CN112014745A

CN112014745A - 一种针对动力电池的三级故障诊断方法

Info

Publication number: CN112014745A
Application number: CN202010878929.XA
Authority: CN
Inventors: 武超; 郭超; 葛玻; 王慧珍; 马会彪; 巩师运
Original assignee: Luoyang Institute of Science and Technology
Current assignee: Luoyang Institute of Science and Technology
Priority date: 2020-08-27
Filing date: 2020-08-27
Publication date: 2020-12-01

Abstract

一种针对动力电池的三级故障诊断方法，包括综合性能评估级、故障特征提取级和故障机理解析级，综合性能评估级根据传感器数据评估当前电池性能衰减是否可能触发内部故障机制，如果电池整体性能衰减指标达到阈值，则认为电池存在故障风险，进入故障特征提取级；故障特征提取级根据传感器数据提取早期征兆和现场故障数据，判断当前动力电池的故障模式或潜在风险；故障机理解析级在确认故障发生后，利用故障特征向量进行基于模糊推理的故障诊断和决策，确定引发故障发生的内部故障机理。采用本发明提出的三级故障诊断方法，对应的电池***使用寿命和安全特性将得到显著提高。

Description

一种针对动力电池的三级故障诊断方法

技术领域

本发明属于新能源车动力锂电池管理领域，特别涉及一种针对动力电池的三级故障诊断方法。

背景技术

动力锂电池为新能源汽车上装配的部件提供动力来源，其安全性直接影响整个***。虽然锂电池，特别是磷酸铁锂电池，被认为是一种安全性较高的储能设备，但诸如低温充电、过充过放工况等一系列实际问题仍会给电池应用带来安全隐患。因此需要建立一个必须具备针对电池安全性能的评估与诊断功能的电池管理***，以便实时监测电池的健康状态，评估电池的潜在故障风险，诊断和处理电池突发故障，确保整体电池应用的安全运行。当前的锂电池故障诊断***往往基于传感器数据，如申请号为CN201811336819.X的发明专利《一种基于高维数据诊断的动力电池故障检测方法及***》，该诊断***通过对电压数据预处理后进行聚类处理，而后识别异常值以达到故障诊断的目的，然而这样的诊断方法缺乏对故障机理的解析，无法有效辨识电池是正常老化还是发生故障，对引发故障的内部根源也缺少机理解析，致使诊断方法无法有效检测电池故障早期征兆，进而实现故障预警。针对这一情况，本发明提出一种基于因果关系的三级故障诊断方法及***，从电池健康状态入手，基于外部故障特征向量和内部故障机理联合实现动力电池的故障诊断。

发明内容

本发明的目的在于针对动力电池提供一种三级故障诊断方法，该诊断方法不仅能够检测外部特征明显的已发故障，还能够提取故障早期的微小征兆，及时发现故障潜在风险，实现故障预警；同时，该方法可以建立电池外部特性与内部机理的有机关联，能够辨析电池已发故障的内部机理并依据故障机理实现故障分类，为后续电池设计优化和梯次利用提供可靠支持。

本发明提出了一种针对动力电池的三级故障诊断方法，整个诊断方法体现动力电池诊断从“故障诱因-故障表现-故障机理”的因果关系，建立了故障内部机制和外部特征之间的有机联系，实现动力电池典型故障模式实时诊断和早期预警，并能够根据故障机理完成有效故障分类，具体的技术方案如下：

一种针对动力电池的三级故障诊断方法，包括综合性能评估级、故障特征提取级和故障机理解析级；

综合性能评估级根据传感器数据评估当前电池性能衰减是否可能触发内部故障机制，具体步骤为：接收用于对动力电池进行实时检测的传感器上传的数据，并根据传感器数据判断电池整体性能衰减指标是否达到预先设定的阈值，如果指标达到阈值，则认为电池存在故障风险，进入故障特征提取级；

故障特征提取级根据传感器数据提取早期征兆和现场故障数据，判断当前动力电池的故障模式或潜在风险，具体步骤为：对传感器数据进行加工处理，获得用于表征故障征兆的二次参数；再根据二次参数检测动力电池中的特定故障征兆和异常事件，确定故障的具体模式，当检测到典型故障模式时，进入故障机理解析级；

故障机理解析级在确认故障发生后，利用故障特征向量进行基于模糊推理的故障诊断和决策，确定引发故障发生的内部故障机理，具体步骤为：对二次参数进一步提取得到故障特征向量；通过预先选定的输入隶属度函数将故障特征向量转化为相关隶属度，再通过规则库将相关隶属度映射到输出，再通过输出隶属度函数进行模糊化后得到特定故障模式发生的概率，前述步骤采用公式(1)描述：

式中zⁱ—第i个规则的***的输出；

x_j—传感器输出数值；

μ_ij(x)—输入隶属度函数；

μ_ij(x_j)—当前传感器输出数值经输入隶属度函数模糊化后的值；

N—模糊推理***总的规则数；

n—输入的维数，本发明中为输入的故障特征向量包含的特征值数量；

u(x)—特定故障发生的概率。

进一步的，所述综合性能评估级的步骤中，传感器数据包括电池电压、电池电流、电池温度。

进一步的，所述综合性能评估级的步骤中，电池整体性能衰减指标包括用于评估老化衰减程度的老化衰减指标、用于评估滥用衰减程度的滥用衰减指标，所述老化衰减指标、滥用衰减指标的初始值均为0，当两个指标中的任何一个上升至预先设定的阈值，则认为电池存在故障风险。

进一步的，所述故障特征提取级的步骤中，二次参数包括电池内阻、容量、温度和温差变化、IC曲线模式。

进一步的，所述故障机理解析级的步骤中，故障特征向量包括通过FUDS工况循环在线估算的等效串联阻抗变化率、小倍率充放电实验得到的增量容量曲线变化模式。

进一步的，所述故障机理解析级的步骤还包括：通过先验实验总结特定故障模式和故障特征向量的具体对应关系，用于形成故障特征库。

本发明可以解决传统的电池故障诊断存在的技术性问题，即仅以电池外部参数进行阈值判断或利用内阻、容量等单一参数作为老化和故障诊断的依据，难以完成对电池内部故障机理的解析；同时由于缺乏对故障机理的理解，故障预测、容错控制和后期电池梯次利用、性能改良等也无从实现。采用本发明提出的动力电池故障诊断方法，对应的电池***使用寿命和安全特性将得到显著提高。

上述说明仅是本发明技术方案的概述，为了能更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例,并配合附图，详细说明如下。

附图说明

图1为本实施例一种针对磷酸铁锂动力电池的三级故障诊断方法的流程图。

图2为本实施例中单一故障模式下电池容量衰减情况及拟合示意图。

图3为本实施例中故障机理解析的模糊推理诊断流程图。

具体实施方式

请参阅图1，为本发明提出的三级故障诊断方法应用于磷酸铁锂动力电池的一个实施例。本实施例的三级故障诊断方法包括综合性能评估级1、故障特征提取级6、故障机理解析级10。

所述综合性能评估级根据传感器数据评估当前磷酸铁锂动力电池性能衰减是否可能触发内部故障机制。

采用多种类型的传感器组成的传感器网络对磷酸铁锂动力电池进行实时检测得到相应数据，传感器数据2包括电池电压、电池电流、电池温度，用于故障特征提取级的征兆检测和故障机理解析级的故障特征提取。

电池整体性能衰减指标包括用于评估老化衰减程度的老化衰减指标、用于评估滥用衰减程度的滥用衰减指标。在所述老化衰减程度评估中，老化衰减指标用以下公式得到：

式中C_rat—磷酸铁锂动力电池初始标称容量；

C_ava—磷酸铁锂动力电池当前状态总容量，

在所述滥用衰减程度评估中，滥用衰减指标用以下公式得到：

式中N—不同滥用工况的种类；

T_n—当前滥用工况下的循环次数；

f_N(T_n)—当前滥用工况下电池性能衰减函数，

考虑到滥用模式的多样化，电池整体的滥用衰减指标等于在不同滥用模式下的衰减指标的叠加。不同滥用模式包括过充、过放、高温、低温等模式，以过放循环为实施例，考察磷酸铁锂动力电池的衰减程度，与过放循环数成函数关系。请参阅图2，本函数可以利用先验实验确定指定容量区间内滥用循环次数与容量衰减的线性关系，对这一关系进行多项式拟合，就可以得到不同工况下电池性能衰减程度，即单一滥用模式下电池性能衰减函数为：

式中A₀、A₁、A₂分别为目标多项式的待定系数。

所述老化衰减指标、滥用衰减指标的初始值均为0，当两个指标中的任何一个上升至预先设定的阈值即认为电池发生一定程度的老化或频繁经历滥用工况，存在潜在的故障风险。进入故障特征提取级的条件可表达为：

DOA_age≥DOA_age,th or DOA_abu≥DOA_abu,th (5)

对于磷酸铁锂动力电池，本实施例将老化衰减指标的阈值设定为DOA_abu,th＝0.05、滥用衰减指标的阈值设定为DOA_age,th＝0.15。

所述故障特征提取级首先对传感器数据进行加工处理，获得用于表征故障征兆的二次参数，并以此二次参数检测磷酸铁锂动力电池***中的特定故障征兆和异常事件，确定故障的具体模式。

二次参数7是在传感器数据的基础上经过处理的参数，包括估算的电池内阻、容量、温度和温差变化、IC曲线模式等。

特定故障征兆检测8是对某些预先总结过的典型故障特征检测，特别的，如微短路故障、电池鼓包故障、电池干涸故障、早期活性物质损失故障、内阻异常等特定故障。异常事件检测9是指对过电流、过电压、高温、低温等异常事件的检测。

所述故障解析级基于历史数据在二次参数中进一步提取故障特征向量，建立故障库并进行基于模糊推理的故障诊断和决策，具体的诊断推理流程如图3所示。

故障特征向量11为在二次参数的基础上进一步提取的特征参数，包括通过FUDS工况循环在线估算的等效串联阻抗变化率(简称内阻容量相对衰减率)以及小倍率充放电实验得到的增量容量曲线变化模式(简称IC曲线)。不同故障模式下的特征参数的具体表现以语言的形式按表1列举出来。

表1各故障模式下特征参数变化情况

本实施例中，根据专家经验设计合适的输入隶属度函数，将故障特征向量转化为相关隶属度，再通过规则库的映射和输出隶属度函数，得到特定故障模式发生的可能性。

特殊的，所述故障特征向量转化为相关隶属度的过程，可以通过以下步骤完成：内阻容量相对衰减率的区间划分，首先根据其定义将其对应到正论域上，结合故障模式下内阻容量相对衰减率的取值范围，将其划分为不均匀的5个区间，对应的语言值记为ZR(零)、PS(正小)、PM(正中)、PB(正大)和PEB(正极大)；而波峰①II的实际变化幅度为[-100％,100％]，依据不同故障模式下的变化趋势和分布划分为7个区间，对应的语言值为NB(负大)、NM(负中)、NS(负小)、ZR(零)、PS(正小)、PM(正中)、PB(正大)；波峰②II的变化幅度为[-50％,0]，划分为4个区间，对应的语言值为NB(负大)、NM(负中)、NS(负小)、ZR(零)，明确定义区间之后根据实验结果的分布情况确定各区间的隶属度函数。

根据先验实验的结果建立故障特征向量与故障模式的联系，进行故障诊断策略。具体的，将输入模糊化分类后直接与诊断决策规则库结合，通过IF_THEN规则做出决策再映射到输出变量。

所述输出变量对应各故障模式可能发生的概率，特别的，本实施例考察几种典型故障模式，包括短期衰竭故障、铜枝晶导致的微短路故障和析锂导致的微短路故障。定义输出变量反模糊化集合为：IM(不可能)、NP(不太可能)、PO(有可能)、PR(很有可能)，输出的过程可以用下式表示：

所述式(6)中m为故障特征向量的维数(即故障特征向量包含的特征值数量)；p_i为第i个故障特征的隶属度，具有归一性；模糊诊断矩阵W中的元素w_ij表征根据第i个故障特征对应第j个故障模式发生的概率。通过先验实验的统计结果及相关经验确定W的初值，并在后续实验中持续更新。

具体的，表2给出了磷酸铁锂动力电池故障特征向量与故障模式之间的部分诊断规则。

表2故障诊断规则库

本发明未详细说明部分属于本领域技术人员公知常识。

以上所述，仅为本发明专利较佳的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明专利构思加以等同替换或改变，都属于本发明专利的保护范围。

Claims

1.一种针对动力电池的三级故障诊断方法，其特征在于包括综合性能评估级、故障特征提取级和故障机理解析级；

故障机理解析级在确认故障发生后，利用故障特征向量进行基于模糊推理的故障诊断和决策，确定引发故障发生的内部故障机理，具体步骤为：对二次参数进一步提取得到故障特征向量；通过预先选定的输入隶属度函数将故障特征向量转化为相关隶属度，再通过规则库将相关隶属度映射到输出，再通过输出隶属度函数进行模糊化后得到特定故障模式发生的概率。

2.根据权利要求1所述的一种针对动力电池的三级故障诊断方法，其特征在于所述综合性能评估级的步骤中，传感器数据包括电池电压、电池电流、电池温度。

3.根据权利要求1所述的一种针对动力电池的三级故障诊断方法，其特征在于所述综合性能评估级的步骤中，电池整体性能衰减指标包括用于评估老化衰减程度的老化衰减指标、用于评估滥用衰减程度的滥用衰减指标，所述老化衰减指标、滥用衰减指标的初始值均为0，当两个指标中的任何一个上升至预先设定的阈值，则认为电池存在故障风险。

4.根据权利要求1所述的一种针对动力电池的三级故障诊断方法，其特征在于所述故障特征提取级的步骤中，二次参数包括电池内阻、容量、温度和温差变化、IC曲线模式。

5.根据权利要求1所述的一种针对动力电池的三级故障诊断方法，其特征在于所述故障机理解析级的步骤中，故障特征向量包括通过FUDS工况循环在线估算的等效串联阻抗变化率、小倍率充放电实验得到的增量容量曲线变化模式。

6.根据权利要求1所述的一种针对动力电池的三级故障诊断方法，其特征在于所述故障机理解析级的步骤还包括：通过先验实验总结特定故障模式和故障特征向量的具体对应关系，用于形成故障特征库。