一种锂离子电池故障诊断方法
阅读说明:本技术 一种锂离子电池故障诊断方法 (Lithium ion battery fault diagnosis method ) 是由 曲杰 甘伟 于 2020-04-23 设计创作,主要内容包括:本发明公开了一种锂离子电池故障诊断方法,包括以下步骤:<I>S</I>1、获取锂离子电池未发生故障及发生各类型故障时的电池数据;<I>S</I>2、使用信号降噪模型对步骤<I>S</I>1得到的数据进行降噪处理;<I>S</I>3、通过特征提取模型计算得到表征锂离子电池内部不同频率化学反应的特征参数;<I>S</I>4、计算该锂离子电池的安全阈值;<I>S</I>5、根据所述安全阈值确定报警时对应的故障类型,建立锂离子电池故障诊断模型;<I>S</I>6、获取待诊断锂离子电池使用过程中充放电循环电池数据,对该数据降噪并计算特征参数曲线,将特征参数曲线与基准参数曲线进行相似度对比,得到相似程度;<I>S</I>7、将相似程度输入步骤<I>S</I>5的锂离子电池故障诊断模型,若达到阈值,发出相应故障类型报警信号。(The invention discloses a lithium ion battery fault diagnosis method, which comprises the following steps: S 1. acquiring battery data when the lithium ion battery fails and various types of faults occur; S 2. step pair using signal noise reduction model S 1, carrying out noise reduction processing on the data obtained; S 3. calculating to obtain characteristic parameters representing chemical reactions with different frequencies in the lithium ion battery through a characteristic extraction model; S 4. calculating the safety threshold of the lithium ion battery; S 5. determining a corresponding fault type during alarming according to the safety threshold, and establishing a lithium ion battery fault diagnosis model; S 6. acquiring charge-discharge cycle battery data in the use process of the lithium ion battery to be diagnosed, denoising the data, calculating a characteristic parameter curve, and comparing the similarity of the characteristic parameter curve and a reference parameter curve to obtain a similarity rangeDegree; S 7. inputting the degree of similarity into the step S And 5, if the lithium ion battery fault diagnosis model reaches a threshold value, sending a corresponding fault type alarm signal.)
技术领域
本发明属于电池故障诊断领域,具体涉及一种锂离子电池故障诊断方法。
背景技术
近年来,二次锂离子电池由于能量密度高、使用寿命长、自放电率低、无记忆效应等被广泛应用于C产品、电动汽车及储能等领域。尤其随着环保问题的日益突出,锂离子电池在电动汽车领域的使用几乎呈线性增长的趋势。然而,由于锂离子电池自身的不稳定性、滥用以及科技发展对电池轻薄化与高能量密度更加苛刻的技术要求,频发的安全性事故引起了越来越多的关注。因此发明一种能够实时检测动力电池故障、预测结果精准的方法迫在眉睫。
锂离子电池电池是一种实时变化的复杂非线性系统,内部化学反应机理复杂,外部表现受多种参数变化的影响,建立电化学机理模型进行预测十分复杂,并且很难做到实时预测。近年来神经网络大量应用于动力电池故障诊断,但存在结构复杂、计算量巨大、可解释性差等缺陷,并且该方法单纯的基于数据驱动,未考虑当故障发生时内部微观化学反应与外部宏观表现之间的联系,预测结果准确度差。本发明提出的方法基于同步压缩连续小波变换降噪与特征参数提取方法,所提取特征参数能够表征当故障发生时锂离子电池内部不同频率化学反应能量的变化,将外部宏观表现与内部微观变化相联系,能够实现精确高效实时动力电池故障诊断。
发明内容
为解决上述方法存在的缺陷,本申请提供了一种锂离子电池故障诊断方法,该方法无需建模,计算量小,可做到实时在线检测;并且将外部宏观表现与内部化学反应发生的频率联系起来,极大的提升预测精确度。
本发明至少通过如下技术方案之一实现。
一种锂离子电池故障诊断方法,包括以下步骤:
S1、获取锂离子电池未发生故障及发生各类型故障时的电池数据;
S2、使用信号降噪模型对步骤S1得到的数据进行降噪处理;
S3、通过特征提取模型计算得到表征锂离子电池内部不同频率化学反应的特征参数;
S4、通过比较未发生故障锂离子电池与发生各类型故障锂离子电池特征参数曲线的相似程度计算该锂离子电池的安全阈值;
S5、根据所述安全阈值确定报警时对应的故障类型,建立锂离子电池故障诊断模型;
S6、获取待诊断锂离子电池使用过程中充放电循环电池数据,对该数据降噪并计算得到特征参数曲线,将特征参数曲线与基准参数曲线进行相似度对比,得到相似程度;
S7、将相似程度输入步骤S5的锂离子电池故障诊断模型,若达到阈值,发出相应故障类型报警信号。
进一步地,步骤S1获取的电池数据包括锂离子电池历史数据中的电池电压、探针温度和对应的故障类型。
进一步地,步骤S2所述信号降噪模型的降噪处理包括如下:
使用连续小波变换(CWT)将所得锂离子电池数据从时间序列s(t)转换为时间-频率域,即连续小波变换(CWT)系数,所得时间-频率域为:
其中α表示连续小波分析尺度,τ表示连续小波分析时间转移窗口大小,t表示时间,*表示复共轭,<s,ψα,τ>表示s(t)与的内积,表示连续小波变换中的分析函数,即母波;
将所得时间-频率域划分为高能量低频率部分与高能量高频率部分:
其中,Ws(α,τ)为所得时间-频率域,na为尺度的数量,CF(τ)为使用所有连续小波分析尺度a计算CWT系数的叠加振幅,由CF系数得到CWT系数沿尺度轴的分布,因为低频特征的存在使得所得分布存在两个不同的峰值,通过设定最优阈值划分两个不同的峰值,由此得到高能量低频率部分与高能量高频率部分;
将低频率部分与高频率部分分别使用同步压缩连续小波变换(SS-CWT)进行同步压缩,得到相应的即时频率,即同步压缩连续小波变换系数(SS-CWT)系数,所述即时频率为:
i表示复数,δ表示偏导;
对于低频率部分经过同步压缩得到的即时频率和高频率部分经过同步压缩得到的即时频率,采用不同的方法进行降噪,具体如下:
对于低频率部分,引入软间隔筛选特征,过滤噪声,所述软间隔为:
λ为所设阈值,表示筛选后的特征,ωs表示连续小波变换系数;
对于高频率部分,计算前信号段的叠加振幅CF,使用硬间隔筛选高频率部分的特征,过滤主要噪声,所述硬间隔为:
其中,λn为所设阈值,Mmax=mean(max|Tn|),和Tr分别为计算CF后得到的两个峰值对应的窄频段的SS-CWT系数;
将降噪后的高频率部分的SS-CWT系数和低频率部分的SS-CWT系数组合呈降噪后的时间-频率域,再逆变为时序信号;
降噪后的时序信号再次通过连续小波变换转换,得到连续小波变换(CWT)系数,使用CT阈值再次进行后降噪处理,所述CT阈值为:
其中λ为所设阈值,0<γ<λ,0≤α≤1;γ为截断值,当连续小波变换系数小于截断值则设为0,为筛选后的特征,sgn(Ws)表示若连续小波变换系数为正,则输出为1,否则输出-1,Ws表示连续小波变换系数;
所述信号降噪模型输出上述后降噪得到的连续小波变换(CWT)系数。
进一步地,步骤S3具体包括:
通过信号降噪模块输出的连续小波变换(CWT)系数的多尺度包络叠加计算参数DF,所述DF为:
式中,n是尺度的数量,E(α,τ)为连续小波变换(CWT)系数的包络函数,计算公式为这里是连续小波变换系数的希尔伯特转变结果;
使用上述得到的DF计算运行能量比例ER1,所述运行能量比例ER1为:
其中,L是在时间转移窗口大小为τ前后的能量收集窗口的长度值;
使用上述得到的ER1计算表征锂离子电池内部不同频率化学反应的特征参数ER2,所述ER2为:
ER2(τ)=ER1(τ)|DF(α)|
所述特征提取模型输出上述所得特征参数ER2。
进一步地,步骤S4计算该锂离子电池的安全阈值,具体包括:
短路阈值计算单元,将未发生故障的锂离子电池充电循环电压数据和发生短路故障的锂离子电池充电循环电压数据输入信号降噪模型和特征提取模型,得到二者对应的特征参数曲线,使用动态时间归整(DTW)比较上述两条特征参数曲线的相似程度,得到短路故障的安全阈值;
断路阈值计算单元,将未发生故障的锂离子电池放电循环电压数据和发生断路故障的锂离子电池放电循环电压数据输入信号降噪模型和特征提取模型,得到二者对应的特征参数曲线,使用动态时间归整(DTW)比较上述两条特征参数曲线的相似程度,得到断路故障的安全阈值;
过热阈值计算单元,将未发生故障的锂离子电池充放电循环探针温度数据和发生过热故障的锂离子电池充放电循环探针温度数据输入信号降噪模型和特征提取模型,得到二者对应的特征参数曲线,使用动态时间归整(DTW)比较上述两条特征参数曲线的相似程度,得到过热故障的安全阈值;
过冷阈值计算单元,将未发生故障的锂离子电池充放电循环探针温度数据和发生过冷故障的锂离子电池充放电循环探针温度数据输入信号降噪模型和特征提取模型,得到二者对应的特征参数曲线,使用动态时间归整(DTW)比较上述两条特征参数曲线的相似程度,得到过冷故障的安全阈值。
进一步地,步骤S5所述的锂离子电池故障诊断模型,具体包括:
短路故障判定单元,当锂离子电池充电循环电压数据在输入信号降噪模型和特征提取模型后得到的特征参数曲线与充电电压特征基准线的相似程度达到短路阈值时,确定发生短路故障;这里所述充电电压特征基准线,是指该电池第一次充电电压数据在输入信号降噪模型和特征提取模型后得到的特征参数曲线;
断路电故障判定单元,当锂离子电池放电循环电压数据在输入信号降噪模型和特征提取模型后得到的特征参数曲线与放电电压特征基准线的相似程度达到过放电阈值时,确定发生断路故障;这里所述放电电压特征基准线,是指该电池第一次放电电压数据在输入信号降噪模型和特征提取模型后得到的特征参数曲线;
过热故障判定单元,当锂离子电池充放电循环探针温度数据在输入信号降噪模型和特征提取模型后得到的特征参数曲线与充放电温度特征基准线的相似程度达到过热阈值时,确定发生过热故障;这里所述充放电温度特征基准线,是指该电池第一次充放电温度数据在输入信号降噪模型和特征提取模型后得到的特征参数曲线;
过冷故障判定单元,当锂离子电池充放电循环探针温度数据在输入信号降噪模型和特征提取模型后得到的特征参数曲线与充放电温度特征基准线的相似程度达到过冷阈值时,确定发生过冷故障;这里所述充放电温度特征基准线,是指该电池第一次充放电温度数据在输入信号降噪模型和特征提取模型后得到的特征参数曲线。
进一步地,步骤S6具体包括:
获取待测电池使用过程中充放电循环电压、探针温度数据,将数据输入信号降噪模型与特征提取模型,得到充电电压特征参数曲线、充电探针温度特征参数曲线、放电电压特征参数曲线、放电探针温度特征参数曲线;
比较充电电压特征参数曲线与充电电压特征基准线,得到充电电压曲线相似程度;
比较充电探针温度特征参数曲线与充电温度特征基准线,得到充电温度曲线相似程度;
比较放电电压特征参数曲线与放电电压特征基准线,得到放电电压曲线相似程度;
比较放电探针温度有特征参数曲线与放电温度特征基准线,得到放电温度曲线相似程度。
进一步地,将相似程度输入锂离子电池故障诊断模型,若达到阈值,发出相应故障类型报警信号,具体包括:
当充电电压曲线相似程度达到短路故障的安全阈值,确定发生短路故障,发出短路报警信号;
当充电电压曲线相似程度达到断路故障的安全阈值,确定发生断路故障,发出断路报警信号;
当充电温度曲线相似程度达到过冷故障的安全阈值,确定发生过冷故障,发出过冷报警信号;
当充电温度曲线相似程度达到过热故障的安全阈值,确定发生过热故障,发出过热报警信号;
当放电电压曲线相似程度达到短路故障的安全阈值,确定发生短路故障,发出短路报警信号;
当放电电压曲线相似程度达到断路故障的安全阈值,确定发生断路故障,发出断路报警信号;
当放电温度曲线相似程度达到过冷故障的安全阈值,确定发生过冷故障,发出过冷报警信号;
当放电温度曲线相似程度达到过热故障的安全阈值,确定发生过热故障,发出过热报警信号。
与现有的技术相比,本发明有如下的有益效果:本发明提出的方法基于同步压缩连续小波变换降噪与特征参数提取方法,所提取特征参数能够表征当故障发生时锂离子电池内部不同频率化学反应能量的变化,将外部宏观表现与内部微观变化相联系,能够实现精确高效实时动力电池故障诊断。
附图说明
图1为本发明实施例的锂离子电池故障诊断方法及系统流程图;
图2为本发明实施例的信号降噪模型工作流程图;
图3为本发明实施例的特征参数提取模型工作流程图;
图4为本发明实施例的锂离子电池故障诊断方法中预测过程的流程图;
图5为本发明实施例的故障锂离子电池第一次充电循环电压曲线与发生短路故障时的充电循环电压曲线图;
图6为本发明实施例的故障锂离子电池第一次充电循环电压特征参数曲线与发生短路故障时的充电循环电压特征参数曲线图。
具体实施方法
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
本发明的目的是提供一种锂离子电在线故障诊断方法及系统,实现锂离子电池的在线实时故障检测。
为使本发明的上述目的、特征更加明显易懂,下面结合附图和
具体实施方式
对本发明作进一步详细的说明。
如图1所示的一种锂离子电池故障诊断方法,包括以下步骤:
步骤1、获取锂电池未发生故障及发生各类型故障时的电池数据,具体包括:
提取锂离子电池历史数据中的电池电压、探针温度和对应的故障类型。
步骤2、使用信号降噪模型对步骤S1得到的数据进行降噪处理;图2为实施例降噪模型的流程图,具体包括以下步骤:
步骤201、使用连续小波变换(CWT)将所得锂离子电池数据从时间序列转换为时间-频率域,即连续小波变换(CWT)系数,所得时间-频率域为:
其中α表示连续小波分析尺度,τ表示连续小波分析时间转移窗口大小,*表示复共轭,t表示时间,<s,ψα,τ>表示s(t)与的内积,ψ(t)表示连续小波变换中的分析函数,即母波;
步骤202、将所得时间-频率域划分为高能量低频率部分与高能量高频率两个部分;
其中,Ws(α,τ)为所得时间-频率域,na为尺度的数量,CF(τ)为使用所有连续小波分析尺度α计算CWT系数的叠加振幅,由CF系数得到CWT系数沿尺度轴的分布,因为低频特征的存在使得所得分布存在两个不同的峰值,通过设定最优阈值划分两个不同的峰值,由此得到高能量低频率部分与高能量高频率部分。
步骤203、将上述得到的高频率部分与低频率部分分别使用同步压缩连续小波变换(SS-CWT)进行同步压缩,得到即时频率,即同步压缩连续小波变换系数(SS-CWT)系数,所述即时频率为:
i表示复数,δ表示偏导;
步骤204、对于低频率部分经过同步压缩得到的即时频率和高频率部分经过同步压缩得到的即时频率,采用不同的方法进行降噪,具体如下:
对于低频率部分,引入软间隔筛选特征,过滤噪声,所述软间隔为:
λ为所设阈值,表示筛选后的特征,ωs表示连续小波变换系数;
对于高频率部分,计算前信号段的叠加振幅CF,使用硬间隔筛选高频率部分的特征,过滤主要噪声,所述硬间隔为:
其中,λn为所设阈值,Mmax=mean(max|Tn|),Tn,Tr分别为计算CF后得到的两个峰值对应的窄频段的SS-CWT系数;
步骤205、将降噪后的高频率部分的SS-CWT系数和低频率部分的SS-CWT系数组合呈降噪后的时间-频率域,随后使用上述步骤的逆序反向转换为降噪后的时序信号;
步骤206、降噪后的时序信号再次通过连续小波变换转换,得到连续小波变换(CWT)系数,使用CT阈值再次进行后降噪处理,所述CT阈值为:
其中λ为所设阈值,0<γ<λ,0≤α≤1,γ为截断值,当连续小波变换系数小于截断值则设为0,为筛选后的特征,sgn(Ws)表示若连续小波变换系数为正,则输出为1,否则输出-1。Ws表示连续小波变换系数。
步骤207、输出上述后降噪得到的连续小波变换(CWT)系数。
步骤3、通过特征提取模型计算得到表征锂离子电池内部不同频率化学反应的特征参数,图3为本实施例特征提取模型工作流程图,具体包括:
步骤301、通过步骤S2的信号降噪模型输出的连续小波变换(CWT)系数的多尺度包络叠加计算参数DF,所述DF为:
式中,na是尺度的数量,E(α,τ)为连续小波变换(CWT)系数的包络函数,计算公式为这里是连续小波变换系数的希尔伯特转变结果,n为尺度的数量。
步骤302、使用上述得到的DF计算运行能量比例ER1,所述运行能量比例ER1为:
其中,L是在时间转移窗口大小为τ前后的能量收集窗口的长度值;
步骤303、使用上述得到的ER1计算表征锂离子电池内部不同频率化学反应的特征参数ER2,所述ER2为:
ER2(τ)=ER1(τ)|DF(α)|
步骤304、输出上述所得特征参数ER2。
步骤4、通过比较未发生故障锂离子电池与发生各类型故障锂离子电池特征参数曲线的相似程度计算该锂离子电池的安全阈值,具体包括:
路阈值计算单元,将未发生故障的锂离子电池充电循环电压数据和发生短路故障的锂离子电池充电循环电压数据输入信号降噪模型和特征提取模型,得到二者对应的特征参数曲线,使用动态时间归整(DTW)比较上述两条特征参数曲线的相似程度,得到短路故障的安全阈值;
断路阈值计算单元,将未发生故障的锂离子电池放电循环电压数据和发生断路故障的锂离子电池放电循环电压数据输入信号降噪模型和特征提取模型,得到二者对应的特征参数曲线,使用动态时间归整(DTW)比较上述两条特征参数曲线的相似程度,得到断路故障的安全阈值;
过热阈值计算单元,将未发生故障的锂离子电池充放电循环探针温度数据和发生过热故障的锂离子电池充放电循环探针温度数据输入信号降噪模型和特征提取模型,得到二者对应的特征参数曲线,使用动态时间归整(DTW)比较上述两条特征参数曲线的相似程度,得到过热故障的安全阈值;
过冷阈值计算单元,将未发生故障的锂离子电池充放电循环探针温度数据和发生过冷故障的锂离子电池充放电循环探针温度数据输入信号降噪模型和特征提取模型,得到二者对应的特征参数曲线,使用动态时间归整(DTW)比较上述两条特征参数曲线的相似程度,得到过冷故障的安全阈值;
步骤5、根据所述安全阈值确定报警时对应的故障类型,建立锂离子电池故障诊断模型,具体包括:
短路故障判定单元,当锂离子电池充电循环电压数据在输入信号降噪模型和特征提取模型后得到的特征参数曲线与充电电压特征基准线的相似程度达到短路阈值时,确定发生短路故障;这里所述充电电压特征基准线,是指该电池第一次充电电压数据在输入信号降噪模型和特征提取模型后得到的特征参数曲线;
断路电故障判定单元,当锂离子电池放电循环电压数据在输入信号降噪模型和特征提取模型后得到的特征参数曲线与放电电压特征基准线的相似程度达到过放电阈值时,确定发生断路故障;这里所述放电电压特征基准线,是指该电池第一次放电电压数据在输入信号降噪模型和特征提取模型后得到的特征参数曲线;
过热故障判定单元,当锂离子电池充放电循环探针温度数据在输入信号降噪模型和特征提取模型后得到的特征参数曲线与充放电温度特征基准线的相似程度达到过热阈值时,确定发生过热故障;这里所述充放电温度特征基准线,是指该电池第一次充放电温度数据在输入信号降噪模型和特征提取模型后得到的特征参数曲线;
过冷故障判定单元,当锂离子电池充放电循环探针温度数据在输入信号降噪模型和特征提取模型后得到的特征参数曲线与充放电温度特征基准线的相似程度达到过冷阈值时,确定发生过冷故障;这里所述充放电温度特征基准线,是指该电池第一次充放电温度数据在输入信号降噪模型和特征提取模型后得到的特征参数曲线。
步骤6、获取待诊断锂离子电池使用过程中充放电循环电池数据,对数据降噪并计算得到特征参数曲线,将特征参数曲线与基准参数曲线进行相似度对比,得到相似程度,具体包括:
获取待测电池使用过程中充放电循环电压、探针温度数据,将数据输入信号降噪模型与特征提取模型,得到充电电压特征参数曲线、充电探针温度特征参数曲线、放电电压特征参数曲线、放电探针温度特征参数曲线;
使用动态时间归整(DTW)比较充电电压特征参数曲线与充电电压特征基准线,得到充电电压曲线相似程度;
使用动态时间归整(DTW)比较充电探针温度特征参数曲线与充电温度特征基准线,得到充电温度曲线相似程度;
使用动态时间归整(DTW)比较放电电压特征参数曲线与放电电压特征基准线,得到放电电压曲线相似程度;
使用动态时间归整(DTW)比较放电探针温度有特征参数曲线与放电温度特征基准线,得到放电温度曲线相似程度.
步骤7、将相似程度输入上述锂离子电池故障诊断模型,若达到阈值,发出相应故障类型报警信号,具体包括:
当充电电压曲线相似程度达到短路故障的安全阈值,确定发生短路故障,发出短路报警信号;
当充电电压曲线相似程度达到断路故障的安全阈值,确定发生断路故障,发出断路报警信号;
当充电温度曲线相似程度达到过冷故障的安全阈值,确定发生过冷故障,发出过冷报警信号;
当充电温度曲线相似程度达到过热故障的安全阈值,确定发生过热故障,发出过热报警信号;
当放电电压曲线相似程度达到短路故障的安全阈值,确定发生短路故障,发出短路报警信号;
当放电电压曲线相似程度达到断路故障的安全阈值,确定发生断路故障,发出断路报警信号;
当放电温度曲线相似程度达到过冷故障的安全阈值,确定发生过冷故障,发出过冷报警信号;
当放电温度曲线相似程度达到过热故障的安全阈值,确定发生过热故障,发出过热报警信号
图4为本发明实施例的锂离子电池故障诊断方法中预测过程的流程图,具体包括:
将所得相似程度输入锂离子电池故障诊断模型,首先判断相似程度是否达到阈值,若未达到阈值,不发出报警信号;若达到阈值,发出报警信号,判断是否达到过热故障阈值,若达到,发出过热报警信号,若否,进入下一步;判断是否达到过冷故障阈值,若达到,发出过冷报警信号,若否,进入下一步;判断是否达到短路阈值,若达到发出短路报警信号,若否,进入下一步;判断是否达到断路阈值,若达到,发出断路报警信号。
实施例,通过实验实例进行分析:
已通过大量数据计算出各类型故障对应相似程度阈值,建立锂离子电池故障诊断模型。对一个额定容量为2000mAh的锂离子电池进行2C恒流充电,以0.1s/次的采样频率采集该电池每次充电循环电压数据,直至发生短路故障,图5为本发明实施例的故障锂离子电池第一次充电循环电压曲线与发生短路故障时的充电循环电压曲线;
将该电池第一次充电循环电压数据与发生短路故障时的充电循环电压数据输入降噪模型,得到两条降噪后的连续小波变换(CWT)曲线,将这两条连续小波变换曲线输入特征提取模型,得到该电池第一次充电循环特征参数曲线与发生短路故障时的充电循环曲线,图6即本发明实施例的故障锂离子电池第一次充电循环电压特征参数曲线与发生短路故障时的充电循环电压特征参数曲线;
比较上述两条特征参数曲线相似程度,输入锂离子电池故障诊断模型,相似程度达到短路故障阈值,模型发出短路故障报警信号。
本发明的实施例的上述描述是为了示例和说明的目的而给出的。它们不将本发明限制于上面这些精细描述的内容,在上述教导的指引下,还可以有很多改动和变化。这些实例被选中和描述仅是为了更好解释本发明的原理以及它们的实际应用,从而使得本领域技术人员能够更好的在各种实施例中使用适合于预期的特定使用的各种改动来应用本发明。因此,应当理解的是,本发明意欲覆盖在下面权力要求范围内的所有改动和等同。