详情

原文传递基于数据驱动的动力电池多故障诊断策略研究

论文题名：	基于数据驱动的动力电池多故障诊断策略研究
关键词：	电动汽车;动力电池;故障诊断;卷积神经网络;长短期记忆网络;非冗余交错测量电路;改进模糊熵
摘要：	由于化石燃料的过度消耗及其造成的严重环境污染，新能源技术日益受到重视。各国积极推动电动汽车的发展并实施相关政策，尤其是中国。同时锂离子电池因其能量密度高、充电速度快、放电电流大等优点，已成为电动汽车的主要动力源之一,并且得到爆发式的增长。然而，动力电池的安全性问题逐渐暴露出来。近年来，电动汽车在充电、静止和行驶状态下均发生过自燃和爆炸等安全事故。这些安全事故的主要原因是电动汽车发生热失控，而热失控是由于没有及时检测出故障导致的。所以，故障诊断技术是动力电池的关键技术，也是电动汽车安全行驶的保障。能否及时诊断出故障隐患，成为电池研究者和车企关注的核心因素。因此，本文对动力电池故障诊断展开研究，主要研究工作如下：　　(1) 分析了电池故障的常见类型及其诱因和演变过程，并总结出故障诊断领域目前存在两个需要完善的方面。第一方面是需要完善电池故障预测。由于大部分电池故障诊断是对已发生的故障进行诊断，而只有提前预测出故障才能更大程度上提高安全性。第二方面是需要完善多级别多故障诊断。由于电池系统中每个级别均可能发生多种类型的故障，然而目前大部分研究对象是电池单体级别( Battery Cell Level, BCL),较少研究电池模组级别( Battery Module Level, BML),而研究电池包级别(Battery Pack Level, BPL) 更是少之又少。　　(2) 为了解决电池故障诊断领域需要完善的故障预测问题，本文提出一种基于卷积神经网络-长短期记忆( Convolutional Neural Network-Long Short-Term Memory,CNN-LSTM) 网络结合相关系数的故障预测方法。方法验证需要数据支撑，该方法以锂电池(INP2714891A)为研究对象。在实验室中设计了所需的测试平台和故障方案。在故障数据的基础上，首先，将历史电压数据输入到CNN-LSTM电压预测模型中，进行预测模型的训练，并得到预测效果最优的模型。其中，通过利用CNN的特征提取优势，来提高LSTM在处理时间序列预测中的准确性。然后，利用保存的模型对所有电池单体进行电压预测，将每个单体的预测值与其部分历史数据结合成对应的新序列。最后，使用相关系数对相邻电池的电压新序列进行相关性计算，对计算结果进行分析来诊断故障。　　(3) 为了解决电池故障诊断领域需要完善的多级别多故障问题，本文提出一种基于新型非冗余交错测量电路(Non-Redundant Interleaved Measurement Circuit,NRIMC)结合改进模糊熵(Improved Fuzzy Entropy,IFuzzyEn)的电池系统多故障诊断方法。该方法以锂电池(NCR18650PF)的实验数据为基础，同时为了规避部分实验的风险和降低实验成本，利用MATLAB/Simulink对电池单体进行等效电路模型(Equivalent Circuit Model,ECM)仿真，并搭建BPL的电池系统模型，其次进行故障仿真实验。在获取电压时，根据该方法中NRIMC的规则对电池系统进行电压传感器的连接。然后，利用IFuzzyEn计算电压序列的异常情况。最后，根据多故障诊断方法能够快速准确地实现电池系统的故障定位和故障类型区分。该方法包括故障定位、故障类型区分和故障程度判断。在故障分析时，先进行BPL的故障诊断，只有当电池包内发生故障时，才需要进行BML的故障诊断。同理，只有当电池模组内发生故障时，才需要进行BCL的故障诊断。根据同一时刻异常电压序列的数量来区分故障类型，根据异常值的大小来判断故障程度。　　综上所述，本研究的核心在于提出了两种故障诊断方法，并进行了多方面的实验以验证其准确性和可靠性。本研究对电池故障诊断技术的探索具有深刻的意义。若本研究所提方法能够应用于实际电池管理系统中，将会极大地提高电动汽车的安全性能。
作者：	任松
专业：	新一代电子信息技术
导师：	孙静
授予学位：	硕士
授予学位单位：	山东工商学院
学位年度：	2023