基于貝葉斯網絡的電池管理系統故障診斷方法

陳嵐，范永清，張謙，馮小華，熊付強

(上海應用技術學院，上海201418)

基于貝葉斯網絡的電池管理系統故障診斷方法

陳嵐，范永清，張謙，馮小華，熊付強

(上海應用技術學院，上海201418)

針對電池管理系統工作環境復雜、故障不確定的特點，提出一種基于貝葉斯網絡的電池管理系統故障診斷方法。該方法利用領域專家知識確立故障節點、圍繞電池管理系統結構進行層次劃分，電池管理系統的歷史數據、檢修記錄表用來進行網絡的結構和參數學習。建立起電池管理系統故障診斷的貝葉斯網絡。將該網絡應用于電池管理系統的故障診斷，并針對不同故障進行實驗，結果驗證該方法在電池管理系統故障診斷上具有較高的區間正確率。方法為電池管理系統的故障診斷提供了新手段。診斷結論對電池管理系統的優化設計具有指導性意義。

貝葉斯網絡；鋰電池；電池管理系統；故障診斷

電池組在電動汽車領域、電網達不到的用電場所具有廣泛的應用。為防止電池濫用(如過充電、過放電、過熱和過電流等)導致的電池壽命嚴重衰減、甚至著火或爆炸等安全事故。同時，也為了解決串聯電池組中的單體電池一致性問題，實際應用中電池組必須使用電池管理系統對其進行管理。

電池管理系統通常由電池狀態監測、電池狀態分析、電池安全保護、能量控制管理、電池信息管理等子系統構成[1]。有的電池管理系統還具有內部通信總線與計算機通信鏈路等模塊，如圖1所示。

由于電池管理系統結構復雜、系統龐大，故障具有不確定性的特點，給故障的準確、快速定位，高效維修提出了挑戰。基于數據驅動的常用故障診斷方法如人工神經網絡、模糊邏輯等方法在故障結構確定的領域具有很好的診斷效果，但這些方法都不具備故障結構學習能力。

圖1 電池管理系統的基本結構

基于概率推理的貝葉斯網絡(Bayesian Net-work)方法不僅具有故障參數學習能力、還具有網絡結構學習能力。在解決復雜系統的不確定和關聯型故障診斷問題上有很大的優勢。在氣象預報[2]、機械系統[3]、市場分析[4]等領域均有廣泛應用。

本文首先針對電池管理系統，結合專家領域知識、歷史運行數據和故障檢修記錄表建立起用于電池管理系統故障診斷的貝葉斯網絡，并隨著數據、檢修記錄的加入對其不斷更新和優化。方法能夠提高電池管理系統的故障定位和維修效率。同時也有利于發現系統的薄弱環節，優化電池管理系統設計進而從根本上提升系統穩定性。

1 貝葉斯網絡方法

1.1 貝葉斯網絡的基本原理

貝葉斯網絡方法是一種基于概率分析、圖論的不確定性知識表達方法和推理模型。由節點和有向弧構成有向無環圖。節點代表論域中的變量即事件，有向弧代表變量間的直接因果關系。關系強度由兩節點上的條件概率來決定。這種表示方法，即準確反映事件之間的依賴關系，而條件概率反映了信息的不確定性。

在貝葉斯網絡的基礎上可進行概率推理，原理基于Bayesian定理，如式(1)所示。

P(A|B)是在B事件發生的情況下A事件發生的概率。P(A)、P(B)分別是事件A、B的先驗概率，P(B|A)是A事件發生的情況下B發生的概率。公式確立了事件A、B之間的內在聯系，并使得在A、B事件概率更新時修正事件之間的聯系強度。

貝葉斯推理過程實質是概率計算。推理分為因果推理、診斷推理、支持推理三種形式。電池管理系統的故障診斷，是貝葉斯網絡診斷推理在電池管理系統上的應用[5]。

1.2 基于貝葉斯網絡的故障診斷

用貝葉斯網絡方法進行故障診斷的過程實際上就是根據一定的故障征兆，推理得到某個或某些故障原因的過程。將故障征兆和故障原因作為網絡中的節點，當確定的故障征兆出現時，網絡根據節點之間的因果關系(即有向弧)和條件概率可以推理得出各種故障原因發生的概率，從而得到診斷結論。

貝葉斯故障診斷網絡不是一成不變的。在診斷應用中，有新的證據加入時，網絡結構和節點概率信息會更新，更新的信息沿網絡向各個節點傳播，使得所有節點的概率信息都得到更新。這種結構充分利用了系統或設備各組成和因素之間的相互聯系，體現了貝葉斯網絡易于更新的優點，根據更新后的概率信息便可進行診斷決策。

2 電池管理系統的貝葉斯網絡故障診斷方法

電池管理系統故障診斷貝葉斯網絡的建立包括故障節點分層、拓撲結構和網絡參數確定三方面的內容。

在建立貝葉斯網絡之前、需要先確定故障節點并進行編號，結合專家領域知識得到電池管理系統的37個故障節點，如表1所示。所有的節點都是兩態的，即只有故障(Fa)和非故障(Nor)兩種狀態。

2.1 對電池管理系統故障進行分層

在對電池管理系統故障進行分層之前，首先需要對其進行分析。按照從系統到部件、模塊，再到零件的“下降形”分析方法，將表1的故障節點依次分為：故障表現層、子系統層、二級故障層和三級故障層[6]。

故障表現層(證據層)：本層是電池管理系統人機界面指示的故障或具體故障表現的狀態，故障能夠第一時間被客戶所觀測到，為故障的定位提供方向。

一級故障層(子系統層)：是電池管理系統各個子系統的故障表現形式，如狀態監測系統故障、狀態分析系統故障、安全保護模塊故障、能量管理模塊故障、電池信息管理故障。

二級故障層：是子系統故障的具體表現形式，如電池安全保護子系統模塊下的過流保護、過充過放保護、過溫保護。

三級故障層，直接定位到電池管理系統的部件級別或者代碼級別，溫度傳感器故障和電流傳感器損壞即屬于該層故障。

2.2 基于領域知識構建貝葉斯網絡拓撲結構

在確定了貝葉斯網絡的故障節點和層次后，將不同層次的節點用有向弧連接起來。具體連接取決于各個節點之間的因果關系。由于電池管理系統的專業性，網絡結構的構造需要比較充分的專業知識。

(1)基于專家知識建立貝葉斯網絡

結合專家領域知識建立如圖2的層次貝葉斯網絡拓撲結構。

圖2 電池管理系統故障診斷貝葉斯網絡拓撲結構

專家領域知識也存在著一些如知識自動獲取能力不夠完善、知識因果中引入人的偏好和判斷等不充分的地方，而基于數據的結構學習法能夠避免專家知識數據之間的冗余，但在建網之初學習數據往往又不夠完善。結合以上兩種方式，構建基于專家知識與數據訓練的貝葉斯網絡，提升貝葉斯網絡的準確性和建網效率[7－8]。

(2)故障檢修記錄的離散化

在電池管理系統出現故障后，需要由售后服務網點進行檢修。形成檢修記錄表具體記錄了故障現象、維修的時間及維修方法。某條檢修記錄表如表2所示。

將該故障記錄和貝葉斯網絡的故障節點對應如表3所示。

為了方便處理，將故障節點矩陣化，可得該條故障信息對應的節點故障矩陣為：

依此方法可將其它故障檢修記錄加入節點故障矩陣。

(3)網絡結構學習

貝葉斯網絡結構學習被證明是非多項式算法(NP)難題。而在貝葉斯網絡建網的初期，故障的樣本還屬于不完整數據集。結構化期望最大化(SEM)學習法如式(2)所示是將參數期望最大化方法引用到不完備數據集的貝葉斯網絡的學習中，是期望最大化算法的一個推廣。該種學習方法效率和準確度上達到很好的效果。

式中：X為一組變量；J為一組缺值數據；z0為初始網絡結構；q0，0為初始參數值；R為兩次結構優化之間的參數優化次數；d為參數估計的收斂閾值。

從某電池管理系統初始模型結構z0和參數q0，0出發開始迭代，在進行了t次迭代得到了(zt，qt)后，第t+1次迭代由以下兩個步驟組成：基于(zt，qt)對數據進行修補，使之完整；基于修補后的完整數據Jt對模型及參數進行一步優化，得到(zt+1，qt+1)。

SEM不是每次迭代都同時優化模型結構和參數，而是先固定模型結構，即規定zt+1=zt進行數次參數優化后，再進行一次結構加參數優化，如此交替進行。當參數估計滿足收斂閾值條件d時迭代停止。

利用收集到的200條維修記錄構造節點故障矩陣進行網絡結構學習，學習后的結構如圖3所示。

圖3 200條檢修記錄學習后的網絡結構

專家領域知識認為故障節點8(SOC異常)和故障節點11 (狀態檢測模塊)之間沒有關聯，經過一次結構學習后說明他們之間是有關聯的，學習后更新網絡結構如圖4所示。

圖4 結合領域知識和一次結構學習后的貝葉斯網絡

結合專家領域知識和結構學習法對貝葉斯網絡結構進行了更新。獲得較多的故障數據后，網絡結構會得到更進一步的完善。

2.3 電池管理系統貝葉斯故障診斷網絡參數學習

電池管理系統中的信息管理子系統具有電池歷史信息存儲的功能，該功能記錄下電池狀態監測模塊檢測到的電池歷史數據。具體數據格式如表4所示。

假設α(Xi)表示貝葉斯網絡中i(i=1，2，3，…，10)根節點歷史記錄數據總數目，β(t，Xi)(t∈{Nor，Fa})代表Xi節點中處于t狀態的設備數目。由此可以得到貝葉斯網絡根節點的先驗概率：

正常狀態(t=Nor)的概率計算方式如式(3)：

故障狀態(t=Fa)的概率概率計算方式如式(4)：

表4中對根節點荷電狀態異常(8)的正常狀態和故障狀態

的數據條目數進行了統計，其故障概率和正常概率計算方式分別如式(5)、式(6)所示。確定貝葉斯網絡的結構和根節點先驗概率后，就可以進行參數學習了，即計算每個故障節點在貝葉斯網絡中的條件概率分布，作為下一步推理的依據。

3 貝葉斯網絡電池管理系統故障診斷的實現

BNT(Bayesian Net-work Toolbox)是Kevin P.Murphy基于Matlab語言開發的關于貝葉斯網絡學習的Matlab附加工具箱。提供了多種底層基礎函數庫，支持精確推理和近似推理、靜態模型和動態模。BNT是完全免費的軟件包，其代碼完全公開，系統的可擴展性良好，選擇BNT作為貝葉斯網絡推理的實驗工具。

推理的過程是由故障表現找出故障原因的過程，考慮本電池管理系統故障節點較多，網絡層次復雜、規模較大。本文采用BNT工具包中的聯合樹推理引擎來進行精確推理。如故障節點7(過/低壓不保護)=Nor，節點13(電池安全保護)=Nor，節點22(電池安全保護)=Nor，推理可得P(29=Nor|7=Nor)= 0.125 7，P(30=Nor|7=Nor)=0.423 3，P(31=Nor|7=Nor)=0.079，P (32=Nor|7=Nor)=0.895 2。因此認為當電壓保護出現故障時，應該首先檢察回路開關MOS的好壞。

不同數量故障檢修記錄下的貝葉斯網絡故障診斷情況如圖5所示。

從幾組數據對比可見，當訓練數據較少時貝葉斯網絡故障診斷準確率較低。隨著歷史數據和檢修記錄表的完善，診斷準確率會顯著增加。說明該故障診斷方法有利于電池管理系統故障狀態下，迅速準確的定位故障點。

圖5 不同數據下的貝葉斯網絡故障診斷正確率

4 結論

本文根據鋰電池管理系統故障的相互關系和交互信號，建立用于故障診斷的分層貝葉斯網絡，結合故障記錄表、專家領域知識建立和更新網絡結構、基于歷史數據確定根節點先驗概率。最后選用聯合樹傳播算法進行聯合概率推理，從而實現了電池管理系統的故障診斷，并驗證當訓練數據達到2 000以上時便可以具有較高的的精度。

貝葉斯網絡故障診斷能為故障定位提供參考，進而提升故障維修效率。同時也有利于確認系統重要度較高的模塊和組件，為系統的冗余設計提供指導，從而有效提升系統可靠性。

[1]許守平，侯朝勇，胡娟，等.儲能用鋰離子電池管理系統研究[J].電網與清潔能源，2014，50(2)：70-78.

[2]韓焱紅，矯梅燕，陳靜，等.基于貝葉斯理論的集合降水概率預報方法研究[J].氣象，2013，39(1)：1-10.

[3]陳東寧，姚成玉，黨振.基于T-S模糊故障樹和貝葉斯網絡的多態液壓系統可靠性分析[J].中國機械工程，2013，55(7)：899-905.

[4]葉進，林士敏.基于貝葉斯網絡的推理在移動客戶流失分析中的應用[J].計算機應用，2005，47(3)：673-675.

[5]黎清海，高慶.基于系統分層的故障診斷方法[J].儀器儀表學報，2005，29(10)：914-916.

[6]王雙成，林士敏，陸玉昌.用Bayesian網絡處理具有不完整數據的問題分析[J].清華大學學報：自然科學版，2000，65(9)：65-68.

[7]KHAKZAD N，KHAN F，AMYOTTEP.Safety analysis in process facilities:comparison of fault tree and bayesian network approaches[J].Reliability Engineering and System Safety，2011，96(8)：925-932.

[8]BROOKE P J，PAIGE R F.Fault trees for security system design and analysis[J].Computersand Security，2003，22(3)：256-264.

Faultdiagnosismethods forbatterymanagementsystem based on Bayesian network

CHEN Lan，FAN Yong-qing，ZHANGQian，FENG Xiao-hua，XIONG Fu-qiang
(Shanghai Institute ofTechnology，Shanghai201418，China)

A faultdiagnosismethod for batterymanagementsystem based on Bayesian networks was put forward to overcome the complex environment and the uncertainty of the faults.Expert know ledge was used to create failure nodes;the hierarchy was established around batterymanagement;the history data and maintenance records in the battery management system were used to build network structure and learn parameter.The fault diagnosis system based on Bayesian network for the battery management system was built.The network was applied to the battery managementsystem for faultdiagnosis.The resultof the experimentaimed atdifferent faults shows that themethod has higher range accuracy.Themethod provides a new means for faultdiagnosis，and is key to optim ize the battery managementsystem.

Bayesian network;lithium battery;batterymanagementsystem;faultdiagnosis

TM 912

A

1002-087X(2016)07-1396-03

2015-12-02

上海市科委重點項目(12ZZ189)

陳嵐(1968—)，女，江西省人，教授，主要研究方向為高速數字信號處理。