一种软包电池传感器故障在线检测方法与流程

1.本发明属于故障检测技术领域，特别是涉及一种软包电池传感器故障在线检测方法。


背景技术：

2.相比于方形和圆柱形电池，软包锂离子电池具有能量密度高、安全性高、灵活性高和成本低的特点，是新能源汽车的动力来源，其运行安全是科研界和业界重点关注的问题。电池管理系统通过各种传感器（温度，电压，电流等）进行电池状态信息监测，运行状态评估以及管理，对电池高性能、长寿命和安全运行至关重要。然而，这些传感器种类数量繁多，在发生故障情况下，会造成电池管理系统无法准确获得电池系统状态信息，导致电池出现不可逆的损伤甚至安全隐患。目前基于电池内部热力学模型的故障检测方法需要事先知道系统模型和参数的信息，而实际应用中往往难以获得精准模型且存在各类干扰，制约了此类方法的应用推广。因此，亟需开发数据驱动的软包电池传感器故障在线检测方法。


技术实现要素：

3.针对以上技术问题，本发明提供一种软包电池传感器故障在线检测方法。
4.本发明解决其技术问题采用的技术方案是：一种软包电池传感器故障在线检测方法，方法包括如下步骤：步骤s100：测量并记录电池输入电流和端电压数据，通过热电偶传感器采集软包电池表面温度数据，将输入电流和端电压数据表达成预设向量形式得到输入电流向量和端电压数据向量，将软包电池表面温度数据表达成预设矩阵形式得到温度数据矩阵；步骤s200：对温度数据矩阵采用kl分解法得到奇异值矩阵，从奇异值矩阵中选取最大的个奇异值，并计算得到对应的基函数矩阵，根据基函数矩阵和温度数据矩阵得到主元矩阵；步骤s300：利用滚动时域的在线学习方法，根据主元矩阵、输入电流向量和端电压数据向量对预设的预测模型进行训练和验证，得到对应时刻的温度数据的估计值；步骤s400：获取一时刻的热电偶温度数据测量值，根据热电偶温度数据测量值和对应时刻的温度数据估计值得到故障检测残差，根据故障检测残差、预设的残差评估函数和预设的故障检测阈值得到检测结果。
5.优选地，步骤s100中将输入电流和端电压数据表达成预设向量形式，将软包电池表面温度数据表达成预设矩阵形式，具体为：
其中，和分别为测量的端电压数据向量和电流数据向量，为时间步长，为个热电偶测量的温度数据矩阵。
6.优选地，步骤s200包括：步骤s210：根据温度数据矩阵得到矩阵c，对矩阵c进行奇异值分解得到奇异值矩阵；步骤s220：从奇异值矩阵中选取最大的个奇异值，根据温度数据矩阵以及最大的个奇异值对应的元素得到基函数矩阵；根据基函数矩阵和温度数据矩阵得到主元矩阵。
7.优选地，步骤s210中根据温度数据矩阵得到矩阵c具体为：其中，为温度数据矩阵，为时间步长；步骤s210中对矩阵c进行奇异值分解，具体为：其中，为奇异值矩阵，矩阵u和v为按照特征值分解后计算出来的矩阵；s220具体为：其中，为基函数矩阵，为主元矩阵，为矩阵中对应个最大奇异值的元素，降维后主元和特征向量的个数为且满足条件。
8.优选地，步骤s300包括：步骤s310：利用滚动时域的在线学习方法，根据主元矩阵、输入电流向量和端电压数据向量对主元矩阵中每一个主元进行单独训练，对于主元，第个训练
窗口的输入矩阵为，的第一行为，第二行为，以此类推，第m行为；其中，是训练窗口的长度，每个训练窗口中具有个批次，是每个批次中数据的长度，第一行是第一个批次的训练数据，以此类推，第行是第个批次的训练数据；步骤s320：对每一个批次数据训练采用的训练算法均为套索算法，对应第个窗口中的第个批次参数估计的目标函数为：其中，表示使后面式子达到最小值时的变量取值，为矩阵的第行，和分别为第个批次待估计参数向量和估计参数向量，和为基函数项和正则化系数，和分别表示欧氏空间2-范数和1-范数；步骤s330：训练完第个窗口的数据之后，采用如下的输入来验证第个窗口训练的预设的预测模型：对应的预设的预测模型验证输出为的估计值，其计算公式为：其中，为第个批次估计参数向量；步骤s340：对于第个窗口的预设的预测模型验证输出，结合基函数矩阵获得对应的温度数据的估计值，具体为：
其中，为时刻个热电偶的温度数据估计值，为时刻个主元的估计值，为基函数矩阵；步骤s350：当第个训练窗口的第个批次的数据训练完之后，从第个训练窗口移动到第个训练窗口，继续从第个训练窗口的第一个批次开始训练到第个训练窗口的第个批次，直至所有的主元训练完毕。
9.优选地，步骤s400中根据热电偶温度数据测量值和对应时刻的温度数据估计值得到故障检测残差包括：其中，为故障检测残差，为热电偶温度数据测量值，为对应时刻的温度数据估计值；定义时域变换，得到如下故障检测残差：其中，为时刻的故障检测残差。
10.优选地，步骤s400中根据故障检测残差、预设的残差评估函数和预设的故障检测阈值得到检测结果，包括：步骤s410：根据故障检测残差和预设的残差评估函数得到残差评估值，具体为：步骤s420：当残差评估值大于预设的故障检测阈值时，表明时刻有故障，否则，时刻无故障，具体为：其中，为时刻的残差评估值，为预设的故障检测阈值。
11.优选地，步骤s400还包括：步骤s430：当残差评估值大于故障检测残差的欧式空间的峰值范数的上确界时，将预设的预测模型的训练方式切换至离线模式，当预设的预测模型的训练方式处于离线模式时，估计参数向量不再实时更新，保持切换前时刻的数值；否则，预设的预测模型的训
练方式继续保持在线模式。
12.上述软包电池传感器故障在线检测方法，测量并记录电池输入电流和端电压数据，通过热电偶传感器采集软包电池表面温度数据，在不知道系统模型和参数的信息的前提下，利用滚动时域的在线学习方法，根据主元矩阵、输入电流向量和端电压数据向量对预设的预测模型进行训练和验证，得到对应时刻的温度数据的估计值；根据热电偶温度数据测量值和对应时刻的温度数据估计值得到故障检测残差，根据故障检测残差、预设的残差评估函数和预设的故障检测阈值得到检测结果，根据检测结果实现了软包锂离子电池的传感器故障检测。
附图说明
13.图1为本发明一实施例提供的一种软包电池传感器故障在线检测方法的流程图；图2为本发明一实施例提供的滚动时域的在线学习方法示意图；图3为本发明一实施例提供的20个热电偶的分布示意图；图4为本发明一实施例提供的无故障情况下输入电流曲线；图5为本发明一实施例提供的无故障情况下真实端电压曲线；图6为本发明一实施例中针对第一种故障采用模式切换方式下的故障检测结果；图7为本发明一实施例中针对第一种故障采用持续在线更新模式下的故障检测结果；图8为本发明一实施例中针对第二种故障采用模式切换方式下的故障检测结果；图9为本发明一实施例中针对第二种故障采用持续在线更新模式下的故障检测结果。
具体实施方式
14.为了使本技术领域的人员更好地理解本发明的技术方案，下面结合附图对本发明作进一步的详细说明。
15.在一个实施例中，如图1所示，一种软包电池传感器故障在线检测方法，方法包括如下步骤：步骤s100：测量并记录电池输入电流和端电压数据，通过热电偶传感器采集软包电池表面温度数据，将输入电流和端电压数据表达成预设向量形式得到输入电流向量和端电压数据向量，将软包电池表面温度数据表达成预设矩阵形式得到温度数据矩阵；步骤s200：对温度数据矩阵采用kl分解法得到奇异值矩阵，从奇异值矩阵中选取最大的个奇异值，并计算得到对应的基函数矩阵，根据基函数矩阵和温度数据矩阵得到主元矩阵；步骤s300：利用滚动时域的在线学习方法，根据主元矩阵、输入电流向量和端电压数据向量对预设的预测模型进行训练和验证，得到对应时刻的温度数据的估计值；步骤s400：获取一时刻的热电偶温度数据测量值，根据热电偶温度数据测量值和对应时刻的温度数据估计值得到故障检测残差，根据故障检测残差、预设的残差评估函数和预设的故障检测阈值得到检测结果。
16.与其他故障检测方法相比较，本发明提出的故障检测方法只需要传感器数据，不需要知道系统模型的准确信息。利用少数的热电偶和电流、电压传感器，在不知道准确模型的前提下，实现了软包锂离子电池的传感器故障检测。
17.在一个实施例中，步骤s100中将输入电流和端电压数据表达成预设向量形式，将软包电池表面温度数据表达成预设矩阵形式，具体为：其中，和分别为测量的端电压数据向量和电流数据向量，为时间步长，为个热电偶测量的温度数据矩阵。
18.具体地，将电流、电压数据当电池热分布模型的输入，温度测量数据当输出。
19.在一个实施例中，步骤s200包括：步骤s210：根据温度数据矩阵得到矩阵c，对矩阵c进行奇异值分解得到奇异值矩阵；步骤s220：从奇异值矩阵中选取最大的个奇异值，根据温度数据矩阵以及最大的个奇异值对应的元素得到基函数矩阵；根据基函数矩阵和温度数据矩阵得到主元矩阵。
20.在一个实施例中，步骤s210中根据温度数据矩阵得到矩阵c具体为：其中，为温度数据矩阵，为时间步长；步骤s210中对矩阵c进行奇异值分解，具体为：其中，为奇异值矩阵，矩阵u和v为按照特征值分解后计算出来的矩阵；s220具体为：其中，为基函数矩阵，为主元矩阵，为矩阵中对应个最大奇异值的元素，降维后主元和特征向量的个数为且满足条件。
21.具体地，对矩阵采用karhunen-loe`ve（kl）分解法，具体步骤为对矩阵
（上标t表示矩阵的转置）进行奇异值分解（singular value decomposition, svd），得到，其中，为奇异值矩阵，对角线上的元素为奇异值从大到小排列，选取最大的个奇异值并计算对应的基函数矩阵和主元矩阵为：其中，为基函数矩阵，为主元矩阵，为矩阵中对应个最大奇异值的元素，降维后主元和特征向量的个数为且满足条件。
22.在一个实施例中，步骤s300包括：步骤s310：利用滚动时域的在线学习方法，根据主元矩阵、输入电流向量和端电压数据向量对主元矩阵中每一个主元进行单独训练，对于主元，第个训练窗口的输入矩阵为，的第一行为，第二行为，以此类推，第m行为；其中，是训练窗口的长度，每个训练窗口中具有个批次，是每个批次中数据的长度，第一行是第一个批次的训练数据，以此类推，第行是第个批次的训练数据；步骤s320：对每一个批次数据训练采用的训练算法均为套索算法，对应第个窗口中的第个批次参数估计的目标函数为：其中，表示使后面式子达到最小值时的变量取值，为矩阵的第行，和分别为第个批次待估计参数向量和估计参数向量，和为基函数项和正则化系数，和分别表示欧氏空间2-范数和1-范数；
步骤s330：训练完第个窗口的数据之后，采用如下的输入来验证第个窗口训练的预设的预测模型：对应的预设的预测模型验证输出为的估计值，其计算公式为：其中，为第个批次估计参数向量；步骤s340：对于第个窗口的预设的预测模型验证输出，结合基函数矩阵获得对应的温度数据的估计值，具体为：其中，为时刻个热电偶的温度数据估计值，为时刻个主元的估计值，为基函数矩阵；步骤s350：当第个训练窗口的第个批次的数据训练完之后，从第个训练窗口移动到第个训练窗口，继续从第个训练窗口的第一个批次开始训练到第个训练窗口的第个批次，直至所有的主元训练完毕。
23.具体地，针对降维后的主元，提出一种新的滚动时域的在线学习方法来进行模型训练和预测，该方法的示意图见图2所示。
24.在一个实施例中，步骤s400中根据热电偶温度数据测量值和对应时刻的温度数据估计值得到故障检测残差包括：其中，为故障检测残差，为热电偶温度数据测量值，为对应时刻的温度数据估计值；定义时域变换，得到如下故障检测残差：
其中，为时刻的故障检测残差。
25.在一个实施例中，步骤s400中根据故障检测残差、预设的残差评估函数和预设的故障检测阈值得到检测结果，包括：步骤s410：根据故障检测残差和预设的残差评估函数得到残差评估值，具体为：步骤s420：当残差评估值大于预设的故障检测阈值时，表明时刻有故障，否则，时刻无故障，具体为：其中，为时刻的残差评估值，为预设的故障检测阈值。
26.在一个实施例中，步骤s400还包括：步骤s430：当残差评估值大于故障检测残差的欧式空间的峰值范数的上确界时，将预设的预测模型的训练方式切换至离线模式，当预设的预测模型的训练方式处于离线模式时，估计参数向量不再实时更新，保持切换前时刻的数值；否则，预设的预测模型的训练方式继续保持在线模式。
27.具体地，通过核密度估计法（kernel density estimation, kde）获取故障检测阈值，具体步骤为采用高斯核对无故障情况下评估函数的概率密度分布函数（probability density function, pdf）进行估计，定义显著性水平时对应的为故障检测阈值。
28.在一个详细的实施例中，本发明搭建包含电池测试柜、恒温箱和电池管理系统在内的实验平台进行电池表面温度数据采集，实验对象为一个lifepo4/石墨软包锂离子电池，其长度、宽度、厚度分别为0.24米、0.18米和0.00783米（厚度可忽略不计），共有20个热电偶位于表面，示意图如图3所示。图4和图5分别为无故障情况下输入电流和真实端电压曲线。分别注入如下两类传感器故障：故障1：对图3中10号到15号热电偶从2500秒开始注入1k的恒定测量偏差；故障2：对端电压测量传感器从2500秒开始注入3v的恒定测量偏差。
29.图6和图7分别表示针对故障1）采用步骤s430中的模式切换方式和采用持续在线更新模式下的故障检测结果，图8和图9分别表示针对故障2）采用步骤s430中的模式切换方式和采用持续在线更新模式下的故障检测结果。对比图6和图7，以及图8和图9，可以看到采用本专利中提出的模式切换方式，可以有效提升故障检测率（fault detection rate, fdr），表1为不同情形下故障检测率具体数值。
30.表1 不同训练方式故障检测结果上述软包电池传感器故障在线检测方法，与其他故障检测方法相比较，本发明提出的故障检测方法只需要传感器数据，不需要知道系统模型的准确信息。与采用持续在线更新的方法相比，本发明提出的模式切换方法能有效提高故障检测率。利用少数的热电偶和电流、电压传感器，在不知道准确模型的前提下，实现了软包锂离子电池的传感器故障检测。
31.以上对本发明所提供的一种软包电池传感器故障在线检测方法进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。