[发明专利]一种锂离子电池故障诊断方法

权利要求书

1.一种锂离子电池故障诊断方法，其特征在于，包括以下步骤：

S1、获取锂离子电池未发生故障及发生各类型故障时的电池数据；

S2、使用信号降噪模型对步骤S1得到的数据进行降噪处理；所述信号降噪模型的降噪处理包括如下：

使用连续小波变换(CWT)将所得锂离子电池数据从时间序列s(t)转换为时间-频率域，即连续小波变换(CWT)系数，所得时间-频率域为：

其中α表示连续小波分析尺度，τ表示连续小波分析时间转移窗口大小，t表示时间，*表示复共轭，s,ψ_α,τ表示s(t)与的内积，表示连续小波变换中的分析函数，即母波；

将所得时间-频率域划分为高能量低频率部分与高能量高频率部分：

其中，W_s(α,τ)为所得时间-频率域，n_a为尺度的数量，CF(τ)为使用所有连续小波分析尺度a计算CWT系数的叠加振幅，由CF系数得到CWT系数沿尺度轴的分布，因为低频特征的存在使得所得分布存在两个不同的峰值，通过设定最优阈值划分两个不同的峰值，由此得到高能量低频率部分与高能量高频率部分；

将高能量低频率部分与高能量高频率部分分别使用同步压缩连续小波变换(SS-CWT)进行同步压缩，得到相应的即时频率，即同步压缩连续小波变换系数(SS-CWT)系数，所述即时频率为：

i表示复数,δ表示偏导；

对于高能量低频率部分经过同步压缩得到的即时频率和高能量高频率部分经过同步压缩得到的即时频率，采用不同的方法进行降噪，具体如下：

对于高能量低频率部分，引入软间隔筛选特征，过滤噪声，所述软间隔为：

λ为所设阈值，表示筛选后的特征，ω_s表示连续小波变换系数；

对于高能量高频率部分，计算前信号段的叠加振幅CF，使用硬间隔筛选高能量高频率部分的特征，过滤主要噪声，所述硬间隔为：

其中，λ_n为所设阈值，M_max＝mean(max|T_n|),T_n和T_r分别为计算叠加振幅CF后得到的两个峰值对应的窄频段的SS-CWT系数；

将降噪后的高能量高频率部分的SS-CWT系数和高能量低频率部分的SS-CWT系数组合呈降噪后的时间-频率域，再逆变为时序信号；

降噪后的时序信号再次通过连续小波变换转换，得到连续小波变换(CWT)系数，使用CT阈值再次进行后降噪处理，所述CT阈值为：

其中λ为所设阈值，0γλ，0≤α≤1；γ为截断值，当连续小波变换系数小于截断值则设为0，为筛选后的特征，sgn(W_s)表示若连续小波变换系数为正，则输出为1，否则输出-1，W_s表示连续小波变换系数；

所述信号降噪模型输出上述后降噪得到的连续小波变换(CWT)系数；

S3、通过特征提取模型计算得到表征锂离子电池内部不同频率化学反应的特征参数，具体包括：

通过信号降噪模块输出连续小波变换(CWT)系数的多尺度包络叠加计算参数DF，所述DF为：

式中，n是第n个尺度，n_a是尺度的数量，E(α,τ)为连续小波变换(CWT)系数的包络函数，计算公式为这里是连续小波变换系数的希尔伯特转变结果；τ表示时间转移窗口大小；

使用上述得到的DF计算运行能量比例ER₁，所述运行能量比例ER₁为：

其中，L是在时间转移窗口大小为τ前后的能量收集窗口的长度值；

使用上述得到的ER₁计算表征锂离子电池内部不同频率化学反应的特征参数ER₂，所述ER₂为：

ER₂(τ)＝ER₁(τ)|DF(α)|

所述特征提取模型输出上述所得特征参数ER₂；

S4、通过比较未发生故障锂离子电池与发生各类型故障锂离子电池特征参数曲线的第一相似程度，计算该锂离子电池的安全阈值；

S5、根据所述安全阈值确定报警时对应的故障类型，建立锂离子电池故障诊断模型；

S6、获取待诊断锂离子电池使用过程中充放电循环电池数据，对该数据降噪并计算得到特征参数曲线，将特征参数曲线与基准参数曲线进行相似度对比，得到第二相似程度；

S7、将第二相似程度相似程度输入步骤S5的锂离子电池故障诊断模型，若达到安全阈值，发出相应故障类型报警信号。