基于大数据的动力锂电池可靠性关键技术研究综述

李放, 闵永军, 张涌

Review of key technology research on the reliability of power lithium batteries based on big data

Fang LI, Yongjun MIN, Yong ZHANG

表 2 故障诊断方法总结与对比

Table 2 Summary and comparison of fault diagnosis methods

故障诊断方法 算法类型 参考文献 优点 缺点 机器学习 聚类方法 [25-27] 避免了单一阈值引起的虚警，准确定位故障 聚类参数的选取无明确规则 神经网络 [28-30] 预测精准度高，可实现未来状态预测 需求数据多，易陷入过拟合，调参复杂 集成学习 [31-32] 统计学和信号学 统计指标 [33-34] 方法简单，移植性好 阈值选择困难，易产生虚警或预警滞后 熵理论 [15]、[35]、 [37-39] 数据波动时能有效检测异常 数据波动达到一定程度故障才能被检测 相关系数 [36] 算法复杂度低，占用内存小 受噪声影响较大 信号分解 [40] 故障诊断灵敏，能识别早期细微故障征兆 在线应用受限 状态表示法 [41] 融合模型 统计指标+神经网络 [42] 统计学与神经网络的故障诊断结果互为验证 单体参数的分布情况未知 统计指标/信号分解+聚类方法 [43]、[45]、[47] 分级诊断节约平台内存，可在早期提前发现潜在故障 融合诊断模型构建复杂 信号分解+孤立森林 [46]