基于二重故障區間定位和隨機森林算法的鋰電池組突發性故障診斷

摘 要：鋰電池的突發性故障往往會在短時間內造成極大的危害，制約其進一步的發展。因此，本文對突發性故障進行研究，提出了一個完整的鋰電池組突發性故障診斷框架。首先，利用經驗模態分解（EMD）對電壓數據序列進行分解，將子序列構建新的數據序列并導入二重故障區間定位模型中，利用二分法思想的相關系數和基于時間窗的相關系數診斷突發性故障的故障區間。然后，利用核主成分分析法提取故障特征。最后，使用隨機森林算法對故障進行訓練和分類，并且與其余方法進行比較。此外，建立故障注入平臺，以物理方式觸發串聯4節電池組上的外部短路和接觸故障。試驗結果表明，該方法對突發性故障的診斷準確可靠。

關鍵詞：鋰電池； 突發性故障診斷； 二重故障區間定位； 數據提取； 隨機森林算法

中圖分類號：TM912 文獻標識碼：A DOI：10.19452/j.issn1007-5453.2024.07.003

基金項目： 國家自然科學基金（61773074）；遼寧省教育廳重點攻關項目（LJKZZ20220118）

隨著鋰電池制造技術的發展進步，鋰電池憑借大容量、大放電倍率、小體積、易組合等優點被廣泛使用，在航空航天、電動汽車和移動終端等領域都得到大規模應用。在航天領域中，鋰電池在飛行器應急電源、儲能裝置、能源中間轉換裝置等方面應用廣泛。鋰電池在使用過程中通常采用串聯和并聯相結合的方式組合成鋰電池組來滿足工作的要求電壓和續航時間，而鋰電池組的復雜結構會增加故障發生的概率。此外，與鋰電池普遍使用的程度相比，鋰電池的故障診斷研究還處于相對落后的階段[1-3]。

目前鋰電池的故障分為突發性故障和持續性故障兩大類。鋰電池的突發性故障包括外部短路故障和連接松動故障。開路故障是連接松動故障最嚴重的表現形式，同時也是危害性較大的故障之一，突發性故障是指由于某種情況導致鋰電池瞬間發生的故障，并且在短時間內就導致鋰電池無法工作，引發嚴重的后果。持續性故障包括過度充電故障、過度放電故障、內部短路故障等。持續性故障是指鋰電池發生該類故障后，可以在一定時間內持續工作，暫時不會造成鋰電池失控。從結果來看，突發性故障發生時間短，危害性大，因此本文對突發性故障進行研究。

近幾年鋰電池組的安全問題受到廣泛的關注，業內提出了多種檢測突發性故障的方法。這些方法大致可以分為基于模型的診斷方法和基于數據驅動的方法兩類。

基于模型的故障診斷方法通常是建立鋰電池的等效電路模型或者電化學模型來模擬鋰電池的工作過程，分析模型的狀態和參數來檢測鋰電池的故障。陳澤宇等[4]使用一階電阻-電容電路模型來模擬外部短路故障過程中鋰電池的狀態，結合動態鄰域粒子群算法識別模型參數，并且提出一種雙重模型的外部短路診斷算法，第一層通過參數閥值粗略判斷是否存在異常情況，第二層對可疑數據進行精確判斷。于全慶等[5]建立多種鋰電池的拓撲結構模型并且加入初始荷電狀態作為參數變量來診斷外部短路故障。熊瑞等[6-7]建立兩步等效電路模型，并提出了一種基于在線模型的電池組外部短路故障診斷方案。

基于數據驅動的診斷方法主要利用的是電池管理系統的實時數據對電池故障進行判斷分類。夏冰等[8-9]提出基于遞歸移動時間窗的電壓相關系數法用來判斷識別電池外部短路故障，為了解決電池不一致性的問題，提出一種新c7dd94feb6817d6679179cfb34d9cba2181dcd68d1345363de337d9c36344cd8的測量電池電壓的拓撲結構，并且通過設定的閥值與不同電池之間的相關系數比較來判別電池故障。康永哲等[10-11]針對電池組中電池之間的不一致性提出了交叉測量拓撲結構，利用改進的相關系數方法和設定的閥值進行比較，實現對外部短路故障的診斷。楊毅拼等[12]在利用交叉測量拓撲結構和相關系數法確定故障區間后，使用小波分解和主成分分析法來進行數據特征提取，最后利用相關性向量機來實現電池外部短路故障的分類。

基于前人的研究，本文結合二重故障區間定位方法和隨機森林算法提出一種新的突發性故障診斷方法，本文建立了一個故障注入平臺來模擬突發性故障，收集真實的故障數據集；使用二重故障區間定位模型，提高對突發性故障的故障定位效率；建立了一套完整的鋰電池組突發性故障診斷框架，提高了診斷成功率。

1 突發性故障分析

在實際使用過程中，引發鋰電池產生故障的原因有多種，而不同的故障原因引發的故障類型也不同。鋰電池的外部短路故障和接觸故障屬于突發性故障。這種故障的發生一般是因為外部環境或使用條件突然改變，導致鋰電池內部的反應不可逆轉而發生的。例如，短路故障可能是因為電池外部受到損壞或火災等因素導致，而接觸故障可能是因為連接器等部件松脫、氧化等原因導致。

本文重點探討鋰電池的突發性故障的原因與表現狀況。表1是對鋰電池突發性障礙的情況進行的說明。

2 數據預處理

2.1 經驗模態分解方法

鋰電池的電壓數據是一個復雜的波動信號，并且由于信號漂移或者儀器漂移等因素導致的電壓數據中出現趨勢項，趨勢項會隱藏在電池的老化狀態和電池之間的不一致性中。這會大大影響對電壓數據的分析。經驗模態分解方法被黃鍔等[13]提出來解決信號數據的趨勢項問題，作為一種時頻域信號處理方式，經驗模態分解方法（EMD）實質上是對非平穩信號進行平穩化處理的一種手段。其將信號中不同尺度的波動和趨勢進行逐級分解，產生一系列具有不同特征尺度的數據序列，該數據序列被稱為固有模態函數（IMF）。IMF必須同時滿足兩個條件：（1）整個數據中極值點和過零點的數目必須相等或至多相差一個；（2）在研究對象的時域中，由三次樣條插值法擬合最大值和最小值點確定的上、下包絡線的平均值是0。

2.3 基于二分法和相關系數的故障區間定位

在長期的運行測試試驗中，大量的電池組測試數據被累積，但電池組中的突發性故障會在極短的時間內發生，并且導致故障電池的健康情況迅速惡化。所以從大量測試數據中定位到故障區間是檢測突發性故障的關鍵。二分法是一種常見的搜索算法，其在大量數據中查找數據的效率極高。每次比較時都將查找區域減半，因此可以快速地定位目標。將二分法思想與相關系數法相結合，對鋰電池的測試數據進行檢測，實現對故障區間的快速定位。

2.4 基于時間窗和相關系數的故障區間定位

時間窗常被用在數據分割當中，小的時間窗使得相關系數對異常數據非常敏感，微小電壓變化會導致相關系數大幅波動，容易出現故障誤診。較大的時間窗使得相關系數難以區分故障信息和電壓數據值，導致故障檢測困難。對于使用二分法無法區分故障區間的接觸故障數據和正常數據，采用時間窗的方法來劃分數據，依次計算每個時間窗的相關系數，用來診斷接觸故障的故障區間。

3 特征提取與分類

3.1 核主成分分析法

核主成分分析法（KPCA）是主成分分析法（PCA）在非線性系統中的擴展應用。KPCA與PCA的原理類似，都是將數據降維處理后，根據貢獻度來選擇主元素。但不同的是PCA是一種線性變換，在線性系統中使用。而KPCA適用于非線性系統，通過非線性映射函數將低維空間的處理數據映射到高維空間當中，并且在高維空間實現數據降維。在本文設計中KPCA選擇的核函數為徑向基核函數，并且利用KPCA提取故障區間包含的IMF分量的數據特征。

3.2 隨機森林算法

決策樹是普遍使用的一種樹狀分類器，其是隨機森林算法的基分類器。決策樹通過在樹的每個節點測試樣本的屬性來對樣本進行分類。每個節點測試一個特定的屬性，樹的葉子代表輸出標簽。向下移動樹的特定分支測試每個節點的特定屬性，以便到達輸出標簽。基于基尼系數分裂的CART準則被用來構建決策樹，在樹的節點計算屬性劃分形成的兩個子集的基尼系數，并且選擇其中較小的屬性將節點分成兩個子節點，通過不斷計算屬性的基尼系數值，最終得到完整的決策樹。

考慮到單決策樹本身性能的限制，由許多獨立決策樹組成的隨機森林算法被Breiman提出，其是基于自助聚合（Bagging）并行式集成學習框架的基礎上改進而來。在隨機森林中，將原始數據中隨機均勻采樣得到的數據集作為基分類器輸入，所以經過訓練的基分類器之間是相互獨立的關系。隨機森林主要由三部分組成：樣本采集部分、隨機屬性子空間選擇部分和投票部分。樣本采集部分是在構造決策樹作為基分類器時，必須有放回的隨機抽取同等數量的多個數據點作為采樣數據。隨機屬性子空間選擇部分是指決策樹的構建過程。在采樣數據集的基礎上使用基尼系數分裂的CART準則構建決策樹。從采樣數據集的m個原始屬性中隨機抽取n個屬性（n

4 試驗驗證和分析

4.1 試驗對象

本文使用4塊鋰電池串聯搭建試驗平臺，通過故障注入平臺為鋰電池注入不同類型的突SWfnuuTuUXqi1trCDHCpBQ==發性故障，并且采集鋰電池的電壓數據。

本文使用鋰電池型號為656090-5000mAh，其具體參數見表2。

4.2 故障注入平臺

故障注入平臺由數據采集板、電池測試系統、故障注入裝置和數據處理器4種部件組成。4節鋰電池組成一個串聯電池組。級間傳感器的拓撲結構如圖1所示，用于測量4個串聯電池的電壓。試驗平臺如圖2所示，電池測試系統在室溫下對試驗電池組單元動態執行應力測試（DST）工步。第一臺電池檢測系統型號為C1-4001-60V100A-NA，其執行DST工步，對電池組進行充電和放電，第二臺電池檢測系統型號為C1-8004-5V200A-NIFA，其收集電池組的電壓數據，其采樣頻率為10Hz，電壓范圍為0～5V。故障注入裝置由STM32F103RCT6微處理器、繼電器等組成。

由于發生外部短路故障時，電池的電壓和電流都發生劇烈變化，極易引發熱失控等嚴重后果，因此外部短路故障的持續時間是以毫秒為單位。選擇10mΩ的金屬電阻作為短路電阻并聯在試驗電池兩端，故障時間分別為100ms、300ms和500ms。根據故障時間的不同，分為三組試驗，每組試驗次數為10次。

接觸故障的故障表現與外部短路故障不同，接觸故障會導致增大的電池組性能下降或失效。因此，選擇1Ω、2Ω和5Ω的金屬電阻與試驗電池串聯。根據串聯金屬電阻阻值的不同，分為三組試驗，每組試驗次數為10次。

4.3 建立故障診斷模型

根據試驗設計，使用4塊鋰電池組成的串聯電池組模擬突發性故障，并且記錄試驗數據。本試驗的電壓數據分為外部短路故障數據、接觸故障數據和正常數據三種。首先，利用EMD對得到的試驗數據進行分解，使用得到的IMF分量和殘差重新構建對應的試驗數據，由于外部短路故障的數據跟正常數據和連接松動故障數據有明顯區別，所以利用二分法結合相關系數來構成第一重故障區間定位模型，用于迅速判別外部短路故障區間。而正常數據和連接松動故障數據類似，因此利用時間窗和相關系數來構建第二重故障區間定位模型，用于判別連接松動故障區間。之后，使用KPCA對IMF分量數據提取數據特征，將特征數據輸入隨機森林算法，最終得到分類結果。該模型工作過程如圖3所示。

4.3.1 數據處理和分析

將試驗測量得到的電壓數據使用EMD進行分解，因為EMD是根據信號的特征時間尺度來識別信號中所內含的所有振動模態進而分解得到IMF分量，所以每組電壓數據分解得到IMF分量的數量不一定相同。因此采取4組IMF分量中最少的一組IMF分量個數作為數量標準。之后將分解得到的IMF分量和殘差依次相加得到新的數據序列。由基于二分法思想的相關系數和基于時間窗的相關系數法組成的二重故障區間定位對新的數據序列進行識別判斷。

如圖4和圖5所示，外部短路故障數據有明顯的異常波動，而接觸故障數據和正常數據沒有明顯的異常波動。基于二分法思想的相關系數法能迅速識別有明顯波動的外部短路故障數據，同時利用二分法逐次劃分的數據區間，逐漸接近故障區間，直到最后一次比較得到相關系數小的數據區間即為故障區間，實現了故障定位。

如圖6～圖8所示，接觸故障數據和正常數據由基于時間窗的相關系數法區分識別，當相關系數值下降，則說明該時間窗存在故障導致電壓數據波動。時間窗長度的選擇會直接影響相關系數法的靈敏度，當時間窗長度較小時，對電壓變化比較敏感，電壓數據采集中的噪聲會對診斷結果造成較大影響；當時間窗長度較大時，對電壓變化比較遲鈍，容易忽視故障導致的電壓變化。此外，在試驗電池組的初始狀態基本一致的前提下，時間窗的選擇會放大電池之間的不一致性，導致相關系數出現波動，但與接觸故障的相關系數相比，其波動屬于小范圍的正常波動。接觸故障的相關系數隨著電池檢測系統的試驗工步變化，波動更加明顯。

4.3.2 特征提取

通過二重故障區間定位的方法可以將數據進行簡單分類，并且確定故障數據的區間。然后KPCA將EMD分解得到IMF分量按照貢獻度提取故障特征。如圖9所示，通過預先設定的參數，選取貢獻度最大的前4組特征值作為數據特征輸入隨機森林算法中，實現故障分類。

4.3.3 故障分類

任選兩個故障的試驗數據進行分類，并且將經過KPCA處理之后的數據特征輸入隨機森林算法。

如圖10所示，本次測試集有45個數據，只有第44個數據和第45個數據的標簽值被錯誤分類，其余數據均能實現正確分類，分類的準確率較高。由此可以證明，該方法能夠有效檢測出異常數據，判定出對應的鋰電池故障，實現故障檢測。

如圖11所示，本次測試集有101個數據，第40～50個數據的標簽值被錯誤分類。由于接觸故障本身的特點，該分類的準確率可以被接受。由此可以證明，該方法能夠有效檢測出異常數據，判定出對應的鋰電池故障，實現故障檢測。

4.4 模型對比分析

本文設計的模型分類的結果見表3，在本次試驗中，將多次分類結果準確率的平均值作為最終的準確率，隨機森林分類得到的外部短路故障的準確率為95.56%，接觸故障的準確率為90.01%，而基于小波變換的支持向量機和基于離散小波變換的樸素貝葉斯兩種方法的外部短路故障分類準確率分別是84.63%和87.52%，接觸故障的準確率分別是78.31%和86.14%，說明選擇二重故障區間定位和隨機森林算法具有合理性。

5 結束語

鋰電池的突發性故障具有時間短、危害性大的特點，針對該類故障，本文提出了二重診斷故障區間的定位模型，通過EMD對原數據序列進行分解，基于二分法思想的相關系數和基于時間窗的相關系數分別作為診斷故障區間的依據，利用KPCA對提取高貢獻度的故障特征，最后使用隨機森林對故障類型進行分類。試驗分析驗證了該方法對突發性故障具有很好的識別效果。下一步將重點研究持續性故障的原因和故障特點，提出對應的診斷方法。

參考文獻

[1]王海斌， 王茂華， 鄭永軍.航空用動力鋰電池組工作特征的研究[J].太原學院學報（自然科學版）， 2021， 39（1）： 35-39. Wang Haibin， Wang Maohua， Zheng Yongjun. Study on operating characteristics of power lithium battery pack for aviation [J]. Journal of Taiyuan University （Natural Science Edition）， 2021， 39（1）： 35-39. （in Chinese）

[2]何振亞， 唐興中.電動直升機關鍵性能指標及影響因素研究[J].航空科學技術， 2023， 34（3）： 16-24. He Zhenya， Tang Xingzhong.Research on key performance in‐dex and influencing factors of electric helicopter [J]. Aeronauti‐cal Science & Technology， 2023， 34 （3）：16-24. （in Chinese）

[3]艾鳳明，梁興壯，董潤，等.軍用飛機供配電系統故障預測與健康管理關鍵技術[J].航空科學技術，2023，34（2）：86-95. Ai Fengming， Liang Xingzhuang， Dong Run， et al. Key technologies of fault prediction and health management for military aircraft power supply and distribution system [J]. Aeronautical Science & Technology， 2023， 34 （2）：86-95. （in Chinese）

[4]陳澤宇， 熊瑞， 孫逢春.電動汽車電池安全事故分析與研究現狀[J].機械工程學報， 2019， 55（24）： 93-104+116. Chen Zeyu， Xiong Rui， Sun Fengchun. Analysis and research status of electric vehicle battery safety accidents [J]. Journal of Mechanical Engineering， 2019， 55（24）： 93-104+116. （in Chinese）

[5]于全慶， 王燦， 李建明，等.多拓撲結構鋰電池組外短路特性分析及模型評價[J].機械工程學報， 2023， 59（6）：159-172. Yu Quanqing， Wang Can， Li Jianming， et al. Analysis of external short-circuit characteristics and model evaluation of multi-topology lithium battery pack [J]. Chinese Journal of Mechanical Engineering， 2023， 59（6）： 159-172. （in Chinese）

[6]Chen Zeyu， Xiong Rui， Tian Jinpeng，et al. Model-based fault diagnosis approach on external short circuit of lithium-ion battery used in electric vehicles[J]. Applied Energy，2016，184：365-374.

[7]Xiong Rui， Yang Ruixin， Chen Zeyu， et al. Online fault diagnosis of external short circuit for lithium-ion battery pack[J]. IEEE Transactions on Industrial Electronics，2020，67（2）：1081-1091.

[8]Xia Bing， Nguyen T， Yang Jufeng， et al. The improved interleaved voltage measurement method for series connected battery packs [J]. Journal of Power Sources， 2016， 334： 12-22.

[9]Xia Bing， Shang Yunlong， Nguyen T， et al. A correlation based fault detection method for short circuits in battery packs [J]. Journal of Power Sources， 2017， 337： 1-10.

[10]Kang Yongzhe， Duan Bin， Zhou Zhongkai， et al. Online multifault detection and diagnosis for battery packs in electric vehicles[J]. Applied Energy， 2020， 259： 114170.

[11]Kang Yongzhe， Duan Bin， Zhou Zhongkai， et al. A multi-fault diagnostic method based on an interleaved voltage measurement topology for series connected battery packs [J]. Journal of Power Sources， 2019， 417： 132-144.

[12]Yang Yipin， Lun Shuxian， Xie Jiale. Multi-fault diagnosis for battery pack based on adaptive correlation sequence and sparse classification model [J]. Journal of Energy Storage， 2022， 46： 103889.

[13]Huang Er， Zheng Shen， Steven R L， et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and nonstationary time series analysis[J]. Proceedings of the Royal Society of London. Series A： Mathematical， Physical and Engineering Sciences， 1998， 454： 903-995.

Sudden Fault Diagnosis of Lithium Battery Pack Based on Double Fault Interval Location and Random Forest Algorithm

Shen Xiaowei， Lun Shuxian， Ren Dong

Bohai University， Jinzhou 121013， China

Abstract： Sudden faults of lithium batteries often cause great harm in a short period of time， restricting theiL6/5N9ieidoJ+PMLcnYA1Q==r further development. Therefore， this paper investigates sudden faults and proposes a complete framework for diagnosing sudden faults in lithium battery packs. First， the voltage data sequence is decomposed using empirical modal decomposition， and the subsequence is constructed into a new data sequence and imported into the binary fault interval localization model， and the correlation coefficient of dichotomous ideas and the correlation coefficient based on the time window are used to diagnose the fault interval of the sudden fault. Then， the fault features are extracted using kernel principal component analysis. Finally， the faults are trained and classified using the random forest algorithm and compared with the remaining methods. In addition， a fault injection platform is established to physically trigger external short circuit faults and contact faults on a series-connected four-cell battery pack. The experimental results show that the method is accurate and reliable for the diagnosis of sudden faults.

Key Words： lithium battery； sudden fault diagnosis； double fault interval location； data extraction； random forest algorithm