尹來賓 許洪華 彭曉晗 夏偉棟 馬宏忠

基于振動信號的鋰離子電池故障診斷方法

尹來賓1許洪華1彭曉晗2夏偉棟1馬宏忠2

（1. 江蘇省電力公司南京供電公司，南京 210019； 2. 河海大學(xué)能源與電氣學(xué)院，南京 211100）

為實(shí)現(xiàn)對鋰離子電池過充及外部短路故障的診斷，提出一種基于改進(jìn)變分模態(tài)分解（VMD）-多尺度熵（MSE）的鋰離子電池振動信號特征提取方法。通過改進(jìn)VMD對振動信號進(jìn)行分解，對所得固有模態(tài)分量求多尺度熵值，提取鋰離子電池在不同工況下的振動特征，最后基于此特征進(jìn)行K均值聚類，完成對過充和外部短路故障的故障識別。經(jīng)對比實(shí)驗(yàn)驗(yàn)證，該方法能有效提取鋰離子電池振動信號特征量，正確識別鋰離子電池的過充及外部短路故障，且準(zhǔn)確率更優(yōu)。

鋰離子電池；故障診斷；振動信號；特征提?。贿^充故障；外部短路故障

0 引言

鋰離子電池因能量密度高、無記憶效應(yīng)和自放電率低等優(yōu)點(diǎn)，在眾多化學(xué)能源中占有優(yōu)勢地位[1]，廣泛應(yīng)用于大規(guī)模儲能、電動汽車等領(lǐng)域[2-4]。在鋰離子電池的應(yīng)用中，常需要進(jìn)行多個(gè)單體電池的串并聯(lián)，單體電池的不一致性使電池易出現(xiàn)過充電故障，使用不當(dāng)或運(yùn)輸不當(dāng)會發(fā)生外部短路故障。

目前，在鋰離子電池故障診斷技術(shù)的研究中，基于模型的方法要求高精度的電池模型，且需對應(yīng)電池型號構(gòu)建模型；基于非模型的方法要求高質(zhì)量的樣本數(shù)據(jù)，同樣存在局限性[5-6]。振動法作為一種較為成熟的故障診斷方法，具有直接性、及時(shí)性、準(zhǔn)確性等優(yōu)點(diǎn)[7-9]。研究表明，鋰離子電池的振動信號是一種非線性、非平穩(wěn)信號，并且鋰離子電池故障工況下的振動信號與正常狀態(tài)時(shí)存在差異[10-11]。文獻(xiàn)[10]發(fā)現(xiàn)鋰離子電池在故障時(shí)出現(xiàn)了振動信號異常，文獻(xiàn)[11]識別了過充時(shí)的振動特征，但均未實(shí)現(xiàn)對不同故障的分類識別。因此，可在掌握振動異常的基礎(chǔ)上，對鋰離子電池進(jìn)行不同故障的分類診斷研究。

本文將鋰離子單體電池作為研究對象，重點(diǎn)對鋰離子電池常見的過充及外部短路故障進(jìn)行研究。通過設(shè)計(jì)實(shí)驗(yàn)獲得不同工況下的鋰離子電池振動信號，再結(jié)合基于遺傳算法優(yōu)化的變模態(tài)分解（variational mode decomposition, VMD）及多尺度熵（multiscale entropy, MSE）對振動信號進(jìn)行特征提取，利用K均值聚類對鋰離子電池故障狀態(tài)進(jìn)行分類識別，為鋰離子電池的在線監(jiān)測、故障診斷提供依據(jù)。

1 理論基礎(chǔ)

1.1 基于遺傳算法優(yōu)化的變模態(tài)分解

鋰離子電池的振動信號具有非線性、非平穩(wěn)的特點(diǎn)，且由于振動微弱，容易受到噪聲的干擾。變模態(tài)分解作為一種經(jīng)典的自適應(yīng)時(shí)域分析算法，常用于信號的特征分離及去噪，適合用于鋰離子電池易受噪聲影響的非線性振動信號分析。針對VMD重要參數(shù)確定問題，本文采用遺傳算法對參數(shù)進(jìn)行尋優(yōu)，以保證良好的分解效果。

1）VMD基本原理

VMD是2014年由Konstantin Dragomiretskiy等提出，該算法通過構(gòu)造和求解變分問題，將原始信號分解成多個(gè)固有模態(tài)函數(shù)（intrinsic mode function, IMF）分量，實(shí)現(xiàn)了原始信號的有效分離和頻域劃分，同時(shí)很好地解決了經(jīng)驗(yàn)?zāi)B(tài)分解（empirical mode decomposition, EMD）在迭代過程中出現(xiàn)的端點(diǎn)效應(yīng)和模態(tài)混疊現(xiàn)象，具有嚴(yán)格的理論依據(jù)[12-14]。VMD的具體實(shí)施步驟參照參考文獻(xiàn)[12]。

2）基于遺傳算法優(yōu)化VMD參數(shù)

VMD的幾個(gè)主要輸入?yún)?shù)中，分解層數(shù)和懲罰因子對信號分解結(jié)果的影響較大。分解層數(shù)需要預(yù)先設(shè)定，在未知的情況下，為了達(dá)到預(yù)想的分解效果只能從1開始逐個(gè)嘗試，通過每層間的線性相關(guān)確定的最終取值。懲罰因子的大小決定了以中心頻率為中心，兩側(cè)衰減速度的快慢。

本文采用遺傳算法[15]對上述兩個(gè)參數(shù)的取值進(jìn)行優(yōu)化[16]。遺傳算法是一種經(jīng)典的仿生學(xué)尋優(yōu)方法，以染色體的形式表示待尋優(yōu)目標(biāo)，通過模擬生物的自然選擇和進(jìn)化過程實(shí)現(xiàn)最優(yōu)染色體即最優(yōu)目標(biāo)的搜索。遺傳算法的主要步驟如下：

（1）根據(jù)待尋優(yōu)量的個(gè)數(shù)、各待尋優(yōu)量的取值范圍和步長，利用選定的編碼方式對待尋優(yōu)量進(jìn)行編碼，所有待尋優(yōu)量的組合即為一條染色體。編碼完畢后，遺傳算法進(jìn)行初始化選擇，確定一組染色體作為初始種群。

（2）選擇種群的適應(yīng)度函數(shù)，將種群中個(gè)體自適應(yīng)值的大小作為該個(gè)體優(yōu)劣程度的評判標(biāo)準(zhǔn)。

（3）基于個(gè)體自適應(yīng)值的大小對個(gè)體進(jìn)行優(yōu)勝劣汰，對剩余個(gè)體進(jìn)行交叉、變異運(yùn)算得到下一代種群。

（4）重復(fù)步驟（3）的遺傳操作直至群體自適應(yīng)度趨于平穩(wěn)，對此時(shí)的染色體進(jìn)行解碼得到待尋優(yōu)量的最優(yōu)解。

1.2 多尺度熵基本原理

1.3 K均值聚類算法

本文選用K均值聚類算法進(jìn)行鋰離子電池過充和外部短路故障的分類。K均值聚類算法首先需要選定聚類中心的個(gè)數(shù)，再計(jì)算各個(gè)樣本到每個(gè)聚類中心的距離，把樣本劃入距離最小的聚類中心；待所有樣本劃分完畢，計(jì)算每個(gè)聚類中心中所有樣本的質(zhì)心，即為更新后的聚類中心；反復(fù)更新聚類中心位置直至其不再發(fā)生改變，即可輸出最后的聚類結(jié)果[18]。

2 基于改進(jìn)VMD-MSE的特征提取新方法

本文提出一種基于改進(jìn)VMD-MSE的鋰離子電池振動信號特征提取的新方法，方法的實(shí)施流程如圖1所示，主要步驟如下：

1）采集鋰離子電池正常充電、輕度過充、多次過充和外部短路后充電四種工況下的振動信號。

2）利用遺傳算法優(yōu)化VMD的分解層數(shù)和懲罰因子兩個(gè)參數(shù)。

3）對四種工況下采集到的鋰離子電池振動信號分別進(jìn)行改進(jìn)VMD，得到各自的一系列模態(tài)分量。

4）求取改進(jìn)VMD得到的模態(tài)分量的多尺度熵值。

5）將基于改進(jìn)VMD-MSE方法提取到的向量作為鋰離子電池不同工況的振動特征。

圖1 基于改進(jìn)VMD-MSE的特征提取流程

3 實(shí)測振動信號的特征提取

3.1 鋰離子電池振動信號采集實(shí)驗(yàn)

為驗(yàn)證利用改進(jìn)VMD-MSE方法提取鋰離子電池振動特征的有效性，對一批3.2V、50A·h的鋰離子單體電池進(jìn)行振動信號采集實(shí)驗(yàn)。電池參數(shù)見表1。

表1 電池參數(shù)

實(shí)驗(yàn)參照電力儲能用鋰離子電池國家標(biāo)準(zhǔn)（GB/T 36276—2018）進(jìn)行各類設(shè)置。實(shí)驗(yàn)在四種運(yùn)行工況下采集鋰離子電池的振動信號，分別是正常充電、輕度過充、多次過充和外部短路。具體的工況設(shè)置如下。

正常充電的充電倍率為0.5C，充電截止電壓為3.65V；過充電的充電倍率仍為0.5C，以減少實(shí)驗(yàn)變量，充電截止電壓為正常情況下充電截止電壓的1.5倍，即5.48V；外部短路故障采用小電阻連接電池正負(fù)極的方法實(shí)現(xiàn)，對外部短路過的電池進(jìn)行與正常充電同樣的設(shè)置，在充電過程中進(jìn)行信號采集。

電池的各項(xiàng)充電設(shè)置（充電截止電壓、充電倍率等）利用型號為EBC—A40L的電池容量檢測儀實(shí)現(xiàn)。選用型號為CY18079021、靈敏度為500mV/的加速度傳感器進(jìn)行振動信號采集，振動信號通過型號為DH5922D的動態(tài)信號采集分析儀傳送并儲存至計(jì)算機(jī)，采樣頻率20kHz。

3.2 實(shí)測信號分解

選取鋰離子電池在外部短路工況下的振動信號進(jìn)行改進(jìn)VMD，圖2是種群適應(yīng)度的進(jìn)化曲線，反映了隨種群進(jìn)化次數(shù)增多，種群適應(yīng)度的變化情況。

圖2 適應(yīng)度進(jìn)化曲線

由圖2可以看出，適應(yīng)度從第5代開始平穩(wěn)且不再變化，對第5代的染色體進(jìn)行解碼得到待尋優(yōu)量的最優(yōu)解為=5、=771。根據(jù)遺傳算法確定的兩個(gè)參數(shù)對鋰離子電池的外部短路工況下的振動信號進(jìn)行改進(jìn)VMD，結(jié)果如圖3所示。

圖3 外部短路工況下振動信號的改進(jìn)VMD結(jié)果

由圖3看出，改進(jìn)VMD算法的分解得到了5個(gè)原始信號的IMF分量，各模態(tài)分量均呈現(xiàn)出一定的規(guī)律性，原始信號的特征由各模態(tài)分量的周期性和幅值得以反映，分解效果良好。

3.3 特征提取

針對鋰離子電池的四種工況：正常充電、輕度過充、多次過充和外部短路，每種工況各選取10組長度為5 120的振動數(shù)據(jù)，首先進(jìn)行改進(jìn)VMD得到5個(gè)模態(tài)分量，然后在1～20的尺度范圍內(nèi)求各分量的多尺度熵值，將5個(gè)模態(tài)分量的多尺度熵值取和，最后對10組樣本處理得到的MSE值取均值，則不同工況下的多尺度熵值如圖4所示。

圖4 不同工況下的多尺度熵值

由圖4可以看出，基于改進(jìn)VMD-MSE方法提取的特征向量可以明顯區(qū)分鋰離子電池的不同工況，各工況的多尺度熵曲線走勢較平穩(wěn)，各自之間基本沒有交叉。其中正常充電與輕度過充的多尺度熵值差異不大，考慮其原因是過充程度較淺，未對電池造成較明顯損傷所致。

3.4 故障分類

對4種工況下10組特征向量進(jìn)行K均值聚類處理，由于本文中已知四類工況，聚類中心的個(gè)數(shù)直接取4，故障分類結(jié)果如圖5所示。

圖5 基于改進(jìn)VMD-MSE特征的K均值聚類結(jié)果

由圖5可以看出，40組特征向量經(jīng)K均值聚類后被分成了4簇，各簇之間界限明顯，代表了鋰離子電池的四種工況。由此可以說明，可以利用改進(jìn)VMD-MSE方法進(jìn)行鋰離子電池不同工況的特征提取和故障分類。

3.5 對比驗(yàn)證

為了對改進(jìn)VMD-MSE算法的準(zhǔn)確性進(jìn)行驗(yàn)證，同樣選取了鋰離子電池外部短路工況下的振動信號，對其進(jìn)行EMD，分解結(jié)果如圖6所示。

圖6 外部短路工況下振動信號的EMD結(jié)果

對于前述的40組樣本數(shù)據(jù)，選取其EMD得到的前5個(gè)模態(tài)進(jìn)行同樣的MSE值計(jì)算，對得到的40組特征向量進(jìn)行K均值聚類，結(jié)果如圖7所示?？梢钥闯觯贓MD-MSE算法提取的特征向量沒有準(zhǔn)確地完成故障分類，出現(xiàn)了多個(gè)樣本的錯(cuò)誤分類，且各簇之間的界限模糊，對于鋰離子電池的振動特征提取效果劣于改進(jìn)VMD-MSE方法。

圖7 基于EMD-MSE特征的K均值聚類結(jié)果

除EMD-MSE方法外，還基于VMD-ApEn方法和VMD-SampEn方法對同樣的40組樣本進(jìn)行了分類，基于不同特征提取方法的識別結(jié)果見表2。

表2 基于不同特征提取方法的識別結(jié)果

受模態(tài)混疊現(xiàn)象的影響，EMD-MSE方法的特征提取準(zhǔn)確率最低。SampEn比ApEn具有更好的抗噪聲干擾能力，MSE因其多尺度特性比SampEn更能展現(xiàn)原始信號特征，因此準(zhǔn)確率方面：VMD-ApEn方法＜VMD-SampEn方法＜改進(jìn)VMD-MSE方法。

4 結(jié)論

本文提出一種基于遺傳算法優(yōu)化的變模態(tài)分解與多尺度熵結(jié)合的鋰離子電池故障診斷方法，通過對實(shí)驗(yàn)采集的四種工況下的鋰離子電池振動信號進(jìn)行特征提取，得出以下結(jié)論：

1）基于改進(jìn)VMD-MSE方法提取的特征向量可以準(zhǔn)確識別鋰離子電池的過充和外部短路故障。

2）通過設(shè)置對比實(shí)驗(yàn)，證明了基于改進(jìn)VMD- MSE的故障診斷方法對鋰離子電池不同工況的識別準(zhǔn)確率高于其他三種對比方法。

[1] 安富強(qiáng), 趙洪量, 程志, 等. 純電動車用鋰離子電池發(fā)展現(xiàn)狀與研究進(jìn)展[J]. 工程科學(xué)學(xué)報(bào), 2019, 41(1): 22-42.

[2] 白樺, 王正用, 李晨, 等. 面向電網(wǎng)側(cè)、新能源側(cè)及用戶側(cè)的儲能容量配置方法研究[J]. 電氣技術(shù), 2021, 22(1): 8-13.

[3] 張圣祺, 袁蓓, 季振東, 等. 基于分布式控制原理的電池儲能系統(tǒng)二次調(diào)頻控制[J]. 電工技術(shù)學(xué)報(bào), 2019, 34(增刊2): 637-645.

[4] 朱曉慶, 王震坡, WANG Hsin, 等. 鋰離子動力電池?zé)崾Э嘏c安全管理研究綜述[J]. 機(jī)械工程學(xué)報(bào), 2020, 56(14): 91-118.

[5] ZHAO Xingwang, XU Liangfei, LI Jianqiu, et al. Faults diagnosis for PEM fuel cell system based on multi-sensor signals and principle component analysis method[J]. International Journal of Hydrogen Energy, 2017, 42(29): 18524-18531.

[6] 朱小平, 張濤. 基于自適應(yīng)理論的鋰離子電池SOC估計(jì)[J]. 電氣技術(shù), 2013, 14(7): 47-50.

[7] 常晨, 劉蘭榮, 盧美林, 等. 并聯(lián)電抗器等效模型的振動噪聲特性試驗(yàn)研究[J]. 電氣技術(shù), 2019, 20(2):37-41, 47.

[8] 馬速良, 武建文, 袁洋, 等. 多振動信息下的高壓斷路器機(jī)械故障隨機(jī)森林融合診斷方法[J]. 電工技術(shù)學(xué)報(bào), 2020, 35(增刊2): 421-431.

[9] DRAGOMIRETSKIY K, ZOSSO D. Variational mode decomposition[J]. IEEE Transactions on Signal Pro- cessing, 2014, 62(3): 531-544.

[10] 彭曉晗, 馬宏忠, 許洪華, 等. 基于振動的儲能電池異常工況預(yù)警新方法[J/OL]. 電測與儀表: 1-6 [2021-02-22]. http://kns.cnki.net/kcms/detail/23.1202.TH. 20200519.1527.002.html.

[11] 馬宏忠, 吳元熙, 勞文潔, 等. 基于MRSVD和時(shí)頻灰度圖的儲能電池過充特征識別[J]. 電源技術(shù), 2020, 44(9): 1351-1355.

[12] 畢鳳榮, 湯代杰, 張立鵬, 等. 基于VMD與KFCM的柴油機(jī)故障診斷算法[J]. 振動.測試與診斷, 2020, 40(5): 853-858, 1018.

[13] 黃衍, 林建輝, 劉澤潮, 等. 基于自適應(yīng)VMD的高速列車軸箱軸承故障診斷[J]. 振動與沖擊, 2021, 40(3): 240-245.

[14] 高艷豐, 朱永利, 閆紅艷, 等. 基于VMD和TEO的高壓輸電線路雷擊故障測距研究[J]. 電工技術(shù)學(xué)報(bào), 2016, 31(1): 24-33.

[15] 謝麗蓉, 楊歡, 李進(jìn)衛(wèi), 等. 基于GA-ENN特征選擇和參數(shù)優(yōu)化的雙饋風(fēng)電機(jī)組軸承故障診斷[J]. 太陽能學(xué)報(bào), 2021, 42(1): 149-156.

[16] 李軍鋒. 基于GA-VMD諧波檢測及高階奇異譜的電能質(zhì)量分析方法研究[D]. 秦皇島: 燕山大學(xué), 2019.

[17] 賈亞飛, 朱永利, 王劉旺, 等. 基于VMD和多尺度熵的變壓器內(nèi)絕緣局部放電信號特征提取及分類[J].電工技術(shù)學(xué)報(bào), 2016, 31(19): 208-217.

[18] 羅朋, 吳健威, 于躍, 等. 基于k均值聚類算法的無均衡自適應(yīng)鋰電儲能研究[J]. 電氣技術(shù), 2020, 21(5): 33-40, 54.

Fault diagnosis method of lithium-ion battery based on vibration signal

YIN Laibin1XU Honghua1PENG Xiaohan2XIA Weidong1MA Hongzhong2

(1. Jiangsu Nanjing Power Supply Company, Nanjing 210019; 2. College of Energy and Electrical Engineering, Hohai University, Nanjing 211100)

In order to realize the fault diagnosis of overcharge and external short circuit of lithium-ion battery, a feature extraction method of lithium-ion battery vibration signal based on improved variable mode decomposition (VMD)-multiscale entropy (MSE) is proposed. Through the improved VMD decomposition of vibration signal, the multiscale entropy value of the natural mode component is obtained, and the vibration characteristics of lithium-ion battery under different working conditions are extracted. Finally, based on this feature, K-means clustering is carried out to complete the fault identification of overcharge and external short circuit fault. The experimental results show that this method can effectively extract the vibration signal features of lithium-ion battery, and correctly identify the overcharge and external short circuit faults of lithium-ion battery, and the accuracy is better.

lithium-ion battery; fault diagnosis; vibration signal; feature extraction; overcharge fault; external short circuit fault

國網(wǎng)江蘇省電力有限公司科技項(xiàng)目（J2020015）

111引智計(jì)劃（B14022）

2021-03-15

2021-03-30

尹來賓（1987—），男，安徽淮北人，碩士，工程師，研究發(fā)向?yàn)殡娏υO(shè)備運(yùn)行管理等。