鋰離子動力電池傳感器多故障診斷策略綜述

王志福， 羅崴， 閆愿， 魏中寶，3， 楊忠義

(1.廣西科技大學自動化學院, 柳州 545000； 2.北京理工大學機械與車輛學院, 北京 100081；3.北京理工大學電動車輛國家工程研究中心， 北京 100081)

世界各國都在積極提倡清潔能源，以應對氣候變化來實現長遠發展。中國積極響應提出了2060年前實現“碳中和”，并在這個目標大背景下，國家發改委、國家能源局發布了《2022年能源工作指導意見》，其在“提升科技創新能力”方面指出：“堅持儲能技術多元化，推動鋰離子電池等相對成熟新型儲能技術成本持續下降和商業化規模應用”。鋰離子電池能夠大規模應用于軍用和民用市場，電池的安全穩定是前提保證。但“搖椅電池”作為能量儲存裝置，其本身就存在較高的安全隱患，并且鋰離子電池單體在應用過程中往往因為儲能受限，需要采用數百或數千個單體電池串聯、并聯或者串并聯的方式，以滿足車輛對行駛里程和牽引功率的要求，這樣才能確保其在實際運行過程中能夠安全、穩定、可靠。其中鋰離子電池中的傳感器是監測電池組在某些情況下會發生機、電、熱濫用[1]，如果傳感器發生故障，電池管理系統(battery management system, BMS)需要精確的數據無法實現，直接會影響電池系統的正常安全運行。由于電池傳感器封裝難度大，即使傳感器發生故障時，也很難及時更換導致電池溫度上升到極限溫度而不自動觸發電池切斷裝置，觸發熱失控風險[2]。眾所周知，鋰離子電池發生故障具有多樣性、并發性和互聯性的特性，如果早期能夠準確、高效地識別出漸變性、突發性等各類故障并進行有效控制，既可以避免故障產生連鎖反應起火爆炸，也可以減少不必要的生命財產損失。

綜上所述，鋰離子動力電池的傳感器多故障限制了新能源汽車來獲取數據提升電池性能。目前已有大量的研究團隊從鋰離子電池故障成因出發，從基于模型、基于模型-數據驅動結合、新模式等方法出發對鋰離子電池傳感器故障和多故障進行診斷。為了最大程度減少電池故障發生熱失控風險，現提出是否可以通過電池內置傳感器、融合算法等方式解決測取數據精度欠缺和多故障難以協同控制的問題，最后根據以往研究的重難點提出傳感器多故障診斷未來的發展趨勢旨在為電池的傳感器多故障提供參考。

1 鋰離子電池故障類型及原因

鋰離子電池作為汽車的“心臟”，決定著汽車行駛的里程。鋰離子電池系統由電池模組(電池單體串并聯)、電池管理系統(BMS)、熱管理系統和電氣及機械組件四大部分組成。其中BMS的作用主要是對電池電壓、電流和溫度通過外殼傳感器、執行器、主控芯片等進行實時監督。但由于電池組各個單體電池的內部容易出現老化衰減、電池成組過程中線路腐蝕等內因交織著使用過程的操作不當引起過充、過放等異常的外因，這些內外因的綜合作用導致了電池的內部和外部故障。其中鋰離子電池內部故障分為過充、過放、內短路、熱失控等類型。內部故障一方面是BMS以及傳感器的本身的故障引起傳感器不能正常的工作導致的，另一方面是因為電池內部結構發生電化學反應和內部短路引起的鋰枝晶現象。但鋰離子電池的外部故障的危險性通常大于內部故障，外部故障會引發內部故障的連鎖反應，最后容易引發熱失控。其中熱失控(thermal runaway, TR)指由于鋰離子液態電池在外部高溫、內部短路、電池包進水或者電池在大電流充放電各種外部和內部誘因的作用下，電池內部的正、負極自身發熱，或者直接短路，觸發“熱失控”，因為熱量無法擴散致使溫度快速上升，伴隨著電池中負極表面的(solid electrolyte interface, SEI)膜、電解液、正負極等在高溫下發生一系列熱失控反應(熱分解)。最終電池內部壓力當經過某一溫度點后導致急劇增加的同時轉換成熱能，形成了單個電池燃燒或者爆炸，最后發生熱失控擴散，導致整車起火燃燒[3]。

鋰離子電池外部故障可分為三類：傳感器故障、電池連接件故障和冷卻系統故障。傳感器故障往往最容易被忽視，但這可能引發嚴重的后果。BMS依靠傳感器才能實現均衡控制、故障診斷及荷電狀態(state of charge, SOC)估計等功能，如果傳感器出現偏差、漂移以及停止工作等故障，導致不能實時獲取數據，也就無法對電池目前的狀態進行精確合理的判斷，這樣不僅可能降低性能，還可能引起重大的安全事故。但由于傳感器隱蔽性高，所以診斷難度大，這也是目前傳感器研究的重點和難點[4]。BMS管理由數百個乃至千個單體電池組成的電池組，一方面由于電池單體故障、傳感器故障和連接件故障的特征相似，另一方面由于許多故障本質上是微小且隱蔽性強，難以很快識別，所以BMS偶爾會發生誤診斷導致誤動作。當電池多個故障發生時，如何快速檢測和準確診斷故障對汽車安全至關重要。其中電池的故障診斷的流程大致分為故障檢測、故障分類、故障定位以及故障隔離四個方面[5]，電池的數據處理在電池故障診斷中具有奠基的作用，可以通過加入數學形態學濾波的方法，較好地驗證去噪的效果是否顯著[6]。

由于多故障診斷策略可以避免不同故障之間的誤檢，對正常測量誤差和電池環境溫度、充電狀態、健康狀態不一致具有較高的穩健性，所以采用有效性優和魯棒性強的傳感器多故障診斷方法，使鋰離子電池電壓、SOC和溫度工作在合適的范圍。電池組故障演化過程及BMS故障診斷基本框架如圖1所示。

圖1 電池組故障演化過程及BMS故障診斷基本框架Fig.1 Battery pack fault evolution process and the basic framework of BMS fault diagnosis

2 鋰離子電池傳感器故障診斷策略

2.1 基于模型的故障診斷方法

因傳感器在外部故障診斷中的重要性，所以需對傳感器故障進行實時監測才能防止因鋰離子電池發生故障而不自知，產生嚴重的后果。針對基于模型的電池傳感器故障診斷方法，文獻[7]提出了一種基于觀測器的電池傳感器故障診斷方法，該方法在鋰離子電池建立電熱耦合動態模型的基礎上，構建兩個擴展的卡爾曼濾波(extended Kalman filter,EKF)觀測器，通過對比電池單體狀態量估計值與傳感器測量值生成殘差，通過累計和(cumulative sum, CUSUM)測試方法來進行殘差評價；最后通過觀察殘差組合的不同響應來實現電池的電流、電壓和溫度傳感器故障的診斷和分離，使其具有較好的有效性和魯棒性。倘若鋰離子電池輸入電流傳感器發生故障，則用滑模觀測器進行診斷，該觀測器以耦合了電池集總熱力學模型的一階Thevenin 等效電路模型為基礎模型，并對鋰離子電池非線性部分進行線性化然后通過重組變換成新的系統，并設計基于溫度估計誤差修正的滑模觀測器用于新系統中輸出電流的估計，并用范數的殘差評價函數進行評價[8]。但由于故障信號的響應遠大于建模精確度導致的振蕩，且傳統電池傳感器故障診斷方法無法實現對故障源的準確隔離。為了解決上述問題，在確定隨機電流激勵為輸入信號，一階等效電路模型的前提下，用奇偶空間法搭配系統矩陣運算對電池輸出傳感器進行故障檢測的同時并利用殘差生成器對故障進行檢測與隔離[9]。因為電流傳感器和電壓傳感器是用來準確估計荷電狀態(SOC)和健康狀態(state of health, SOH)，其正常工作讓電池遠離安全工作區域顯得非常重要。為了實時監測鋰離子電池傳感器的工作狀態，先假定溫度傳感器無故障，通過建立一種用殘差(庫倫計數法計算每個單元的真實SOC和遞推最小二乘和無跡卡爾曼濾波聯合估計方法得到估計SOC之間的差異或者用于SOC估計的容量與兩個非相鄰采樣時間累計電荷與SOC差值之比估計的容量之間的差異)來確定電流傳感器和電壓傳感器故障是否發生，然后通過比較電池組中每個單元的剩余值和預定義閾值來隔離故障電流或電壓傳感器[10]。對于傳感器的故障檢測與隔離還可以采用電池的結構分析理論(在不了解電池參數情況下)和統計方法相結合來生成殘差序列，其中在結構分析法后找到電池冗余部分提取和選擇子集的方程，以構建診斷模型，然后通過統計推斷進行評估[11]。快速和準確的故障診斷對汽車電池組的安全運行至關重要，但由于傳感器故障與電池連接件故障具有相似特征，偶爾會發生誤診斷，采用非冗余交叉式測量電路和改進相關系數法的多故障在線診斷方法來解決這個問題，該方法是利用每個傳感器測量相鄰兩個單元和一個連接部分的電壓之和，并采用相關系數法來獲取故障特征；其中通過識別相鄰電壓的相關系數，可以將電池故障與其他故障區分開來；對于隔離連接故障和電壓傳感器故障可以通過相鄰電壓差與電流的相關系數來實現[12]。鋰離子電池組傳感器或者繼電器故障，可以建立有限狀態自動機用來同時捕獲電池組的連續動態和離散動態；其次，采用分布式診斷結構，避免電池組全局模型的構建，減少計算量；然后，用雙擴展卡爾曼濾波算法來估計電池組中各電池的參數、終端電壓和荷電狀態；最后，利用電流、終端電壓殘差和SOC殘差進行可區分性分析；而診斷方案則是在美國聯邦城市駕駛工況(federal urban driving schedule, FUDS)下，對事件的觀察和連續動力學的可區分性分析來實現的[13]。高效的傳感器故障診斷對電池系統的耐用性和安全性至關重要，因此針對傳感器提出了基于模型的電壓傳感器和電流傳感器的故障診斷方案和容錯控制策略，該策略利用了遞歸最小二乘(recursive least square, RLS)和無跡卡爾曼濾波(unscented Kalman filter, UKF)算法；該故障方案首先利用開路電壓殘差發生器和容量殘差發生器產生多個殘差，然后鑒于每個殘差的SOC適用區間不同，所以可以根據不同的SOC選擇不同的殘差來判斷是否發生傳感器故障；最后分別根據開路電壓殘差和電容殘差詳細推導出電壓和電流傳感器的故障值，并將其應用于電池參數容錯控制和狀態估計[14]。基于模型的傳感器故障診斷方法如表1所示。

2.2 基于模型-數據驅動相融合的方法

鋰離子電池的傳感器故障屬于外部故障，外部故障會引起外部短路，為了快速準確地對外部短路進行診斷，首先采用改進的一階RC(resistor-capacitance)模型建立了鋰離子電池外部短路失效過程的電行為模擬實驗平臺，然后采用動態鄰域粒子群算法對模型參數進行重新辨識，最后利用第一層執行初始故障檢測和第二層執行基于模型的準確診斷的兩層模型的外部短路故障診斷算法[15]。由于SOC和溫度對鋰離子電池外部短路故障特性有重要影響，所以采用遺傳算法對建立的分數階模型(fractional order model, FOM)和一階RC模型參數進行辨識；當外部短路故障發生的電解液泄漏行為，通常采用隨機森林(random forest, RF)模型搭配三步診斷算法來解決[16]。對于鋰離子電池的電壓傳感器和電流傳感器故障，設計了混合系統建模和無氣味粒子濾波的鋰離子電池組系統診斷方法，該方法是用無跡粒子濾波算法來計算混合系統的狀態或模式，并用于估計離散狀態和連續狀態輸出診斷結果，最后采用串并聯組成電池組，對電壓傳感器和電流傳感器的不同故障場景進行了實驗驗證[17]。但監測系統參數異常及過程狀態的變化也會導致傳感器發生故障，可以采用基于多元統計分析中的統計局部核主元分析(statistical local kernel principal component analysis, SLKPCA)的二維相關系數法的動態更新模型的方法，該方法不僅可以提高模型的泛化能力，還可以提高傳感器設備故障診斷的準確性[18]。鋰離子電池的傳感器故障除上述關于模型-數據驅動融合方法外還可以采用等效模型和粒子濾波的電池組傳感器故障診斷方法，該方法首先是在戴維寧等效電路模型和等效熱模型基礎上建立電池組的熱電學模型；其次為了克服系統噪聲和非線性問題，采用遞歸最小二乘法辨識模型參數，并用粒子濾波對電池組的溫度和電壓進行估計；然后為了消除不確定性引起的殘差異常值，提出了基于滑動窗口的殘差方法，并采用蒙特卡羅模擬方法計算了不同序列的分布函數、均值和標準差的具體值；最后提出了基于滑動窗的殘差對數似然比累積和法來計算殘差。此故障診斷方法將多重殘差評估很好地運用到檢測和隔離電壓、電流、溫度傳感器的故障中[19]。對于電池組傳感器故障診斷，文獻[20]提出了以單體等效電路模型和熱模型為基礎，結合電池的電氣結構，建立串聯圓柱形電池組等效電-熱模型，然后通過與EKF和滑模觀測器(sliding mode observer, SMO)對比，設計了以電池組電壓、溫度狀態為特征的粒子濾波狀態觀測器，通過對電池組傳感器特性進行匹配；再次，采用學生化殘差法進行殘差預處理，來檢測異常值；最后，用對數似然比累計和的殘差評估方法；通過假設電流傳感器故障、電壓傳感器故障、核心溫度傳感器故障、表面溫度傳感器故障四類來驗證設計方案的有效性和魯棒性。上述殘差處理可以通過設計的數字孿生估計器來實現，該方法是殘差與閾值的比大小，而故障處理后的隔離則采用故障敏感度矩陣[21]。對于電池組的傳感器故障，還可以用極大似然估計算法來得到每個電池單體的最優故障率，再將故障率代入構建好基于故障樹的貝葉斯網絡模型進行訓練，以此非常直觀地顯示傳感器是否發生故障，進而能迅速定位電池單體故障并更換電池單體[22]。鋰離子電池傳感器故障診斷流程示意圖如圖2所示。

表1 基于模型的傳感器故障診斷方法Table 1 Model-based sensor fault diagnosis method

圖2 鋰離子電池傳感器故障診斷流程示意圖Fig.2 Schematic diagram of fault diagnosis process of lithium-ion battery sensor

傳感器的工作狀態正常是故障診斷的基礎和保障，當電流傳感器噪聲過大或出現故障時，電池參數和SOC、SOH和功率狀態(state of power, SOP)等產生較大的估計誤差；當電壓傳感器出現故障時，不僅導致狀態估計誤差增大，還會導致電池出現過充或過放。而目前傳感器故障診斷方法大部分都是基于模型的電池單體診斷方法，但單體串并聯成電池組時，基于模型的方法已不再適用。這時如果在建立模型的基礎上融合大量實驗數據進行訓練的數據驅動的方法時，既可以滿足電池內部電化學反應尤為復雜、參數耦合嚴重的情況，又可以針對電池不同的模塊分塊建立特定的建模分析進行更為精確故障定位。故障診斷融合算法既節約了計算時間，又保證了故障診斷結果的準確性。對于電池本身而言，在電池內部植入抗干擾和耐腐蝕能力強的光纖光柵傳感器可以相比較于傳統的傳感器更具有優勢，這樣可以對電池內部的信號長期監測[23]。傳感器內置、融合算法控制等方法這都將可能成為未來研究的重點。

3 鋰離子電池多故障診斷策略

3.1 基于模型的故障診斷方法

鋰離子電池多故障的發生嚴重影響動力電池系統的安全性和運行可靠性。電池多故障的診斷可以利用電池殘差和觀測器搭配進行故障檢測，因為每個故障都對應一個殘差，并且電池和電池故障(電池短路/開路、傳感器偏差、輸入電壓降和開關短路/開路)可以通過使用殘余信號的幅度和斜率或由電池電壓產生的范數來檢測和隔離[24]。故障診斷除了一體化進行外，還可以分為模塊化進行，文獻[25]提出用模塊化多電平變換器的電化學儲能(modular multilevel converter based battery energy storage system, MMC-BESS)系統進行建立數學模型，并且在構造觀測器后搭配使用基于端口電壓判別的故障定位策略來解決每個子模塊的潛在故障點。還可以設計一種新的觀測器，用于估計電壓和電流測量故障下鋰離子電池系統的電荷狀態和剩余使用壽命；其次將所考慮的系統轉換為Takagi-Sugeno形式，其中狀態超矢量包括狀態以及電流和電壓測量故障；然后運用二次有界方法加上外部擾動以橢球為界的基礎下，保證了系統的穩定性，為后續電流電壓的故障診斷奠定基礎[26]。可重構電池系統是能解決傳統方法所解決不了的電池問題，其是在建立的電熱模型基礎上，進行結構化分析，找出具有最優故障隔離性能的傳感器集。因此針對于此提出了一種用于故障診斷的最優化的最小型超定方程集算法，該算法能有效地識別出每個故障方程最少的MSO集合；并且通過與現有的求解子系統方法的比較，證明了該算法在求解多方程、高冗余系統時的優越性[27]。由于之前的交互多模型(interactive multi-model, IMM)故障診斷算法存在因為估計和診斷精度下降、模型轉換概率固定導致的診斷延遲的問題，提出了一種基于低慣性噪聲降噪(low inertia noise, LN)-IMM的故障診斷算法，該算法結合強跟蹤卡爾曼濾波(strong tracking Kalman filter, STKF)實現了鋰離子電池的多故障診斷。當處于非模型轉換階段時，可以利用基于模型概率的n階差分構造轉移概率修正函數，來抑制噪聲對算法估計精度的影響；當處于模型轉換階段時，需要引入了模型跳躍閾值，用以減少匹配模型切換時的慣性，實現快速模型轉換[28]。

多故障是鋰離子電池可能出現的情況之一，可以通過重構系統或者設計觀測器來分層地對故障進行診斷，但是基于模型下的故障診斷，是在多種假設下，對每個故障設計一個特定模型，這樣導致計算量龐大且普適性欠缺。

3.2 基于數據驅動的故障診斷方法

鋰離子電池是復雜的非線性的時變系統，其特征也難用常規方法提取到，所以早期故障往往很難檢測到。針對上述問題可以用一種基于改進多尺度熵的電池多故障協同診斷方法(modified multi-scale entropy, MMSE)，其中的MMSE可以有效提取電池故障早期的多尺度特征，克服了標準多尺度熵中的不足之處；并且可以在觸發報警閾值之前，有效地檢測和定位多個電池故障/異常，該方法可以為防止多種電池異常/故障引起的電池熱失控提供了可行性[29]。對于鋰離子電池的多故障診斷也可以采用一種基于修正樣本熵的電池早期故障多故障實時診斷方法，該方法通過檢測移動窗口中電壓序列的修正樣本熵，可以診斷和預測不同類型的電池早期故障，包括短路和開路故障，并預測故障發生的時間，該多故障診斷方法不需要精確的電池模型，但是能獲得較好的診斷效果，所以未來在電動汽車上將有很好的應用前景[30]。電動汽車電池的單一或多故障診斷來說，一般在預處理階段采用小波變換對傳感器信號的閾值函數進行處理，并在改進傳感器結構上使用卡爾曼濾波算法[31]。因安全性對提高故障診斷效率和預測故障的發生起到決定作用，所以傳統的熵理論電壓故障診斷檢測機制難以實現，可以采用將采集來的數據繪制成電壓曲線，并觀察鋰離子電池存在過壓故障，建立熵權法計算客觀權值以此來定位異常或故障的位置，這種方法因減少了主觀性，所以提高了可信度[32]。因為傳統的熵理論來檢測故障存在局限性，文獻[33]中針對這種局限性提出了多級香農熵算法的儲能系統故障診斷方法，該方法采用單元級香農熵算法通過比較各模塊中不同鋰離子電池單元的香農熵來檢測故障，該方法具有通用性，能夠很好地處理電池早期的故障診斷。但故障診斷中電壓信號容易受到噪聲信號的干擾，可以用經驗模態分解和樣本熵的電池故障檢測新方法來排除干擾的同時，能夠較快識別不同工況下的電池故障情況。該方法是采用對電壓數據進行去干擾和用經驗模態分解方法提取有效故障特征并計算樣本熵值，準確檢測和定位電池故障，完善評估策略用來顯示故障的級別[34]。基于改進多尺度熵的電池多故障協同診斷的流程圖如圖3所示。

圖3 基于改進多尺度熵的電池多故障協同診斷的流程圖[28]Fig.3 Flow chart of battery multi-fault collaborative diagnosis based on improved multi-scale entropy[28]

由于傳統的(back propagation, BP)神經網絡在針對多故障時具有收斂速度慢、容易陷入局部最優等缺點，采用遺傳算法來解決BP神經網絡權值和閾值優化的問題，并融合改進的D-S(Dempster-Shafer)證據理論來解決多故障存在交集的情況[35]。純模糊控制本身具有一定的主觀性，缺乏自適應能力，往往在應用中受限[36]，所以將模糊邏輯(能對兩者模糊關系進行準確描述并且對模糊性信息具有較強的表達能力)和神經網絡(具有強大的學習和獲取知識的能力，能夠避免模糊邏輯依賴于模糊規則的局限性，還能夠對信息進行并行推理)相結合的模糊神經網絡擁有兩者的雙重優點，讓電池故障診斷系統更加精準，并且能夠正確診斷出電池故障原因和電池故障嚴重程度，提高了電池使用的安全性[37]。電池的安全性，可以采用相關度分析與網格搜索法優化的支持向量機相結合的特征分類方法實現的智能診斷更具有安全性特點，該方法通過數據預處理、相似度歸納和層次分類來達到對多故障診斷同時分類[38]。針對電池故障類型多、診斷復雜的問題，結合徑向基函數(radial basis function neural network, RBF)神經網絡和單片機的優點，設計了一種基于改進徑向基(RBF)神經網絡的電池故障診斷方法，該方法通過電池單體模型獲取數據然后進行神經網絡學習和訓練，其中采用減法聚類方法確定RBF神經網絡的隱層神經元數量、中心向量和擴展系數，通過這個方法可以延長電池的使用壽命[39]。改進型RBF神經網絡的鋰離子電池故障診斷方案如圖4所示。

圖4 改進型RBF神經網絡的鋰離子電池故障診斷方案Fig.4 The fault diagnosis scheme of lithium-ion battery based on improved RBF neural network

善于捕獲輸入之間非線性的關系的神經網絡，適用于鋰離子電池復雜模式和預測問題，使得龐大的數據具有邏輯順序。因為傳統的神經網絡適用單一等缺陷，所以多層結構的改進型神經網絡算法應用更加廣泛。

3.3 基于模型-數據驅動相融合的方法

由于鋰離子電池故障診斷中存在測量噪聲等不確定因素的問題，為了解決上述問題，文獻[39]提出一種基于幅值平方相干譜的電池故障診斷方法。該方法針對單體鋰離子電池首先建立二階RC等效電路模型，用來進行參數辨識；然后采用正弦電流激勵電池模型和實際電池系統，分別獲得電池模型和實際系統的頻率響應，通過引入幅值平方相干函數和動態閾值對判斷電池是否存在故障，在確定電池產生故障后，運用多故障模型的方法計算出特定故障的發生概率來確定發生故障的類型[40]。文獻[41]中采用只針對鋰離子電池不同濫用工況的電化學電池模型參數進行實驗識別，用于故障診斷，并使用真實的HPPC循環模擬負載電流剖面來檢測這些故障條件，并用算法將識別出的每個模型與注入故障條件進行精確匹配，因此提出的診斷方法可以為故障監測方法提供可選擇性，使得鋰離子電池電池管理系統故障檢測的準確性得到提高。在故障診斷中故障診斷模型和參數十分重要，直接關系到診斷的準確率。既然不能尋找到故障診斷的最優參數，可以首先對原始數據采用主成分分析法進行降維處理，然后利用差分進化算法優化支持向量機確定參數懲罰因子和核函數參數[42]。但分類性能受自身參數影響較大的問題，所以可以采用加入麻雀搜索算法的支持向量機的故障診斷方法，故障診斷準確率提高的同時且收斂速度相對于傳統的遺傳算法更快[43]。對于故障診斷模型往往不具有重復性，對于多故障模型必須拆分成單一故障再一一建立模型，針對此問題，可以使用無監督極限學習機和K均值構建基于在線序列極限學習機的在線故障診斷方法，該方法可以對數據進行采樣的同時進行數據的預處理，將最終界定為正常和故障兩種情況[44]。

因為鋰離子電池系統的故障大多數與每個單體電池有關，所以通過實際運行數據構建電壓和溫度的特征參數，并且通過閾值方法對異常電池進行判斷，其次利用提取的數據繪制充電電壓曲線，用充電電壓曲線距離分析和局部離群因子(local outlier factor, LOF)檢測方法這兩種方法來識別單體的不一致性，達到對異常電池識別的目的[45]。該方法相較于希爾伯特得到包絡線，再用離群點檢測算法提取故障特征具有一定的優勢[46]。也可以利用統計的方法對電池故障進行診斷，首先根據大數據的統計分析方法，并采用基于高斯分布的3σ(σ為激活函數)多級篩選故障診斷方法，確定電池端電壓的故障概率；其次針對大量電動汽車的故障數據統計分析，采用神經網絡模型進行大樣本數據統計規律的建模和擬合；最后應用神經網絡算法，將單體故障診斷結果與大樣本統計相結合[47]。除了上面統計方法進行鋰離子電池的故障診斷外，還可以用統計法里的統計分布。為了提高對噪聲的抑制能力，降低電池故障診斷誤報的可能。文獻[48]提出一種交互式多模型(IMM)算法，并結合卡爾曼濾波(UKF)對鋰離子電池進行多故障診斷；其中IMM算法由馬爾可夫轉移概率矩陣(transition probability matrix, TPM)組成，目的是為了實現各模型輸入時信息的實時交互；與此同時，輸出端按照TPM將更新后的模型概率信息反饋給濾波器的輸入端，減少噪聲對算法的影響。誤報會引起誤動作，所以為了減少故障檢測的誤報率，采用基于模型法和熵法融合的在線多故障診斷策略，用于檢測多種故障類型；首先利用交錯電壓測量拓撲來區分電壓傳感器故障與電池短路或連接故障，其次在建立電池綜合模型的基礎上，進行結構分析，并對不同故障敏感性開展測試；最后采用基于擴展卡爾曼濾波的殘差生成和基于統計推斷的殘差評估對傳感器故障進行檢測和隔離[49]。數據驅動和模型相結合的方式進行故障診斷，還可以采用基于并行主成分分析(principal component analysis, PCA)和核主成分分析(kernel principal component analysis, KPCA)的鋰離子電池組多種故障診斷方法；首先用最小二乘法估計電壓參數建立電池PCA模型，其次用基于PCA貢獻值實現對在線監測數據的故障檢測；然后因為鋰離子電池是典型的非線性系統，所以用并行PCA-KPCA重構技術估計故障電池的故障波形，明晰故障原因[50]。

因為鋰離子電池內誘發故障的因素復雜，且多種故障特征類似，當設計診斷方法時容易對其他具有相似特征的故障誤動作，很容易引發鋰離子電池內部濫用故障，所以需要用數據驅動的方法控制建立的特定模型，達到不同的故障不同方法的效果，最終提高多故障診斷的準確性。

3.4 新模式的故障診斷方法

鋰離子電池不斷進行循環充放電使用，因此開發一種故障診斷系統是必要的。由于環境導致替換難度大，因此提出一種多模型粒子濾波的不間斷電源(uninterruptible power supply, UPS)故障診斷系統，該系統根據故障實驗后的參數建立故障的診斷模型，用飛思卡爾芯片實現各模塊間的通信，使其能夠對單一或者復合故障的過充、過放和過熱三種形式在短短的5 s內就可以診斷出結果[51]。鋰離子電池容易受到溫度以及充放電電流的影響，所以對鋰離子電池的故障診斷和安全監測是必要的；針對安全問題設計了基于菊花鏈的分布式BMS結構，該結構主要由硬件電路和軟件設計組成，并用改進的安時積分荷電狀態估計方法來進行容量、電壓和充電特性的測試[52]。文獻[53]提出一種智能多電池供電系統實時故障診斷和保護的結構，用來提高系統的安全性和運行智能化程度；該結構設計了電池數據采集模塊、電池組SOC估計模塊、故障診斷模塊、數據通信模塊、數據顯示和系統配置的用戶界面模塊、充放電雙路切換模塊等。不僅可以實現SOC的自我調整，也能實現故障診斷和自我恢復，大大滿足了人們對于故障診斷的要求。智能電池故障診斷總體結構如圖5所示。

新模式下的硬件平臺的搭建需要昂貴的資金，且不具備較強的遷移性。這使得研究者不得不通過建立電池模型和智能算法來達到電池故障診斷的要求。

圖5 智能電池故障診斷總體結構圖Fig.5 Overall structure diagram of intelligent battery fault diagnosis

尋求有效的儲能電池早期故障(異常)診斷方法，可以采用欠定盲源分離算法將龐大的問題分解成源信號數目估計和源信號恢復兩個子問題，然后再通過經驗模態分解、奇異值分解、聚類算法等來處理非線性的故障[54]。電池使用奇異值分解的故障診斷方法，文獻[55]提出了基于振動信號變化的儲能電池過充故障特征識別技術；因為電池發生故障后，電池殼振動信號會因此發生改變，可以用多分辨率奇異值分解(multi-resolution singular value decomposition, MRSVD)和時頻灰度圖的方法來進行過充參數的提取；該方法首先采集電池不同工況下殼體的振動信號，對其用MRSVD降噪處理，然后對降噪后的信號進行離散的S變換得到信號的時頻圖像，并計算出圖像灰度共生矩陣的特征參數作為電池過充狀態的診斷參數，最后通過能量、熵、對比度三個特征參數來判斷是否出現過充故障。針對鋰離子電池的漏液、過充、短路和高溫故障，也可以用氣體來對鋰離子電池進行故障診斷的方法；首先，了解鋰離子電池故障析出氣體的種類，并用不同的傳感器對氣體進行實時監測；然后，搭建實驗平臺開展鋰離子電池這四種故障的實驗，實驗過程中也需要對析出氣體實行實時監測；最后，根據飾演的結果設計揮發性有機物氣體的鋰離子電池故障診斷方法[56-57]。除了對氣體進行監測的方法，還可以采用串行主成分分析法的氣體傳感器陣列故障檢測方法，該方法不僅對微小和混合故障有效，還可以很好地實現多故障的隔離[58]。因為電池溫度異常表現的顏色會不一樣，所以可以通過熱像儀技術進行電池的故障診斷[59]。為了不建立模型和設計硬件電路，文獻[60]提出了一種基于電動汽車服務管理中心系統的電壓故障檢測方法；該方法利用類間相關系數對電池短路故障進行分析，并通過捕獲逆變壓降；其次該系數值不僅通過放大電壓差提高故障分辨率，而且通過設置移動窗口延長故障記憶；最后，通過設計回路連接點的初、末電壓，實現了智能故障定位方法。從上述敘述可以看出，鋰離子電池故障診斷的方法有許多，但由于各種診斷方法的參數維數和診斷策略存在差異，難以選擇合適的方法進行應用；所以采用標準化故障特征對比方法，用定量的方式研究鋰離子電池在不同故障程度、環境溫度、荷電狀態和老化程度下不同故障診斷方法的靈敏度，并比較建立電池模型，樣本熵和相關系數這三種診斷方法，最后利用標準化故障特征比較法對故障信號進行去量化和標準化，直觀得出三種診斷方法的診斷性能[61]。對于離散系統的主動診斷，可以首先設計一種新的離散系統模型，用于研究離散系統的主動診斷，該模型通過對系統的主動控制來實現診斷，其次引入了利用控制對系統進行診斷的能力的主動診斷性新定義，然后得到了系統主動診斷的充要條件后設計一種檢查主動可診斷性的算法，并在系統具有主動可診斷性的情況下將所得結果用于復雜電池系統的故障診斷[62]。

為了避免建立針對電池故障的特定電池等效模型和大量的實驗數據，提出用氣體等化學物質來進行電池的故障診斷，根據氣體種類的不同，實時對電池故障產生的氣體含量和種類進行監測來判斷電池是否發生故障診斷，并且可以用測試氣體的化學試紙大致判斷故障的位置。除了依靠氣體診斷外，還可以通過智能儀器手段，對電池溫度進行監測，通過溫度異常表現所得到的顏色不同，進而判斷出電池是否發生故障。新模式下的故障診斷方法既減少了數學建模帶來的計算量大，又可以避免大量實驗的煩瑣。

4 總結與展望

首先根據鋰離子電池故障的特征分析了傳感器故障造成的危害。當電壓傳感器故障時，鋰離子電池達到安全充放電截止電壓會持續充放電，進而因電池過充或過放導致鋰離子電池鼓包，發生內短路；溫度傳感器發生故障，BMS因無法實時監控精確的溫度狀態，會發布錯誤指令造成電池管理系統的誤動作。由于電池內部溫度很難通過實驗測得，所以目前電池的傳感器都是測得電池表面的溫度或者電池極耳的溫度，再進行內部溫度的推演，目前已經有部分學者通過內置新型傳感器來替代傳統的測電壓、電流等數據間接分析電池故障形式的方法，直接觀測電池是否發生鼓包、內短路等故障。雖然目前針對電池傳感器故障和多故障并發的研究方法有許多，但電池傳感器故障大部分研究方法都必須有許多假定條件，設計的某種方法只針對某種特定的故障，缺乏通用性的同時且未能在實際工程中較好的應用。

針對動力電池系統高精度高可靠性的故障診斷方法進行深入分析。目前故障診斷方法基本分為四類：基于模型的故障診斷方法、基于數據驅動的故障診斷方法、基于模型和數據驅動想融合的故障診斷方法、新模式下的故障診斷方法。其中基于模型的方法雖然能夠快速、實時地檢測和分離故障，但對建模精度要求較高，且通過殘差信號與閾值進行比較判斷是否出現故障，準確率較低。因此，為了尋找精度高且計算簡便的模型能更好地了解電池內部的運行，目前建模方法已經從傳統的單一模型到結合各自優點的熱電耦合等多模型。雖然基于數據驅動的方法可以避免電池建模的困難要求，但基于數據驅動的訓練過程需要大量精準的實際電池故障數據，且耗費時間長，且數據測量難度大、噪聲多。

目前研究最多的是模型和多種智能算法相融合的方法，該方法既可以擁有模型帶來的精確性，也有算法帶給的故障診斷的精準定位，還能提升動力電池多狀態的魯棒性。電池多故障的診斷方法不能很好地對多故障進行容錯控制，且當電流、電壓、溫度等各類傳感器同時發生故障時的診斷方法是需要在未來進行研究的，且需要在提高多故障診斷的準確率的同時并對單一故障進行診斷隔離。正如數字孿生技術可以在解決電池實體和虛擬模型銜接不一致的困難，根據數據的實時更新滿足用戶的要求，但數字孿生技術緊緊依靠模型和數據驅動，通過殘差和閾值的大小來進行判斷，可能某一類的故障會表現相同的殘差，該技術需要通過故障樹建立起更加完備的故障庫，才能診斷復雜的故障類型。集成算法中決策樹的參數配置是多尺度分析的故障特征提取方法的核心，其將直接決定故障分類方法的效率和精度，決策樹參數優化方法目前欠缺的同時也正在成為未來故障診斷分類方法研究的重點。雖然區塊鏈技術可以在梯次利用過程中對電池的歷史數據進行分組和篩選，為后續的研究提供依據，但因為是一個鏈，所以對原始數據修改或刪除較困難，且效率低下，未來需要大量研究建立龐大的數據庫。由于電池的多故障存在強耦合關系，并且某些單一的故障診斷算法因需要層層迭代計算導致工作效率低下、電池故障模式的多樣化、電池故障提前預警等因素影響已經初顯壁壘，所以需要獲取大量關于行車環境、運行工況、駕駛行為等因素影響下實車大數據，借助快速發展的新型的傳感器技術、智能故障診斷技術和云端一體化技術等新興平臺與技術，動力電池的故障診斷將會更加精準且快速。