基于振动信号的锂离子电池故障诊断方法

尹来宾 许洪华 彭晓晗 夏伟栋 马宏忠

基于振动信号的锂离子电池故障诊断方法

尹来宾1许洪华1彭晓晗2夏伟栋1马宏忠2

（1. 江苏省电力公司南京供电公司，南京 210019； 2. 河海大学能源与电气学院，南京 211100）

为实现对锂离子电池过充及外部短路故障的诊断，提出一种基于改进变分模态分解（VMD）-多尺度熵（MSE）的锂离子电池振动信号特征提取方法。通过改进VMD对振动信号进行分解，对所得固有模态分量求多尺度熵值，提取锂离子电池在不同工况下的振动特征，最后基于此特征进行K均值聚类，完成对过充和外部短路故障的故障识别。经对比实验验证，该方法能有效提取锂离子电池振动信号特征量，正确识别锂离子电池的过充及外部短路故障，且准确率更优。

锂离子电池；故障诊断；振动信号；特征提取；过充故障；外部短路故障

0 引言

锂离子电池因能量密度高、无记忆效应和自放电率低等优点，在众多化学能源中占有优势地位[1]，广泛应用于大规模储能、电动汽车等领域[2-4]。在锂离子电池的应用中，常需要进行多个单体电池的串并联，单体电池的不一致性使电池易出现过充电故障，使用不当或运输不当会发生外部短路故障。

目前，在锂离子电池故障诊断技术的研究中，基于模型的方法要求高精度的电池模型，且需对应电池型号构建模型；基于非模型的方法要求高质量的样本数据，同样存在局限性[5-6]。振动法作为一种较为成熟的故障诊断方法，具有直接性、及时性、准确性等优点[7-9]。研究表明，锂离子电池的振动信号是一种非线性、非平稳信号，并且锂离子电池故障工况下的振动信号与正常状态时存在差异[10-11]。文献[10]发现锂离子电池在故障时出现了振动信号异常，文献[11]识别了过充时的振动特征，但均未实现对不同故障的分类识别。因此，可在掌握振动异常的基础上，对锂离子电池进行不同故障的分类诊断研究。

本文将锂离子单体电池作为研究对象，重点对锂离子电池常见的过充及外部短路故障进行研究。通过设计实验获得不同工况下的锂离子电池振动信号，再结合基于遗传算法优化的变模态分解（variational mode decomposition, VMD）及多尺度熵（multiscale entropy, MSE）对振动信号进行特征提取，利用K均值聚类对锂离子电池故障状态进行分类识别，为锂离子电池的在线监测、故障诊断提供依据。

1 理论基础

1.1 基于遗传算法优化的变模态分解

锂离子电池的振动信号具有非线性、非平稳的特点，且由于振动微弱，容易受到噪声的干扰。变模态分解作为一种经典的自适应时域分析算法，常用于信号的特征分离及去噪，适合用于锂离子电池易受噪声影响的非线性振动信号分析。针对VMD重要参数确定问题，本文采用遗传算法对参数进行寻优，以保证良好的分解效果。

1）VMD基本原理

VMD是2014年由Konstantin Dragomiretskiy等提出，该算法通过构造和求解变分问题，将原始信号分解成多个固有模态函数（intrinsic mode function, IMF）分量，实现了原始信号的有效分离和频域划分，同时很好地解决了经验模态分解（empirical mode decomposition, EMD）在迭代过程中出现的端点效应和模态混叠现象，具有严格的理论依据[12-14]。VMD的具体实施步骤参照参考文献[12]。

2）基于遗传算法优化VMD参数

VMD的几个主要输入参数中，分解层数和惩罚因子对信号分解结果的影响较大。分解层数需要预先设定，在未知的情况下，为了达到预想的分解效果只能从1开始逐个尝试，通过每层间的线性相关确定的最终取值。惩罚因子的大小决定了以中心频率为中心，两侧衰减速度的快慢。

本文采用遗传算法[15]对上述两个参数的取值进行优化[16]。遗传算法是一种经典的仿生学寻优方法，以染色体的形式表示待寻优目标，通过模拟生物的自然选择和进化过程实现最优染色体即最优目标的搜索。遗传算法的主要步骤如下：

（1）根据待寻优量的个数、各待寻优量的取值范围和步长，利用选定的编码方式对待寻优量进行编码，所有待寻优量的组合即为一条染色体。编码完毕后，遗传算法进行初始化选择，确定一组染色体作为初始种群。

（2）选择种群的适应度函数，将种群中个体自适应值的大小作为该个体优劣程度的评判标准。

（3）基于个体自适应值的大小对个体进行优胜劣汰，对剩余个体进行交叉、变异运算得到下一代种群。

（4）重复步骤（3）的遗传操作直至群体自适应度趋于平稳，对此时的染色体进行解码得到待寻优量的最优解。

1.2 多尺度熵基本原理

1.3 K均值聚类算法

本文选用K均值聚类算法进行锂离子电池过充和外部短路故障的分类。K均值聚类算法首先需要选定聚类中心的个数，再计算各个样本到每个聚类中心的距离，把样本划入距离最小的聚类中心；待所有样本划分完毕，计算每个聚类中心中所有样本的质心，即为更新后的聚类中心；反复更新聚类中心位置直至其不再发生改变，即可输出最后的聚类结果[18]。

2 基于改进VMD-MSE的特征提取新方法

本文提出一种基于改进VMD-MSE的锂离子电池振动信号特征提取的新方法，方法的实施流程如图1所示，主要步骤如下：

1）采集锂离子电池正常充电、轻度过充、多次过充和外部短路后充电四种工况下的振动信号。

2）利用遗传算法优化VMD的分解层数和惩罚因子两个参数。

3）对四种工况下采集到的锂离子电池振动信号分别进行改进VMD，得到各自的一系列模态分量。

4）求取改进VMD得到的模态分量的多尺度熵值。

5）将基于改进VMD-MSE方法提取到的向量作为锂离子电池不同工况的振动特征。

图1 基于改进VMD-MSE的特征提取流程

3 实测振动信号的特征提取

3.1 锂离子电池振动信号采集实验

为验证利用改进VMD-MSE方法提取锂离子电池振动特征的有效性，对一批3.2V、50A·h的锂离子单体电池进行振动信号采集实验。电池参数见表1。

表1 电池参数

实验参照电力储能用锂离子电池国家标准（GB/T 36276—2018）进行各类设置。实验在四种运行工况下采集锂离子电池的振动信号，分别是正常充电、轻度过充、多次过充和外部短路。具体的工况设置如下。

正常充电的充电倍率为0.5C，充电截止电压为3.65V；过充电的充电倍率仍为0.5C，以减少实验变量，充电截止电压为正常情况下充电截止电压的1.5倍，即5.48V；外部短路故障采用小电阻连接电池正负极的方法实现，对外部短路过的电池进行与正常充电同样的设置，在充电过程中进行信号采集。

电池的各项充电设置（充电截止电压、充电倍率等）利用型号为EBC—A40L的电池容量检测仪实现。选用型号为CY18079021、灵敏度为500mV/的加速度传感器进行振动信号采集，振动信号通过型号为DH5922D的动态信号采集分析仪传送并储存至计算机，采样频率20kHz。

3.2 实测信号分解

选取锂离子电池在外部短路工况下的振动信号进行改进VMD，图2是种群适应度的进化曲线，反映了随种群进化次数增多，种群适应度的变化情况。

图2 适应度进化曲线

由图2可以看出，适应度从第5代开始平稳且不再变化，对第5代的染色体进行解码得到待寻优量的最优解为=5、=771。根据遗传算法确定的两个参数对锂离子电池的外部短路工况下的振动信号进行改进VMD，结果如图3所示。

图3 外部短路工况下振动信号的改进VMD结果

由图3看出，改进VMD算法的分解得到了5个原始信号的IMF分量，各模态分量均呈现出一定的规律性，原始信号的特征由各模态分量的周期性和幅值得以反映，分解效果良好。

3.3 特征提取

针对锂离子电池的四种工况：正常充电、轻度过充、多次过充和外部短路，每种工况各选取10组长度为5 120的振动数据，首先进行改进VMD得到5个模态分量，然后在1～20的尺度范围内求各分量的多尺度熵值，将5个模态分量的多尺度熵值取和，最后对10组样本处理得到的MSE值取均值，则不同工况下的多尺度熵值如图4所示。

图4 不同工况下的多尺度熵值

由图4可以看出，基于改进VMD-MSE方法提取的特征向量可以明显区分锂离子电池的不同工况，各工况的多尺度熵曲线走势较平稳，各自之间基本没有交叉。其中正常充电与轻度过充的多尺度熵值差异不大，考虑其原因是过充程度较浅，未对电池造成较明显损伤所致。

3.4 故障分类

对4种工况下10组特征向量进行K均值聚类处理，由于本文中已知四类工况，聚类中心的个数直接取4，故障分类结果如图5所示。

图5 基于改进VMD-MSE特征的K均值聚类结果

由图5可以看出，40组特征向量经K均值聚类后被分成了4簇，各簇之间界限明显，代表了锂离子电池的四种工况。由此可以说明，可以利用改进VMD-MSE方法进行锂离子电池不同工况的特征提取和故障分类。

3.5 对比验证

为了对改进VMD-MSE算法的准确性进行验证，同样选取了锂离子电池外部短路工况下的振动信号，对其进行EMD，分解结果如图6所示。

图6 外部短路工况下振动信号的EMD结果

对于前述的40组样本数据，选取其EMD得到的前5个模态进行同样的MSE值计算，对得到的40组特征向量进行K均值聚类，结果如图7所示。可以看出，基于EMD-MSE算法提取的特征向量没有准确地完成故障分类，出现了多个样本的错误分类，且各簇之间的界限模糊，对于锂离子电池的振动特征提取效果劣于改进VMD-MSE方法。

图7 基于EMD-MSE特征的K均值聚类结果

除EMD-MSE方法外，还基于VMD-ApEn方法和VMD-SampEn方法对同样的40组样本进行了分类，基于不同特征提取方法的识别结果见表2。

表2 基于不同特征提取方法的识别结果

受模态混叠现象的影响，EMD-MSE方法的特征提取准确率最低。SampEn比ApEn具有更好的抗噪声干扰能力，MSE因其多尺度特性比SampEn更能展现原始信号特征，因此准确率方面：VMD-ApEn方法＜VMD-SampEn方法＜改进VMD-MSE方法。

4 结论

本文提出一种基于遗传算法优化的变模态分解与多尺度熵结合的锂离子电池故障诊断方法，通过对实验采集的四种工况下的锂离子电池振动信号进行特征提取，得出以下结论：

1）基于改进VMD-MSE方法提取的特征向量可以准确识别锂离子电池的过充和外部短路故障。

2）通过设置对比实验，证明了基于改进VMD- MSE的故障诊断方法对锂离子电池不同工况的识别准确率高于其他三种对比方法。

[1] 安富强, 赵洪量, 程志, 等. 纯电动车用锂离子电池发展现状与研究进展[J]. 工程科学学报, 2019, 41(1): 22-42.

[2] 白桦, 王正用, 李晨, 等. 面向电网侧、新能源侧及用户侧的储能容量配置方法研究[J]. 电气技术, 2021, 22(1): 8-13.

[3] 张圣祺, 袁蓓, 季振东, 等. 基于分布式控制原理的电池储能系统二次调频控制[J]. 电工技术学报, 2019, 34(增刊2): 637-645.

[4] 朱晓庆, 王震坡, WANG Hsin, 等. 锂离子动力电池热失控与安全管理研究综述[J]. 机械工程学报, 2020, 56(14): 91-118.

[5] ZHAO Xingwang, XU Liangfei, LI Jianqiu, et al. Faults diagnosis for PEM fuel cell system based on multi-sensor signals and principle component analysis method[J]. International Journal of Hydrogen Energy, 2017, 42(29): 18524-18531.

[6] 朱小平, 张涛. 基于自适应理论的锂离子电池SOC估计[J]. 电气技术, 2013, 14(7): 47-50.

[7] 常晨, 刘兰荣, 卢美林, 等. 并联电抗器等效模型的振动噪声特性试验研究[J]. 电气技术, 2019, 20(2):37-41, 47.

[8] 马速良, 武建文, 袁洋, 等. 多振动信息下的高压断路器机械故障随机森林融合诊断方法[J]. 电工技术学报, 2020, 35(增刊2): 421-431.

[9] DRAGOMIRETSKIY K, ZOSSO D. Variational mode decomposition[J]. IEEE Transactions on Signal Pro- cessing, 2014, 62(3): 531-544.

[10] 彭晓晗, 马宏忠, 许洪华, 等. 基于振动的储能电池异常工况预警新方法[J/OL]. 电测与仪表: 1-6 [2021-02-22]. http://kns.cnki.net/kcms/detail/23.1202.TH. 20200519.1527.002.html.

[11] 马宏忠, 吴元熙, 劳文洁, 等. 基于MRSVD和时频灰度图的储能电池过充特征识别[J]. 电源技术, 2020, 44(9): 1351-1355.

[12] 毕凤荣, 汤代杰, 张立鹏, 等. 基于VMD与KFCM的柴油机故障诊断算法[J]. 振动.测试与诊断, 2020, 40(5): 853-858, 1018.

[13] 黄衍, 林建辉, 刘泽潮, 等. 基于自适应VMD的高速列车轴箱轴承故障诊断[J]. 振动与冲击, 2021, 40(3): 240-245.

[14] 高艳丰, 朱永利, 闫红艳, 等. 基于VMD和TEO的高压输电线路雷击故障测距研究[J]. 电工技术学报, 2016, 31(1): 24-33.

[15] 谢丽蓉, 杨欢, 李进卫, 等. 基于GA-ENN特征选择和参数优化的双馈风电机组轴承故障诊断[J]. 太阳能学报, 2021, 42(1): 149-156.

[16] 李军锋. 基于GA-VMD谐波检测及高阶奇异谱的电能质量分析方法研究[D]. 秦皇岛: 燕山大学, 2019.

[17] 贾亚飞, 朱永利, 王刘旺, 等. 基于VMD和多尺度熵的变压器内绝缘局部放电信号特征提取及分类[J].电工技术学报, 2016, 31(19): 208-217.

[18] 罗朋, 吴健威, 于跃, 等. 基于k均值聚类算法的无均衡自适应锂电储能研究[J]. 电气技术, 2020, 21(5): 33-40, 54.

Fault diagnosis method of lithium-ion battery based on vibration signal

YIN Laibin1XU Honghua1PENG Xiaohan2XIA Weidong1MA Hongzhong2

(1. Jiangsu Nanjing Power Supply Company, Nanjing 210019; 2. College of Energy and Electrical Engineering, Hohai University, Nanjing 211100)

In order to realize the fault diagnosis of overcharge and external short circuit of lithium-ion battery, a feature extraction method of lithium-ion battery vibration signal based on improved variable mode decomposition (VMD)-multiscale entropy (MSE) is proposed. Through the improved VMD decomposition of vibration signal, the multiscale entropy value of the natural mode component is obtained, and the vibration characteristics of lithium-ion battery under different working conditions are extracted. Finally, based on this feature, K-means clustering is carried out to complete the fault identification of overcharge and external short circuit fault. The experimental results show that this method can effectively extract the vibration signal features of lithium-ion battery, and correctly identify the overcharge and external short circuit faults of lithium-ion battery, and the accuracy is better.

lithium-ion battery; fault diagnosis; vibration signal; feature extraction; overcharge fault; external short circuit fault

国网江苏省电力有限公司科技项目（J2020015）

111引智计划（B14022）

2021-03-15

2021-03-30

尹来宾（1987—），男，安徽淮北人，硕士，工程师，研究发向为电力设备运行管理等。