基于模糊神經網絡的船用鋰電池故障診斷的研究

陳曉彬，俞萬能

（集美大學輪機工程學院，船舶與海洋工程福建省重點實驗室，福建省廈門市 361021）

?

基于模糊神經網絡的船用鋰電池故障診斷的研究

陳曉彬，俞萬能

（集美大學輪機工程學院，船舶與海洋工程福建省重點實驗室，福建省廈門市 361021）

摘 要：本文針對鋰電池組成的船舶儲能系統，分析鋰電池的故障模式和表現特征，建立基于模糊神經網絡鋰電池組故障診斷模型，通過實驗數據進行模型訓練并進行仿真。仿真結果證明所提出的模型的正確性，實現鋰電池的故障預警，提高系統運行穩定性。

關鍵詞:MATLAB，故障診斷，模糊神經網絡，鋰電池

0 引言

太陽能和風能等新能源在小型船舶上的應用越來越普遍，比如景區湖泊和內河等配備的游覽觀光船舶。由于景區行駛距離較短，對船舶續航能力等要求較低，但卻有低的噪音、環保、性能可靠等要求，因而合適用太陽能作為能源。

景區在使用游覽觀光船舶時，由于船舶自身的工作人員技術經驗和力量的有限，往往在船舶故障監測與診斷、維修決策等方面都存在問題。

因此，從船舶可靠性、維修性和經濟性來考慮，如果能夠運用當今先進的計算機和通訊技術對船舶進行遠程故障診斷，即把船舶上對安全影響非常重要的參數實時地傳到陸上故障診斷系統,遠程實時監測船舶運行狀態，實現對潛在故障的預測，并及時提供故障報警和診斷，這對保障船舶航行安全、提高維修效率、減少船舶維修費用都有大的幫助。

模糊神經網絡從20世紀80年代提出后，發展至今，不僅在理論研究上取得了進展，也已開始應用于工業生產和人們生活中的許多領域[1]。

它的優點是將模糊理論與神經網絡融合使用，實現了故障診斷中對不精確或不確定等模糊信息的處理，克服傳統神經網絡不能很好處理邊界分類模糊數據故障的誤診斷問題，同時也讓基于規則的結構性知識能夠得到學習和調整[2-5]。因此，模糊神經網絡在圖像的處理、模式的識別、工業的生產控制等各個領域取得了豐碩成果，其已用于人臉識別系統的研發、復雜操作要求機械設備的控制、機械故障的診斷等[6,7]。

1 船用鋰電池組系統分析

本文所研究的某景區太陽能游覽船舶所使用電池為磷酸鐵鋰電池，每艘船上使用的鋰電池組共8箱，每箱鋰電池由30節鋰電池串聯并聯組成，單節鋰電池標稱電壓3.2 V，容量100 Ah，每箱總電壓為48 V，容量200 Ah，充電終止電壓3.65 V，放電終止電壓2.8 V，最大充電電流200 A，最大放電電流200 A。

鋰電池組是太陽能游覽船舶的重要組成部分，它供電給船上各種用電設備和船舶推進電機，而它也是游覽船舶可能發生的故障的主要來源。因此對該鋰電池進行分析研究，對診斷其可能發生的故障，是十分重要的。

根據該磷酸鐵鋰電池的相關技術參數和其使用環境，結合鋰電池故障分析的知識，對該船用鋰電池的故障進行如下分析。

該鋰電池在工作中主要出現的故障癥狀有：電池放電電壓低（x1）、放電電壓下降快（x2）、充電電壓高（x3）、充電電壓上升快（x4）、充電電壓低（x5）、電壓遠低于平均電壓（x6）、充電電壓上升慢（x7）、靜置時電壓下降快（x8）、充放電時電池溫度過高（x9）[8]。

結合實際現場診斷的經驗和歸納，該鋰電池在使用中實際出現故障的原因有：鋰電池容量變小、鋰電池內阻過大、鋰電池充電不足、鋰電池自放電過大、鋰電池損壞、鋰電池接線連接異常。

各故障的癥狀和原因的關系分析如下：

1）當充電時電壓過高、上升過快，放電時電壓過低、下降過快時，則故障原因是鋰電池容量變小；

2）當充電時電壓過高，放電時電壓過低，則故障原因是鋰電池內阻過大；

3）當放電時電壓過低、下降過快時，充電時電壓過低，則故障原因是鋰電池充電不足；

4）當放電時電壓下降過快，電壓遠低于平均電壓，則故障原因是鋰電池損壞；

5）當充電時電壓上升過慢，放電時電壓下降過快，靜置時電壓下降過快，則故障原因是鋰電池自放電過大；

6）當充電時電壓過高，充放電時，電池溫度過高，則故障原因是鋰電池接線連接異常。

2 船用鋰電池的模糊神經網絡故障診斷模型

根據上文對該鋰電池系統的分析，首先對故障征兆和故障原因分別進行模糊化處理，從而使神經網絡的訓練樣本更精確；然后建立神經網絡，根據模糊規則，進行故障原因的學習訓練，得出模糊化的故障原因數據；最后將輸出結果經反模糊化處理，輸出最終的診斷結果。其結構圖如圖1所示：

圖1 診斷模型的結構圖

2.1模糊化處理

結合對該鋰電池的試驗和診斷方面的實踐，將各故障癥狀作為輸入變量，并進行模糊化處理，根據實際測試和專家經驗，做出各故障癥狀的隸屬度分布如下：

“電池放電電壓低”＝1/＜50%+0.8/＜30%+ 0.5/＜15%+0.3/＜10%+0/正常；

“電池放電電壓下降快”=1/＞30%+0.8/＞20%+ 0.5/＞10%+0.3/＞5%+0/正常；

“電池充電電壓高”＝1/＞50%+0.8/＞30%+ 0.5/＞15%+0.3/＞10%+0/正常；

“電池充電電壓上升快”=1/＞30%+0.8/＞20%+ 0.5/＞10%+0.3/＞5%+0/正常；

“電池充電電壓低”＝1/＜50%+0.8/＜30%+ 0.5/＜15%+0.3/＜10%+0/正常；

“電池電壓遠低于平均電壓”=1/＜1.2V+0.8/＜1V+0.5/＜0.8V+0.3/＜0.5V+0/正常；

“電池充電電壓上升慢”=1/＜30%+0.8/＜20%+ 0.5/＜10%+0.3/＜5%+0/正常；

“電池靜置電壓下降快”=1/＞30%+0.8/＞20%+ 0.5/＞10%+0.3/＞5%+0/正常；

“電池溫度過高”=1/＞62℃+0.8/＞60℃+ 0.5/＞58℃+0.3/＞56℃+0/正常。

結合實際和試驗結果，對故障原因的故障模糊范疇進行描述，故障存在的程度可以按如下化分：故障不存在、不太可能存在、不確定是否存在、可能存在、故障存在，對應的隸屬度化分如下：0-0.2、0.2-0.4、0.4-0.6、0.6-0.8、0.8-1。

2.2數據獲取和樣本采集

針對設計的對象，是使用于市區內湖的太陽能游覽觀光船舶，因此在數據獲取，應根據這些實際情況和特點進行針對性的設計。

該船舶上采用的是PLC控制系統，船舶所處地域移動網絡信號覆蓋完好，且因傳遞的數據量不大，故選用基于GPRS的DTU設備，通過RS232接口實現DTU與船舶上的PLC控制系統數據傳遞。然后由DTU將鋰電池各參數的實時數據通過GPRS網絡傳遞到Internet網絡，最后由計算機上的故障診斷終端軟件進行接收處理[9]。

根據專家經驗和試驗歸納，得到如表1和表2所示的故障征兆與故障原因對應關系的模糊規則庫，表中的數據即模糊神經網絡的訓練樣本。

表1 鋰電池的故障征兆

2.3模糊神經網絡的建立和訓練

模糊神經網絡的建立和普通神經網絡的建立是相同的，都是通過對訓練樣本的學習，調整輸入層和輸出層之間的權值，最后得到逼近樣本所確定的函數。

神經網絡按拓撲結構和學習算法，可分為以下四大類型：前饋網絡、反饋網絡、競爭網絡和隨機網絡。本文選用的BP網絡屬于前饋網絡。BP網絡是De.E.Rumelhart和J.L.McClelland提出的一種利用誤差反向傳播訓練算法的神經網絡[10]。在進行 BP 網絡的設計時，一般應從網絡的層數、每層中的神經元個數以及傳遞函數等幾個方面來進行考慮。

表2 鋰電池的故障原因

根據上文表中的訓練樣本，利用MATLAB中的Neural Network Toolbox(神經網絡工具箱)，建立三層BP神經網絡的進行樣本訓練。輸入層有9個輸入點，分別對應故障征兆x1-x9，輸出層有6個節點，分別對應故障原因y1-y6,設定訓練的最大循環次數為1000次，學習速率為0.1,目標誤差平方和指標為0.0001，因為模糊邏輯隸屬度取值在[0，1]之間，所以輸出層傳遞函數選取S型對數函數（logsig），它將輸入的范圍從（-∞，+∞）映射至（0，1），可與模糊邏輯很好的對應起來，隱含傳遞函數選取雙曲正切S型函數（tansig）。采用L-M算法（反向傳播算法）對該網絡進行訓練，所以訓練函數選取trainlm。結合Kolmogorov定理，結合對網絡收斂性、收斂速度和仿真精度等要求的考慮，經過不斷嘗試后，選取隱含層節點數為6個。

該模糊神經網絡的訓練，在經過10次訓練后就收斂了，誤差為0.000016。運行結果如圖3所示。

3 模糊神經網絡故障診斷模型的驗證及結果分析

為了檢驗模糊神經網絡故障診斷模型的準確性，首先將樣本數據作為輸入，輸入到建立的模糊神經網絡故障診斷模型中，將測試輸出的結果，按最大隸屬度法則經過反模糊化處理后和樣本值進行對比，如圖4，從圖可見模型的測試輸出值與樣本值基本重合，滿足擬合的精度要求。

圖4 樣本值與測試輸出值對比圖

然后使用三組鋰電池的實際故障數據對診斷模型進行測試，容量變小的鋰電池故障數據P1-[0.8 0.7 0 0 0 0.1 0 0 0.1]，自放電過大的鋰電池故障數據P2-[0.1 0.7 0 0 0 0 0.6 0.8 0]，鋰電池接線連接異常的故障數據P3-[0 0 0.7 0 0 0 0 0.5 0.9]。將三組數據輸入到建立的模糊神經網絡故障診斷模型中進行計算，運行得到的結果，如表3所示。

表3 故障診斷模型的輸出

對該輸出的結果，根據最大隸屬度法則進行輸出數據的反模糊化處理，處理后的結果，如表4所示。故可知三組數據的故障診斷結果分別為Y1、Y5、Y6，即分別為鋰電池容量變小、鋰電池自放電過大、鋰電池接線連接異常，與實際故障原因相符合。

表4 故障診斷模型輸出數據的反模糊化

4 結束語

因此，通過測試的結果證明了本文所提出的模糊神經網絡故障診斷模型的正確性，可以比較好的完成對該船用鋰電池的故障診斷，實現鋰電池的故障預警，提高系統運行穩定性。

而決定該模型準確性的關鍵是樣本數據的確定和模糊神經網絡各參數的設置，樣本數據是結合專家經驗和鋰電池實際使用過程中積累的經驗而得到的，通過對該樣本數據的不斷修正和增加，將使建立的模糊神經網絡的故障診斷模型準確度更高，診斷結果更可靠。

參考文獻：

[1]Garcia F J,Izquierdo V,Luis M J.de,et al.Fault-diagnostic system using analytical fuzzy redundancy[J].Engineering Application of Artificial Intelligence,2000,13(2):441-450.

[2]程冰.模糊神經網絡研究[D].廣東工業大學,2005.

[3]姜長元.模糊神經網絡模型及其應用研究[D].南京師范大學,2005.

[4]王雪苗.模糊神經網絡優化及應用研究[D].大連理工大學,2006.

[5]伍世虔,徐軍.動態模糊神經網絡-設計與應用[M].北京:清華大學出版社,2008.

[6]李醫民,胡壽松.模糊神經網絡技術在故障診斷中的應用[J].系統工程與電子技術,2005,(5):948-952.

[7]鞠初旭.模糊神經網絡的研究及應用[D].電子科技大學,2012.

[8]楊飛.磷酸鐵鋰動力電池管理系統的研究[D].重慶大學,2010.

[9]李素文,吳永紅,俞萬能.基于GPRS與Delphi的太陽能游覽船無線監控中心設計[J].中國造船,2014,(4):159-163.

[10]李國勇,楊麗娟.神經模糊預測控制及其MATLAB實現[M].北京:電子工業出版社,2013.

Fault Diagnosis of Marine Lithium Batteries Based on Fuzzy Neural Network

Chen Xiaobin,Yu Wanneng
(School of Marine Engineer,Jimei University & Fujian Province Key Laboratory of Naval Architecture and Marine Engineering,Xiamen 361021,Fujian,China)

Abstract:Aimed at ship’s energy storage system with the lithium battery,this paper analyzes the features and failure modes of lithium batteries,and sets up a failure diagnosis model for lithium batteries based on fuzzy neural network.The model training and simulation are accomplished through the experimental data.The simulation results demonstrate the correctness of the proposed model.The fault warning for lithium battery is realized and the operating stability of the system is improved.

Keywords:MATLAB; fault diagnosis; fuzzy neural network; lithium battery

作者簡介：陳曉彬（1988-），男，碩士研究生。研究方向：船舶新能源電力系統、船舶電力推進。俞萬能（1970-），男，博士，教授。研究方向：船舶電力推進、船舶新能源應用、船舶智能控制。

收稿日期：2015-11-04

中圖分類號：TM911.14

文獻標識碼：A

文章編號：1003-4862（2016）02-0022-04

資助項目：交通部科技項目（2015329815160），福建省科技重點項目（2013H0034），福建省自然科學青年基金項目(2013J05081)