Robust Sensor Fault Diagnosis for Lithium-Ion Battery Systems Using an Electro-Thermal Model
Notice bibliographique
Résumé
Sensor faults can have a significant negative impact on battery system performance, and if not properly detected, may result in failure or safety issues. Hence, it is important to diagnose these faults in real time. Fault detection and isolation methods in battery systems mainly depend on current and voltage sensor measurements. This paper presents a model-based fault diagnosis approach for a Li-ion battery cell using an electro-thermal model. The proposed method uses the Extended Kalman Filter to estimate the state of charge and terminal voltage in real time. In addition, by incorporating a thermal model, the system not only enhances its fault detection capability by considering temperature effects but also effectively isolates various sensor faults, including current, voltage, and temperature sensor faults. Temperature-adaptive cumulative sum control charts are proposed to detect any small deviation between measured and estimated data, which indicates faults through adaptive process-related parameters. Moreover, the method demonstrates greater robustness against false alarms compared to the threshold method and maintains high fault detection performance even under noisy sensor measurements. The proposed fault diagnosis scheme is then validated by investigating different fault scenarios for each sensor through Li-ion battery cell experimental US06 drive cycle data, which demonstrates the effectiveness of the proposed method in modeling and fault diagnosis for various operating conditions in an electric vehicle battery system. The results demonstrate that the proposed method can be systematically tuned for different fault scenarios and operating temperatures, enabling accurate detection of various sensor faults across a wide temperature range with zero false alarms and minimal detection delay.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».