一种基于深度学习的动力电池系统多故障诊断方法
阅读说明：本技术 一种基于深度学习的动力电池系统多故障诊断方法 (Deep learning-based multi-fault diagnosis method for power battery system ) 是由 于全庆 万长江 金毅 王大方 张齐 杨博文 李宪营 孙旭 陈仕钦 李建明 龙胜文 于 2021-08-23 设计创作，主要内容包括：本发明提供一种基于深度学习的动力电池系统多故障诊断方法,包括故障检测和故障隔离两部分,故障检测针对电池故障早期预警问题,使用编码解码架构的深度学习模型,编码过去一段时间窗口内所测端电压、电流和温度序列,利用之后的电流和温度实测值解码出同步的端电压,与实测对比生成残差序列,经软阈值处理后由多级报警评估策略决定是否触发报警,该报警策略能消除误差波动,防止误报警。之后训练故障隔离深度学习模型,输入软阈值处理后的残差序列,隔离模型输出各故障是触发报警诱因的概率,进而隔离出各故障,从而简化了隔离各传感器故障类型的难度。(The invention provides a power battery system multi-fault diagnosis method based on deep learning, which comprises two parts of fault detection and fault isolation, wherein the fault detection aims at the problem of early warning of battery faults, a deep learning model of a coding and decoding framework is used for coding a voltage sequence, a current sequence and a temperature sequence of a measured end in a past time window, a synchronous end voltage is decoded by using a current measured value and a temperature measured value, a residual error sequence is generated by comparison with actual measurement, and whether to trigger alarm or not is determined by a multi-stage alarm evaluation strategy after soft threshold processing. And then training a fault isolation deep learning model, inputting a residual sequence after soft threshold processing, and outputting the probability that each fault is a trigger alarm cause by the isolation model so as to isolate each fault, thereby simplifying the difficulty of isolating the fault type of each sensor.)
技术领域
本发明涉及车载动力电池系统故障诊断领域，尤其涉及一种基于深度学习的动力电池系统多故障诊断方法。
背景技术
锂电池系统有着体积小、功率高、容量大、自动放电功率低、循环寿命长等优点，近些年已被广泛用于电动汽车、电子消费品、大规模或分布式储能等场景中。一旦动力电池出现问题，势必会导致整个系统存在短路等安全问题，造成较高的安全隐患。因此，为保证动力电池系统的安全可靠的运行，对动力电池进行有效的故障诊断是非常有必要的。电池的故障诊断可分为故障检测、故障隔离和故障程度估计这三部分，目前鲜有针对电池系统传感器故障开展基于深度学习的故障诊断研究，电池系统传感器故障诊断存在下述问题：
(1)早期故障检测及预警困难
电池系统故障的早期，其内部已有微弱的表征，随着时间推移，其表现与危害越来越显著，早期故障检测对电池安全技术保障有重要意义，但由于微弱的测量偏差，通过从机理出发的数学模型进行故障诊断，较为困难。
(2)故障类型隔离困难
电池系统故障有多种形式，单就传感器而言，就有偏置、漂移、失效和冻结等故障形式，由于故障的随机性以及彼此之间的相互耦合，这些故障难以隔离出来，阻碍进一步的容错控制算法研究。
(3)误报警难以解决
故障检测将测量信号与基于过去知识经验的参考值作对比，依据阈值发出警告，该阈值与误警率、漏警率以及报警时效性有直接联系，有必要针对性研究防误警策略或自适应调节阈值。
发明内容
本发明的目的是提供一种基于深度学习的动力电池系统多故障诊断方法，该方法可以对电池系统早期故障进行检测，对传感器微弱的故障进行表征，防止误报警并能大大简化隔离各传感器故障类型的难度。
本发明的技术方案是：
一种基于深度学习的动力电池系统多故障诊断方法，包括以下步骤：
步骤一：筹备动力电池充放电特性实验数据库，开展动态工况测试实验，使用传感器采集电池组内端电压、电流和温度数据；
步骤二：建立并训练测试用于电压传感器故障检测的编码解码架构的深度学习模型，简称编码解码模型；建立并训练测试用于电压传感器故障隔离的故障隔离深度学习模型，简称隔离模型；
步骤三：利用步骤二中的编码解码模型进行电池电压传感器故障检测，在实际应用中实时跟随传感器的数据采集进度，滑动观测窗口，应用编码解码模型解码出一段端电压序列，将解码出的端电压序列与传感器实测的端电压对比生成端电压残差序列，经软阈值处理后由多级报警评估策略决定是否触发报警；
步骤四：利用步骤二中的隔离模型进行电池电压传感器故障隔离，在电压传感器故障被监测到后，将最新监测出报警的端电压残差序列经软阈值处理后用作隔离模型的输入，隔离模型输出给定各故障类型的概率，概率最大者即为判定结果。
进一步地，所述步骤一中的开展动态工况测试实验具体为：针对锂离子电池配置端电压传感器、电流传感器和温度传感器，在多种具有代表性的环境温度下开展模拟实际电动汽车行驶工况中的电流激励的测试，以给定采样步长采集电压传感器、电流传感器和温度传感器的测量数据，构建包括正常数据集和故障数据集的电池充放电特性实验数据库。
进一步地，所述步骤二中的编码解码模型包括编码器和解码器，具有三个输入通道，一个输出通道；所述编码器包括一维卷积神经网络(1D CNN)、循环神经网络一和全连接层，编码器连接输入通道一，对应于二维的时间序列数据XE，长度为LE，表示该时序数据在时间维度上的采样点数目，特征数为FE，表示该时序数据每个采样点收集的传感器数据个数，每个特征对应不同传感器，根据策略或条件选择送入编码器的传感器，至少包含一个电压传感器、一个电流传感器和一个温度传感器，且所有电压传感器应为被监测对象；一维卷积神经网络(1D CNN)接收XE，对数据进行特征提取，组合搭配卷积层和池化层，输出二维的时间序列数据XE,R，长度为LE,R，特征数为FE,R；
循环神经网络一接收时间序列数据XE,R，以处理数据的时序性，其循环次数为LE,R，循环单元为门控循环单元GRU，取最后一层最后一次循环的输出作为循环神经网络一的输出结果，其为一维向量XC；
全连接层接收一维向量XC，输出一维背景向量YC，同时，该输出也是编码器的输出。
所述解码器包括循环神经网络二，连接输入通道二和输入通道三，输入通道二对应于二维的时间序列数据XD，长度为LD，特征数为FD，在时间维度与特征维度上紧跟输入通道一，每个特征对应不同传感器，根据策略或条件选择送入解码器的传感器，应包括有电流传感器和温度传感器；输入通道三对应于一个常量V0，为二维的时间序列数据XE在时间维度上最后一个采样步电压传感器的取值；
循环神经网络二接收XD、YC和V0，该循环神经网络其循环次数为LD，循环单元为GRU，结点数为ND,R，其中，XD进入网络的输入层，YC为该网络第一层的初始状态，V0为网络最后一层的初始状态。网络最后一层所有循环单元的结点数为1，该层输出连接编码解码模型的输出通道，其为二维的时间序列数据YD，长度为LD，特征数为1。
进一步地，所述步骤二中的隔离模型为一个输入数据正向传播路径为输入层——卷积神经网络——GRU RNN——全连接层——Softmax输出层的深度学习模型，其输入层为残差序列，特征数为1，输出层输出各故障可能性。
进一步地，所述步骤三中滑动观测窗口，应用编码解码模型解码出一段端电压序列具体如下：将一给定长度为L的观测窗口，每应用一次编码解码模型便沿时间线向前推进LE个采样点，不断更新出端电压序列，该端电压序列每一采样步上的取值对应于其时间线上被诊断对象在无故障情况下的参考值。
进一步地，所述步骤三中残差序列经软阈值处理后由多级报警评估策略决定是否触发报警具体如下：采用软阈值处理残差序列，将残差序列送入循环，从k开始等于1，每次循环中k加1，直到报警或k等于L；在单次循环中，将检查第k步的残差是否等于零，一旦残差非零，则将被添加到残差累积和中，一旦残差累积和超出阈值，则触发警报；如若每次循环中，残差不断等于0值，残差累积和将被迫渐渐趋于0，趋于0的方式为：限定循环次数内残差如若都为零，则残差累积和的绝对值减少一定值，直至减为0后维持0值不变。
本发明的有益效果在于：(1)本发明的编码解码模型相当于一种数据驱动电池模型，故障检测过程中，该模型以历史采集信号为作为背景进行编码，相当于根据训练出来的经验判断电池当前所属的状况，解码过程中，以实时的电流和温度信号作为激励，输出端电压信号，其与实测对比生成残差，模型足够精确的情况下，传感器微弱的故障可以表征出来，本发明可根据历史信息以及实时采集的信息对电池系统早期故障进行检测；(2)编码解码模型对电池电压传感器故障检测时，经软阈值处理后由报警评估策略决定是否触发报警，该报警策略能消除误差波动，防止误报警；(3)依靠分析端电压残差分布，大大简化了隔离各传感器故障类型的难度。
附图说明
图1为本发明基于深度学习的动力电池系统多故障诊断方法的流程图。
图2为用于故障检测的编码解码深度学习模型示意图。
图3为用于故障隔离的深度学习模型的示意图。
图4为软阈值函数的示意图。
图5为多级报警评估策略的流程图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种基于深度学习的动力电池系统多故障诊断方法，如图1所示，包括以下步骤：
步骤一：筹备动力电池充放电特性实验数据库，开展动态工况测试实验，使用传感器采集电池组内端电压、电流和温度数据。开展动态工况测试实验具体为：针对锂离子电池配置端电压传感器、电流传感器和温度传感器，锂离子电池可以是磷酸铁锂、三元锂电池等，选定锂离子电池单体或成组产品来配置传感器，在多种具有代表性的环境温度下开展模拟实际电动汽车行驶工况中的电流激励的测试，工况可根据需求、标准等进行选择甚至组合。在实验过程中，以给定采样步长采集电压传感器、电流传感器和温度传感器的测量数据，构建包括正常数据集和故障数据集的电池充放电特性实验数据库。
步骤二：建立并训练测试用于电压传感器故障检测的编码解码架构的深度学习模型，简称编码解码模型；建立并训练测试用于电压传感器故障隔离的故障隔离深度学习模型，简称隔离模型。
编码解码模型包括编码器和解码器，具有三个输入通道，一个输出通道；其一种简要形式的模型结构如图2所示，编码器包括一维卷积神经网络(1D CNN)、循环神经网络一(RNN1)和全连接层(Dense)，编码器连接输入通道一，该输入通道对应于二维的时间序列数据XE，长度为LE，表示该时序数据在时间维度上的采样点数目，特征数为FE，表示该时序数据每个采样点收集的传感器数据个数，每个特征对应不同传感器，根据策略或条件选择送入编码器的传感器，至少包含一个电压传感器、一个电流传感器和一个温度传感器，且所有电压传感器应为被监测对象。对于一种单体产品而言，FE可为3，分别对应电压、电流和温度的传感器测量数据。
一维卷积神经网络(1D CNN)接收XE，对数据进行特征提取，组合搭配卷积层和池化层，输出二维的时间序列数据XE,R，长度为LE,R，特征数为FE,R。根据模型的优化目标，选择网络层数、卷积核个数、卷积核长度、池化层尺度、激活函数等超参数。
循环神经网络一(RNN1)接收时间序列数据XE,R，以处理数据的时序性，其循环次数为LE,R，循环单元为门控循环单元GRU，取最后一层最后一次循环的输出作为RNN1的输出结果，其为一维向量XC。根据模型的优化目标，选择RNN1的层数、各层结点数、激活函数等超参数。
全连接层(Dense)接收一维向量XC，输出一维背景向量YC，同时，该输出也是编码器的输出。根据模型的优化目标，选择全连接层的层数、各层结点数、激活函数等超参数。
所述解码器包括循环神经网络二(RNN2)，连接输入通道二和输入通道三，输入通道二对应于二维的时间序列数据XD，长度为LD，特征数为FD，在时间维度与特征维度上紧跟输入通道一，每个特征对应不同传感器，根据策略或条件选择送入解码器的传感器，应包括有电流传感器和温度传感器；输入通道三对应于一个常量V0，为二维的时间序列数据XE在时间维度上最后一个采样步电压传感器的取值。循环神经网络二(RNN2)接收XD、YC和V0，该循环神经网络的循环次数为LD，循环单元为GRU，其中，XD进入网络的输入层，YC为该网络第一层的初始状态，V0为网络最后一层的初始状态。网络最后一层循环单元的结点数为1，该层输出连接模型的输出通道，其为二维的时间序列数据YD，长度为LD，特征数为1。
隔离模型为一个正向传播路径为输入层——卷积神经网络——GRU RNN——全连接层——Softmax输出层的深度学习模型，其一简要形式的模型结构如附图3所示，其输入层为残差序列，特征数为1，输出层输出各故障可能性。
步骤三：利用步骤二中的编码解码模型进行电池电压传感器故障检测，在实际应用中实时跟随传感器的数据采集进度，滑动观测窗口，应用编码解码模型解码出一段端电压序列，将解码出的端电压序列与传感器实测的端电压对比生成端电压残差序列，经软阈值处理后由多级报警评估策略决定是否触发报警。
滑动观测窗口，应用编码解码模型解码出一段端电压序列具体如下：将一给定长度为L的观测窗口，每应用一次编码解码模型便沿时间线向前推进LE个采样点，不断更新端电压序列，该端电压序列每一采样步上的取值对应于其时间线上被诊断对象在无故障情况下的参考值。
残差序列经软阈值处理后由多级报警评估策略决定是否触发报警具体如下：采用软阈值处理残差序列，软阈值函数如图4所示，将残差序列送入循环，从k开始等于1，每次循环中k加1，直到报警或k等于L；在单次循环中，将检查第k步的残差是否等于零，一旦残差非零，则将被添加到残差累积和中，一旦残差累积和超出阈值，则触发警报；如若每次循环中，残差不断等于0值，残差累积和将被迫渐渐趋于0，趋于0的方式为：限定循环次数内残差如若都为零，则残差累积和的绝对值减少一定值，直至减为0后维持0值不变。多级报警评估策略流程如图5所示。
步骤四：利用步骤二中的隔离模型进行电池电压传感器故障隔离，在电压传感器故障被监测到后，将最新监测出报警的端电压残差序列经软阈值处理后用作隔离模型的输入，隔离模型输出给定各故障类型的概率，故障类型包括偏置、漂移、失效和冻结等，概率(故障可能性)最大者即为判定结果。
应理解，本发明实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。