彭運賽，夏 飛，袁 博，王志成，羅志疆

(1.上海電力大學(xué)自動化工程學(xué)院，上海 200090； 2.國家電網(wǎng)南瑞集團公司，南京 210000；3.國家電網(wǎng)浙江送變電有限公司，杭州 310020； 4.國家電網(wǎng)淮北供電公司，淮北 235000)

前言

鋰離子電池具有單體電池電壓高、循環(huán)次數(shù)多、能量密度高和無污染等優(yōu)點[1-2]，已成為一種廣為應(yīng)用的動力電池。 確保鋰離子電池安全可靠運行是其發(fā)展的核心。 由于我國的鋰離子電池技術(shù)并未完全成熟，電池組不均衡故障的初期特征不易被發(fā)現(xiàn)，因此對鋰離子電池組進行故障診斷，具有重要的現(xiàn)實意義。

鋰離子電池組的不均衡指的是同型號、同規(guī)格電池單體的容量、內(nèi)阻和電壓等參數(shù)存在較大偏差。它會導(dǎo)致電池在充放電過程中出現(xiàn)過充、過放的現(xiàn)象，嚴(yán)重影響電池組的使用安全與使用壽命。 鋰離子電池組的不均衡故障主要包括容量偏小故障、SOC 偏低故障和內(nèi)阻偏大故障。 目前鋰電池故障診斷方法以神經(jīng)網(wǎng)絡(luò)、支持向量機等淺層網(wǎng)絡(luò)為主。文獻[3]中利用BP 神經(jīng)網(wǎng)絡(luò)對鋰電池不均衡故障進行診斷分析，但僅采用少量樣本，無法實現(xiàn)工程應(yīng)用。 文獻[4]中利用RBF 神經(jīng)網(wǎng)絡(luò)，基于 dSPACE電池模型，設(shè)計了一套電動汽車動力鋰離子電池的故障診斷系統(tǒng)。 由于鋰電池組自身結(jié)構(gòu)復(fù)雜且工作環(huán)境差異較大，導(dǎo)致其診斷準(zhǔn)確性降低，文獻[5]中在決策層采用改進D-S 證據(jù)理論組合規(guī)則，融合BP 網(wǎng)絡(luò)和RBF 網(wǎng)絡(luò)兩種故障診斷結(jié)果，避免了單一方法診斷可能造成故障誤診的狀況。 該方法雖然對診斷結(jié)果進行改進，卻仍未解決淺層網(wǎng)絡(luò)診斷準(zhǔn)確率低的問題。 這是因為淺層神經(jīng)網(wǎng)絡(luò)對復(fù)雜特征的學(xué)習(xí)能力較弱，不適用于特征提取精度要求高的故障診斷領(lǐng)域。 針對這種情況，部分學(xué)者提出深度學(xué)習(xí)的故障診斷方法，在更深層次提取信號特征，實現(xiàn)更精確的診斷。

卷積神經(jīng)網(wǎng)絡(luò)(convolution neural network，CNN)作為典型的深度學(xué)習(xí)算法，被廣泛應(yīng)用于圖像識別領(lǐng)域。 與傳統(tǒng)淺層網(wǎng)絡(luò)相比，卷積神經(jīng)網(wǎng)絡(luò)具有更強大的特征提取能力，運算速度快，避免了訓(xùn)練易陷入局部極值的問題。 近年來，國內(nèi)外學(xué)者將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于故障診斷中并取得了不錯的研究成果。 文獻[6]中在傳統(tǒng)CNN 網(wǎng)絡(luò)的基礎(chǔ)上增加反饋機制通過調(diào)節(jié)卷積核的數(shù)量與大小，來提高絕緣子狀態(tài)檢測的正確率。 文獻[7]中利用短時傅里葉變換生成軸承振動信號的時頻譜圖，建立CNN 診斷模型，通過增加相應(yīng)環(huán)境的數(shù)據(jù)驗證了其魯棒性。 文獻[8]中提出一種自適應(yīng)一維卷積神經(jīng)網(wǎng)絡(luò)故障診斷算法，利用深度網(wǎng)絡(luò)結(jié)構(gòu)實現(xiàn)對原始振動信號特征的自適應(yīng)層級化提取，在輸出端利用 Softmax 分類器輸出診斷結(jié)果。 但隨著CNN 層數(shù)的增多，最后得到的特征向量的尺寸不斷減小，若僅以最后一層復(fù)雜度最高的特征進行分類易出現(xiàn)過擬合的風(fēng)險。 文獻[9]中將CNN 不同層的特征進行可視化分析，發(fā)現(xiàn)不同層次的特征可以互為補充，并對低層次特征下采樣得到與高層次特征相同維度進行融合。 文獻[10]中采用多層特征融合的CNN 優(yōu)化方案，實現(xiàn)行人與騎車人的聯(lián)合檢測。 文獻[11]中利用兩路CNN 分別進行特征提取，進行不同維度的特征融合，實現(xiàn)了車輛型號的識別。 綜上所述，本文中擬采用改進的CNN深度神經(jīng)網(wǎng)絡(luò)進行動力電池組的故障診斷。

在采用一般的CNN 網(wǎng)絡(luò)對動力電池組故障進行診斷后，發(fā)現(xiàn)診斷正確率只有92.5%。 為了進一步提高CNN 網(wǎng)絡(luò)在動力電池組故障診斷中的準(zhǔn)確率，本文中從以下3 方面對 CNN 網(wǎng)絡(luò)進行了改進。

(1)在CNN 網(wǎng)絡(luò)中加入了Concat 層，從而可以同時融合不同層次的特征，減少了僅有深層次特征造成的過擬合。

(2)采用帶修正項的最小分類誤差(minimum classification error，MCE)目標(biāo)函數(shù)優(yōu)化交叉熵函數(shù)，將其作為網(wǎng)絡(luò)的損失函數(shù)，彌補了交叉熵函數(shù)對非標(biāo)簽維梯度不做處理的不足，同時解決了MCE 梯度反向問題。

(3)采用信息準(zhǔn)則(information criterion， IC)的方法確定CNN 網(wǎng)絡(luò)的最優(yōu)結(jié)構(gòu)，避免以遍歷的方式測試模型，單純以目標(biāo)測試集分類準(zhǔn)確率作為標(biāo)準(zhǔn)的方法。

在對CNN 深度神經(jīng)網(wǎng)絡(luò)進行改進之后，本文中針對動力電池組故障診斷，提出了一種融合診斷的方法，具體步驟如下:首先對鋰電池的電壓和SOC變化的信號采用小波包分解分別處理，得到能量值構(gòu)成輸入特征向量；然后采用上述改進的CNN 診斷網(wǎng)絡(luò)對動力電池組故障進行初步診斷；如果初步診斷結(jié)果滿足確診條件，則得到動力電池組的診斷結(jié)果，如果不滿足確診條件，則對動力電池組故障采用CNN 網(wǎng)絡(luò)進行輔助診斷，并采用D-S 證據(jù)理論的方法將初步診斷結(jié)果和輔助診斷結(jié)果進行融合，從而得到最終的診斷結(jié)果。 該方法的總體框圖如圖1所示。

圖1 改進CNN 的動力電池組融合診斷方法框圖

1 卷積神經(jīng)網(wǎng)絡(luò)的改進

1.1 改進的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)包括輸入層、隱含層、全連接層和輸出層，其中隱含層由多個卷積層與池化層交叉堆疊而成。 原始數(shù)據(jù)通過在隱含層的逐層特征提取，完成低層次特征到高層次特征的變換，實現(xiàn)特征學(xué)習(xí)。 由于本文中采用一維向量作為網(wǎng)絡(luò)輸入，隱含層過多易造成網(wǎng)絡(luò)的過擬合，因此采用兩層卷積層結(jié)構(gòu)。

隨著CNN 層數(shù)的增多，提取的特征加深，最終得到的特征向量的尺寸不斷減小。 僅以最終復(fù)雜度最高的特征進行分類易出現(xiàn)過擬合的風(fēng)險。 模型精度達(dá)到飽和后，梯度消失變得明顯，精度反而降低。同時，網(wǎng)絡(luò)層數(shù)增多也會導(dǎo)致模型的收斂速度變慢，訓(xùn)練時間拖長。

本文中提出在全連接層前加入Concat 層，在Concat 層中同時融合不同層次特征的方法。 分類器進行分類時，以相互補充的融合特征作為標(biāo)準(zhǔn)，減少了僅有深層次特征造成的過擬合。 Concat 層的操作過程為

式中:Xc為融合后的特征；fconcat(·)為特征融合操作；xc-1為Concat 層前一層的特征向量；xm為第m層待融合的特征向量。

Concat 層融合時若選擇最后一層特征與未經(jīng)池化的低層特征，高層特征的占比將會很小，勢必會影響故障診斷的精度。 因此Concat 層對第一層池化后的淺層特征與最后一層卷積層提取的高層特征進行融合。 在全連接層將Concat 層中融合結(jié)果連接成一條一維向量。 由于本方法中采用一維數(shù)據(jù)作為特征向量，所以特征的融合無需考慮特征數(shù)據(jù)的大小，避免了傳統(tǒng)CNN 特征融合中結(jié)構(gòu)限制或特征數(shù)據(jù)丟失的問題。

添加了Contact 層的卷積神經(jīng)網(wǎng)絡(luò)模型如圖2所示。 輸入層的1*18 維特征數(shù)據(jù)和卷積層中3 個1*3 維卷積核進行卷積操作，形成3 個1*16 維特征向量，并繼續(xù)進行池化、卷積操作，在Concat 層融合池化層和C2 卷積層中的不同層次特征，在全連接層連接為一維向量，最終通過分類器完成診斷輸出。

圖2 改進的CNN 模型

1.2 基于MCE 準(zhǔn)則的交叉熵函數(shù)優(yōu)化

在CNN 的訓(xùn)練過程中，目標(biāo)函數(shù)的選擇尤為重要。 常見的損失函數(shù)有均方誤差函數(shù)和交叉熵函數(shù)。 由于交叉熵函數(shù)比均方誤差函數(shù)平坦區(qū)域小，容易跳出局部最優(yōu)值，所以更適用于多分類問題[12]，而均方誤差函數(shù)則更適合于解決回歸問題[13]。 但交叉熵存在對非標(biāo)簽維數(shù)據(jù)不做處理而直接進行訓(xùn)練的問題，這會影響對網(wǎng)絡(luò)的訓(xùn)練精度和收斂速度。 文獻[14]中最早引入最小分類誤差(minimum classification error， MCE)準(zhǔn)則，來優(yōu)化淺層神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。 為克服深度網(wǎng)絡(luò)中因目標(biāo)函數(shù)梯度飽和而影響網(wǎng)絡(luò)訓(xùn)練的問題，文獻[15]中提出基于最大間隔最小分類誤差的方法建立目標(biāo)函數(shù)，但該方法在錯誤分類時部分非標(biāo)簽維和交叉熵梯度方向會出現(xiàn)相反的情況，導(dǎo)致網(wǎng)絡(luò)在反向傳播的過程中無法充分訓(xùn)練。 文獻[12]中提出帶修正項的MCE 目標(biāo)函數(shù)優(yōu)化交叉熵函數(shù)，彌補了交叉熵函數(shù)對非標(biāo)簽維梯度不做處理的不足，同時解決了MCE梯度反向問題。

分類損失函數(shù)[12]定義為

因此，加入MCE 準(zhǔn)則修正項后的交叉熵?fù)p失函數(shù)表示為

此時，當(dāng)模型錯誤分類時，優(yōu)化后的損失函數(shù)可對非標(biāo)簽維的梯度進行區(qū)分處理，保證梯度方向與交叉熵方向一致。

1.3 基于BIC 信息準(zhǔn)則的卷積核尺寸確定

CNN 結(jié)構(gòu)的確定迄今缺乏統(tǒng)一的標(biāo)準(zhǔn)。 依賴人工經(jīng)驗進行結(jié)構(gòu)選取時通常采用遍歷的方式測試模型，單純以目標(biāo)測試集的分類準(zhǔn)確率作為標(biāo)準(zhǔn)。而目標(biāo)測試集數(shù)據(jù)量較少，模型可能存在對目標(biāo)測試集數(shù)據(jù)過擬合的情況，對目標(biāo)數(shù)據(jù)集以外數(shù)據(jù)效果不理想。 針對無法準(zhǔn)確確定最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)的問題，文獻[16]和文獻[17]中提出采用赤池信息準(zhǔn)則(Akaike information criterion，AIC)對樣本輸入信息與輸出信息同時考慮以確定最優(yōu)RBF 網(wǎng)絡(luò)的方法，但AIC 準(zhǔn)則存在懲罰因子與樣本容量無關(guān)的缺陷，在樣本容量較大時對模型的懲罰相對較小。 文獻[18]中基于改進的AIC 準(zhǔn)則確定電池RC 等效電路模型的階數(shù)，通過改變懲罰項的階數(shù)增大樣本容量的懲罰，但階數(shù)的確定仍依賴主觀判斷。 對此，文獻[19]中基于貝葉斯信息準(zhǔn)則(Bayesian information criterion，BIC)建立鋰電池最優(yōu)變階RC 等效電路模型，有效改善了AIC 準(zhǔn)則的缺陷。 因此本文中采用BIC 信息準(zhǔn)則確定改進CNN 網(wǎng)絡(luò)中卷積核的個數(shù)。

BIC 準(zhǔn)則的定義為

式中:L為極大似然函數(shù)值；n為樣本容量；T為模型中未知的參數(shù)個數(shù)。 BIC 一般為負(fù)值，其值越小(即絕對值越大)表示模型的擬合程度越好。

當(dāng)CNN 模型的誤差服從正態(tài)分布時，BIC 準(zhǔn)則可改寫為

式中SSE(sum of squares for error)為殘差平方和。在本模型中T和SSE分別表示為

式中:h為單個卷積核內(nèi)參數(shù)的數(shù)量；mh為參數(shù)數(shù)量為h的卷積核的個數(shù)；Tf為全連接層的參數(shù)個數(shù)；和yi分別為第i個實驗數(shù)據(jù)的診斷輸出和實際輸出值。

通過計算不同卷積核的BIC 值，就可以確定其中的最優(yōu)卷積核的個數(shù)。

2 融合診斷方法

當(dāng)采用以上改進的CNN 深度神經(jīng)網(wǎng)絡(luò)進行動力電池組故障診斷時，在得到初步診斷結(jié)果后，將根據(jù)以下的確診條件判斷是否結(jié)束診斷:即對輸出結(jié)果中的最大值和次最大值進行求差運算。 當(dāng)兩者的差值大于等于0.1 時，滿足診斷條件，此時的診斷結(jié)果為最終診斷結(jié)果。 而當(dāng)兩者的差值小于0.1 時，則不滿足確診條件，須啟動復(fù)診過程。

復(fù)診診斷過程包括兩個部分。 第一部分，調(diào)用一般CNN 網(wǎng)絡(luò)，對剛才進行診斷的電池組故障進行輔助診斷。 第二部分，采用D-S 證據(jù)理論的方法，將一般CNN 網(wǎng)絡(luò)得到的輔助診斷結(jié)果和之前改進CNN 網(wǎng)絡(luò)得到的初步診斷結(jié)果進行融合，從而得到最終診斷結(jié)果。

其中，D-S 證據(jù)理論的組合規(guī)則為

式中:m(A)為基本概率分配(basic probability assignment，BPA)函數(shù)，表示證據(jù)體對A的支持程度；k ＝為證據(jù)體之間的沖突系數(shù)。

按照式(8)對動力電池組故障的初步診斷結(jié)果和輔助診斷結(jié)果進行融合后，確定最終的診斷結(jié)果須滿足以下條件。

(1)輸出狀態(tài)的BPA 為所有狀態(tài)BPA 的最大值，即

(2)融合結(jié)果中最大BPA 與次最大BPA 的差異足夠大，即

式中:At為證據(jù)體中最大BPA；Ar為證據(jù)體中次最大BPA。

(3)輸出狀態(tài)的BPA 值大于一定閾值，即

ε1和ε2一般根據(jù)經(jīng)驗選取，本文中選擇ε1＝0.2，ε2＝0.5。

3 實驗驗證

3.1 實驗數(shù)據(jù)描述

由于單體電池?zé)o法滿足電動汽車的電壓需求，須將單體電池串聯(lián)成電池組使用。 電動汽車電池組又分為若干模組串聯(lián)，每個模組由多個并聯(lián)的電芯結(jié)構(gòu)串聯(lián)組成。 實際應(yīng)用中無法監(jiān)測并聯(lián)結(jié)構(gòu)中單體電池的電壓，因此可將每個電芯并聯(lián)結(jié)構(gòu)等效成一個大電池。 文獻[20]中采用6 個單體鋰離子電池構(gòu)成電池組進行均衡研究，本文中參照該結(jié)構(gòu)，利用6 個3 階高精度RC 等效電池模型構(gòu)建電池組Simulink 模型。 模型的參數(shù)通過混合脈沖功率特性(hybrid pulse power characterization test， HPPC)測試辨識得到。 電池組模型可根據(jù)各單體電池初始SOC和各個性能參數(shù)的衰減狀況，得到不同狀態(tài)下的電壓和SOC 值。 本文中在美國城市循環(huán)工況(urban dynamometer driving schedule，UDDS)下采集電池組中不同性能參數(shù)衰減狀態(tài)下的各單體電池的電壓、SOC 變化數(shù)據(jù)作為故障診斷的原始數(shù)據(jù)信號。

3.2 故障特征提取

采用3 層小波包分別對UDDS 工況下的動力電池電壓和SOC 信號進行分解。 第3 層小波包可將各信號分成由低頻至高頻的8 個信號分量，分別對信號分量進行小波包系數(shù)重構(gòu)，利用能量公式計算得到節(jié)點的能量值。 模型輸入特征數(shù)據(jù)采用每組數(shù)據(jù)的電壓、SOC 能量值、電壓初值、SOC 初值的數(shù)據(jù)組合，即特征向量的尺寸為1*18 維。

SOC 偏低故障A1、容量偏小故障A2、內(nèi)阻偏大故障A3和正常狀況A4分別在網(wǎng)絡(luò)中采用矢量(1，0，0，0)、(0，1，0，0)、(0，0，1，0)和(0，0，0，1)來表示輸出。

3.3 改進的CNN 結(jié)構(gòu)

為分析改進CNN 的特征提取能力與分類效果，分別采用加入Concat 層與未加Concat 層的相同卷積層結(jié)構(gòu)的CNN 網(wǎng)絡(luò)進行實驗對比，隱含層選擇結(jié)構(gòu)為:C1(1*3*3)-P-C2(1*3*3)，其中 C 代表卷積層，(1*3*3)代表該層有3 個1*3 的卷積核，P 代表池化層。 訓(xùn)練過程中學(xué)習(xí)率設(shè)定為0.1，迭代次數(shù)設(shè)定為300 次，訓(xùn)練結(jié)果如圖3 所示。

圖3 不同結(jié)構(gòu)的CNN 準(zhǔn)確率

從圖中可以看出，改進前后的整體趨勢大致相同，均能夠在快速達(dá)到收斂狀態(tài)，但是加入Concat層后的改進CNN 網(wǎng)絡(luò)明顯具有更高的診斷準(zhǔn)確率，達(dá)到92.5%。 同時由于訓(xùn)練過程中完成淺層次特征提取的進程較快，加入Concat 層的改進CNN 訓(xùn)練速度有所提升。 可見，采用改進的CNN 結(jié)構(gòu)融合不同層次數(shù)據(jù)特征，可以實現(xiàn)更加準(zhǔn)確的分類。

3.4 損失函數(shù)優(yōu)化

采用上文加入Concat 層的CNN 網(wǎng)絡(luò)結(jié)構(gòu)與訓(xùn)練參數(shù)，利用MCE 準(zhǔn)則對其訓(xùn)練過程中的交叉熵函數(shù)進行優(yōu)化，其結(jié)果如圖4 所示。

圖4 優(yōu)化損失函數(shù)后對準(zhǔn)確率的影響

從圖中可以看到，對交叉熵進行優(yōu)化后，收斂速度未受到過多影響。 交叉熵函數(shù)在訓(xùn)練過程中對非標(biāo)簽維數(shù)據(jù)不做處理產(chǎn)生的影響主要體現(xiàn)在訓(xùn)練精度中，優(yōu)化模型訓(xùn)練過程中精度有較明顯的提升，訓(xùn)練完成時MCE 優(yōu)化后的改進CNN 模型的診斷精度達(dá)到93.5%，比未優(yōu)化模型的準(zhǔn)確率提高1 個百分點。

ALE，可以將SAP系統(tǒng)中的信息分享到別的系統(tǒng)中，其主要功能是為兩個有關(guān)聯(lián)的SAP系統(tǒng)提供信息同步服務(wù)，在SAP應(yīng)用體系中發(fā)揮著非常重要的作用。IDoc是一個中間文件，也可以成為數(shù)據(jù)容器，主要功能是實現(xiàn)SAP系統(tǒng)與其他系統(tǒng)之間的信息交換。

3.5 基于BIC 準(zhǔn)則的卷積核確定

根據(jù)BIC 準(zhǔn)則的“吝嗇原理”，其值最小代表模型最佳。 在確定CNN 網(wǎng)絡(luò)結(jié)構(gòu)后，對卷積層不同的卷積核尺寸分別進行了實驗，得到其BIC 值，實驗結(jié)果如表1 所示。 表中的“準(zhǔn)確度值”即為式(5)中的第1 項，它皆為負(fù)值，其絕對值越大，表示準(zhǔn)確度越高；“過擬合懲罰”即為式(5)中的第2 項，其數(shù)值越小，表示模型越簡單。

表1 CNN 網(wǎng)絡(luò)中不同卷積核尺寸的BIC 值

由表1 可知，當(dāng)采用“C1(1*3*3)-P-C2(1*4*3)”的卷積層結(jié)構(gòu)時，BIC 值為-698，準(zhǔn)確度值和過擬合懲罰值分別為-1 347 和649，均為測試結(jié)構(gòu)中的最低值，故本文中的改進CNN 網(wǎng)絡(luò)中采用了以上卷積層結(jié)構(gòu)。

為了進一步說明通過BIC 準(zhǔn)則確定的CNN 結(jié)構(gòu)具有較好的診斷效果，分別采用該結(jié)構(gòu)CNN 網(wǎng)絡(luò)和一般CNN 網(wǎng)絡(luò)對動力電池組數(shù)據(jù)進行測試。 這里分別選擇了4 組故障數(shù)據(jù)集進行測試，測試結(jié)果如圖5 所示。

圖5 不同測試集下的準(zhǔn)確率

從圖5 中可以看出，除測試數(shù)據(jù)集3 中兩個網(wǎng)絡(luò)的準(zhǔn)確率相同外，其余數(shù)據(jù)集中通過BIC 準(zhǔn)則確定的最優(yōu)網(wǎng)絡(luò)均具有較高的準(zhǔn)確率。 可見采用BIC準(zhǔn)則確立的CNN 模型在動力電池組故障診斷中具有較高的準(zhǔn)確率。

3.6 基于融合診斷的動力電池組故障診斷

根據(jù)3.3 節(jié)和3.5 節(jié)的實驗結(jié)果，本文中最終確定了改進的CNN 診斷網(wǎng)絡(luò)用于動力電池組故障診斷。 為分析該診斷網(wǎng)絡(luò)的性能，分別采用BP 神經(jīng)網(wǎng)絡(luò)、LSTM 網(wǎng)絡(luò)、一般CNN 網(wǎng)絡(luò)和本文中提出的改進CNN 網(wǎng)絡(luò)在相同的訓(xùn)練集與測試集中進行特征學(xué)習(xí)與故障診斷。 表2 給出了不同方法在電池組不一致故障數(shù)據(jù)集中的診斷準(zhǔn)確率。

表2 不同方法的診斷準(zhǔn)確率

從表2 可以看到，BP 神經(jīng)網(wǎng)絡(luò)的診斷準(zhǔn)確率明顯低于其余3 種深度學(xué)習(xí)算法。 本文中提出的改進CNN 方法對于動力電池組故障具有較好的診斷效果。 尤其對另外3 種方法均無法高效檢測出的容量偏小故障，改進CNN 的準(zhǔn)確率可達(dá)98%。 但對正常狀態(tài)的診斷準(zhǔn)確率相對較低，僅有88%。 與改進CNN 相比，一般 CNN 網(wǎng)絡(luò)的診斷準(zhǔn)確率也可達(dá)到92.5%。

因此為進一步提高動力電池組故障診斷的準(zhǔn)確率，可對改進CNN 網(wǎng)絡(luò)的診斷結(jié)果加入確診條件判斷。 當(dāng)不滿足確診條件時，可將一般CNN 網(wǎng)絡(luò)作為輔助診斷網(wǎng)絡(luò)對動力電池組故障進行診斷，并將輔助診斷結(jié)果和改進CNN 網(wǎng)絡(luò)得到的初步診斷網(wǎng)絡(luò)結(jié)果采用D-S 理論進行融合，并根據(jù)決策條件得到最終診斷結(jié)果。

該電池組實際情況為正常，而故障初步診斷的結(jié)果如表3 第1 行所示。 由表3 可知，在改進CNN網(wǎng)絡(luò)診斷中，雖然根據(jù)輸出最大值原則，判斷該故障為容量偏小故障，但容量偏小對應(yīng)的輸出和正常的輸出差值僅為0.04，不符合確診條件。 所以對該故障繼續(xù)采用一般CNN 網(wǎng)絡(luò)進行輔助診斷，診斷結(jié)果如表3 第2 行所示，判定為正常。

表3 動力電池組故障融合診斷舉例

進一步對表3 中的初步診斷結(jié)果和輔助診斷結(jié)果進行融合，得到融合診斷結(jié)果。 其中，診斷結(jié)果為正常的數(shù)值為0.75，遠(yuǎn)大于排在第2 位的診斷結(jié)果，故該動力電池組為正常狀態(tài)。 從表3 中可以看到，改進CNN 方法中錯誤診斷的數(shù)據(jù)經(jīng)D-S 融合后輸出正確的判定結(jié)果，證明了本文中提出的融合診斷方法是可行的。

接下來，對相同的動力電池組故障采用本文中提出的融合診斷方法進行了測試，得到的測試結(jié)果如圖6 所示。

從圖6 中可以看出，采用融合診斷的方法之后，整體故障診斷準(zhǔn)確率由僅采用改進CNN 網(wǎng)絡(luò)得到的95%提高到96%。 特別是采用該方法后，電池組正常狀態(tài)的準(zhǔn)確率由88%提升至94%，明顯減少了電池組故障診斷中誤診的情況。 當(dāng)然，在采用融合診斷后，對于容量偏小的診斷準(zhǔn)確率相比于改進CNN 網(wǎng)絡(luò)診斷的診斷準(zhǔn)確率低了2%，這一問題需要在后續(xù)工作中進行深入研究。

4 結(jié)論

(1) 在全連接層前增加Concat 層，提出不同層次特征融合的改進CNN 模型，提高了網(wǎng)絡(luò)的訓(xùn)練速度與診斷精度。 并在訓(xùn)練過程中利用MCE 準(zhǔn)則優(yōu)化交叉熵函數(shù)，解決了其非標(biāo)簽維梯度在反向傳播中不做處理的問題。

(2) 通過BIC 準(zhǔn)則確定卷積層中最優(yōu)的卷積核尺寸與數(shù)量，解決了主觀選擇CNN 結(jié)構(gòu)導(dǎo)致的模型適用范圍小的缺點。

(3) 在得到改進CNN 診斷結(jié)果后，采用確診條件進行判斷。 對不符合確診條件的診斷結(jié)果，進一步采用輔助診斷網(wǎng)絡(luò)，將初步診斷結(jié)果和輔助診斷結(jié)果采用D-S 證據(jù)理論進行融合，從而提高了動力電池組的故障診斷準(zhǔn)確率。