HAWKER叉车电瓶基于驾驶数据和短时傅里叶变换的在线被动电化学阻抗谱模式提取结合孪生卷积神经网络实现电池安全实时诊断
摘要
电化学阻抗谱(EIS)能够提供丰富的电池内部电化学反应过程信息，但传统EIS技术需要专用激励信号源和外部仪器，限制了其在车载环境下的实时应用。本研究提出一种在线被动式电化学阻抗谱(PEIS)提取方法，该方法通过短时傅里叶变换(STFT)直接从车辆运行过程中自然产生的电流/电压波动中估算出类阻抗谱，无需注入额外交流信号或中断系统运行。STFT参数的选取通过频率分辨率与PEIS-EIS拟合偏差之间的定量交易研究确定。PEIS在匹配SOC和温度点的参考实验室EIS测量数据上得到验证，在选定频率下实际阻抗的最大平均拟合误差低于6%。最终，提取的PEIS模式将作为电化学特征，用于基于相似性评估的实时安全筛查。为利用该PEIS模式进行内部状态分类，需将其转换为图像以进行深度学习。基于此，我们提出一种新方法：在转换后的PEIS模式上训练孪生卷积神经网络（SCNN）算法，并通过相似性评估有效诊断电池状态。该框架能够从标准BMS数据中实现无需专用仪器的电化学特征提取，为电动汽车电池提供可扩展的安全监测支持。
引言
近年来，锂离子电池因其高能量密度、环境友好性及长循环寿命而得到广泛应用。随着电动汽车(EV)市场的蓬勃发展，其作为动力装置备受学界关注[1][2][3][4]。然而，由于锂离子电池通过锂离子与电子的氧化还原反应将化学能转化为电能，循环过程中会加速电池性能衰减，严重时更会因此类副反应引发电池故障[5][6][7][8][9][10]。此外，在严重情况下，故障可能导致涉及硬性内部短路（HISC）的火灾隐患[11][12][13]。然而当HISC发生时，往往已无法避免应用失效。因此，有必要在HISC发生前对应用实施保护。许多失效前兆模式定义了软性内部短路（SISC），这意味着必须在HISC发生前检测并预诊断出SISC[14][15][16]。为提前诊断这些快速失效的影响，学界已研究了多种故障诊断技术[17][18][19][20][21][22][23]。现有故障诊断技术主要致力于基于电池信号数据学习模式或参数以检测异常[19][20][21]。此外，通过采用基于人工智能（AI）技术的模式训练方法（如电压与增量容量分析（ICA）等特定模式）进行分类诊断[19][20][21][22][23]。然而，传统故障诊断方法仅局限于简单的异常检测，且依赖于从电池管理系统（BMS）采集的电流、电压和温度等电信号[17]-[23]。特别值得注意的是，从BMS获取的信号属于随时间测量的时序数据，因而仅能捕捉时间维度上的变化。这种局限性阻碍了我们对电池电化学行为的深入理解。为突破此限制，学者们提出了电化学表征技术[24]-[30]。电化学阻抗谱（EIS）作为一种可实现电化学分析的技术，能够克服传统电学分析方法的局限性[31][32][33]。该技术通过分析不同频率交流信号的响应特性，可更精确地解析电池内部状态及退化机制[34]。相较于简单的电信号分析，EIS在理解电池化学状态及其变化方面具有显著优势。然而，电化学阻抗谱（EIS）需配备独立的频率分析仪等装备，这些装备成本高昂且缺乏便携性，对实时监测或大规模应用构成限制[35][36]。为克服这些问题，许多研究采用信号处理技术实现EIS[37][38][39][40]。通过傅里叶变换和小波分析等方法，将输入电流与电压信号的时域数据转换为频域数据以实现EIS[41][42][43][44][45][46][47][48]。Sha等人[44]与Chen等人...[45]提出利用实际驾驶信号和离散傅里叶变换生成电化学阻抗谱信号。然而既往研究中采用的人工生成脉冲信号、二进制伪激励信号与纹波信号等特定信号类型，在实际应用中存在实施挑战[40][41][42][43][44][45]。Liu等[40]提出基于阶跃信号与小波变换的电化学阻抗谱实现方法，Peng等[42]采用三态信号与傅里叶变换方案，Wang等[43]则通过方波信号结合傅里叶变换实现电化学阻抗谱信号合成。这是由于应用系统运行期间信号以直流成分为主，必须额外生成或人工施加交流信号。
本研究基于实际运行条件下获取的电动汽车行驶工况与采样时间，通过信号处理算法提取了电化学阻抗谱（EIS）。这是首次实现以1秒为采样时间、仅利用直流数据完成EIS测量的研究。该方法被称为被动式电化学阻抗谱（PEIS）。本工作中，"被动式电化学阻抗谱（PEIS）"特指通过自然发生的读档工况估算阻抗谱的技术，无需注入额外交流激励信号或使用专用EIS硬件。换言之，电池管理系统（BMS）在实际电动汽车运行期间仅被动记录电流和电压数据，并采用信号处理算法（DFT/STFT）从这些基于直流测量的数据中重构类电化学阻抗谱（EIS-like spectra）。采用电位阶跃阻抗谱（PEIS）模拟电化学特性，因为阻抗是电流与极化电压响应之间的频域传递函数。在实际行驶过程中，自然发生的电流波动包含多频分量，基于短时傅里叶变换/离散傅里叶变换（STFT/DFT）的复阻抗估计（Z(f) = V(f)/I(f)) 可在可用频段内对欧姆电阻、电荷转移和扩散等电化学过程实现在线解析。为实现实际应用，所提出的PEIS提取方法可嵌入现有电池管理系统(BMS)硬件，通过复用电流/电压传感通道，并增设一个用于间隔1秒进行在线短时傅里叶变换(STFT)计算的固件模块。仅需每个通道300个样本的滑动窗口缓冲区及STFT例程，该方案可在典型汽车微控制器上使用定点运算实现。通过拟合真实值与PEIS值之间的精度验证了PEIS的有效性。研究得出结论：PEIS能根据工作条件反映电池的荷电状态(SOC)、老化程度和温度。PEIS模拟了EIS的频率响应特性，无需复杂装备即可获得相似结果，从而更精确地理解电池退化状态，并提高基于现有直流信号的故障诊断准确性。此外，PEIS可诊断电池内部状态，而现有直流数据无法反映电池内部环境条件信息。本研究证明了PEIS高效分类电池异常的潜力，这将显著提升电池管理系统(BMS)的故障诊断能力，对提高电动汽车(EV)的安全性与可靠性具有重要作用。在电池系统中，不同的退化机制（例如活性物质损失、电解质降解、锂枝晶析出或内部短路等内部衰减机制虽可能引发相似的宏观信号（如容量衰减或电压跌落），但其对应的安全风险与剩余使用寿命存在显著差异。因此，本研究采用PEIS图谱构建正常内部状态参考数据库，用于基于相似度的安全诊断。若缺乏内部状态分类，运行工况引起的正常波动易被误判为异常，导致云端服务器触发误报警。为实现高效电池管理，PEIS信号将从行驶工况数据中本地提取，而正常/异常的二元分类则在云端服务器完成。
