基于模糊神經網絡的動力電池故障診斷研究

趙士博 申彩英 郭增江

摘 要：汽車動力電池的某些故障比較容易診斷 比如過壓、過充、SOC異常等故障 但也存在一些不明顯的故障 如電池容量變小、電池內阻大等 無法通過實時采集的電池數據進行診斷。文章便是針對這類故障對電池充放電歷史數據進行分析診斷 然后結合模糊理論與神經網絡設計電池故障診斷系統。

關鍵詞：動力電池;故障診斷;模糊理論;神經網絡

中圖分類號：U464.9+3 ?文獻標識碼：A? 文章編號：1671-7988（2020）18-07-03

Abstract： Some obvious faults of vehicle power battery are easy to diagnose， such as overvoltage， overcharge， abnormal SOC， etc.， but there are also some non-obvious faults， such as battery capacity becoming smaller， battery internal resistance being large， etc.， which can not be diagnosed by real-time collected battery data， but need to analyze and diagnose the battery charging and discharging historical data. Then the battery fault diagnosis system is designed by combining fuzzy theory with neural networ.

Keywords： Power battery; Fault diagnosis; Fuzzy theory; Neural network

CLC NO.： U464.9+3? Document Code： A? Article ID： 1671-7988（2020）18-07-03

前言

電池故障的發生受許多因素的影響 電池中表現出來的故障癥狀與故障原因之間存在非常大的不確定性和模糊性。本文針對電池故障原因的不確定性、模糊邏輯和神經網絡的綜合優勢 提出了一種基于模糊神經網絡的電池故障診斷系統。數據通過利用實驗室新威高性能電池檢測系統進行電池故障實驗 得到實驗結果后 計算隸屬度。之后用MATLAB構建神經網絡模型并進行訓練 將BP神經網絡與徑向基神經網絡進行比較 最終選擇徑向基神經網絡。所設計的故障診斷系統進行仿真試驗 結果表明 該系統能夠正確診斷電池故障的原因 并給出各種電池故障的嚴重程度 因此該系統可應用于對電池管理系統中的電池故障原因進行準確診斷分析和報警 提高電池使用的安全性。

本文基于模糊神經網絡對電動汽車動力電池故障診斷研究 主要進行診斷的故障是電池容量變小、內阻過大、充電不足 這些故障不會很明顯的表現出來 需要對電池充放電數據進行分析 這里主要用到的數據是電池充放電電壓。設計的鋰離子動力電池故障診斷系統 如圖1所示：

輸入部分包括：充電電壓上升快/慢、放電電壓下降快、充電電壓高/低、放電電壓低;模糊化部分求故障隸屬度 然后組成模糊向量集合;神經網絡部分是運用神經網絡 通過電池的故障癥狀進行推理診斷 診斷產生故故障的原因;清晰化是去模糊化 組成故障隸屬度集合向量;輸出是不能直接測出來的故障包括：電池容量變小、內阻過大、充電不足 之后可以確定故障嚴重度。

1 充放電實驗

實驗設備及所需要電池：實驗室新威高性能電池檢測系統 計算機 貼上標簽的正常18650鋰電池和故障電池（分別為容量變小、內阻變大及充電不足各自貼上標簽）若干塊。

1.1 充放電實驗前準備

將電池連接儀器 計算機上設置程序將電池充電飽和。設置程序為：以1C電流恒流充電至4.2V（上限）;恒壓充電至電流下降至0.05C;靜置10min;結束。最后拿下電池 重復以上實驗步驟將所有電池充電飽和。

1.2 鋰電池充放電

連接電池 設置以下程序：

放電過程：以1C電流恒流放電至2.8V（下限）;靜置10min。

充電過程：以1C電流恒流充電至4.2V（上限）;然后恒壓充電至電流下降至0.05C;靜置10min;結束。

實驗用的電池都進行以上實驗步驟 記錄下來。在檢測系統中可以得到每塊鋰電池的充放電實驗歷史數據以及充放電曲線。

1.3 故障鋰電池充放電

放電過程（電壓下降）：選某時刻故障鋰電池電壓值 以及相同時刻貼有正常電池標簽的幾塊電池的平均值。采集某段時間前后兩次故障電池電壓數據得到電壓變化值 以及正常電池同段時間前后兩次電壓數據的平均值得到平均變化值。

充電過程（電壓上升）：同理選某時刻故障鋰電池電壓值 以及相同時刻貼有正常電池標簽的幾塊電池的平均值。

采集某段時間前后兩次故障電池電壓數據得到電壓變化值 以及正常電池同段時間前后兩次電壓數據的平均值得到平均變化值。得到電池的電壓數據可以求隸屬度 建立訓練樣本。

2 故障診斷系統仿真測試

鋰電池的隸屬度函數結合電池資料及實驗得到。根據不同癥狀下充放電實驗得到的數據 采用相應的隸屬度函數計算故障癥狀隸屬度。

當充電時電壓過高、上升過快 放電時電壓過低、下降過快時 則故障是鋰電池容量變小; 當充電時電壓過高 放電時電壓過低 則故障是鋰電池內阻過大; 當放電時電壓過低、下降過快 充電時電壓過低 則故障是鋰電池充電不足。

這里電壓高低的標準是同一時刻與多塊正常電池重復實驗得到的數據平均值比較 快慢的標準是故障電池在相同時間段內充放電的電壓差值與正常實驗壓差比較。根據輸入與輸出的對應關系 做出神經網絡的訓練樣本。

2.1 BP神經網絡訓練與測試

選擇0.8 0.7 0.6 0.7 0 0.1這組數據作為測試樣本 在MATLAB中輸入程序得到：

123依次為容量變小 內阻過大 充電不足 可以看到測試電池內阻過大和充電不足故障非常嚴重 充電不足故障非常輕微 可以知道隸屬度。RBF神經網絡結構簡單 訓練速度較快 因此診斷系統選擇RBF神經網絡。

3 總結

本文結合模糊邏輯和RBF神經網絡設計動力電池故障診斷系統。診斷系統能準確診斷出電池的幾種故障并給出故障嚴重程度 當電池出現多故障時也能準確診斷出故障原因。

參考文獻

[1] 古昂，張向文.基于RBF神經網絡的動力電池故障診斷系統研究[J].電源技術，2016，40（10）：1943-1945.

[2] 張俊.基于神經網絡的純電動汽車動力電池系統故障診斷[J].電子技術與軟件工程，2018（24）：234-235.

[3] 朱碧輝.純電動汽車動力系統分析與故障診斷研究[D].湖北汽車工業學院，2017.

[4] 馬力.基于強化學習改進的模糊神經網絡及其應用研究[D].西安電子科技大學，2011.