基于1dCNN-LSTM量化单体异常性的动力电池故障诊断方法

doi:10.19562/j.chinasae.qcgc.2024.07.005

摘要/Abstract

摘要：

准确的动力电池单体性能评估对保障动力电池安全具有重要意义。目前基于数据驱动的电池故障诊断算法，大多对各单体电池进行相互比较，根据各单体电压等特征参数之间的差异，使用分类算法将离群单体认定为故障单体。然而当动力电池包内有多个异常表现相似的电池单体，或所有单体性能整体恶化时，难以区分甚至没有显著离群的个别单体，相互比较策略的应用范围受到限制。本文提出了一种基于1dCNN-LSTM量化单体异常性的动力电池故障诊断方法，结合车辆运动状态、驱动系统状态及动力电池电信号3类特征，建立1dCNN-LSTM融合模型估计理想状态下的单体实时电压参考值，根据各单体电压实测值与参考值之间的差异，量化各单体异常性。结合实际案例表明，对于因单体故障导致热失控的案例，本方法可以提前7日识别故障单体相比其他单体的明显异常，且可以在距离事故发生1年前甚至更早的放电片段中发现潜在风险；针对无明显单体不一致的整体恶化案例，可以实现事故发生前7日内的整体性能恶化过程跟踪。

关键词: 动力电池, 故障诊断, 单体不一致性, 融合模型, 实时电压估计

Abstract:

Accurate performance evaluation of power battery cells is of great significance to ensuring the safety of power batteries. For the existing data-driven battery fault diagnosis algorithms， mostly individual cells are compared with each other and the outlier cells are identified as faulty cells by classification， based on differences in characteristic parameters such as single cell voltage. However， if there are multiple cells of similar abnormally performance in the power battery pack， or all individual batteries show an overall performance deterioration， it is difficult to distinguish individual cells or even there is no significant outliers， and the application of the mutual comparison strategy is limited. A power battery fault diagnosis method is proposed based on 1dCNN-LSTM to quantify the abnormality of a single cell in this paper. Combining the three types of characteristics of vehicle motion status， drive system status and power battery electrical signal， the 1dCNN-LSTM fusion model is established to estimate the individual cell voltage under ideal conditions as reference. The difference between the real-time voltage reference value and the measured voltage value is used to quantify the abnormality of each cell. Combined with actual cases， it is shown that for thermal runaway case due to single cell failure， the abnormal performance of the faulty cell compared to others can be identified 7 days before accident， and potential risk can be recognized in discharge processes from a year of more before the accident. For overall deterioration cases without obvious individual cells inconsistency， the deterioration evolution within the last 7 days can be tracked.

Key words: power battery, fault diagnosis, cell inconsistency, fused model, real-time voltage estimation

陈吉清,冯雨佳,兰凤崇,王平. 基于1dCNN-LSTM量化单体异常性的动力电池故障诊断方法[J]. 汽车工程, 2024, 46(7): 1177-1188.

Jiqing Chen,Yujia Feng,Fengchong Lan,Ping Wang. Fault Diagnosis Method for Power Battery Based on Quantification of Cell Abnormality with 1dCNN-LSTM[J]. Automotive Engineering, 2024, 46(7): 1177-1188.

图/表 14

图1

表1

图2

表2

图3

图4

图5

表3

图6

图7

表4

图8

表5

图9

参考文献 22

1	TIAN J， FAN Y， PAN T， et al. A critical review on inconsistency mechanism， evaluation methods and improvement measures for lithium-ion battery energy storage systems［J］. Renewable and Sustainable Energy Reviews， 2024， 189： 113978.
2	LI J， LI T， FANG D， et al. Internal fault diagnosis method for lithium batteries based on a failure physical model［J］. Engineering Failure Analysis， 2023， 154： 107714.
3	HU Y， LAN F， CHEN J， et al.Effectiveness of heat insulation and heat dissipation for mitigating thermal runaway propagation in lithium-ion battery module［C］.CEEPE， 2022：192-198.
4	LIU H， LI L， DUAN B， et al. Multi-fault detection and diagnosis method for battery packs based on statistical analysis［J］. Energy （Oxford）， 2024， 293： 130465.
5	LI J， YE M， MA X， et al. SOC estimation and fault diagnosis framework of battery based on multi-model fusion modeling［J］. Journal of Energy Storage， 2023， 65： 107296.
6	YU Q， DAI L， XIONG R， et al. Current sensor fault diagnosis method based on an improved equivalent circuit battery model［J］. Applied Energy， 2022， 310： 118588.
7	YAN Y， LUO W， WANG Z， et al. Fault diagnosis of lithium-ion battery sensors based on multi-method fusion［J］. Journal of Energy Storage， 2024， 85： 110969.
8	李致远，鲁锐华，余庆华，等. 动力电池热失控特征及防控技术研究分析［J］.汽车工程，2024，46（1）：139-150.
	LI Z Y， LU R H， YU Q， et al. Research and analysis of thermal runaway characteristics and prevention and control technology of power battery［J］. Automotive Engineering， 2024， 46（1）：139-150.
9	HE H， ZHAO X， LI J， et al. Voltage abnormality-based fault diagnosis for batteries in electric buses with a self-adapting update model［J］. Journal of Energy Storage， 2022， 53： 105074.
10	兰凤崇，陈继开，陈吉清，等.实车数据驱动的锂电池剩余使用寿命预测方法研究［J］.汽车工程，2023，45（2）：175-182.
	LAN F C， CHEN J K， CHEN J Q， et al. Research on lithium battery remaining useful life prediction method driven by real vehicle data［J］. Automotive Engineering， 2023，45（2）：175-182.
11	杨世春，王潇，陈飞，等. 锂离子电池故障预测及健康管理技术研究进展［J/OL］.北京航空航天大学学报：1-14［2024-3-07］.
	YANG S C， WANG X， CHEN F， et al. Advances in prognosis and health management technologies of lithium-ion batteries［J/OL］. Journal of Beijing University of Aeronautics and Astronautics： 1-14［2024-3-07］.
12	MACHLEV R. EV battery fault diagnostics and prognostics using deep learning： review， challenges & opportunities ［J］. Journal of Energy Storage， 2024， 83： 110614.
13	郭文超，杨林，邓忠伟，等.云端数据驱动的锂电池故障分级预警研究［J］.汽车工程，2023，45（9）：1677-1687，1701.
	GUO W C， YANG L， DENG Z W， et al. Research on multi-level fault warning method for lithium-ion batteries driven by cloud data［J］. Automotive Engineering， 2023，45（9）：1677-1687，1701.
14	ZHAO H， CHEN Z， SHU X， et al. Online surface temperature prediction and abnormal diagnosis of lithium-ion batteries based on hybrid neural network and fault threshold optimization［J］. Reliability Engineering & System Safety， 2024， 243： 109798.
15	JIANG J， ZHANG R， WU Y， et al. A fault diagnosis method for electric vehicle power lithium battery based on wavelet packet decomposition［J］. Journal of Energy Storage， 2022， 56： 105909.
16	NIU L， DU J， LI S， et al. An online fault diagnosis method for lithium-ion batteries based on signal decomposition and dimensionless indicators selection［J］. Journal of Energy Storage， 2024， 83： 110590.
17	FANG W， CHEN H， ZHOU F. Fault diagnosis for cell voltage inconsistency of a battery pack in electric vehicles based on real-world driving data［J］. Computers and Electrical Engineering， 2022， 102： 108095.
18	ZHAO J， FENG X， WANG J， et al. Battery fault diagnosis and failure prognosis for electric vehicles using spatio-temporal transformer networks［J］. Applied Energy， 2023， 352： 121949.
19	WANG S， WANG Z， CHENG X， et al. A double-layer fault diagnosis strategy for electric vehicle batteries based on Gaussian mixture model［J］. Energy， 2023， 281： 128318.
20	滕青芳，崔宏伟，朱建国，等.基于无电流传感器的永磁同步电机系统模型预测控制［J］.电机与控制学报，2019，23（5）：119-128.
	TENG Q F，CUI H W，ZHU J G，et al.Current sensorless-based model predictive control for PMSM drive system［J］. Electric Machines and Control， 2019，23（5）：119-128.
21	SCHMITT J， HORSTKÖTTER I， BÄKER B. A novel approach for modelling voltage hysteresis in lithium-ion batteries demonstrated for silicon graphite anodes： comparative evaluation against established Preisach and Plett model［J］. Journal of Power Sources Advances， 2024， 26： 100139.
22	GAO H， HAO F， ZHANG Y， et al. Application of Novel SN-1DCNN-LSTM framework in small sample oil and gas pipeline leakage detection［J］. Franklin Open， 2024， 6： 10007.

序号	车辆运动状态特征	动力驱动系统特征	动力电池参数特征
1	车辆速度	驱动电机温度	总电压
2	累计行驶里程	驱动电机转矩	总电流
3	加速踏板挡位	驱动电机转速	SOC
4	制动踏板挡位	驱动电机控制器温度	单体电芯电压值
5		电机控制器输入电压	温度探针采样值
6		电机控制器输入电流

测试片段	仅考虑电池电信号特征（1dCNN）		结合车辆运行特征（1dCNN）		结合车辆运行特征（1dCNN-LSTM）
测试片段	MAE/mV	R2-Score/%	MAE/mV	R2-Score/%	MAE/mV	R2-Score/%
某完整放电片段	5.43	99.86	4.88	99.89	4.43	99.91
某SOC下降10%的子片段-1	4.72	94.22	4.28	95.50	3.68	96.56
某SOC下降10%的子片段-2	5.62	93.86	4.57	96.19	4.16	96.47

序号	Score-b		Score-ma		Score-mm		Score-mf
序号	模组编号	组内差值	模组编号	组内差值	模组编号	组内差值	模组编号	组内差值
1	2	0.008 1	20	0.802	10	0.306	13	11.280
2	13	0.004 1	17	0.780	6	0.231	2	9.400
3	6	0.002 9	10	0.769	17	0.229	10	4.834
4	10	0.002 8	8	0.766 3	20	0.220	8	3.671
5	17	0.002 6	6	0.749	8	0.210	20	3.491

[1]	梁弘毅,陈继开,刘万里,兰凤崇,莫丙达,陈吉清. 融合K-means聚类和序列分解的实车锂电池剩余使用寿命预测[J]. 汽车工程, 2024, 46(4): 634-642.
[2]	王建平,马建,孟德安,赵轩,边琦,张凯,刘启全. 基于EMD-SDP图像特征和改进DenseNet车用PMSM故障诊断[J]. 汽车工程, 2024, 46(4): 703-716.
[3]	李致远, 鲁锐华, 余庆华, 颜伏伍. 动力电池热失控特征及防控技术研究分析[J]. 汽车工程, 2024, 46(1): 139-150.
[4]	张鹏博, 陈仁祥, 邵毅明, 孙世政, 闫凯波. 纯电动汽车电驱动系统故障诊断研究进展[J]. 汽车工程, 2024, 46(1): 61-74.
[5]	刘启全,马建,赵轩,张凯,孟德安,相里康. 基于值率模型的电动汽车动力电池电压异常检测[J]. 汽车工程, 2023, 45(9): 1728-1739.
[6]	李达,邓钧君,张照生,刘鹏,王震坡. 电动车辆动力电池安全预警策略研究综述[J]. 汽车工程, 2023, 45(8): 1392-1407.
[7]	廉玉波,吴恺,曾董,李松,王溥希. 基于整车平台的动力电池平台化研究[J]. 汽车工程, 2023, 45(5): 807-813.
[8]	梁海强,何洪文,代康伟,庞博,王鹏. 融合经验老化模型和机理模型的电动汽车锂离子电池寿命预测方法研究[J]. 汽车工程, 2023, 45(5): 825-835.
[9]	兰凤崇,陈继开,陈吉清,蒋心平,李子涵,潘威. 实车数据驱动的锂电池剩余使用寿命预测方法研究[J]. 汽车工程, 2023, 45(2): 175-182.
[10]	陈吉清,李子涵,兰凤崇,蒋心平,潘威,陈继开. 基于非线性降维IC特征的实车电池SOH估计[J]. 汽车工程, 2023, 45(2): 199-208.
[11]	兰凤崇,潘威,陈吉清. 基于Aseq2seq-PF的实车锂离子动力电池剩余使用寿命预测[J]. 汽车工程, 2023, 45(12): 2348-2356.
[12]	洪吉超,梁峰伟,杨海旭,李克瑞. 大数据驱动动力电池智能安全管理与控制方法研究[J]. 汽车工程, 2023, 45(10): 1845-1861.
[13]	陈吉清,冼浩岚,兰凤崇. 均布模组式动力电池包热失控典型模式分析[J]. 汽车工程, 2022, 44(8): 1199-1211.
[14]	张奇祥,靳立强,靳博豪,张伊晗,陈鹏飞,刘永腾,李建华. EMB夹紧力控制与传感器故障诊断研究进展[J]. 汽车工程, 2022, 44(5): 736-746.
[15]	曾祥兵,谢堃,张伟,徐俊超,张培根,孙正明. 新型动力电池热管理系统设计及性能研究[J]. 汽车工程, 2022, 44(4): 476-481.