邱健蓄电池现实条件下电动汽车电池组的多性向分组兼容帧级无监督故障诊断与定位

针对电动汽车锂离子电池实施实际工况下的安全监测与故障诊断至关重要。本研究设计了一种基于注意力门控循环单元(GRU)-变分自编码器(VAE)-StatFusion神经网络的故障诊断方法。该方法不仅能识别实际应用场景中的电池故障，同时满足帧级诊断需求，兼容不同模组配置，并实现故障单体定位。我们构建了15维电热特性在线特征参数来映射电池安全状态。通过结合网络潜变量的概率分布与无监督重构损失，设计出可实时输出的综合诊断指标。此外，我们量化了异常时刻各单体电池对故障的贡献度，从而实现在线故障定位。通过电解液泄漏、连接异常、过度老化及内部短路等故障案例，该算法对典型安全问题展现出有效的故障诊断与定位能力。进一步地，我们在500辆实车上测试了算法的受试者操作特征（ROC）性能。相同数据条件下，相较于既有诊断网络，本方法在[0, 0.3]假阳性率（FPR）区间内实现了42.1%–58.3%的真阳性率（TPR）提升。总体而言，本文在更精细化的应用需求下实现了更精准、更具实用性的电池故障诊断方法，推动了电池应用安全性的提升。

图文摘要

1. 下载：下载高清图像（309KB）
2. 下载：下载原尺寸图片

引言

如今，电动汽车（EV）年销量已占据全球汽车市场总量的五分之一以上[[1], [2], [3], [4], [5]]。电动汽车保有量的快速增长为数据开发创造了更有利的环境，同时也对锂离子电池系统的在线安全监测提出了更高性能要求[[6], [7], [8], [9]]。工业界与学术研究的关注焦点集中于能适应实际运行条件、可实现及时在线监测且可低成本部署的电池安全监测方法[[10], [11], [12], [13]]。
锂离子电池的安全问题主要源于内部电化学反应导致的不可逆劣化积累，以及外部极端工况对电池系统稳定性的影响[[14], [15], [16], [17], [18]]。实际应用中，导致电池安全隐患的因素错综复杂，其表现形式多样且触发机制具有随机性。Feng等[19]将电池潜在失控危害的诱因归纳为电气滥用、热滥用与机械滥用三类。Yu等[20]系统分析了实验室环境、模拟场景与实车工况下故障诊断方法的差异性，并探讨了实车故障诊断面临的挑战。真实场景中的电池失效模式具有高度多样性。迄今为止，由短路引发的热失控被公认为最极端的安全失效形式，代表着电池系统最严重的崩溃状态[[21], [22], [23], [24]]。其他失效模式还包括电解液泄漏、过度老化以及局部微短路，这些都会损害电池系统的安全性和可靠性，显著增加系统崩溃的可能性[25,26]。
目前用于故障检测的数据主要包括电动汽车电池在不同工况下的电压、电流及部分单体温度。针对此类数据的直接分析，Qiao等[27]提出了一种基于增量容量分析的内部短路检测方法，并通过串联电池组实验进行诊断，该方法可估算短路漏电流及等效内部短路电阻。然而，可观测状态极为有限，且数据质量受实际信号传输干扰制约。因此，相比实验室条件，在线电池安全监测面临更大挑战。近年来，众多研究者致力于探索锂离子电池多种故障类型的在线诊断方法。Mei等[28]设计了一种基于动态自编码器的深度学习网络，并利用实车数据进行了性能验证。此外，该研究还公开了347辆车辆的数据样本。Zhang等[29]引入多尺度样本熵缩放因子改进香农熵，在实车热失控数据中实现了一定程度的早期预警。此外，Zhang等[30]设计了一种监测电解液泄漏的场效应晶体管，可实现秒级响应。Shen等[31]在实验室条件下开发了广义置信网络，用于监测并定位锂离子电池组的连接故障。考虑到数据隐私问题，Li等[32]提出用于电池故障检测的去中心化联邦学习框架，允许多个客户端在不共享敏感数据的情况下协同训练模型。
由于获取真实世界数据的难度及数据质量的局限性，目前针对现实条件下电池故障诊断的研究尚不够普遍[20,33]。值得注意的是，实际故障诊断必须考虑算法决策时间间隔、故障位置以及实际部署适应性等因素。这些因素需作为算法设计的前置条件予以考量。诊断时间要求主要取决于算法适配的数据长度。全年龄而言，样本持续时间越短，决策间隔就越短，预警概率也越高。当系统检测到异常时，故障定位能显著降低维护成本。此外在实际应用中，同类型电芯会以多种分组形式跨车型使用。针对不同电池包分组重新训练或迁移算法，可能增加成本与不确定性。因此，本文选择一种能进行帧级决策、输出故障单体位置且兼容不同电池包组配置的在线车辆故障诊断方法作为研究目标。
本研究利用云端数据库采集的真实车辆数据作为测试样本，开发了一种基于注意力门控循环单元(GRU)-变分自编码器(VAE)-统计融合(StatFusion)的无监督故障诊断神经网络。该方法将每帧数据视为独立样本，通过统一特征工程增强故障信息，确保不同电池包数据的兼容性。我们结合VAE网络潜变量高斯分布的统计特性，设计了一个量化监测样本风险的综合决策指标。通过统计融合技术，量化各电芯对异常程度的贡献度，从而实现故障电芯定位。采用460辆正常车辆与40辆故障车辆数据进行验证，在[0,0.3]的误报率(FPR)范围内，所提方法的真阳率(TPR)性能优势达到42.1%–53.8%。与其他四种决策网络相比，性能提升3%。该系统可有效诊断四种典型故障——内部短路、电解液泄漏、过度老化及采样连接异常，并成功实现故障电池单元的定位。