服务粉丝

我们一直在努力
当前位置：首页 > 财经 >

《储能科学与技术》推荐|王志福 等：基于GAPSO-FNN神经网络的锂离子电池传感器故障诊断​

日期： 来源：储能科学与技术收集编辑：王志福 罗崴 等

作者：王志福 1,2 罗崴 2闫愿 1徐崧 1郝文美 1周聪林 3

单位：1. 北京理工大学机械与车辆学院；2. 广西科技大学自动化学院；3. 上海电机学院商学院

引用：王志福,罗崴,闫愿等.基于GAPSO-FNN神经网络的锂离子电池传感器故障诊断[J].储能科学与技术,2023,12(02):602-608. 

DOI：10.19799/j.cnki.2095-

4239.2022.0403

摘 要 新能源汽车的动力电池内部存在多种传感器用来进行电池系统的安全监测，而传感器故障会导致荷电状态等指标出现误差，严重时会触发电池热失控的风险。为了有效准确地进行电池传感器故障诊断，提出基于遗传算法优化粒子群算法(genetic algorithm optimized particle swarm optimization，GAPSO)和模糊神经网络(fuzzy neural network， FNN)的锂离子电池传感器故障诊断方法对锂离子电池的传感器进行故障诊断，该方法使识别故障准确率迅速提升。本工作首先通过硬件平台和Matlab/Simulink环境相结合的方式获取电池传感器故障的数据，然后对故障数据进行预处理及特征提取，最后采用GAPSO-FNN算法对电池传感器进行故障诊断，并与传统神经网络和模糊神经网络方法的结果进行对比。仿真结果表明，基于GAPSO-FNN的锂离子电池传感器故障诊断方法相比于传统的神经网络方法测量准确率提升了25%，相比于模糊神经网络准确率提升了10%，故障诊断准确率能够达到95%，在减少故障诊断所需信息量的同时，有效地提升了故障诊断的准确率。
关键词 锂离子电池；传感器故障诊断；GAPSO-FNN；健康监测；热失控风险
动力电池的工作状态与传感器采集的数据息息相关，通过对数据的统计与分析，可以对电池的状态进行实时监控，并通过一系列运算对电池状态进行控制优化管理。但新能源汽车往往工作在复杂的工况环境中，这样会加速电池的老化速度。由于电池出厂时制作工艺的不足以及车辆行驶过程中出现颠簸等因素的影响，难免会引起电池传感器发生偏置、失效等故障，传感器的故障不仅会引起荷电状态(state of charge，SOC)、功率状态(state of power，SOP)等参数产生较大的误差，还会引起电池的过充过放及电池管理系统(battery management system，BMS)发布一系列的错误温度指令，造成漏报、误报，进而触发热失控的风险。Xiong等提出了一种基于串联电池组的传感器故障诊断方案，该方案通过电池计算出真实的SOC与递推最小二乘法和无迹卡尔曼滤波法联合估计的SOC之间的残差来对传感器故障进行检测，但基于模型的方法只针对特定故障，且判断故障的阈值不易得到，所以不具备泛用性。潘凤文等提出用奇偶空间法来设计残差生成器，并通过系统矩阵的运算来隔离故障，可是矩阵运算计算量庞大繁琐且不易实现。杨启帆等提出利用硬件连接电池搭配算法于一体的故障诊断，但传感器发生故障时不易拆解，且存在阈值固定，不具备自适应性。针对上述问题，本文提出基于GAPSO-FNN的锂离子电池传感器故障诊断方法，该方法不仅将专家系统中的知识经验与数据驱动相融合，还免除了繁琐的电池建模和更新迭代辨识步骤，该方法适用范围更广，且发展空间更大。

1 基于GAPSO-FNN算法的电池传感器故障诊断

电池各功能的实现依赖于电池内部的传感器，若传感器发生故障则会引起BMS功能异常，影响电池管理系统的安全平稳运行。电池的传感器故障诊断主要分为三部分，分别为电池传感器数据获取、特征选择及提取、故障诊断。电池传感器故障诊断流程如图1所示。

图1   电池传感器故障诊断流程图
粒子群优化算法虽然具有参数少且收敛速度快等优点，被广泛用于智能优化，但由于很容易陷入局部最优的问题，所以往往会受到限制，为了解决局部最优问题，引入了基于遗传思想的粒子群优化算法，该算法可以帮助跳出局部最优之后继续去搜寻其他区域。而模糊神经网络结合了模糊推理和神经网络，具有自学习能力和自适应能力强，且能不断修正模糊子集的隶属度函数。为了拥有自适应能力和解决局部最优问题，本文将具有遗传思想的粒子群算法和模糊神经网络算法融合，不仅能够在局部搜索能力和全局的搜索速度有所提高，还能实现混合算法的高效利用，使得混合算法更适用于工程实际。GAPSO-FNN的算法流程图如图2所示，GAPSO优化算法由GA优化算法和PSO优化算法两部分组成，该算法不仅避开了PSO算法收敛性差的缺点，还增加了个体间信息共享机制，缩短了寻优的耗时。

图2   GAPSO-FNN算法流程图
GAPSO-FNN故障模型大致步骤如下。
Step1：对数据进行预处理，初始化种群，并设置模糊神经网络的参数。设置种群数为30，迭代次数为100，学习因子，而模糊神经网络分为输入层(缓存输入信号)、模糊化层(对输入信号进行模糊化)、规则层(模糊量去模糊化)、归一化层、输出层5层，根据上述5层的FNN结构，GAPSO中粒子的维数是模糊神经网络的权值和阈值的个数和为，其中m为输入节点数，n为第2层的模糊分割数，第3层和第4层节点数都为am个，b为输出节点数，所以维数为108，进而对粒子进行编码，每个遗传个体的编码长度为108，交叉概率为0.7，变异概率为0.02，模糊神经网络结构如图3所示。

图3   FNN神经网络结构图
模糊化层的隶属度函数为

(1)
式中，为输入变量，，分别为隶属度函数的中心和宽度；为输入参数；为模糊子集数；为模糊系统的模糊集。
规则层的适应度函数计算公式为

(2)
归一化层将适应度值归一化为

(3)
输出层计算模型最终输出为

(4)
Step2：GAPSO算法更新种群。
Step3：全局以及各种群最优的位置。
粒子位置

(5)
式中：、分别表示粒子在第维上的位置和速度。
Step4：计算改进后粒子的适应度。
Step5：位置和速度的不断更新迭代。
更新粒子速度公式
，

(6)
其中，为最大速度，为粒子序号，为粒子维度，为惯性权重，、为个体/群体学习因子，、为随机搜索的权重，为迭代后的速度向量，为迭代后的位置向量，为迭代后搜索到的最优解，为迭代后粒子群体中的最优解。
更新粒子的位置：

(7)
其中，粒子数、杂交概率和变异概率都为随机数，决定此次循环是否进行杂交。
不断迭代更新粒子的位置：

(8)
杂交后子代适应度大于父代，粒子位置更新为子代位置，否则位置不变，其中决定此次循环是否进行变异。
Step6：判断是否达到最大迭代次数或者指定精度。
Step7：输出GAPSO优化后的最优权值、阈值和群体最优的位置输入到FNN神经网络中进行故障诊断。

2 实验平台搭建及仿真结果分析

2.1　实验平台搭建

由于电池传感器属于内嵌式，所以传感器故障发生具有隐蔽性，且故障数据难以通过实验直接获得。所以本工作采用常规实验搭配Matlab/Simulink环境中建立故障模型的方式来获取实验数据。首先搭建常规的实验平台，搭建实验平台所需器材主要包括：亚科源(YKYTECH)电池充放电检测设备、北京切克高低温实验箱、SONY公司生产的型号为543450的聚合物锂电池、上位机等。实验平台搭建如图4所示，电池具体参数如表1所示。

图4   锂离子电池实验平台

表1   选用的锂离子电池基本参数


然后通过电池进行混合脉冲特性(HPPC)测试，首先采用恒流-恒压充电，电流设为1 C，充电截止电流设为0.05 C后静置，接着采用恒流放电，电流设为1 C，放电容量设为0.1 C后静置，并完成复合脉冲充放电，再采用恒流放电，电流设置为1 C，并且使得放电电量与复合脉冲阶段放电量相加合起来为0.1 C后静置，并将上述步骤重复7次，利用上位机采集到电池的电压、电流、温度、时间等数据，接着在Matlab/Simulink环境中建立FIblock故障注入模块，并设置故障类型和故障模式，用来模拟电池传感器的偏置和失效故障。建立的故障注入模型如图5所示。最后在已经获得的故障实验数据中随机选取155组数据进行模型建立，其中130组数据作为训练集，20组数据作为测试集，将数据按照表2中贴上故障诊断的标签，并用BP神经网络、模糊神经网络(FNN)算法对结果进行对比分析。其中根据数据设置锂离子电池传感器的标签如表2所示。

图5   建立故障注入模型示意图

表2   根据数据设置的锂离子电池传感器标签


2.2　仿真结果分析

在设计电池传感器故障诊断的方案时，想要全局最优解的适应度值不断减小，即使在迭代次数更少的情况下，也能让电池传感器故障诊断时间减少的同时准确率得到显著提升，结果如图6所示。因为电池中心温度和表面温度差异较大，所以假设温度在固定值(23 ℃)下进行，三种故障诊断方案的结果如图7、8、9所示，三种故障诊断算法性能指标对比如表3所示。

图6   GAPSO算法优化结果

图7   BP神经网络故障诊断

图8   模糊神经网络故障诊断

图9   GAPSO-FNN故障诊断

表3   三种故障诊断算法性能指标对比


图7、8、9三种算法的输入和输出都相同，输入层、隐藏层、输出层的选择也是设置得相同，从图7可以看出，BP神经网络由于收敛速度慢，且极易陷入局部最优，无法保证全局最优值，所以实际值和预测值不能完全重合，误差波动较大，从混淆矩阵可以看出，有30%是故障诊断错误的。从图8可以看出，模糊神经网络相比于BP神经网络故障诊断准确率提升了15%，训练效果较好，能够很好地将专家系统的经验规则和神经网络结合。从图9和表3可以看出，GAPSO-FNN算法是在模糊神经网络模型中加入了优化算法的优点，使得具有自适应的同时，能保证全局最优，也使得电池传感器故障诊断准确率达到了95%，使得准确率达到了一个理想的值。

3 结 论

本文提出了一种针对电池传感器的实用故障诊断方法，能够准确地区分传感器故障的类型，具体结论如下：
（1）基于数据驱动和专家系统相结合的方法相较于模型的方法在减少计算量的同时，能很好地训练模型，提高故障诊断的准确率，减少了误诊率，避免了凭人工经验获取的阈值难以适应复杂故障数据变化的能力。
（2）基于数据驱动和专家系统相结合的方法更具有广泛性和通用性，更加适用于工程实际，但是需要大量数据来训练模型以保证模型的准确性，数据的增加势必会导致故障诊断的时间增加，以后应该在减少时间和增加准确率协同方面进行研究。

通讯作者：王志福（1977—），男，博士，教授，从事智能电动车动力学等研究，E-mail：wangzhifu@bit.edu.cn。

第一作者：王志福（1977—），男，博士，教授，从事智能电动车动力学等研究，E-mail：wangzhifu@bit.edu.cn。


本刊推荐

（点击图片可跳转到相应文章合集）


邮发代号：80-732
联系热线：010-64519601/9602/9643
投稿网址：http://esst.cip.com.cn/CN/2095-4239/home.shtml

文章推荐

相关阅读

  • NML文章集锦 | 应力(应变)/生物传感器(5篇文章)

  • 点击蓝字 关注我们一、专辑介绍应力（应变）传感器：应力（应变）式传感器是基于测量物体受力变形所产生的应变的一种传感器。柔性应力（应变）传感器，由于优异的传感能力、可贴合人体和舒

  • 山东好景丨瞧！西瓜成了“绿糖丸”

  • 乍暖还寒，翠绿的糖丸西瓜成了市场上的“新贵”。按瓜索地，来到潍坊寒亭区的中耕未来农业科技有限公司，在大棚里看到众多“绿糖丸”的身影。藤蔓上绿瓜晃动，像顽皮的孩子，煞是可爱

  • 国外新型农业传感器开发平台

  • AgSensor Solutions是一家旨在帮助传感器创建者更快地将农业应用推向市场的平台公司，由三家知名公司合作组建。新合资企业的合作伙伴是：• AGD咨询 一家总部位于德克萨斯州的

  • ACS Sens.:金属有机框架传感器检测识别人类淀粉样

  • 金属有机框架(MOFs)是多功能化合物，在淀粉样疾病的生物传感器制造中具有紧急应用。它们在生物样品保护方面具有巨大的潜力，并对光学和氧化还原受体具有前所未有的探测能力。在

  • 杜江峰院士 | 自旋交叉科学研究

  • 自旋交叉科学研究杜江峰* 张琪 居琛勇 荣星 石发展 陈三友中国科学技术大学 中国科学院微观磁共振重点实验室，合肥摘 要自旋是自然界粒子的基本属性，在现代科技如磁共振影像、

聚合标签

中国 自己的 美国 都是 疫情 的人 的是 亿元 三星 手机 华为 这款 车型 万元 企业 日本 小米 俄罗斯 民警 项目

热门文章

  • “复活”半年后　京东拍拍二手杀入公益事业

  • 京东拍拍二手“复活”半年后，杀入公益事业，试图让企业捐的赠品、家庭闲置品变成实实在在的“爱心”。 把“闲置品”变爱心 6月12日，“益心一益·守护梦想每一步”2018年四

最新文章