一种基于数据驱动的锂离子电池故障诊断方法及系统

本发明涉及动力电池智能安全检测领域，具体为一种基于数据驱动的锂离子电池故障诊断方法及系统。

背景技术：

1、随着世界能源危机的加剧，开发和使用新能源是实现双碳目标的必经之路，在此背景下，新能源汽车产业迅速发展，对于新能源汽车来说，动力电池为其提供动力，同时也关系到汽车的安全，锂电池因其能量密度大，使用寿命长等优点被广泛应用于新能源汽车中，近年来，由锂离子电池故障而造成的汽车事故频繁发生，引起了社会的广泛关注。

2、由于锂离子电池内部机理复杂，电动汽车运行工况多变，因此电池故障概率大大提高，严重危害人民生命财产安全，锂离子电池故障主要包括突发性故障和渐进性故障两类，突发性故障发生时间短且危害巨大，容易引起热失控，造成电池起火或爆炸，突发性故障的主要原因有内短路、外短路、温度过高、压力过大、过充过放等；渐进性故障多表现为电压偏高、偏低、压差大，产生的主要原因是电池老化、容量衰减、内阻增大等，渐进性故障早期表现并不明显，但任由其发展必然会导致更大事故的发生；

3、锂离子电池的故障通常会表现为内部参数的变化，可以采取数据驱动的方法，通过传感器采集电池参数，通过提取相关指标，建立机器学习模型进行故障诊断，但是现有的故障诊断方法依然存在故障特征敏感度不足、实时性较差、误判率较高、不能及时准确地判断故障类型等缺陷，故而提出一种基于数据驱动的锂离子电池故障诊断方法来解决上述问题。

技术实现思路

1、针对现有技术的不足，本发明提供了一种基于数据驱动的锂离子电池故障诊断方法及系统，具备准确高效的检测电池故障并识别故障类型等优点，解决了现有的故障诊断方法存在故障特征敏感度不足、实时性较差、误判率较高的问题。

2、为实现上述准确高效的检测电池故障并识别故障类型目的，本发明提供如下技术方案：一种基于数据驱动的锂离子电池故障诊断方法，包括以下步骤：

3、s1：采集电动汽车实际运行过程中的电压数据；

4、s2：对采集的电压数据进行预处理为原始时间序列x；

5、s3：从原始时间序列x中提取第一多尺度模糊分布熵mfde，将第一多尺度模糊分布熵mfde作为测试样本；

6、s4：构建加权最小二乘支持向量机模型，并对加权最小二乘支持向量机模型进行离线训练，获得故障诊断判别函数和模型最大误差，将测试样本输入到加权最小二乘支持向量机模型，使用故障诊断判别函数获得故障诊断结果，计算得到测试样本误差；

7、s5：判断测试样本误差是否超过模型最大误差，若超过，进入步骤s4，更新加权最小二乘支持向量机模型参数，将测试样本和更新后的参数反馈给加权最小二乘支持向量机模型重新诊断，直到测试样本误差小于模型最大误差，进入步骤s6，输出诊断结果；

8、s6：若诊断结果为正常状态，加权最小二乘支持向量机模型无输出，等待下一时刻的电压数据采集，重复步骤s1-s5，若诊断结果为突发性故障，加权最小二乘支持向量机模型输出为1，若诊断结果为渐进性故障，加权最小二乘支持向量机模型输出为2。

9、优选的，步骤s1具体步骤为：

10、在电动汽车电池组上安装传感器，组成传感器矩阵，数据采样时间为5s。

11、优选的，步骤s2具体步骤为：

12、s2.1：对采集到的电压数据进行数据清洗，去除超出合理范围的电压数据；

13、s2.2：对清洗完成的电压数据进行归一化处理，其中归一化处理具体表达式为：

14、；

15、其中，xi为原始电压数据，xmax为原始电压数据的最大值，xmin为原始电压数据的最小值，xnew（i）为原始数据归一化之后的电压数据，的取值范围1-n；

16、s2.3：将所有xnew（i）组成原始时间序列x。

17、优选的，步骤s3具体步骤为：

18、s3.1：对长度为n的原始时间序列x，通过比例因子τ进行粗粒度处理，粗粒度处理方法采取重叠式，每个粗粒度序列 表达式为：

19、；

20、其中，t为求和因子;

21、s3.2：全部粗粒度序列组成长度为的多尺度时间序列，对多尺度时间序列f进行相空间重构，重构为t-m+1个m维的重构矢量，计算重构矢量平均值y0（l）;

22、；

23、其中，k为求和因子；

24、s3.3：通过重构矢量和y0（l）计算出t-m+1个m维的状态向量q（l）；

25、；

26、其中，m为嵌入维数；

27、s3.4：定义距离矩阵，计算任意两个不同状态向量q（a）和q（b）之间的切比雪夫距离；

28、；

29、其中，λ为距离因子，a与b＝1，2，…，t-m+1；

30、s3.5：定义相似度矩阵，引入一维高斯函数作为距离矩阵的模糊隶属度函数，计算q（a）和q（b）的相似度sab：

31、；

32、其中，z为指数函数阶数，r为相似容差,a与b＝1，2，…，t-m+1；

33、s3.6：去除相似度矩阵s中对角线上的元素将相似度矩阵重构，使用直方图对重构矩阵进行频数分析，获得频数分布为gh，计算经验密度函数ph，计算经验密度函数ph表达式为：

34、；

35、s3.7：计算的模糊分布熵 ，表达式为：

36、；

37、s3.8：的模糊分布熵fde即为原始时间序列x的第一多尺度模糊分布熵mfde;

38、；

39、s3.9：将第一多尺度模糊分布熵mfde作为测试样本。

40、优选的，步骤s4的具体步骤为：

41、s4.1：构建加权最小二乘支持向量机模型，将待测样本使用高斯核函数映射到高维空间，在高维空间中构造分类超平面(ω,μ)，获得优化目标函数和约束函数；

42、其中，ω为超平面法向量，μ为截距；

43、s4.2：给每个待测样本引入拟合误差，根据拟合误差的大小给待测样本不同的权重，重构目标优化目标函数，权重反映了样本在模型构建过程中的贡献，减小了离群样本对模型的影响，提高了模型的鲁棒性；

44、s4.3：使用基于余弦可变自适应权重因子的改进冠豪猪优化算法对加权最小二乘支持向量机模型中的超参数进行寻优，超参数包括优化目标函数的惩罚因子c和高斯核函数参数σ，改进冠豪猪优化算法的自适应权重计算公式为：

45、；

46、其中，α为算法迭代过程中的自适应惯性权重因子，γ为当前迭代次数，max_iter为最大迭代次数；

47、s4.4:对加权最小二乘支持向量机模型进行求解，构造拉格朗日函数，对其参数求偏导并令偏导值为0，可获得简化线性方程组，求解方程组可获得超平面截距μ和拉格朗日参数，得到加权最小二乘支持向量机模型的分类公式;

48、s4.5：收集正常和故障汽车的历史运行电压信息，使用步骤s3中的方法计算出第二多尺度模糊分布熵mfde，储存为特征数据集，使用特征数据集对加权最小二乘支持向量机模型进行训练，选择均方根误差作为加权最小二乘支持向量机模型的误差函数，获得电池正常状态与突发性故障、正常状态与渐进性故障的故障诊断判别函数，并获得模型最大误差；

49、s4.6:将测试样本输入至加权最小二乘支持向量机模型中诊断，得到故障诊断测试样本结果和测试样本误差。

50、优选的，基于数据驱动的锂离子电池故障诊断系统，所述系统包括信号采集模块、数据处理模块，特征提取模块、故障诊断模块、反馈优化模块和诊断结果显示模块；

51、信号采集模块用于采集电动汽车实际运行过程中的电压数据；

52、数据处理模块用于对采集的数据进行预处理为原始时间序列x；

53、特征提取模块用于从原始时间序列x中提取第一多尺度模糊分布熵mfde，将第一尺度模糊分布熵mfde作为测试样本；

54、故障诊断模块用于诊断测试样本是否是故障，并且识别电池故障类型；

55、反馈优化模块用于提高加权最小二乘支持向量机模型精度，减少误判率；

56、显示模块用于显示诊断结果。

57、与现有技术相比，本发明提供了一种基于数据驱动的锂离子电池故障诊断方法，具备以下有益效果：

58、1、该基于数据驱动的锂离子电池故障诊断方法，通过在分布熵中引入模糊隶属度函数，将原始时间序列进行粗粒度处理，提取多尺度模糊分布熵作为故障特征，能够准确反映正常状态、突发性故障和渐进性故障的电压波动特点，适应新能源汽车各种运行工况。

59、2、该基于数据驱动的锂离子电池故障诊断方法，通过在故障诊断步骤采用加权最小二乘支持向量机模型，利用基于余弦可变自适应权重因子的改进冠豪猪优化算法对惩罚因子和核函数参数进行寻优，自适应权重因子能够随迭代次数的变化而动态调整，可以提高算法精度和收敛速度，具有更好的实时性和准确性。

技术特征：

1.一种基于数据驱动的锂离子电池故障诊断方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种基于数据驱动的锂离子电池故障诊断方法，其特征在于，步骤s1具体步骤为：

3.根据权利要求1所述的一种基于数据驱动的锂离子电池故障诊断方法，其特征在于，步骤s2具体步骤为：

4.根据权利要求1所述的一种基于数据驱动的锂离子电池故障诊断方法，其特征在于，步骤s3具体步骤为：

5.根据权利要求1所述的一种基于数据驱动的锂离子电池故障诊断方法，其特征在于,步骤s4的具体步骤为：

6.一种基于权利要求1-5任一项方法的基于数据驱动的锂离子电池故障诊断系统，其特征在于：

技术总结
本发明涉及动力电池智能安全检测领域，公开了一种基于数据驱动的锂离子电池故障诊断方法，本方法采集电动汽车实际运行过程中的电压数据，对采集的电压数据进行预处理为原始时间序列X，从原始时间序列X中提取第一多尺度模糊分布熵MFDE，将第一多尺度模糊分布熵MFDE作为测试样本，构建加权最小二乘支持向量机模型，并对加权最小二乘支持向量机模型进行离线训练，获得故障诊断判别函数和模型最大误差；本发明通过在分布熵中引入模糊隶属度函数，将原始时间序列进行粗粒度处理，提取多尺度模糊分布熵作为故障特征，能够准确反映正常状态、突发性故障和渐进性故障的电压波动特点，适应新能源汽车各种运行工况。

技术研发人员：吕露,朱淋祺,姜久春,王鹿军,田爱娜,常春,廖力
受保护的技术使用者：湖北工业大学
技术研发日：
技术公布日：2024/9/23