甘 伟,韩孝耀

(华南理工大学机械与汽车工程学院，广东 广州 510641)

锂离子电池因其具有能量密度高、循环寿命长等优点，在新能源汽车领域得到广泛的应用[1-2]，但当追求更高的能量密度时，安全隐患也随之而来[3]。其中，内短路是锂离子电池常见的故障类型，是引发热失控的主要诱因，因此内短路的提前预警是提高电池运行安全性的重要途径之一[4]。Seo等[5]提出一种基于卷积神经网络的锂离子电池内短路故障诊断方法，为提高预测精度，该方法通过放大相对于高强度恒流放电信号较弱的自放电信号来提高预测精度，随后使用带有32个卷积层及8个池化层的卷积神经网络完成内短路故障诊断。Hong等[6]提出一种基于改进多尺度熵的锂离子电池故障诊断方法，通过将不同起点的粗粒度序列求得的样本熵平均后得到改进多尺度熵值，从而成功提取电池故障早期信号的多尺度特征，实验结果表明该方法能够有效监测电池组单体电池连接故障及热失控故障。然而，上述方法都有一定的缺陷，例如所提取特征在故障早期不明显，使用的方法如神经网络需要大量的样本且预测精度高度依赖样本质量，多尺度熵方法计算时间过长难以实现实时在线诊断等。针对上述问题，本文提出基于小波降噪-曲线相似程度的锂离子电池内短路故障诊断方法，建立基于交叉验证的多分辨率小波降噪方法[7]，使用动态时间规整方法计算降噪后曲线的相似程度作为报警阈值，最后通过模拟内短路实验所得数据验证方法的可行性与有效性。……