Gaussian process-based online health monitoring and fault analysis of lithium-ion battery systems from field data

要約

健全性の監視、障害分析、検出は、バッテリー システムの安全かつ持続可能な運用にとって重要です。
リン酸鉄リチウム電池フィールドデータにガウスプロセス抵抗モデルを適用して、時間依存の抵抗と動作点依存の抵抗を効果的に分離します。
データ セットには、保証のためにメーカーに返品された 29 個のバッテリー システムが含まれており、それぞれに 8 つのセルが直列に接続されており、合計 232 セルと 1 億 3,100 万のデータ行になります。
再帰的時空間ガウス過程を使用して確率的故障検出ルールを開発します。
これらのプロセスにより、100 万を超えるデータ ポイントの迅速な処理が可能になり、高度なオンライン監視が可能になり、現場でのバッテリー パックの故障の理解が深まります。
この分析は、多くの場合、単一セルのみが異常な動作またはニーポイントを示し、これは直列に接続されたセルの最弱リンク障害と一致し、局所的な抵抗加熱によって増幅されることを強調しています。
この結果は、現場でバッテリーがどのように劣化して故障するのかについての理解を深め、データに基づいた効率的なオンライン監視の可能性を実証します。
この記事のレビューが完了したら、コードをオープンソース化し、大規模なデータセットを公開します。

要約(オリジナル)

Health monitoring, fault analysis, and detection are critical for the safe and sustainable operation of battery systems. We apply Gaussian process resistance models on lithium iron phosphate battery field data to effectively separate the time-dependent and operating point-dependent resistance. The data set contains 29 battery systems returned to the manufacturer for warranty, each with eight cells in series, totaling 232 cells and 131 million data rows. We develop probabilistic fault detection rules using recursive spatiotemporal Gaussian processes. These processes allow the quick processing of over a million data points, enabling advanced online monitoring and furthering the understanding of battery pack failure in the field. The analysis underlines that often, only a single cell shows abnormal behavior or a knee point, consistent with weakest-link failure for cells connected in series, amplified by local resistive heating. The results further the understanding of how batteries degrade and fail in the field and demonstrate the potential of efficient online monitoring based on data. We open-source the code and publish the large data set upon completion of the review of this article.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google