[發明專利]一種基于動態閾值模型的電動汽車故障診斷方法

有效

• 申請號: 202011181863.5
• 申請日: 2020-10-29
• 公開（公告）號: CN112285569B
• 公開（公告）日: 2022-02-01
• 發明（設計）人: 于全慶;林野;孫逸辰;李昊;穆浩;張力元;萬長江;侯芹忠;李俊夫
• 申請（專利權）人: 哈爾濱工業大學（威海）;北京空間飛行器總體設計部
• 主分類號: G01R31/367
• 分類號: G01R31/367;G01R31/392
• 代理公司: 濟南佰智蔚然知識產權代理事務所(普通合伙) 37285
• 代理人: 彭賓

1.一種基于動態閾值模型的電動汽車故障診斷方法，其特征在于，所述方法用于電動汽車中電池系統故障診斷，所述方法包括：構建動態閾值模型以及基于閾值模型進行電池系統故障診斷，其中，

構建動態閾值模型包括如下步驟:

步驟S11、對鋰電池動力電池進行充放電老化循環實驗、容量實驗、開路電壓OCV實驗以及混合動力脈沖能力實驗，分別用于獲取對應循環下的容量Q、OCV-SOC關系式和電池等效電路模型參數；

步驟S12、建立電池全壽命周期下的OCV-SOC-Q三維響應面模型；

步驟S13、建立基于歐姆內阻參數R_o以及時間常數參數τ的一階等效電路模型，并進行模型參數辨識，建立動態閾值模型；所述一階RC等效電路模型，模型數學表達式如下：

式中，U_p為電池極化電容兩端的極化電壓，U_t為端電壓，R_p為極化內阻，C_p為極化電容，R_o為歐姆內阻，時間常數τ＝R_p×C_p；

對第0次循環后的混合動力脈沖能力特性實驗數據采用帶遺忘因子的遞推最小二乘法進行模型參數辨識，得到第0次循環后電池SOC從100％下降至0全過程對應的參數R_0,0和τ₀的估計值，即得到SOC分別與R_o,0和τ₀的映射關系；

然后再對第50個循環后的混合動力脈沖能力特性實驗數據進行參數辨識得到對應循環下電池放電過程的SOC與R_o,50和τ₅₀的映射關系，將對應SOC點下的R_o,50和τ₅₀的估計值分別與R_o,0和τ₀作差得到參數誤差ΔR_o，50和Δτ₅₀，然后建立參數誤差和SOC的如下擬合式：

式中，β₀,β₁...β₆和γ₀,γ₁...γ₆分別為ΔR_o，50和Δτ₅₀與SOC的擬合系數；

而后將β₀,β₁...β₆和γ₀,γ₁...γ₆分別進一步解析成容量Q的二次函數，得到全壽命周期內的ΔR₀(Q,z)和Δτ(Q,z):

式中，A₁和A₂均為7×3的擬合系數矩陣；

定義參數R_o對應的閾值模型J₁(Q,z)為：

J₁(Q,z)＝1.1*ΔR_o(Q,z) (8)

定義參數τ對應的閾值模型J₂(Q,z)為：

J₂(Q,z)＝1.1*Δτ(Q,z) (9)；

步驟S14、在不同溫度下對動力電池進行上述步驟，得到不同溫度下的閾值模型；基于閾值模型進行電池系統故障診斷包括如下步驟：

步驟S21、記錄電池充放電過程的端電壓信號、電流信號和溫度信號；

步驟S22、基于建立的一階等效電路模型，辨識電池模型參數和狀態，得到電池內阻參數R_o、時間常數參數τ、容量Q和SOC的估計值；

步驟S23、采用溫度差值的方法，確定參數參考值；在采樣時刻k，基于電池當前的溫度T_ex、SOC_k和容量估計值Q_k確定對應的參數參考值R_o,0,k和τ_0,k的具體確定過程如下：

根據電池當前溫度T_ex讀數找到Ta集合中與其最接近的兩個溫度Ta₁和Ta₂，且Ta₁Ta₂，根據Ta₁和Ta₂溫度下的SOC與R_o,0的映射關系，結合估計出的SOC_k值，確定出Ta₁和Ta₂溫度下的R_o,0,k,Ta1和R_o,0,k,Ta2，則在k采樣時刻，R_o,k對應的參考值R_o,0,k通過下式確定：

通過相同的方式可確定k采樣時刻，τ_k對應的參考值τ_0,k,r：

式中，和分別為SOC_k時Ta₁和Ta₂溫度下τ₀的值；

步驟S24、根據步驟S22得到的參數估計值和步驟S23得到的參數參考值，得到故障診斷殘差；

步驟S25、分別確定參數R_o及參數τ的閾值；首先根據電池溫度T_ex讀數找到Ta集合中與其最接近的兩個溫度Ta₁和Ta₂，且Ta₁Ta₂，結合估計出的SOC_k值，確定出Ta₁和Ta₂溫度下的閾值模型中的閾值和及中的閾值和最終利用得到k時刻的閾值如下：

步驟S26、對比殘差和閾值判斷電池是否發生故障。