張?jiān)鳆惏仔吕遵R文建

(國網(wǎng)河北省電力有限公司營銷服務(wù)中心,河北 石家莊 050035)

0 引言

為了實(shí)現(xiàn)交通領(lǐng)域能源轉(zhuǎn)換,達(dá)到推廣新能源的效果,涌現(xiàn)出以電力資源為驅(qū)動的電動汽車[1]。該類型汽車內(nèi)部的動力系統(tǒng)具有獨(dú)特性,將電池作為動力系統(tǒng)的核心組件。由于電動汽車的發(fā)展時間較短,行業(yè)維修人員培訓(xùn)力度不足,難以快速并準(zhǔn)確地提取出電動汽車電池故障[2]。

構(gòu)建電池故障自動診斷方法,實(shí)現(xiàn)故障診斷準(zhǔn)確率的提升,提升電池維修質(zhì)量,對加強(qiáng)電動汽車行駛安全性具有指導(dǎo)作用。文獻(xiàn)[3]針對多通道信息進(jìn)行深度學(xué)習(xí),利用殘差卷積神經(jīng)網(wǎng)絡(luò)生成故障空間。利用多通道信息的特征向量,構(gòu)建證據(jù)數(shù)據(jù)庫。在隨機(jī)森林算法的作用下,將故障特征信息映射到故障空間內(nèi),獲取最終診斷結(jié)果。研究可知,該方法自適應(yīng)性能較差。文獻(xiàn)[4]使用經(jīng)驗(yàn)?zāi)B(tài)分解技術(shù),分解設(shè)備故障振動信號,生成眾多內(nèi)稟模態(tài)分量,并建立初始特征向量矩陣。針對矩陣深入分析提取出故障特征。最后,結(jié)合支持向量機(jī)算法輸出設(shè)備具體故障原因。但是,該方法的診斷準(zhǔn)確性較差。文獻(xiàn)[5]分析設(shè)備故障診斷要求,以此為基礎(chǔ)構(gòu)建自動診斷方案?；诰垲愃惴ㄌ崛≡O(shè)備故障特征,采用D-S證據(jù)理論,獲取高精度故障診斷結(jié)果。通過驗(yàn)證可知,該方法具有一定的實(shí)際意義,但是運(yùn)行過程較為復(fù)雜。以解決上述方法的不足之處為目的,針對電動汽車電池故障問題,本文提出基于模式識別的自動診斷方法,有效提升電動汽車電池故障診斷效果。

1 基于模式識別的電動汽車電池故障診斷及定位

1.1 建立電動汽車電池結(jié)構(gòu)

電動汽車以電池為基礎(chǔ)建立動力電池管理體系,針對電池運(yùn)行環(huán)境溫度、充放電電流電壓進(jìn)行實(shí)時監(jiān)測,獲取各個模塊的監(jiān)測數(shù)據(jù)[6],在電池故障診斷過程中,上述監(jiān)測數(shù)據(jù)是基礎(chǔ)判斷參數(shù)[7]。利用數(shù)據(jù)總線將實(shí)時監(jiān)測數(shù)據(jù)傳遞至控制器內(nèi)部,計(jì)算出汽車電池的正常使用期限,動力電池組工作原理如圖1所示。

圖1 動力電池組工作原理

以圖1所示的動力電池組工作原理為基礎(chǔ),可根據(jù)汽車電池實(shí)時充電狀態(tài)、運(yùn)行狀態(tài)進(jìn)行記錄,獲取故障自動診斷所需的必要數(shù)據(jù),提升故障診斷的準(zhǔn)確性,最大程度提升車輛故障維修效率。為了保證故障診斷結(jié)果的真實(shí)性,在電動汽車電池結(jié)構(gòu)中添加多個傳感器,采集電池電流、電壓和溫度等多種數(shù)據(jù),并安裝數(shù)據(jù)總線、散熱部件、高壓環(huán)路互鎖組件等多種結(jié)構(gòu),保證電池運(yùn)行的安全性[8]。

1.2 提取電池特征向量

故障診斷需要依據(jù)以電池特征向量為基礎(chǔ),文中采用局部均值分解(Local Mean Decomposition,LMD)方法提取電池特征[9]。針對電池結(jié)構(gòu)中傳感器采集的信號數(shù)據(jù),采用LMD 方法將其劃分為多個線性組合,且每個線性組合的粒子濾波(Particle Filter,PF)算法分量保持一致。LMD 方法使用的本質(zhì)問題就是循環(huán)迭代的過程,通過多次循環(huán)得到準(zhǔn)確的信號成分:第一次的循環(huán)通過使用滑動平滑的手段求取到2個關(guān)鍵數(shù)據(jù),分別是均值函數(shù)mi(t)和包絡(luò)估計(jì)函數(shù)ai(t),遇到2個緊挨著的端點(diǎn)的函數(shù)值不相等的時候,果斷跳出循環(huán)進(jìn)入下一階段;二重循環(huán)的目的是求取合適的PFi(t),跳出循環(huán)的條件是求出純調(diào)頻信號sin(t);最后的循環(huán)是將所有得到的PFi(t)相加的過程,當(dāng)剩余分量有且只有1個極值點(diǎn)時,循環(huán)結(jié)束。以LMD 方法為基礎(chǔ),可以得出原始信號分解公式

式中:x為原始信號;ψ為能量矩陣;u為信號平均趨勢;k為信號樣本數(shù)量;p為特征向量類型。

在原始信號分解過程中,LMD 方法的分解結(jié)果中包含部分虛假PF分量,以此為基礎(chǔ)展開故障診斷,將會促使故障識別的準(zhǔn)確率大幅度降低。正常狀態(tài)下,分解后的真實(shí)PF 分量,與原始信號之間具有較強(qiáng)的關(guān)聯(lián)性。所以,虛假PF分量剔除過程中,選取與原始信號之間關(guān)聯(lián)性較差的PF分量,將其去除,實(shí)現(xiàn)故障診斷準(zhǔn)確率的提升。通過內(nèi)積計(jì)算,有限長度狀態(tài)下,獲取2個離散信號之間的相關(guān)系數(shù)

式中:X,Y為離散信號;c為信號相關(guān)系數(shù)。通過公式(2)的計(jì)算結(jié)果,體現(xiàn)出離散信號之間的關(guān)聯(lián)性,而計(jì)算結(jié)果越大,二者之間的相關(guān)程度越大。當(dāng)2個離散信號處于完全線性狀態(tài)下,相關(guān)系數(shù)計(jì)算結(jié)果為1。

實(shí)際操作過程中,預(yù)先計(jì)算所有PF分量與原始信號的關(guān)聯(lián)系數(shù),選取平均相關(guān)系數(shù)作為評判閾值。若相關(guān)系數(shù)大于閾值,則保留該P(yáng)F 分量,反之,則剔除該P(yáng)F分量。閾值λ表示為

式中:η為PF 分量總數(shù)。針對上述設(shè)計(jì)的虛假PF分量篩選策略進(jìn)行驗(yàn)證,將其應(yīng)用于信號考察過程中,明確該策略的應(yīng)用效果。

式中:x1、x2分別為原始信號分解的2個子信號,其中

式中:t為時刻。通過上述計(jì)算方式,將原始信號劃分為1個余量,以及4個PF 分量,選取不包含原始信號分量的PF分量,將端點(diǎn)效應(yīng)引起的虛假分量進(jìn)行剔除。經(jīng)過驗(yàn)證可知,文中提出的PF分量篩選方法具有極好的效果。通過上述處理方式,獲取最后電池特征向量提取結(jié)果。

1.3 構(gòu)建模式識別故障診斷模型

模式識別故障診斷模型的設(shè)計(jì),需要以構(gòu)建識別特征樣本庫為基礎(chǔ)。根據(jù)研究可知,樣本庫實(shí)際建立過程如圖2所示。

圖2 模式識別樣本庫建立

基于LMD 的故障診斷模型如下。

(1)利用LMD 特征提取方法,初步得到電動汽車電池的特征向量。

(2)設(shè)定模糊熵計(jì)算參數(shù),提取每一個內(nèi)稟尺度分量(Intrinsic Scale Component,ISC)模糊熵作為故障特征變量,組成故障特征向量。

(3)以訓(xùn)練樣本特征向量為輸入,訓(xùn)練基于變量預(yù)測模型的分類器(Variable Predictire Model Based Class Discriminate,VPMCD)的變量預(yù)測模型,設(shè)計(jì)VPMCD 分類器。

(4)用VPMCD 分類器分類識別故障類型,輸出故障診斷結(jié)果。

為了降低模式識別故障診斷模型的計(jì)算復(fù)雜度,采用因子分析的方式,對提取的特征向量進(jìn)行降維處理,獲取最終的特征向量,并匯總形成模式識別樣本庫。

樣本庫建立過程中降維分析是關(guān)鍵環(huán)節(jié)之一,根據(jù)原始特征向量,計(jì)算多種特征之間的相互關(guān)聯(lián)性指數(shù)[10]。計(jì)算結(jié)果越接近1,表示2個電池特征向量之間相似度極高,在后續(xù)識別過程中,2個特征向量隨機(jī)選擇一個就可以代表另一種,此時保留一個特征向量就可以。相反地,關(guān)聯(lián)性指數(shù)計(jì)算結(jié)果越接近0,代表兩種特征向量之間差別較大。需要將兩種特征向量完全保留。通過上述操作,對提取的特征向量進(jìn)行處理,構(gòu)建模式識別特征樣本庫。

以上述樣本庫為基礎(chǔ),應(yīng)用模式識別技術(shù)中的貝葉斯方法,設(shè)計(jì)合理的判別策略。針對電池故障診斷樣本數(shù)據(jù),選取其中某一類樣本特征向量,判斷該特征向量屬于某種故障類型的概率,具體故障識別計(jì)算公式表示為

式中:i為故障排序;w為故障類型;ε為樣本特征向量;P(wi)為故障樣本在特征樣本庫中占比;P(ε為確定特征向量屬于故障類型w的概率。以電池特征樣本庫為數(shù)據(jù)基礎(chǔ),計(jì)算多維高斯分布結(jié)果

式中:d為特征向量維度;τ為均值向量;∑i為協(xié)方差矩陣。根據(jù)公式(8)計(jì)算得出多維高斯分布結(jié)果,將其代入公式(7)內(nèi),明確某一類電池運(yùn)行數(shù)據(jù)樣本屬于某一種故障類型的相對概率。模式識別故障診斷結(jié)果的輸出,按照判斷閾值選擇的方式,當(dāng)相對概率計(jì)算結(jié)果超出閾值后,確定該電池故障所屬類型。

1.4 實(shí)現(xiàn)診斷故障定位

動力汽車內(nèi)的電池組,往往包含多個單獨(dú)電池?；诠收献R別結(jié)果,進(jìn)行故障點(diǎn)具體定位,便于后續(xù)維修人員的處理。

故障定位過程中,在電池組內(nèi)設(shè)置多個電流感應(yīng)器,獲取實(shí)時流經(jīng)電流的電流值。根據(jù)正常運(yùn)行狀態(tài)下的電流值,設(shè)置判斷閾值,閾值計(jì)算公式為

式中:h為閾值計(jì)算因子;v為實(shí)際的電流值;F為閾值判斷因子。

根據(jù)公式(9)計(jì)算結(jié)果得到閾值,故障發(fā)生后,獲取每個感應(yīng)器采集的電流數(shù)據(jù),并與閾值相比得到判斷結(jié)果。當(dāng)采集電流值比預(yù)先設(shè)定的閾值大時,表明該部分存在故障電流,可以將該區(qū)段劃分為故障區(qū)段。相反,則表示該電池工作區(qū)域?qū)儆谡＿\(yùn)轉(zhuǎn)狀態(tài)。通過上述計(jì)算,將故障區(qū)段標(biāo)注完成,發(fā)送至工作人員監(jiān)視器中,完成電動汽車電池故障自動診斷。

2 電動汽車電池故障診斷試驗(yàn)

2.1 試驗(yàn)過程

為了驗(yàn)證文中提出的自動診斷方法實(shí)際應(yīng)用效果,展開試驗(yàn)測試。根據(jù)電動汽車的動力電池組工作原理,在仿真軟件中建立電池模型,利用文中設(shè)計(jì)方法明確電池故障診斷結(jié)果,并與常規(guī)診斷方向的診斷結(jié)果進(jìn)行對比,明確文中設(shè)計(jì)方法的優(yōu)越性。

電動汽車長時間行駛后,作為動力系統(tǒng)核心的電池,其特性變化較大,僅利用一塊電池構(gòu)建模型無法體現(xiàn)實(shí)際應(yīng)用效果。所以,模型設(shè)計(jì)過程中,電路建模需要考慮多塊電池的連接性。結(jié)合多塊電池,準(zhǔn)確模擬出電動汽車運(yùn)行中,電池具體消耗情況,汽車動力電池組容量情況如圖3所示。

圖3 汽車動力電池組容量

電動汽車中動力電池往往屬于鋰離子電池,由于制造工藝具有較大差別,導(dǎo)致電池容量、內(nèi)阻均不相同。在電動汽車電池應(yīng)用過程中,電池的不一致性引起了電池運(yùn)行特性的不同。為了保證汽車順利運(yùn)行,以可靠性為原則選取最佳動力電池。試驗(yàn)過程中,以確保試驗(yàn)結(jié)果的客觀性為目的,針對內(nèi)阻和容量一致性較高的電池,構(gòu)建電池模型。

汽車動力電池模型中雖然包含多塊電池,為了提升電池運(yùn)行狀態(tài)評估結(jié)果的準(zhǔn)確性,需要針對每一塊電池進(jìn)行建模。匯總獨(dú)立建模分析結(jié)果后,生成圖4所示的多個電池容量的建模分析結(jié)果。

圖4 串聯(lián)動力電池組等效電路模型

以上述構(gòu)建的電池模型為基礎(chǔ),展開后續(xù)故障診斷方法應(yīng)用效果測試。

2.2 電池診斷結(jié)果

2.2.1 電池初步檢測結(jié)果

通過分析可知,電動汽車中引起電池故障的原因較多,包括放電溫度低、內(nèi)部耗能高以及電池放電時間過長等。在電池診斷過程中,為了確認(rèn)故障原因,通過以下檢測方案完成初步分析。

首先,電池故障中電容量下降問題的出現(xiàn),主要由于電池充電量過低,針對該類型故障原因的查找,應(yīng)當(dāng)從充電方面入手,確定充電正常情況。其次,電池存放時間與電池應(yīng)用環(huán)境均會對電池容量產(chǎn)生影響,對上述兩方面設(shè)計(jì)檢測步驟。通過查閱資料,明確汽車電池的具體類型。最后,對汽車內(nèi)部用電設(shè)備和電池使用頻率進(jìn)行檢測。利用合理的操作方法,根據(jù)上述檢測步驟獲取電池初步檢測結(jié)果,形成表1所示的汽車電池多方面檢查記錄。

表1 數(shù)據(jù)記錄

根據(jù)上述電池檢測結(jié)果,明確汽車電池的運(yùn)行狀態(tài)。電動汽車電池診斷不僅僅針對電池本身,還需要考慮到電池管理模塊,確保電池的正常運(yùn)行。在電池管理結(jié)構(gòu)中添加電壓傳感器,獲取電池運(yùn)行過程中,電壓數(shù)據(jù)值變化情況。考慮到電池過充和過放狀態(tài)下,難以獲取電壓值準(zhǔn)確監(jiān)測結(jié)果,在電池管理結(jié)構(gòu)中,除電壓傳感器之外添加2個其他類型傳感器,明確電池實(shí)時運(yùn)行狀態(tài)。尤其針對電壓最高的電池,和電壓最低的電池進(jìn)行在線實(shí)時監(jiān)測。

2.2.2 故障情況分析結(jié)果

基于檢測結(jié)果結(jié)合文中設(shè)計(jì)的自動診斷方法進(jìn)行計(jì)算,明確電池當(dāng)前狀態(tài)。電池故障診斷過程中,形成圖5所示的故障情況分析結(jié)果。

圖5 電池故障診斷

當(dāng)電池的電流、電壓信號保持一致時,故障情況分析結(jié)果如圖5(a)所示。在電池組中,選取電壓最高和最低的兩塊電池進(jìn)行電壓實(shí)際測量,生成圖5(b)。而圖5(c)與圖5(d)表示汽車電池工作過程中Umax和Umin值的變化。采用累積和控制圖(Cumulatire Sum,CUSUM)測試方法,綜合分析不同狀態(tài)下Umax和Umin值的響應(yīng)變化情況。利用文中提出的模式識別故障診斷模型得出最終的電池故障診斷結(jié)果。

2.2.3 故障診斷方法FDR 值對比

為了明確文中提出診斷方法的實(shí)際應(yīng)用效果,利用文獻(xiàn)[3]、文獻(xiàn)[4]提出的故障診斷方法,針對上述電池模型進(jìn)行故障診斷。根據(jù)3種方法得出的電池故障診斷結(jié)果,采用多重檢驗(yàn)錯誤控制指標(biāo),錯誤發(fā)現(xiàn)率(False Discovery Rate,FDR)作為評價指標(biāo),對比不同診斷方法的實(shí)際應(yīng)用性能。FDR 計(jì)算公式表示為

式中:V為診斷錯誤次數(shù);R為診斷總數(shù)量;E為期望比率。基于上述故障診斷結(jié)果,結(jié)合公式(10)得出不同故障診斷方法FDR值對比圖,見圖6。

圖6 不同故障診斷方法FDR值對比

根據(jù)圖6可知,隨著自動診斷次數(shù)的不斷增長,FDR 值隨之提升。與文獻(xiàn)[3]、文獻(xiàn)[4]方法診斷結(jié)果相比,文中設(shè)計(jì)方法的FDR 值大幅度降低,部分情況下診斷結(jié)果的FDR 值為0。通過計(jì)算不同故障診斷方法的平均FDR 值可知,文中設(shè)計(jì)方法使得FDR 值降低了0.24、0.35,大大降低了診斷錯誤發(fā)生概率。該診斷方法的推行有利于電池組件的正常運(yùn)行,提升電動汽車行駛安全性。

2.2.4 結(jié)果分析

分析圖6可知,當(dāng)診斷次數(shù)為200次時,文獻(xiàn)[3]方法的FDR 值為0.145,文獻(xiàn)[4]方法的FDR 值為0.136,本文方法的FDR 值為0.02;當(dāng)診斷次數(shù)為1 000次時,文獻(xiàn)[3]方法的FDR 值為0.242,文獻(xiàn)[4]方法的FDR 值為0.201,本文方法的FDR 值為0.051;本文方法始終具有較低的FDR值,表明本文方法能夠有效降低診斷錯誤發(fā)生概率,提升電動汽車行駛安全性。

3 結(jié)論

電動汽車的廣泛應(yīng)用使得組件故障問題的診斷成為重點(diǎn)研究問題。文中針對電池故障問題,構(gòu)建基于模式識別的故障自動診斷方法。根據(jù)電動汽車電池結(jié)構(gòu),結(jié)合電力運(yùn)行特征向量和模式識別模型,獲取故障診斷結(jié)果。并應(yīng)用閾值比較的方法,明確電池故障的具體類型。仿真實(shí)驗(yàn)結(jié)果表明,該方法的應(yīng)用極大降低了診斷錯誤發(fā)生概率,有利于促進(jìn)電動汽車電池故障的快速識別處理。但是文中設(shè)計(jì)的故障診斷方法,并未涉及多個系統(tǒng)故障并存情況,未來研究過程中,需要進(jìn)一步改進(jìn),得到更加準(zhǔn)確的故障診斷結(jié)果。