编辑推荐：
被动电化学阻抗谱（PEIS）通过短时傅里叶变换（STFT）分析电动汽车BMS的实时电流/电压波动，无需额外激励信号或硬件，实现电池状态在线监测。基于PEIS的Siamese卷积神经网络可进行安全诊断，实验显示阻抗拟合误差低于6%，有效提升电池异常检测精度。
李美英（Miyoung Lee）|金民赫（Minhyeok Kim）|李在亨（Jaehyeong Lee）|杨佳亨（Garam Yang）|林哲范（Cheolbeom Lim）|金钟勋（Jonghoon Kim）
韩国大田忠南国立大学电气工程系能源存储与转换实验室，邮编34134
摘要
电化学阻抗谱（EIS）能够提供关于电池内部电化学过程的丰富信息，但传统的EIS需要专用的激励设备和外部仪器，这限制了其在车载和实时应用中的使用。本文提出了一种在线被动电化学阻抗谱（PEIS）提取方法，该方法利用车辆运行过程中自然产生的电流/电压波动，通过短时傅里叶变换（STFT）估算出类似阻抗的谱图，而无需注入额外的交流信号或中断车辆运行。STFT参数是通过频率分辨率与PEIS-EIS拟合偏差之间的定量权衡来选择的。PEIS在匹配的电池荷电状态（SOC）和温度点下与参考实验室EIS结果进行了验证，结果显示在选定频率下平均拟合误差小于6%。最后，提取的PEIS模式被用作基于相似性评估的实时安全筛查的电化学特征。为了利用这些PEIS模式对电池内部状态进行分类，将其转换为图像以供深度学习使用。基于此，我们提出了一种新的方法，使用孪生卷积神经网络（SCNN）算法对转换后的PEIS模式进行学习，从而有效诊断电池的状态。所提出的框架能够从标准电池管理系统（BMS）数据中无障碍地提取电化学特征，支持电动汽车电池的可扩展安全监控。
引言
近年来，由于锂离子电池具有高能量密度、环保性和长寿命，它们得到了广泛的应用。随着电动汽车（EV）市场的增长，锂离子电池作为动态电源设备受到了广泛关注[1]、[2]、[3]、[4]。然而，由于锂离子电池将锂离子和电子的氧化还原反应产生的化学能转换为电能，电池的退化会随着循环次数的增加而加速，在极端情况下，这种副反应会导致电池故障[5]、[6]、[7]、[8]、[9]、[10]。此外，在严重情况下，故障还可能引发涉及硬内部短路（HISC）的火灾危险[11]、[12]、[13]。然而，当HISC发生时，已经来不及防止应用失效。因此，需要在HISC发生之前保护该应用。在故障发生之前，许多模式表明存在软内部短路（SISC），这意味着必须在HISC之前检测和预诊断SISC[14]、[15]、[16]。已经研究了各种故障诊断技术，以提前诊断这些快速故障的影响[17]、[18]、[19]、[20]、[21]、[22]、[23]。当前的故障诊断技术主要侧重于根据从电池信号获得的数据来学习模式或参数，以检测异常[19]、[20]、[21]。此外，分类过程使用特定模式（例如电压和增量容量分析（ICA）以及基于人工智能（AI）的技术进行模式训练[19]、[20]、[21]、[22]、[23]。然而，传统的故障诊断方法仅限于简单的异常检测，并依赖于从BMS收集的电流、电压和温度等电信号[17]、[18]、[19]、[20]、[21]、[22]、[23]。特别是，从BMS获得的信号是随时间测量的时间序列数据，因此只能捕捉随时间的变化。这限制了我们对电池电化学行为的理解。为了解决这一限制，提出了电化学表征技术[24]、[25]、[26]、[27]、[28]、[29]、[30]。电化学阻抗谱（EIS）能够进行电化学分析，可以克服电学分析的局限性[31]、[32]、[33]。EIS分析在不同频率下施加的交流信号的响应特性，从而更精确地了解电池的内部状态和退化机制[34]。这对于理解电池的化学状态和变化具有重要意义，超出了简单的电信号分析范围。然而，EIS需要频率分析器等独立设备，这些设备成本高昂且不具备便携性，限制了其实时监控或大规模应用[35]、[36]。为了克服这些问题，许多研究应用了信号处理技术来实现EIS[37]、[38]、[39]、[40]。例如傅里叶变换和小波分析等方法被用来将输入的电流和电压信号的时间序列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]和Chen等人[45]提出了使用真实驾驶信号和DFT生成EIS信号的方法。然而，在之前的研究中，脉冲、二进制伪激励和纹波信号等特定信号是人工生成的，这在实际应用中存在挑战[40]、[41]、[42]、[43]、[44]、[45]。Liu等人[40]提出了使用阶跃信号和小波变换实现EIS的方法。Peng等人[42]提出了使用三进制信号和傅里叶变换的方法，Wang等人[43]提出了使用方波信号和傅里叶变换的方法。这是因为在应用过程中，信号主要是直流信号，需要生成或人工施加交流信号。
在这项研究中，EIS是使用基于电动汽车驾驶轮廓和实际运行条件下获得的采样时间的信号处理算法提取的。这是首次设置1秒的采样时间并使用直流数据来实现EIS。这种方法被称为被动电化学阻抗谱（PEIS）。在这里，被动电化学阻抗谱（PEIS）指的是在不注入任何额外交流激励信号或使用专用EIS硬件的情况下，从自然发生的负载轮廓中估算出的阻抗谱。换句话说，BMS仅在真实的电动汽车运行过程中被动记录电流和电压，然后使用信号处理算法（DFT/STFT）从这些基于直流的测量数据中重建类似EIS的谱图。PEIS用于模拟电化学特性，因为阻抗是电流和极化电压响应之间的频域传递函数。在真实驾驶过程中，自然产生的电流波动包含多频率成分，基于STFT/DFT的复阻抗（Z(f) = V(f)/I(f)）估算能够在线解释可用频率范围内的电化学过程，如欧姆电阻、电荷转移和扩散。为了实际应用，所提出的PEIS提取方法可以通过重用电流/电压传感通道并在1秒间隔内添加固件模块来实现在线STFT计算，从而嵌入到现有的BMS硬件中。每个通道只需要300个样本的滑动窗口缓冲区和一个STFT例程，这可以使用典型的汽车微控制器上的定点算术来实现。通过将实际值和PEIS值进行拟合来验证PEIS的准确性。研究结果表明，PEIS能够根据运行条件反映电池的荷电状态（SOC）、老化和温度。PEIS模仿了EIS的频率响应特性，能够在不需要复杂设备的情况下获得类似的结果。这允许更精确地了解电池的退化状态，并提高了基于现有直流信号的故障诊断的准确性。此外，PEIS能够在现有直流数据无法反映电池内部环境条件信息的情况下诊断内部状态。本研究展示了PEIS有效分类电池异常的潜力。这可以显著提高BMS的故障诊断能力，并在提高电动汽车的安全性和可靠性方面发挥重要作用。在电池系统中，不同的退化机制（例如活性材料损失、电解质退化、锂沉积或内部短路）可能导致类似的宏观信号，如容量衰减或电压下降，但它们对应于非常不同的安全风险和剩余使用寿命。因此，本研究使用PEIS模式构建了一个正常内部状态的参考数据库，用于基于相似性的安全诊断。如果没有内部状态分类，由运行条件引起的正常变化可能会被误认为是异常，导致云服务器中的故障报警。为了实现高效的BMS，将在本地BMS中从驾驶轮廓中提取PEIS，并在云服务器中进行正常和异常的二元分类。详细信息如图1所示。
基于STFT的EIS提取
EIS的优势在于能够基于频域中阳极/阴极/电解质阻抗的变化非破坏性地分析电池的内部特性[33]。然而，实际应用EIS需要外部硬件设备，如频率分析器[35]、[36]。为了克服这一限制，本研究提出通过将时间序列数据转换为频域并提取实部和虚部来获取EIS信息
PEIS提取和EIS测量的实验设置
实验使用商用 pouch型锂离子电池（E556）进行。根据其数据表，该电池的标称容量为55.6 Ah。如图3所示，实验在25°C的恒定温度和湿度条件下进行。电池使用电池循环器（NEWARE BTS4000）进行充放电，该循环器的电流测量范围为80 A，精度约为满量的0.1%。EIS
基于SCNN架构的安全诊断算法
在这项研究中，开发了一种基于PEIS模式的安全诊断算法，用于诊断电动汽车电池的异常和正常状态。该任务被有意地定义为二元安全诊断（正常 vs 故障），因为只有有限的故障场景（膨胀和电池单元不平衡）可供使用；扩展到多故障分类需要更全面的标记数据。分析了故障和正常电池单元的可用驾驶数据以提取PEIS模式，
结果与分析
本研究通过构建一个SCNN来诊断正常和故障操作，该SCNN以一对数据集作为输入，将正常和故障PEIS模式转换为图像，并学习两个数据集之间的相似性。除了相似性距离可视化外，我们还报告了在保留的测试集上的标准分类指标，包括混淆矩阵、精确度、召回率、F1分数和ROC-AUC（在电池单元级别）。
讨论
在本文中，安全诊断指的是检测偏离学习到的正常内部状态模式的异常电化学行为的早期预警任务（例如，我们数据集中的膨胀和电池单元不平衡情况）。核心机制是相似性评估：孪生CNN使用共享权重将一对PEIS图像映射到两个特征向量，并将它们的欧几里得距离与预设阈值进行比较。较大的距离表示相对于正常状态的异常
结论与未来工作
本研究提出了一种基于BMS直流信号、非周期性驾驶轮廓和信号处理算法的EIS信号提取方法，该方法将直流信号转换为交流信号。已经证明，与真实EIS相比，估计（提取的）PEIS具有较高的估计性能，误差约为5%。这意味着可以从非周期性直流信号中提取频率成分，并基于这些信号解释电池的电化学状态
CRediT作者贡献声明
李美英（Miyoung Lee）：撰写——原始草稿、调查、正式分析。金民赫（Minhyeok Kim）：验证、软件、调查。李在亨（Jaehyeong Lee）：可视化、方法论、数据管理。杨佳亨（Garam Yang）：可视化、正式分析、数据管理。林哲范（Cheolbeom Lim）：监督、项目管理、概念化。金钟勋（Jonghoon Kim）：撰写——审阅与编辑、监督、资金获取。
利益冲突声明
作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。
致谢
本研究得到了政府（贸易、工业和能源部）通过KETEP（项目编号：RS-2024-00398346，基于ESS大数据的运维和资产管理技术及员工培训开发）在2024年的支持，以及现代汽车公司的支持。
