徐悅 梁谷羿 劉溧 周海 周浩

摘要：電池包經(jīng)常處于深度放電狀態(tài)會(huì)極大地影響電池壽命，在嚴(yán)重情況下甚至?xí)?dǎo)致停車故障，傳統(tǒng)故障診斷方法難以判斷電池潛在故障以及故障發(fā)生程度。因此，本文提出了一種基于特征提取和XGBoost 的電池故障預(yù)警方法。該方法對(duì)電池?cái)?shù)據(jù)進(jìn)行預(yù)處理，根據(jù)電芯端電壓構(gòu)建新的特征，對(duì)電池?cái)?shù)據(jù)進(jìn)行標(biāo)注，建立XGBoost 預(yù)測(cè)模型來(lái)預(yù)測(cè)電壓故障，判斷動(dòng)力電池是否欠壓。此外，還采用K 折交叉驗(yàn)證以及隨機(jī)搜索算法提高預(yù)測(cè)的準(zhǔn)確性。實(shí)驗(yàn)結(jié)果表明，該方法可以有效區(qū)分故障車和正常車，并提前定位故障發(fā)生時(shí)間，從而避免潛在的事故風(fēng)險(xiǎn)。

關(guān)鍵詞：電池故障預(yù)警；特征提?。粩?shù)據(jù)標(biāo)注；XGBoost 預(yù)測(cè)；單體欠壓

中圖分類號(hào)：U472 DOI ：10.20042/j.cnki.1009-4903.2023.05.009

0 引言

在環(huán)境污染和能源危機(jī)的雙重壓力下，世界各國(guó)開(kāi)始對(duì)新能源給予高度關(guān)注，電動(dòng)重卡的優(yōu)勢(shì)已得到廣泛認(rèn)可[1]。相較于傳統(tǒng)燃油重卡，電動(dòng)重卡使用動(dòng)力電池作為其主要能量來(lái)源[2]。為了滿足電動(dòng)重卡的動(dòng)力需求，電池系統(tǒng)通常由數(shù)千個(gè)鋰離子電池串并聯(lián)組成[3][4]。電池組可能因?yàn)殡姵乩匣驼`操作而出現(xiàn)故障，極端情況下甚至可能引發(fā)災(zāi)難性事故，這對(duì)電池系統(tǒng)的安全構(gòu)成重大威脅[5]。電壓異常是動(dòng)力電池常見(jiàn)的故障之一，包括過(guò)壓和欠壓2 種情況[6]。欠壓是新能源重卡常見(jiàn)的故障之一，電池包頻繁處于深度放電狀態(tài)會(huì)顯著縮短電池壽命，嚴(yán)重情況下甚至可能導(dǎo)致車輛停車故障。如果能準(zhǔn)確提前預(yù)測(cè)故障發(fā)生的時(shí)間點(diǎn)，并及時(shí)進(jìn)行預(yù)警，就能有效降低故障發(fā)生率，避免車輛在行駛過(guò)程中因電池故障而面臨運(yùn)營(yíng)風(fēng)險(xiǎn)。這將有助于延長(zhǎng)電池的使用壽命并大幅降低維修費(fèi)用。

目前已經(jīng)提出了許多動(dòng)力電池故障診斷的方法，大致可以分為3 類：基于閾值的方法[7]、基于模型的方法[8] 以及基于數(shù)據(jù)驅(qū)動(dòng)的方法[9]。

基于閾值的方法可以在電池電壓超過(guò)設(shè)定的閾值時(shí)檢測(cè)電池故障，目前已被廣泛應(yīng)用于電動(dòng)汽車的電池管理系統(tǒng)（BMS）[10]。然而，當(dāng)異常電壓處于安全范圍內(nèi)時(shí)，該方法難以檢測(cè)早期電池故障。此外，選擇合適的閾值對(duì)這種方法來(lái)說(shuō)至關(guān)重要。如果設(shè)置的閾值太高，異常電壓可能難以達(dá)到預(yù)設(shè)的閾值，從而產(chǎn)生漏報(bào)。反之，如果設(shè)置的閾值太低，則可能產(chǎn)生誤報(bào)。

基于模型的方法需要針對(duì)不同的電池和故障進(jìn)行大量的測(cè)試和建模工作，這導(dǎo)致了實(shí)現(xiàn)上的困難、模型精度的問(wèn)題、魯棒性的挑戰(zhàn)以及應(yīng)用范圍的限制[11][12][13][14]。具體來(lái)說(shuō)，文獻(xiàn)[11]基于電池差異模型，利用擴(kuò)展卡爾曼濾波器來(lái)估計(jì)電池組的荷電狀態(tài)（SOC） 與平均SOC 的差異。文獻(xiàn)[12] 則提出了一種適用于串聯(lián)電池組的有效方法，即基于模型的傳感器故障檢測(cè)和隔離（FDI） 方案。文獻(xiàn)[13] 利用擴(kuò)展卡爾曼濾波器來(lái)估計(jì)每個(gè)模型的端電壓并生成殘差信號(hào)，這些殘差信號(hào)可以被用于檢測(cè)故障信息。此外，文獻(xiàn)[14] 通過(guò)電池的電化學(xué)模型的PF 框架來(lái)預(yù)測(cè)電池的剩余使用壽命（RUL）。然而，基于模型的方法僅適用于已建模的特定故障，對(duì)于未建模的故障無(wú)法進(jìn)行檢測(cè)，因此其適用范圍相對(duì)較窄。

數(shù)據(jù)驅(qū)動(dòng)的方法不需要建立精確的模型，而是通過(guò)提取歷史數(shù)據(jù)的特征進(jìn)行分析建模來(lái)檢測(cè)故障，從而省去了復(fù)雜的流程，實(shí)現(xiàn)了簡(jiǎn)單化。文獻(xiàn)[15] 提出了一種基于小波神經(jīng)網(wǎng)絡(luò)的電池故障檢測(cè)方法，能夠?qū)崿F(xiàn)對(duì)故障狀態(tài)進(jìn)行分類。文獻(xiàn)[16]提出了一種基于統(tǒng)計(jì)分析的鋰離子電池三層故障檢測(cè)方法方案：在第一層設(shè)置過(guò)充和過(guò)放閾值，在第二層應(yīng)用置信區(qū)間估計(jì)來(lái)識(shí)別風(fēng)險(xiǎn)電芯，在第三層使用了改進(jìn)的K-means方法識(shí)別異常電壓波動(dòng)。文獻(xiàn)[17]提出了一種基于修正香農(nóng)熵的電壓故障診斷方法，能夠通過(guò)監(jiān)測(cè)車輛運(yùn)行過(guò)程中的電池電壓來(lái)預(yù)測(cè)電壓故障。

基于數(shù)據(jù)驅(qū)動(dòng)的方法融合了信息論、機(jī)器學(xué)習(xí)以及數(shù)理統(tǒng)計(jì)等技術(shù)，可以準(zhǔn)確地分析出不同工況下電動(dòng)重卡的潛在規(guī)律和內(nèi)在特征，對(duì)于電池系統(tǒng)的異常檢測(cè)和提前預(yù)警具有天然的優(yōu)勢(shì)。鑒于此，本文從機(jī)器學(xué)習(xí)的角度構(gòu)建了電池系統(tǒng)故障預(yù)警的數(shù)據(jù)驅(qū)動(dòng)模型。該模型從整車歷史數(shù)據(jù)中提取有效的特征并學(xué)習(xí)故障模式，建立了XGBoost 預(yù)測(cè)模型來(lái)表達(dá)數(shù)據(jù)輸入和故障輸出之間的關(guān)系。該模型能夠根據(jù)歷史電池狀態(tài)預(yù)測(cè)下一次截止運(yùn)行的電壓狀態(tài)，從而判斷電動(dòng)重卡是否處于欠壓狀態(tài)。通過(guò)這種方法，可以提醒駕駛員改善其駕駛習(xí)慣和充電習(xí)慣，使電動(dòng)重卡電池包的壽命更長(zhǎng)。使用5 輛電動(dòng)重卡的真實(shí)數(shù)據(jù)驗(yàn)證了本方法的有效性。本文的貢獻(xiàn)如下：

⑴所提出的方法可以準(zhǔn)確分析出不同工況下電動(dòng)重卡的潛在規(guī)律和內(nèi)在特征，這對(duì)于電池系統(tǒng)的異常檢測(cè)和提前預(yù)警具有天然的優(yōu)勢(shì)。

⑵所提出的方法可以提前定位單體欠壓發(fā)生的時(shí)間點(diǎn)，實(shí)現(xiàn)故障預(yù)警，從而有效降低故障發(fā)生率，避免車輛在行駛過(guò)程中因電池故障而出現(xiàn)事故。

⑶所提出的方法可以判斷潛在故障以及故障發(fā)生程度，滿足在線檢測(cè)的需求。

1 大數(shù)據(jù)平臺(tái)

目前，一些電動(dòng)汽車起火、爆炸等事故的發(fā)生，表明電動(dòng)重卡存在許多安全隱患，其安全性成為大規(guī)模應(yīng)用的主要障礙。因此，建立有效的安全運(yùn)行體系至關(guān)重要。這個(gè)體系是一個(gè)大數(shù)據(jù)平臺(tái)，主要功能包括監(jiān)測(cè)和采集電動(dòng)重卡實(shí)時(shí)運(yùn)行數(shù)據(jù)，并通過(guò)大數(shù)據(jù)技術(shù)進(jìn)行深入分析和研究，以監(jiān)控車輛運(yùn)行狀態(tài)和關(guān)鍵部件的狀態(tài)。

根據(jù)中國(guó)國(guó)家標(biāo)準(zhǔn)[18]，電動(dòng)汽車必須上傳靜態(tài)和動(dòng)態(tài)實(shí)時(shí)數(shù)據(jù)。靜態(tài)數(shù)據(jù)包括充電狀態(tài)、車輛狀態(tài)和運(yùn)行模式等，而動(dòng)態(tài)數(shù)據(jù)則包括電機(jī)驅(qū)動(dòng)系統(tǒng)、整車控制系統(tǒng)和動(dòng)力電池系統(tǒng)的相關(guān)參數(shù)，例如總電壓、總電流、累計(jì)里程和荷電狀態(tài)（SOC）等。車載傳感器可以獲取這些數(shù)據(jù)，并將其上傳到車輛控制單元，然后通過(guò)T-box 無(wú)線通信將數(shù)據(jù)傳輸?shù)皆贫恕?/p>

本文利用真實(shí)數(shù)據(jù)對(duì)電池進(jìn)行分析和研究，所有處理的數(shù)據(jù)均來(lái)自大數(shù)據(jù)平臺(tái)監(jiān)測(cè)的電動(dòng)重卡實(shí)時(shí)行駛車輛數(shù)據(jù)。

2 故障預(yù)警方法

本文提出了一種基于特征提取和XGBOOST 的電動(dòng)重卡電池故障預(yù)警方法，旨在判斷動(dòng)力電池是否欠壓，從而提醒駕駛員改善駕駛習(xí)慣和充電習(xí)慣。圖1 顯示了該方法所包含的步驟，分為數(shù)據(jù)預(yù)處理、充放電段數(shù)據(jù)提取、特征構(gòu)造、標(biāo)簽構(gòu)建、XGBoost 模型構(gòu)建和線上驗(yàn)證。

2.1 數(shù)據(jù)預(yù)處理

電動(dòng)重卡實(shí)時(shí)傳輸?shù)膮?shù)包括電流、電壓和SOC 等。為了準(zhǔn)確預(yù)測(cè)整車的SOC 狀態(tài)，本文選取了以下參數(shù)：總電壓、總電流、SOC、最高單體電壓、最低單體電壓、最高單體溫度和電芯端電壓。整車數(shù)據(jù)是按時(shí)間采集的，但在數(shù)據(jù)采集過(guò)程中可能會(huì)遇到異常值和缺失值等錯(cuò)誤數(shù)據(jù)。為了避免這些錯(cuò)誤數(shù)據(jù)對(duì)最終預(yù)警結(jié)果產(chǎn)生影響，需要進(jìn)行數(shù)據(jù)清洗。本文采用的方法如下：

⑴極端值刪除，電動(dòng)重卡電壓預(yù)設(shè)范圍為V 1～V 2，如果電壓超過(guò)預(yù)設(shè)范圍，則可能是傳感器采集問(wèn)題，而不是電池類問(wèn)題，因?yàn)槌^(guò)預(yù)設(shè)范圍的電壓值將會(huì)被刪除。此外，溫度預(yù)設(shè)范圍為T1～T 2，超過(guò)預(yù)設(shè)范圍的溫度值將會(huì)被刪除。

⑵缺失值處理，整車數(shù)據(jù)中存在一個(gè)或連續(xù)多個(gè)采樣點(diǎn)缺失的情況，這些缺失值對(duì)數(shù)據(jù)分析和電池故障診斷沒(méi)有影響，可以直接刪除。

2.2 充放電段數(shù)據(jù)提取

本文主要針對(duì)的數(shù)據(jù)分析對(duì)象是電動(dòng)重卡在充放電過(guò)程中的總電壓、總電流等數(shù)據(jù)，而且車輛在運(yùn)行過(guò)程中的充放電次數(shù)不止一次，因此需要對(duì)車輛所有的放電段數(shù)據(jù)進(jìn)行提取，使用的參數(shù)為總電流。首先提取充電段數(shù)據(jù)，具體提取方式為：將清洗之后的數(shù)據(jù)重置索引，判斷電流為負(fù)的數(shù)據(jù)點(diǎn)，保證數(shù)據(jù)點(diǎn)連續(xù)且至少ε個(gè)以上，記錄充電段起始點(diǎn)和結(jié)束點(diǎn)索引值。放電段數(shù)據(jù)則為這些索引之外的數(shù)據(jù)段，記錄放電段的索引值[[a0，a1]，[a2，a3 ]，…，[an-1，an]]。最后，根據(jù)放電段索引值提取放電段數(shù)據(jù)。