1 序言
车载电池管理系统（Battery Management System，BMS）作为新能源汽车的关键部件之一[1]，电池故障诊断是其主要功能[2]。为防止电池过度利用致使车辆安全事件频发，须要进行诊断的故障紧张包括电池过充故障、过放故障、连接松脱故障、电池内部短路故障等。范例
的连接松脱故障指电池包中单体电池间连接螺母较初始位置松动半圈及以上，此时连接电阻由约1 mΩ非常跳变到5 mΩ以上的征象，由于该故障具有很强的不愿定性、随机性，无法直接丈量，且其引起的电压变革与单体电池电压耦合在一起，诊断难度尤其大。若该故障未能及时被诊断并打消，可能导致车辆无法正常运行、电池功率衰退[3]、充电非常中断、电池热失落控[4]等安全问题，后果尤为严重。而且，电动汽车电池组一样平常由100多个单体电池模块组成，逐个排查的事情量也十分巨大，导致维修极为不便。因此，实时诊断车辆电池组连接松脱故障并定位故障点，对付车辆功能安全和动力电池安全管理具有主要意义[5]。
目前，连接松脱故障诊断方法紧张分为阈值法和模型法。阈值法是指设置特定电压阈值，如电池包以1 C电流持续放电固定时长后的电压变革值，通过比拟设定值和实测值作出诊断[6]。其优点是针对特定电池诊断快速准确，缺陷是适用性差，电池的不一致性可能造成故障误报和漏报，以及运用范围窄，难以在行车中实时运用。模型法是指搭建电池和相应故障模型，通过模型输出结果进行故障诊断，如在构建电池模型后，用最小二乘法对电池内阻进行辨识并基于此进行故障诊断[7]。其优点是诊断准确率高，缺陷是初期建模、演习等事情造成软件冗余，难以做到实时诊断，且由于电池特性不同，不同电池须要重新建模、演习，以是该类方法通用性较差。
为办理上述诊断方法通用性和适用性差、软硬件冗余导致本钱高、实时性差等缺陷，本文提出一种基于电压采样数列干系系数进行连接松脱故障诊断的算法，并通过数学推导和Simulink仿真，剖析该算法的灵敏度和通用性，末了通过试验验证了该算法对电池组连接松脱故障进行报警和定位的有效性。
2 干系系数法通用性论证
2.1 干系系数概述
数学家卡尔·皮尔逊定义了统计指标——干系系数，该指标反响变量之间干系关系密切程度，填补了干系图和干系表无法确切表明两变量之间干系程度的缺陷[8]。干系系数通过积差方法打算，以不同变量与各自均值的离差为根本，通过两离差的乘积反响两变量之间的干系程度。详细打算公式为：
式中，rx,y为{xi}、{yi}两数列的干系系数；σx,y为{xi}、{yi}两数列的协方差；σx、σy分别为数列{xi}、{yi}的方差；xˉ 、yˉ 分别为{xi}、{yi}两数列的均值；n 为数列{xi}、{yi}的长度。
干系系数的取值范围为[-1,1]。当0<|rx,y|<1时，{xi}、{yi}两数列中的变量存在一定程度的线性干系性。|rx,y|越靠近1，{xi}、{yi}两数列中的变量间的线性关系越密切；|rx,y|越靠近0，{xi}、{yi}两数列中的变量间的线性关系越弱[9]。
2.2 通用性论证
锂离子电池有浩瀚建模方法，如电化学模型、等效电路模型、基于机器学习搭建的电池模型等[10]。个中，等效电路模型利用基本电路元件组成网络，如电阻、电容等，并用这些基本元器件描述电池端电压和事情电流等外特性间的关系，并且可以用数学方程表达锂离子电池的基本事理，便于剖析。最经典的等效电路模型当属Rint模型[11]，如图1所示。该模型由空想电压源和恒值电阻组成。个中，电压源输出表示电池的开路电压，恒值电阻表示电池内阻，包括欧姆内阻和极化内阻。输出电压与电流间的表达式为：
式中，Vt为电池输出电压；VOCV为电池开路电压；I 为流经电池的电流；R 为电池等效内阻。
磷酸铁锂电池和三元电池开路电压与SOC 的关系如图2所示。由图2可知：对付三元电池，可近似认为开路电压随SOC 线性变革；对付磷酸铁锂电池，可以在一定的SOC 范围内，近似认为开路电压随SOC 呈分段线性变革。在诊断算法中，通过合理选择打算窗口长度，可以大幅降落假定开路电压随SOC 线性变革所带来的偏差。以是在偏差可接管范围内，认为打算窗口长度内电池开路电压随SOC 线性变革，并且由于同一电池包中电池具有相同的电化学体系，因而可以假定相邻电池开路电压与SOC 屈服线性关系的斜率和截矩相等。
图1 Rint电路模型
图2 常见电池开路电压与SOC 的关系
基于上述结论，可设电池A的输出电压为V1=VOCV1+IR1，且VOCV1=a·SOC1+b，设电池B的输出电压为V2=VOCV2+IR2，且VOCV2=a·SOC2+b。个中，VOCV1、VOCV2分别为两电池的开路电压，R1、R2 分别为两电池的等效内阻，SOC1、SOC2分别为两电池的荷电状态，a、b 分别为常数。未发生连接松脱故障时，R1、R2相差较小，可近似认为相等。以是由安时积分公式可以推导得出V 1与V 2的关系：
式中，SOC(0)1、SOC(0)2分别为电池A、电池B的初始SOC。已知定理：|rx,y|= 1的充要条件是存在常数a0、b0，使得y=a0+b0x（个中b0> 0）。以是，V1、V2的干系系数为1，即无连接松脱故障时，不同电池间电压采样序列干系系数为1，表明干系系数法适用于连接松脱故障诊断领域。
恒流工况下，干系系数法可以拓展为综合相邻电池和电池本身不同时段的干系系数打算结果进行连接松脱故障诊断，干系证明如下。
恒流未发生连接松脱故障工况下，根据式（2），设第1时段采样时，电池A 的输出电压为VA1=VOCV_A1 +IR，且VOCV_A1=a·SOCA1+b，第2时段采样时，电池A的输出电压为VA2=VOCV_A2+IR，且VOCV_A2=a·SOCA2+b，由于不同时段采样韶光长度同等，结合安时积分公式可推导出VA1与VA2的关系：
以是，VA1、VA2的干系系数为1。即在恒流工况下，同一电池不同时段电压采样干系系数在未发生连接松脱故障时为1，故该工况下可运用干系系数法进行诊断。
值得把稳的是，在该工况下，可同时打算相邻电池采样电压干系系数和电池自成分歧时段采样电压干系系数，并根据结果综合诊断，可提升连接松脱故障诊断的可靠性和实时性。而在电池利用过程中，一样平常存在这样的工况片段，例如电池恒流充电阶段、车辆匀速运行片段等。
干系系数所描述两变量的干系性，指的是两变量变革趋势的附近程度，而不是详细每个值是否附近。因此，两相邻电池初始电压、内阻不一致，对付两电池电压采样数列干系系数没有影响，由于静态偏移不影响干系系数的值[12]。在正常情形下，车载电池包中两相邻电池电压采样序列干系系数为1，而发生连接松脱故障会导致故障电池电压变革趋势非常，因此，故障后干系系数会明显低落。以是干系系数法运用于连接松脱故障诊断时，也适用于相邻电池初始电压和内阻不一致等情形，且不依赖于电池模型，对不同电池具有通用性，对电池不同状态和不同类型的连接松脱故障诊断具有适用性。
3 连接松脱故障诊断算法
考虑到式（1）中变量与其均值的离差必须单独打算，无法知足连接松脱故障诊断算法的实时性哀求，故对其进行恒等变形：
为知足在线故障诊断哀求，增强本文算法的实时性和提高灵敏度，需将式（5）转化为迭代打算公式。由于本文诊断算法在运行过程中，会持续进行单体电池电压采样，由此产生较长采样电压数列可能会导致诊断算法灵敏度低落，以是需在诊断算法中引入数据遗忘机制，以此担保算法的灵敏度不会随系统运行韶光增长而降落。本文诊断算法引入打算窗口滚动诊断作为数据遗忘机制：
式中，2≤i≤d；d 为打算窗口长度；P1= xspysp、Q1= xsp、R1= ysp、S1 =x2sp 、T1 =y2
sp 分别为各中间迭代变量的初值；sp 为起始点在数列中的位置，该值在打算过程中递增；(rx,y)k为以{xi}、{yi}采样数列中第k 点为界，且在打算窗口内的两采样数列间的干系系数。
电池组由多个单体电池模块串联而成。在打算窗口（见图3）长度内，打算相邻电池的干系系数并根据打算结果完成诊断。打算窗口随诊断算法运行向前滚动，可实现在线实时诊断。值得把稳的是，恒流工况下，由前述论证可知，连接松脱故障可在上述诊断办法的根本上增加自身干系系数进行赞助诊断，增强该工况下诊断的准确性和实时性，算法的打算过程示意如图3所示。图3中，ri,j为对电池i 和j 在打算窗口内的干系系数。详细为：根据采样的电流旗子暗记判断为恒流工况片段后，在打算相邻电池干系系数的根本上，打算同电池不同时段的干系系数，然后综合两打算结果进行诊断。由于该工况下领悟了不同电池的空间信息和同一电池的时域信息，以是诊断的实时性和有效性较非恒流工况有所提高。
车载动力电池包中有很多单体电池模块（单个电池或多个并联）串联连接。车载电池管理系统通过打算各相邻电池采样电压干系系数可对全体电池包中所有电池的连接情形进行监控，实现快速诊断并定位连接松脱故障的功能。
4 仿真及试验剖析
4.1 仿真剖析
基于Simulink构建两电池模型，并串联连接[13]。电池基本特性参数如表1所示。输入经典联邦城市运行工况（Federal Urban Driving Schedule，FUDS）进行仿真，采样间隔为1 s。由于连接松脱常日相称于增加了连接电阻，电池采样电压非常增大，且可分为跳变型和缓变型连接松脱故障。在连接完备松脱到断开的极度情形下，电池电压、电流采样旗子暗记将靠近或即是0，即可实现诊断。因此，为仿照不同严重程度跳变型连接松脱故障，将电池2在第200 s、第500 s、第800 s时采样电压分别增加60 mV、100 mV、170 mV，即仿照故障电池在12 A电流下，连接电阻分别增加5 mΩ、8.33 mΩ、14.17 mΩ的情形。电压采样数据如图4所示。为初步验证诊断算法的有效性并阐述详细事理，分别设定打算窗口为30、40、50个采样点长度，打算电池1、电池2电压采样数列的干系系数，结果如图5所示。
由图5 可见，以采样电压非常增加100 mV 为例，30、40、50个采样点窗口长度对应的干系系数因松脱故障分别最低降至0.56、0.62、0.65。由于跳变型连接松脱故障较缓变型更难以诊断，以是故障报警临边界设置以能及时诊断出跳变型故障为准即可知足哀求。考虑到打算窗口长度对干系系数的影响较大，打算窗口越长，固定长度的非常电压值对干系系数影响越小，而打算窗口过短易引起故障误报，以是本文选用30个采样点作为打算窗口长度。故障报警临边界设置应担保30个采样点窗口长度打算结果可以触发故障且应防止故障误报，根据仿真打算结果，将故障触发临界干系系数设置为0.6。
电池2采样电压在第200 s、第500 s、第800 s因不同程度松脱故障发生跳变。由图5可知，30个采样点长度的窗口对应的干系系数分别于第205 s、第504 s、第801 s降至0.6以下，即触发报警，表明本文提出的诊断算法对付连接电阻非常增加5 mΩ的情形可及时准确地诊断并定位，知足车载电池管理系统对付连接松脱故障诊断的灵敏度哀求，诊断可在连接松脱故障发生5 s内完成，且故障越严重，诊断速率越快。由于诊断算法引入打算窗口，故该算法的灵敏度不会随采样数据增多而降落。由于连接松脱故障持续不超过5 s，其引起的温升不会很大，因而不会对电池造成损伤且无其它安全问题，表明本文算法适用于不同严重程度的连接松脱故障诊断，且实时性优秀。
由于文中提出的诊断算法采取打算窗口担保算法灵敏度不随电压采样数列长度增加而减弱，缓变型连接松脱故障可能导致电压非常值持续韶光长度大于打算窗口长度，对付诊断效果有影响。因此，针对缓变型连接松脱故障对本文诊断算法效果的影响展开剖析。
进行3次仿真打算，在第512 s将电池2的采样电压分别增加60 mV、100 mV、170 mV，并持续40 s，以此仿照不同严重程度缓变型连接松脱故障。选择打算窗口长度为30个采样点，触发故障临界干系系数为0.6。打算电池1、电池2电压采样数列的干系系数，结果如图6所示。
由图6可知，在3次仿真打算中，由不同程度连接松脱故障导致电压采样非常跳变时，干系系数最低分别降至-0.6、-0.55、-0.4，且均在第517 s前降至临边界以下，即触发故障，诊断效果明显且实时性强，表明本文诊断算法也适用于不同严重程度的缓变型连接松脱故障。
通过Simulink仿真验证和剖析，选定打算窗口长度为30个采样点，初步证明了本文诊断算法的有效性和实时性优秀，并且对不同严重程度跳变型和缓变型连接松脱故障的诊断均适用。
4.2 试验结果
试验装置如图7所示。试验工具由2块电池串联组成，电池特性参数见表1。采取自行开拓的电池管理系统采集试验单体电压、电流。试验所获取的数据通过CAN通信存储在基于LabVIEW开拓的上位机中。充、放电通过迪卡龙（Digatron）多功能电池测试仪UBT300-060实现，该设备最大充、放电电流可达300 A，并且可以通过程序设置为多种事情模式，如恒流模式、恒压模式和经典工况模式等。
对电池进行12 A恒流充电。首先，分别对试验用电池进行1个循环充、放电，避免所用电池差异性过大导致试验结果不理想的情形涌现。将2块电池用铜片串联，开始恒流充电试验。充电过程中，用扳手将电池2采样螺母拧松，以此仿照连接松脱故障，并通过螺母松动韶光是非仿照跳变和缓变型松脱故障。拧松4 s后拧紧螺母，再等待100 s旁边再次拧松螺母，40 s后拧紧螺母，再等待150 s旁边停滞充电，其间不雅观察故障触发标志位并记录数据。试验电压采样曲线如图8所示，试验采样间隔为1 s。
由图8可知：拧松螺栓后，电池2采样电压突升至3.35 V并在拧紧后规复正常，且缓变型故障导致电压非常跳变持续韶光较长；试验电池内阻不一致，未发生连接松动故障时采样电压不一致。该情形下，由阈值法[6]和建模法[7]的基本事理可知，其均可能由于试验电池不一致性而导致诊断失落败。
打算试验电池间的干系系数和各自电池不同时段采样电压的干系系数，结果如图9所示。个中，R(1,2)为电池1、电池2的干系系数，R(1,1)、R(2,2)分别为电池1、电池2采样数列在不同时段的干系系数，打算窗口长度为30个采样点。R(1,2)在第65 s和第278 s降至0.6以下，最低降至-0.8，R(2,2)在第63 s和第277 s降至0.6以下，最低降至-0.67。
干系系数以0.6为故障报警界线。电池电压因跳变型和缓变型松脱故障分别于第60 s、第273 s发生大幅突变，且不雅观察到电池管理系统中该故障标志位确于第63 s、第277 s触发，因此，本文算法适用于跳变型和缓变型连接松脱故障诊断，且可在5 s内诊断出故障，恒流工况下，综合电池本身相邻打算窗口电压序列的干系系数，最快可在3 s内完成诊断，同时可准确定位故障电池。试验结果表明，本文算法在无需电池模型的情形下，即可准确诊断各种连接松脱故障，并可战胜电池内阻、电压不一致的影响，具有完备的适用性和通用性，且知足电池管理系统运用对实时性的哀求。
试验过程中创造连接松脱故障点在故障触发一段韶光后温度明显高于其他正常温度点，由于本文诊断算法能在故障发生5 s内报警并准确定位，此时温度非常增加征象不明显，但可以设定温度非常阈值进行赞助诊断，以提高连接松脱故障诊断的可靠性。
5 结束语
本文对锂离子电池组连接松脱故障诊断和定位方法进行研究，提出了基于干系系数诊断和定位电池组连接松脱故障的方法。该方法避免了硬件冗余，仅需单体电池电压采样数据，无需额外增加电压、电流、温度传感器，降落了故障诊断的本钱。由于干系系数的固有特性是描述两变量趋势的附近程度而非详细值是否附近，因而本文基于干系系数的诊断算法适用于不同类型的电池，具有高通用性，并通过数学推导和Simulink仿真证明了该方法的通用性和有效性，通过迭代打算和打算窗口担保了算法灵敏度。试验结果表明，该算法不仅可以准确诊断各种连接松脱故障，并可以战胜电池内阻、电压不一致的影响，可用于不同类型电池，具有完备的适用性和通用性，且完备知足车载运用对实时性和灵敏度的哀求，能在故障发生5 s内报警并准确定位，可运用于实车电池管理系统中。
