一种新能源汽车动力电池多维模型融合的故障诊断策略制造技术

本发明专利技术提供了一种新能源汽车动力电池多维模型融合的故障诊断策略，充分利用了新能源汽车实车大数据，并全面考虑了不同地域、季节、工况、里程等多种因素，通过融合模型与分类分析实现特征参数标准值的准确提取，从而可确定出有利于训练神经网络的多个关键特征。通过神经网络与逻辑回归函数耦合搭建和训练，可以实现对实际运行车辆动力电池风险的精确评估和故障诊断。本发明专利技术在构建训练数据集中以样本扩充的方法还有效解决了样本正反例数量级差别过大的问题，显著提高了模型的收敛速度和收敛程度。程度。程度。

【技术实现步骤摘要】
一种新能源汽车动力电池多维模型融合的故障诊断策略


[0001]本专利技术属于新能源汽车动力电池故障诊断
，具体涉及一种利用多维模型融合实现的动力电池故障诊断策略。

技术介绍

[0002]电池故障诊断和风险评估技术对于动力电池产品的安全使用以及新能源相关产业的安全高效运行，具有十分重要的意义。现有针对新能源汽车动力电池的故障诊断技术尚局限于对某种特定的故障或某个异常单体的定位和诊断，无法针对潜在安全风险给出比较全局性的评价，因而仅仅适用于某些工况或者某些车型。并且大多诊断策略的是从算法设计的角度出发，缺乏对故障诊断问题的基本理解，使得诊断结果鲁棒性较差。现有技术仅着眼于某一种参数、某一种工况、某一个现象评估的方式显然已不能满足实际需求，真实故障的发生并不会只在某一个特征上体现。由此可见，车用动力电池的风险评估和故障诊断应该是一个整体的评估，有必要在模型、参数、工况之间建立协同诊断和统筹分析，方能达到新能源汽车安全性的要求。

技术实现思路

[0003]有鉴于此，针对上述本领域中存在的技术问题，本专利技术提供了一种新能源汽车动力电池多维模型融合的故障诊断策略，具体包括以下步骤：
[0004]步骤一、利用新能源汽车车载终端和传感器设备采集车辆使用中的动力电池组及组内单体的全生命周期数据，并上传至大数据平台，譬如中国新能源汽车国家平台；大数据平台对数据执行去重、平滑以及去极端值的预处理后得到原始数据；对原始数据依次执行数据归一化后，选取一定数量车辆的数据样本构建包括训练集、验证集及测试集的数据集，并利用SMOTE合成少数类过采样技术对所述数据集进行数据样本扩充；
[0005]步骤二、对数据集分别建立用于反映单体电压离群异常的熵值模型、用于反映单体电压波动异常的波动一致性诊断模型以及用于反映单体压降异常的压降一致性诊断模型，并针对各模型分别提取表征熵值、波动一致性及压降一致性的本征特征数据；
[0006]步骤三、利用步骤二中建立的三个模型分别对数据集中的数据样本进行单独诊断；对诊断出的异常单体分别取交集或并集得到相应的统计数据；并根据诊断结果回溯各单体全生命周期中的异常事件，得到相应的单体异常率指标；
[0007]步骤四、针对车辆实际使用中的若干高风险场景，利用步骤二中建立的三个模型对满足这些场景的运行片段进行统计，分别得到发生熵值异常、波动一致性异常时与超出阈值距离、发生频次相关的统计数据；
[0008]将步骤二中提取的本征特征数据、步骤三和步骤四得到的统计数据与指标作为风险特征，共同构建风险特征数据库；
[0009]步骤五、对风险特征数据库中的各风险特征，通过观察数据分布、执行相关性分析以及计算方差阈值的方式综合筛选，剔除对融合三种模型以及神经网络训练无意义的特
征，将保留的多个风险特征用于后续步骤；
[0010]步骤六、以步骤五中保留的多个风险特征作为输入，以车辆是否存在故障的诊断结果以及基于Sigmoid(非线性激活)函数输出的故障车和非故障车权重值作为输出，对神经网络进行训练；
[0011]步骤七、将实车采集并上传大数据平台的风险特征数据输入训练好的神经网络，得到车辆动力电池的故障诊断结果。
[0012]进一步地，步骤一中具体采用Z
‑
score标准化方法对原始数据执行归一化处理，使处理后的数据符合均值为0标准差为1的标准正态分布；
[0013]所述利用SMOTE合成少数类过采样技术对所述数据集进行数据样本扩充具体包括以下步骤：
[0014]a.对于数据集的少数类中每一个样本x，以欧氏距离为标准计算它到少数类样本集中所有样本的距离，得到其k近邻；
[0015]b.对于每一个少数类样本x，从其k近邻中随机选择若干个样本，假设选择出的近邻为x
n
；
[0016]c.对于每一个随机选出的近邻x
n
，分别与原样本x按照如下的公式构建新的样本x
new
：
[0017]x
new
＝x+randon(0,1)
×
(x
n
‑
x)
[0018]其中，randon(0,1)为0～1的随机数。
[0019]进一步地，步骤二中所述的熵值模型具体基于数据集中单体电压的香农信息熵和Z分数建立，用于识别异常单体电压数据的数值离群特征以及趋势离散特征；熵值本征特征具体选取异常单体的Z分数值的极值、均值与方差；
[0020]所述波动一致性诊断模型具体基于数据集中单体电压窗口的方差和中位数建立，用于识别单体电压波动一致性故障；所述波动一致性具体选取异常单体电压窗口方差值的极值、均值与方差；
[0021]所述压降一致性诊断模型具体基于单体电压连续帧中的短时瞬变与瞬变的极值建立，用于识别异常单体的内阻累积与突增的临界点或内短路故障；所述压降一致本征特征具体选取异常单体电压瞬变前后帧的压差值的极值、均值与方差。
[0022]进一步地，步骤三具体对诊断出的异常单体依次执行以下统计，并对结果取交集或并集操作来得到相应的数据：
[0023]C1、统计三个模型共同识别异常单体个数；
[0024]C2、排除C1结果后，统计熵值和波动一致性模型共同识别的异常单体个数；
[0025]C3、排除C1结果后，统计熵值和压降一致性模型共同识别的异常单体个数；
[0026]C4、排除C1结果后，统计波动一致性和压降一致性模型共同识别的异常单体个数；
[0027]C5、排除C1～C4结果后，统计熵值模型单独识别的异常单体个数；
[0028]C6、排除C1～C4结果后，统计波动一致性模型单独识别的异常单体个数；
[0029]C7、排除C1～C4结果后，统计压降一致性模型单独识别异常单体个数；
[0030]对诊断出的异常单体按照熵值、波动一致性以及压降一致性异常分别回溯全生命周期中异常单体的异常率，并计算异常率的均值和极值作为单体异常率指标。
[0031]进一步地，步骤四中所述的高风险场景具体包括：
[0032]a、高SOC充电或回馈场景，对应SOC≥90％、倍率≥0.5C的使用片段；
[0033]b、高温高SOC运行场景，对应60％≤SOC≤100％、温度≥30℃的使用片段；
[0034]c、频繁高功率充放电场景，对应20％≤SOC≤90％、倍率≥0.5C的使用片段；
[0035]d、低SOC大功率放电场景，对应SOC≤20％、倍率≥0.5C的使用片段；
[0036]e、温差大场景，对应温差≥8℃，对应倍率≤0.5C的使用片段；
[0037]利用熵值诊断模型对符合以上场景条件的使用片段统计以下异常结果：
[0038]Z1—对符合条件的所有片段及片段中超出阈值的所有单体进行统计，所有单体超出阈值的距离加和即为Z1；
[0039]Zmax1—对符合条件的所有片段及片段中超出阈值的所有本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种新能源汽车动力电池多维模型融合的故障诊断策略，其特征在于：具体包括以下步骤：步骤一、利用新能源汽车车载终端和传感器设备采集车辆使用中的动力电池组及组内单体的全生命周期数据，并上传至大数据平台；大数据平台对数据执行去重、平滑以及去极端值的预处理后得到原始数据；对原始数据依次执行数据归一化后，选取一定数量车辆的数据样本构建包括训练集、验证集及测试集的数据集，并利用SMOTE合成少数类过采样技术对所述数据集进行数据样本扩充；步骤二、对数据集分别建立用于反映单体电压离群异常的熵值模型、用于反映单体电压波动异常的波动一致性诊断模型以及用于反映单体压降异常的压降一致性诊断模型，并针对各模型分别提取表征熵值、波动一致性及压降一致性的本征特征数据；步骤三、利用步骤二中建立的三个模型分别对数据集中的数据样本进行单独诊断；对诊断出的异常单体分别取交集或并集得到相应的统计数据；并根据诊断结果回溯各单体全生命周期中的异常事件，得到相应的单体异常率指标；步骤四、针对车辆实际使用中的若干高风险场景，利用步骤二中建立的三个模型对满足这些场景的运行片段进行统计，分别得到发生熵值异常、波动一致性异常时与超出阈值距离、发生频次相关的统计数据；将步骤二中提取的本征特征数据、步骤三和步骤四得到的统计数据与指标作为风险特征，共同构建风险特征数据库；步骤五、对风险特征数据库中的各风险特征，通过观察数据分布、执行相关性分析以及计算方差阈值的方式综合筛选，剔除对融合三种模型以及神经网络训练无意义的特征，将保留的多个风险特征用于后续步骤；步骤六、以步骤五中保留的多个风险特征作为输入，以车辆是否存在故障的诊断结果以及基于Sigmoid函数输出的故障车和非故障车权重值作为输出，对神经网络进行训练；步骤七、将实车采集并上传大数据平台的风险特征数据输入训练好的神经网络，得到车辆动力电池的故障诊断结果。2.如权利要求1所述的策略，其特征在于：步骤一中具体采用Z
‑
score标准化方法对原始数据执行归一化处理，使处理后的数据符合均值为0标准差为1的标准正态分布；所述利用SMOTE合成少数类过采样技术对所述数据集进行数据样本扩充具体包括以下步骤：a.对于数据集的少数类中每一个样本x，以欧氏距离为标准计算它到少数类样本集中所有样本的距离，得到其k近邻；b.对于每一个少数类样本x，从其k近邻中随机选择若干个样本，假设选择出的近邻为x
n
；c.对于每一个随机选出的近邻x
n
，分别与原样本x按照如下的公式构建新的样本x
new
：x
new
＝x+randon(0,1)
×
(x
n
‑
x)其中，randon(0,1)为0～1的随机数。3.如权利要求1所述的策略，其特征在于：步骤二中所述的熵值模型具体基于数据集中单体电压的香农信息熵和Z分数建立，用于识别异常单体电压数据的数值离群特征以及趋势离散特征；熵值本征特征具体选取异常单体的Z分数值的极值、均值与方差；
所述波动一致性诊断模型具体基于数据集中单体电压窗口的方差和中位数建立，用于识别单体电压波动一致性故障；所述波动一致性本征特征具体选取异常单体电压窗口方差值的极值、均值与方差；所述压降一致性诊断模型具体基于单体电压连续帧中的短时瞬变与瞬变的极值建立，用于识别异常单体的内阻累积与突增的临界点或内短路故障；所述压降一致本征特征具体选取异常单体电压瞬变前后帧的压差值的极值、均值与方差。4.如权利要求1所述的策略，其特征在于：步骤三具体对诊断出的异常单体依次执行以下统计，并对结果取交集或并集操作来得到相应的数据：C1、统计三个模型共同识别异常单体个数；C2、排除C1结果后，统计熵值和波动一致性模型共同识别的异常单体个数；C3、排除C1结果后，统计熵值和压降一致性模型共同识别的异常单体个数；C4、排除C1结果后，统计波动一致性和压降一致性模型共同识别的异常单体个数；C5、排除C1～C4结果后，统计熵值模型单独识别的异常单体个数；C6、排除C1～C4结果后，统计波动一致性模型单独识别的异常单体个数；C7、排除C1～C4结果后，统计压降一致性模型单独识别异常单体个数；对诊断出的异常单体按照熵值、波动一致性以及压降一致性异常分别回溯全生命周期中异常单体的异常率，并计算异常率的均值和极值作为单体异常率指标。5.如权利要求1所述的策略，其特征在于：步骤四中所述的高风险场景具体包括：a、高SOC充电或回馈场景，对应SOC≥90％、倍率≥0.5C的使用片段；b、高温高SOC运行...

【专利技术属性】
技术研发人员：张翔，张泽坤，王震坡，林倪，张照生，韩冰，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：