工业电池管理系统(BMS)中锂离子电池的故障预测

《JOURNAL OF POWER SOURCES》:Fault prognostics of lithium-ion batteries in industrial battery management systems

【字体: 大 中 小 】 时间:2026年08月02日 来源:JOURNAL OF POWER SOURCES 8.4

编辑推荐:

  锂离子电池是电动汽车与储能系统中的关键组件,可靠的预测对于确保安全与运行效率至关重要。然而,大多数工业电池管理系统(BMS)仍主要关注监测与保护,在早期退化感知与预测性决策方面能力有限。特别是异常检测与剩余使用寿命(RUL)预测通常仍被视为独立任务,限制了其潜

  
锂离子电池是电动汽车与储能系统中的关键组件,可靠的预测对于确保安全与运行效率至关重要。然而,大多数工业电池管理系统(BMS)仍主要关注监测与保护,在早期退化感知与预测性决策方面能力有限。特别是异常检测与剩余使用寿命(RUL)预测通常仍被视为独立任务,限制了其潜在的协同效应。为解决此局限,研究人员提出一种统一的异常感知预测框架,将退化偏差转化为RUL估计的预测输入。首先基于健康电池数据构建统计校准的退化参考模型以表征名义老化行为。基于此模型,利用置信界预测区间与百分位数阈值定义基于标准化残差的异常表示。与传统仅将异常用于故障指示的方法不同,所提方法将异常演化重新表述为捕获早期退化动态的信息信号。所得异常指标作为外生输入嵌入多任务优化长短期记忆(MTO-LSTM)网络中,以改进正常与异常条件下时序退化依赖关系的学习。该框架在马里兰大学卡尔弗特高级生命周期工程中心(CALCE)锂离子电池数据集上验证。实验结果表明,与标准长短期记忆(LSTM)基及混合基准模型相比,该方法在早期异常检测与RUL预测精度方面均有提升,证明了将统计基础的异常演化整合到面向健康感知BMS的预测建模中的益处。
研究背景方面,锂离子电池因高能量密度、长循环寿命、低自放电及宽工作温度范围,已成为电动车辆、电网级存储、便携式电子与航空航天应用的主导电化学储能技术。尽管具备这些优势,电芯在电化学、热与机械老化过程耦合驱动下会发生渐进退化,而温度波动、大倍率充放电电流、振动及制造差异等外部应力会进一步加速劣化。电池管理系统(BMS)在此过程中发挥核心作用,其采集传感器测量值、处理信号并用于估计健康状态(SOH)与剩余使用寿命(RUL)等关键健康指标,进而支撑热控制、充电调节、电芯均衡与安全功能。现有工业BMS主要提供保护、均衡、热管理与容错控制(FTC)等能力,近期研究在推进状态估计方法、硬件架构与电池模型方面取得进展,但多数实际BMS框架仍偏被动,强调监测与控制而缺乏可检测早期退化异常并预测长期行为的集成预测功能,这限制了其在主动维护与可靠性驱动决策中的效用,凸显了需结合实时异常检测与准确长期RUL预测的面向预测BMS架构以提升安全与寿命管理的必要性。
研究人员开展了一种将早期异常感知显式纳入BMS内锂离子电池RUL预测过程的面向预测框架的研究,该框架不同于传统主要在故障发生后聚焦保护与FTC的BMS架构,引入了预期预测层以支持运行期间的健康感知决策。方法上首先采用可解释经验容量衰减模型建模正常退化行为作为识别预期老化模式偏离的基线,在此基础上将异常检测机制嵌入退化建模过程以提取量化异常行为的连续指标,这些指标源自工业BMS易获测量值,确保实时适用性且无需复杂电化学建模或额外传感硬件,所得异常感知特征被整合到基于多任务优化长短期记忆(MTO-LSTM)的预测模型中以改进名义与异常工况下RUL预测。该研究核心贡献并非开发新独立学习算法,而是将退化异常演化重新表述为RUL预测的信息信号,通过建立基于统计退化偏差指标的二者功能链接,将异常信息从二元故障标志转为源自有界残差与置信区间的连续标准化指标,使其作为外生输入引导MTO-LSTM时序学习、提升对名义老化行为偏离的捕捉能力,从而在嵌入可解释异常信息到数据驱动RUL预测中增强对早期退化敏感度与异常条件下鲁棒性。论文发表于《JOURNAL OF POWER SOURCES》。
关键的技术方法包括:采用马里兰大学卡尔弗特高级生命周期工程中心(CALCE)锂离子电池数据集,包含来自合格生产批次的健康样本与后续批次潜在不健康样本;离线阶段采用三阶多项式、指数与线性经验回归模型拟合健康容量退化数据,以平方和误差(SSE)与均方根误差(RMSE)选最优参考退化模型,基于健康残差分布95%百分位设异常阈值,定义标准化残差异常评分与基于预测区间界限的评分;在线阶段提取绝对衰减率(FRt)与漂移(Dt)两个异常指标;采用堆叠长短期记忆(LSTM)结构的多任务优化长短期记忆(MTO-LSTM)网络,以容量、FRt、Dt为输入、窗口大小8、1024单元LSTM层与512单元全连接层并含20%丢弃层,以均方误差(MSE)为损失、Adam优化器训练50轮,输出下一时刻容量并外推至80%名义容量终寿(EOL)阈值以估RUL,与简单循环神经网络(Simple RNN)、双向长短期记忆(BI-LSTM)、双向门控循环单元(Bi-GRU)、卷积神经网络(CNNs)结合LSTM或门控循环单元(GRU)等基准对比。
研究结果如下:
  1. 2.
    提出的用于故障预测与RUL预测的BMS框架:框架含离线模型开发与在线电池健康监测预测两阶段,离线用健康工况合格批次电池数据学参考退化模型表名义老化、在线续比实测与参考轨迹偏差得异常指标嵌入MTO-LSTM预测RUL并传BMS决策层支撑负载均衡、预防性维护调度与安全调节,建基于参考退化建模、偏差量化与学习基RUL预测的闭环异常感知预测架构。
2.1 离线容量模型开发与在线异常监测:采三经验回归模型(三阶多项式Qt(A)=α1t3+α2t2+α3t+α4、指数Qt(B)=β1e?β2t、线性Qt(C)=γ1t+γ2)以最小二乘拟健康电芯参,以SSE与RMSE选优嵌BMS;在线以实测Qt与预测Q?t残差et=Qt?Q?t算标准化评分st=|Qt?Q?t|/σe,以健康评分95%百分位λhealthy=Percentile95(shealthy)为阈,st≥λhealthy或出预测区间[Lt,Ut]判异常,区间内有界评分零、外按比例罚。
2.2 异常指标提取(在线阶段):提绝对衰减率FRt=|Qt?Qt?1|表容量衰减速率,与观测容量Qt和退化阈下界LBt漂移Dt(Qt<LBt时LBt?Qt,否则0)表低于许可范围程度,分析其与RUL相关性。
2.3 用MTO-LSTM模型的电池RUL预测(在线阶段):述LSTM门结构(遗忘门ft=σ?[Wf[ht?1,xt]+bf]、输入门it=σ?[Wi[ht?1,xt]+bi]与候选细胞C?t=tanh?[WC[ht?1,xt]+bC]、Ct=ft?Ct?1+it?C?t、输出门ot=σ?[Wo[ht?1,xt]+bo]与ht=ot?tanh(Ct))后,提MTO-LSTM以Qt、FRt、Dt为输入、窗长k=8、栈式LSTM后接全连接与丢弃层输出Qt+1估RUL。
  1. 3.
    实验与评估:用Python 3.9与MATLAB 2021在Intel Core i5 vPro、16GB RAM的Windows 10实现,离线评回归模选异常检测参考、在线部异常阈与MTO-LSTM估RUL;数据集1含6健康与6后续批潜在不健康样、数据集2含14健康与9不健康样,均25°C、2.04A充放、3.0–4.4V、标称3260mAh与300mAh,归一化容量为测容与标称容比,不健康样前100圈似健康、250圈后容骤降。
3.1 数据集描述:如上所述,资于CALCE与实际生产批次,健康样满足厂商寿命性能要求、不健康样评早期退化检测。
3.2 容量模型选择与验证:三模型拟两数据集健康数据,三阶多项式在数据集1(SSE=0.1803、RMSE=0.0095)与数据集2(SSE=0.3349、RMSE=0.0115)均最低误,优于指数与线性,选为参考退化模型嵌异常检测框架。
3.3 基于异常检测的阈值结果:数据集1阈λhealthyDataset1=1.82、数据集2λhealthyDataset2=2.6019;健康电池评分多低于阈、退化电池随严重度超阈,平均检测周期数据集1提案236对回归299、局部离群因子(LOF)273、曲率327,数据集2提案82对回归94、LOF56、马氏距离66,提案较早检早期退化且评分随退化级单调增可量化严重度。
3.4 异常指标与RUL的相关性分析:用距离相关析归一化容量Qt与FRt(0.4943)、Dt(0.9929)的依赖,Dt近完依表全局老化、FRt中度依捕局部瞬变,二者互补全局与局部退化信息、联合用增RUL模型表长期与瞬变故障效。
3.5 电池RUL预测结果:RUL=NEOL?Ncurrent(EOL为容达80%标称容周期、current为当前周期),MTO-LSTM在数据集1不健康电池平均RMSE=0.00805、MAE=0.00780,优于单输入LSTM(容输入MAE=0.01491、RMSE=0.01701;FR输入MAE=0.09801、RMSE=0.11293;D输入MAE=0.14000、RMSE=0.16461)、Simple RNN(MAE=0.02435、RMSE=0.02706)、BI-LSTM(MAE=0.02040、RMSE=0.02427)、Bi-GRU(MAE=0.02135、RMSE=0.02345)、CNNs+LSTM(MAE=0.04113、RMSE=0.06393)、CNNs+GRU(MAE=0.04799、RMSE=0.07223),证融合多输入与异常指标提预测精。
3.6 早期异常检测在增强RUL预测与BMS中的作用:指出现有BMS偏被动监保护无先进预测功,提案框合早期异常检测与数据驱动预测、识名义行为偏离捕早期退化信号供MTO-LSTM用提RUL可靠度,促BMS从被动故障管理向预测导向平台演进以支主动维护、优策略、减意外失效、延寿命并提安全经济效。
总结讨论部分,研究结论部分翻译为:本研究提出了一种BMS内锂离子电池RUL预测的统合异常感知预测框架。所提方法解决了传统BMS架构中异常检测与预测建模通常被视为独立过程从而限制其组合预测潜力的关键局限。本工作核心是将退化偏差信息转化为结构化、统计基础的指标以直接用于预测建模。首先基于健康电池数据构建参考退化模型以表征名义老化行为。基于此参考,利用置信界预测区间与基于百分位的阈值定义基于标准化残差的异常表示。与传统二元异常检测策略不同,此表述实现对退化演化的连续且信息性描述。随后将提取的异常感知指标整合到多任务优化长短期记忆(MTO-LSTM)网络中,以增强正常与异常工况下时序退化动力学的学习。这种整合使预测模型能显式考虑名义老化轨迹的偏离,提升对早期退化的敏感度并增强预测鲁棒性。在CALCE锂离子电池数据集上的实验验证表明,与若干基准方法(包括传统基于长短期记忆(LSTM)与混合深度学习模型)相比,所提框架实现了改进的异常检测能力与增强的RUL预测精度。此外,结果证实了整合统计定义的异常信息在提升数据驱动预测模型内退化感知方面的有效性。从应用角度看,所提框架通过实现异常退化模式早期检测与支撑主动维护策略,为迈向预测与健康感知BMS提供了实用路径,代表了从传统被动BMS设计向更智能、预测驱动架构的迈进。未来工作将聚焦于扩展验证至具不同化学体系、工况与老化机制的附加数据集以进一步评估泛化能力。此外,未来发展将研究自适应异常阈值与物理信息学习策略,以进一步增强实际BMS应用中的鲁棒性与可解释性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号