利用具有时间卷积网络和自注意力机制的自编码器对锂离子电池进行内部短路诊断

《Energy》：Internal Short-Circuit Diagnosis for Lithium-ion Batteries Using Autoencoder with Temporal Convolutional Network and Self-attention Mechanism

基于自编码器的电池内部短路故障诊断方法研究，提出融合时间卷积神经网络与自注意力模块的改进型自编码器（AE-TCN-SA），通过训练正常电压时序数据实现无监督故障检测，利用重构误差均方值评估故障，有效识别不同严重程度的内部短路故障，并通过多条件实验验证其鲁棒性和普适性。

　　

刘凯龙|赵世文|赵光才|方京阳|任亚兴|乔鹏

山东大学控制科学与工程学院，济南250061，中国

摘要

锂离子电池中的内部短路（ISC）故障对电池安全构成重大威胁，可能导致热失控。检测ISC故障对于电池的安全运行至关重要。本研究提出了一种基于自编码器（AE）的ISC故障诊断方法。为了解决高质量ISC故障数据有限的挑战，引入了一种利用AE重建残差进行故障检测的策略，其中AE仅使用来自正常模块的电池电压数据进行训练。通过评估重建数据与测量数据之间的均方误差来识别ISC故障。值得注意的是，AE结合了时间卷积神经网络和自注意力模块以提升重建性能，从而提高了故障检测速度。实验结果表明，所提出的方法能够有效诊断不同严重程度的ISC故障。此外，其在包括电池单元不一致性、不同电池类型和多种工作条件下的鲁棒性也得到了验证。该方法在识别和诊断ISC故障方面非常有效，从而有助于提高电池的安全性和可靠性。

引言

交通电气化是应对能源危机和全球气候变化的重要能源改革措施[1]，[2]。作为一种有前景的储能系统，锂离子电池因其高能量密度[5]、低自放电率[6]和长寿命[7]等优点，已被广泛应用于电动汽车[3]、储能电站[4]和其他交通电气化领域。随着锂离子电池的广泛采用，与它们相关的安全事件也更加频繁[8]，[9]，引发了广泛的关注和担忧[10]，[11]。内部短路（ISC）是电池最常见的安全故障模式之一，也是电池安全问题的关键因素之一[12]，[13]。据统计，超过一半的电池火灾事故归因于ISC[14]。然而，ISC在早期和中期阶段的故障特征并不明显，因此难以检测[15]，[16]。这进一步导致容量损失增加、电池组一致性破坏以及电池加速老化[17]，最终可能引发热失控和严重火灾[18]。因此，诊断ISC是确保锂离子电池安全运行的重要研究课题[19]。

ISC故障诊断方法主要分为基于模型的方法和数据驱动的方法[20]。在基于模型的方法中，首先建立准确的模型，然后通过模型参数的异常或估计状态来检测故障。冯等人[21]根据电池电热模型将测量的电压和温度转换为电池的固有电化学状态，并通过评估可疑电池单元与电池组中所有电池单元平均值的偏差来诊断ISC。孟等人[22]提出了一种基于2RC网络等效电路模型的加权函数自调节状态和故障估计器。杨等人[23]提出了一种基于扩展卡尔曼滤波器状态向量的新型在线ISC检测方法。该方法构建的电池电热模型结合了电气和温度信号，使得ISC诊断更加及时和准确。然而，上述基于模型的ISC诊断方法面临一些挑战，包括建立高保真电池模型的复杂性、获取准确参数的难度以及对外部干扰的敏感性[24]，[25]。

数据驱动的方法直接通过分析电池数据（如电压和电流）来推导规则，并根据规则变化进行故障诊断。这种方法具有更高的灵活性和更广泛的应用范围[26]。从规则获取的角度来看，它们可以分为基于信号处理的方法和基于深度学习的方法。前者主要使用信号处理技术从数据中提取故障特征以实现故障诊断。吴等人[27]提出了一种基于电压余弦相似性的ISC诊断方法。该方法通过将电压不一致性放大为向量之间的余弦相似性来进行ISC诊断。乔等人[28]提出了一种基于增量容量曲线的ISC诊断方法。该方法通过分析正常电池和故障电池的增量容量曲线之间的面积差异来确定泄漏电流。夏等人[29]基于不同电池单元电压之间的相关性实现了故障诊断。孔等人[30]根据从电池电压曲线计算出的每个电池单元的剩余充电容量变化来估计ISC的泄漏电流。尽管基于信号处理的方法应用简单，但它们的局限性在于无法有效拟合非线性关系，导致故障诊断精度较低。相比之下，基于深度学习的方法尽管计算复杂度较高，但具有更好的非线性拟合能力，更适合模拟电池的非线性行为。乔等人[31]使用高斯过程回归模型，并通过粒子群优化算法优化了松弛电压特征来诊断ISC故障。朱等人[32]提出了一种基于多机器学习融合的ISC诊断方法，该方法在大量模拟数据上进行了迁移学习，实现了高诊断精度。刘等人[33]使用一维（1-D）卷积神经网络学习从电压信号转换而来的皮尔逊相关系数特征以实现ISC的检测。总之，上述基于机器学习的故障诊断方法在模型使用大规模、高质量故障数据进行有效训练的情况下，可以实现高精度的故障识别。然而，在实际工程应用中，故障数据往往稀缺或难以获取，这不仅增加了开发故障诊断方法的复杂性，也显著限制了其性能。

为了解决高质量故障样本稀缺的问题，并利用机器学习的强大非线性拟合能力进行电池ISC故障诊断，本研究采用了一种基于自编码器（AE）的无监督深度学习方法。AE是一种用于异常检测的深度学习方法，广泛应用于医学诊断、工业故障预测和气候监测等多个领域[34]。在使用AE进行异常检测时，仅使用正常样本作为训练数据，不提供故障数据，从而重建的数据与正常数据非常相似。因此，当引入异常样本时，重建误差往往会增加，通过评估重建误差的大小来实现故障检测。基于上述原理，本文提出了一种基于自编码器（AE）的故障诊断策略，为数据受限条件下的ISC故障诊断提供了一种数据驱动的解决方案。

• 1)
  该方法采用无监督学习方法进行异常检测，仅使用正常电压时间序列数据来训练神经网络模型。这有效地解决了在开发故障诊断方法时高质量故障数据稀缺的问题。
• 2)
  基于对AE架构、TCN和SA结构的理解，这两种结构在处理时间序列数据方面具有很大优势，因此被集成到AE中。与基本AE结构相比，由时间卷积网络和自注意力模块组成的AE-TCN-SA不仅提高了数据重建的准确性，还增强了检测异常样本的能力。
• 3)
  实验结果表明，所提出的方法能够在多种条件下有效诊断不同严重程度的ISC故障，包括电池单元不一致性、均匀模块老化和不同的工作状态，体现了其鲁棒性。

本文的其余部分如下：第2节描述了实验数据的获取过程。第3节详细介绍了本研究中使用的AE结构。第4节给出了ISC诊断实验的结果和分析。第5节对本文进行了总结。

部分摘录

实验平台

为了获取用于训练所提出的AE-TCN-SA模型的正常运行数据，并收集用于验证故障检测方法有效性的ISC故障数据，建立了一个实验平台，如图1所示。该平台包括Arbin电池测试仪、温控室、主控制计算机和电池模块。Arbin电池测试仪确保电池在所需的电流、电压、充电/放电条件下工作。

方法论

本节介绍了一种基于AE的新数据驱动异常检测框架。框架结构如图2所示。首先，将预处理过的正常模块电池电压数据输入AE-TCN-SA模型进行训练，主要目标是提高重建精度。训练完成后，模型处理故障数据以生成重建信号。重建数据与相应原始电池电压数据之间的均方误差（MSE）为

训练模型

在训练AE-TCN-SA模型之前，必须配置每一层的参数。由于编码器和解码器是对称的，SA模块的大小由编码器的输出决定。需要确定的关键参数包括编码器中每个TCN层的特征数量和序列长度k。具体来说，第一个TCN层设置为48个输出特征，以最初扩展特征空间，而第二个层将其压缩为16个输出特征。

结论

ISC诊断对于确保电池的安全稳定运行至关重要，然而可靠ISC故障数据的稀缺性继续限制了许多现有基于机器学习的诊断方法的适用性。本研究提出了一种基于AE-TCN-SA架构的ISC诊断方法，该方法将时间卷积建模和自注意力机制集成到仅使用正常样本训练的自编码器框架中。通过消除对大量数据的依赖

CRediT作者贡献声明

赵世文：撰写——原始草稿、可视化、验证、软件开发、方法论、概念化。赵光才：撰写——审阅与编辑、验证、方法论、数据管理、概念化。刘凯龙：撰写——审阅与编辑、监督、项目管理、方法论、资金获取、概念化。方京阳：撰写——审阅与编辑、监督。任亚兴：撰写——审阅与编辑、监督。乔鹏：撰写——审阅与编辑、监督

利益冲突声明

? 作者声明他们没有已知的竞争财务利益或个人关系可能会影响本文报告的工作。

致谢

本工作得到了国家自然科学基金（编号：62373224）的一般项目的支持。