1.一种软包电池传感器故障在线检测方法,其特征在于,所述方法包括如下步骤:步骤S100:测量并记录电池输入电流和端电压数据,通过热电偶传感器采集软包电池表面温度数据,将所述输入电流和所述端电压数据表达成预设向量形式得到输入电流向量和端电压数据向量,将所述软包电池表面温度数据表达成预设矩阵形式得到温度数据矩阵;
步骤S200:对所述温度数据矩阵采用KL分解法得到奇异值矩阵,从所述奇异值矩阵中选取最大的个奇异值,并计算得到对应的基函数矩阵,根据所述基函数矩阵和所述温度数据矩阵得到主元矩阵;
步骤S300:利用滚动时域的在线学习方法,根据所述主元矩阵、所述输入电流向量和所述端电压数据向量对预设的预测模型进行训练和验证,得到对应时刻的温度数据的估计值;
步骤S400:获取一时刻的热电偶温度数据测量值,根据所述热电偶温度数据测量值和所述对应时刻的温度数据估计值得到故障检测残差,根据所述故障检测残差、预设的残差评估函数和预设的故障检测阈值得到检测结果。
2.根据权利要求1所述的方法,其特征在于,步骤S100中将所述输入电流和所述端电压数据表达成预设向量形式,将所述软包电池表面温度数据表达成预设矩阵形式,具体为:其中, 和 分别为测量的端电压数据向量和电流数据向量, 为时间步长,为 个热电偶测量的温度数据矩阵。
3.根据权利要求2所述的方法,其特征在于,步骤S200包括:步骤S210:根据温度数据矩阵得到矩阵C,对所述矩阵C进行奇异值分解得到奇异值矩阵;
步骤S220:从所述奇异值矩阵中选取最大的 个奇异值,根据所述温度数据矩阵以及最大的 个奇异值对应的元素得到基函数矩阵;根据所述基函数矩阵和所述温度数据矩阵得到主元矩阵。
4.根据权利要求3所述的方法,其特征在于,步骤S210中根据温度数据矩阵得到矩阵C具体为:
其中, 为温度数据矩阵,为时间步长;
步骤S210中对所述矩阵C进行奇异值分解,具体为:其中, 为奇异值矩阵,矩阵U和V为按照特征值分解后计算出来的矩阵;
S220具体为:
其中, 为基函数矩阵, 为主元矩阵, 为矩阵 中对应 个最大奇异值的元素,降维后主元和特征向量的个数为 且满足条件 。
5.根据权利要求4所述的方法,其特征在于,步骤S300包括:步骤S310:利用滚动时域的在线学习方法,根据所述主元矩阵、所述输入电流向量和所述端电压数据向量对主元矩阵中每一个主元 进行单独训练,对于主元 ,第个训练窗口的输入矩阵为 , 的第一行为,第二行为
,以此类推,第m行为
;
其中, 是训练窗口的长度,每个训练窗口中具有 个批次,是每个批次中数据的长度,第一行 是第一
个批次的训练数据,以此类推,第 行是第 个批次的训练数据;
步骤S320:对每一个批次数据训练采用的训练算法均为套索算法,对应第 个窗口中的第 个批次参数估计的目标函数为:其中, 表示使后面式子达到最小值时的变量取值, 为 矩阵的第 行, 和 分别为第 个批次待估计参数向量和估计参数向量, 和 为基函数项和正则化系数, 和 分别表示欧氏空间2‑范数和1‑范数;
步骤S330:训练完第 个窗口的数据之后,采用如下的输入来验证所述第 个窗口训练的预设的预测模型:
对应的预设的预测模型验证输出 为 的估计值,其计算公式为:
其中, 为第 个批次估计参数向量;
步骤S340:对于所述第 个窗口的预设的预测模型验证输出 ,结合所述基函数矩阵获得对应的温度数据的估计值,具体为:其中, 为 时刻
个热电偶的温度数据估计值,
为 时刻 个主元的估计值, 为基函数矩阵;
步骤S350:当第 个训练窗口的第 个批次的数据训练完之后,从第 个训练窗口移动到第 个训练窗口,继续从第 个训练窗口的第一个批次开始训练到第 个训练窗口的第 个批次,直至所有的主元训练完毕。
6.根据权利要求5所述的方法,其特征在于,步骤S400中根据所述热电偶温度数据测量值和所述对应时刻的温度数据估计值得到故障检测残差包括:其中, 为故障检测残差, 为热电偶温度数据测量值,为对应时刻的温度数据估计值;
定义时域变换 ,得到如下故障检测残差:其中, 为 时刻的故障检测残差。
7.根据权利要求6所述的方法,其特征在于,步骤S400中根据所述故障检测残差、预设的残差评估函数和预设的故障检测阈值得到检测结果,包括:步骤S410:根据所述故障检测残差和预设的残差评估函数得到残差评估值,具体为:步骤S420:当所述残差评估值大于预设的故障检测阈值时,表明 时刻有故障,否则,时刻无故障,具体为:
其中, 为 时刻的残差评估值, 为预设的故障检测阈值。
8.根据权利要求7所述的方法,其特征在于,步骤S400还包括:步骤S430:当所述残差评估值大于故障检测残差的欧式空间的峰值范数的上确界时,将预设的预测模型的训练方式切换至离线模式,当所述预设的预测模型的训练方式处于离线模式时,估计参数向量 不再实时更新,保持切换前时刻的数值;否则,预设的预测模型的训练方式继续保持在线模式。