|
熵值主要就是计算信息熵，信息熵代表的是一种紊乱程度。下面的图就是利用熵值进行故障预警的例子。 
▲基于熵值的故障预警示例 有电压、电流、SOC；这些图看起来很乱，无法识别规律和异常，这里需要对它进行转化，转成对应的异常系数，异常系数就这个A，然后它就可以找出其中异常的电芯，比如上面图中这个（1小时前）图的71号电芯。就相当于它把这个（71号电芯）的特征明显化了。然后，下面的这张（一天前的）图也是一样的，它是一天之前的数据，同样发现了71号电芯有异常。
这个车子是在2016年5月9号的09：50：16~10：10：16发生的过压报警，属于平台二级故障报警。如果利用熵值这个方法，至少可以提前1个小时或一天发现这个问题。所以说，模型啊，特征呀，很大一部分是让混乱的数据中能看到规律，能明显地区分出正常和异常来。
它首先是选择一个时间窗口，这里面包括所有电芯的电压数据，uj1,uj2,….,ujk，然后对这个时间窗口在时间纬度上划分区间，一共有l个区间。通常，我们可以选择一贞就是一个区间，你也可以选择2贞，3贞，所以这里用区间，而没有用时刻。然后，利用熵值的计算公式Ej，计算得出每一个电芯的熵值，然后以这个窗口进行滑窗，得到一个时间段各电芯的熵值。这个熵值的公式理解，大家可以看后面一页的backup说明，这个公式比较难懂，消化需要一定的时间。
我举个例子，大家可能会更好地理解怎么算这些电压的熵值。比如说，以50帧为一个时间窗口，那我们就以一帧为一个片断，相当于l=50，同样的，我们假定电池包有96个电芯。
好。得到每个电芯电压的熵值后，我们还要计算一个数值A，它叫做异常系数。它是用熵值 －熵值的均值，然后再除以熵值标准差。它体现的是这个电芯距离熵值均值的距离，比如A=3就相当于是3sigma，就和前面的层次筛选类似，它其实也就是在找极小概率事件 。A在统计学上也叫做Z分数，这里给出了A评价的一个基本策略，这里的数值是通过试错法最终定出来的。第1级：当所有单体异常系数都满足｜A｜≤3.5时，被检测车辆电池电压无异常，是安全状态；第2级：当任何一个电芯异常系数满足3.5 <｜A｜<4时，被检测车辆的电池在二级预警状态，其中有异常电压的存在但暂时无电压故障风险；在这种情况下，继续观察几个小时，因为可能是由于车辆的运行状态突变引起的误报警；当电压异常下降到A｜≤3.5时，二级预警解除；第3级：当任何一个电芯异常系数满足｜A｜≥4时，被检测车辆电池发出异常报警。该电池组检测到异常电压，若不及时采取过压报警或欠压报警，有可能发生电压故障或热失控。首先，我截取一个时间窗口，以该窗口中的单体电压为对象；然后，利用熵值计算公式得到每个单体电压在该时间窗口下的熵值 ；然后，滑动窗口，生成熵值曲线。最后，计算熵值Z分数变异系数A，再根据A的数值与阈值进行比较。这里还有个地方要注意下，我们滑动窗口的时候要自己定义步伐，就是你一次要滑几帧数据。
|
