基于模式識別的電動汽車電池故障自動診斷方法

張增麗白新雷馬文建

(國網河北省電力有限公司營銷服務中心,河北 石家莊 050035)

0 引言

為了實現交通領域能源轉換,達到推廣新能源的效果,涌現出以電力資源為驅動的電動汽車[1]。該類型汽車內部的動力系統具有獨特性,將電池作為動力系統的核心組件。由于電動汽車的發展時間較短,行業維修人員培訓力度不足,難以快速并準確地提取出電動汽車電池故障[2]。

構建電池故障自動診斷方法,實現故障診斷準確率的提升,提升電池維修質量,對加強電動汽車行駛安全性具有指導作用。文獻[3]針對多通道信息進行深度學習,利用殘差卷積神經網絡生成故障空間。利用多通道信息的特征向量,構建證據數據庫。在隨機森林算法的作用下,將故障特征信息映射到故障空間內,獲取最終診斷結果。研究可知,該方法自適應性能較差。文獻[4]使用經驗模態分解技術,分解設備故障振動信號,生成眾多內稟模態分量,并建立初始特征向量矩陣。針對矩陣深入分析提取出故障特征。最后,結合支持向量機算法輸出設備具體故障原因。但是,該方法的診斷準確性較差。文獻[5]分析設備故障診斷要求,以此為基礎構建自動診斷方案。基于聚類算法提取設備故障特征,采用D-S證據理論,獲取高精度故障診斷結果。通過驗證可知,該方法具有一定的實際意義,但是運行過程較為復雜。以解決上述方法的不足之處為目的,針對電動汽車電池故障問題,本文提出基于模式識別的自動診斷方法,有效提升電動汽車電池故障診斷效果。

1 基于模式識別的電動汽車電池故障診斷及定位

1.1 建立電動汽車電池結構

電動汽車以電池為基礎建立動力電池管理體系,針對電池運行環境溫度、充放電電流電壓進行實時監測,獲取各個模塊的監測數據[6],在電池故障診斷過程中,上述監測數據是基礎判斷參數[7]。利用數據總線將實時監測數據傳遞至控制器內部,計算出汽車電池的正常使用期限,動力電池組工作原理如圖1所示。

圖1 動力電池組工作原理

以圖1所示的動力電池組工作原理為基礎,可根據汽車電池實時充電狀態、運行狀態進行記錄,獲取故障自動診斷所需的必要數據,提升故障診斷的準確性,最大程度提升車輛故障維修效率。為了保證故障診斷結果的真實性,在電動汽車電池結構中添加多個傳感器,采集電池電流、電壓和溫度等多種數據,并安裝數據總線、散熱部件、高壓環路互鎖組件等多種結構,保證電池運行的安全性[8]。

1.2 提取電池特征向量

故障診斷需要依據以電池特征向量為基礎,文中采用局部均值分解(Local Mean Decomposition,LMD)方法提取電池特征[9]。針對電池結構中傳感器采集的信號數據,采用LMD 方法將其劃分為多個線性組合,且每個線性組合的粒子濾波(Particle Filter,PF)算法分量保持一致。LMD 方法使用的本質問題就是循環迭代的過程,通過多次循環得到準確的信號成分:第一次的循環通過使用滑動平滑的手段求取到2個關鍵數據,分別是均值函數mi(t)和包絡估計函數ai(t),遇到2個緊挨著的端點的函數值不相等的時候,果斷跳出循環進入下一階段;二重循環的目的是求取合適的PFi(t),跳出循環的條件是求出純調頻信號sin(t);最后的循環是將所有得到的PFi(t)相加的過程,當剩余分量有且只有1個極值點時,循環結束。以LMD 方法為基礎,可以得出原始信號分解公式

式中:x為原始信號;ψ為能量矩陣;u為信號平均趨勢;k為信號樣本數量;p為特征向量類型。

在原始信號分解過程中,LMD 方法的分解結果中包含部分虛假PF分量,以此為基礎展開故障診斷,將會促使故障識別的準確率大幅度降低。正常狀態下,分解后的真實PF 分量,與原始信號之間具有較強的關聯性。所以,虛假PF分量剔除過程中,選取與原始信號之間關聯性較差的PF分量,將其去除,實現故障診斷準確率的提升。通過內積計算,有限長度狀態下,獲取2個離散信號之間的相關系數

式中:X,Y為離散信號;c為信號相關系數。通過公式(2)的計算結果,體現出離散信號之間的關聯性,而計算結果越大,二者之間的相關程度越大。當2個離散信號處于完全線性狀態下,相關系數計算結果為1。

實際操作過程中,預先計算所有PF分量與原始信號的關聯系數,選取平均相關系數作為評判閾值。若相關系數大于閾值,則保留該PF 分量,反之,則剔除該PF分量。閾值λ表示為

式中:η為PF 分量總數。針對上述設計的虛假PF分量篩選策略進行驗證,將其應用于信號考察過程中,明確該策略的應用效果。

式中:x1、x2分別為原始信號分解的2個子信號,其中

式中:t為時刻。通過上述計算方式,將原始信號劃分為1個余量,以及4個PF 分量,選取不包含原始信號分量的PF分量,將端點效應引起的虛假分量進行剔除。經過驗證可知,文中提出的PF分量篩選方法具有極好的效果。通過上述處理方式,獲取最后電池特征向量提取結果。

1.3 構建模式識別故障診斷模型

模式識別故障診斷模型的設計,需要以構建識別特征樣本庫為基礎。根據研究可知,樣本庫實際建立過程如圖2所示。

圖2 模式識別樣本庫建立

基于LMD 的故障診斷模型如下。

(1)利用LMD 特征提取方法,初步得到電動汽車電池的特征向量。

(2)設定模糊熵計算參數,提取每一個內稟尺度分量(Intrinsic Scale Component,ISC)模糊熵作為故障特征變量,組成故障特征向量。

(3)以訓練樣本特征向量為輸入,訓練基于變量預測模型的分類器(Variable Predictire Model Based Class Discriminate,VPMCD)的變量預測模型,設計VPMCD 分類器。

(4)用VPMCD 分類器分類識別故障類型,輸出故障診斷結果。

為了降低模式識別故障診斷模型的計算復雜度,采用因子分析的方式,對提取的特征向量進行降維處理,獲取最終的特征向量,并匯總形成模式識別樣本庫。

樣本庫建立過程中降維分析是關鍵環節之一,根據原始特征向量,計算多種特征之間的相互關聯性指數[10]。計算結果越接近1,表示2個電池特征向量之間相似度極高,在后續識別過程中,2個特征向量隨機選擇一個就可以代表另一種,此時保留一個特征向量就可以。相反地,關聯性指數計算結果越接近0,代表兩種特征向量之間差別較大。需要將兩種特征向量完全保留。通過上述操作,對提取的特征向量進行處理,構建模式識別特征樣本庫。

以上述樣本庫為基礎,應用模式識別技術中的貝葉斯方法,設計合理的判別策略。針對電池故障診斷樣本數據,選取其中某一類樣本特征向量,判斷該特征向量屬于某種故障類型的概率,具體故障識別計算公式表示為

式中:i為故障排序;w為故障類型;ε為樣本特征向量;P(wi)為故障樣本在特征樣本庫中占比;P(ε為確定特征向量屬于故障類型w的概率。以電池特征樣本庫為數據基礎,計算多維高斯分布結果

式中:d為特征向量維度;τ為均值向量;∑i為協方差矩陣。根據公式(8)計算得出多維高斯分布結果,將其代入公式(7)內,明確某一類電池運行數據樣本屬于某一種故障類型的相對概率。模式識別故障診斷結果的輸出,按照判斷閾值選擇的方式,當相對概率計算結果超出閾值后,確定該電池故障所屬類型。

1.4 實現診斷故障定位

動力汽車內的電池組,往往包含多個單獨電池?；诠收献R別結果,進行故障點具體定位,便于后續維修人員的處理。

故障定位過程中,在電池組內設置多個電流感應器,獲取實時流經電流的電流值。根據正常運行狀態下的電流值,設置判斷閾值,閾值計算公式為

式中:h為閾值計算因子;v為實際的電流值;F為閾值判斷因子。

根據公式(9)計算結果得到閾值,故障發生后,獲取每個感應器采集的電流數據,并與閾值相比得到判斷結果。當采集電流值比預先設定的閾值大時,表明該部分存在故障電流,可以將該區段劃分為故障區段。相反,則表示該電池工作區域屬于正常運轉狀態。通過上述計算,將故障區段標注完成,發送至工作人員監視器中,完成電動汽車電池故障自動診斷。

2 電動汽車電池故障診斷試驗

2.1 試驗過程

為了驗證文中提出的自動診斷方法實際應用效果,展開試驗測試。根據電動汽車的動力電池組工作原理,在仿真軟件中建立電池模型,利用文中設計方法明確電池故障診斷結果,并與常規診斷方向的診斷結果進行對比,明確文中設計方法的優越性。

電動汽車長時間行駛后,作為動力系統核心的電池,其特性變化較大,僅利用一塊電池構建模型無法體現實際應用效果。所以,模型設計過程中,電路建模需要考慮多塊電池的連接性。結合多塊電池,準確模擬出電動汽車運行中,電池具體消耗情況,汽車動力電池組容量情況如圖3所示。

圖3 汽車動力電池組容量

電動汽車中動力電池往往屬于鋰離子電池,由于制造工藝具有較大差別,導致電池容量、內阻均不相同。在電動汽車電池應用過程中,電池的不一致性引起了電池運行特性的不同。為了保證汽車順利運行,以可靠性為原則選取最佳動力電池。試驗過程中,以確保試驗結果的客觀性為目的,針對內阻和容量一致性較高的電池,構建電池模型。

汽車動力電池模型中雖然包含多塊電池,為了提升電池運行狀態評估結果的準確性,需要針對每一塊電池進行建模。匯總獨立建模分析結果后,生成圖4所示的多個電池容量的建模分析結果。

圖4 串聯動力電池組等效電路模型

以上述構建的電池模型為基礎,展開后續故障診斷方法應用效果測試。

2.2 電池診斷結果

2.2.1 電池初步檢測結果

通過分析可知,電動汽車中引起電池故障的原因較多,包括放電溫度低、內部耗能高以及電池放電時間過長等。在電池診斷過程中,為了確認故障原因,通過以下檢測方案完成初步分析。

首先,電池故障中電容量下降問題的出現,主要由于電池充電量過低,針對該類型故障原因的查找,應當從充電方面入手,確定充電正常情況。其次,電池存放時間與電池應用環境均會對電池容量產生影響,對上述兩方面設計檢測步驟。通過查閱資料,明確汽車電池的具體類型。最后,對汽車內部用電設備和電池使用頻率進行檢測。利用合理的操作方法,根據上述檢測步驟獲取電池初步檢測結果,形成表1所示的汽車電池多方面檢查記錄。

表1 數據記錄

根據上述電池檢測結果,明確汽車電池的運行狀態。電動汽車電池診斷不僅僅針對電池本身,還需要考慮到電池管理模塊,確保電池的正常運行。在電池管理結構中添加電壓傳感器,獲取電池運行過程中,電壓數據值變化情況?？紤]到電池過充和過放狀態下,難以獲取電壓值準確監測結果,在電池管理結構中,除電壓傳感器之外添加2個其他類型傳感器,明確電池實時運行狀態。尤其針對電壓最高的電池,和電壓最低的電池進行在線實時監測。

2.2.2 故障情況分析結果

基于檢測結果結合文中設計的自動診斷方法進行計算,明確電池當前狀態。電池故障診斷過程中,形成圖5所示的故障情況分析結果。

圖5 電池故障診斷

當電池的電流、電壓信號保持一致時,故障情況分析結果如圖5(a)所示。在電池組中,選取電壓最高和最低的兩塊電池進行電壓實際測量,生成圖5(b)。而圖5(c)與圖5(d)表示汽車電池工作過程中Umax和Umin值的變化。采用累積和控制圖(Cumulatire Sum,CUSUM)測試方法,綜合分析不同狀態下Umax和Umin值的響應變化情況。利用文中提出的模式識別故障診斷模型得出最終的電池故障診斷結果。

2.2.3 故障診斷方法FDR 值對比

為了明確文中提出診斷方法的實際應用效果,利用文獻[3]、文獻[4]提出的故障診斷方法,針對上述電池模型進行故障診斷。根據3種方法得出的電池故障診斷結果,采用多重檢驗錯誤控制指標,錯誤發現率(False Discovery Rate,FDR)作為評價指標,對比不同診斷方法的實際應用性能。FDR 計算公式表示為

式中:V為診斷錯誤次數;R為診斷總數量;E為期望比率?；谏鲜龉收显\斷結果,結合公式(10)得出不同故障診斷方法FDR值對比圖,見圖6。

圖6 不同故障診斷方法FDR值對比

根據圖6可知,隨著自動診斷次數的不斷增長,FDR 值隨之提升。與文獻[3]、文獻[4]方法診斷結果相比,文中設計方法的FDR 值大幅度降低,部分情況下診斷結果的FDR 值為0。通過計算不同故障診斷方法的平均FDR 值可知,文中設計方法使得FDR 值降低了0.24、0.35,大大降低了診斷錯誤發生概率。該診斷方法的推行有利于電池組件的正常運行,提升電動汽車行駛安全性。

2.2.4 結果分析

分析圖6可知,當診斷次數為200次時,文獻[3]方法的FDR 值為0.145,文獻[4]方法的FDR 值為0.136,本文方法的FDR 值為0.02;當診斷次數為1 000次時,文獻[3]方法的FDR 值為0.242,文獻[4]方法的FDR 值為0.201,本文方法的FDR 值為0.051;本文方法始終具有較低的FDR值,表明本文方法能夠有效降低診斷錯誤發生概率,提升電動汽車行駛安全性。

3 結論

電動汽車的廣泛應用使得組件故障問題的診斷成為重點研究問題。文中針對電池故障問題,構建基于模式識別的故障自動診斷方法。根據電動汽車電池結構,結合電力運行特征向量和模式識別模型,獲取故障診斷結果。并應用閾值比較的方法,明確電池故障的具體類型。仿真實驗結果表明,該方法的應用極大降低了診斷錯誤發生概率,有利于促進電動汽車電池故障的快速識別處理。但是文中設計的故障診斷方法,并未涉及多個系統故障并存情況,未來研究過程中,需要進一步改進,得到更加準確的故障診斷結果。