張 暉 豐紅霞 陳 楓 李少鵬 馬 楓 范宸銘

（1. 武漢理工大學(xué)智能交通系統(tǒng)研究中心 武漢 430063；2. 武漢理工大學(xué)國(guó)家水運(yùn)安全工程技術(shù)研究中心 武漢 430063）

0 引 言

隨著化石能源枯竭威脅的日益迫近以及大氣污染等環(huán)境問(wèn)題逐漸惡化，發(fā)展以電動(dòng)汽車為代表的新能源汽車成為世界各國(guó)的普遍共識(shí)[1-2]。截至2022年6月底，全國(guó)機(jī)動(dòng)車保有量達(dá)4.06億輛，其中汽車3.10 億輛，新能源汽車1 001 萬(wàn)輛，占汽車總量的3.23%[3]。近年來(lái)，電動(dòng)汽車著火事故的頻發(fā)引發(fā)社會(huì)關(guān)注，分析事故原因發(fā)現(xiàn)，90%的著火事故問(wèn)題在于動(dòng)力電池這一核心部件[4-5]。

目前，國(guó)內(nèi)外積極展開(kāi)了電動(dòng)汽車運(yùn)行安全風(fēng)險(xiǎn)分析及預(yù)警技術(shù)研究，包括能耗和能量管理策略[6-7]、動(dòng)力電池故障診斷[8-9]等。因此，在車輛運(yùn)行過(guò)程中，及時(shí)、準(zhǔn)確地識(shí)別和診斷故障是預(yù)防電池系統(tǒng)故障的關(guān)鍵，為實(shí)現(xiàn)車輛實(shí)時(shí)動(dòng)態(tài)預(yù)警提供理論支撐，對(duì)提升車輛安全性具有重要意義。

電池系統(tǒng)的故障診斷過(guò)程包括4 個(gè)步驟：故障檢測(cè)、故障分離、故障估計(jì)和容錯(cuò)控制[10]。鋰離子電池系統(tǒng)故障診斷的流程圖見(jiàn)圖1。當(dāng)電池系統(tǒng)發(fā)生故障時(shí)，傳感器采集的電池運(yùn)行數(shù)據(jù)將攜帶故障信息。因此，基于收集到的故障數(shù)據(jù)和建立的故障診斷策略，可以判斷電池系統(tǒng)的運(yùn)行狀態(tài)，檢測(cè)和隔離可能的故障類型。目前，故障診斷技術(shù)整合了計(jì)算機(jī)網(wǎng)絡(luò)、數(shù)據(jù)庫(kù)、控制理論、人工智能等技術(shù)，已經(jīng)發(fā)展成1種新的跨學(xué)科技術(shù)[11-12]。

圖1 電池系統(tǒng)故障診斷流程Fig.1 Battery System Fault Diagnosis Process

Liu等[13]針對(duì)串聯(lián)電池組提出了1種基于模型的傳感器故障檢測(cè)與隔離方案，利用自適應(yīng)擴(kuò)展卡爾曼濾波估計(jì)各單元的狀態(tài)，并通過(guò)比較估計(jì)電壓值和實(shí)測(cè)電壓值來(lái)生成殘差信號(hào)，診斷電池系統(tǒng)的故障。Chen 等[14]搭建了一階等效電路模型，基于仿真內(nèi)阻引發(fā)的故障，利用龍伯格觀測(cè)器生成殘差，分別設(shè)計(jì)了一組學(xué)習(xí)觀測(cè)器來(lái)估計(jì)孤立故障，一組降序的龍伯格觀測(cè)器實(shí)現(xiàn)特定故障源的定位。Shang等[15]提出了1 種基于改進(jìn)樣本熵的電池早期故障預(yù)測(cè)及多故障診斷方法。Hong 等[16]使用改進(jìn)的香農(nóng)熵來(lái)實(shí)現(xiàn)電池電壓異常故障診斷的方法。該方法實(shí)現(xiàn)了對(duì)故障的精確預(yù)測(cè)，可以準(zhǔn)確地預(yù)測(cè)電池系統(tǒng)發(fā)生故障的時(shí)間和故障電池單體的精準(zhǔn)定位。同時(shí)，Hong還基于Z分?jǐn)?shù)法提出了電池電壓故障的分級(jí)評(píng)價(jià)管理策略。Yao 等[17]提出了1 種基于電網(wǎng)搜索支持向量機(jī)(support vector machine,SVM)的電池系統(tǒng)智能故障診斷方法，可以識(shí)別潛在的故障狀態(tài)并對(duì)故障的嚴(yán)重程度進(jìn)行分類。Li等[18]結(jié)合長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)(long short-term memory, LSTM)和等效電路模型(equivalent circuit method, ECM)提出了1種電池故障診斷方法，能夠?qū)撛诘墓收巷L(fēng)險(xiǎn)進(jìn)行評(píng)估。

迄今為止，許多研究表明電池系統(tǒng)中的電壓異常可以導(dǎo)致各種電池故障[15,18-19]。典型的電壓異?？蓺w納為過(guò)壓異常、欠壓異常等，由這些異常導(dǎo)致的相關(guān)電池故障見(jiàn)表1。

表1 動(dòng)力電池電壓異常和故障Tab.1 Battery voltage abnormality and faults

綜上，動(dòng)力電池的故障診斷技術(shù)得到了廣泛研究，但鮮有將動(dòng)力電池系統(tǒng)與駕駛行為結(jié)合考慮的情況，缺少在耦合駕駛行為等多維影響因素下電動(dòng)汽車動(dòng)力電池電壓異常故障診斷方面的考量，這可能會(huì)降低故障診斷的準(zhǔn)確性和實(shí)時(shí)性。因此，結(jié)合駕駛行為對(duì)電動(dòng)汽車動(dòng)力電池電壓異常故障診斷影響的深入研究尤為重要。

本文旨在對(duì)電動(dòng)汽車開(kāi)展動(dòng)力電池故障診斷分析，基于采集的電動(dòng)汽車歷史運(yùn)行數(shù)據(jù)，構(gòu)建電壓異常故障診斷模型，制定故障報(bào)警閾值，實(shí)時(shí)診斷電動(dòng)汽車動(dòng)力電池系統(tǒng)電壓異常故障，為電動(dòng)汽車風(fēng)險(xiǎn)預(yù)警提供有力的理論支撐，保障電動(dòng)汽車全生命周期安全運(yùn)行。

1 實(shí)驗(yàn)數(shù)據(jù)采集與處理

1.1 自然駕駛數(shù)據(jù)采集

本研究的數(shù)據(jù)來(lái)源于武漢市20 輛純電動(dòng)出租車運(yùn)行數(shù)據(jù)，數(shù)據(jù)的采集頻率為1～100 Hz，采集的車輛信息包括：電池信息、駕駛行為信息（車速、加速度等），以及其他信息。

由于各數(shù)據(jù)字段的采樣頻率不一致，見(jiàn)表2，導(dǎo)致數(shù)據(jù)采集的時(shí)間存在毫秒級(jí)差異。因此，使用最鄰近插值法（the nearest interpolation，TNI）對(duì)各相同頻率下的參數(shù)進(jìn)行數(shù)據(jù)對(duì)齊。最鄰近插值法的核心思想是選取離目標(biāo)點(diǎn)最近的點(diǎn)作為待插入的新值點(diǎn)，在該算法中，每1個(gè)輸出值都是距離目標(biāo)點(diǎn)最近的原始數(shù)據(jù)樣本值。

表2 數(shù)據(jù)字段和對(duì)應(yīng)采樣頻率Tab.2 Field and sampling frequency

1.2 數(shù)據(jù)預(yù)處理

采集的新能源汽車運(yùn)行數(shù)據(jù)可能會(huì)出現(xiàn)波動(dòng)頻率較大、數(shù)據(jù)值超出合理范圍，以及數(shù)據(jù)缺失等問(wèn)題。

為了合理高效地分析數(shù)據(jù)，本研究利用分段線插值對(duì)缺失數(shù)據(jù)進(jìn)行補(bǔ)全。

式中：Xk為數(shù)據(jù)指標(biāo)的集合；k為數(shù)據(jù)指標(biāo)的個(gè)數(shù)；n為特征指標(biāo)的元素個(gè)數(shù)。

在完成了數(shù)據(jù)補(bǔ)全之后，使用離群點(diǎn)檢測(cè)算法—中位數(shù)絕對(duì)偏差（median absolute deviation，MAD）[20]對(duì)數(shù)據(jù)進(jìn)行清洗。

式中：為特征指標(biāo)Xk的中位數(shù)，b是常數(shù)，本研究中b=1.482 6[20]。為了對(duì)觀測(cè)數(shù)據(jù)中的異常值進(jìn)行探測(cè)，需要計(jì)算每個(gè)觀測(cè)值xnk的判定系數(shù)。

當(dāng)判定系數(shù)D超過(guò)給定的閾值時(shí)則認(rèn)定觀測(cè)值xnk為異常數(shù)據(jù)。根據(jù)大量科學(xué)實(shí)驗(yàn)和工程實(shí)踐表明，選擇判定系數(shù)D=2.5 為閾值對(duì)異常數(shù)據(jù)進(jìn)行剔除[20-21]。

使用上述方法對(duì)原始數(shù)據(jù)進(jìn)行處理，數(shù)據(jù)處理結(jié)果見(jiàn)圖2。

圖2 單體電壓數(shù)據(jù)處理結(jié)果Fig.2 Cell voltage data processing results

1.3 關(guān)聯(lián)性分析

基于引言對(duì)動(dòng)力電池故障診斷的研究可知，動(dòng)力電池發(fā)生故障的主要原因是由于電壓異常所導(dǎo)致的，為確定與電池單體電壓相關(guān)的特征參數(shù)，利用皮爾遜相關(guān)系數(shù)進(jìn)行相關(guān)性分析，見(jiàn)式（4）。本次分析的動(dòng)力電池參數(shù)包括：電池單體電壓、總電流、電池SOC、探針溫度；駕駛行為表征參數(shù)包括：車速、加速度、加速踏板行程、制動(dòng)踏板行程；此外，為了考慮周邊環(huán)境對(duì)電動(dòng)汽車造成的影響，本次分析還提取環(huán)境溫度數(shù)據(jù)進(jìn)行計(jì)算。

式中：ρ為總體相關(guān)系數(shù)。cov(X,Y)為X和Y的協(xié)方差；σX和σY分別為X和Y的標(biāo)準(zhǔn)差。ρX,Y的值越接近1，表示2 組數(shù)據(jù)的相關(guān)性越強(qiáng)。2 個(gè)參數(shù)之間的相關(guān)性可通過(guò)絕對(duì)相關(guān)系數(shù)值進(jìn)行評(píng)估，范圍為0.8～1.0，0.6～0.8，0.4～0.6，0.2～0.4，0～0.2，表示極強(qiáng)、強(qiáng)、中等、弱、極弱的相關(guān)性。計(jì)算結(jié)果見(jiàn)表3。

表3 關(guān)聯(lián)性分析結(jié)果Tab.3 Correlation analysis results

由表3 可見(jiàn)：電池SOC 與電池單體電壓極強(qiáng)相關(guān)，相關(guān)系數(shù)為0.851，加速踏板行程值、總電流、車速與電池單體電壓強(qiáng)相關(guān)，相關(guān)系數(shù)分別為0.712，0.686，0.603。其他參數(shù)與電池單體電壓相關(guān)性較弱。

根據(jù)關(guān)聯(lián)性分析結(jié)果，最終確定了與電池單體電壓相關(guān)的特征指標(biāo)為：加速踏板行程值、車速、電池SOC、總電流。

2 電壓異常故障診斷模型與方法

本文實(shí)驗(yàn)中使用的電動(dòng)汽車的單體電池?cái)?shù)為96個(gè)，電池單體依次串聯(lián)連接。

本文利用LSTM 結(jié)合平均差異模型（mean difference model，MDM）搭建電池平均電壓預(yù)測(cè)模型，表征96個(gè)電池單體的電壓。

2.1 平均差異模型

為了診斷動(dòng)力電池系統(tǒng)中的電壓異常，需要準(zhǔn)確地定位出電動(dòng)汽車動(dòng)力電池系統(tǒng)發(fā)生電壓異常故障時(shí)的電池單體。

本文實(shí)驗(yàn)的電動(dòng)車輛共有96個(gè)電池單體，由于單獨(dú)訓(xùn)練和構(gòu)建96個(gè)模型會(huì)花費(fèi)大量時(shí)間，而且在未來(lái)的實(shí)時(shí)電壓預(yù)測(cè)中一次性調(diào)用如此多的模型將顯著削弱預(yù)測(cè)效率。針對(duì)這一問(wèn)題，使用MDM 對(duì)電池單體電壓的預(yù)測(cè)進(jìn)行優(yōu)化。

MDM 已經(jīng)在之前的工作中進(jìn)行了研究[22-23]，其基本原理是將串聯(lián)的電池組作為“平均單體電池”，并根據(jù)電池單體之間的相似性，計(jì)算“平均單體電池”與電池單體之間的SOC、溫度、電壓等電池狀態(tài)的差異。

基于MDM 理論，計(jì)算電池組電壓的平均值Uavg，形成1 組新的電池平均電壓數(shù)據(jù)，Uavg=電池組電壓/n，其中n為單體電池個(gè)數(shù)，本文n=96。

本文某正常車輛運(yùn)行的210 s電壓數(shù)據(jù)（單體電壓、電池組平均電壓）變化見(jiàn)圖3。由圖3 可見(jiàn)：2 類電壓的數(shù)據(jù)變化規(guī)律仍然保持一致。即可以通過(guò)電池平均電壓去表征電池單體的數(shù)據(jù)變化。

圖3 單體電壓、電池組平均電壓的數(shù)據(jù)變化Fig.3 Data changes of battery pack voltage,cell voltage,and average battery voltage

2.2 平均電壓預(yù)測(cè)模型

在LSTM 模型的訓(xùn)練過(guò)程中需要設(shè)置和優(yōu)化許多參數(shù)，主要包括時(shí)間步長(zhǎng)（time stamp，TS）、學(xué)習(xí)率（learning rate，LR）、批處理大?。╞atch size，BS）、LSTM/全 連 接 神 經(jīng) 元 個(gè) 數(shù)（LSTM_units/dense_units）、LSTM/全 連 接 神 經(jīng) 網(wǎng) 絡(luò) 層 數(shù)（LSTM_layers/ dense_layers）、隨機(jī)失活因子（dropout factor）、訓(xùn)練次數(shù)（epochs）。

本文利用MSE 作為評(píng)價(jià)指標(biāo)，以每2 個(gè)超參數(shù)為1 組，使用逼近優(yōu)化方法（approaching optimization method，AOM）結(jié)合網(wǎng)格搜索（grid search，GS）算法進(jìn)行迭代優(yōu)化[18]，見(jiàn)圖4。

圖4 超參數(shù)優(yōu)化流程圖Fig.4 Hyperparameter optimization flowchart

利用超參數(shù)優(yōu)化步驟，最終確定了訓(xùn)練樣本中的最小MSE=5.42×10-5，對(duì)應(yīng)的超參數(shù)見(jiàn)表4。

表4 超參數(shù)數(shù)值Tab.4 Hyperparameter values

為了進(jìn)一步驗(yàn)證模型對(duì)電池平均電壓預(yù)測(cè)的準(zhǔn)確性，以正常運(yùn)行車輛A、B 運(yùn)行數(shù)據(jù)進(jìn)行驗(yàn)證，數(shù)據(jù)時(shí)長(zhǎng)分別為：20：51：41—23：59：49，06：12：24—09：32：35，將此段時(shí)間的加速踏板值、車速、電池組電壓、電池SOC、總電流作為預(yù)測(cè)模型的輸入，進(jìn)行數(shù)據(jù)訓(xùn)練和電壓預(yù)測(cè)，對(duì)預(yù)測(cè)的電池組電壓取平均，得到平均電壓預(yù)測(cè)值，預(yù)測(cè)結(jié)果見(jiàn)圖5，正常車輛A和B 的真實(shí)值與預(yù)測(cè)值之間的誤差分別為MSE車輛2=5.79×10-5，MSE車輛3=6.01×10-5；MRE車輛2=MRE車輛3=0.15%。

圖5 電池平均電壓預(yù)測(cè)結(jié)果Fig.5 Average battery voltage prediction results

而文獻(xiàn)[18]和文獻(xiàn)[19]使用LSTM+等效電路模型（equivalent circuit model，ECM）、LSTM 模型對(duì)電池組平均電壓的誤差分別為MSE=1.369×10-3，MSEavg=0.3821×10-3（該文獻(xiàn)對(duì)不同季節(jié)的平均電壓分別預(yù)測(cè)，這里取的是該文獻(xiàn)的平均MSE值，各個(gè)季度的MSE值見(jiàn)表5），同時(shí)，本文還使用了RNN+MDM的算法對(duì)平均電壓進(jìn)行預(yù)測(cè)，其誤差為MSE=5.973×10-4，見(jiàn)表5。由表5 可見(jiàn)：本文所提出的LSTM+MDM 平均電壓預(yù)測(cè)模型的MSE基本低于先前的研究方法，這說(shuō)明本文搭建的預(yù)測(cè)模型比其他方法具有更良好的預(yù)測(cè)性能，可以作為電壓異常的閾值判定指標(biāo)。

表5 電池平均電壓預(yù)測(cè)精度對(duì)比Tab.5 Comparison of average battery voltage prediction accuracy

3 動(dòng)力電池電壓異常故障診斷

3.1 故障診斷閾值設(shè)定

以往研究依據(jù)車企設(shè)定的電壓故障報(bào)警閾值實(shí)現(xiàn)動(dòng)力電池故障診斷，但存在以下問(wèn)題：各車企對(duì)不同車輛類型、不同電池類型的電動(dòng)汽車自行定義故障報(bào)警閾值，閾值設(shè)定標(biāo)準(zhǔn)無(wú)法統(tǒng)一，導(dǎo)致車輛的故障報(bào)警信息存在遺漏或誤判，故障報(bào)警不準(zhǔn)確；再者，對(duì)于電池單體的故障報(bào)警只存有當(dāng)前時(shí)刻的故障信息，并沒(méi)有對(duì)發(fā)生故障的電池單體進(jìn)行定位，故障信息不精細(xì)。

為了在電動(dòng)汽車運(yùn)行過(guò)程中，實(shí)現(xiàn)電池電壓異常故障精準(zhǔn)診斷，本文利用車輛正常運(yùn)行數(shù)據(jù)訓(xùn)練LSTM+MDM模型輸出電池組電壓預(yù)測(cè)值以及平均單體電壓預(yù)測(cè)值，并基于統(tǒng)計(jì)學(xué)方法，設(shè)定不同的故障等級(jí)和對(duì)應(yīng)的電壓差閾值實(shí)現(xiàn)實(shí)時(shí)精確的故障診斷。

之后，計(jì)算了預(yù)測(cè)的平均電壓與實(shí)際單體電壓的差值Vpre_cell_dif，繪制出電壓差的直方圖和概率密度曲線，見(jiàn)如圖6。

圖6 單體電壓差Vpre_cell_dif 直方圖及概率密度曲線Fig.6 Cell voltage difference Vpre_cell_dif histogram and probability density curve

使用KS-檢驗(yàn)（Kolmogorov-Smirnov test）方法檢驗(yàn)數(shù)據(jù)是否服從正態(tài)分布。結(jié)果表明：Vpre_cell_dif的pvalue=0.93 ＞0.05，接受原假設(shè)，即Vpre_cell_dif服從正態(tài)分布，其置信區(qū)間和最大值見(jiàn)表6。

表6 電壓差數(shù)值分析Tab.6 Numerical Analysis of Voltage Difference單位：V

由于本次電壓預(yù)測(cè)訓(xùn)練的數(shù)據(jù)均為正常數(shù)據(jù)，對(duì)于電壓異常的故障診斷，考慮到傳感器和預(yù)測(cè)誤差對(duì)閾值設(shè)定帶來(lái)的影響，根據(jù)正態(tài)分布結(jié)果以及數(shù)據(jù)分布具有對(duì)稱性，本文以實(shí)際電壓與預(yù)測(cè)電壓差值為基準(zhǔn)，設(shè)定電池單體預(yù)測(cè)電壓差值Ucell_minus=±0.06 V作為電壓異常的一級(jí)故障報(bào)警閾值，當(dāng)預(yù)測(cè)的電池組、電池單體電壓與真實(shí)值差值大于所設(shè)定閾值時(shí)，即認(rèn)為電池存在電壓異常故障。

參考文獻(xiàn)[18]，制定了如表7所示的電池電壓異常閾值表，其中，Utcell_minus為t時(shí)刻電池單體的電壓差值。從表中可以看出，欠壓故障和過(guò)壓故障分為3個(gè)故障報(bào)警等級(jí)，一級(jí)報(bào)警是1種相對(duì)安全的狀態(tài)，但需要及時(shí)干預(yù)，避免潛在的故障。二級(jí)報(bào)警是指動(dòng)力電池處于危險(xiǎn)狀態(tài)，需要停車仔細(xì)檢查。當(dāng)觸發(fā)三級(jí)報(bào)警時(shí)，駕駛員需要停車并立即下車。一級(jí)和二級(jí)報(bào)警用于評(píng)估潛在故障風(fēng)險(xiǎn)，三級(jí)報(bào)警用于熱失控發(fā)生的早期風(fēng)險(xiǎn)預(yù)警。

表7 電壓異常故障報(bào)警等級(jí)和閾值Tab.7 Voltage abnormality fault alarm level and threshold

根據(jù)上表和本文搭建的故障診斷模型，可以實(shí)時(shí)診斷動(dòng)力電池電壓異常故障，具體步驟如下。

1）對(duì)于實(shí)際運(yùn)行車輛，利用電壓預(yù)測(cè)模型訓(xùn)練時(shí)間步長(zhǎng)為t-1 的電池總電壓Upack，對(duì)下一時(shí)刻t的電壓進(jìn)行預(yù)測(cè)，得到預(yù)測(cè)結(jié)果；

2）將取平均得到“平均電池單體”電壓預(yù)測(cè)值其中n為單體電池個(gè)數(shù)；

3）比較t時(shí)刻的電壓預(yù)測(cè)值U?t_cell與單體電壓真實(shí)值Ut_cell的差值是否超過(guò)設(shè)定的閾值，實(shí)現(xiàn)動(dòng)力電池電壓異常故障實(shí)時(shí)診斷和電池單體故障定位。

3.2 過(guò)壓異常故障診斷

針對(duì)過(guò)壓異常故障，在所采集的實(shí)驗(yàn)車輛中，提取了故障車輛A 在2022 年2 月13 日09：26：40—09：43：20時(shí)間片段下的運(yùn)行數(shù)據(jù)，車輛在09：36：51時(shí)刻發(fā)生了1 次單體電池過(guò)壓異常報(bào)警，查看電池單體電壓數(shù)據(jù)發(fā)現(xiàn)，電池單體24在該時(shí)刻電壓升至4.053 V，高出其他電池單體電壓約0.1 V，見(jiàn)圖7。

圖7 過(guò)壓異常單體和對(duì)應(yīng)電壓Fig.7 OvervoltageAbnormal Cell and Corresponding Voltage

使用本文搭建的LSTM-MDM 模型對(duì)該片段下的電壓數(shù)據(jù)進(jìn)行故障診斷，診斷結(jié)果見(jiàn)圖8。由圖8可見(jiàn)：在09：34：12 時(shí)刻，電池單體真實(shí)值和預(yù)測(cè)值的電壓差值達(dá)到0.067 V，對(duì)應(yīng)的電池單體編號(hào)為24，處在本文所定義的過(guò)壓一級(jí)故障閾值范圍內(nèi)，此時(shí)，車輛并未發(fā)生相應(yīng)的過(guò)壓故障報(bào)警，在151 s后，即09：36：51時(shí)刻，電池單體真實(shí)值和預(yù)測(cè)值的電壓差值達(dá)到0.177 V，對(duì)應(yīng)的電池單體編號(hào)為24，處在本文所定義的過(guò)壓二級(jí)故障閾值范圍內(nèi)，且電池系統(tǒng)也發(fā)生了對(duì)應(yīng)的過(guò)壓故障報(bào)警。

圖8 故障車輛A過(guò)壓異常實(shí)時(shí)故障診斷和故障單體精準(zhǔn)定位Fig.8 Real-time fault diagnosis of vehicle 4 overvoltage abnormality and precise location of faulty cell

3.3 欠壓異常故障診斷

針對(duì)欠壓異常故障，在所采集的實(shí)驗(yàn)車輛中，提取了故障車輛B 在2022 年2 月14 日18：05：00—18：21：40時(shí)間片段下的運(yùn)行數(shù)據(jù)，車輛在18：13：21時(shí)刻發(fā)生了1 次單體電池欠壓異常報(bào)警，查看電池單體電壓數(shù)據(jù)發(fā)現(xiàn)，電池單體33在該時(shí)刻電壓降至3.575 V，均低出其他電池單體電壓約0.1 V，見(jiàn)圖9。

圖9 欠壓異常單體和對(duì)應(yīng)電壓Fig.9 Undervoltage abnormal cell and corresponding voltage

使用本文搭建的LSTM-MDM 模型對(duì)該片段下的電壓數(shù)據(jù)進(jìn)行故障診斷，診斷結(jié)果見(jiàn)圖10。由圖10 可見(jiàn)：在18：09：40 時(shí)刻，電池單體真實(shí)值和預(yù)測(cè)值的電壓差值達(dá)到-0.067 V，對(duì)應(yīng)的電池單體編號(hào)為33，處在本文所定義的欠壓一級(jí)故障閾值范圍內(nèi)，此時(shí)，車輛并未發(fā)生相應(yīng)的欠壓故障報(bào)警，在221 s后，即18：13：21 時(shí)刻，電池單體真實(shí)值和預(yù)測(cè)值的電壓差值達(dá)到-0.184 V，對(duì)應(yīng)的電池單體編號(hào)為33，處在本文所定義的過(guò)壓三級(jí)故障閾值范圍內(nèi)，且電池系統(tǒng)也發(fā)生了對(duì)應(yīng)的欠壓故障報(bào)警。

圖10 故障車輛B欠壓異常實(shí)時(shí)故障診斷和故障單體精準(zhǔn)定位Fig.10 Real-time fault diagnosis of vehicle 5 undervoltage abnormality and precise location of faulty cell

從對(duì)2種電壓異常故障報(bào)警的實(shí)時(shí)診斷結(jié)果中可見(jiàn)：本文所搭建的動(dòng)力電池電壓異常故障診斷模型可以實(shí)時(shí)診斷電池電壓異常故障，至少提前2 min發(fā)覺(jué)電池單體電壓的異常變化，并且能精確定位單體電池故障單元。之后，統(tǒng)計(jì)了故障車輛A 和B 運(yùn)行過(guò)程中發(fā)生的電壓異常故障次數(shù)，共計(jì)發(fā)生了22次電壓異常故障，基于本文的模型檢測(cè)出其中的20次故障，故障診斷的準(zhǔn)確率為90.91%，其中過(guò)壓異常故障發(fā)生了12 次、檢測(cè)出11 次，診斷準(zhǔn)確率91.76%，欠壓異常故障發(fā)生10 次、檢測(cè)出9 次，診斷準(zhǔn)確率90.00%。故障診斷結(jié)果見(jiàn)表8～9。由表8～9 可見(jiàn)：本文所提出的故障診斷模型至少能在150 s前檢測(cè)出故障電池單體的異常變化，體現(xiàn)出模型具有良好的實(shí)時(shí)性和精準(zhǔn)性。

表8 過(guò)壓報(bào)警診斷結(jié)果Tab.8 Overvoltage fault diagnosis result

表9 欠壓報(bào)警診斷結(jié)果Tab.9 Undervoltage fault diagnosis result

4 結(jié)束語(yǔ)

本文通過(guò)采集20 臺(tái)純電動(dòng)出租車的歷史運(yùn)行數(shù)據(jù)，提取與電池單體電壓相關(guān)的特征指標(biāo)，基于LSTM神經(jīng)網(wǎng)絡(luò)模型并結(jié)合MDM理論，實(shí)現(xiàn)了動(dòng)力電池平均電壓的預(yù)測(cè)，該電壓能反映電池單體的變化差異，根據(jù)該電壓的預(yù)測(cè)結(jié)果，計(jì)算預(yù)測(cè)值與真實(shí)值之間的電壓差值，并根據(jù)電壓差值結(jié)合統(tǒng)計(jì)學(xué)方法設(shè)定了電池單體電壓異常的故障報(bào)警等級(jí)以及對(duì)應(yīng)的電壓差閾值，實(shí)現(xiàn)了動(dòng)力電池電壓異常提前檢測(cè)、故障實(shí)時(shí)診斷和電池單體故障精確定位，基于實(shí)際電壓異常數(shù)據(jù)驗(yàn)證了故障診斷方法的實(shí)時(shí)性和準(zhǔn)確性，至少能在150 s前檢測(cè)出故障電池單體的異常變化，故障診斷準(zhǔn)確率達(dá)到90.91%，為電動(dòng)汽車全生命周期安全運(yùn)行以及故障診斷和預(yù)警提供了模型基礎(chǔ)和管理策略。

但是，本研究在動(dòng)力電池電壓差異常閾值設(shè)定及故障深入分析等方面存在一定的不足。一方面，由于數(shù)據(jù)量限制，無(wú)法覆蓋車輛運(yùn)行的全生命周期，因此需要采集更多的車輛運(yùn)行數(shù)據(jù)進(jìn)一步提升模型的診斷準(zhǔn)確性，使設(shè)定的故障報(bào)警閾值更具有普適性，實(shí)現(xiàn)更精準(zhǔn)的故障診斷和故障定位。另一方面，車輛處于不同的交通流狀態(tài)對(duì)電池系統(tǒng)故障報(bào)警的發(fā)生也存在影響，融合考慮更多源的數(shù)據(jù)進(jìn)行電池電壓的預(yù)測(cè)和異常故障診斷，能夠?yàn)殡妱?dòng)汽車全生命周期的安全運(yùn)行提供更有力的理論支撐。