基于多维时频特征融合的动力电池在线异常监测与分级诊断方法

《Journal of Energy Storage》：Online anomaly monitoring and graded diagnosis method for power batteries based on multi-dimensional time-frequency feature fusion

　　林虎|陈佳旺|黄静|张东杰|王苗本|Maitane Berecibar|邹长福中国长沙，410114，长沙理工大学机械与车辆工程学院摘要有效的电池故障诊断与安全预警对电动汽车的安全至关重要。然而，实际车辆数据中的早期电压异常通常较为微弱，且容易被运行条件波动和测量噪声所掩盖，从而导致误报或预警延迟。本文提出了一种基于多维时频特征融合的在线异常监测与分级诊断方法。该方法采用滑动窗口机制实时更新电压序列，并从时域和频域提取多种有效的统计特征。随后利用主成分分析降低特征维度，再通过局部离群因子量化每个电芯的异常程度。在此基础上设计了双重阈值策略：对于轻微异常采用基于持续性的评估方式以减少误报，而对于严重异常则采用即时触发机制以确保及时识别。在真实车辆数据上的实验表明，该方法能够在故障逐步发展过程中检测出早期的轻微异常电芯，并在热失控发生前70帧以上识别并定位出严重异常电芯，同时在正常运行条件下也能保持较低的误报率。总体而言，该方法在真实车辆电池异常监测与分级预警方面具有广阔的应用前景。引言随着全球能源转型以及碳中和目标的追求，电动汽车已成为可持续交通发展中的关键解决方案[1]。由于锂离子电池具有较高的能量密度和更长的循环寿命，因此被广泛用于电动汽车和便携式电子设备中[2]、[3]、[4]。然而，制造缺陷以及诸如过度使用等复杂的运行条件都可能引发电池故障，带来严重的安全风险[5]。为满足容量和电压要求，电动汽车电池系统通常由多个电芯通过串联和并联组合而成。任何一个电芯的故障都可能造成不同程度的影响，从降低行驶里程[6]到引发热失控（TR），进而危及生命和财产安全[7]。因此，在热失控发生之前及时识别和定位异常电芯，对于提升电动汽车电池系统的运行安全性至关重要。目前，电动汽车中的数据采集仅限于电流、电芯电压、总电压和表面温度等少数关键电池参数。因此，分析电压和温度的变化仍然是故障诊断的主要方法。现有的动力电池诊断方法大致可分为三类：基于知识的方法、基于模型的方法以及数据驱动的方法[8]。基于知识的方法通常通过对历史故障数据进行定性分析，确定故障与电池参数之间的关系，从而通过明确的逻辑判断快速诊断常见故障。例如，Zhu等人[9]通过实验分析了过充引起的热失控过程中温度和电压的变化，提出了基于电压-温度特征的四级严重程度分类方法，用以评估过充风险。然而，基于知识的方法严重依赖专家经验，且通常只能识别特定的已知故障，难以适应电动汽车复杂多变的运行条件。基于模型的诊断方法则依赖于电池的数学或物理模型，如等效电路模型[10]、电化学模型[11]、热模型[12]以及各种混合模型[13]。这些模型能够实时模拟电池的正常工作状态，通过分析模型输出与实测数据之间的差异来识别故障。例如，Hong等人[14]提出了一种改进的二阶RC电路模型，用于捕捉外部短路（ESC）条件下的非线性电池特性。他们采用递归最小二乘法进行动态参数识别，实验结果表明该模型能够在4秒内诊断出ESC故障。Xu等人[15]基于一阶RC模型设计了一种强大的多目标非线性观测器，通过将观测器生成的残差与自适应阈值进行比较，能够识别内部短路（ISC）、电压传感器和电流传感器故障。类似地，Pan等人[16]构建了电热耦合模型，实现电压和温度的同步监测，从而显著提高了ISC诊断的准确性。Li等人[17]进一步开发了一种多模型融合的综合方法，其在电压预测精度和故障敏感度方面均优于传统的单一模型。尽管基于模型的方法能够有效捕捉电池的内部动态，但其诊断性能在很大程度上取决于模型的精确度。然而，在实际车辆运行过程中，由于驾驶条件的复杂性和可变性，很难获得准确的参数。此外，这些方法较高的计算复杂度也往往限制了其在实际应用中的可行性。近年来，由于数据驱动的方法具备对复杂系统的适应性且无需精确的物理模型，因此在动力电池故障诊断领域逐渐凸显出重要地位[18]、[19]。这些方法主要利用信号处理技术从运行数据中提取关键特征，再结合机器学习算法来揭示电池状态与故障模式之间的关联。例如，Li等人[20]将经验模态分解（EMD）与样本熵相结合，用于检测和定位电芯故障。Chang等人[21]应用连续小波变换（CWT）将一维电压信号转换为二维时频图像，进而利用图像熵和基于密度的空间聚类算法（DBSCAN）进行故障检测。Sun等人[22]通过离散Fréchet距离和局部离群因子（LOF）算法实现了早期热失控预警。Li等人[23]从增量容量（IC）曲线中提取特征，通过主成分分析进行降维，再结合聚类算法与累积百分比分析来诊断潜在的异常情况。其他基于信号处理的方法还包括相关系数[24]、[25]、香农熵[26]以及修正熵[27]、[28]。此外，深度学习模型也被广泛用于利用大规模数据实现自动故障识别。Hong等人[29]应用长短期记忆（LSTM）神经网络进行诊断，而He等人[30]则进一步将LSTM与反向传播神经网络（BPNN）相结合，用于故障预测。Wang等人[31]、[32]采用高斯混合模型（GMM）进行热失控预警和故障跟踪。此外，支持向量机（SVM）[33]、隔离森林（IF）[34]、XGBoost[35]、K均值[36]以及Transformer模型[37]也得到了广泛研究。然而，许多这类机器学习方法，尤其是监督学习方法，严重依赖于大量且标注准确的故障样本进行训练。在现实世界的运行场景中，高质量标注的故障数据十分稀缺，这限制了模型的泛化能力，也制约了这些方法在工程领域的广泛应用。尽管现有方法在电池故障检测方面已取得一定进展，但其中许多方法仍然主要在实验室条件下使用相对理想的数据进行开发和验证。在实际的电动汽车运行过程中，由于频繁地在充电和放电状态之间切换，再加上随机出现的电压波动，使得早期故障特征难以识别，从而导致误报或预警延迟。此外，实际车辆中的电池故障可能呈现渐进式发展、突然恶化或在不同电芯间传播的特点，这就对诊断的灵敏度、稳健性以及预警的及时性提出了更高要求。近年来，出现了基于真实车辆数据的诊断框架，例如将信号分解与时域无量纲特征参数相结合的无监督异常检测方法[38]。然而，那些仅依赖单一时域特征或单一层级异常决策的方法，可能难以有效识别微妙的早期异常，也无法准确描述不同类型的异常发展模式。为应对这些挑战，本文提出了一种基于多维时频特征融合的动力电池在线异常监测与分级诊断方法。通过将时频异常信息与分级预警机制相结合，该方法能够对持续存在的轻微偏差和严重异常进行分级识别和预警，从而提高在复杂实际车辆运行条件下的异常识别可靠性。该方法的主要贡献如下：（1）提出了一种多维时频特征表示方法，用于早期电压异常的特征描述。在每个滑动窗口内，电压序列会实时更新，然后通过FFT将电压时间序列转换到频域。接着从时域和频域提取多种统计特征，从不同角度描述异常电芯电压的变化情况。进一步通过主成分分析降低特征冗余和维度效应，从而提高在实际车辆运行条件下识别异常电芯的能力。（2）建立了两级预警策略，用于实现异常的分级诊断。在降维后的特征空间中，利用局部离群因子算法量化每个电芯的异常程度，进而设计出两级阈值预警机制。对于轻微异常，采用基于持续性的决策机制，以减少短期波动带来的误报；而对于严重异常，则采用即时触发机制，确保能够及时响应那些状况迅速恶化的电芯。（3）该方法通过涵盖正常运行、突然故障以及逐步故障场景的真实电动汽车运行数据进行了验证。实验结果证明了其在在线异常监测和分级诊断方面的潜力。数据描述本研究所使用的数据来自一个大数据平台上的电动出租车运行数据集。这些车辆在真实的城市交通环境中持续运行了一年多，因此收集到的数据能够反映车辆在真实驾驶、充电及环境条件下的运行特性。在本研究中，选择了一辆车辆作为分析对象。其电池系统由95个串联的电芯组成，每个电芯的电压整体研究框架所提出的动力电池故障诊断方法的研究框架如图3所示。首先，对经过异常值去除和噪声平滑处理的真实车辆电压数据进行处理，将其作为输入。然后通过滑动窗口机制对连续的电压序列进行分割，得到固定长度的电压序列，以便进行实时分析。同时，通过FFT将电压信号转换到频域，为后续分析提供时频基础。结果与讨论为验证所提方法的有效性，本研究选取了一辆状态良好的车辆以及两辆发生过热失控事件的车辆。这三辆车辆的规格信息来自大数据平台，总结见表2。具体而言，车辆1在最后一次充电过程中，其17号电芯发生了热失控。在车辆2中，事故发生前5号电芯的电压出现了明显偏差；热失控在最后一次充电后不久便开始了。结论与展望为提升电池系统的运行安全性，本文提出了一种基于多维时频特征融合的在线异常监测与分级诊断方法。首先，引入滑动窗口机制实时更新电芯电压序列，同时从时域和频域提取多种有效的统计特征，以更好地描述早期电压异常的发展过程。随后通过主成分分析降低17维的特征维度。CRediT作者贡献声明林虎：撰写——初稿、验证、软件、项目管理、方法论、研究、资金获取、正式分析、数据整理。陈佳旺：撰写——初稿、可视化、验证、软件、资源、方法论、研究、正式分析、数据整理、概念构建。黄静：撰写——审阅与编辑、监督、资源、研究、资金获取、正式分析。张东杰：撰写——审阅与编辑、验证、利益冲突声明作者声明不存在任何可能影响本文工作的已知财务利益或个人关系。致谢本研究得到了国家杰出青年科学基金（项目编号52325211）、国家自然科学基金（项目编号U25A20380）、湖南省创新研究群体项目（项目编号2025JJ10006）、湖南省高等学校科技创新团队（新能源智能车辆技术，项目编号2023CT02）以及湖南省科技创新计划的支持。