锂电池故障诊断方法和装置、系统、存储介质

本发明属于锂电池，具体涉及一种锂电池故障诊断方法和装置、系统、存储介质。

背景技术：

1、锂电池因其能量密度高、循环寿命长等优点，已广泛应用于电动汽车、储能电站及消费电子等领域。然而，随着电池系统规模与功率密度的不断提升，电池在运行过程中可能发生内短路、外短路、过充电、过放电等多种故障，若不能及时检测与诊断，故障累积到一定程度时可能触发热失控，进而引发火灾或爆炸等严重安全事故。因此，研究高效、精准的锂电池故障诊断方法，对于保障电池系统安全可靠运行具有重要意义。

2、当前对于锂电池的故障诊断方法主要可分为三类：基于信号处理的方法、基于模型的方法和基于数据驱动的方法。基于信号处理的方法通过小波变换、熵值计算、相关系数分析等数学手段提取故障特征，但对早期微弱故障的表征能力有限；基于模型的方法依据电池的电学、热学及电化学机理构建模型，并通过残差实现故障诊断，然而其依赖精确的物理参数辨识与复杂建模，难以适应多变工况；基于数据驱动的方法通过采集海量历史运行数据自动学习故障模式，泛用性较强，适合大数据场景下的故障诊断研究。

3、锂电池内短路故障在早期潜伏阶段故障信号极其微弱且隐匿，其在常规监测信号上的表征与正常状态差异甚小，难以被有效辨别，因而成为单体锂电池多种故障类型中最难以诊断的故障之一。现有的深度学习方法大多停留于对一维时序监测信号的直接建模，难以充分挖掘故障信息，导致早期微弱故障信号难以被有效识别。

技术实现思路

1、为解决现有技术存在的问题，本发明提供一种锂电池故障诊断方法和装置、系统、存储介质。

2、为实现上述目的，本发明提供了如下方案：

3、一种锂电池故障诊断方法，包括：

4、步骤s1、采集待诊断锂电池在不同运行状态下的电压、电流、温度多源一维时序监测信号；

5、步骤s2、对采集到的多源一维时序监测信号进行数据预处理，构成多通道马尔可夫转移场特征图像；

6、步骤s3、将所述多通道马尔可夫转移场特征图像分解为一系列非重叠的图像块，利用卷积神经网络将每个图像块映射为携带局部状态转移信息的高维特征向量，并叠加可学习的位置编码，得到节点特征序列；

7、步骤s4、以每个图像块作为图的节点，以节点特征向量堆叠构成节点特征矩阵，将时序样本转化为结构化的时空特征图；

8、步骤s5、将所述时空特征图输入图注意力网络，通过自注意力机制和多头注意力机制，得到节点级高阶特征表示；

9、步骤s6、对图注意力网络输出的节点级高阶特征进行全局平均池化，得到图级全局特征向量，将该全局特征向量经全连接层与softmax分类器进行状态概率映射，取概率最大的类别作为待诊断锂电池的故障诊断结果。

10、作为优选，步骤s2中，对采集到的多源一维时序监测信号进行数据预处理，分别通过马尔可夫转移场将每一路时序信号编码为二维状态转移特征图像，再将多路二维特征图像按通道维度叠加，构成多通道马尔可夫转移场特征图像。

11、作为优选，步骤s4中，以每个图像块作为图的节点，以节点特征向量堆叠构成节点特征矩阵，依据图像块在原始网格中的行列索引采用曼哈顿距离度量节点间的空间邻近性，并通过k近邻算法动态构建节点间的边，从而将时序样本转化为结构化的时空特征图。

12、作为优选，步骤s5中，将所述时空特征图输入图注意力网络，通过自注意力机制自适应计算节点与其邻居节点之间的归一化注意力权重，并采用多头注意力机制对邻域节点特征进行加权聚合，得到节点级高阶特征表示。

13、本发明还提供一种锂电池故障诊断装置，包括：

14、第一处理模块，用于采集待诊断锂电池在不同运行状态下的电压、电流、温度多源一维时序监测信号；

15、第二处理模块，用于对采集到的多源一维时序监测信号进行数据预处理，构成多通道马尔可夫转移场特征图像；

16、第三处理模块，用于将所述多通道马尔可夫转移场特征图像分解为一系列非重叠的图像块，利用卷积神经网络将每个图像块映射为携带局部状态转移信息的高维特征向量，并叠加可学习的位置编码，得到节点特征序列；

17、第四处理模块，用于以每个图像块作为图的节点，以节点特征向量堆叠构成节点特征矩阵，将时序样本转化为结构化的时空特征图；

18、第五处理模块，用于将所述时空特征图输入图注意力网络，通过自注意力机制和多头注意力机制，得到节点级高阶特征表示；

19、第六处理模块，用于对图注意力网络输出的节点级高阶特征进行全局平均池化，得到图级全局特征向量，将该全局特征向量经全连接层与softmax分类器进行状态概率映射，取概率最大的类别作为待诊断锂电池的故障诊断结果。

20、作为优选，第二处理模块对采集到的多源一维时序监测信号进行数据预处理，分别通过马尔可夫转移场将每一路时序信号编码为二维状态转移特征图像，再将多路二维特征图像按通道维度叠加，构成多通道马尔可夫转移场特征图像。

21、作为优选，第四处理模块以每个图像块作为图的节点，以节点特征向量堆叠构成节点特征矩阵，依据图像块在原始网格中的行列索引采用曼哈顿距离度量节点间的空间邻近性，并通过k近邻算法动态构建节点间的边，从而将时序样本转化为结构化的时空特征图。

22、作为优选，第五处理模块将所述时空特征图输入图注意力网络，通过自注意力机制自适应计算节点与其邻居节点之间的归一化注意力权重，并采用多头注意力机制对邻域节点特征进行加权聚合，得到节点级高阶特征表示。

23、本发明还提供一种锂电池故障诊断系统，包括：存储器和处理器，所述存储器上存储有由所述处理器运行的计算机程序，所述计算机程序在被所述处理器运行时执行锂电池故障诊断方法。

24、本发明还提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序在运行时执行锂电池故障诊断方法。

25、与现有技术相比，本发明的有益效果为：

26、本发明利用马尔可夫转移场将一维时序监测信号升维编码为二维状态转移特征图像，相较于原始序列信号增加了不同时刻数据值之间的关系表征，能够刻画故障的动态过程，挖掘并放大早期微弱故障随时间变化的衍生特征关联，从而精准表征电池故障从早期到显性阶段的时序演变规律。利用卷积神经网络对马尔可夫转移场特征图像进行分块嵌入，凭借局部感受野与权值共享的特性，在保留块内像素空间拓扑关系的前提下精准捕捉局部纹理模式，有效避免了一维展平导致的结构信息丢失。通过k近邻算法与曼哈顿距离动态构建时空特征图，能够灵活刻画状态转移过程中可能存在的长程依赖性。引入图注意力网络对图像块节点间的关联进行动态加权建模，能够自适应地聚焦于对故障最敏感的状态跳转区域并抑制噪声块的干扰，从而显著提升对早期微弱故障特征提取的精准性与鲁棒性，实现锂电池多种故障类型的准确诊断。

1.一种锂电池故障诊断方法，其特征在于，包括：

2.如权利要求1所述的锂电池故障诊断方法，其特征在于，步骤s2中，对采集到的多源一维时序监测信号进行数据预处理，分别通过马尔可夫转移场将每一路时序信号编码为二维状态转移特征图像，再将多路二维特征图像按通道维度叠加，构成多通道马尔可夫转移场特征图像。

3.如权利要求2所述的锂电池故障诊断方法，其特征在于，步骤s4中，以每个图像块作为图的节点，以节点特征向量堆叠构成节点特征矩阵，依据图像块在原始网格中的行列索引采用曼哈顿距离度量节点间的空间邻近性，并通过k近邻算法动态构建节点间的边，从而将时序样本转化为结构化的时空特征图。

4.如权利要求3所述的锂电池故障诊断方法，其特征在于，步骤s5中，将所述时空特征图输入图注意力网络，通过自注意力机制自适应计算节点与其邻居节点之间的归一化注意力权重，并采用多头注意力机制对邻域节点特征进行加权聚合，得到节点级高阶特征表示。

5.一种锂电池故障诊断装置，其特征在于，包括：

6.如权利要求5所述的锂电池故障诊断装置，其特征在于，第二处理模块对采集到的多源一维时序监测信号进行数据预处理，分别通过马尔可夫转移场将每一路时序信号编码为二维状态转移特征图像，再将多路二维特征图像按通道维度叠加，构成多通道马尔可夫转移场特征图像。

7.如权利要求6所述的锂电池故障诊断装置，其特征在于，第四处理模块以每个图像块作为图的节点，以节点特征向量堆叠构成节点特征矩阵，依据图像块在原始网格中的行列索引采用曼哈顿距离度量节点间的空间邻近性，并通过k近邻算法动态构建节点间的边，从而将时序样本转化为结构化的时空特征图。

8.如权利要求7所述的锂电池故障诊断装置，其特征在于，第五处理模块将所述时空特征图输入图注意力网络，通过自注意力机制自适应计算节点与其邻居节点之间的归一化注意力权重，并采用多头注意力机制对邻域节点特征进行加权聚合，得到节点级高阶特征表示。

9.一种锂电池故障诊断系统，其特征在于，包括：存储器和处理器，所述存储器上存储有由所述处理器运行的计算机程序，所述计算机程序在被所述处理器运行时执行如权利要求1-4中的任一项所述的锂电池故障诊断方法。

10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序在运行时执行如权利要求1-4中的任一项所述的锂电池故障诊断方法。