【用户成果】武汉理工大学熊斌宇团队 Batteries:基于多头自注意力深度学习的全钒液流电池泵故障智能诊断
第一作者:卢陆 通讯作者:熊斌宇&王少晋 通讯单位:武汉理工大学 工作简介 全钒液流电池(VRB)具有高安全性、长循环寿命和容量设计灵活等优势,是大规模储能领域的重要技术选择。然而,循环泵故障会扰乱电解液流动与物质传输,引起端电压异常和电化学不稳定,而传感器信号与运行工况之间又存在显著的非线性耦合,使泵故障的准确识别面临挑战。针对上述问题,研究团队提出了TCN-LSTM-MATT混合深度学习模型:利用时域卷积网络提取局部动态特征,借助长短期记忆网络表征故障演化的长期依赖关系,并通过多头自注意力机制自适应突出关键时间位置。基于专门搭建的VRB泵故障实验平台,研究在500 mA、1000 mA和1500 mA等不同电流条件下开展验证。结果表明,模型的总体诊断准确率达到99.25%,三类泵故障的诊断精度均超过90%,表现出良好的识别能力与稳定性。 相关成果以“Intelligent Pump Fault Diagnosis for Vanadium Redox Flow Battery Using Deep Learning with Multi-Head Self-Attention”为题发表在Batteries期刊上。 感谢武汉理工大学熊斌宇团队(王少晋博士)供稿! 本文所用VRB单电池测试实验平台 由武汉之升新能源有限公司提供 《2025年我司用户发表的液流电池论文合集》 研究背景 与密封型锂离子电池不同,全钒液流电池在运行过程中依赖正、负极电解液的持续循环。循环泵一旦发生流量下降、堵塞或停转,会导致反应物供应不足和质量传输失衡,进而表现为电压波动、局部电位异常及运行性能下降。因此,泵故障是VRB特有且直接影响系统安全与可靠性的关键故障模式。 一般来说,电池故障诊断方法主要包括基于物理模型、基于信息论以及数据驱动的方法。基于物理模型的方法具有较强的可解释性,但在动态工况和多故障耦合条件下往往面临建模复杂、参数难以准确获取等问题;基于信息论的方法计算量较小、易于部署,但故障指标与内部机理之间的联系相对有限。数据驱动方法能够从运行数据中学习复杂的非线性映射关系,已成为智能故障诊断的重要发展方向。然而,单一神经网络通常难以同时提取局部瞬态特征与长期时序依赖,也难以明确区分滑动窗口内不同时间位置对诊断结果的重要程度。 为应对这些挑战,武汉理工大学熊斌宇团队提出了TCN-LSTM-MATT泵故障诊断方法。该方法将电流、电压、荷电状态(SOC)、动态电阻变化量ΔR及电压变化率dU/dt作为输入,通过TCN、LSTM与多头自注意力模块的互补协同,实现对局部变化、长期演化和关键时刻信息的联合提取。同时,研究采用先划分原始连续数据段、再分别生成滑动窗口的方式,避免训练集与测试集因重叠窗口产生信息泄露,为模型性能评估提供了更加严格的数据基础。 核心内容 1. 提出的TCN-LSTM-MATT泵故障诊断框架 图4:用于VRB泵故障诊断的TCN-LSTM-MATT模型工作流程 所提出的诊断框架围绕“数据处理—混合时序特征提取—注意力加权—故障分类”展开,主要包含以下关键阶段。 步骤1:识别具有相同运行标签的连续原始时序数据段,并按照17:3的目标比例,以完整数据段为单位划分训练集和测试集,从源头上避免相邻或重叠样本跨集合分布。 步骤2:在训练集和测试集内部独立执行滑动窗口分割,窗口长度设为5、步长设为1,并以窗口最后一个时间步的标签作为样本标签。 步骤3:构建包含电流I、端电压U、SOC、ΔR和dU/dt的多维输入特征,以同时描述电池静态运行状态和泵故障引起的动态电压变化。 步骤4:利用扩张因果卷积提取故障信号中的局部变化模式和多尺度短期依赖,使模型能够识别泵停转前后出现的突变与局部波动。 步骤5:将TCN输出输入LSTM,通过门控记忆机制进一步捕捉泵故障演化过程中的长期时序依赖与状态变化趋势。 步骤6:采用多头自注意力机制计算滑动窗口内不同时间位置之间的关联,并对与故障诊断更相关的关键时刻赋予更高权重。 步骤7:通过全连接层和Softmax分类器输出正常状态、双侧泵故障、正极泵故障及负极泵故障四种运行状态的分类概率。 该框架并非简单叠加三种网络,而是利用TCN擅长局部时序模式提取、LSTM擅长长期依赖建模以及MATT擅长关键时间信息筛选的特点,实现多层次时序特征融合。 2. VRB泵故障实验与数据采集 图5:VRB泵故障数据采集实验平台 为获取可控、可重复的泵故障数据,研究团队搭建了由单电池系统、高精度电池性能测试系统和上位机监控系统组成的实验平台(VRB单电池测试实验平台由武汉之升新能源有限公司提供)。单电池系统配备Nafion N117质子交换膜、3 cm×3 cm石墨毡多孔电极、蛇形流道、两个200 mL电解液储罐及两台蠕动泵;正常运行流量设置为60 mL/min,电压数据采样频率为1 Hz。 实验考虑了正极泵故障、负极泵故障和双侧泵故障三种典型工况。为保证实验可控性,研究采用关闭对应循环泵30 […]
【用户成果】武汉理工大学熊斌宇团队 Batteries:基于多头自注意力深度学习的全钒液流电池泵故障智能诊断 Read More »