基于改进经验模态分解算法与二维卷积神经网络融合的锂电池故障诊断

《PLOS One》:Lithium battery fault diagnosis by integrating improved EMD decomposition algorithm and 2DCNN

【字体: 大 中 小 】 时间:2026年03月18日 来源:PLOS One 2.8

编辑推荐:

  随着科学技术的发展,锂电池作为重要的储能(Energy Storage, ES)器件,其故障诊断研究已成为热点。针对传统故障诊断技术在处理复杂信号和提取关键特征方面存在的不足,研究人员构建了结合二维卷积神经网络(Two-Dimensional Convolut

  
随着科学技术的发展,锂电池作为重要的储能(Energy Storage, ES)器件,其故障诊断研究已成为热点。针对传统故障诊断技术在处理复杂信号和提取关键特征方面存在的不足,研究人员构建了结合二维卷积神经网络(Two-Dimensional Convolutional Neural Network, 2DCNN)高维表征能力与优化经验模态分解(Empirical Mode Decomposition, EMD)方法分解稳定性的高性能锂电池故障诊断模型。研究首先采用改进的EMD算法处理锂电池电压数据并提取故障特征;随后,将处理后的数据输入2DCNN模型进行训练与分类。实验结果表明,当迭代次数达到600时,研究所设计模型的故障特征信息一致性达到98.7%;当图像包含70个特征时,特征识别准确率仍保持99.2%。在全部7组数据中,运行时间均显著低于其他方法,最高不超过6 ms。结果表明,所设计的锂电池故障诊断模型提升了故障诊断的准确性与效率,可为锂电池故障诊断提供新的技术手段,并有助于推动锂电池技术的进一步发展和应用。
研究背景与现有问题

锂离子电池(Lithium-Ion Batteries, LIBs)凭借其高能量密度和高效率,已成为现代储能系统的基石,广泛应用于电动汽车(Electric Vehicles, EVs)和电网级储能等领域。然而,电池失效可能导致严重的安全隐患和经济损失,因此准确且早期的故障诊断(Fault Diagnosis, FD)技术至关重要。目前锂电池故障诊断领域存在显著科学挑战:传统故障诊断方法通常依赖于一维电压或电流信号的手工特征提取,而这些信号通常具有非平稳性和非线性特征,尤其在故障早期阶段,传统技术难以从大量噪声和运行变化中分离出微妙但关键的故障特征。现有方法普遍存在特征判别力不足、诊断准确率低以及在复杂工况下泛化能力差等问题。此外,多数现有方法针对特定故障类型设计,缺乏通用性;在复杂工况下的适应性和鲁棒性不足;缺乏有效的早期故障预警能力;对电池特定故障机制考虑不充分。基于曼哈顿距离和电压差分析等经典特征工程技术虽然计算简单直观,但缺乏对复杂噪声中早期非线性故障的敏感性,且依赖手动设定阈值和简化信号模型,在动态工况下易失效。多尺度核主成分分析-局部异常因子(Multi-Scale KPCA-LOF)等方法虽试图解决非线性问题,但仍需大量领域专业知识进行核函数选择和尺度定义,涉及多阶段优化,难以从原始或轻处理信号中直接学习高判别性的时空特征。

研究内容与核心贡献

为解决上述问题,研究人员提出了一种集成改进EMD算法与2DCNN的新型故障诊断框架。该框架的战略选择基于两者互补优势:EMD是一种强大的自适应信号处理技术,擅长将复杂信号分解为固有模态函数(Intrinsic Mode Functions, IMFs),从而简化后续特征分析;而2DCNN则擅长从类图像数据中自动学习层次性和空间特征,在模式识别任务中表现优异。研究的核心假设是:通过改进EMD预先将原始一维信号处理谢构为更具信息量的二维表征,可以充分释放2DCNN的模式识别潜力,实现高精度且鲁棒的故障诊断。研究的主要贡献包括:(1)提出改进EMD算法,增强非平稳电池电压信号分解的稳定性和鲁棒性;(2)设计新型数据转换策略,将分解分量转换为与2DCNN兼容的二维格式,有效桥接信号处理与深度学习;(3)构建并验证端到端锂电池故障诊断模型,在诊断准确率、特征一致性和计算效率方面相较于现有方法具有优越性能。该研究发表于《PLOS One》。

关键技术与方法

研究采用的技术路线包含四个核心环节。数据来源方面,使用马里兰大学高级生命周期工程中心(CALCE)公开数据集,包含30支18650型额定容量2.0Ah的锂离子电池在各种条件下的循环测试数据,涵盖内部短路、容量衰减、电极材料剥离、电池过热和异常充放电五种故障类型,共计1000个样本。信号分解阶段,研究人员通过引入白噪声辅助和集成平均策略改进EMD算法:将幅值设为原始信号标准差0.1-0.3倍的高斯白噪声序列加入原始信号,进行50-200次独立分解后按模态平均,以抑制模态混叠。数据转换阶段,选取前3-5个包含最具判别性故障信息的关键IMF,将每个长度为L的一维时间序列分割为固定窗口长度W的非重叠窗(H×W=L),重塑为H×W矩阵,再沿通道维度堆叠形成H×W×C的三维 tug 张量,作为多通道图像输入2DCNN。深度学习模型方面,采用两层卷积结构(3×3卷积核,步幅1,"same"填充)、2×2最大池化(步幅2)、两层全连接层(Fully Connected Layers, FCL)(第一层128神经元,ReLU激活;第二层神经元数等于故障类别数,Softmax激活)的分类器架构,使用Adam优化器(初始学习率0.001)、L2正则化和Dropout层防止过拟合。特征工程基准包括相位粒子群优化(PPSO)和加速稳健特征(SURF),对比方法涵盖支持向量机(SVM)、一维CNN(1D-CNN)、变分模态分解-CNN(VMD-CNN)模型,并引入动态通道注意力图卷积网络(DCAGGCN)和动态双向自适应图卷积网络(DyWave-BiAGCN)作为跨方法论参考基准。计算效率测试在严格控制环境下进行:NVIDIA GeForce GTX 1660 GPU固定于P0时钟状态,Intel Core i7-6700HQ CPU锁定基频2.6 GHz,采用PyTorch 1.12.1配合CUDA 11.6和cuDNN 8.9,经过100次预热迭代后进行1000次计时迭代。

研究结果

4.1 基于改进EMD-2DCNN的锂电池故障诊断模型性能测试

研究人员将改进EMD分解算法与2DCNN集成,构建了简称为EMD-2DCNN的锂电池故障诊断模型。与PPSO、SURF、SVM、1D-CNN、VMD-CNN、DCAGGCN及DyWave-BiAGCN等方法对比表明,该模型在诊断准确率(98.2%±0.5%)、早期故障敏感性(F1分数0.93±0.03)和噪声鲁棒性(95.8%±0.7%)方面达到领先水平,同时保持精简的模型规模(108万参数)。相较于原始数据直接输入CNN,整体准确率提升10.9个百分点,早期微短路检测F1分数跃升50%至0.93,强噪声环境下诊断准确率提升24.3个百分点至95.8%,模型收敛速度加快29.2%。

与集合经验模态分解(EEMD)和自适应噪声完备集合经验模态分解(CEEMDAN)的定量对比显示,改进EMD在所有指标上均更优:特征信息一致性(FIC)达98.7%,模态混叠指数(MMI)最低(0.08),能量集中熵(ECE)最小(1.5),重构信噪比(RSNR)最高(32.5 dB),且运行时间最短(6 ms),较EEMD快约50%,较CEEMDAN快约60%。训练损失分析显示,改进EMD-2DCNN在高对比度和低对比度图像上的初始损失分别为0.82和0.84,分别于25次和40次迭代后降至接近0并趋于稳定,收敛速度快于PPSO和SURF。四组训练集的损失函数和准确率曲线表明,迭代次数超过6次后准确率即达90%以上,模型能快速准确分析诊断锂电池故障。

特征信息一致性分析显示,在单电池故障数据中,迭代600次时改进EMD-2DCNN的故障特征信息一致性达98.7%,高于PPSO的93.6%和SURF的92.2%;在电池组故障数据中达97.9%,高于PPSO的89%和SURF的91.3%。特征识别准确率测试显示,高对比度图像中10个故障特征时准确率99.8%,70个特征时仍保持99.2%;低对比度图像中相应为99.5%和98.9%,均优于对比方法。

4.2 基于改进EMD-2DCNN的锂电池故障诊断模型应用分析

运算效率方面,从CALCE数据集选取的A-G七组数据(每组100个样本)测试显示,改进EMD-2DCNN在故障特征提取阶段的所有数据组运行时间均显著低于其他方法,最高不足6 ms;在识别结果生成阶段,最高仅7.6 ms,最低仅1.6 ms,满足电池管理系统(BMS)10-50 ms的实时性要求。误识别比例分析显示,单电池故障识别中改进EMD-2DCNN在100次识别过程中误识别率不超过6%,电池组故障识别中同样不超过6%,均低于PPSO(约8%-10%)和SURF(最高16%以上)。

混淆矩阵分析显示,针对内部短路、容量衰减和电极材料剥离三类故障,测试集A识别准确率97.6%(7个label 3误识别为label 2),测试集B识别准确率98.3%(5个label 1误识别为label 2)。扩展至五类故障(增加电池过热和异常充放电)的可视化分析表明,经过充分训练后,网络能有效学习所有五类故障特征并清晰区分,不同故障间距离较大,特征差异显著。

4.3 基于Grad-CAM的可解释性分析

研究人员采用梯度加权类激活映射(Gradient-Weighted Class Activation Mapping, Grad-CAM)对训练后的2DCNN模型进行可视化分析,以深入理解决策机制并增强可信度。对每类故障随机选取50个测试样本应用Grad-CAM,统计分析高激活区域(平均激活值高于0.7阈值)主要分布的IMF分量。结果表明:对于主要表现为低频电压漂移的内部短路故障,模型决策 heavily 依赖前几个低频IMF分量;而对于可能引起高频电压振荡的电极材料剥离故障,模型更关注后部高频IMF分量。该统计发现与不同故障的物理机制高度吻合,证明模型并非"黑箱",所学特征具有明确的物理意义。各类别性能细分显示,五类故障的F1分数介于97.6%至99.2%之间,宏观平均F1分数98.5%,证实高整体准确率并非由部分故障的异常表现主导。

讨论与结论部分总结

在科学技术蓬勃发展的当代,锂电池作为便携设备、电动汽车和储能系统的关键储能器件,其故障诊断技术研究日益重要。为克服传统故障诊断技术在处理复杂信号和提取关键特征方面的不足,研究人员创新性地将改进EMD算法与2DCNN相结合,开发了新型锂电池故障诊断模型。研究首先利用改进EMD算法预处理锂电池电压数据,有效提取故障特征;随后将处理后的数据输入2DCNN模型进行训练与分类。实验结果表明,所提模型在诊断准确率、早期故障检测能力和鲁棒性方面显著超越现有主流方法(如表2所示),充分验证了其先进性和有效性:迭代600次时模型故障特征信息一致性高达98.7%;图像包含70个特征时特征识别准确率仍可保持99.2%;测试集A识别准确率97.6%,测试集B识别准确率98.3%;模型在7组数据中的运行时间均显著低于其他方法,最高仅不足6 ms。研究所设计的故障诊断模型不仅显著提升了诊断的准确性和效率,还为锂电池故障诊断领域提供了新的技术手段,有助于推动锂电池技术的进一步发展和应用。然而,该研究存在以下局限性:数据集验证有限,目前仅在CALCE公开数据集上验证;简化运行环境,分析主要集中于正常或标准实验室条件下的故障,未探索复杂真实环境(如电动汽车中显著电磁干扰或动态负载曲线条件)下的诊断能力;缺乏主动早期预警,当前模型仅用于故障诊断,对即将发生故障的预测能力尚未建立。未来研究方向包括:增强泛化能力,扩展至多个数据集交叉验证并采用迁移学习;复杂场景测试;开发预测能力,将当前诊断框架扩展为预测性健康管理系统。此外,混合EMD-2DCNN架构的可解释性挑战在于其两阶段"黑箱"特性,未来工作可集成注意力机制、应用可解释人工智能技术,或开发联合可视化框架以将模型决策与可解释信号分量关联。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号