NEC锂电池产品分类
基于多维时频特征融合的电力NEC锂电池在线异常监测和分级诊断方法
发布时间：2026-07-21 20:11:54 点击： 次
有效的电池故障诊断和安全警告对电动汽车安全至关重要。然而，真实车辆数据中的早期电压异常通常较弱，容易被运行状态波动和测量噪声掩盖，可能导致误报或延迟警告。本文提出了一种基于多维时频特征融合的在线异常监测和分级诊断方法。采用滑动窗口机制实时更新电压序列，并从时域和频域中提取多个有效统计特征。随后使用主成分分析来降低特征维度，并采用局部异常因子来量化每个单元的异常程度。基于此，设计了双重阈值策略，对轻微异常采用基于持久性的评估以抑制误报，对严重异常则采用瞬时触发以确保及时识别。对真实车辆数据的实验表明，所提方法能够在渐进式故障演化中检测早期小型异常细胞，并在热失控前70帧以上识别和定位严重异常细胞，同时在正常运行条件下保持低误报水平。总体而言，该方法在真实车辆电池异常监测和分级预警方面具有良好应用潜力。
简介
目前，电动汽车的数据收集仅限于几个关键电池参数，如电流、电池电压、总电压和表面温度。因此，分析电压和温度变化仍是故障诊断的主要方法。现有的电力电池诊断方法大致可分为三类：基于知识、基于模型和数据驱动的方法[8]。基于知识的方法通常通过对历史故障数据的定性分析推导出故障与电池参数之间的关系，从而通过显式逻辑判断快速诊断常见故障。例如，Zhu等人[9]实验分析了过载诱导热失控期间的温度和电压变化，提出了基于电压-温度特性的四级严重性分类，以评估过载风险。然而，基于知识的方法高度依赖专家经验，通常仅限于识别具体且已知的故障，这使得它们难以适应电动汽车复杂且动态的运行条件。
基于模型的诊断方法依赖于电池的数学或物理表示，如等效电路模型[10]、电化学模型[11]、热模型[12]以及各种混合模型[13]。这些模型实时模拟电池的正常工作状态，通过分析模型输出与测量数据之间的差异来识别故障。例如，Hong等人[14]提出了改进的二阶RC电路模型，用于捕捉外部短路（ESC）条件下的非线性电池特性。利用递归最小二乘法进行动态参数识别，实验结果证明该模型能够在4秒内诊断ESC故障。Xu等人[15]基于一阶RC模型设计了一个稳健的多目标非线性观察器，通过比较观察者产生的残差与自适应阈值，识别内部短路（ISC）、电压传感器和电流传感器故障。同样，Pan等人[16]构建了用于同步电压和温度监测的电热耦合模型，显著提升了ISC诊断的准确性。Li 等人[17]进一步发展了一种利用多模型融合的集成方法，在电压预测准确性和故障敏感性方面均优于传统单模型。虽然基于模型的方法能有效捕捉内部电池动态，但其诊断性能高度依赖模型精度。然而，由于驾驶条件的复杂性和多变性，在实际车辆运行中获得准确参数具有挑战性。此外，这些方法的高计算复杂性常常限制了其在实际应用中的可行性。
近年来，数据驱动方法因其适应复杂系统的能力以及独立于精确物理模型的特性，在电力电池故障诊断领域日益受到重视[18]、[19]。这些方法主要利用信号处理技术从操作数据中提取关键特征，结合机器学习算法揭示电池状态与故障模式之间的相关性。例如，Li等人[20]将经验模式分解（EMD）与样本熵结合，用于检测和定位细胞失效。Chang 等人[21]应用了连续小波变换（CWT）将一维电压信号转换为二维时频图像，利用图像熵和基于密度的噪声空间聚类（DBSCAN）进行故障检测。Sun等人[22]通过离散弗雷歇距离和局部异常因子（LOF）算法实现了早期热失控预警。Li等人[23]从增量容量（IC）曲线中提取特征，通过主成分分析（PCA）进行降维，并将聚类算法与累积百分比分析结合，以诊断潜在异常。其他基于信号处理的方法包括相关系数[24]、[25]、香农熵[26]和修正熵[27]、[28]。此外，深度学习模型被广泛应用于利用大规模数据实现自动故障识别。Hong等人[29]将长短期记忆（LSTM）神经网络应用于诊断，而He 等人[30]则通过将LSTM与反向传播神经网络（BPNN）结合进行故障预测，进一步推进了这一技术。Wang 等人 [31]、[32] 采用了高斯混合模型（GMM）进行热失控预警和故障跟踪。此外，支持向量机（SVM）[33]、隔离森林（IF）[34]、XGBoost [35]、K-means[36]和Transformer[37]等算法也被广泛研究。然而，许多机器学习方法，尤其是监督式的，严重依赖于大量且准确标记的故障样本进行训练。在实际操作场景中，高质量的标记故障数据稀缺，这阻碍了模型的泛化，也限制了这些方法在工程上的广泛应用。
尽管现有方法在电池故障检测方面取得了一定进展，但许多方法仍主要在实验室条件下利用相对理想的数据进行开发和验证。在实际电动车运行中，频繁切换充电和放电状态，加上随机电压波动，使得早期故障信号难以识别，可能导致误报或延迟警告。此外，真实车辆中的电池故障可能表现出逐渐演变、突然劣化或在相邻电池间传播，对诊断灵敏度、鲁棒性和预警及时性提出了更高的要求。近年来，基于真实车辆数据的诊断框架被提出，例如将信号分解与时域无量纲特征参数结合的无监督异常检测方法[38]。然而，主要依赖单一时域特征或单层异常决策的方法，可能难以有效识别细微的早期异常并表征不同的异常演化模式。
为应对这些挑战，本文提出了一种基于多维时频特征融合的在线异常监测和分级诊断方法。通过将时频异常信息与分级预警机制集成，本方法能够分级识别和警告持续的微小偏差和严重异常，从而提高复杂真实车辆运行条件下异常识别的可靠性。该方法的主要贡献如下：
- (1)
提出了一种多维时频特征表示方法，用于早期电压异常的表征。在每个滑动窗口内，电压序列实时更新，FFT用于将电压时间序列转换为频域。然后提取时间域和频域中的多个统计特征，从不同视角表征异常的电池电压变化。PCA还被用于减少特征冗余和维度效应，从而提升在真实车辆运行条件下异常单元的可区分性。 - (2)
为分级异常诊断建立了两级预警策略。LOF算法用于量化约化特征空间中每个单元的异常程度，并进一步设计了两层阈值预警机制。对于轻微异常，采用基于持久性的决策机制，以减少因短期波动引起的误报。对于严重异常，采用瞬时触发机制以确保对迅速退化细胞的及时响应。 - (3)
该方法通过涵盖正常故障、突发故障和渐进故障场景的真实电动车运行数据进行验证。结果显示其在在线异常监测和分级诊断方面的潜力。
标签: