全国客服热线：
153-1370-2523
153-1370-2523
摘要
轻微短路故障对锂离子电池组的安全构成严重威胁，但其早期特征微弱，在动态运行条件下难以检测。为应对这一挑战，本文提出了一种多模态无监督故障诊断方法，将电压驱动的动态特征提取与光纤传感信息相结合。首先，通过时延嵌入重构电压序列的相空间，以捕捉内在动态行为。随后建立共享低秩子空间，以量化电池间的异常偏差。最后，一种符合物理规律的融合机制整合了基于光纤布拉格光栅（FBG）的应变和温度信号，以提高异常敏感度并抑制误报。在各种运行条件和故障严重程度下获得的实验结果表明，所提方法在测试的实验场景中有效，能够检测到与低于0.03 V电压掉落相关的轻微短路故障。与孤立森林方法相比，所提方法在评估条件下表现出更好的检测性能和鲁棒性。这些发现支持了所提方法在电池健康监测和安全管理方面的潜力。1. 引言
可再生能源技术的快速发展是全球向可持续和低碳能源系统转型的基石[1,2]。为了支持这一转型，在广泛的应用领域中，对高效可靠的电化学能源技术的需求日益增长[3,4]。因此，锂离子电池（LIBs）因其高能量密度、长循环寿命和卓越的功率性能而变得不可或缺，目前已广泛应用于电动汽车、便携式电子设备、航空航天系统和电网相关应用中[5,6]。尽管锂离子电池已得到广泛应用，但其安全运行仍是一项关键挑战[7,8]。在各种故障模式中，短路故障尤为危险，因为它们可能引发过电流、快速热积累和严重的内部退化，从而可能导致热失控、火灾或爆炸[9,10]。此类故障不仅会损害电池性能，还会对用户和周边系统构成重大安全风险[11,12]。随着锂离子电池（LIBs）越来越多地应用于大规模和安全至关重要的场景，早期且准确地检测短路故障变得至关重要 [13,14]。因此，开发有效的短路故障诊断方法对于提高电池的安全、可靠性和运行鲁棒性具有重要意义。
锂离子电池的短路故障通常可分为外部短路和内部短路，其中后者更为隐蔽且难以检测[15,16]。内部短路通常由制造缺陷、电极错位、锂枝晶生长或机械和热滥用等潜在缺陷引发[17,18]。这些因素可能在阳极和阴极之间形成局部导电通路，导致微尺度泄漏电流[19]。虽然初始短路电流通常较小，但它会持续产生局部热量，加速寄生反应，并加剧内部降解，从而显著增加故障传播和热失控的风险[20]。因此，及早检测此类初期短路对于确保锂离子电池的安全运行至关重要[21然而，轻微的短路故障通常只会引起可测量的电信号或热信号的细微变化，这些变化很容易被正常运行条件、老化相关影响和测量噪声所掩盖，使得对其进行可靠检测极具挑战性 [22].
现有的短路故障诊断方法可分为两类：基于模型的方法和数据驱动的方法[23,24]. 锂离子电池的基于模型的短路故障诊断方法通常通过将故障相关参数引入电化学或等效电路模型，并分析其与正常运行行为的偏差来建立。通过明确考虑短路的影响，例如引入额外的漏电阻或异常产热项，这些模型能够定量评估故障严重程度及其随时间的变化过程 [25]. 例如，Jia等人 [26]提出了一种基于扩展卡尔曼滤波框架内状态向量增强的在线短路检测方法，其中将短路相关参数显式地纳入系统状态中。通过同时利用电压和表面温度测量值，该方法能够在动态运行条件下实现对短路状态的高效准确估计。Xu等人[27] 基于扩展状态空间模型开发了一种非线性H∞观测器，以实现锂离子电池（LIBs）在存在建模不确定性和外部扰动情况下的荷电状态（SOC）鲁棒估计。随后通过评估估计SOC与实际SOC之间的差异来识别短路故障，从而将异常估计误差与内部短路行为的发生联系起来。然而，基于模型的方法在实际应用中受到限制，因为它们高度依赖模型精度，对测量噪声高度敏感，且参数辨识复杂，特别是在多变的工作条件和电池老化效应下[28].
随着数据科学和机器学习的飞速发展，数据驱动方法已越来越多地应用于锂离子电池的故障诊断[29]。与基于模型的方法不同，这些方法可以直接从测量的电池数据（如电压、电流和温度）中提取信息特征，以识别故障模式，而无需精确的电池建模[30]。通过利用海量的运行数据，数据驱动技术能够捕捉复杂的非线性关系和难以通过解析描述的细微故障特征[31,32]。例如，Wu等人[33]提出了一种基于电压余弦相似度的短路故障诊断方法。在该方法中，电池电压和电流信号被用于构建二维特征向量，并通过引入包含激励信息的增益因子进行进一步处理。这种设计增强了故障相关特征的可分性，并提高了短路故障识别的准确性。Qiao等人[34]提出了一种基于梯度提升决策树（GBDT）算法的短路故障诊断方法。在该方法中，利用增量容量曲线将故障相关的电压曲线和正常电压曲线划分为不同的区域。随后，从动态时间规整结果的分布和统计特征中提取的四个特征，连同故障标签，被用作基于GBDT的诊断模型的训练样本。综上所述，信号处理和机器学习等数据驱动方法在电池短路故障检测方面展现出广阔的应用前景[35,36]。然而，仍存在一些局限性：(1) 基于信号处理的方法简单直观且易于实现；但由于其在捕捉电池数据固有强非线性方面的能力有限，其独立诊断的准确性往往受限，且在噪声环境下的性能会显著下降；(2) 由于故障发生罕见且难以获取带标签的故障数据，故障数据集的稀缺导致机器学习模型训练样本不足，这严重限制了它们在实际故障诊断场景中的有效性和泛化能力。
随着传感技术的快速发展，光纤传感已成为捕捉电池详细动态特征的有效方法，并越来越多地应用于电池安全监测和故障诊断[37,38]。它具有高灵敏度、抗电磁干扰、分布式测量能力以及实现实时原位监测的能力等优势。例如，Krause等人[39]提出了一种基于分布式光纤传感的电池模块热监测方法。结果表明，该方法能够实现高分辨率的温度测量和局部热异常的早期检测，性能优于传统传感器。徐等人 [40]提出了一种基于光纤光声传感的多组分燃料费检测方法，用于锂离子电池热失控分析。结果表明，该方法能有效减少交叉干扰，并通过气体和声信号检测实现热失控预警。然而，现有研究主要集中在电池温度监测和热失控预警，而对短路故障诊断的关注相对有限。鉴于短路演化的复杂和微妙特征，迫切需要进一步开发基于光纤传感的先进诊断方法，以实现高灵敏度检测、提高抗干扰鲁棒性，并增强早期故障识别能力。
为解决上述问题，本文提出了一种针对锂离子电池包轻微短路故障的多模态诊断方法，该方法将电压驱动的动态特征提取与光纤传感辅助信息相结合。具体而言，首先通过时延嵌入重构电池电压序列的相空间，以表征电池单元的内在动态演化。随后，基于多性向数据建立共享低秩子空间，并通过计算每个性向相对于该子空间的投影残差来量化其异常偏差。最后，开发一种非学习融合机制，将光纤信号作为物理一致性增强项纳入其中，以调节基于电压的异常评分，从而实现准确的故障检测。本文的主要贡献如下：(1) 提出了一种基于时延嵌入和低秩子空间投影的电压异常表征方法，该方法无需依赖故障先验或标注数据，即可有效捕捉电池间的相对异常行为。(2) 开发了一种物理一致的多模态融合机制，将基准对齐的FBG应变和温度信号作为辅助调制项引入，在保持电压信息主导地位的同时，显著提升了异常检测的灵敏度和可靠性。(3) 在不同动态运行工况和故障严重程度下的实验表明，所提方法在测试实验场景中具有有效性，突显了其在多变运行工况下检测轻微短路故障的能力。
本文其余部分安排如下：在第2节中，详细介绍了本研究提出的短路故障诊断方案。第3节描述了实验平台和故障数据的获取。第四节给出诊断实验和分析的结果。第5节总结全文。2. 方法论
本节提出了一种针对锂离子电池包的多模态短路故障诊断方法，旨在动态运行条件下实现准确且鲁棒的故障检测。具体而言，首先概述了基于低秩子空间学习的电压异常表征方法。随后，介绍了基于光纤布拉格光栅的应变和温度信号的特征提取过程，以提供辅助物理信息。最后，提出了多模态融合策略，以获取融合异常评分，用于识别轻微短路故障。
2.1. 基于低秩子空间的电压特征提取
低秩子空间建模是一种利用多元数据内部固有相关结构的数据表示与分析方法。其基本前提是，在正常运行条件下，多电池电压信号表现出强一致性，其动态行为可被有效捕捉于低维子空间中。通过学习这种低秩结构，可以表征系统的整体运行模式，同时量化偏离子空间的程度以指示异常程度，从而实现异常检测。与基于距离或密度的传统方法相比，该方法从全局视角捕捉高维时间序列数据的内在结构特性，并对噪声和工况变化表现出极强的鲁棒性。此外，它不依赖先验故障样本或标注数据，可实现无监督部署，特别适用于故障数据稀缺的电池系统。基于低秩子空间学习的电压特征提取具体流程如下：
假设电池组包含M个独立电池，长度为N的第i个电池的电压序列表示为：
Vi = [vi(1), vi(2),…, vi(N)], i = 1, 2,…, M
其中vi(N)表示该电池的电压i-th 电池在此时N对每个电压序列进行相空间重构，以表征电压信号的动态演化。给定嵌入维度d和时间延迟步长1，在时间i构建第t个电池的嵌入向量：
电话：153-1370-2523
美国邱健蓄电池集团总部