古　昂，張向文,2

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

基于RBF神經(jīng)網(wǎng)絡(luò)的動力電池故障診斷系統(tǒng)研究

古昂1，張向文1,2

(1.桂林電子科技大學(xué)電子工程與自動化學(xué)院，廣西桂林541004；2.廣西自動檢測技術(shù)與儀器重點(diǎn)實驗室(桂林電子科技大學(xué))，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(guān)鍵問題。基于RBF神經(jīng)網(wǎng)絡(luò)，設(shè)計了一套電池故障診斷系統(tǒng)，對動力電池組的故障進(jìn)行預(yù)防和診斷。首先，利用dSPACE中的電池模型，模擬電池的故障，進(jìn)行神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練，然后，利用三組測試數(shù)據(jù)對故障診斷系統(tǒng)進(jìn)行測試。測試結(jié)果顯示，設(shè)計的系統(tǒng)可以準(zhǔn)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(jīng)網(wǎng)絡(luò)；dSPACE；故障診斷

純電動汽車是解決目前的環(huán)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(yīng)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(shù)，對電池的故障進(jìn)行及時的診斷和處理。動力電池具有電化學(xué)結(jié)構(gòu)，一旦出現(xiàn)嚴(yán)重故障往往不可修復(fù)，需要預(yù)防和避免動力電池發(fā)生故障[1-3]，因此，對動力電池故障診斷系統(tǒng)的研究具有重要的理論與應(yīng)用價值。

目前使用的動力電池管理系統(tǒng)，利用硬件電路檢測電池實時數(shù)據(jù)，通過上位機(jī)系統(tǒng)判斷電池電壓和電流數(shù)據(jù)的閾值[4]，來對電池進(jìn)行故障診斷。這種故障診斷系統(tǒng)診斷類型少，診斷準(zhǔn)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(tǒng)，系統(tǒng)性能受到多種參數(shù)變化的影響。神經(jīng)網(wǎng)絡(luò)是一種處理多輸入非線性實變系統(tǒng)的重要工具[5-8]，因此，本文基于RBF神經(jīng)網(wǎng)絡(luò)，利用dSPACE電池模型，進(jìn)行動力電池故障診斷技術(shù)的研究，設(shè)計了一套純電動汽車動力電池故障診斷系統(tǒng)，并進(jìn)行了實際測試，測試結(jié)果顯示，設(shè)計的系統(tǒng)可以準(zhǔn)確地實現(xiàn)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(jìn)行系統(tǒng)設(shè)計與測試。

1　系統(tǒng)方案設(shè)計

純電動車電池故障診斷系統(tǒng)設(shè)計方案如圖1所示。系統(tǒng)中進(jìn)行診斷的電池組由12節(jié)單體電池串聯(lián)組成，單節(jié)標(biāo)準(zhǔn)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(tǒng)由電池參數(shù)采集、電池管理系統(tǒng)、故障診斷系統(tǒng)、報警顯示組成。系統(tǒng)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(nèi)阻、絕緣電阻等數(shù)據(jù)，電池管理系統(tǒng)通過數(shù)據(jù)可計算電池SOC，管理系統(tǒng)將參數(shù)信息發(fā)送診斷系統(tǒng)，診斷系統(tǒng)對這些數(shù)據(jù)進(jìn)行分析，判斷電池是否或即將發(fā)生某種故障，并將診斷信息傳送到上位機(jī)顯示和通知電池管理系統(tǒng)對電池采取相應(yīng)的措施，上位機(jī)對故障信息進(jìn)行報警和顯示。診斷系統(tǒng)會記錄部分異常參數(shù)以及發(fā)生故障的信息，方便電池的維護(hù)。處理器選用ARM Cortex-M內(nèi)核的STM32芯片，保證處理的速度與準(zhǔn)確性。

圖1　動力電池故障診斷系統(tǒng)設(shè)計方案

2　dSPACE電池模型

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

由于實際電池進(jìn)行故障測試時不穩(wěn)定且極易出現(xiàn)不可恢復(fù)型的損壞，進(jìn)行故障診斷系統(tǒng)測試時成本過高，本文選用dSPACE中自帶的電池模型進(jìn)行系統(tǒng)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(tài)。

電池溫度由電池散熱功率獲得：

式中：mBat為電池質(zhì)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(nèi)阻異常和電池衰老和各單節(jié)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(fā)產(chǎn)生：例如在電池出現(xiàn)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(fā)生時的參數(shù)不同導(dǎo)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(jù)電池參數(shù)來準(zhǔn)確地確定電池發(fā)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(yīng)處理措施

4　神經(jīng)網(wǎng)絡(luò)故障診斷

由于電池的故障類型多，輸入狀態(tài)參數(shù)多，變化規(guī)律復(fù)雜，故障類型容易并發(fā)產(chǎn)生，要準(zhǔn)確診斷故障類型非常困難。神經(jīng)網(wǎng)絡(luò)是一種處理多輸入多輸出非線性系統(tǒng)辨識問題的有效方法，因此，本文利用神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷的研究。

常用的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括BP與RBF網(wǎng)絡(luò)。BP網(wǎng)絡(luò)采用S型基函數(shù)，它在輸入空間中無窮區(qū)域取非零值；而RBF網(wǎng)絡(luò)采用高斯型基函數(shù)，它僅在輸入空間中的很小的區(qū)域取非零值。所以對于解決故障診斷這類參數(shù)識別的問題，RBF可以取得更好的精度與運(yùn)行速度。因此，本文采用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行動力電池故障診斷系統(tǒng)的設(shè)計研究。

本文設(shè)計的RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示，由輸入層、隱含層、輸出層構(gòu)成。輸入層的任務(wù)是把輸入數(shù)據(jù)簡單地映射到隱含層，以實現(xiàn)非線性映射，并不對輸入數(shù)據(jù)進(jìn)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(shù)值來表示。

圖3　RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

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

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

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

第三層為輸出層。RBF網(wǎng)絡(luò)輸出層節(jié)點(diǎn)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(jīng)網(wǎng)絡(luò)中，輸出層輸出體現(xiàn)為各種故障的發(fā)生及其嚴(yán)重程度。設(shè)定0到1之間的值表示對應(yīng)的故障程度，越接近數(shù)值1，表示對應(yīng)的故障嚴(yán)重程度越大。

5　測試與結(jié)果分析

神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本由dSPACE電池模型正常運(yùn)行狀態(tài)與各種故障情況下產(chǎn)生的50組數(shù)據(jù)組成，另選取3組作為測試樣本，測試數(shù)據(jù)如表2所示。

為了簡化輸出結(jié)果表達(dá)，在診斷結(jié)果中，僅給出相關(guān)的故障類型與故障嚴(yán)重程度。

第一個樣本診斷結(jié)果如圖4所示，電池過充，溫度偏高，出現(xiàn)嚴(yán)重級故障，診斷系統(tǒng)給出切斷充電電流的提示。

表2　3組測試數(shù)據(jù)

圖4　樣本1診斷結(jié)果圖

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

圖5　樣本2診斷結(jié)果圖

第三個樣本診斷結(jié)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(tǒng)通知電池管理系統(tǒng)降低輸出功率。

圖6　樣本3診斷結(jié)果圖

根據(jù)測試樣本的診斷結(jié)果和分析，設(shè)計的電池故障診斷系統(tǒng)可以正確診斷出電池的故障類型，并且能夠給出故障的嚴(yán)重程度，綜合各種故障的嚴(yán)重程度，進(jìn)行報警和提示，因此，該電池故障診斷系統(tǒng)可以提高電池的安全性。

6　結(jié)論

基于RBF神經(jīng)網(wǎng)絡(luò)，設(shè)計實現(xiàn)了一套純電動汽車動力電池故障診斷系統(tǒng)。利用dSPACE電池模型模擬50種故障樣本，進(jìn)行神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練，通過3組樣本進(jìn)行實際測試，測試結(jié)果顯示，設(shè)計的故障診斷系統(tǒng)可以實時準(zhǔn)確地檢測出各種故障類型和故障嚴(yán)重程度，提高電池組的可靠性與安全性，可以應(yīng)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(xué)特性分析及在化學(xué)電池中的應(yīng)用[J].電源技術(shù)，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(jī)械工程學(xué)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(shù)，2013，37(10)：1749-1754.

[4]張劍波，盧蘭光，李哲.車用動力電池系統(tǒng)的關(guān)鍵技術(shù)與學(xué)科前沿[J].汽車安全與節(jié)能學(xué)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(tài)系統(tǒng)的故障診斷技術(shù)[J].自動化學(xué)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(yè)和信息化部.QC/T 897-2011,電動汽車用電池管理系統(tǒng)技術(shù)條件[S].北京：中華人民共和國工業(yè)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(xué)研究與技術(shù)開發(fā)課題(桂科重1348003-4)；廣西自動檢測技術(shù)與儀器重點(diǎn)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。