欢迎光临HAWKER英国霍克蓄电池（中国）营销总部
服务热线：15313702523

首页 > 新闻中心

霍克锂电池基于小波分解的动力电池故障检测

随着电动汽车（EVs）的普及，电池系统的安全运行已成为关键问题。电池组异常，特别是在热失控前潜在阶段，若未能快速准确检测并及时响应，可能导致火灾、爆炸等严重事故，对驾乘人员生命及财产安全构成重大威胁。因此，实现电池内部异常的即时预测与预警至关重要。本文提出了一种基于小波分解的电池故障检测模型。首先，利用离散小波变换（DWT）将电池数据分解为不同尺度的分量。随后通过时频Fusion模块学习并捕获分量中的时域与频域信息。此外，通过结合卷积与注意力机制对不同尺度的系数进行Fusion，以获得更全面的特征表征。最终通过计算重构误差实现故障判定。基于真实电动汽车运行数据集的实验表明，该模型能有效检测电池运行过程中的潜在异常信号，有助于提升电动汽车的整体安全性与可靠性。

引言

由于环境污染和能源短缺问题，电动汽车（EVs）及锂离子电池（LIBs）日益受到学术界与工业界的广泛关注[1][2]。凭借长循环寿命、高能量密度及环保特性，LIBs已逐渐成为主流储能方式，并在当前市场中得到广泛应用[1][3]。然而，尽管LIBs在能量密度与功率密度方面表现卓越，其对滥用条件的敏感性及外部环境的易受性会加剧性能衰减、老化乃至灾难性失效的风险，可能引发自燃甚至爆炸事故[3]。因此，在物联网（IoT）动态环境中开发高精度、低误报率的异常检测模型，对保障电动汽车安全运行具有重要意义。
受制造工艺及安全管理体系发展水平的限制，电池在运行过程中可能出现多种类型的故障[2][3]。近年来，研究人员围绕电动汽车电池故障检测主题开展了大量研究，已形成初步的理论体系与检测流程。然而在电动汽车实际运行中，其操作环境具有高度复杂性与多变性特征。这种复杂性不仅源于电池内部的化学反应，还涉及温度、充放电频率、驾驶习惯等外部条件的共同作用。这些因素的联合效应加剧了电池状态的随机性，使得电池健康管理更具挑战性。传统检测方法依赖于人工提取数据特征，需要领域专业知识且仅适用于特定类型故障检测，因此缺乏足够的泛化能力和鲁棒性[4]。
随着大数据时代的到来和人工智能技术的兴起，越来越多的领域开始采用深度学习方法进行研究。在时间序列异常检测领域，研究人员通过对传感器网络采集的时间序列数据进行处理和分析，从而识别异常事件和行为。在电动汽车中，部署于电池组的传感器网络持续采集电池运行状态数据，并将其移交至电池管理系统进行监控与管理。鉴于电池数据呈现时间序列形式，我们决定采用时间序列异常检测领域的方法来实现电池故障检测。
总体而言，基于深度学习的方法可大致分为三类：监督式、非监督式与半监督式。由于电池故障发生时数据采集困难导致异常数据稀缺，本研究采用基于无监督学习的异常检测方法。基于无监督学习的异常检测方法在训练阶段学习正常数据的分布特征，后续阶段将识别出分布异常的数据判定为故障样本。考虑到电池数据的复杂性与多变性，我们提出基于小波变换的检测方法。作为信号分析的强有力工具，小波变换能将序列分解为不同尺度的分量，该方法同样适用于非平稳信号[5]。该方法可从温度、电压及电流等电池特征中学习深层信息。本文的主要贡献概述如下：
  • •
    基于小波变换将多元时间序列分解为不同尺度的系数，捕捉系数中隐含的关键信息，最终通过逆变换和门控循环单元（GRU）实现时间序列重构。
  • •
    提出时频融合模块，通过整合时间序列的时域特征与频率成分，增强对电池数据特征的学习与理解。
  • •
    提出多级系数融合模块，通过综合不同尺度系数的信息来减少小波变换过程中可能出现的信息结构损失，从而获得更全面、精确的系数表征。
上一个：霍克锂电池探究不同滥用方式对锂电池高倍率充放电条件下热失控行为的影响 下一个：霍克锂电池基于蒙脱土MMT的Fe/C复合材料中协同催化与限域效应3用于超稳定锂硫电池4

推荐新闻

新闻中心

联系我们

联系人：英国霍克蓄电池（中国）营销总部

手机：15313702523（微信同号）

E-mail：ukhawker@yeah.net