基于神經網絡的純電動汽車動力電池系統故障診斷

張俊

摘要

本文通過介紹動力電池經常出現的故障類型，分析了故障產生的原因，總結歸納了診斷方法;結合動力電池系統的故障類型和故障產生的原因，提出了基于神經網絡的純電動汽車動力電池系統故障診斷方案并通過實例進行驗證。

【關鍵詞】動力電池 故障診斷 神經網絡

純電動汽車和傳統汽車相比有很大的不同之處，純電動汽車的動力電池、電機和控制系統代替了傳統汽車的發動機。由于純電動汽車的控制系統要比傳統車型的復雜，所以在實際運行中純電動汽車的故障比較多樣，對故障診斷及分析起來也比較困難。動力電池系統是純電動汽車必不可少的一部分。因為動力電池系統很容易受到技術、氣候和使用方式等方面的影響，所以它很容易就會發生故障，也是故障診斷的重點。當動力電池系統故障發生時汽車仍在正常行駛，如果未能及時發現和排除，就可能造成重大事故。因此急需對純電動汽車動力電池系統進行故障分析與診斷的研究。

1動力電池故障類型

通常動力電池出現故障的級別大小可以將其分成兩級：I級故障（一般的故障）和II級故障（嚴重的故障），分類如表1。

2故障產生原因分析

電池系統故障都是有一定的原因造成的，比如：因為生產中存在技術問題，各個單體之間存在電容量、充放電效率的差別，這是本身的問題;長時間不使用，不進行充電維護，長時間電量過低，最后引起電壓下降快;充電電流一直很大并且充電的時間也很長，使電池活性物質掉落;電池間的連接是以焊接的方式連接的，焊接處裂開或脫落，導線沒接觸好、短路等會造成局部發熱的故障;動力電源通常是通過串并聯一些電池單體組成的，當出現過分充電時，就會很容易造成電池組的溫度上升，從而引起電解液泄露。

電池的故障因素很多而且之間還會相互影響，一種因素的變化可能會引起多種故障的產生。動力電池在使用過程中都在進行著時時刻刻的變化，影響動力電池變化的因素也很多，因此一旦動力電池發生故障，故障就會很復雜診斷起來就會花費很長時間。而且動力電池的內部構造是電化學結構，許多元素會影響到電池的電化學反應也就是電池的工作狀態。當多個因素發生變化引起故障時，故障的變化規律就會很復雜，很有可能多個故障同時出現，故障程度過于嚴重時將會使動力電池不可修復。所以需要一種功能強大而且可以同時對多種因素引起的故障進行準確而詳細的診斷。神經網絡故障診斷方法就符合這種要求。

3神經網絡的故障診斷方案

神經網絡是一種可以進行多個參數輸入多種結果輸出非線性系統識別的有效方法。神經網絡可以進行不斷地吸收新的東西而且學習能力很強，就像人類的神經網絡結構，它可以通過故障的特征現象和故障產生的原因讓它們之間存在相應的關系，這個關系可以成為一種固定的神經網絡模型。這個模型就是把故障及其原因連在一起，可以從故障的現象找出產生的原因。

對純電動汽車動力電池系統進行故障診斷要用的是當下使用率較高的多層前向神經網絡。它的工作原理是：首先，建一個存儲數據的庫，這個數據庫是用來儲存電源系統在工作時一些重要參數的變化數據;然后分析動力電源系統中的故障和故障產生的原因以及故障產生與哪些參數有關系，因為電源系統的變化多樣常常是非線性的，所以要把數據庫中的數據和故障現象建立一個固定的架構;在架構建立好后神經網絡就可以通過這個架構根據數據分析出是否有故障產生，若是有就可以找出故障的原因。電池的故障是比較多的例如：電池溫度過高、過充電和過放電造成的電池損害、電壓過高過低、均衡失效、充放電時電流不規律，還有長時間放置電池而沒電的自放電現象以及電池內阻異常和衰老等問題。多層前向神經網絡就是通過電池的一些相關參數的變化來找到故障及故障原因。故障診斷流程大體上如圖l所示。

先采集動力電池的參數，再把所得參數輸入到電池的管理系統計算出電池的剩余電量（soc），管理系統再把參數信息輸入到故障診斷系統，診斷系統對數據分析確定電池有沒有出現問題或者已有問題并將會產生故障，這些結果再通過上位機顯示出來，有故障時上位機會對故障信息進行預警，同時還會反饋個電池管理系統讓其對電池進行相應措施，這樣就可以對純電動汽車的動力電源系統進行故障的分析和診斷了，同時也可以保證電源系統能夠正常運行。

4神經網絡故障診斷系統的應用

運用神經網絡故障診斷系統能夠很準確的把純電動汽車動力電源系統所出現的故障診斷出來，該診斷系統是把故障現象以代碼的形式存在數據庫內，通過對故障碼的分析找出故障現象以完成對故障的診斷。而在此之前需要對故障檢測系統進行訓練，使代碼和故障現象有一個對應關系。以動力電池常出現的故障為例，如表2所示。

當故障現象與故障碼建立一種相互對應的關系后，神經網絡診斷系統根據樣本輸入的信息分析可以輸出目標信息，它的神經網絡訓練樣本以電池出現的故障為例：電池的活性物質脫落、電極極化和電池電量過低等故障。如表3所示。

神經網絡診斷系統從學習的樣本中可診斷出所出現的故障，樣本輸入的信息是an（ n=l、2…6）代替故障現象。當an=O時代表沒有故障現象發生;當an=l時代表存在故障現象。而目標輸出為{l O O}是其中的表示第一個故障存在，因為在樣本信息中1表示存在故障現象，O表示沒有故障現象。在上面的神經網絡訓練樣本中有三種故障存電池活性物質脫落;電量過低;電池極板硫化。而在輸出時，1是代表存在故障，o是代表沒有故障。這個過程可以通過MATLAB仿真軟件進行故障診斷模擬。

（1）要建立一個BP神經網絡也就是表2所示，要故障與故障碼相對應作為樣本信息的輸入，再將故障作為目標信息的輸出，從而建立BP神經網絡，之后得出程序語句如下：

net=newff（minmax（P），[10，3]，‘logsig，‘logsig}，‘traingdm）;

而且還建立網絡結構并進行具體的參數設置，如圖2所示。

本文利用Levenberg-Marquardt訓練方法，對輸入和輸出項進行訓練，神經網絡結構以及具體的訓練參數如圖2所示。

在訓練之后可以得到目標信息輸出值如表4所示。

將樣本輸入和目標輸出輸入到MATLAB仿真系統中進行訓練可以得到如圖3的效果訓練圖。

（2）進行故障診斷時將檢測到的故障的碼如：a=[0 0 0.9 1 0.2 0]所示，輸入到之前訓練的BP神經網絡中進行診斷，可以得到一個實際的目標輸出信息b =[0.9280 0.08970.3649]，其與原來訓練時的輸出目標[1 0 0]相似，既故障是電池活性物質脫落。

5結論

本文根據對純電動汽車動力電池系統常見的故障類型、產生原因及診斷方法的分析，提出了一種神經網絡故障診斷方法，并對神經網絡的診斷方法進行了詳細的介紹，最后舉出了基于神經網絡的純電動汽車動力電池系統故障診斷案例。通過本文的研究可以提高純電動汽車動力電源系統故障診斷的效率以及準確性。

參考文獻

[1]史文杰，某純電動汽車故障診斷功能的設計和研究[D].合肥工業大學，2015，23-34.

[2]邱綱，陳勇，李東，電動汽車用動力電池的現狀及發展趨勢[J].遼寧工業大學學報（自然科學版），2004，24 （02）：41-44.

[3]張榮沂.基于神經網絡的智能故障診斷技術[J].自動化技術與應用，2003，22 （02）：15-17.

[4]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.

[5]李俊松.基于神經網絡的混合動力汽車故障診斷研究[D].武漢：武漢理工大學，2003： 23-28.

[6]郭榮春，高樹文，基于神經網絡的汽車發動機故障診斷研究[J].山東交通學院學報，2011，19 （01）：9-17.

[7]胡勇，增程式電動車故障診斷系統研究與控制算法開發[D]，吉林：吉林大學，2012，7-24.