基于新能源汽车大数据的事故特征模式匹配追踪分析

2021-12-22抄佩佩丰俊献程端前

汽车工程学报 2021年6期

抄佩佩，丰俊献，程端前，刘川,

（1.中国汽车工程研究院股份有限公司，重庆 401122；2.重庆交通大学经济与管理学院，重庆 400074）

相比于传统燃油车，新能源汽车具有节能环保、高效低噪等优点。受到国家政策的支持和引导，我国新能源汽车产业目前处于高速发展期，2020 年产销量达到136 万辆，保持全球领先地位[1]。随着新能源汽车数量的增长，其安全问题也日渐突出，据不完全统计，2020 年新能源汽车发生的安全事故就有124 起，主要原因是动力电池失效所引发的热失控从而导致火灾事故，锂电池的热失控是动力电池安全事故的核心原因[2]。目前，关于新能源汽车事故分析方法主要局限于事故现场调查、事后统计分析以及试验定性测试方法[3]。方凯正等[4]针对新能源汽车安全事故的特征进行了事故的梳理和分析，发现新能源汽车安全事故涉及电池、整车、充电等方面，主要原因是电池发生热失控。苏晓倩等[5]根据新能源汽车燃爆事件的统计数据，针对新能源汽车的5 个子系统分析了其致因机制。佟丽珠[6]应用统计方法分析了新能源汽车事故发生的原因并提出相关发展建议。何佳星[7]以动力电池实时故障为研究对象，在新能源汽车实时行驶数据的基础上，实现对电池故障进行诊断以及预测。国外也有很多对于动力电池故障的研究，旨在通过动力电池的研究来解释新能源汽车事故发生的成因。如基于香农熵的锂离子电池组功率衰减故障识别[8]、电池荷电状态的不一致性研究[9]、电池系统内部短路的研究[10]以及电池寿命预测[11]等。

由于火灾事故涉及的因素较多，相互关联复杂程度高，通过现场调查以及试验测试等方法，一方面消耗较大的资源，另一方面对事故原因也较难下定论。新能源汽车目前都具备实时上传数据的能力，可以将各类数据看成数字信号，并用信号处理的方法对新能源汽车进行事故研究分析。小波变换和相关性分析是信号处理中常用的两种方法，小波变换是一种新的变换分析方法，并广泛应用于信号分析、语音合成、图像识别、计算机视觉等领域。SELVAN 等[12]使用小波变换对信号进行分解，得到正交的特征向量，再通过Kullback-Leibler 距离函数对图像纹理进行识别和分类，结果表明处理效果要优于传统的子带能量法。MUHAMMAD 等[13]提出了基于双树复小波变换的医学图像分辨率增强方法，使用双树复小波变换获得高频子带，通过内插法将对比度增强的低分辨率图像和逆小波变换后的高频子带进行组合，从而获得对比度增强的超分辨率图像。在信号相关性分析方面，孙秋菊[14]将信号间的相关性应用于工程信号处理，并通过Matlab 对其进行仿真，得出了基于信号相关性可以大大提高测试信号信噪比的结论。沈颖[15]针对工程测试信号处理中存在的信号间相关性，利用概率统计参量来描述信号内部及信号间不同形式的相关关系，从而揭示了信号间关联程度的内在规律，并通过实例展示了信号相关分析技术在实际工程测试中的应用。

综上所述，目前有关新能源汽车事故的研究分析主要来源于传统火灾事故调查，受到许多因素的限制，相对来说仍比较片面。信号处理技术作为一种新型技术，展现出了极强的功能性，并广泛应用于各种领域。当前，国内外关于信号处理的研究已非常成熟，但将信号处理方法用于新能源汽车事故的研究分析并不普遍。本文通过构建高斯滤波器提取新能源汽车电池模板信号的高阶微分特征，实现模板信号的变化模式解析，再将目标特征信号与模板特征信号作相关性计算，通过对事故车辆历史数据的分析挖掘以及与同类正常车辆的对比，并结合事故车辆现场调查可以更准确地发现事故的成因，有利于实现后期对火灾事故车辆的快速事故模式识别，提高事故调查深度和事故原因分析的效率，进一步提升新能源汽车缺陷分析与应急处置能力，从而有效维护消费者生命和财产安全。

1 高斯函数高阶导数

信号分析的本质是信号的特征提取，信号的特征通常指的是信号的变化特征，一个恒定不变的信号往往不具有绝对价值，因此，获取信号的变化特征更加有意义，如信号变化的速度、加速度或更高阶的速度。而观察速度的大小与所给观察信号的时间尺度有关，如某个时间内的平均速度、更大或更小时间段的速度，甚至瞬时速度，都与所选的时间窗密切相关，基于此提出基于高斯函数高阶导数的特征提取方法。

2 信号相关性计算

信号处理中经常需要对信号进行相关性分析，牵涉到信号相关的问题往往都会涉及大型的数据集。互相关在智能信号处理相关领域中，是用来表示两个信号之间相似性的一个度量，通过与确定信号比较，来寻找不确定信号的特性，它是确定信号与不确定信号之间相对于时间的一个函数，也可以称为滑动点积。自相关表示同一个信号不同时间段的相关程度，可以看作是信号与自身的延迟信号相乘后的乘积进行积分运算，在模式识别以及密码分析学等很多领域，信号的相关性分析都有广泛的应用。

式中：Rxx(m)表示信号x(k)与自身作卷积计算。

本文从自相关和互相关的角度，对新能源汽车事故数据进行模式特征匹配追踪研究，其中匹配代表信号的互相关，通过特征模板信号与其他车辆的全生命周期的特征信号进行互相关运算，横向分析其他车辆是否存在同样的事故模式。追踪即为信号的自相关，将事故发生时的模板信号经过滤波器组处理形成特征模板信号，再与经过同样滤波器组处理的全生命周期信号作相关运算，纵向分析事故车辆前中期是否存在此类事故模式。

3 匹配追踪算法

传统的新能源汽车事故分析往往会受到多方面因素的影响，并且存在复杂度高、资源消耗大的问题，本文以新能源汽车全生命周期数据为例，提出一套事故数据模式特征匹配追踪的方法，步骤如下：

（1）首先构造一组高斯高阶导数滤波器组v，a，g，g'。其中，v为高斯函数一阶导数；a为高斯函数二阶导数；g为高斯函数三阶导数；g'为高斯函数四阶导数，归一化后如图1 所示。

图1 高斯函数各阶导数

图2 特征匹配追踪算法流程

4 实例分析

4.1 数据来源

本文采用7 辆新能源汽车的历史数据作为试验数据，采集的数据来源于新能源汽车国家监管平台，并由新能源汽车自带电池管理系统检测上传。

4.2 模板信号提取

本文使用数据为7 辆新能源汽车的电压和温度，其中3 辆是事故车辆，另外4 辆是正常车辆，其中包含模板信号的事故车辆全生命周期电压、温度曲线如图3 所示。

图3 事故车辆电压、温度曲线

在生命周期末期，车辆发生自燃事故，且在数据层面表现出温度骤然上升并伴随着电压明显下降的明显特征，放大后如图4 所示。可以看出，图4的温度从30℃上升到100 多摄氏度，同时事故车辆的电压降低，因此，可以将这类特征看成一种事故特征模式，即电压下降、温度显著上升。将这一段电压、温度信号作为模板信号与高斯高阶导数滤波器作滤波，结果如表1 和表2 所示，得到4 个维度的特征信号并作为特征模板。再将滤波器与目标信号卷积同样得到4 个维度的信号，通过计算特征模板与新得到的特征信号的相关性，求得两段信号的相关程度，并进一步计算得到其联合概率。

表1 多维电压模板信号

表2 多维温度模板信号

图4 事故车辆电压、温度曲线

4.3 信号模式匹配追踪

4.3.1 纵向分析

事故纵向比较主要针对单车的全生命周期数据进行前后对比分析，由于新能源汽车火灾主要由动力电池系统的故障所引发，因而纵向比较主要针对事故车辆的故障电池在全生命周期内的演变过程进行分析，分析事故车辆在生命周期内其电压、温度等特征模式是否发生明显的异常变化。

将事故车辆全周期的电压、温度数据作为目标信号，利用构造的滤波器与其做卷积运算并提取特征，结果如表3 和表4 所示。

表3 多维电压全周期信号

表4 多维温度全周期信号

将多维电压模板信号特征与多维电压全周期信号特征作相关性计算，得到两组信号的相关程度，如图5 所示，上端曲线代表电压曲线，下端代表每一个点所对应的相关程度，即与模板信号的匹配程度。可以看出在生命周期前期，没有相关程度超过0.5的点，中期有较少点超过0.5，到了后期超过0.5 的点的次数更加频繁，当事故发生时，即电压曲线的末端，相对应的相关程度达到1。可初步判断，该事故车辆的电压波动在早期就存在异常，并且随着时间的推移，其波动与事故电压模板相关程度也随之增高，说明事故车辆发生事故并不是一蹴而就的，很多时候往往是事故风险特征逐渐累计，由“量变”引起“质变”，最终导致火灾事故的发生。

图5 事故车辆电压曲线及其相关程度

同理，将多维温度模板信号特征与多维温度全周期信号特征作相关性计算，结果如图6 所示，上端曲线代表温度曲线，下端代表每一个点所对应的相关程度，即与模板信号的匹配程度。可以看出超过0.5 的点只有两个，表明车辆运行较为稳定，并且温度相关性大的点基本出现在前期，中后期较少，而事故发生时其相关程度达到1。说明从温度上不易发现事故特征，温度的异常波动不是引起新能源汽车发生事故的主要原因，但发生事故时通常会伴随温度的上升。

图6 事故车辆温度曲线及其相关程度

4.3.2 横向分析

事故横向比较主要体现在事故特征模板信号与正常车辆之间或者其他事故车辆之间的相关程度表示。将提取得到的事故电压、温度曲线作为模板，以正常车辆或者其他事故车辆全周期数据为目标信号，利用事故特征模式匹配追踪算法对两辆事故车与4 辆正常车进行计算分析，正常车辆结果如图7所示，事故车辆结果如图8 所示，左图代表电压曲线及其相关程度，即与事故数据模式的匹配程度，中图代表温度曲线及其相关程度，右图代表两者的联合概率。

图7 为4 辆正常车辆的全生命周期电压、温度及其与特征模板的相关程度。可以看出正常车辆的电压相关程度基本在0.5 以下，温度相关程度在0.3以下，且联合相关概率均在0.5 以下。表明正常车辆在运行过程中较为稳定，从数据上来看和事故模式匹配程度不高。