电子发烧友App
孙洁 1，2，刘 梦 1，刘晓悦 1，孙 晔 3，张瑞新 2
（1.华北理工大学 电气工程学院，河北 唐山 063200；2.唐山睿泽尔科技有限公司，河北 唐山 063200；
3.北京电信规划设计院有限公司，北京 100048）
摘 要：通常对电动汽车电池故障信号检测的研究，通过对电池性能的相关预测与研究为电池使用寿命的延长、汽车动力性能的增强以及安全性能的增大提供了技术上的支持。文中从电池的相关结构原理以及技术构成入手，提出了锂电池故障信号检测研究的具体方法设计，依托长短时记忆（LSTM）神经网络信号对故障电池检测方法进行深度分析研究，对电池故障分析构建具体算法与模型，有效地对电池的容量偏低故障、电压电流故障以及电池内阻偏大等故障进行输出检测，多次实验验证其检测方法的有效性，以便于提高电池整体的应用性能，为后期电池优化改进提供了实验基础。
中图分类号：TN911.23⁃34；TP301.6 文献标识码：A
文章编号：1004⁃373X（2022）03⁃0073⁃05
0 引 言
汽车行业一直以来主要以燃油动力车为主要车型，但随着人们环保意识的增强，越来越多的新能源电动汽车出现在市面，深受广大市民的热捧，无论是速度还是动力方面都与燃油汽车毫无差别，唯一不足的就是其续航问题。由于是靠电池提供动力[1]，因此电池的性能好坏决定着电动汽车的质量优劣，电池故障与使用寿命的长短决定着电动汽车是否能够拥有良好的整车性能和优越的安全性能[2]。
作为汽车的动力核心，电池起着重要作用。在日常使用中，会出现一些电池故障问题，出现频率最高的问题是电池的漏电现象。电池故障可以分为两种，分别为电池满电故障和内部线路问题[3⁃4]。对于满电故障，表现为随着放置天数的增长，电池自身的耗电量会呈故障非线性走势；对于线路连接的情况，表现为电池本身没有故障，但是随着汽车公里数的增加，电池的电量就会急剧减小，产生漏电现象，导致整个电池的供电不足，影响车辆的使用[5]。
针对以上分析，本文主要以锂电池组为研究对象，通过LSTM神经网络以及深度学习等科学方法对锂电池的故障信号进行相关的检测与研究。对LSTM神经网络设计的结构、规模、计算速率以及输出参数等进行介绍，构建检测基本模型；对电池故障检测流程进行设计，得到具体检测指标；利用深度算法分析建立相关数学模型并对实验数据进行仿真模拟分析，得出影响电池故障的主要因素，从而对电池的合理优化提供数据支撑，有利于提高锂电池的使用效能，为绿色出行以及安全出行提供科研基础。
1 电池故障信号检测技术模型建立
本文主要以 LSTM 神经网络算法智能技术为依托，对电池的故障诊断分析做出系统性的研究，主要研究结构分为两个步骤：第一步，对目前市面上存在的锂电池进行数据采集，对出现的故障信号数据进行相应的分析；第二步，通过神经网络算法对其进行相应的智能化训练，最终得出实验数据以及结果。通过对结果的相应分析做出判断，让实验数据经过计算机神经网络算法进行自我分析学习，从而找出问题所在，将影响电池正常运行的消极因素进行消除，提取该影响因素的相对特征值，然后对其进行归一化处理，为电池故障信号的检测做出数据整体化分析[6⁃8]，建立研究系统结构模型。电池故障分析诊断技术模型结构图如图 1所示。
2 电池故障信号检测算法分析
考虑到使用一般的智能算法对电池故障的诊断分析有一些不稳定的因素[9]，如 RNN 神经网络算法规模小、结构简单、精度不够、检测能力相对低下，并且会产生梯度爆炸现象，极其不稳定；而LSTM神经网络算法则利用门控制的思路对信号的输入和输出结果进行控制，其输入的作用是控制前一时刻数据的输入，而输出则是对处理后的数据进行控制，所有的相关控制都受内部存储信息的影响，利用Logistic和Sigmoid等函数对神经元进行计算，LSTM神经网络模型的结构图如图2所示。
本文以LSTM神经网络研究方法为技术依托，对电池故障诊断方法进行有效的设计[10]。此方法在对故障信号检测过程中有着良好的记忆功能和相对时序功能，能够对电池故障信号进行精准地检测，对故障问题进行有效分类。构建Softmax函数算法体系，对输出各个函数进行多层次的分级，其输出向量的各级层次有别于系统的整体数量类别，研究中设(Mθ)x(i)为总的类别数，J为各个类别的输入概率，总共输出k维列向量，具体计算公式如下：
计算该算法公式的输出结果为1，也就意味着该数据的输入层节点总计60%，其输出层的节点总数与输入层基本上保持一致。最后再对该神经网络系统算法的误差值、初始值、偏置值、节点数等数据进行相关计算和处理，得出具体的诊断信息，从而做出总结研究。
该研究算法具体指标为[11⁃13]：
1）8层输入节点层；
2）6层隐含数据层；
3）6层隐含节点层；
4）8层输出节点层；
5）初始值随机数分布：-0.6~0.6；
6）1500次迭代次数。
对电池信号的流动数据信息进行具体计算，在t时刻时数据开始进行输入，通过具体算法对数据进行引导，对其进行系统激活，得到v(t)信息，同时通过t-1时刻的信号信息对输入的信号进行控制，具体算法如下所示：
通过神经网络算法的输出结果对电池的故障诊断信号进行检测，对其电池的正常容量、偏低容量、偏高容量等数据类型进行分类，然后对其内部的偏置电流、偏置电压、神经网络元输入、神经网络元输出、内阻偏大、偏小等系列数据进行综合分析，得出故障具体实验数据[14⁃15]。当智能神经网络中的神经元得到激活后，对其进行算法处理，具体实现公式为：
选用 LSTM 神经网络算法对电池输入层的时序数据进行分割计算，得到相应的计算数据，再对其进行输出结果的测试以及验证。其最后时刻的输出值 l( t )的具体算法为：
得出最终的输出结果为：
算法的输出结果表示，当函数的曲率 σ 从负无穷大一直增大，持续增大到 0 时，该斜率最大，继续保持递减态势，由此可以得出对于神经网络的神经元敏感度的具体表现形式，从而得出电池故障相关检测值对整个电池性能的影响程度。
3 电池故障信号检测结果分析
实验电池组中的电池单元是不完全一样的，随着制造过程中的变化工艺，使用中的热条件、平衡状态等差异，会影响电池产生不同的内阻，不同的阻值变化会导致电池电压和内阻的差异，从而导致电压波动产生不同的振幅。如果对电池单元的电压输出进行简单比较，就会使得这些电压差很容易超过预设的阈值，因此这个简单的比较不符合实际应用。当电压输入的偏移量加到任何一个变量上时，它被减去其中的平均值，所以导致其输出电压的相关系数测量信号呈现不确定的状态，波形输出如图3所示。
如图3所示，输出曲线的趋势是相互匹配的形状，用检测电压与实际电压在不同时间上进行比对分析，得出检测电压处于平衡稳定的状态趋势，而实际电压的偏离值则偏大，因此得出电池的实际电压有明显的不稳定趋势。对于此数据是整体性的分析，而不是精确的数据，显示出电池电压的不稳定特性，这种特性就是处理锂离子电池不一致性的理想特性。不平衡的电池会表现出不同的输出波形，不同的电池老化程度也会表现出不同的内阻，因而导致其输出不同的电压。如图4所示，为检测电压与2组不同的电压值的比对，其在检测中间时刻出现了电压瞬间降低又恢复稳定的趋势，此现象可能是电池内部电流瞬间过大导致的。
电池内部的温度在不同运行时间下表现出来的特性如图5所示。结果表明，电池温度在运行80 s之内，温度表现为先趋于稳定趋势，然后出现上升趋势，部分电池组温度会瞬间增高，最后趋于稳定。
由实验数据发现，测试不同电池的实际测量值比平均值低22 mV 左右，这种差异可能导致电池系统出现错误的检测，即是否采用电压差阈值法，当基于神经网络模型的方法应用于电压跟踪时均会导致错误检测。如果对电池电压的系数进行相关性计算，那么就可以得出不同的电池故障对系统产生不同的精准度，因为电池的静态偏移不会影响其相关性系数的变化，也就消除了内阻的差异性，其相关系数也会因此产生波动幅度的变化，且不同温度下，电池的相关情况也不同。因此，在理想的情况下，两个串联电池电压的相关系数应接近相关故障系数。基于此种假设方法，做出系统故障检测准确性的对比结果图，如图6所示。
通过电池检测系统性能的对比，可以发现故障电池的系统性能会随着时间的增加逐步趋向于一个较为稳定的趋势。电压阈值法是目前应用最广泛的电池故障检测方法，是最简单的一个系统故障检测模型，仅需要考虑系统的安全运行范围，不需要知道输入信息就可以很容易地实现，但是其缺点就是当电压在安全范围内时电池仍然可能存在故障。通过对输入的考虑，可以进行改进，从而产生基于模型的故障诊断方法。这些方法能够区分当电压在安全范围内的故障情况，但权衡的是在保持不同情况下的电池型号，当基于检测模型的方法应用于电压跟踪时，只有一个单元也会导致错误检测，而其结果与相关电池单元之间的相对系数有明显的联系。如图7所示为电压阈值法在不同时间下的电池检测相关系数情况。
通过对4组电池样本进行相关检测，结果如图 7 所示。可以看出前两者的相关系数在实验中相对接近1，此结果表明这三组电池单元在整个过程中遵循相同的故障情况。而 r3 和r4号相关系数则在40 s左右出现突降的现象，意味着故障是突然发生的，故障原因就是电压下降而导致的。由检测结果可以确定故障位置为4号电池，因为在r（3，4）和r（4，1）中都捕捉到了相同的下降。在图中标记阈值为0.5以标记短路电路的故障，电压降记录在42.5 s，而相关系数在42.5 s标记故障的原因是电压变化比正常值大得多，因此就导致了电压波动，而一旦捕捉到电压降，就会导致相关系数大幅下降。这表明所提出的故障检测方法在实际中能够得到快速的响应。对于一般情况下的故障检测方法主要利用对相似性的相关系数进行测量，从而确定电池的故障信息。在极端情况下，当整个电池处于外部短路状态时，其相关系数接近1，因为电压故障发生的趋势不同而导致相关系数不同。但是，当多个外部短路同时发生时故障就很容易发生。此外，内部短路实际上不是同时发生的，其与电池的内部状态有很大联系。
对于电池的故障信号，除上述所示电压相关系数等对其产生的影响之外，还包括一些情况比较特殊的故障原因，如电池内阻的短路也会不同程度地导致电池产生一定的故障，利用不同的电池电压相关系数确定低电阻短路故障的发生。该方法主要是通过计算电池变化电压的相关系数进行推断的，其表明电池内部短路电压的骤降或低电阻短路都会对电池产生影响。不同状态下模拟故障电阻的变化趋势如图8所示。
在电池故障信号仿真中，短路电阻感应故障的检测采用电阻相关系数进行分析检测，相关系数可以衡量两个电阻信号的相似性，可以推断当电池在数据窗口内时，由于故障导致的下降持续时间更长的电阻测量值的相似性将会进一步降低，而当对电压降中的多个样本进行捕获时，可以观察到数据窗口内的批量电压数据在短路的初始阶段的值表现情况较为一致。
4 结 语
对于基于人工智能的锂电池故障信号检测的研究，本文主要以电池的故障分析为切入点，介绍了主要的电池故障和发生故障的系列原因，从而对电池故障进行分析研究，指出了LSTM神经网络算法以及深度学习算法对电池故障的影响。通过对电池相关故障信息的采集以及对其属性等方面的介绍，提出电池故障信号的相关检测方法；通过对电池相关特性的提取，进行电池故障信号的故障频谱分析及故障模式诊断。对于一般的电池故障主要集中表现在电压电流故障、内部瞬时内阻突增以及运行时间过长等明显故障。通过不同实验组对输出电压的相关模拟分析，电池组不同组别电压测量值与实际值的对比，以及电池运行时间对温度的影响等结果分析中得出，LSTM神经网络算法在故障电池检测中具有高准确率以及普遍适用性。
注：本文通讯作者为刘梦。
参 考 文 献
[1] 李相敏，康壮 . 基于双交叉耦合电容反馈的超低功耗高线性LNA[J].中国电子科学研究院学报，2018，13（3）：326⁃330.
[2] 杨坤，杨林，施一新，等 .电动汽车动力电池组单点绝缘故障定位方法[J].汽车工程，2017，39（10）：1136⁃1140.
[3] 张伟 . 电动汽车电池的现状及发展趋势分析[J]. 南方农机，2019，50（6）：130.
[4] 孟庆武，赵宏伟，孙润诚 .基于 BP 神经网络算法的电池组故障诊断研究[J].自动化与仪器仪表，2017（11）：45⁃47.
[5] 赖啸，刘勇，代艳霞，等 .桥式吊车系统的自适应神经网络控制与学习[J].机械设计与制造，2018（6）：114⁃117.
[6] 赵保华.层次分析法和神经网络的信息系统风险评估[J].微电子学与计算机，2015，32（10）：163⁃166.
[7] 古昂，张向文 .基于 RBF神经网络的动力电池故障诊断系统研究[J].电源技术，2016，40（10）：1943⁃1945.
[8] 侯福平，蓝郁峰 .通信用铅酸蓄电池电气短路故障及漏液隐患分析和检测[J].电信技术，2016（6）：53⁃59.
[9] 陈维荣，刘嘉蔚，李奇，等 .质子交换膜燃料电池故障诊断方法综述及展望[J].中国电机工程学报，2017，37（16）：4712⁃4721.
[10] 赵英宝，黄丽敏，刘慧贤 .基于深度学习的电力调度数据自动备份系统设计[J].现代电子技术，2020，43（20）：42⁃45.
[11] 胡珊珊，肖勇，王保帅，等 . 基于闭环反馈校正的智能电能表软件开发测试模型研究[J].电测与仪表，2020（11）：1⁃7.
[12] 李匡成，季亚昆，刘政 . 蓄电池模型研究综述[J]. 电源技术，2017，41（3）：505⁃507.
[13] 王尚鹏，唐登平，雷鸣，等 . 智慧变电站计量系统综合误差模型研究[J].电测与仪表，2020（11）：1⁃6.
[14] 夏飞，马茜，张浩，等 . 改进 D⁃S 证据理论在电动汽车锂电池故障诊断中的应用[J].智能系统学报，2017，12（4）：526⁃537.
[15] 范雪，张爱良，张伟 . 车载智能充电器的设计与实现[J]. 计算机测量与控制，2017，25（9）：123⁃125.
作者简介：
孙 洁（1963—），男，河北唐山人，博士，教授，主要研究方向为控制理论与控制工程、测控技术、计算机技术、网络技术和信息技术的研究与开发应用。
刘 梦（1992—），女，山东菏泽人，硕士研究生，主要从事测控技术、网络技术与信息技术的研究。
刘晓悦（1965—），女，河北唐山人，博士，教授，主要从事控制科学、工程教学与研究工作。
孙 晔（1990—），女，河北唐山人，硕士研究生，工程师，研究方向为大数据、区块链系统开发。
张瑞新（1966—），男，河北唐山人，硕士研究生，高级工程师，研究方向为工业生产过程自动控制。
编辑：黄飞
工商网监
评论