基于新能源汽車大數據的事故特征模式匹配追蹤分析

抄佩佩 ，豐俊獻，程端前，劉 川,

（1.中國汽車工程研究院股份有限公司，重慶 401122；2.重慶交通大學 經濟與管理學院，重慶 400074）

相比于傳統燃油車，新能源汽車具有節能環保、高效低噪等優點。受到國家政策的支持和引導，我國新能源汽車產業目前處于高速發展期，2020 年產銷量達到136 萬輛，保持全球領先地位[1]。隨著新能源汽車數量的增長，其安全問題也日漸突出，據不完全統計，2020 年新能源汽車發生的安全事故就有124 起，主要原因是動力電池失效所引發的熱失控從而導致火災事故，鋰電池的熱失控是動力電池安全事故的核心原因[2]。目前，關于新能源汽車事故分析方法主要局限于事故現場調查、事后統計分析以及試驗定性測試方法[3]。方凱正等[4]針對新能源汽車安全事故的特征進行了事故的梳理和分析，發現新能源汽車安全事故涉及電池、整車、充電等方面，主要原因是電池發生熱失控。蘇曉倩等[5]根據新能源汽車燃爆事件的統計數據，針對新能源汽車的5 個子系統分析了其致因機制。佟麗珠[6]應用統計方法分析了新能源汽車事故發生的原因并提出相關發展建議。何佳星[7]以動力電池實時故障為研究對象，在新能源汽車實時行駛數據的基礎上，實現對電池故障進行診斷以及預測。國外也有很多對于動力電池故障的研究，旨在通過動力電池的研究來解釋新能源汽車事故發生的成因。如基于香農熵的鋰離子電池組功率衰減故障識別[8]、電池荷電狀態的不一致性研究[9]、電池系統內部短路的研究[10]以及電池壽命預測[11]等。

由于火災事故涉及的因素較多，相互關聯復雜程度高，通過現場調查以及試驗測試等方法，一方面消耗較大的資源，另一方面對事故原因也較難下定論。新能源汽車目前都具備實時上傳數據的能力，可以將各類數據看成數字信號，并用信號處理的方法對新能源汽車進行事故研究分析。小波變換和相關性分析是信號處理中常用的兩種方法，小波變換是一種新的變換分析方法，并廣泛應用于信號分析、語音合成、圖像識別、計算機視覺等領域。SELVAN 等[12]使用小波變換對信號進行分解，得到正交的特征向量，再通過Kullback-Leibler 距離函數對圖像紋理進行識別和分類，結果表明處理效果要優于傳統的子帶能量法。MUHAMMAD 等[13]提出了基于雙樹復小波變換的醫學圖像分辨率增強方法，使用雙樹復小波變換獲得高頻子帶，通過內插法將對比度增強的低分辨率圖像和逆小波變換后的高頻子帶進行組合，從而獲得對比度增強的超分辨率圖像。在信號相關性分析方面，孫秋菊[14]將信號間的相關性應用于工程信號處理，并通過Matlab 對其進行仿真，得出了基于信號相關性可以大大提高測試信號信噪比的結論。沈穎[15]針對工程測試信號處理中存在的信號間相關性，利用概率統計參量來描述信號內部及信號間不同形式的相關關系，從而揭示了信號間關聯程度的內在規律，并通過實例展示了信號相關分析技術在實際工程測試中的應用。

綜上所述，目前有關新能源汽車事故的研究分析主要來源于傳統火災事故調查，受到許多因素的限制，相對來說仍比較片面。信號處理技術作為一種新型技術，展現出了極強的功能性，并廣泛應用于各種領域。當前，國內外關于信號處理的研究已非常成熟，但將信號處理方法用于新能源汽車事故的研究分析并不普遍。本文通過構建高斯濾波器提取新能源汽車電池模板信號的高階微分特征，實現模板信號的變化模式解析，再將目標特征信號與模板特征信號作相關性計算，通過對事故車輛歷史數據的分析挖掘以及與同類正常車輛的對比，并結合事故車輛現場調查可以更準確地發現事故的成因，有利于實現后期對火災事故車輛的快速事故模式識別，提高事故調查深度和事故原因分析的效率，進一步提升新能源汽車缺陷分析與應急處置能力，從而有效維護消費者生命和財產安全。

1 高斯函數高階導數

信號分析的本質是信號的特征提取，信號的特征通常指的是信號的變化特征，一個恒定不變的信號往往不具有絕對價值，因此，獲取信號的變化特征更加有意義，如信號變化的速度、加速度或更高階的速度。而觀察速度的大小與所給觀察信號的時間尺度有關，如某個時間內的平均速度、更大或更小時間段的速度，甚至瞬時速度，都與所選的時間窗密切相關，基于此提出基于高斯函數高階導數的特征提取方法。

2 信號相關性計算

信號處理中經常需要對信號進行相關性分析，牽涉到信號相關的問題往往都會涉及大型的數據集。互相關在智能信號處理相關領域中，是用來表示兩個信號之間相似性的一個度量，通過與確定信號比較，來尋找不確定信號的特性，它是確定信號與不確定信號之間相對于時間的一個函數，也可以稱為滑動點積。自相關表示同一個信號不同時間段的相關程度，可以看作是信號與自身的延遲信號相乘后的乘積進行積分運算，在模式識別以及密碼分析學等很多領域，信號的相關性分析都有廣泛的應用。

式中：Rxx(m)表示信號x(k)與自身作卷積計算。

本文從自相關和互相關的角度，對新能源汽車事故數據進行模式特征匹配追蹤研究，其中匹配代表信號的互相關，通過特征模板信號與其他車輛的全生命周期的特征信號進行互相關運算，橫向分析其他車輛是否存在同樣的事故模式。追蹤即為信號的自相關，將事故發生時的模板信號經過濾波器組處理形成特征模板信號，再與經過同樣濾波器組處理的全生命周期信號作相關運算，縱向分析事故車輛前中期是否存在此類事故模式。

3 匹配追蹤算法

傳統的新能源汽車事故分析往往會受到多方面因素的影響，并且存在復雜度高、資源消耗大的問題，本文以新能源汽車全生命周期數據為例，提出一套事故數據模式特征匹配追蹤的方法，步驟如下：

（1）首先構造一組高斯高階導數濾波器組v，a，g，g'。其中，v為高斯函數一階導數；a為高斯函數二階導數；g為高斯函數三階導數；g'為高斯函數四階導數，歸一化后如圖1 所示。

圖1 高斯函數各階導數

圖2 特征匹配追蹤算法流程

4 實例分析

4.1 數據來源

本文采用7 輛新能源汽車的歷史數據作為試驗數據，采集的數據來源于新能源汽車國家監管平臺，并由新能源汽車自帶電池管理系統檢測上傳。

4.2 模板信號提取

本文使用數據為7 輛新能源汽車的電壓和溫度，其中3 輛是事故車輛，另外4 輛是正常車輛，其中包含模板信號的事故車輛全生命周期電壓、溫度曲線如圖3 所示。

圖3 事故車輛電壓、溫度曲線

在生命周期末期，車輛發生自燃事故，且在數據層面表現出溫度驟然上升并伴隨著電壓明顯下降的明顯特征，放大后如圖4 所示。可以看出，圖4的溫度從30℃上升到100 多攝氏度，同時事故車輛的電壓降低，因此，可以將這類特征看成一種事故特征模式，即電壓下降、溫度顯著上升。將這一段電壓、溫度信號作為模板信號與高斯高階導數濾波器作濾波，結果如表1 和表2 所示，得到4 個維度的特征信號并作為特征模板。再將濾波器與目標信號卷積同樣得到4 個維度的信號，通過計算特征模板與新得到的特征信號的相關性，求得兩段信號的相關程度，并進一步計算得到其聯合概率。

表1 多維電壓模板信號

表2 多維溫度模板信號

圖4 事故車輛電壓、溫度曲線

4.3 信號模式匹配追蹤

4.3.1 縱向分析

事故縱向比較主要針對單車的全生命周期數據進行前后對比分析，由于新能源汽車火災主要由動力電池系統的故障所引發，因而縱向比較主要針對事故車輛的故障電池在全生命周期內的演變過程進行分析，分析事故車輛在生命周期內其電壓、溫度等特征模式是否發生明顯的異常變化。

將事故車輛全周期的電壓、溫度數據作為目標信號，利用構造的濾波器與其做卷積運算并提取特征，結果如表3 和表4 所示。

表3 多維電壓全周期信號

表4 多維溫度全周期信號

將多維電壓模板信號特征與多維電壓全周期信號特征作相關性計算，得到兩組信號的相關程度，如圖5 所示，上端曲線代表電壓曲線，下端代表每一個點所對應的相關程度，即與模板信號的匹配程度。可以看出在生命周期前期，沒有相關程度超過0.5的點，中期有較少點超過0.5，到了后期超過0.5 的點的次數更加頻繁，當事故發生時，即電壓曲線的末端，相對應的相關程度達到1。可初步判斷，該事故車輛的電壓波動在早期就存在異常，并且隨著時間的推移，其波動與事故電壓模板相關程度也隨之增高，說明事故車輛發生事故并不是一蹴而就的，很多時候往往是事故風險特征逐漸累計，由“量變”引起“質變”，最終導致火災事故的發生。

圖5 事故車輛電壓曲線及其相關程度

同理，將多維溫度模板信號特征與多維溫度全周期信號特征作相關性計算，結果如圖6 所示，上端曲線代表溫度曲線，下端代表每一個點所對應的相關程度，即與模板信號的匹配程度。可以看出超過0.5 的點只有兩個，表明車輛運行較為穩定，并且溫度相關性大的點基本出現在前期，中后期較少，而事故發生時其相關程度達到1。說明從溫度上不易發現事故特征，溫度的異常波動不是引起新能源汽車發生事故的主要原因，但發生事故時通常會伴隨溫度的上升。

圖6 事故車輛溫度曲線及其相關程度

4.3.2 橫向分析

事故橫向比較主要體現在事故特征模板信號與正常車輛之間或者其他事故車輛之間的相關程度表示。將提取得到的事故電壓、溫度曲線作為模板，以正常車輛或者其他事故車輛全周期數據為目標信號，利用事故特征模式匹配追蹤算法對兩輛事故車與4 輛正常車進行計算分析，正常車輛結果如圖7所示，事故車輛結果如圖8 所示，左圖代表電壓曲線及其相關程度，即與事故數據模式的匹配程度，中圖代表溫度曲線及其相關程度，右圖代表兩者的聯合概率。

圖7 為4 輛正常車輛的全生命周期電壓、溫度及其與特征模板的相關程度。可以看出正常車輛的電壓相關程度基本在0.5 以下，溫度相關程度在0.3以下，且聯合相關概率均在0.5 以下。表明正常車輛在運行過程中較為穩定，從數據上來看和事故模式匹配程度不高。

圖7 正常車輛分析結果圖

圖8 表示事故車輛的全生命周期電壓、溫度及其與特征模板的匹配程度。可以看出事故車輛的電壓、溫度相關程度超過0.5 的點普遍較多，表明和事故模式有50%相似的情況較多，且某些點的電壓溫度聯合相關概率達到0.7，表明和事故模式相似程度達到了70%，這是非常危險的。

圖8 事故車輛分析結果

從特征匹配追蹤的角度看，相比于事故車輛，正常車輛要更加安全，特征匹配追蹤模型對于正常車輛和事故車輛具有一定的區分性。

5 結論

（1）針對新能源汽車動力電池安全問題，提出一套新能源汽車事故數據模式特征匹配追蹤的方法，并用于新能源汽車事故大數據分析。

（2）通過構造高斯高階導數濾波器，對模板信號的高階微分特征進行抽取，得到模板信號特征模板，運用卷積運算計算車輛歷史運行數據與特征模板的相關程度。

（3）以多輛正常車輛和事故車輛數據為試驗對象，結果表明特征匹配追蹤算法便捷有效，對于正常車輛和事故車輛具有辨識性，可以為新能源汽車安全預警提供有效的依據。

（4）今后將進一步尋找更多的事故特征模式（包括溫度、電壓、電流、絕緣電阻等），并使用更多的車輛數據樣本加以驗證分析。