锂离子电池SOH与内短路故障联合识别方法和系统

本发明属于锂离子电池状态评估与故障诊断，具体涉及一种利用实验测得的电化学阻抗谱数据，结合弛豫时间分布方法与神经网络，实现电池健康状态估计与内短路故障程度联合识别的方法及系统。

背景技术：

1、锂离子电池因其高能量密度、长循环寿命等优点，被广泛应用于电动汽车、储能电站、消费电子等领域，其安全性问题也逐渐暴露在公众的视野中。锂离子电池在实际使用中容易发生过放电、内部微短路等故障，这些故障若不能及时发现，可能演变为热失控，造成严重安全事故。

2、现有技术中，专利cn115902629a公开了一种锂离子电池安全状态评估及安全故障分级方法，通过过充、挤压、高温滥用标定参数阈值，将电池故障划分为正常、轻微隐患、中度故障、重度热失控风险四级。但该方案仅采集bms常规外部可测信号，不支持电化学阻抗谱等离线精密检测特征，且仅能捕捉已出现明显异常的中度、重度故障，对渐进式微内短路等潜伏期隐性故障完全失效。

3、专利cn114325403a公开了一种基于电化学阻抗谱测试的锂离子电池寿命检测方法和系统，通过电化学阻抗谱测试提高采样速率，再利用深度学习的图像识别算法对电化学阻抗谱进行训练和分析。但该方案主要依赖静态的eis频谱图像进行训练和识别，信息维度较为单一，限制了模型的泛化能力和通用性，无法充分利用电池全生命周期中eis谱图的演化信息。

4、专利cn202510929697a公开了一种充电工况下串联储能锂电池组故障诊断方法，仅采集电芯电压时序数据，通过滑动时间窗口计算电芯间电压皮尔逊相关系数和电压信号信息熵，采用孤立森林无监督算法识别异常。但该方案仅能输出异常/正常两种分类，无法量化故障严重程度，在快充、低温、动态工况下适应性较差。

5、现有电池管理系统主要依赖电压、电流、温度等外部可测量参数，采用阈值法、差分电压法或简单的机器学习模型进行故障判断，只能在故障已发生并引起明显的电压或温度异常时才能检测到，无法在故障萌芽阶段提取特征，导致预警时间窗口极短。电化学阻抗谱能够反映电池内部电化学过程的动力学信息，是评估soh和检测内短路的重要手段。然而，电化学阻抗频谱受soh、故障程度、soc等多因素耦合影响，传统等效电路模型拟合方法物理意义明确但泛化性不足，且难以同时处理多任务。因此，如何有效提取eis数据的深层特征，实现电池的健康状态感知与早期故障监测，是目前所要解决的问题。

技术实现思路

1、本发明的目的在于提供一种基于eis与drt融合的锂离子电池soh与内短路故障联合识别方法，通过多模态并行特征提取、多头注意力自适应融合和多任务联合学习，实现健康状态精准评估和内短路故障分级预警。

2、为达成上述目的，本发明的解决方案为：一种锂离子电池soh与内短路故障联合识别方法，包括以下步骤：

3、s1、构建电池老化与故障数据集：对锂离子电池开展循环老化实验和故障注入实验，获取不同健康状态、不同荷电状态以及不同故障程度下的电化学阻抗谱数据，建立电池老化与故障数据集；

4、s2、数据处理与样本构建：基于所述电池老化与故障数据集，通过drt反演提取drt全向量特征及drt峰值统计特征，将eis数据、drt全向量特征、drt峰值统计特征及soc进行标准化处理，构建多维数据样本；

5、s3、建立多分支特征提取网络：

6、采用一维卷积神经网络对eis数据进行特征提取；

7、采用多层感知机分别对drt全向量特征、drt峰值统计特征及soc数据进行处理，提取各模态深层特征并映射至相同维度；

8、s4、多模态特征融合：

9、将步骤s3输出的eis数据深层特征、drt全向量特征深层特征、drt峰值统计深层特征及soc映射特征构成多模态特征序列；

10、将分别经线性投影得到查询矩阵q、键矩阵k和值矩阵v后输入多头自注意力机制，使四类模态特征在同一注意力空间中通过q-k相似度相互加权融合；将注意力输出与残差相加并层归一化，得到融合特征向量；

11、s5、多任务联合识别模型构建：

12、将所述融合特征向量输入共享编码器，并建立soh回归任务分支和内短路故障分类任务分支，所述soh回归分支输出连续soh值，所述故障分类分支输出四级故障等级概率；

13、s6、多任务联合识别模型训练：

14、采用端到端训练方式，通过联合优化soh回归损失和故障分类损失，实现soh回归与故障分类任务的协同学习；

15、s7、soh估计与故障分级预警：

16、将待测样本输入训练完成的模型，同步输出soh预测值和四级故障分级结果。

17、本发明还提供一种锂离子电池soh与内短路故障联合识别系统，包括：

18、数据采集模块，用于获取待测锂离子电池在不同故障程度、不同健康状态以及不同soc下的eis数据；

19、数据处理模块，用于通过drt反演提取drt全向量特征及drt峰值统计特征，并对eis数据、drt全向量、drt峰值统计特征及soc进行标准化处理；

20、多分支特征提取模块，包含一维卷积神经网络分支用于提取eis频谱特征，以及多个多层感知机分支分别用于提取drt全向量特征、drt峰值统计特征和soc映射特征；

21、多头注意力融合模块，用于将各分支输出的特征构成多模态特征序列，通过多头自注意力机制实现全向交互融合；

22、多任务联合识别模块，包含共享编码器、soh回归任务头和四级故障分类任务头，用于同步输出soh预测值和故障分级结果。

23、采用上述方案后，本发明的有益效果在于：

24、1、通过融合drt全向量特征与深度神经网络自动提取的eis特征，实现电化学机理特征与数据驱动特征的互补融合，提高了模型的可解释性；

25、2、利用多头自注意力机制自适应学习不同特征对当前电池状态判断的重要程度，增强模型对不同工况和故障阶段的泛化性与鲁棒性；

26、3、采用多任务联合学习方式，同步完成电池soh回归、内短路故障四级分类双任务学习，相比传统独立建模方式减少模型数量，降低部署成本；

27、4、建立了多等级故障分级与预警机制，可实现内短路故障由早期异常到严重失效阶段的全程识别与监测；

28、5、通过注意力权重可视化，可解析模型判断依据，为故障溯源与机理分析提供依据。

1.一种锂离子电池soh与内短路故障联合识别方法，其特征在于，包括以下步骤：

2.如权利要求1所述的锂离子电池soh与内短路故障联合识别方法，其特征在于：步骤s2包括：

3.如权利要求1所述的锂离子电池soh与内短路故障联合识别方法，其特征在于：步骤s3中，

4.如权利要求1所述的锂离子电池soh与内短路故障联合识别方法，其特征在于：步骤s4中，所述多头自注意力机制将四类模态特征拼接构成特征序列，通过多个注意力头从不同特征空间提取互补信息，各注意力头中查询、键、值均来自同一特征序列，实现四类特征间的全向交互融合。

5.如权利要求1所述的锂离子电池soh与内短路故障联合识别方法，其特征在于：步骤s5中，所述共享编码器为全连接网络，其第l层特征映射表示为:

6.如权利要求1所述的锂离子电池soh与内短路故障联合识别方法和系统，其特征在于：步骤s5中，所述soh回归任务分支采用双层全连接网络，并以sigmoid函数作为输出层激活函数，输出范围为(0,1)的连续soh预测值；

7.如权利要求1所述的锂离子电池soh与内短路故障联合识别方法，其特征在于：步骤s6中，所述多任务总损失函数由soh回归损失、故障分类损失以及任务不确定性约束项三部分耦合构成；

8.如权利要求1所述的锂离子电池soh与内短路故障联合识别方法，其特征在于：步骤s7中，根据故障分类结果建立多等级预警机制：

9.如权利要求1所述的锂离子电池soh与内短路故障联合识别方法和系统，其特征在于：还包括通过可视化四类模态的自适应注意力权重，解析模型当前故障判定的核心依据，实现故障溯源与机理分析。

10.一种锂离子电池soh与内短路故障联合识别系统，其特征在于，包括：