

本文整体工作流程图

实验与分析

为了对实验电池进行测试并验证所提出方案的有效性，所搭建的测试平台如图 8 所示，包括新威 CT-4000 电池测试系统、电化学工作站、上位机和锂离子电池。实验电池的阳极材料为石墨，阴极材料为 Li(NiCoMn)O2，额定电压为 3.7V，额定容量为 2600mAh。

测试平台

本文基于 Phillip Kollmeyer 在威斯康星大学麦迪逊分校进行的测试分别设置了六个混合异常测试工况[11]，以用来验证校正后的电池 SOC 估计效果，其采样间隔为 0.1s，采样点数为 109641，

每个测试工况均包含了五种异常特征，分别为电压异常(数据缺失)、电流异常(数据缺失)、电压异常(更新停滞)、电流异常(更新停滞)和电压/ 电流异常(更新停滞)。其中，电压和电流数据同时缺失的情况下，参数辨识工作将无法完成，因此这种情况将参考电压/电流异常(更新停滞)下的解决方案，使用 Bi-LSTM 进行数据校正。对于每个工况来说，总的测试时间为 11000s，采样间隔设置为 0.2s，每个异常特征维持 1000s

SOC 估计结果

对于动力电池来说，由于电池和测量装置的内阻消耗了电路中的一部分电压，因此实际端电压往往高于测量电压。在常见的等效电路模型中，准确预测端电压可以提高状态估计的精度。六种异常测试工况下的 SOC 估计结果如图 10 所示。为了避免实验偶然性，数据校正下的 SOC 估计结果取六种混合异常工况下仿真结果的平均值。

以 Case 1 为例，可以看到在 1000-2000 秒内的 SOC 估计结果有明显偏差，说明异常电流(更新停滞)对状态估计的影响是比较大的。相比之下，Case 2 在该区间的估计结果能较好贴近参考值，说明异常电压(更新停滞)带来的影响是可控的，这与异常数据下模型参数辨识结果一致。Case 3 在 1000-2000 秒内的估计结果也出现了较大的偏差。由 Case 3 可知，即使电压和电流数据的更新停滞对于模型参数辨识的瞬时影响不大，但是在持续时间足够长(1000s)的条件下，其误差积累不可忽视。Case 4 在 1000-2000 秒内发生了电压异常(数据缺失)，此时载入电流值被系统识别为0，但是电压数据的正常更新有效降低了最后的综合误差。对于 Case 5 和Case 6，可以看到电压缺失在这个阶段的影响很小，负载电流数据的正确传输是维持较高估计精度的主要原因。

需要说明的是，基于 RLS 方法的参数辨识对电流工况特性和遗忘因子的设置非常敏感，因此为了削弱极值的影响，本文采用平均值以代替实时值，这在一定程度上降低了 SISE 算法中异常电压对状态更新的负面影响。

为了探讨更新停滞时负载电流初始值对状态监测的影响，在 Case 6 中间电流异常(更新停滞) 设置在放电中后期，以减少对其他异常情况下SOC 估计的干扰。

在该情况下，当放电达到 9000s 时，此时的瞬时电流停滞在-0.5A，这小于该阶段的平均放电电流。可以看到，在传感器故障导致的电流更新停滞中，当电池已经完成放电时，基于异常电流估计的 SOC 仍然停留在 0.15，这种判断误差会引起电池过放电，从而引发安全问题。

端电压预测结果

六种异常测试工况下的端电压预测结果如图11 所示。其中，试验电池的下截止电压为 2.5V。可以看到，在六种混合异常工况的端电压预测结果中，基于数据校正的方法均取得了最高的预测精度，这点与 SOC 估计结果保持一致。需要指出的是，异常数据的更新停滞并不总会导致状态估计的严重偏差。

例如，Case 4 中 5000-6000s 内，电流的更新停滞对端电压预测影响相对有限，此时的电流值维持在-1.9A，与该区间正常充-放电的平均值较为接近。可以推测，对于静态充放电情况，由于负载功率相对稳定，异常数据导致的估计误差通常是有限的并且易于诊断。而对于随机和波动的动态条件，发生数据传输异常，特别是异常电流(更新停滞)引起的估计误差在某些情况下将变得很大，且大多数时候是不可控的。

下表列出了六种混合异常工况下SOC 估计误差的统计结果。与数据异常下的状态估计结果相比，基于 LSSVR 和 Bi-LSTM 的校正方法在 6 种情况下均大幅提高了状态估计精度。在Case 1 中， SOC 估计值的 MAE 和 RMSE 分别为 0.0515 和0.0261。考虑到传感器故障时短期监测的实际需要，这一结果是可接受的。在 Case 6 中，SOC 估及结果的MAE 和RMSE 分别为0.0361 和0.0484。通过对比可知，载入电流的更新停滞对于状态监测的影响最大，因此在 BMS 的状态监测和故障诊断中，异常电流的监测与校正应该被给予最高优先级。

SOC 估计误差统计结果

结论

对于电池管理系统来说，判断输入端电池信息的真实性和有效性有助于提高状态监测和故障诊断能力。由于传感器属于硬件，无法像软件一样采用空中升级实现固件及时修复。因此，为了行车安全，迫切需要开发一种能够校正异常数据并保证状态估计准确性的诊断方案。因此，本文提出了一种基于Bi-LSTM 和LSSVR 的多项异常数据下的状态监测和在线故障诊断方法。本文的主要结论概括如下:

在最常用的等效电路模型中，当电压数据正常，而负载电流数据停滞时，电池内阻和开路电压的辨识会受到严重干扰。
对于电阻部件，多项数据校正的精度优于单项数据校正；对于电容元件，电压更新停滞引起的辨识误差远大于电流的更新停滞。
与短时间序列预测(如单数据下的校正)相比，

LSSVR 在多维大规模数据样本下的序列预测和校正精度不如 Bi-LSTM。以 6000s 的起始异常位点为例，基于 Bi-LSTM 校正数据得到的 OCV 辨识结果在准确率上提高了 8.94%。

在六种混合异常测试情况下，本文所提出的状态监测方法能有效提升估计精度，其 SOC 估计的最大误差能保持在 5%左右，这对于传感器故障下的短期监测是可接受的。

在今后的工作中，电池状态监测和故障诊断的范围需要进一步扩大，包括电芯模块间的温度、电池组内的气压，以及与行车安全相关的局部短路监测。此外，当需要处理的数据量呈指数级增长时，数据驱动的校正方法将面临计算效率和实时性的挑战。因此，开发更高效准确的异常数据校正方法也是未来工作的重点。

参考文献

[1]胡晓松，陈科坪，唐小林，等．基于机器学习速度预测的并联混合动力车辆能量管理研究[J]．机械工程学报，2020，56(16)：181-192．

[2]HU Xiaosong，CHEN Keping，TANG Xiaolin，etal．Machine learning velocity prediction-based energy management of parallel hybrid electric vehicle[J]．Journal of Mechanical Engineering，2020， 56(16)：181-192 (in Chinese)．

[3]周娟，化毅恒，刘凯，等．一种高精度锂离子电池建模方案研究[J]．中国电机工程学报，2019，39(21)：6394-6402．

[4]ZHOU Juan，HUA Yiheng，LIU Kaietal．Research on a high-precision modeling scheme for lithium-ion battery[J]．Proceedings of the CSEE，2019，39(21)： 6394-6402 (in Chinese)．

[5]胡晓松，唐小林．电动车辆锂离子动力电池建模方法综述[J]．机械工程学报，2017，53(16)：20-31．

[6]HU Xiaosong，TANG Xiaolin．Review of modeling techniques for lithium-ion traction batteries in electricvehicles[J]．Journal of Mechanical Engineering，2017， 53(16)：20-31 (in Chinese)．

[7]孙振宇，王震坡，刘鹏，等．新能源汽车动力电池系统故障诊断研究综述[J]．机械工程学报，2021，57(14)：87-104．

[8]SUN Zhenyu，WANG Zhenpo，LIU Pengetal．Overview of fault diagnosis in new energy vehicle power battery system[J]．Journal of Mechanical Engineering，2021，57(14)：87-104 (in Chinese)．

[9]李超然，肖飞，樊亚翔，等．一种基于LSTM-RNN的脉冲大倍率工况下锂离子电池仿真建模方法[J]．中国电机工程学报，2020，40(9)：3031-3041．