陳嵐，范永清，張謙，馮小華，熊付強(qiáng)

(上海應(yīng)用技術(shù)學(xué)院，上海201418)

基于貝葉斯網(wǎng)絡(luò)的電池管理系統(tǒng)故障診斷方法

陳嵐，范永清，張謙，馮小華，熊付強(qiáng)

(上海應(yīng)用技術(shù)學(xué)院，上海201418)

針對(duì)電池管理系統(tǒng)工作環(huán)境復(fù)雜、故障不確定的特點(diǎn)，提出一種基于貝葉斯網(wǎng)絡(luò)的電池管理系統(tǒng)故障診斷方法。該方法利用領(lǐng)域?qū)＜抑R(shí)確立故障節(jié)點(diǎn)、圍繞電池管理系統(tǒng)結(jié)構(gòu)進(jìn)行層次劃分，電池管理系統(tǒng)的歷史數(shù)據(jù)、檢修記錄表用來(lái)進(jìn)行網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)學(xué)習(xí)。建立起電池管理系統(tǒng)故障診斷的貝葉斯網(wǎng)絡(luò)。將該網(wǎng)絡(luò)應(yīng)用于電池管理系統(tǒng)的故障診斷，并針對(duì)不同故障進(jìn)行實(shí)驗(yàn)，結(jié)果驗(yàn)證該方法在電池管理系統(tǒng)故障診斷上具有較高的區(qū)間正確率。方法為電池管理系統(tǒng)的故障診斷提供了新手段。診斷結(jié)論對(duì)電池管理系統(tǒng)的優(yōu)化設(shè)計(jì)具有指導(dǎo)性意義。

貝葉斯網(wǎng)絡(luò)；鋰電池；電池管理系統(tǒng)；故障診斷

電池組在電動(dòng)汽車領(lǐng)域、電網(wǎng)達(dá)不到的用電場(chǎng)所具有廣泛的應(yīng)用。為防止電池濫用(如過(guò)充電、過(guò)放電、過(guò)熱和過(guò)電流等)導(dǎo)致的電池壽命嚴(yán)重衰減、甚至著火或爆炸等安全事故。同時(shí)，也為了解決串聯(lián)電池組中的單體電池一致性問(wèn)題，實(shí)際應(yīng)用中電池組必須使用電池管理系統(tǒng)對(duì)其進(jìn)行管理。

電池管理系統(tǒng)通常由電池狀態(tài)監(jiān)測(cè)、電池狀態(tài)分析、電池安全保護(hù)、能量控制管理、電池信息管理等子系統(tǒng)構(gòu)成[1]。有的電池管理系統(tǒng)還具有內(nèi)部通信總線與計(jì)算機(jī)通信鏈路等模塊，如圖1所示。

由于電池管理系統(tǒng)結(jié)構(gòu)復(fù)雜、系統(tǒng)龐大，故障具有不確定性的特點(diǎn)，給故障的準(zhǔn)確、快速定位，高效維修提出了挑戰(zhàn)?；跀?shù)據(jù)驅(qū)動(dòng)的常用故障診斷方法如人工神經(jīng)網(wǎng)絡(luò)、模糊邏輯等方法在故障結(jié)構(gòu)確定的領(lǐng)域具有很好的診斷效果，但這些方法都不具備故障結(jié)構(gòu)學(xué)習(xí)能力。

圖1 電池管理系統(tǒng)的基本結(jié)構(gòu)

基于概率推理的貝葉斯網(wǎng)絡(luò)(Bayesian Net-work)方法不僅具有故障參數(shù)學(xué)習(xí)能力、還具有網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)能力。在解決復(fù)雜系統(tǒng)的不確定和關(guān)聯(lián)型故障診斷問(wèn)題上有很大的優(yōu)勢(shì)。在氣象預(yù)報(bào)[2]、機(jī)械系統(tǒng)[3]、市場(chǎng)分析[4]等領(lǐng)域均有廣泛應(yīng)用。

本文首先針對(duì)電池管理系統(tǒng)，結(jié)合專家領(lǐng)域知識(shí)、歷史運(yùn)行數(shù)據(jù)和故障檢修記錄表建立起用于電池管理系統(tǒng)故障診斷的貝葉斯網(wǎng)絡(luò)，并隨著數(shù)據(jù)、檢修記錄的加入對(duì)其不斷更新和優(yōu)化。方法能夠提高電池管理系統(tǒng)的故障定位和維修效率。同時(shí)也有利于發(fā)現(xiàn)系統(tǒng)的薄弱環(huán)節(jié)，優(yōu)化電池管理系統(tǒng)設(shè)計(jì)進(jìn)而從根本上提升系統(tǒng)穩(wěn)定性。

1 貝葉斯網(wǎng)絡(luò)方法

1.1 貝葉斯網(wǎng)絡(luò)的基本原理

貝葉斯網(wǎng)絡(luò)方法是一種基于概率分析、圖論的不確定性知識(shí)表達(dá)方法和推理模型。由節(jié)點(diǎn)和有向弧構(gòu)成有向無(wú)環(huán)圖。節(jié)點(diǎn)代表論域中的變量即事件，有向弧代表變量間的直接因果關(guān)系。關(guān)系強(qiáng)度由兩節(jié)點(diǎn)上的條件概率來(lái)決定。這種表示方法，即準(zhǔn)確反映事件之間的依賴關(guān)系，而條件概率反映了信息的不確定性。

在貝葉斯網(wǎng)絡(luò)的基礎(chǔ)上可進(jìn)行概率推理，原理基于Bayesian定理，如式(1)所示。

P(A|B)是在B事件發(fā)生的情況下A事件發(fā)生的概率。P(A)、P(B)分別是事件A、B的先驗(yàn)概率，P(B|A)是A事件發(fā)生的情況下B發(fā)生的概率。公式確立了事件A、B之間的內(nèi)在聯(lián)系，并使得在A、B事件概率更新時(shí)修正事件之間的聯(lián)系強(qiáng)度。

貝葉斯推理過(guò)程實(shí)質(zhì)是概率計(jì)算。推理分為因果推理、診斷推理、支持推理三種形式。電池管理系統(tǒng)的故障診斷，是貝葉斯網(wǎng)絡(luò)診斷推理在電池管理系統(tǒng)上的應(yīng)用[5]。

1.2 基于貝葉斯網(wǎng)絡(luò)的故障診斷

用貝葉斯網(wǎng)絡(luò)方法進(jìn)行故障診斷的過(guò)程實(shí)際上就是根據(jù)一定的故障征兆，推理得到某個(gè)或某些故障原因的過(guò)程。將故障征兆和故障原因作為網(wǎng)絡(luò)中的節(jié)點(diǎn)，當(dāng)確定的故障征兆出現(xiàn)時(shí)，網(wǎng)絡(luò)根據(jù)節(jié)點(diǎn)之間的因果關(guān)系(即有向弧)和條件概率可以推理得出各種故障原因發(fā)生的概率，從而得到診斷結(jié)論。

貝葉斯故障診斷網(wǎng)絡(luò)不是一成不變的。在診斷應(yīng)用中，有新的證據(jù)加入時(shí)，網(wǎng)絡(luò)結(jié)構(gòu)和節(jié)點(diǎn)概率信息會(huì)更新，更新的信息沿網(wǎng)絡(luò)向各個(gè)節(jié)點(diǎn)傳播，使得所有節(jié)點(diǎn)的概率信息都得到更新。這種結(jié)構(gòu)充分利用了系統(tǒng)或設(shè)備各組成和因素之間的相互聯(lián)系，體現(xiàn)了貝葉斯網(wǎng)絡(luò)易于更新的優(yōu)點(diǎn)，根據(jù)更新后的概率信息便可進(jìn)行診斷決策。

2 電池管理系統(tǒng)的貝葉斯網(wǎng)絡(luò)故障診斷方法

電池管理系統(tǒng)故障診斷貝葉斯網(wǎng)絡(luò)的建立包括故障節(jié)點(diǎn)分層、拓?fù)浣Y(jié)構(gòu)和網(wǎng)絡(luò)參數(shù)確定三方面的內(nèi)容。

在建立貝葉斯網(wǎng)絡(luò)之前、需要先確定故障節(jié)點(diǎn)并進(jìn)行編號(hào)，結(jié)合專家領(lǐng)域知識(shí)得到電池管理系統(tǒng)的37個(gè)故障節(jié)點(diǎn)，如表1所示。所有的節(jié)點(diǎn)都是兩態(tài)的，即只有故障(Fa)和非故障(Nor)兩種狀態(tài)。

2.1 對(duì)電池管理系統(tǒng)故障進(jìn)行分層

在對(duì)電池管理系統(tǒng)故障進(jìn)行分層之前，首先需要對(duì)其進(jìn)行分析。按照從系統(tǒng)到部件、模塊，再到零件的“下降形”分析方法，將表1的故障節(jié)點(diǎn)依次分為：故障表現(xiàn)層、子系統(tǒng)層、二級(jí)故障層和三級(jí)故障層[6]。

故障表現(xiàn)層(證據(jù)層)：本層是電池管理系統(tǒng)人機(jī)界面指示的故障或具體故障表現(xiàn)的狀態(tài)，故障能夠第一時(shí)間被客戶所觀測(cè)到，為故障的定位提供方向。

一級(jí)故障層(子系統(tǒng)層)：是電池管理系統(tǒng)各個(gè)子系統(tǒng)的故障表現(xiàn)形式，如狀態(tài)監(jiān)測(cè)系統(tǒng)故障、狀態(tài)分析系統(tǒng)故障、安全保護(hù)模塊故障、能量管理模塊故障、電池信息管理故障。

二級(jí)故障層：是子系統(tǒng)故障的具體表現(xiàn)形式，如電池安全保護(hù)子系統(tǒng)模塊下的過(guò)流保護(hù)、過(guò)充過(guò)放保護(hù)、過(guò)溫保護(hù)。

三級(jí)故障層，直接定位到電池管理系統(tǒng)的部件級(jí)別或者代碼級(jí)別，溫度傳感器故障和電流傳感器損壞即屬于該層故障。

2.2 基于領(lǐng)域知識(shí)構(gòu)建貝葉斯網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

在確定了貝葉斯網(wǎng)絡(luò)的故障節(jié)點(diǎn)和層次后，將不同層次的節(jié)點(diǎn)用有向弧連接起來(lái)。具體連接取決于各個(gè)節(jié)點(diǎn)之間的因果關(guān)系。由于電池管理系統(tǒng)的專業(yè)性，網(wǎng)絡(luò)結(jié)構(gòu)的構(gòu)造需要比較充分的專業(yè)知識(shí)。

(1)基于專家知識(shí)建立貝葉斯網(wǎng)絡(luò)

結(jié)合專家領(lǐng)域知識(shí)建立如圖2的層次貝葉斯網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。

圖2 電池管理系統(tǒng)故障診斷貝葉斯網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

專家領(lǐng)域知識(shí)也存在著一些如知識(shí)自動(dòng)獲取能力不夠完善、知識(shí)因果中引入人的偏好和判斷等不充分的地方，而基于數(shù)據(jù)的結(jié)構(gòu)學(xué)習(xí)法能夠避免專家知識(shí)數(shù)據(jù)之間的冗余，但在建網(wǎng)之初學(xué)習(xí)數(shù)據(jù)往往又不夠完善。結(jié)合以上兩種方式，構(gòu)建基于專家知識(shí)與數(shù)據(jù)訓(xùn)練的貝葉斯網(wǎng)絡(luò)，提升貝葉斯網(wǎng)絡(luò)的準(zhǔn)確性和建網(wǎng)效率[7－8]。

(2)故障檢修記錄的離散化

在電池管理系統(tǒng)出現(xiàn)故障后，需要由售后服務(wù)網(wǎng)點(diǎn)進(jìn)行檢修。形成檢修記錄表具體記錄了故障現(xiàn)象、維修的時(shí)間及維修方法。某條檢修記錄表如表2所示。

將該故障記錄和貝葉斯網(wǎng)絡(luò)的故障節(jié)點(diǎn)對(duì)應(yīng)如表3所示。

為了方便處理，將故障節(jié)點(diǎn)矩陣化，可得該條故障信息對(duì)應(yīng)的節(jié)點(diǎn)故障矩陣為：

依此方法可將其它故障檢修記錄加入節(jié)點(diǎn)故障矩陣。

(3)網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)

貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)被證明是非多項(xiàng)式算法(NP)難題。而在貝葉斯網(wǎng)絡(luò)建網(wǎng)的初期，故障的樣本還屬于不完整數(shù)據(jù)集。結(jié)構(gòu)化期望最大化(SEM)學(xué)習(xí)法如式(2)所示是將參數(shù)期望最大化方法引用到不完備數(shù)據(jù)集的貝葉斯網(wǎng)絡(luò)的學(xué)習(xí)中，是期望最大化算法的一個(gè)推廣。該種學(xué)習(xí)方法效率和準(zhǔn)確度上達(dá)到很好的效果。

式中：X為一組變量；J為一組缺值數(shù)據(jù)；z0為初始網(wǎng)絡(luò)結(jié)構(gòu)；q0，0為初始參數(shù)值；R為兩次結(jié)構(gòu)優(yōu)化之間的參數(shù)優(yōu)化次數(shù)；d為參數(shù)估計(jì)的收斂閾值。

從某電池管理系統(tǒng)初始模型結(jié)構(gòu)z0和參數(shù)q0，0出發(fā)開始迭代，在進(jìn)行了t次迭代得到了(zt，qt)后，第t+1次迭代由以下兩個(gè)步驟組成：基于(zt，qt)對(duì)數(shù)據(jù)進(jìn)行修補(bǔ)，使之完整；基于修補(bǔ)后的完整數(shù)據(jù)Jt對(duì)模型及參數(shù)進(jìn)行一步優(yōu)化，得到(zt+1，qt+1)。

SEM不是每次迭代都同時(shí)優(yōu)化模型結(jié)構(gòu)和參數(shù)，而是先固定模型結(jié)構(gòu)，即規(guī)定zt+1=zt進(jìn)行數(shù)次參數(shù)優(yōu)化后，再進(jìn)行一次結(jié)構(gòu)加參數(shù)優(yōu)化，如此交替進(jìn)行。當(dāng)參數(shù)估計(jì)滿足收斂閾值條件d時(shí)迭代停止。

利用收集到的200條維修記錄構(gòu)造節(jié)點(diǎn)故障矩陣進(jìn)行網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)，學(xué)習(xí)后的結(jié)構(gòu)如圖3所示。

圖3 200條檢修記錄學(xué)習(xí)后的網(wǎng)絡(luò)結(jié)構(gòu)

專家領(lǐng)域知識(shí)認(rèn)為故障節(jié)點(diǎn)8(SOC異常)和故障節(jié)點(diǎn)11 (狀態(tài)檢測(cè)模塊)之間沒有關(guān)聯(lián)，經(jīng)過(guò)一次結(jié)構(gòu)學(xué)習(xí)后說(shuō)明他們之間是有關(guān)聯(lián)的，學(xué)習(xí)后更新網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

圖4 結(jié)合領(lǐng)域知識(shí)和一次結(jié)構(gòu)學(xué)習(xí)后的貝葉斯網(wǎng)絡(luò)

結(jié)合專家領(lǐng)域知識(shí)和結(jié)構(gòu)學(xué)習(xí)法對(duì)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了更新。獲得較多的故障數(shù)據(jù)后，網(wǎng)絡(luò)結(jié)構(gòu)會(huì)得到更進(jìn)一步的完善。

2.3 電池管理系統(tǒng)貝葉斯故障診斷網(wǎng)絡(luò)參數(shù)學(xué)習(xí)

電池管理系統(tǒng)中的信息管理子系統(tǒng)具有電池歷史信息存儲(chǔ)的功能，該功能記錄下電池狀態(tài)監(jiān)測(cè)模塊檢測(cè)到的電池歷史數(shù)據(jù)。具體數(shù)據(jù)格式如表4所示。

假設(shè)α(Xi)表示貝葉斯網(wǎng)絡(luò)中i(i=1，2，3，…，10)根節(jié)點(diǎn)歷史記錄數(shù)據(jù)總數(shù)目，β(t，Xi)(t∈{Nor，F(xiàn)a})代表Xi節(jié)點(diǎn)中處于t狀態(tài)的設(shè)備數(shù)目。由此可以得到貝葉斯網(wǎng)絡(luò)根節(jié)點(diǎn)的先驗(yàn)概率：

正常狀態(tài)(t=Nor)的概率計(jì)算方式如式(3)：

故障狀態(tài)(t=Fa)的概率概率計(jì)算方式如式(4)：

表4中對(duì)根節(jié)點(diǎn)荷電狀態(tài)異常(8)的正常狀態(tài)和故障狀態(tài)

的數(shù)據(jù)條目數(shù)進(jìn)行了統(tǒng)計(jì)，其故障概率和正常概率計(jì)算方式分別如式(5)、式(6)所示。確定貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)和根節(jié)點(diǎn)先驗(yàn)概率后，就可以進(jìn)行參數(shù)學(xué)習(xí)了，即計(jì)算每個(gè)故障節(jié)點(diǎn)在貝葉斯網(wǎng)絡(luò)中的條件概率分布，作為下一步推理的依據(jù)。

3 貝葉斯網(wǎng)絡(luò)電池管理系統(tǒng)故障診斷的實(shí)現(xiàn)

BNT(Bayesian Net-work Toolbox)是Kevin P.Murphy基于Matlab語(yǔ)言開發(fā)的關(guān)于貝葉斯網(wǎng)絡(luò)學(xué)習(xí)的Matlab附加工具箱。提供了多種底層基礎(chǔ)函數(shù)庫(kù)，支持精確推理和近似推理、靜態(tài)模型和動(dòng)態(tài)模。BNT是完全免費(fèi)的軟件包，其代碼完全公開，系統(tǒng)的可擴(kuò)展性良好，選擇BNT作為貝葉斯網(wǎng)絡(luò)推理的實(shí)驗(yàn)工具。

推理的過(guò)程是由故障表現(xiàn)找出故障原因的過(guò)程，考慮本電池管理系統(tǒng)故障節(jié)點(diǎn)較多，網(wǎng)絡(luò)層次復(fù)雜、規(guī)模較大。本文采用BNT工具包中的聯(lián)合樹推理引擎來(lái)進(jìn)行精確推理。如故障節(jié)點(diǎn)7(過(guò)/低壓不保護(hù))=Nor，節(jié)點(diǎn)13(電池安全保護(hù))=Nor，節(jié)點(diǎn)22(電池安全保護(hù))=Nor，推理可得P(29=Nor|7=Nor)= 0.125 7，P(30=Nor|7=Nor)=0.423 3，P(31=Nor|7=Nor)=0.079，P (32=Nor|7=Nor)=0.895 2。因此認(rèn)為當(dāng)電壓保護(hù)出現(xiàn)故障時(shí)，應(yīng)該首先檢察回路開關(guān)MOS的好壞。

不同數(shù)量故障檢修記錄下的貝葉斯網(wǎng)絡(luò)故障診斷情況如圖5所示。

從幾組數(shù)據(jù)對(duì)比可見，當(dāng)訓(xùn)練數(shù)據(jù)較少時(shí)貝葉斯網(wǎng)絡(luò)故障診斷準(zhǔn)確率較低。隨著歷史數(shù)據(jù)和檢修記錄表的完善，診斷準(zhǔn)確率會(huì)顯著增加。說(shuō)明該故障診斷方法有利于電池管理系統(tǒng)故障狀態(tài)下，迅速準(zhǔn)確的定位故障點(diǎn)。

圖5 不同數(shù)據(jù)下的貝葉斯網(wǎng)絡(luò)故障診斷正確率

4 結(jié)論

本文根據(jù)鋰電池管理系統(tǒng)故障的相互關(guān)系和交互信號(hào)，建立用于故障診斷的分層貝葉斯網(wǎng)絡(luò)，結(jié)合故障記錄表、專家領(lǐng)域知識(shí)建立和更新網(wǎng)絡(luò)結(jié)構(gòu)、基于歷史數(shù)據(jù)確定根節(jié)點(diǎn)先驗(yàn)概率。最后選用聯(lián)合樹傳播算法進(jìn)行聯(lián)合概率推理，從而實(shí)現(xiàn)了電池管理系統(tǒng)的故障診斷，并驗(yàn)證當(dāng)訓(xùn)練數(shù)據(jù)達(dá)到2 000以上時(shí)便可以具有較高的的精度。

貝葉斯網(wǎng)絡(luò)故障診斷能為故障定位提供參考，進(jìn)而提升故障維修效率。同時(shí)也有利于確認(rèn)系統(tǒng)重要度較高的模塊和組件，為系統(tǒng)的冗余設(shè)計(jì)提供指導(dǎo)，從而有效提升系統(tǒng)可靠性。

[1]許守平，侯朝勇，胡娟，等.儲(chǔ)能用鋰離子電池管理系統(tǒng)研究[J].電網(wǎng)與清潔能源，2014，50(2)：70-78.

[2]韓焱紅，矯梅燕，陳靜，等.基于貝葉斯理論的集合降水概率預(yù)報(bào)方法研究[J].氣象，2013，39(1)：1-10.

[3]陳東寧，姚成玉，黨振.基于T-S模糊故障樹和貝葉斯網(wǎng)絡(luò)的多態(tài)液壓系統(tǒng)可靠性分析[J].中國(guó)機(jī)械工程，2013，55(7)：899-905.

[4]葉進(jìn)，林士敏.基于貝葉斯網(wǎng)絡(luò)的推理在移動(dòng)客戶流失分析中的應(yīng)用[J].計(jì)算機(jī)應(yīng)用，2005，47(3)：673-675.

[5]黎清海，高慶.基于系統(tǒng)分層的故障診斷方法[J].儀器儀表學(xué)報(bào)，2005，29(10)：914-916.

[6]王雙成，林士敏，陸玉昌.用Bayesian網(wǎng)絡(luò)處理具有不完整數(shù)據(jù)的問(wèn)題分析[J].清華大學(xué)學(xué)報(bào)：自然科學(xué)版，2000，65(9)：65-68.

[7]KHAKZAD N，KHAN F，AMYOTTEP.Safety analysis in process facilities:comparison of fault tree and bayesian network approaches[J].Reliability Engineering and System Safety，2011，96(8)：925-932.

[8]BROOKE P J，PAIGE R F.Fault trees for security system design and analysis[J].Computersand Security，2003，22(3)：256-264.

Faultdiagnosismethods forbatterymanagementsystem based on Bayesian network

CHEN Lan，F(xiàn)AN Yong-qing，ZHANGQian，F(xiàn)ENG Xiao-hua，XIONG Fu-qiang
(Shanghai Institute ofTechnology，Shanghai201418，China)

A faultdiagnosismethod for batterymanagementsystem based on Bayesian networks was put forward to overcome the complex environment and the uncertainty of the faults.Expert know ledge was used to create failure nodes;the hierarchy was established around batterymanagement;the history data and maintenance records in the battery management system were used to build network structure and learn parameter.The fault diagnosis system based on Bayesian network for the battery management system was built.The network was applied to the battery managementsystem for faultdiagnosis.The resultof the experimentaimed atdifferent faults shows that themethod has higher range accuracy.Themethod provides a new means for faultdiagnosis，and is key to optim ize the battery managementsystem.

Bayesian network;lithium battery;batterymanagementsystem;faultdiagnosis

TM 912

A

1002-087X(2016)07-1396-03

2015-12-02

上海市科委重點(diǎn)項(xiàng)目(12ZZ189)

陳嵐(1968—)，女，江西省人，教授，主要研究方向?yàn)楦咚贁?shù)字信號(hào)處理。