一种基于小波分解和包络谱分析的电池故障识别方法技术

本发明专利技术提出一种基于小波分解和包络谱分析的电池故障识别方法。包括以下步骤：该方法首先利用小波分解得到合适的分解信号，选取合适的细节分解信号进行希尔伯特变换得到包络谱，提取出有效故障特征，并利用离群点检测算法进行故障电池检测。该方法能有效提取故障特征并提前实现电池故障诊断，能够在电池组中准确找到异常电池。

【技术实现步骤摘要】
一种基于小波分解和包络谱分析的电池故障识别方法
本专利技术属于电池管理
，具体涉及一种基于小波分解和包络谱分析的电池故障识别方法。
技术介绍
随着新能源汽车市场占有率的提高，电动汽车数量快速增长，同时动力锂电池安全事故也频繁发生，严重威胁人们的生命财产安全，电池安全问题已成为制约电动汽车大规模快速发展的关键瓶颈。作为避免电池故障引发严重后果的干预手段，电池故障的提前预警对降低电池安全事故发生率具有重要作用，是近年来的研究热点。车载锂离子电池系统在实际的运行过程中，有可能存在电池单体故障、电池组故障、电池管理系统硬件故障等，这些故障在一定程度上不仅会导致电池性能的快速衰退，甚至会导致电池起火，造成严重的安全事故。为了避免这些情况的发生，必须快速准确地诊断出电池中发生的故障并进行安全预警，从而提高电池使用的安全性。目前，锂离子电池故障诊断技术依然是电池安全问题研究的一个热点和难点，目前对电池系统能够进行检测且易获得的数据通常是电压、温度、电流。在实际过程中电流变化复杂、温度测量受温度传感器影响，因此通常对电池电压进行分析。目前常用的方法是通过对电压进行时域分析，提取相关特征。本文提出从频域方向进行分析，并结合无监督算法，有效实现故障诊断。
技术实现思路
鉴于此，有必要提供一种更为准确的故障单体电池识别方法。本专利技术提供了一种基于小波分解和包络谱分析的电池故障识别方法，通过实时采集锂离子电池系统使用过程中各单体电池的电压数据，创新性地利用信号分析方法从各个单体电池的电压数据中提取了能后多个反映电压信号变化特性以及故障频率的特征参数，并结合无监督学习的异常值检测实现故障诊断与预警。因此基于小波分解和包络谱分析的电池故障诊断算法具体说明如下：一种基于小波分解和包络谱分析的电池故障识别方法，包括以下步骤：S1，在设定时间窗口内采集电池组使用过程中的电芯电压数据作为原始数据集，其中原始数据集包括正常单体电池和故障单体电池的电压数据；S2，对采集的原始数据集的所有电压数据进行小波分解后得到细节分量，并对细节分量进行希尔伯特变换包络谱分析得到每个电芯电压对应的均值幅值；S3，将均值幅值作为故障特征值，并将故障特征值作为基本样本点，进行基于距离的异常值检测，异常值检测是计算各样本点到样本中心的距离，如果单独某个或多个样本点的距离偏差超过设定的阈值就可以判断该样本点为异常值。在上述的一种基于小波分解和包络谱分析的电池故障识别方法，所述步骤S2的具体实现过程包括：S2.1、对采集的原始数据集的所有电压数据进行去噪和分解处理，将时间窗口内的各单体电芯电压信号中进行4层离散小波分解，得到2个细节分量和2个近似分量，其中信号的离散小波分解的具体实现如下所示：其中Wv(m,n)表示信号函数v(t)的离散小波变换，本专利技术通过离散变换将得到2个近似分量W1(m,n),W2(m,n)和2个细节分量W3(m,n),W4(m,n)，v(t)是指电芯电压信号，是小波函数。t为采样时间，a0＞1为尺度因子，m∈Z为离散阶数，b0∈R为平移因子，n∈Z为任意常数。S3，上述得到的细节信号能够明显反映故障信息，因此对细节分量W4(m,n)(之后简化写成W4)进行希尔伯特变换包络谱分析，希尔伯特变换具体实现过程如下：式中，w4(t)是电芯电压v(t)通过小波分解后得到的细节分量信号。H[w*4(t)]为w4(t)经过希尔伯特变换得到的信号。变换后得到的信号幅值h(t)、瞬时相位φ(t)、瞬时频率公式w(t)其中每一个瞬时频率w(t)对应一个幅值h(t)，它们对应的公式如下：在上述的一种基于小波分解和包络谱分析的电池故障识别方法，步骤S2中的均值幅值是将不同频率的信号幅值h(t)做均值化处理得到均值幅值a(t)作为故障特征值，电池组中不同电芯故障特征集x＝[a1(t),a2(t)...aN(t)]，N为电池个数。在上述的一种基于小波分解和包络谱分析的电池故障识别方法，步骤S3的具体实现过程是：将故障特征值作为基本样本点，进行基于距离的异常值检测，异常值检测是计算各样本点到样本中心的距离，如果单独某个或多个样本点的距离偏差超过设定的阈值就可以判断该样本点为异常值。具体公式如下：式中xi为故障特征值，i＝1,2,3…N，为平均值，计算公式为dist(xi)为所求的样本距离。与现有技术相比，本专利技术所给出的故障单体电池识别方法对电池组运行过程中采集到的电压数据进行分析，创新性地利用频域分析方法从各个单体电池的电压数据中提取了反映电压信号变化特性的特征参数。利用小波分解和包络谱分析算法，能够在短时间内实时进行故障单体电池的检测识别，提高了单体电池故障诊断的准确度，减少漏报率。本专利技术提供的单体电池故障诊断方法对于提高使用电池组产品的安全性有重要作用。附图说明图1为小波分解过程图。图2为基于小波分解和包络谱分析的电池故障诊断方法的诊断流程图。具体实施方式下面通过实施例，并结合附图，对本专利技术的技术方案作进一步具体的说明。实施例：下面将对本专利技术提供的故障单体电池检测方法作进一步的详细说明。本专利技术提供的电池故障识别方法，包括以下具体步骤：S1，采集电池组使用过程中的电芯电压数据作为原始数据集，其中电池组的个数为N，原始数据集包括正常单体电池和故障单体电池的电压数据；S2，2，对采集的原始电压数据(包括故障数据)进行去噪和分解处理，将时间窗口内的各单体电芯电压信号中进行4层离散小波分解，得到2个细节分量和2个近似分量，其中信号的离散小波分解的具体实现如下所示：其中Wv(m,n)表示信号函数v(t)的离散小波变换，本专利技术通过离散变换将得到2个近似分量W1(m,n),W2(m,n)和2个细节分量W3(m,n),W4(m,n)，v(t)是指电芯电压信号，是小波函数。t为采样时间，a0＞1为尺度因子，m∈Z为离散阶数，b0∈R为平移因子，n∈Z为任意常数。S3，上述得到的细节信号能够明显反映故障信息，因此对细节分量W4(m,n)(之后简化写成W4)进行希尔伯特变换包络谱分析，希尔伯特变换具体实现过程如下：式中，w4(t)是电芯电压v(t)通过小波分解后得到的细节分量信号。H[w*4(t)]为w4(t)经过希尔伯特变换得到的信号。变换后得到的信号幅值h(t)、瞬时相位φ(t)、瞬时频率公式w(t)其中每一个瞬时频率w(t)对应一个幅值h(t)，它们对应的公式如下：S4，将上述不同频率的信号幅值h(t)做均值化处理得到均值幅值a(t)作为故障特征，那么电池组中不同电池故障特征集x＝[a1(t),a2(t)...aN(t)]，N为电池个数。S5，将故障特征值作为基本样本点，进行基于距离的异常值检测，异常值检测的基本思路是计算各样本点到样本中心的距离，如果单本文档来自技高网...

【技术保护点】
1.一种基于小波分解和包络谱分析的电池故障识别方法，包括以下步骤：/nS1，在设定时间窗口内采集电池组使用过程中的电芯电压数据作为原始数据集，其中原始数据集包括正常单体电池和故障单体电池的电压数据；/nS2，对采集的原始数据集的所有电压数据进行小波分解后得到细节分量，并对细节分量进行希尔伯特变换包络谱分析得到每个电芯电压对应的均值幅值；/nS3，将均值幅值作为故障特征值，并将故障特征值作为基本样本点，进行基于距离的异常值检测，异常值检测是计算各样本点到样本中心的距离，如果单独某个或多个样本点的距离偏差超过设定的阈值就可以判断该样本点为异常值。/n

【技术特征摘要】
1.一种基于小波分解和包络谱分析的电池故障识别方法，包括以下步骤：
S1，在设定时间窗口内采集电池组使用过程中的电芯电压数据作为原始数据集，其中原始数据集包括正常单体电池和故障单体电池的电压数据；
S2，对采集的原始数据集的所有电压数据进行小波分解后得到细节分量，并对细节分量进行希尔伯特变换包络谱分析得到每个电芯电压对应的均值幅值；
S3，将均值幅值作为故障特征值，并将故障特征值作为基本样本点，进行基于距离的异常值检测，异常值检测是计算各样本点到样本中心的距离，如果单独某个或多个样本点的距离偏差超过设定的阈值就可以判断该样本点为异常值。


2.根据权利要求1所述的一种基于小波分解和包络谱分析的电池故障识别方法，其特征在于，所述步骤S2的具体实现过程包括：
S2.1、对采集的原始数据集的所有电压数据进行去噪和分解处理，将时间窗口内的各单体电芯电压信号中进行4层离散小波分解，得到2个细节分量和2个近似分量，其中信号的离散小波分解的具体实现如下所示：



其中Wv(m,n)表示信号函数v(t)的离散小波变换，本发明通过离散变换将得到2个近似分量W1(m,n),W2(m,n)和2个细节分量W3(m,n),W4(m,n)，v(t)是指电芯电压信号，是小波函数，t为采样时间，a0＞1为尺度因子，m∈Z为离散阶数，b0∈R为平移因子，n∈Z为任意常数；
S3，上述得...

【专利技术属性】
技术研发人员：常春，姜久春，王启悦，高洋，王鹿军，
申请(专利权)人：湖北工业大学，
类型：发明
国别省市：湖北;42