張騫　郭昊　謝文龍

摘要：利用FMEA經(jīng)典知識對電池系統(tǒng)的失效模式進行分析，并對系統(tǒng)總體方案進行設(shè)計，最后詳述了GA-SVM電池系統(tǒng)故障診斷算法，并采用“一對一”和“一對多”兩種多分類算法進行對比驗證。結(jié)果表明：電池系統(tǒng)故障得到準確判斷及定位，故障識別率分別達到100%和90%。

關(guān)鍵詞：電池系統(tǒng)；失效模式；故障識別率

中圖分類號：TB

文獻標識碼：A

doi：10.19311/j.cnki.16723198.2017.01.091

0引言

隨著全球性能源短缺和對環(huán)保意識的不斷提高，純電動汽車已成為未來汽車產(chǎn)業(yè)的重要發(fā)展趨勢。電池系統(tǒng)作為電動汽車的核心部件更是得到了廣泛的關(guān)注與研究。

電池系統(tǒng)性能好壞直接影響著整車安全性和可靠性。由于動力電池組在運行過程中狀態(tài)參數(shù)不能實時被監(jiān)控和故障提醒，易出現(xiàn)過充、過放、高溫及電壓一致性差等問題，為了提高電池系統(tǒng)的性能，自診斷設(shè)計顯得尤為重要。

本文基于FMEA對電池系統(tǒng)失效模式分析的基礎(chǔ)上設(shè)計電池管理系統(tǒng)的故障自診斷策略；進行基于支持向量機（SVM）的電池系統(tǒng)故障識別算法的設(shè)計，并加入遺傳算法（GA）進行參數(shù)的自適應(yīng)尋優(yōu)提高故障的識別率。

1系統(tǒng)失效分析

根據(jù)電池系統(tǒng)特點并結(jié)合FMEA中經(jīng)典理論來對其運行過程中失效模式進行分析，重點是對電池運行過程中可能出現(xiàn)的各故障狀態(tài)進行分析，包括電池工作中的過充、過放、高溫以及單體電池電壓間不一致現(xiàn)象；電池系統(tǒng)中的硬件電路的故障分析，包括電流傳感器、溫度傳感器、執(zhí)行器和控制器本身的故障。分析結(jié)果如表1所示。

2動力電池系統(tǒng)故障診斷總體方案設(shè)計

動力電池系統(tǒng)技術(shù)還不是很成熟，經(jīng)常會出現(xiàn)各種各樣的故障?，F(xiàn)階段在故障診斷技術(shù)研究的基礎(chǔ)上，結(jié)合動力電池系統(tǒng)特點，采用典型特征數(shù)據(jù)的離線訓練仿真并進行在線算法驗證的方式對電池系統(tǒng)故障診斷進行設(shè)計。具體設(shè)計方案如圖1所示。

如圖2所示，基于支持向量機的故障診斷分為四步：

（1）電池數(shù)據(jù)：通過BMS對電池的各種參數(shù)特征信號進行實時采集，比如電池電壓、電流、溫度等。

（2）數(shù)據(jù)處理：通過[0，1]歸一化對篩選的故障特征數(shù)據(jù)進行處理，構(gòu)造出訓練和測試樣本集。

（3）經(jīng)典SVM分類：有常規(guī)的兩部分組成，其中訓練SVM是對學習樣本數(shù)據(jù)進行訓練，得到訓練模型；預(yù)測數(shù)據(jù)是將測試集數(shù)據(jù)樣本輸入訓練好的模型進行模式識別分類，得到預(yù)測結(jié)果。

（4）結(jié)論：得出分類的準確率。

3.2電池系統(tǒng)故障診斷

3.2.1樣本數(shù)據(jù)

采用電池系統(tǒng)5類故障進行分類：1總電壓；2模塊電壓；3模塊溫度；4環(huán)境溫度；5充放電電流。加入正常數(shù)據(jù)共6類數(shù)據(jù)，每種10個樣本為訓練樣本，共60個數(shù)據(jù)集，并進行歸一化處理。

3.2.2多故障分類器

將60個數(shù)據(jù)作為訓練樣本，分類器采用高斯徑向基核函數(shù)，采用“一對一”、“一對多”兩種多分類算法?！耙粚σ弧狈诸悾簩煞N狀態(tài)各10個樣本作為分類器的兩端輸入，分別標識為+1和-1，對應(yīng)6種狀態(tài)共建立15個兩類分類器；“一對多”分類：將一種狀態(tài)的10個樣本和其余5種狀態(tài)的50個樣本作為分類器的兩端輸入，分別標識為+1和-1，對應(yīng)6種工作狀態(tài)共建立6個兩類分類器。

3.2.3基于GA實現(xiàn)SVM參數(shù)自適應(yīng)優(yōu)化

考慮到目前SVM的參數(shù)選擇仍然采用實驗試湊法，很難獲取到最優(yōu)參數(shù)，本文利用GA對SVM的參數(shù)進行自適應(yīng)尋優(yōu)，對SVM的參數(shù)C、g進行尋優(yōu)，具體流程如圖3所示。

3.2.4結(jié)果分析

首先對30個測試樣本進行“一對一”分類算法的驗證，共進行20次的參數(shù)尋優(yōu)，并分別對尋優(yōu)的參數(shù)進行SVM訓練。在保證高分類率的基礎(chǔ)上選取具有最小參數(shù)C的一組值進行驗證。具體分類結(jié)果如圖4所示。

4結(jié)論

基于GA-SVM的鉛酸動力電池系統(tǒng)故障診斷的應(yīng)用將對車用電池管理系統(tǒng)的穩(wěn)定性、安全性及經(jīng)濟適用性帶來保障，可以有效的減輕動力電池系統(tǒng)故障對電動汽車正常運行的影響，從而提高整車的安全性能，對電池系統(tǒng)的進一步維護和開發(fā)具有很大的作用和實際意義。

參考文獻

[1]胡蓓.鎳氫電池前景可期[J].中國金屬通報，2010，（2）：1819.

[2]張劍波，盧蘭光，李哲等.車用動力電池系統(tǒng)的關(guān)鍵技術(shù)與學科前沿[J].汽車安全與節(jié)能學報，2012，3（2）：87104.

[3]Stamatis，D.H.著，陳曉彤，姚紹華譯.故障模式與失效分析：FEMA從理論到實踐[M].北京：國防工業(yè)出版社，2005.