基于模糊神经网络的动力电池故障诊断研究

赵士博 申彩英 郭增江

摘 要：汽车动力电池的某些故障比较容易诊断 比如过压、过充、SOC异常等故障 但也存在一些不明显的故障 如电池容量变小、电池内阻大等 无法通过实时采集的电池数据进行诊断。文章便是针对这类故障对电池充放电历史数据进行分析诊断 然后结合模糊理论与神经网络设计电池故障诊断系统。

关键词：动力电池;故障诊断;模糊理论;神经网络

中图分类号：U464.9+3  文献标识码：A  文章编号：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

電池故障的发生受许多因素的影响 电池中表现出来的故障症状与故障原因之间存在非常大的不确定性和模糊性。本文针对电池故障原因的不确定性、模糊逻辑和神经网络的综合优势 提出了一种基于模糊神经网络的电池故障诊断系统。数据通过利用实验室新威高性能电池检测系统进行电池故障实验 得到实验结果后 计算隶属度。之后用MATLAB构建神经网络模型并进行训练 将BP神经网络与径向基神经网络进行比较 最终选择径向基神经网络。所设计的故障诊断系统进行仿真试验 结果表明 该系统能够正确诊断电池故障的原因 并给出各种电池故障的严重程度 因此该系统可应用于对电池管理系统中的电池故障原因进行准确诊断分析和报警 提高电池使用的安全性。

本文基于模糊神经网络对电动汽车动力电池故障诊断研究 主要进行诊断的故障是电池容量变小、内阻过大、充电不足 这些故障不会很明显的表现出来 需要对电池充放电数据进行分析 这里主要用到的数据是电池充放电电压。设计的锂离子动力电池故障诊断系统 如图1所示：

输入部分包括：充电电压上升快/慢、放电电压下降快、充电电压高/低、放电电压低;模糊化部分求故障隶属度 然后组成模糊向量集合;神经网络部分是运用神经网络 通过电池的故障症状进行推理诊断 诊断产生故故障的原因;清晰化是去模糊化 组成故障隶属度集合向量;输出是不能直接测出来的故障包括：电池容量变小、内阻过大、充电不足 之后可以确定故障严重度。

1 充放电实验

实验设备及所需要电池：实验室新威高性能电池检测系统 计算机 贴上标签的正常18650锂电池和故障电池（分别为容量变小、内阻变大及充电不足各自贴上标签）若干块。

1.1 充放电实验前准备

将电池连接仪器 计算机上设置程序将电池充电饱和。设置程序为：以1C电流恒流充电至4.2V（上限）;恒压充电至电流下降至0.05C;静置10min;结束。最后拿下电池 重复以上实验步骤将所有电池充电饱和。

1.2 锂电池充放电

连接电池 设置以下程序：

放电过程：以1C电流恒流放电至2.8V（下限）;静置10min。

充电过程：以1C电流恒流充电至4.2V（上限）;然后恒压充电至电流下降至0.05C;静置10min;结束。

实验用的电池都进行以上实验步骤 记录下来。在检测系统中可以得到每块锂电池的充放电实验历史数据以及充放电曲线。

1.3 故障锂电池充放电

放电过程（电压下降）：选某时刻故障锂电池电压值 以及相同时刻贴有正常电池标签的几块电池的平均值。采集某段时间前后两次故障电池电压数据得到电压变化值 以及正常电池同段时间前后两次电压数据的平均值得到平均变化值。

充电过程（电压上升）：同理选某时刻故障锂电池电压值 以及相同时刻贴有正常电池标签的几块电池的平均值。

采集某段时间前后两次故障电池电压数据得到电压变化值 以及正常电池同段时间前后两次电压数据的平均值得到平均变化值。得到电池的电压数据可以求隶属度 建立训练样本。

2 故障诊断系统仿真测试

锂电池的隶属度函数结合电池资料及实验得到。根据不同症状下充放电实验得到的数据 采用相应的隶属度函数计算故障症状隶属度。

当充电时电压过高、上升过快 放电时电压过低、下降过快时 则故障是锂电池容量变小; 当充电时电压过高 放电时电压过低 则故障是锂电池内阻过大; 当放电时电压过低、下降过快 充电时电压过低 则故障是锂电池充电不足。

这里电压高低的标准是同一时刻与多块正常电池重复实验得到的数据平均值比较 快慢的标准是故障电池在相同时间段内充放电的电压差值与正常实验压差比较。根据输入与输出的对应关系 做出神经网络的训练样本。

2.1 BP神经网络训练与测试

选择0.8 0.7 0.6 0.7 0 0.1这组数据作为测试样本 在MATLAB中输入程序得到：

123依次为容量变小 内阻过大 充电不足 可以看到测试电池内阻过大和充电不足故障非常严重 充电不足故障非常轻微 可以知道隶属度。RBF神经网络结构简单 训练速度较快 因此诊断系统选择RBF神经网络。

3 总结

本文结合模糊逻辑和RBF神经网络设计动力电池故障诊断系统。诊断系统能准确诊断出电池的几种故障并给出故障严重程度 当电池出现多故障时也能准确诊断出故障原因。

参考文献

[1] 古昂，张向文.基于RBF神经网络的动力电池故障诊断系统研究[J].电源技术，2016，40（10）：1943-1945.

[2] 张俊.基于神经网络的纯电动汽车动力电池系统故障诊断[J].电子技术与软件工程，2018（24）：234-235.

[3] 朱碧辉.纯电动汽车动力系统分析与故障诊断研究[D].湖北汽车工业学院，2017.

[4] 马力.基于强化学习改进的模糊神经网络及其应用研究[D].西安电子科技大学，2011.