CN110286333B - 一种锂动力电池系统故障诊断方法 - Google Patents

Abstract

一种锂动力电池系统故障诊断方法，属于电池故障诊断领域。本发明解决了现有技术中的电池故障诊断方法存在结构复杂、数据需求量大、知识获取困难等问题。本发明对数据进行模糊化处理，得到电池故障征兆的隶属度，确定需优先计算的故障原因；选择故障征兆的隶属度作为故障推理网络的子节点，取故障原因节点作为故障征兆的父节点，并引入未知因素节点；根据历史数据确定先验概率，利用先验概率确定不同故障原因的连接概率和不同故障征兆的条件概率，利用贝叶斯原理得到不同故障原因节点作用下的条件概率；根据概率大小确定具体的故障原因。本发明提升了诊断效率，减少诊断模型对数据的需求，提升计算速度。

Description

一种锂动力电池系统故障诊断方法

技术领域

本申请涉及一种电池故障诊断方法，属于电池故障诊断领域。具体涉及一种锂动力电池系统故障诊断方法。

背景技术

电池是一种实时变化的非线性系统，系统性能受到多种参数变化的影响，电池故障的产生具有一定的复杂性和不确定性，并且电池实时数据测试点少且测试数据不完备，是电池故障诊断技术的难题。早期的基于信号处理和模型的诊断方法复杂且故障诊断单一，而现在智能诊断中应用单一技术的效果达不到预期，集合多种诊断方法成为未来诊断技术的核心。其中神经网络和专家系统都需要大量的数据样本用来训练，一般的复杂系统无法满足，而专家知识的获取更是领域内共同的难题。这些方法存在结构复杂、数据需求量大、知识获取困难等缺陷。

发明内容

为了解决现有技术存在的问题，本申请提供了一种锂动力电池系统故障诊断方法，它可以在数据集不完备的情况下对单体电池和电池组的故障进行准确的诊断，简化条件概率的需求量，加快诊断速度，提高诊断效率。

本发明的一种锂动力电池系统故障诊断方法，包括如下步骤：

步骤1、采集电池的数据，对数据进行模糊化处理，得到电池故障征兆的隶属度，根据得到的隶属度确定故障征兆的严重程度，进而确定需优先计算的故障原因；

步骤2、选择故障征兆的隶属度F(t)_knt作为故障推理网络的子节点Y_j，取故障原因节点X_i作为故障征兆的父节点，并引入X_L作为未知因素节点；

步骤3、根据历史数据确定先验概率，利用先验概率确定不同故障原因的连接概率和不同故障征兆的条件概率，利用贝叶斯原理得到不同故障原因节点作用下的条件概率；

步骤4、对步骤三得到的不同故障原因节点作用下的条件概率进行比较，根据概率大小确定具体的故障原因。

进一步的，所述电池故障征兆隶属度的获取方法为：

F(t)_knt＝f_sha(y)×f_cha(y)；

其中，式中，F(t)_knt为第k号单体电池对于故障n的在第i个采样时间段内第t次采样结果的故障隶属度，f_sha(y)为电池的状态函数，表示对应故障发生时电池所处的状态，比如充电、放电等过程，f_cha(y)为电池外部特性参数梯形隶属度函数。

进一步的，所述电池状态函数表示对应故障发生时电池所处的状态。

进一步的，所述电池外部特性参数梯形隶属度函数为：

式中，y作为故障征兆的采样值，a，b，c，d作为模糊逻辑的临界值，f表示电池外部特征参数梯形隶属度，用以表示故障征兆。

进一步的，步骤三所述连接概率的确定方法包括：

确定只由一种故障原因引起的电池发生故障的条件概率P_i和已知故障原因均未发生时电池发生故障的条件概率P_L分别为：

P_i＝P(Y_j＝F|X₁＝T，X₂＝T，…X_i＝F，…X_n＝T)；

P_L＝P(Y_j＝F|X₁＝T，X₂＝T，…X_i＝T，…X_n＝T)；

故障原因X_i使系统出现故障的概率为：

P(Y_j＝F|X_i＝F)＝P_i+P_L-P_i·P_L

P(Y_j＝F|X_i＝T)＝P_L ⁱ

P(Y_j＝F|X_i＝T)＝1-P(Y＝T|X_i＝T)

进而确定连接概率为：

式中，F表示故障状态，T表示正常状态。

进一步的，步骤3所述利用贝叶斯原理得到不同故障原因节点作用下的条件概率为：

其中，

H表示包括所有X_i的节点和未知因素节X_L节点的集合，P(X_i＝Fonly|Y_j＝F)故障原因概率，P(X_L＝F|Y_j＝F)为未知因素概率。

本发明与现有技术相比，具有如下有益效果：

模糊逻辑具有很强的结构性表达能力，可以将采集到的数据转化为模糊规则下的故障征兆的隶属度形式，直观表示故障严重程度，根据故障严重程度确定故障诊断优先级，简化诊断规则，适用于电池这种非线性复杂系统；故障推理网络可在不完备数据集的情况下实现对系统故障完整的概率描述,既解决了传统概率中的棘手问题,又不牺牲其完整性。二者结合有效的解决了电池故障的复杂性和不确定性。本发明采用基于模糊故障推理网络的锂动力电池系统故障诊断方法，实现了锂动力电池系统故障的快速诊断。

本发明采用模糊贝叶斯网络方法实现锂动力电池系统故障原因的诊断，采用模糊数学将电池外部特性参数模糊化得到故障征兆的隶属度表示故障严重程度，根据故障严重程度确定诊断优先级；采用贝叶斯网络计算故障原因概率，故障征兆作为子节点，故障原因作为故障征兆的父节点，并引入未知因素节点，根据其先验概率和条件概率，再经过计算得到电池组故障原因概率，本发明采用模糊数学确定诊断优先级提升诊断效率，采用贝叶斯网络将条件概率的需求量由2ⁿ个减少到2n个，，其中n>2，从而大大减少诊断模型对数据的需求，简化系统结构，同时该模型考虑未知因素对系统的影响，是一种提升计算速度和效率的快速诊断方法。彻底改变了传统电池故障诊断结构复杂、需要大量数据、较长时间、造价成本高等问题，不仅提高了电池组故障诊断的速度和准确性，而且还包括未知因素对电池组系统的影响，更加符合实际使用情况。

附图说明

图1是本发明的原理框图；

图2是本发明实施例的锂动力电池系统A的故障推理模型部分原理图；

图3是本发明实施例的锂动力电池系统B的故障推理模型部分原理图。

具体实施方式

实施例1：由图1所示，本实施例的离动力电磁的故障诊断方法主要包括：

首先，模糊化处理过程，是将采集到的电池实时数据进行模糊化处理，得到电池故障征兆的隶属度，隶属度表示故障的严重程度，根据故障严重程度确定需优先计算的故障原因并采取相应措施；

本实施的锂动力电池A充电时电压采样数为16.5V，电流为+2A，规定充电电流为正，对应于“电池充电电压高”这一征兆，本实施例的输入信号模糊化处理采用模糊梯形隶属度函数来计算故障征兆的隶属度，隶属度的大小表示故障的严重程度，电池单次采样数据的隶属度公式如下：

F(t)_knt＝f_sha(y)×f_cha(y) (1)

式中，F(t)_knt为第k号单体电池对于故障n的在第i个采样时间段内第t次采样结果的故障隶属度，f_sha(y)为电池的状态函数表示，f_sha(y)表示对应故障发生时电池所处的状态。

f_cha(y)表示电池的外部参数变化的数据并描述其相应的症状的程度，通常是基于使用厂家提供的电池数据和电池充电放电历史曲线或者电池领域专家经验，其中的参数是经过初步测试并进行调整所获得的离散函数。

为了减少外部特性参数在正常误差范围内的故障隶属度，避免过度诊断和诊断系统的过度信任，本实施例采用梯形隶属度函数为：

该故障的隶属度为：

F(t)_knt＝f_sha(y)×f_cha(y)＝1×(16.5-15.5)÷2.5＝0.4；

即“充电电压高”故障征兆的隶属度为0.4，根据设定的隶属度关系可以确定故障程度为一般，所述一般这一故障标准是根据电池组特性和经验值设定的，

其次，故障推理过程，是完成从故障征兆到故障原因的诊断过程，首先根据历史数据和专家经验获得各个故障原因的先验概率计算出针对不同故障征兆节点的条件概率，经公式推理计算得到故障原因的条件概率，其中概率最高的为故障原因，包括未知因素引起的故障原因；

选择故障征兆的隶属度F(t)_knt作为故障推理网络的子节点Y_j，取故障原因节点X_i作为故障征兆的父节点，并引入X_L作为未知因素节点；

根据历史数据确定先验概率，利用先验概率确定不同故障征兆的条件概率，利用贝叶斯原理得到不同故障原因节点作用下的条件概率；

假设电池系统中有X₁，X₂，X₃…,X_n个已知的故障原因以及未知因素X_L均有两种状态即，故障状态“F”和正常状态“T”，且各故障原因相互独立，以上故障原因和未知因素会导致故障征兆Y_j的出现，其中P_i表示只有其中一种故障原因X_i出现故障时，而其他原因均未发生故障时的系统发生故障的条件概率，P_L为已知故障原因均未发生故障时电池发生故障的条件概率，具体如下所示：

P_i＝P(Y_j＝F|X₁＝T，X₂＝T，…X_i＝F，…X_n＝T)； (4)

P_L＝P(Y_j＝F|X₁＝T，X₂＝T，…X_i＝T，…X_n＝T)； (5)

因各故障原因相互独立，所以对于故障原因X_i使得系统出现故障的概率为：

P(Y_j＝F|X_i＝F)＝P_i+P_L-P_i·P_L (6)

P(Y_j＝F|X_i＝T)＝P_L ⁱ (7)

P(Y_j＝F|X_i＝T)＝1-P(Y＝T|X_i＝T) (8)

P(Y＝T|X_i＝T)表示故障原因X_i未发生故障时系统正常工作的概率，将上式联立可得：

根据P_i可以得到各个节点的

值，当故障原因X_i正常时，对其在整个域内分解得到：

其中H表示包括所有X_i的节点和未知因素节X_L节点的集合，H-表示所有的X_i＝T的节点和未知因素节点X_L的集合，H⁺表示所有的X_i＝F的节点和未知因素节点X_L的集合。将上式中P(Y|X)用P_i和残余概率

表示得到：

由公式(11)得到

为：

系统中n个节点可以得到n个

经过对

加权平均得到一个合适的P_L，以各节点未发生故障的概率P(X_i＝T)作为权重，以各节点均未发生故障的条件概率P(Y＝T|X_i＝T)作为权重，并且根据式(12)有：

该式表示只有当P(X_i＝T)作为权重时，即只有当故障原因X_i正常时才需要对残余概率

进行估计。

根据以上公式可以确定故障征兆Y在不同故障原因节点作用下的条件概率：

式(14)为发生故障Y的概率，即1减去各节点均未发生故障的概率的乘积等于发生故障的概率；

其中，H表示包括所有X_i的节点和未知因素节X_L节点的集合，P(X_i＝Fonly|Y_j＝F)故障原因概率，P(X_L＝F|Y_j＝F)为未知因素概率。

通过式(1)至式(14)得到式(15)和式(16)中的参数；X_i和X_L均为独立的节点，不需要计算X_i故障时的P_L，可以根据每个节点正常但发生故障Y时的残余概率

估算P_L。

本实施例如图2所示，故障征兆节点为Y1，4个故障原因节点X1、X2、X3、X4，根据对历史数据经过概率统计学原理处理计算后确定以下各节点的条件概率，结果如下：

P(X₁＝F)＝0.59 P(X₂＝F)＝0.73 P(X₃＝F)＝0.355 P(X₄＝F)＝0.084；

P(X₁)＝P(Y₁＝F|X₁＝F)＝0.6；

P(X₂)＝P(Y₁＝F|X₂＝F)＝0.75；

P(X₃)＝P(Y₁＝F|X₃＝F)＝0.85；

P(X₄)＝P(Y₁＝F|X₄＝F)＝0.9；

根据以上参数由式(9)得连接概率：

P₁＝0.43，P₂＝0.64，P₃＝0.75，P₄＝0.83；

表1中考虑未知节点符合正态分布，置信度为0.97，P_L＝0.03，包含计算出的各节点在Y1前提下的朴素贝叶斯网络计算所需的全部16个条件概率分布，在故障推理模型中根据计算出的8个条件概率计算出的故障征兆“电池充电电压高”的故障原因概率为：

P(X₁＝F|Y₁＝F)＝0.2557

P(X₂＝F|Y₁＝F)＝0.4708

P(X₃＝F|Y₁＝F)＝0.2683

P(X₄＝F|Y₁＝F)＝0.0703

P(X_L＝F|Y₁＝F)＝0.0009

表1 锂动力电池系统A的故障推理模型各节点条件概率分布表

根据以上计算结果可以确定“电池充电电压高”的故障原因是X₂“过充过放”引起的，该结果与专家经验获得结果一致，该模型在电池故障诊断中具有较好的实用性和准确性。

分别将同一故障征兆用不同故障推理网络诊断，包括朴素贝叶斯网络、Noisy OR模型、以及本发明设计的故障推理模型，得到仿真结果对比如表2所示。

表2 锂动力电池系统A的故障原因概率仿真对比表

其中朴素贝叶斯网络需要计算16个条件概率，Noisy OR模型和本发明设计的故障推理模型均只需要确定8个条件概率，Noisy OR模型计算的结果和普通故障推理网络模型仿真出来的结果存在的差别在可接受的范围之内，误差在3％以内，但本发明设计的故障推理模型考虑了未知因素X_L对系统的影响，更符合实际情况。

最后，故障原因概率输出过程，将诊断结果的各节点概率输出，根据概率的大小确定具体的故障原因及故障代码的过程，方便电池管理系统的通讯和故障信息的显示，所述P(X_i|Y_j)表示电池组故障原因概率，P(X_L|Y_j)表示未知因素故障概率。概率越大表示该故障原因发生的可能性越大。

实施例2：本实施例选取的实验对象为平台电压为3.3V,电流为+10A的锂动力电池系统B。本实施例的锂动力电池系统B充电时电压采样数据为3.3V，电流为+10A，规定充电电流为正，出现对应于“电池充电温度过高”这一故障征兆：

由图3所示，本实施例包括1个故障征兆节点Y5，3个故障原因节点X5、X6、X7，根据对历史数据经过概率统计学原理处理计算后确定以下各节点的条件概率，结果如下：

P(X₅＝F)＝0.7 P(X₆＝F)＝0.3 P(X₇＝F)＝0.4；

P(X₅)＝P(Y₅＝F|X₅＝F)＝0.8；

P(X₆)＝P(Y₅＝F|X₆＝F)＝0.5；

P(X₇)＝P(Y₅＝F|X₇＝F)＝0.35；

根据以上参数由式(9)计算得

P₅＝0.7895，P₆＝0.444，P₇＝0.2935；

表3中，未知节点符合正态分布，置信度为0.98，P_L＝0.02，包含计算出的各节点在Y5前提下的朴素贝叶斯网络计算方法所需8个条件概率分布，在本发明设计的故障推理模型中根据计算出4个条件概率计算故障征兆“电池充电温度过高”的故障原因概率。

表3 锂动力电池系统B的故障推理模型各节点条件概率分布表

根据以上计算结果可以确定“电池充电温度过高”的故障原因是X₆“电池内阻过大”引起的，该结果与专家经验获得结果一致，该模型在电池故障诊断中具有较好的实用性和准确性。

分别将同一故障征兆用不同故障推理网络诊断，包括朴素贝叶斯网络、Noisy OR模型、本发明设计的故障推理模型，得到仿真结果对比如表4所示。

表4 锂动力电池系统B的故障原因概率仿真对比表

其中朴素贝叶斯网络需要计算8个条件概率，Noisy OR模型和本实施例的故障推理模型均只需要确定6个条件概率，Noisy OR模型计算的结果和普通故障推理网络模型仿真出来的结果存在的差别在可接受的范围之内，误差在3％以内，但本发明设计的故障推理模型考虑了未知因素X_L对系统的影响，更符合实际情况。

本发明的实施例的上述描述是为了示例和说明的目的而给出的。它们并不是穷举性，也不意于将本发明限制于这些精确描述的内容，在上述教导的指引下，还可以有许多改动和变化。这些实施例被选中和描述仅是为了最好解释本发明的原理以及它们的实际应用，从而使得本领域技术人员能够更好地在各种实施例中并且使用适合于预期的特定使用的各种改动来应用本发明。因此，应当理解的是，本发明意欲覆盖在下面权利要求范围内的所有改动和等同。

Claims (3)

1.一种锂动力电池系统故障诊断方法，其特征在于：包括如下步骤：

步骤1、采集电池的数据，对数据进行模糊化处理，得到电池故障征兆的隶属度，根据得到的隶属度确定故障征兆的严重程度，进而确定需优先计算的故障原因；

所述电池故障征兆隶属度的获取方法为：

F(t)_knt＝f_sha(y)×f_cha(y)；

其中，F(t)_knt为第k号单体电池对于故障n的在第i个采样时间段内第t次采样结果的故障隶属度，f_sha(y)为电池的状态函数，f_cha(y)为电池外部特性参数梯形隶属度函数；

所述电池外部特性参数梯形隶属度函数为：

式中，y作为故障征兆的采样值，a，b，c，d作为模糊逻辑的临界值，f表示电池外部特征参数梯形隶属度；

步骤2、选择故障征兆的隶属度F(t)_knt作为故障推理网络的子节点Y_j，取故障原因节点X_i作为故障征兆的父节点，并引入X_L作为未知因素节点；

步骤3、根据历史数据确定先验概率，利用先验概率确定不同故障原因的连接概率和不同故障征兆的条件概率，利用贝叶斯原理得到不同故障原因节点作用下的条件概率；

所述连接概率的确定方法包括：

确定只由一种故障原因引起的电池发生故障的条件概率P_i和已知故障原因均未发生时电池发生故障的条件概率P_L分别为：

P_i＝P(Y_j＝F|X₁＝T，X₂＝T，…X_i＝F，…X_n＝T)；

P_L＝P(Y_j＝F|X₁＝T，X₂＝T，…X_i＝T，…X_n＝T)；

式中，X₁，X₂，X₃…,X_n个已知的故障原因，

故障原因X_i使系统出现故障的概率为：

P(Y_j＝F|X_i＝F)＝P_i+P_L-P_i·P_L

P(Y_j＝F|X_i＝T)＝P_L

P(Y_j＝F|X_i＝T)＝1-P(Y＝T|X_i＝T)

进而确定连接概率为：

式中，F表示故障状态，T表示正常状态；

步骤4、对步骤3得到的不同故障原因节点作用下的条件概率进行比较，根据概率大小确定具体的故障原因。

2.根据权利要求1所述一种锂动力电池系统故障诊断方法，其特征在于：所述电池状态函数表示对应故障发生时电池所处的状态。

3.根据权利要求1所述一种锂动力电池系统故障诊断方法，其特征在于：步骤3所述利用贝叶斯原理得到不同故障原因节点作用下的条件概率为：

其中，

H表示包括所有X_i的节点和未知因素节X_L节点的集合，P(X_i＝Fonly|Y_j＝F)故障原因概率，P(X_L＝F|Y_j＝F)为未知因素概率。

Images