馬宗鈺，蘭海潮，宋若旸，闕海霞

基于支持向量機的動力電池故障診斷

馬宗鈺，蘭海潮，宋若旸，闕海霞

（長安大學 汽車學院，陜西 西安 710064）

電池故障診斷是電池管理系統(tǒng)中一項十分重要的技術。針對電池故障和電池輸出狀態(tài)量之間不確定的關系，采用模糊邏輯可以對模糊關系進行準確描述。選用合適的隸屬度函數來表示輸出的電壓、電流信號，用模糊數學理論表示不確定的電池故障與電池輸出狀態(tài)量之間的關系，生成模糊數據庫，用支持向量機對數據進行訓練和測試，由結果可知該方法有較高的準確性。

動力電池；故障診斷；模糊邏輯；支持向量機

前言

為緩解日益嚴重的全球能源和環(huán)境問題以及加快我國汽車產業(yè)轉型升級、促進經濟增長，發(fā)展新能源汽車已被提升到國家戰(zhàn)略高度。《新能源汽車產業(yè)發(fā)展規(guī)劃（2021-2035）》的征求意見稿提出2025年新能源汽車銷量占當年汽車總銷量的20%，到2030年，新能源汽車形成市場競爭優(yōu)勢，銷量占當年汽車總銷量的40%。國家針對新能源汽車的政策，給新能源汽車中產銷量占較大比重的純電動汽車的發(fā)展以及鋰離子動力電池的發(fā)展提供契機。

動力電池作為純電動汽車的動力源，動力電池的性能關系著純電動汽車的整體性能，也與純電動汽車的質量、成本和安全性密切相關，因此，提高動力電池的性能和安全性具有十分重要的意義。動力電池除了一些明顯的故障之外，還有一些不易診斷的故障，比如電池容量變小、內阻變大等。由于單體電池不能滿足電動汽車的動力需求，單體電池通常以串并聯(lián)成組的方式存在。其中一個單體電池出現(xiàn)故障，就會對整個電池組產生影響。對單體電池故障的準確判斷，對于保持電池的性能，保證電池安全性和延長電池使用壽命有十分重要的意義[1]。

1 模糊邏輯

1.1 輸入信號模糊化處理

因為用于故障檢測的電池信息基本為電池的電壓、電流等信息，在用于故障診斷的描述中[2]，例如“充電電壓高”、“電壓上升快”、“充放電電流小”等都是界限不清楚的模糊集合，目前電池管理系統(tǒng)中，通過判斷電池電壓和電流的閾值來診斷電池的故障并不是十分合理，這種方法可能會對故障的類型發(fā)生誤判。

模糊數學和模糊邏輯能很好地處理各種模糊問題，可以用來描述和處理無法用數學來表述的模糊現(xiàn)象，這種方法已經被廣泛應用在控制、醫(yī)療診斷、人工智能、氣象等方面并有了具體的研究成果。模糊故障診斷方法就是對某種類型的故障，選用合適的隸屬度函數來表示輸出的電壓、電流信號，用模糊數學理論表示不確定的電池故障與電池輸出狀態(tài)量之間的關系，形成一組組的模糊數據集合，用這些模糊數據進行動力電池故障診斷[3][4]。

1.2 故障隸屬度函數

計算電池故障隸屬度，主要有兩種方法[4][5]。

第一種方法適用于描述電池輸出數據的大小程度，例如“充電電壓高”、“電池溫度高”等。

第二種方法適用于描述電池輸出數據的變化率，例如“充電電壓上升快”、“放電電壓下降快”等。

上述兩種方法算出后，引用參照系數計算故障隸屬度。

C為癥狀參照系數，取值如表1、表2所示。

表1 癥狀參照系數表

表2 癥狀參照系數表

例如，某磷酸鐵鋰單體電池的電壓為3.47V，而平均電壓為3.3V，則該電池電壓高的差值比為：

由表1可知，電池電壓高的故障參照系數C=0.08，則該磷酸鐵鋰單體電池電壓高的故障隸屬度為：

2 支持向量機

支持向量機是一種監(jiān)督學習的方法，可用于進行模式識別、分類和非線性回歸。支持向量機的基本思想就是建立一個分類超平面作為決策曲面，使正例和反例之間的隔離邊緣最大化。支持向量機基于統(tǒng)計學理論和結構風險最小化原理，有較高的準確率和推廣性。支持向量機使用鉸鏈損失函數計算經驗風險，并在求解系統(tǒng)中加入了了正則化項以優(yōu)化結構風險，是具有穩(wěn)健性和稀疏性的分類器[6]。支持向量機可以通過核方法進行非線性分類，是常見的核學習方法之一[7]。

在分類問題上，盡管不利用問題領域內部知識，但是支持向量機能提供良好的泛化性能。支持向量機具有良好的魯棒性和有效性，并且計算簡單，理論完善。支持向量機算法最初是為二值分類問題設計的，本文的需要診斷電池故障種類大于兩種，因此需要將二分類模型推廣到多分類問題，支持向量機對于多分類問題的辦法主要是訓練多個二分類器。多分類方式有一對一法和一對多法。本文研究的故障種類不多，因此采用一對一法，即在任意兩類樣本之間設計一個SVM，對一個未知樣本進行分類時，得票最多的類別就是該樣本的類別。

3 充放電試驗模擬

如果對故障電池進行充放電試驗，很難找到各種故障并且故障程度不同的電池，對電池進行破壞會造成財力物力損失，對故障電池進行試驗也具有一定的危險性。因此，本文采用仿真實驗，運用simulink中的battery模塊，通過修改電池的參數來模擬電池內阻大、容量低等故障[8]。

表3 訓練樣本

選用的電池模型為磷酸鐵鋰電池模型，電池外界環(huán)境溫度設為20℃。修改電池的參數，對各種故障模擬，對各種故障和正常的電池模型進行恒流充放電仿真測試試驗，得出電池的充放電數據，將各種故障和相應的充放電數據一一對應。并參考1.2節(jié)選用相應的方法算出充放電數據的故障隸屬度，生成如表3所示的模糊數據庫，作為算法的訓練集，用訓練集對SVM進行訓練可以得到分類模型，用得到的模型對表4的數據進行故障類別標簽預測，證明支持向量機在動力電池故障診斷方面的準確性。

表4 測試樣本

其中，表中故障癥狀隸屬度中的1、2、3、4、5分別代表“放電電壓下降快”、“放電電壓低”、“充電電壓上升快”、“充電電壓高”、“充電電壓低”；故障類別中的“0”、“1”、“2”、“3”、“4”分別代表“無故障”、“容量小”、“內阻大”、“充電不足”、“內部開路”。

4 故障診斷

用SVM進行故障診斷主要是運用SVM的分類功能，主要有屬性矩陣和標簽，就可以建立分類模型進行分類預測。

用本文第3節(jié)中模擬充放電試驗到的表3和表4的數據分別用來進行SVM分類模型的訓練和預測，屬性標簽就是表中的故障癥狀，標簽就是表中的故障類別。

圖1 預測結果

預測結果如圖1所示。本文中采用徑向基函數作為支持向量機的核函數，參數選擇c=2，g=1。圖中“○”表示實際的測試樣本的故障類別，“×”表示預測的測試樣本的故障類別，圖中兩種圖形重合，表明預測結果準確，預測的故障類別與實際故障類別相同，運用SVM的分類模型診斷動力電池故障具有一定的準確性。

5 結論

針對動力電池故障和電池輸出狀態(tài)量之間不確定的關系，基于模糊邏輯的優(yōu)點，用故障隸屬度來描述各種故障癥狀的嚴重程度，這樣可以更清晰地表達出電池故障和故障癥狀之間的關系。將仿真實驗得到的數據模糊化處理后用SVM的分類模型來對動力電池故障進行診斷，結果表明該方法可以準確地診斷出動力電池的故障。

[1] 古昂,張向.基于RBF神經網絡的動力電池故障診斷系統(tǒng)研究[J].電源技術,2016,40(10):1943-1945.

[2] 劉文杰.電池組故障診斷專家系統(tǒng)的研究與實現(xiàn)[D].長沙:湖南大學,2005.

[3] 王一卉,姜長泓.模糊神經網絡專家系統(tǒng)在動力鋰電池組故障診斷中的應用[J].電測與儀,2015,52(14):118-123.

[4] 王一卉.純電動汽車鋰電池故障診斷系統(tǒng)的研究[D].長春:長春工業(yè)大學,2015.

[5] 吳建榮.純電動汽車遠程監(jiān)控系統(tǒng)設計及故障診斷方法研究[D].長春:吉林大學,2011.

[6] 李曉輝,張向文,周永健,等.模糊神經網絡的動力電池故障診斷系統(tǒng)[J].電源技術,2019,43(8):1391-1394.

[7] 周志華.機器學習[M].北京:清華大學出版社,2016.

[8] Hsieh,William W. Machine Learning Methods in the Environmental Sciences (Neural Networks and Kernels) || Appendices [J].2009, 10. 1017/CBO9780511627217:318-321.

Power Battery Fault Diagnosis Based on Support Vector Machine

Ma Zongyu, Lan Haichao, Song Ruoyang, Que Haixia

( College of Automobile, Chang'an University, Shaanxi Xi'an 710064 )

Battery fault diagnosis is a very important technology in the battery management system.Aiming at the uncertain relationship between battery failure and battery output state quantity, fuzzy logic can be used to accurately describe the fuzzy relationship.Choose a suitable membership function to represent the output voltage and current signals, use fuzzy mathematics to represent the relationship between uncertain battery faults and battery output status, generate a fuzzy database, and use support vector machines to train and test the data.The result shows that the method has high accuracy.

Power battery; Fault diagnosis; Fuzzy logic; Support vector machine

10.16638/j.cnki.1671-7988.2021.02.002

U467

B

1671-7988(2021)02-05-03

U467

B

1671-7988(2021)02-05-03

馬宗鈺，碩士研究生，就讀于長安大學汽車學院，研究方向：新能源車輛技術。