一种电池故障诊断方法、装置、介质及BMS系统与流程

一种电池故障诊断方法、装置、介质及bms系统
技术领域
1.本发明涉及电池技术领域，特别涉及一种电池故障诊断方法、装置、介质及bms系统。


背景技术：

2.随着对环境和节能的日益关注，许多国家大力推动电动汽车的发展，电动汽车销售量逐年增长。得益于功率/能量密度更高、循环寿命更长、自放电率更低等优点，锂离子电池在电动汽车和储能行业受到广泛欢迎。但是由于锂离子电池涉及复杂的反应、复杂连接和滥用情况，锂离子电池的不一致性和安全隐患，导致发生各类故障的概率增大。
3.对电池故障的准确识别和提前预警是bms的重要功能，锂离子电池常见故障包括内短路故障(isc)、阻值异常故障(arf，包括接触电阻故障和阻值异常增大故障)、容量异常故障(acf)。由于引发不同故障的原因也各不相同，而且不同故障对电池系统和行车安全的危害程度也有较大差异，因此对锂离子电池不同类型故障进行分类预警是提升bms效率的有效方法。
4.目前的锂离子电池故障诊断方法，如采用等效电路模型对锂离子电池进行电特性分析，根据内阻差异的方差、电压差异的变化等参数的内短路检测方法(分析参数变化)，在诊断单一的故障时，取得了很好的效果。但是锂离子电池系统故障种类繁多，准确的分类预警是一个比较复杂的问题，因此对锂离子多类型故障进行准确诊断和分类预警方法的开发成为本领域技术人员的当务之急。


技术实现要素：

5.本发明公开了一种电池故障诊断方法、装置、介质及bms系统，它根据电池运行时获取的计算差异特征数据，结合ai故障分类模型，对待诊断电池进行分类故障诊断，计算差异特征数据可显著提高分类故障诊断的准确性。
6.为达到上述目的，一方面，提供了一种电池故障诊断方法，具体方法如下：
7.获取待诊断电池的诊断运行数据；
8.将所述诊断运行数据输入ai分类模型，完成电池故障分类诊断；
9.所述诊断运行数据和训练分类模型的训练数据均包括计算差异特征数据；
10.计算差异特征数据为通过计算获得的电池正常运行和各种故障运行时产生的数据差值。
11.该实施例的优点在于，针对不同型号的电池分别训练ai分类模型，确定待诊断电池型号后选取对应ai分类模型进行故障诊断，可有简化诊断流程，提高诊断精度。计算差异特征数据属于隐藏不易发现的数据特征，本身就代表了电池正常运行与故障运行时的数据值差，将差异特征作为训练样本的重要组成，可进一步提高诊断的准确性，以及加快模型的收敛速度。
12.进一步地，所述ai分类模型为随机森林模型。
13.进一步地，所述故障包括以下内容任意一项以上：
14.内短路故障、阻值异常故障、容量异常故障。
15.该实施例的优点在于，基于计算差异特征数据的构成方式，在诊断上述三类故障时，诊断效果更好。
16.进一步地，所述诊断运行数据和所述训练数据还包括可测差异特征数据，可测差异特征数据为通过测量获取的电池正常运行和各种故障运行时的数据差值。
17.该实施例的优点在于，仅通过计算差异特征数据训练ai分类模型，其数据各种较少，可能出现同一故障信号对应多种故障的情况，加入可测差异特征数据后可进一步提高诊断准确性。
18.进一步地，所述可测差异特征数据包括以下内容任意一项以上：
19.端电压差异极值、端电压差异均值、端电压差异方差、端电压差异标准差；
20.soc差异平均值、soc差异时间相关系数。
21.该实施例的优点在于，上述可测差异特征数据是在长期试验和产品运营过程中，经过特征工程统计出的可直接测量且反应故障类型的数据类型，用于训练ai分类模型可提高诊断准确度。
22.进一步地，所述计算差异特征数据通过电池正常运行时生产的正常运行数据和电池各种故障运行时产生的异常运行数据配合计算得到；
23.所述可测差异特征数据分别通过测量电池正常运行时生产的正常运行数据和电池各种故障运行时产生的异常运行数据再推导得到。
24.可选地，所述正常运行数据和所述异常运行数据的获取方法如下：
25.以待诊断电池同型号的电池作为试验电池，通过电池模拟试验获取所述试验电池正常运行时的数据，以及所述试验电池在各种故障运行时的数据。
26.可选地，所述正常运行数据和所述异常运行数据的获取方法如下：
27.通过bms系统提取与待诊断电池同型号的相似电池的真实运行数据，所述正常运行数据为所述相似电池正常运行时的真实运行数据，所述异常运行数据为所述相似电池在各种故障运行时的真实运行数据。
28.作为优选，所述正常运行数据和所述异常运行数据的获取方法如下：
29.通过电池模拟试验，分别构建所述电池正常状态运行时的正常运行模型，和所述电池在不同故障运行时的异常运行模型；通过所述正常运行模型获取电池正常运行时的所述正常运行数据，通过所述各种异常运行模型获取电池在不同故障运行时的所述异常运行数据。
30.该实施例的优点在于，训练ai分类模型需要大量的训练数据，通过试验或采集的方式获取难度大、成本高；通过少量的试验数据构建异常运行模型和正常运行模型，可大批量获取训练数据，节省数据成本提高ai分类模型训练速度。
31.进一步地，所述电池模拟试验包括：电池正常运行试验和电池在各种故障下的异常运行试验。
32.进一步地，所述电池模拟试验采用nedc驾驶循环，放电至2.75v，采用1/3c恒流充电工况，充电至4.25v。
33.进一步地，所述正常运行模型和所述异常运行模型包括：电池等效物理模型、内阻
模型、库伦效率模型、容量衰减模型、自放电模型和热模型。
34.进一步地，构建所述异常运行模型的仿真参数设置如下：
35.对于内短路故障，在1欧姆至30欧姆范围内设置等效内短路阻值，使内短路程度涵盖内短路故障各阶段；
36.对于阻值异常故障，仿真阻值异常增加时，在正常单体阻值基础上增加1.0mω至1.1mω之间的随机阻值，最大阻值差异限制为2.0mω；仿真接触电阻故障时，充电工况下，增加1.0mω至1.1mω之间的随机阻值，放电工况下，增加1.0mω至6.0mω的随机阻值，最大阻值差异限制为6.0mω；
37.对于容量异常故障，在85％至95％的标准容量范围内设置故障单体初始容量。
38.进一步地，所述计算差异特征数据包括以下内容任意一项以上：
39.阻值差异均值、阻值差异方差、阻值差异标准差、开路电压差异均值、开路电压差异方差、开路电压差异标准差、soc差异与平均soc相关系数、soc差异与时间相关系数、soc差异极差、soc差异均值、soc差异方差、soc差异标准差、soc差异随时间变化率方差、soc差异随时间变化率标准差。
40.该实施例的优点在于，上述计算差异特征数据是在长期试验和产品运营过程中，经过特征工程统计出的可反应故障类型的数据类型，用于训练ai分类模型可提高诊断准确度。
41.可选地，获取阻值差异和开路电压差异的具体方法如下：
42.构建cdm离散状态方程，将电池正常运行和各种故障运行时产生的端电压差异值和电流值作为输入，以cdm离散状态方程的待估参数既阻值差异和开路电压差异为输出，采用神经网络算法训练迭代。
43.作为优选，获取阻值差异和开路电压差异的具体方法如下：
44.构建cdm离散状态方程，将电池正常运行和各种故障运行时产生的端电压差异值和电流值代入cdm离散状态方程中，通过递归最小二乘法辨识cdm离散状态方程的待估参数，既阻值差异和开路电压差异。
45.该实施例的优点在于，阻值差异和开路电压差异是无法通过实际测量得到的数值，通过构建cdm离散状态方程和递归最小二乘法计算得到的结果，具有准确度高、数据样本需求量少、计算量少等优点。
46.进一步地，获取soc差异的具体方法如下：
47.根据阻值差异，采用扩展卡尔曼滤波算法估计soc差异。
48.该实施例的优点在于，扩展卡尔曼滤波算法用于估算系统状态，既soc差异具有准确度高、数据样本需求量少、计算量少等优点。
49.可选地，训练随机森林模型的具体方法如下：
50.分别电池正常运行、内短路故障对应的计算差异特征数据、阻值异常故障对应的计算差异特征数据、容量异常故障对应的计算差异特征数据添加标注，构建训练样本；
51.以训练样本输入随机森林模型进行分类训练；
52.对训练后的决策树使用网格搜索和交叉验证的方式调节参数，确定以信息熵为划分依据；
53.使用随机有放回的抽样方式，选择80％的数据作为训练集，20％的数据作为测试
集；
54.将不同故障的异常运行数据输入随机森林分类器，验证随机森林模型。
55.作为优选，训练随机森林模型的具体方法如下：
56.分别电池正常运行、内短路故障对应的计算差异特征数据以及可测差异特征数据、阻值异常故障对应的计算差异特征数据以及可测差异特征数据、容量异常故障对应的计算差异特征数据以及可测差异特征数据添加标注，构建训练样本；
57.以训练样本输入随机森林模型进行分类训练；
58.对训练后的决策树使用网格搜索和交叉验证的方式调节参数，确定以信息熵为划分依据；
59.使用随机有放回的抽样方式，选择80％的数据作为训练集，20％的数据作为测试集；
60.将不同故障的异常运行数据和可测差异特征数据输入随机森林分类器，验证随机森林模型。
61.该实施例的优点在于，结合异常运行数据和可测差异特征数据，可提高随机森林模式的诊断准确度。
62.另一方面，为达到上述目的，提供了一种电池故障诊断装置，包括：电池数据获取模块、分类模型诊断模块和分类模型训练板块；
63.所述电池数据获取模块，获取待诊断电池的诊断运行数据；
64.所述分类模型诊断模块，将所述诊断运行数据输入ai分类模型，完成电池故障分类诊断；
65.所述分类模型训练板块，获取计算差异特征数据构建训练样本，所述计算差异特征数据为通过计算获得的电池正常运行和各种故障运行时产生的数据差值，训练所述分类ai分类模块。
66.进一步地，所述计算差异特征数据包括以下内容任意一项以上：
67.阻值差异均值、阻值差异方差、阻值差异标准差、开路电压差异均值、开路电压差异方差、开路电压差异标准差、soc差异与平均soc相关系数、soc差异与时间相关系数、soc差异极差、soc差异均值、soc差异方差、soc差异标准差、soc差异随时间变化率方差、soc差异随时间变化率标准差。
68.另一方面，为达到上述目的，提供了一种存储介质，存储有若干指令，处理器加载指令以执行上述的电池故障诊断方法。
69.另一方面，为达到上述目的，提供了一种bms系统，包括上述电池故障诊断装置，和/或上述存储介质。
70.需要说明的是，在本文中采用的“第一”、“第二”等类似的语汇，仅仅是为了描述技术方案中的各组成要素，并不构成对技术方案的限定，也不能理解为对相应要素重要性的指示或暗示；带有“第一”、“第二”等类似语汇的要素，表示在对应技术方案中，该要素至少包含一个。
附图说明
71.为了更加清晰地说明本发明的技术方案，利于对本发明的技术效果、技术特征和
目的进一步理解，下面结合附图对本发明进行详细的描述，附图构成说明书的必要组成部分，与本发明的实施例一并用于说明本发明的技术方案，但并不构成对本发明的限制。
72.附图中的同一标号代表相同的部件，具体地：
73.图1为本发明的诊断流程示意图。
74.图2为实施例3中随机森林算法输出可视化示意图。
75.图3为实施例3中随机森林算法特征重要性分析图。
76.图4为实施例3中随机森林对实验数据的诊断结果。
77.图5为实施例1随机森林模型训练流程示意图。
78.图6为实施例2随机森林模型训练流程示意图。
79.图7为实施例3随机森林模型训练流程示意图。
80.图8为实施例4随机森林模型训练流程示意图。
81.图9为实施例5随机森林模型训练流程示意图。
82.图10为实施例6的装置结构示意框图。
具体实施方式
83.下面结合附图和实施例，对本发明作进一步的详细说明。当然，下列描述的具体实施例只是为了解释本发明的技术方案，而不是对本发明的限定。此外，实施例或附图中表述的部分，也仅仅是本发明相关部分的举例说明，而不是本发明的全部。
84.实施例1：
85.一种电池故障诊断方法，如图1和图5所示，具体方法如下：
86.获取待诊断电池的诊断运行数据；
87.将诊断运行数据输入随机森林模型，完成电池故障分类诊断；
88.诊断运行数据和训练分类模型的训练数据均包括计算差异特征数据；
89.计算差异特征数据通过电池正常运行时生产的正常运行数据和电池各种故障运行时产生的异常运行数据配合计算得到；
90.正常运行数据和异常运行数据的获取方法如下：
91.以待诊断电池同型号的电池作为试验电池，通过电池模拟试验获取试验电池正常运行时的数据，以及试验电池在各种故障运行时的数据。
92.实施例2：
93.一种电池故障诊断方法，如图1和图6所示，具体方法如下：
94.获取待诊断电池的诊断运行数据；
95.将诊断运行数据输入随机森林模型，完成电池故障分类诊断；
96.诊断运行数据和训练分类模型的训练数据均包括计算差异特征数据和可测差异特征数据；
97.计算差异特征数据通过电池正常运行时生产的正常运行数据和电池各种故障运行时产生的异常运行数据配合计算得到；
98.可测差异特征数据分别通过测量电池正常运行时生产的正常运行数据和电池各种故障运行时产生的异常运行数据再推导得到。
99.正常运行数据和异常运行数据的获取方法如下：
100.通过bms系统提取与待诊断电池同型号的相似电池的真实运行数据，正常运行数据为相似电池正常运行时的真实运行数据，异常运行数据为相似电池在各种故障运行时的真实运行数据。
101.由实施例1和实施例2可知，用于训练随机森林模型的数据包括有计算差异特征数据，在此基础上也可以有可测差异特征数据，当然在计算差异特征数据的基础上还可以入其它有利于或无用于故障诊断其它类型数据。
102.同样由实施例3和实施例4可知，正常运行数据和异常运行数据可以是通过针对性试验获取的试验数据，也可以是汽车在运行过程中由bms系统采集的真实数据，还可以是如后续实施例中采用的仿真数据，当然还可以是通过其它方式获取的数据。
103.实施例3：
104.一种电池故障诊断方法，如图1和图7所示，具体方法如下：
105.获取待诊断电池的诊断运行数据；
106.将诊断运行数据输入随机森林模型，完成电池故障分类诊断，故障类型包括内短路故障、阻值异常故障、容量异常故障；
107.诊断运行数据和训练分类模型的训练数据均包括计算差异特征数据；
108.计算差异特征数据通过电池正常运行时生产的正常运行数据和电池各种故障运行时产生的异常运行数据配合计算得到；
109.计算差异特征数据包括阻值差异、开路电压差异、开路电压差异均值、开路电压差异方差、开路电压差异标准差、soc差异、soc差异极差、soc差异均值、soc差异方差、soc差异标准差、soc差异随时间变化率方差、soc差异随时间变化率标准差。
110.获取阻值差异和开路电压差异的具体方法如下：
111.构建cdm离散状态方程，将电池正常运行和各种故障运行时产生的端电压差异值和电流值作为输入，以cdm离散状态方程的待估参数既阻值差异和开路电压差异为输出，采用神经网络算法训练迭代。
112.训练随机森林模型的具体方法如下：
113.分别电池正常运行、内短路故障对应的计算差异特征数据、阻值异常故障对应的计算差异特征数据、容量异常故障对应的计算差异特征数据添加标注，构建训练样本；
114.以训练样本输入随机森林模型进行分类训练；
115.对训练后的决策树使用网格搜索和交叉验证的方式调节参数，确定以信息熵为划分依据；
116.使用随机有放回的抽样方式，选择80％的数据作为训练集，20％的数据作为测试集；
117.将不同故障的异常运行数据输入随机森林分类器，验证随机森林模型。
118.实施例4：
119.一种电池故障诊断方法，如图1和图8所示，具体方法如下：
120.获取待诊断电池的诊断运行数据；
121.将诊断运行数据输入随机森林模型，完成电池故障分类诊断，故障类型包括内短路故障、阻值异常故障、容量异常故障；
122.诊断运行数据和训练分类模型的训练数据均包括计算差异特征数据和可测差异
特征数据；
123.计算差异特征数据通过电池正常运行时生产的正常运行数据和电池各种故障运行时产生的异常运行数据配合计算得到；
124.可测差异特征数据分别通过测量电池正常运行时生产的正常运行数据和电池各种故障运行时产生的异常运行数据再推导得到。
125.计算差异特征数据包括阻值差异、开路电压差异、开路电压差异均值、开路电压差异方差、开路电压差异标准差、soc差异、soc差异极差、soc差异均值、soc差异方差、soc差异标准差、soc差异随时间变化率方差、soc差异随时间变化率标准差。
126.获取阻值差异和开路电压差异的具体方法如下：
127.构建cdm离散状态方程，将电池正常运行和各种故障运行时产生的端电压差异值和电流值代入cdm离散状态方程中，通过递归最小二乘法辨识cdm离散状态方程的待估参数，既阻值差异和开路电压差异。
128.训练随机森林模型的具体方法如下：
129.分别电池正常运行、内短路故障对应的计算差异特征数据以及可测差异特征数据、阻值异常故障对应的计算差异特征数据以及可测差异特征数据、容量异常故障对应的计算差异特征数据以及可测差异特征数据添加标注，构建训练样本；
130.以训练样本输入随机森林模型进行分类训练；
131.对训练后的决策树使用网格搜索和交叉验证的方式调节参数，确定以信息熵为划分依据；
132.使用随机有放回的抽样方式，选择80％的数据作为训练集，20％的数据作为测试集；
133.将不同故障的异常运行数据输入随机森林分类器，验证随机森林模型。
134.由实施例3和实施例4可知，计算阻值差异和开路电压差异的方式可以是神经网络算法，也可以是递归最小二乘法，还可以是其它已知算法或测试方法。
135.同样由实施例3和实施例4可知，可由计算差异特征数据单独训练随机森林模型，也可以由计算差异特征数据和可测差异特征数据同时训练随机森林模型。
136.实施例5：
137.一种电池故障诊断方法，如图1和图9所示，具体方法如下：
138.获取待诊断电池的诊断运行数据；
139.将诊断运行数据输入ai分类模型，完成电池故障分类诊断；
140.诊断运行数据和训练分类模型的训练数据均包括计算差异特征数据；
141.计算差异特征数据为通过计算获得的电池正常运行和各种故障运行时产生的数据差值。
142.具体地，ai分类模型为随机森林模型。
143.该实施例中，ai分类模型还可以是逻辑回归模型、支持向量机模型等可进行数据分类的模型。
144.具体地，故障包括内短路故障、阻值异常故障、容量异常故障。
145.该实施例中，还可以包括有其它故障类型，根据其它故障类型匹配对应的可测差异特征数据和计算差异特征数据。
146.具体地，诊断运行数据和训练数据还包括可测差异特征数据，可测差异特征数据为通过测量获取的电池正常运行和各种故障运行时的数据差值。
147.具体地，可测差异特征数据包括端电压差异极值、端电压差异均值、端电压差异方差、端电压差异标准差；soc差异平均值、soc差异时间相关系数。
148.该实施例中，可测差异特征数据还可以包括有电流、电压等其它已知可直接获得电子电路参数。
149.具体地，计算差异特征数据通过电池正常运行时生产的正常运行数据和电池各种故障运行时产生的异常运行数据配合计算得到；
150.可测差异特征数据分别通过测量电池正常运行时生产的正常运行数据和电池各种故障运行时产生的异常运行数据再推导得到。
151.正常运行数据和异常运行数据的获取方法如下：
152.具体地，通过电池模拟试验，分别构建电池正常状态运行时的正常运行模型，和电池在不同故障运行时的异常运行模型；通过正常运行模型获取电池正常运行时的正常运行数据，通过各种异常运行模型获取电池在不同故障运行时的异常运行数据。
153.具体地，电池模拟试验包括：电池正常运行试验和电池在各种故障下的异常运行试验。
154.具体地，电池模拟试验采用nedc驾驶循环，放电至2.75v，采用1/3c恒流充电工况，充电至4.25v。
155.该实施例中，电池模拟试验方式可根据实际情况调整，以满足准确或快速或低成本获取正常运行数据和异常运行数据。
156.具体地，正常运行模型和异常运行模型包括：电池等效物理模型、内阻模型、库伦效率模型、容量衰减模型、自放电模型和热模型。
157.该实施例中，还可以根据需要增加或减少电池模型类别。
158.具体地，构建异常运行模型的仿真参数设置如下：
159.对于内短路故障，在1欧姆至30欧姆范围内设置等效内短路阻值，使内短路程度涵盖内短路故障各阶段；
160.对于阻值异常故障，仿真阻值异常增加时，在正常单体阻值基础上增加1.0mω至1.1mω之间的随机阻值，最大阻值差异限制为2.0mω；仿真接触电阻故障时，充电工况下，增加1.0mω至1.1mω之间的随机阻值，放电工况下，增加1.0mω至6.0mω的随机阻值，最大阻值差异限制为6.0mω；
161.对于容量异常故障，在85％至95％的标准容量范围内设置故障单体初始容量。
162.该实施例中，仿真参数试验的外部条件和参数设置均可以根据实际需要改变，以满足获取的异常运行数据的准确度要求或成本要求或速度要求。
163.具体地，计算差异特征数据包括阻值差异、开路电压差异、开路电压差异均值、开路电压差异方差、开路电压差异标准差、soc差异、soc差异极差、soc差异均值、soc差异方差、soc差异标准差、soc差异随时间变化率方差、soc差异随时间变化率标准差。
164.该实施例中，计算差异特征数据还可以根据需要增加或减少，增加的数据类型需满足由正常运行数据和差异运行数据配合计算得出。
165.具体地，获取阻值差异和开路电压差异的具体方法如下：
166.构建cdm离散状态方程，将电池正常运行和各种故障运行时产生的端电压差异值和电流值代入cdm离散状态方程中，通过递归最小二乘算法辨识cdm离散状态方程的待估参数，既阻值差异和开路电压差异。
167.具体地，
168.cdm的离散状态方程表示为：
[0169][0170]
式中，为可测的不同故障时端电压差异值、为待估的不同故障时开路电压差异值，ik为可测的电流值，为待估的不同故障时阻值差异值。
[0171]
在rls算法中，cdm可以表示为：
[0172][0173]
其中，
[0174][0175]
式中，代表单体i随时间累积的端电压差异矩阵，矩阵第一列由常数1组成，第二列由电流数据组成，为待估参数，包括de和dr，随着数据累积，估计结果快速收敛。
[0176]
具体地，获取soc差异的具体方法如下：
[0177]
根据阻值差异，采用扩展卡尔曼滤波算法估计soc差异。
[0178]
具体地，在获得dr估计后，采用ekf算法实现对soc差异的精确估计，相比其他soc差异估计方法，ekf算法精确可靠，对测量噪声、模型误差和初始soc值不敏感，在剧烈波动的动态工况也有很好的表现。ekf算法的迭代方程如下表所示：
[0179][0180]
非线性系统状态方程和输出方程表示为：
[0181]
x
k+1
＝f(xk,uk)+wk[0182]
yk＝g(xk,uk)+vk[0183]
式中，f(xk,uk)和g(xk,uk)分别为状态方程和输出方程；xk，uk，yk分别为系统内部
的状态向量，输入向量和输出向量；wk和vk是均值为0，方差为∑w和∑v的高斯白噪声，构造雅克比矩阵如下式：
[0184][0185]
状态向量、输入向量和输出向量如下：
[0186][0187]
系统状态方程和输出方程为：
[0188]
δsoc
k+1
＝δsock+wk[0189]
δuk＝δek(δsock)+ikδrk+vk[0190]
一阶泰勒展开系数为：
[0191][0192][0193]
噪声设置：vk为测量噪声，反应电压测量精度，容易获得。初步设定σv＝5
×
10-4
，一般工程上采用的系统噪声和测量噪声比为1:200000，因此设定σw＝2.5
×
10-9
。σw越大(或者σv越小)会使增益lk增大，意味着ekf修正能力强，实际应用中，可以认为是需要人为标定的值，实际物理意义仅供参考，需要综合考虑电压、电流测量误差、计算机舍入误差等调节σw和σv。
[0194]
迭代计算：
[0195][0196][0197][0198][0199][0200]
该实施例中，soc差异在阻值差异和开路电压差异的基础上，通过已知算法求得，扩展卡尔曼滤波算法可替换为其它计算方式。
[0201]
具体地，训练随机森林模型的具体方法如下：
[0202]
分别电池正常运行、内短路故障对应的计算差异特征数据以及可测差异特征数据、阻值异常故障对应的计算差异特征数据以及可测差异特征数据、容量异常故障对应的
计算差异特征数据以及可测差异特征数据添加标注，构建训练样本；
[0203]
以训练样本输入随机森林模型进行分类训练；
[0204]
对训练后的决策树使用网格搜索和交叉验证的方式调节参数，确定以信息熵为划分依据；
[0205]
使用随机有放回的抽样方式，选择80％的数据作为训练集，20％的数据作为测试集；
[0206]
将不同故障的异常运行数据输入随机森林分类器，验证随机森林模型。
[0207]
信息熵计算公式表示为：
[0208][0209]
式中，entropy(d)表示信息熵，k为类别总数，d为样本总数，ck为属于某个类别的样本数。
[0210]
随机森林训练对树结构进行可视化结果如图2所示，对特征重要性分析如图3所示。
[0211]
模拟实验选用标称容量为100ah的ncm523型方壳锂离子电池模组，模组内部包包含6个电池单体，电池单体额定容量为100ah，额定电压为3.7v，充电截止电压为4.25v，放电截止电压为2.75v。使用bts600进行工况设置及数据采集，数据采集频率为1hz，实验工况与仿真工况保持一致：1/3c恒流充电至充电截止电压，采用nedc工况放电至放电截止电压。
[0212]
对模组内一个单体做故障模拟。采用等效电阻的方法，在模组内其中一个单体上并联5ω、10ω、50ω的电阻，进行内短路模拟实验，以验证不同程度漏电流下算法的检测能力；将定值电阻(1.1mω、3.3mω)串联至模组，从而模拟阻值异常故障模组，包括轻微阻值异常故障和严重阻值异常故障；将经过老化实验得到的容量衰减至90ah，90％标准容量的单体串联至模组，模拟容量异常故障模组。
[0213]
6个锂离子电池故障模组共包含6个故障样本和30个正常样本，随机森林分类结果如图4所示，准确判断正常单体以及isc、arf、acf等多类型故障单体。
[0214]
实施例6：
[0215]
一种电池故障诊断装置，如图10所示，包括：电池数据获取模块、分类模型诊断模块和分类模型训练板块；
[0216]
电池数据获取模块，获取待诊断电池的诊断运行数据；
[0217]
分类模型诊断模块，将诊断运行数据输入ai分类模型，完成电池故障分类诊断；
[0218]
分类模型训练板块，获取计算差异特征数据构建训练样本，计算差异特征数据为通过计算获得的电池正常运行和各种故障运行时产生的数据差值，训练分类ai分类模块。
[0219]
该实施例中，电池数据获取模块可以是采集待诊断电池数据的传感器组，可以是可获取待诊断电池数据的bms系统，还可以是可获取待诊断电池数据的任意电子电路或系统。
[0220]
分类模型诊断模块可以是单独设置在汽车本地的诊断芯片，也可以是具有计算能力的bms系统，还可以是远端服务器或终端。
[0221]
分类模型训练板块可以是远端服务器，也可以是安装在汽车本地的具有训练功能
的芯片。
[0222]
具体地，计算差异特征数据包括以下内容任意一项以上：
[0223]
阻值差异均值、阻值差异方差、阻值差异标准差、开路电压差异均值、开路电压差异方差、开路电压差异标准差、soc差异与平均soc相关系数、soc差异与时间相关系数、soc差异极差、soc差异均值、soc差异方差、soc差异标准差、soc差异随时间变化率方差、soc差异随时间变化率标准差。
[0224]
需要说明的是，上述实施例仅是为了更清楚地说明本发明的技术方案，本领域技术人员可以理解，本发明的实施方式不限于以上内容，基于上述内容所进行的明显变化、替换或替代，均不超出本发明技术方案涵盖的范围；在不脱离本发明构思的情况下，其它实施方式也将落入本发明的范围。

技术特征：
1.一种电池故障诊断方法，其特征在于，具体方法如下：获取待诊断电池的诊断运行数据；将所述诊断运行数据输入ai分类模型，完成电池故障分类诊断；所述诊断运行数据和训练分类模型的训练数据均包括计算差异特征数据；计算差异特征数据为通过计算获得的电池正常运行和各种故障运行时产生的数据差值。2.如权利要求1所述的电池故障诊断方法，其特征在于，所述ai分类模型为随机森林模型。3.如权利要求1所述的电池故障诊断方法，其特征在于，所述故障包括以下内容任意一项以上：内短路故障、阻值异常故障、容量异常故障。4.如权利要求3所述的电池故障诊断方法，其特征在于，所述诊断运行数据和所述训练数据还包括可测差异特征数据，可测差异特征数据为通过测量获取的电池正常运行和各种故障运行时的数据差值。5.如权利要求4所述的电池故障诊断方法，其特征在于，所述可测差异特征数据包括以下内容任意一项以上：端电压差异极值、端电压差异均值、端电压差异方差、端电压差异标准差；soc差异平均值、soc差异时间相关系数。6.权利要求4所述的电池故障诊断方法，其特征在于，所述计算差异特征数据通过电池正常运行时生产的正常运行数据和电池各种故障运行时产生的异常运行数据配合计算得到；所述可测差异特征数据分别通过测量电池正常运行时生产的正常运行数据和电池各种故障运行时产生的异常运行数据再推导得到。7.权利要求6所述的电池故障诊断方法，其特征在于，所述正常运行数据和所述异常运行数据的获取方法如下：以待诊断电池同型号的电池作为试验电池，通过电池模拟试验获取所述试验电池正常运行时的数据，以及所述试验电池在各种故障运行时的数据。8.权利要求6所述的电池故障诊断方法，其特征在于，所述正常运行数据和所述异常运行数据的获取方法如下：通过bms系统提取与待诊断电池同型号的相似电池的真实运行数据，所述正常运行数据为所述相似电池正常运行时的真实运行数据，所述异常运行数据为所述相似电池在各种故障运行时的真实运行数据。9.权利要求6所述的电池故障诊断方法，其特征在于，所述正常运行数据和所述异常运行数据的获取方法如下：通过电池模拟试验，分别构建所述电池正常状态运行时的正常运行模型，和所述电池在不同故障运行时的异常运行模型；通过所述正常运行模型获取电池正常运行时的所述正常运行数据，通过所述各种异常运行模型获取电池在不同故障运行时的所述异常运行数据。10.权利要求9所述的电池故障诊断方法，其特征在于，所述电池模拟试验包括：电池正
常运行试验和电池在各种故障下的异常运行试验。11.权利要求7或9所述的电池故障诊断方法，其特征在于，所述电池模拟试验采用nedc驾驶循环，放电至2.75v，采用1/3c恒流充电工况，充电至4.25v。12.权利要求9所述的电池故障诊断方法，其特征在于，所述正常运行模型和所述异常运行模型包括：电池等效物理模型、内阻模型、库伦效率模型、容量衰减模型、自放电模型和热模型。13.如权利要求12所述的电池故障诊断方法，其特征在于，构建所述异常运行模型的仿真参数设置如下：对于内短路故障，在1欧姆至30欧姆范围内设置等效内短路阻值，使内短路程度涵盖内短路故障各阶段；对于阻值异常故障，仿真阻值异常增加时，在正常单体阻值基础上增加1.0mω至1.1mω之间的随机阻值，最大阻值差异限制为2.0mω；仿真接触电阻故障时，充电工况下，增加1.0mω至1.1mω之间的随机阻值，放电工况下，增加1.0mω至6.0mω的随机阻值，最大阻值差异限制为6.0mω；对于容量异常故障，在85％至95％的标准容量范围内设置故障单体初始容量。14.如权利要求3所述的电池故障诊断方法，其特征在于，所述计算差异特征数据包括以下内容任意一项以上：阻值差异均值、阻值差异方差、阻值差异标准差、开路电压差异均值、开路电压差异方差、开路电压差异标准差、soc差异与平均soc相关系数、soc差异与时间相关系数、soc差异极差、soc差异均值、soc差异方差、soc差异标准差、soc差异随时间变化率方差、soc差异随时间变化率标准差。15.如权利要求14所述的电池故障诊断方法，其特征在于，获取阻值差异和开路电压差异的具体方法如下：构建cdm离散状态方程，将电池正常运行和各种故障运行时产生的端电压差异值和电流值作为输入，以cdm离散状态方程的待估参数既阻值差异和开路电压差异为输出，采用神经网络算法训练迭代。16.如权利要求14所述的电池故障诊断方法，其特征在于，获取阻值差异和开路电压差异的具体方法如下：构建cdm离散状态方程，将电池正常运行和各种故障运行时产生的端电压差异值和电流值代入cdm离散状态方程中，通过递归最小二乘法辨识cdm离散状态方程的待估参数，既阻值差异和开路电压差异。17.如权利要求15或16所述的电池故障诊断方法，其特征在于，获取soc差异的具体方法如下：根据阻值差异，采用扩展卡尔曼滤波算法估计soc差异。18.如权利要求3所述的电池故障诊断方法，其特征在于，训练随机森林模型的具体方法如下：分别电池正常运行、内短路故障对应的计算差异特征数据、阻值异常故障对应的计算差异特征数据、容量异常故障对应的计算差异特征数据添加标注，构建训练样本；以训练样本输入随机森林模型进行分类训练；
对训练后的决策树使用网格搜索和交叉验证的方式调节参数，确定以信息熵为划分依据；使用随机有放回的抽样方式，选择80％的数据作为训练集，20％的数据作为测试集；将不同故障的异常运行数据输入随机森林分类器，验证随机森林模型。19.如权利要求4所述的电池故障诊断方法，其特征在于，训练随机森林模型的具体方法如下：分别电池正常运行、内短路故障对应的计算差异特征数据以及可测差异特征数据、阻值异常故障对应的计算差异特征数据以及可测差异特征数据、容量异常故障对应的计算差异特征数据以及可测差异特征数据添加标注，构建训练样本；以训练样本输入随机森林模型进行分类训练；对训练后的决策树使用网格搜索和交叉验证的方式调节参数，确定以信息熵为划分依据；使用随机有放回的抽样方式，选择80％的数据作为训练集，20％的数据作为测试集；将不同故障的异常运行数据和可测差异特征数据输入随机森林分类器，验证随机森林模型。20.一种电池故障诊断装置，其特征在于，包括：电池数据获取模块、分类模型诊断模块和分类模型训练板块；所述电池数据获取模块，获取待诊断电池的诊断运行数据；所述分类模型诊断模块，将所述诊断运行数据输入ai分类模型，完成电池故障分类诊断；所述分类模型训练板块，获取计算差异特征数据构建训练样本，所述计算差异特征数据为通过计算获得的电池正常运行和各种故障运行时产生的数据差值，训练所述分类ai分类模块。21.如权利要求20所述的电池故障诊断装置，其特征在于，所述计算差异特征数据包括以下内容任意一项以上：阻值差异均值、阻值差异方差、阻值差异标准差、开路电压差异均值、开路电压差异方差、开路电压差异标准差、soc差异与平均soc相关系数、soc差异与时间相关系数、soc差异极差、soc差异均值、soc差异方差、soc差异标准差、soc差异随时间变化率方差、soc差异随时间变化率标准差。22.一种存储介质，存储有若干指令，处理器加载所述指令以执行如权利要求1至19任意一项所述的电池故障诊断方法。23.一种bms系统，包括权利要求20或21所述电池故障诊断装置，和/或权利要求22所述存储介质。

技术总结
本发明涉及电池技术领域，特别涉及一种电池故障诊断方法、装置、介质及BMS系统。它根据电池运行时获取的计算差异特征数据，结合AI故障分类模型，对待诊断电池进行分类故障诊断。本发明针对不同型号的电池分别训练AI分类模型，确定待诊断电池型号后选取对应AI分类模型进行故障诊断，可有简化诊断流程，提高诊断精度。计算差异特征数据属于隐藏不易发现的数据特征，本身就代表了电池正常运行与故障运行时的数据值差，将差异特征作为训练样本的重要组成，可进一步提高诊断的准确性，以及加快模型的收敛速度；诊断内短路故障、阻值异常故障、容量异常故障时，计算差异特征数据包括难以直接测量的阻值差异、开路电压差异和SOC差异。开路电压差异和SOC差异。开路电压差异和SOC差异。


技术研发人员：熊付强 柯希春 郑岳久 刘佳林 刘煦旸 周昊
受保护的技术使用者：联合汽车电子有限公司
技术研发日：2023.06.16
技术公布日：2023/10/5