CN110308397A - 一种混合卷积神经网络驱动的锂电池多类故障诊断建模方法 - Google Patents

Abstract

本发明涉及一种混合卷积神经网络驱动的锂电池多类故障诊断建模方法，属于电池技术领域。利用分数阶傅里叶变换获得实测的和筛选的锂电池精细化故障频谱，构成用于锂电池故障诊断的混合大数据标注样本；设计面向混合锂电池故障样本的全局卷积神经网络，以及分别针对实测的和筛选的锂电池故障数据的局部卷积神经网络，构成混合卷积神经网络锂电池故障诊断模型；通过对卷积神经网络中的全局与局部锂电池故障特征进行学习，并采用全连接分类映射，实现锂电池故障的多分类与定位。该方法提高了电池管理系统可靠性和安全性，减轻了参数众多引起的计算复杂性，解决了多物理耦合诊断模型在实际应用中仅能针对某一类锂电池故障诊断任务的问题。

Description

一种混合卷积神经网络驱动的锂电池多类故障诊断建模方法

技术领域

本发明属于电池技术领域，涉及一种混合卷积神经网络驱动的锂电池多类故障诊断建模 方法。

背景技术

近年来，锂电池作为绿色、清洁的二次电池，广泛应用于各种电子设备中，如汽车、船 舶、飞机甚至一些军事电子设备。如何有效地评估锂电池的可靠性，以避免锂离子电池失效 而导致从操作损伤到性能下降甚至灾难性故障等不同程度的严重后果，需要对锂电池的多类 故障进行精确地诊断分析。常用的物理化学规律建立的锂电池故障诊断耦合模型难以减轻参 数众多引起的计算复杂性，并且多物理耦合诊断模型在实际应用中仅能针对某一类锂电池故 障诊断任务；面对多类的故障诊断，现有神经网络的方法能够在一定程度上从实测故障数据 中学习到各类故障相互联系的行为，但由于高价值故障数据不完备，且对各类故障特征的精 细化提取不充分，导致深度神经网络在锂电池故障诊断领域没有发挥其应有的同时空诊断能 效。因此，在本发明中对同一时空，通过分数阶傅里叶变换获得由实测与筛选的分数阶精细 故障特征构成锂电池故障混合数据集，并使用全局与局部的深度学习来抽取并诊断精细化表 征的多类故障特征，采用全连接分类映射在同一软硬件空间中同时诊断出多类锂电池故障， 从而提高电池管理系统可靠性和安全性。

发明内容

有鉴于此，本发明的目的在于提供一种混合卷积神经网络驱动的锂电池多类故障诊断建 模方法。

为达到上述目的，本发明提供如下技术方案：

一种混合卷积神经网络驱动的锂电池多类故障诊断建模方法，该方法包括以下步骤：

S1：通过分数阶傅里叶变换获得实测的和筛选的锂电池精细化故障频谱，构成用于锂电 池故障诊断的混合大数据标注样本；

S2：设计面向混合锂电池故障样本的全局卷积神经网络,以及分别针对实测的和筛选的 锂电池故障数据的局部卷积神经网络，构成混合卷积神经网络锂电池故障诊断模型；

S3：学习卷积神经网络中的全局与局部锂电池故障特征，采用全连接分类映射，对锂电 池故障进行多分类与定位。

进一步，在步骤S2中，若干独立的局部卷积神经网络分别用于获取锂电池单体或电池包 的实测与感知生成的各类故障数据的细节信息；输入为整个混合故障频谱的k＝p×q分块，p 和q分别为同类故障实测与筛选的锂电池故障数据维度，表示为

{Ru-Cv|u＝1,2,...,p；v＝1,2,...,q}

混合卷积神经网络的总体代价函数定义为：

其中，i是训练的故障混合样本索引，n是训练的故障混合样本组数；此外，定义 Y_i＝[y_i1,y_i2,...,y_ir,...,y_ik]是全部故障混合样本的预测矢量，v是锂电池故障类别数；y_ir即是第 i_th个锂电池故障样本的预测量；在训练结束之后，获得K+1个卷积神经网络模型，记为 M＝[m₀,m₁,...,m_k,...,m_K,m_K+1]，k＝[1,2,...,K]；m₀是对于整个混合故障样本的模型，m_k是第 k个故障样本的模型。

进一步，在步骤S3中，通过对卷积神经网络中的全局与局部锂电池故障特征进行学习， 并采用全连接分类映射，实现锂电池故障的多分类与定位；通过sofmax函数映射实现单体或 电池包的多类故障分类；

在标注单体编号条件下，根据编号的分类实现单体故障源定位；

最后，训练集构成一个特征矩阵：

F_i＝[f_i ⁰,f_i ¹,...,f_i ^k,...f_i ^K]′

索引i是在X中训练样本的顺序序号，一共有n个训练样本；f_i ⁰,f_i ¹,...,f_i ^k,...f_i ^K指代训练 样本中的某个特征；F的每一列意味着串联的一个训练样本的特征，k是训练样本中特征 的序号，一个训练样本总共提出K个特征。

本发明的有益效果在于：

本发明首先采用分数阶傅里叶变换获得实测的和筛选的锂电池精细化故障频谱，构成用 于锂电池故障诊断的混合大数据标注样本；然后设计面向混合锂电池故障样本的全局卷积神 经网络，以及分别针对实测的和筛选的锂电池故障数据的局部卷积神经网络，构成混合卷积 神经网络锂电池故障诊断模型；最后通过对卷积神经网络中的全局与局部锂电池故障特征进 行学习，并采用全连接分类映射，实现锂电池故障的多分类与定位。本发明通过全局与局部 的深度学习来抽取并诊断精细化表征的多类故障特征，在同一软硬件空间中同时诊断出多类 锂电池故障，提高电池管理系统可靠性和安全性。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某 种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发 明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详 细描述，其中：

图1为锂电池故障诊断的混合卷积神经网络模型。

图2为锂电池故障诊断整体架构流程图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露 的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加 以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精 神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本 发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明 的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表 实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理 解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中， 需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基 于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所 指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系 的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言， 可以根据具体情况理解上述术语的具体含义。

1)获得锂电池故障样本。通过分数阶傅里叶变换获得实测的和筛选的锂电池精细化故障 频谱，构成用于锂电池故障诊断的混合大数据标注样本。

2)搭建混合卷积神经网络(CNN)。设计面向混合锂电池故障样本的全局卷积神经网络， 以及分别针对实测的和筛选的锂电池故障数据的局部卷积神经网络，构成混合卷积神经网络 锂电池故障诊断模型。设计的混合卷积神经网络结构如图1所示。全局卷积神经网络用于获 取锂电池单体与电池包在过充电、过放电、短路、机械损伤、老化等工况下的故障综合信息。 图2为锂电池故障诊断整体架构流程图。

3)设计全连接层。采用全连接分类映射对全局模型和局部模型提取的故障进行分类与定 位。

具体为：

1.通过分数阶傅里叶变换获得实测的和筛选的锂电池精细化故障频谱，构成用于锂电池 故障诊断的混合大数据标注样本。神经网络的输入为整个混合故障样本数据，以分数阶傅里 叶频谱表征，详细情况如表1所示。

表1混合卷积神经网络的锂电池故障数据输入

动力锂电池种类：磷酸铁锂电池，三元锂电池；

锂电池测试方式：20个单体/电池包(模组)；

测试流程、环境配置按照国标GB/T 31485-2015和GB/T 31467.3-2015执行；

实测数据：每隔10℃进行一次实验，在同等条件下独立重复10次，共有10*18个 批次；

感知生成数据：在实测数据基础上，独立重复200次，共200*18批次；

每批次故障数据采集时间为90分钟，每5秒采集一次。

2.设计面向混合锂电池故障样本的全局卷积神经网络，以及分别针对实测的和筛选的锂 电池故障数据的局部卷积神经网络，构成混合卷积神经网络锂电池故障诊断模型。若干独立 的局部卷积神经网络分别用于获取锂电池单体/电池包的实测与感知生成的各类故障数据的 细节信息。其输入为整个混合故障频谱的k＝p×q分块，p和q分别为同类故障实测与筛选的 锂电池故障数据维度。这一过程可表示为{Ru-Cv|u＝1,2,...,p；v＝1,2,...,q}。混合卷积神经网 络的总体代价函数可定义为：

其中，i是训练的故障混合样本索引，n是训练的故障混合样本组数。此外，定义 Y_i＝[y_i1,y_i2,...,y_ir,...,y_ik]是全部故障混合样本的预测矢量，v是锂电池故障类别数。y_ir即是第 i_th个锂电池故障样本的预测量。在训练结束之后，获得K+1个卷积神经网络模型，记为 M＝[m₀,m₁,...,m_k,...,m_K,m_K+1]，k＝[1,2,...,K]。m₀是对于整个混合故障样本的模型，m_k是第 k个故障样本的模型。

3.通过对卷积神经网络中的全局与局部锂电池故障特征进行学习，并采用全连接分类映 射，实现锂电池故障的多分类与定位。通过sofmax函数映射实现单体/电池包的多类故障分 类。在标注单体编号条件下，根据编号的分类亦可实现单体故障源定位。在最后，训练集将 构成一个特征矩阵。

F_i＝[f_i ⁰,f_i ¹,...,f_i ^k,...f_i ^K]′

索引i是在X中训练样本的顺序序号，一共有n个训练样本；f_i ⁰,f_i ¹,...,f_i ^k,...f_i ^K指代训练 样本中的某个特征。F的每一列意味着串联的一个训练样本的特征，k是训练样本中特征 的序号，一个训练样本总共提出K个特征。

以上显示描述了本发明的基本原理和主要特征及本发明的优点。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施 例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进 行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求 范围当中。

Claims (3)

1.一种混合卷积神经网络驱动的锂电池多类故障诊断建模方法，其特征在于：该方法包括以下步骤：

S1：通过分数阶傅里叶变换获得实测的和筛选的锂电池精细化故障频谱，构成用于锂电池故障诊断的混合大数据标注样本；

S2：设计面向混合锂电池故障样本的全局卷积神经网络,以及分别针对实测的和筛选的锂电池故障数据的局部卷积神经网络，构成混合卷积神经网络锂电池故障诊断模型；

S3：学习卷积神经网络中的全局与局部锂电池故障特征，采用全连接分类映射，对锂电池故障进行多分类与定位。

2.根据权利要求1所述的一种混合卷积神经网络驱动的锂电池多类故障诊断建模方法，其特征在于：在步骤S2中，若干独立的局部卷积神经网络分别用于获取锂电池单体或电池包的实测与感知生成的各类故障数据的细节信息；输入为整个混合故障频谱的k＝p×q分块，p和q分别为同类故障实测与筛选的锂电池故障数据维度，表示为

{Ru-Cv|u＝1,2,...,p；v＝1,2,...,q}

混合卷积神经网络的总体代价函数定义为：

其中，i是训练的故障混合样本索引，n是训练的故障混合样本组数；此外，定义Y_i＝[y_i1,y_i2,...,y_ir,...,y_ik]是全部故障混合样本的预测矢量，v是锂电池故障类别数；y_ir即是第i_th个锂电池故障样本的预测量；在训练结束之后，获得K+1个卷积神经网络模型，记为M＝[m₀,m₁,...,m_k,...,m_K,m_K+1]，k＝[1,2,...,K]；m₀是对于整个混合故障样本的模型，m_k是第k个故障样本的模型。

3.根据权利要求1所述的一种混合卷积神经网络驱动的锂电池多类故障诊断建模方法，其特征在于：在步骤S3中，通过对卷积神经网络中的全局与局部锂电池故障特征进行学习，并采用全连接分类映射，实现锂电池故障的多分类与定位；通过sofmax函数映射实现单体或电池包的多类故障分类；

在标注单体编号条件下，根据编号的分类实现单体故障源定位；

最后，训练集构成一个特征矩阵：

F_i＝[f_i ⁰,f_i ¹,...,f_i ^k,...f_i ^K]′

索引i是在X中训练样本的顺序序号，一共有n个训练样本；f_i ⁰,f_i ¹,...,f_i ^k,...f_i ^K指代训练样本中的某个特征；F的每一列意味着串联的一个训练样本的特征，k是训练样本中特征的序号，一个训练样本总共提出K个特征。