基于RBF神經網絡的動力電池故障診斷系統研究

古　昂，張向文,2

(1.桂林電子科技大學電子工程與自動化學院，廣西桂林541004；2.廣西自動檢測技術與儀器重點實驗室(桂林電子科技大學)，廣西桂林541004)

基于RBF神經網絡的動力電池故障診斷系統研究

古昂1，張向文1,2

(1.桂林電子科技大學電子工程與自動化學院，廣西桂林541004；2.廣西自動檢測技術與儀器重點實驗室(桂林電子科技大學)，廣西桂林541004)

純電動車動力電池在性能、成本、壽命、安全性上的局限是制約電動車普及的關鍵問題。基于RBF神經網絡，設計了一套電池故障診斷系統，對動力電池組的故障進行預防和診斷。首先，利用dSPACE中的電池模型，模擬電池的故障，進行神經網絡的學習訓練，然后，利用三組測試數據對故障診斷系統進行測試。測試結果顯示，設計的系統可以準確診斷電池故障類型與故障級別。

純電動汽車；動力電池；RBF神經網絡；dSPACE；故障診斷

純電動汽車是解決目前的環保和能源問題的主要途徑，但是，動力電池的性能限制了純電動汽車的大面積推廣和應用，因此，如何提高動力電池的性能和安全度具有非常重要的意義。

要提高動力電池的性能，需要實時地檢測電池的各種參數，對電池的故障進行及時的診斷和處理。動力電池具有電化學結構，一旦出現嚴重故障往往不可修復，需要預防和避免動力電池發生故障[1-3]，因此，對動力電池故障診斷系統的研究具有重要的理論與應用價值。

目前使用的動力電池管理系統，利用硬件電路檢測電池實時數據，通過上位機系統判斷電池電壓和電流數據的閾值[4]，來對電池進行故障診斷。這種故障診斷系統診斷類型少，診斷準確率低，容易引起誤診斷。

動力電池是一種實時變化的非線性系統，系統性能受到多種參數變化的影響。神經網絡是一種處理多輸入非線性實變系統的重要工具[5-8]，因此，本文基于RBF神經網絡，利用dSPACE電池模型，進行動力電池故障診斷技術的研究，設計了一套純電動汽車動力電池故障診斷系統，并進行了實際測試，測試結果顯示，設計的系統可以準確地實現故障診斷。

為了模擬更多的故障類型樣本，本文采用dSPACE的動力電池模型模擬電池的故障，進行系統設計與測試。

1　系統方案設計

純電動車電池故障診斷系統設計方案如圖1所示。系統中進行診斷的電池組由12節單體電池串聯組成，單節標準工作電壓3.20 V，充電上限電壓3.62 V，放電下限電壓2.50 V。系統由電池參數采集、電池管理系統、故障診斷系統、報警顯示組成。系統可通過硬件電路實時檢測電池充放電電流、單體電壓、溫度、內阻、絕緣電阻等數據，電池管理系統通過數據可計算電池SOC，管理系統將參數信息發送診斷系統，診斷系統對這些數據進行分析，判斷電池是否或即將發生某種故障，并將診斷信息傳送到上位機顯示和通知電池管理系統對電池采取相應的措施，上位機對故障信息進行報警和顯示。診斷系統會記錄部分異常參數以及發生故障的信息，方便電池的維護。處理器選用ARM Cortex-M內核的STM32芯片，保證處理的速度與準確性。

圖1　動力電池故障診斷系統設計方案

2　dSPACE電池模型

dSPACE實時仿真系統是由德國dSPACE公司開發的一套基于MATLAB/Simulink的控制系統及半實物仿真的軟硬件工作平臺。該系統的ASM模型可以實現電動汽車整車的模擬和仿真。

由于實際電池進行故障測試時不穩定且極易出現不可恢復型的損壞，進行故障診斷系統測試時成本過高，本文選用dSPACE中自帶的電池模型進行系統測試。電池模型等效電路如圖2所示。

圖2　電池模型等效電路

電池端電壓可以用公式(1)計算：

初始電壓為各單體初始電壓的和,為：

損耗電壓由電池的充(放)電電流獲得：

式中：SOH是電池健康狀態。

電池溫度由電池散熱功率獲得：

式中：mBat為電池質量；PW為熱損耗功率；TBat為電池溫度。

3　動力電池故障分析

電動汽車動力電池的故障主要包括溫度異常、過充、過放、欠壓、過壓、均衡失效、充放電電流異常、自放電、內阻異常和電池衰老和各單節電池電壓異常[9]。由于電池故障往往具有不確定性，多種故障可能并發產生：例如在電池出現過充時往往伴隨著電池電壓升高、溫度升高；并且同一種故障也會因為發生時的參數不同導致故障級別與對電池的危害不同。所以要完成對電池的故障診斷必須根據電池參數來準確地確定電池發生的故障種類與等級，并上報處理措施,如表1所示。

表1　故障級別與對應處理措施

4　神經網絡故障診斷

由于電池的故障類型多，輸入狀態參數多，變化規律復雜，故障類型容易并發產生，要準確診斷故障類型非常困難。神經網絡是一種處理多輸入多輸出非線性系統辨識問題的有效方法，因此，本文利用神經網絡進行故障診斷的研究。

常用的神經網絡結構包括BP與RBF網絡。BP網絡采用S型基函數，它在輸入空間中無窮區域取非零值；而RBF網絡采用高斯型基函數，它僅在輸入空間中的很小的區域取非零值。所以對于解決故障診斷這類參數識別的問題，RBF可以取得更好的精度與運行速度。因此，本文采用RBF神經網絡進行動力電池故障診斷系統的設計研究。

本文設計的RBF神經網絡結構如圖3所示，由輸入層、隱含層、輸出層構成。輸入層的任務是把輸入數據簡單地映射到隱含層，以實現非線性映射，并不對輸入數據進行處理。輸入層信息包括電池充(放)電電流、單體電池電壓、電池SOC、電池溫度、電池總電壓、電池總電壓變化趨勢。電池總電壓變化趨勢采用[－1,1]的數值來表示。

圖3　RBF神經網絡結構

輸入層將輸入向量傳到隱層，隱層通過其中的神經元完成輸入層到隱層的非線性變化。

隱層中第i個神經元將輸入向量x*和它的權重向量ci作為相應徑向基函數φi(x*)的輸入。徑向基函數一般選為高斯函數，為：

式中：φi(x*)為第i個隱層神經元輸出；x*=[x*1,x*2,……x*n)]為輸入向量，n為輸入的數目；ci和φi分別為相應的高斯函數的權重向量和接收域大小的參數。

第三層為輸出層。RBF網絡輸出層節點是線性處理單元，對輸入信號具有很好的分類特性。在本神經網絡中，輸出層輸出體現為各種故障的發生及其嚴重程度。設定0到1之間的值表示對應的故障程度，越接近數值1，表示對應的故障嚴重程度越大。

5　測試與結果分析

神經網絡的訓練樣本由dSPACE電池模型正常運行狀態與各種故障情況下產生的50組數據組成，另選取3組作為測試樣本，測試數據如表2所示。

為了簡化輸出結果表達，在診斷結果中，僅給出相關的故障類型與故障嚴重程度。

第一個樣本診斷結果如圖4所示，電池過充，溫度偏高，出現嚴重級故障，診斷系統給出切斷充電電流的提示。

表2　3組測試數據

圖4　樣本1診斷結果圖

第二個樣本診斷結果如圖5所示，4號電池單體有輕微程度的單體過壓，系統記錄故障參數，不作操作。

圖5　樣本2診斷結果圖

第三個樣本診斷結果如圖6所示，電池整體欠壓，中等程度過放，溫度偏高，診斷系統通知電池管理系統降低輸出功率。

圖6　樣本3診斷結果圖

根據測試樣本的診斷結果和分析，設計的電池故障診斷系統可以正確診斷出電池的故障類型，并且能夠給出故障的嚴重程度，綜合各種故障的嚴重程度，進行報警和提示，因此，該電池故障診斷系統可以提高電池的安全性。

6　結論

基于RBF神經網絡，設計實現了一套純電動汽車動力電池故障診斷系統。利用dSPACE電池模型模擬50種故障樣本，進行神經網絡的學習訓練，通過3組樣本進行實際測試，測試結果顯示，設計的故障診斷系統可以實時準確地檢測出各種故障類型和故障嚴重程度，提高電池組的可靠性與安全性，可以應用于實際的動力電池組的管理。

[1]尚平，孫白虎.磷酸鐵鋰化學特性分析及在化學電池中的應用[J].電源技術，2014，38(9)：1619-1620.

[2]李哲，韓雪冰，盧蘭光.動力型磷酸鐵鋰電池的溫度特性[J].機械工程學報，2011，18(7)：115-120.

[3]鄒玉峰，李楊，張娜.HEV用鋰離子動力電池的一種失效模式分析[J].電源技術，2013，37(10)：1749-1754.

[4]張劍波，盧蘭光，李哲.車用動力電池系統的關鍵技術與學科前沿[J].汽車安全與節能學報，2012，3(2)：87-102.

[5]朱大奇，王永安.故障診斷的信息融合方法[J].控制與決策，2007，22(12)：1321-1328.

[6]周東華，胡艷艷.動態系統的故障診斷技術[J].自動化學報，2009，35(6)：748-758.

[7]PATTON R J，CHEN J.Observer-based fault detection and isolation：robustness and applications[J].Control Engineering Practice，1997，5(5)：671-682.

[8]GADSDEN A，HABIBI S R.Model-based fault detection of a battery system in a hybrid electric vehicle[C]//Vehicle Power and Propulsion Conference(VPPC),2011.Chicago：IEEE，2011.

[9]中華人民共和國工業和信息化部.QC/T 897-2011,電動汽車用電池管理系統技術條件[S].北京：中華人民共和國工業和信息化部，2011.

[10]WANG L,LIU B,WANG R X.Comparative investigation of BP and RBF neural network on seismic damage prediction of multistory brick buildings[C]//Information Engineering and Computer Science(ICIECS),2010.Wuhan：IEEE，2010.

Fault diagnosis system for power battery based on RBF neural network

GU Ang1,ZHANG Xiang-wen1,2
(1.School of Electronic Engineering and Automation,Guilin University of Electronic Technology,Guilin Guangxi 541004,China；2.Guilin University of Electronic Technology,Guilin Guangxi 541004,China)

The limitation of power battery in its property,cost,life and safety restricts the popularizing of the electrical vehicle.In this paper,a fault diagnosis system was designed to prevent and diagnose the fault of battery using RBF neural network.First,using the battery model in dSPACE to simulate the fault of battery for the training of RBF neural network.Then the test of the fault diagnosis system was done using three groups of data.The test results show that the system can diagnose the battery fault type and fault level accurately.

electrical vehicle；power battery；RBF neural network；dSPACE；fault diagnosis

TM 912

A

1002-087 X(2016)10-1943-03

2016-03-18

廣西科學研究與技術開發課題(桂科重1348003-4)；廣西自動檢測技術與儀器重點實驗室基金(YQ14111)

古昂(1990—)，男，上海市人，碩士研究生，主要研究方向為汽車電子。