CN111652348A - 一种基于改进cnn的动力电池组故障融合诊断方法及系统 - Google Patents
一种基于改进cnn的动力电池组故障融合诊断方法及系统 Download PDFInfo
- Publication number
- CN111652348A CN111652348A CN202010132434.2A CN202010132434A CN111652348A CN 111652348 A CN111652348 A CN 111652348A CN 202010132434 A CN202010132434 A CN 202010132434A CN 111652348 A CN111652348 A CN 111652348A
- Authority
- CN
- China
- Prior art keywords
- diagnosis
- battery pack
- power battery
- cnn
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 233
- 238000000034 method Methods 0.000 title claims abstract description 82
- 230000004927 fusion Effects 0.000 title claims abstract description 69
- 239000013598 vector Substances 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000012790 confirmation Methods 0.000 claims abstract description 12
- 230000008859 change Effects 0.000 claims abstract description 9
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 7
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims abstract description 6
- 229910052744 lithium Inorganic materials 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 24
- 238000009826 distribution Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 17
- 238000002405 diagnostic procedure Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims 2
- 239000002994 raw material Substances 0.000 claims 2
- 238000013527 convolutional neural network Methods 0.000 description 86
- 230000006870 function Effects 0.000 description 40
- 238000012360 testing method Methods 0.000 description 18
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 10
- 229910001416 lithium ion Inorganic materials 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Secondary Cells (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种基于改进CNN的动力电池组故障融合诊断方法及系统,包括,对锂电池的电压变化信号与SOC变化信号采用小波包分解处理,得到能量值构成输入特征向量;诊断网络对动力电池组故障进行初步诊断;判断初步诊断结果是否满足确诊条件;若满足确诊条件,则得到动力电池组的诊断结果;若不满足确诊条件,则对动力电池组故障采用CNN网络进行辅助诊断;将初步诊断结果和辅助诊断结果通过D‑S证据理论的方法进行融合诊断;对融合诊断结果进行判断并得到最终诊断结果。本发明通过改进CNN网络的结构,通过BIC准则确定卷积层中最优的卷积核尺寸,对确诊条件进行判断并进一步采用辅助诊断网络进行辅助和融合诊断,从而提高了动力电池组的故障诊断准确率。
Description
技术领域
本发明涉及电池故障诊断的技术领域,尤其涉及一种基于改进CNN的动力电池组故障融合诊断方法及系统。
背景技术
近年来,锂离子电池凭借其单体电池电压高、循环次数高、能量密度高、无污染等优点,成为了动力电池的重要组成部分,而确保锂离子电池安全可靠运行是其发展的核心。目前我国的锂离子电池技术并非完全成熟,电池组不一致故障初期的特征不易被发现。锂离子电池组的不一致指的是同型号、同规格电池的容量、内阻、电压等参数存在较大偏差,会导致电池在充放电过程中出现过充、过放的现象,严重影响电池组的使用安全与使用寿命。锂离子电池组的不一致故障主要包括容量偏小故障、SOC偏低故障与内阻偏大故障。对锂离子电池组进行故障诊断,具有重要的现实意义
目前锂电池故障诊断方法以神经网络、支持向量机等浅层网络为主,例如有的文献利用BP神经网络对锂电池不一致故障进行诊断分析,但仅采用少量样本,无法实现工程应用;有的文献利用RBF神经网络,基于dSPACE电池模型,设计了一套电动汽车动力锂离子电池的故障诊断系统,但由于锂电池组自身结构复杂且工作环境的差异较大,导致其诊断准确性降低;有的文献在决策层采用改进D-S证据理论组合规则融合BP网络和RBF网络两种故障诊断结果,该方法虽然对诊断结果进行改进,却仍然未解决浅层网络诊断准确率低的问题。由于浅层神经网络对复杂特征的学习能力较弱,不适用于特征提取精度要求高的故障诊断领域。针对这种情况,部分学者提出深度学习的故障诊断方法,更深层次的提取信号特征,实现更精确的诊断。
卷积神经网络(Convolution Neural Network,CNN)作为典型的深度学习算法,被广泛应用于图像识别领域。与传统浅层网络相比,卷积神经网络具有更强大的特征提取能力,运算速度快,避免了训练易陷入局部极值的问题。近年来,国内外学者将卷积神经网络应用于故障诊断中并取得了不错的研究成果。例如在传统CNN网络的基础上增加反馈机制通过调节卷积核的数量与大小提高绝缘子状态检测的正确率;利用短时傅里叶变换生成轴承振动信号的时频谱图,建立CNN诊断模型,通过增加相应环境的数据验证了其鲁棒性;利用深度网络结构实现对原始振动信号特征的自适应层级化提取,在输出端利用Softmax分类器输出诊断结果。但是随着CNN层数的增多,最后得到的特征向量的尺寸不断减小,若仅以最后一层复杂度最高的特征进行分类易出现过拟合的风险,从而导致诊断的正确性降低。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明解决的一个技术问题是:提供一种基于改进CNN的动力电池组故障融合诊断方法,能够提高动力电池组故障诊断的准确率。
为解决上述技术问题,本发明提供如下技术方案:一种基于改进CNN的动力电池组故障融合诊断方法,包括,对锂电池的电压变化信号与SOC变化信号采用小波包分解分别处理,得到能量值构成输入特征向量;CNN诊断网络对动力电池组故障进行初步诊断;判断初步诊断结果是否满足确诊条件;若满足确诊条件,则得到动力电池组的诊断结果;若不满足确诊条件,则对动力电池组故障采用CNN网络进行辅助诊断;将初步诊断结果和辅助诊断结果通过D-S证据理论的方法进行融合诊断;对融合诊断结果进行判断并得到最终诊断结果。
作为本发明所述的基于改进CNN的动力电池组故障融合诊断方法的一种优选方案,其中:所述改进CNN诊断网络包括输入层、隐含层、Concat层、全连接层和输出层,其中所述隐含层由卷积层与池化层交叉堆叠而成,所述Concat层的操作为,
作为本发明所述的基于改进CNN的动力电池组故障融合诊断方法的一种优选方案,其中:所述Concat层对第一个卷积层池化后的浅层特征与第二个卷积层提取的高层特征进行融合,并在全连接层将Concat层中融合结果连接成一个一维向量。
作为本发明所述的基于改进CNN的动力电池组故障融合诊断方法的一种优选方案,其中:所述改进CNN网络训练中使用加入MCE准则修正项后的交叉熵损失函数,计算公式为,
其中,yi为样本的训练标签,pi为样本的输出,li为分类损失函数。
作为本发明所述的基于改进CNN的动力电池组故障融合诊断方法的一种优选方案,其中:所述CNN网络中采用BIC信息准则确定改进CNN网络中的卷积核个数,且BIC信息准则的定义为,
BIC=-2ln(L)+ln(n)·T
其中,L为极大似然函数值,n为样本容量,T为模型中未知的参数个数,BIC的值越小表示模型的拟合程度越好。
作为本发明所述的基于改进CNN的动力电池组故障融合诊断方法的一种优选方案,其中:所述CNN模型的误差服从正态分布时,BIC信息准则的定义为,
其中,n为信息量准则计算的数据量,T为模型未知参数的个数,即卷积层参数与全连接层参数的个数和,SSE为残差平方和,且T和SSE分别表示为,
T=∑mh*h+Tf
其中,h为单个卷积核内参数的数量,mh为参数数量为h的卷积核的个数,Tf为全连接层的参数个数,y′i、yi分别为第i个实验数据的诊断输出与实际输出值。
作为本发明所述的基于改进CNN的动力电池组故障融合诊断方法的一种优选方案,其中:所述判断初步诊断结果还包括以下步骤,对初步诊断输出结果中的最大值和次最大值进行求差运算;当两者的差值大于等于0.1时,判断为满足诊断条件;而当两者的差值小于0.1时,判断为不满足确诊条件,进行复诊。
作为本发明所述的基于改进CNN的动力电池组故障融合诊断方法的一种优选方案,其中:所述D-S证据理论的组合规则为,
其中,m(A)为基本分配概率函数,表示证据体对A的支持程度,k为证据体之间的冲突系数。
作为本发明所述的基于改进CNN的动力电池组故障融合诊断方法的一种优选方案,其中:所述对融合诊断结果需要满足的条件包括,输出状态的基本分配概率函数为所有状态基本分配概率函数的最大值;融合结果中最大基本分配概率函数与次最大基本分配概率函数的差异满足设定的最小值;输出状态的基本分配概率函数值大于设定的阈值。
本发明解决的另一个技术问题是:提供一种基于改进CNN的动力电池组故障融合诊断系统,使上述方法能够依托于该系统实现。
为解决上述技术问题,本发明提供如下技术方案:一种基于改进CNN的动力电池组故障融合诊断系统,包括,信号处理模块,所述信号处理模块对信号采用小波包分解进行处理,得到的能量值作为输入特征向量;初诊网络模块,所述初诊网络模块为改进的CNN网络,其输入为信号处理模块处理后得到的特征向量;判断模块,所述判断模块用于对诊断结果进行判断,判断其是否满足确诊条件,能够作为最终诊断结果进行输出;辅助诊断模块,所述辅助诊断模块为CNN网络,能够对初诊结果不符合确诊条件的情况进行辅助诊断;融合诊断模块,所述融合诊断模块能够将初诊结果和辅助诊断结果采用D-S证据理论的方法进行融合,并得到融合后的最终诊断结果。
本发明的有益效果:对CNN网络进行改进,并将其用于动力电池组故障诊断,提出了一种融合诊断的方法,使动力电池组故障诊断的准确率更高。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明第一种实施例中所述基于改进CNN的动力电池组故障融合诊断方法的整体流程示意图;
图2为本发明第一种实施例中加入Contact层的改进CNN网络模型示意图;
图3为采用不同结构的CNN网络进行诊断的准确率对比折线图;
图4为采用普通损失函数和优化后的损失函数分别进行诊断的准确率对比折线图;
图5为基于不同测试网络和测试集下得到的诊断准确率对比图;
图6为基于添加了融合诊断的方法和未添加融合诊断的改进CNN网络方法下的诊断准确率对比图;
图7为本发明第二种实施例中所述基于改进CNN的动力电池组故障融合诊断系统的整体结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”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,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1的示意,为本实施例提出的一种基于改进CNN的动力电池组故障融合诊断方法的整体流程示意图,该方法具体包括以下步骤,
S1:对锂电池的电压变化信号与SOC变化信号采用小波包分解分别处理,得到能量值构成输入特征向量。
具体的,故障特征提取可以在美国城市循环工况下采集电池组中不同性能参数衰减状态下电池组中的各单体电池的电压和SOC变化数据作为故障诊断的原始数据信号,并采用3层小波包分别对动力电池电压和SOC信号进行分解第3层小波包可将各信号分成由低频至高频的8个信号分量,分别对信号分量进行小波包系数重构,利用能量公式计算得到节点的能量值。模型输入特征数据采用每组数据的电压、SOC能量值、电压初值和SOC初值的数据组合,得到的特征向量的尺寸为1*18维。
SOC偏低故障、容量偏小故障、内阻偏大故障和正常状况分别在网络中的采用矢量(1,0,0,0)、(0,1,0,0)、(0,0,1,0)、(0,0,0,1)来表示输出。
S2:CNN诊断网络对动力电池组故障进行初步诊断。
具体的,以步骤S1中得到的特征向量作为输入,采用改进的CNN诊断网络进行对故障进行初步诊断,改进CNN诊断网络包括输入层、隐含层、Concat层、全连接层和输出层,其中所述隐含层由卷积层与池化层交叉堆叠而成,Concat层可以同时融合不同层次的特征,分类器进行分类时,以相互补充的融合特征作为标准,减少了仅有深层次特征造成的过拟合。
所述Concat层的操作为,
参照图2,加入了Contact层的CNN网络模型如图2所示。Concat层融合时若选择卷积层特征与未经池化的低层特征。若不进行特征融合的话,高层特征的占比将会很小,从而影响故障诊断的精度。因此所述Concat层对第一个卷积层池化后的浅层特征与第二个卷积层提取的高层特征进行融合,并在全连接层将Concat层中融合结果连接成一个一维向量。由于本实施例中采用一维数据作为特征向量,因此特征的融合无需考虑特征数据的数据大小,避免了传统CNN特征融合中结构限制或特征数据丢失的问题。
改进CNN网络在投入使用前需要经过训练,本实施例中采用带修正项的MCE目标函数优化交叉熵函数,将其作为网络的损失函数,弥补了交叉熵函数对非标签维梯度不做处理的不足,同时解决了MCE梯度反向问题。具体的,交叉熵函数用于衡量两个概率分布的相似度,对于含有N个训练样本的数据集,其交叉熵为,
其中,yi为样本的训练标签,pi为样本的输出。
采用交叉熵作为损失函数进行训练时,输出层的输入数据z的残差δ可以表示为:
其中,i为p中的任一维数据,k为标签维,当i≠k时,交叉熵对非标签维梯度不做处理,直接进行训练,会影响网络的训练精度和收敛速度。
利用MCE准则对交叉熵函数进行优化时,为简化训练过程,可将误差分类度量改为,
其中,zt为样本标签维神经元,zr为最具竞争力的神经元,d(z)>0时表示分类错误,d(z)<0时表示分类正确。
分类损失函数定义为,
因此,加入MCE准则修正项后的交叉熵损失函数计算公式为,
其中,yi为样本的训练标签,pi为样本的输出,li为分类损失函数。此时,当模型错误分类时,优化后的损失函数可对非标签维的梯度进行区分处理,保证梯度方向与交叉熵方向一致。
本实施例中的CNN网络中采用BIC信息准则确定改进CNN网络中的卷积核个数,且BIC信息准则的定义为,
BIC=-2ln(L)+ln(n)·T
其中,L为极大似然函数值,n为样本容量,T为模型中未知的参数个数,BIC的值越小表示模型的拟合程度越好。
所述CNN模型的误差服从正态分布时,BIC信息准则的定义为,
其中,n为信息量准则计算的数据量,T为模型未知参数的个数,即卷积层参数与全连接层参数的个数和,SSE为残差平方和,且T和SSE分别表示为,
T=∑mh*h+Tf
其中,h为单个卷积核内参数的数量,mh为参数数量为h的卷积核的个数,Tf为全连接层的参数个数,y′i、yi分别为第i个实验数据的诊断输出与实际输出值。
通过计算不同卷积核的BIC值,可以确定其中的最优卷积核个数作为卷积核的尺寸。
S3:判断初步诊断结果是否满足确诊条件。采用以上改进的CNN深度神经网络进行动力电池组故障诊断,并得到初步诊断结果后,需要判断初步诊断结果是否满足确诊条件,具体的,所述判断初步诊断结果还包括以下步骤,
对初步诊断输出结果中的最大值和次最大值进行求差运算;
当两者的差值大于等于0.1时,判断为满足诊断条件;
而当两者的差值小于0.1时,判断为不满足确诊条件,进行复诊。
S4:若满足确诊条件,则得到动力电池组的诊断结果。此时将初步诊断结果作为最终诊断结果输出。
S5:若不满足确诊条件,则对动力电池组故障采用CNN网络进行辅助诊断。其中,不满足确诊条件时需要进行复诊,复诊主要包括两部分,第一部分是对初步诊断的电池组故障调用一般CNN网络进行辅助诊断;第二部分是将一般CNN网络得到的辅助诊断结果和之前改进CNN网络得到的初步诊断结果采用D-S证据理论的方法进行融合,从而得到融合后的最终诊断结果。
S6:将初步诊断结果和辅助诊断结果通过D-S证据理论的方法进行融合诊断。
所述D-S证据理论的组合规则为,
其中,m(A)为基本分配概率函数,表示证据体对A的支持程度,k为证据体之间的冲突系数。
S7:对融合诊断结果进行判断并得到最终诊断结果。
具体的,所述对融合诊断结果需要满足的条件包括,
S7-1:输出状态的基本分配概率函数为所有状态基本分配概率函数的最大值,即,
其中,m(At)为证据体中最大基本分配概率函数,m(Ai)为证据体中所有基本分配概率函数,Ai为辨识对象,Θ为辨识框架,即所有辨识对象的集合。
S7-2:融合结果中最大基本分配概率函数与次最大基本分配概率函数的差异满足设定的最小值,即,
m(At)-m(Ar)>ε1
其中,m(At)为证据体中最大基本分配概率函数,m(Ar)为证据体中次最大基本分配概率函数,ε1的值通常根据实际情况确定,本实施例中ε1的值为0.2。
S7-3:输出状态的基本分配概率函数值大于设定的阈值,即,
m(At)>ε2
其中,m(At)为证据体中最大基本分配概率函数,ε2的值通常根据实际情况确定,本实施例中ε2的值为0.5。
传统的CNN网络中不含有Concat层,而本实施例提供的动力电池组诊断方法中采用融合诊断方法,对CNN网络结构进行改进后加入Concat层,优化其损失函数,并采用基于BIC准则的卷积核确定方法确定卷积核尺寸。
为了验证本实施例提供的动力电池组诊断方法的优势,分别采用本实施例提供的方法和传统方法在相同条件下进行试验,并对比测试结果。为了使测试更加全面,实验数据集包含4类故障状况和正常情况,即试验状况共包括SOC偏低故障、容量偏小故障、内阻偏大故障和正常状况,共采集1000组数据,其中每种状况250组,随机选择其中的200组作为训练样本,其余50组作为测试样本验证模型的准确性。
为分析改进CNN的特征提取能力与分类效果,分别采用加入Concat层与未加Concat层的相同卷积层结构的CNN网络进行实验对比,隐含层选择结构为:C1(1*3*3)-P-C2(1*3*3),其中C代表卷积层,(1*3*3)代表该层有3个1*3的卷积核,P代表池化层。训练过程中学习率设定为0.1,迭代次数设定为300次,训练结果如图3所示。
从图3中可以看出,改进前后的整体趋势大致相同,均能够在快速达到收敛状态,但是加入Concat层后的改进CNN网络具有更高的诊断准确率,达到92.5%。同时由于训练过程中完成浅层次特征提取的进程较快,加入Concat层的改进CNN训练速度有所提升。可以看出,采用改进的CNN网络结构融合不同层次数据特征,可以实现更加准确的分类。
采用上一节中加入Concat层的CNN网络结构与训练参数,利用MCE准则对其训练过程中的交叉熵函数进行优化,其结果如图4所示,从图4中可以看到,对损失函数交叉熵进行优化后,收敛速度未受到过多影响。交叉熵函数在训练过程中对非标签维数据不做处理产生的影响主要体现在训练精度中,优化模型训练过程中精度有较明显的提升,训练完成时MCE优化后的改进CNN模型的诊断精度达到93.5%,比未优化模型的准确率提高1%。
根据BIC准则的“吝啬原理”,其值最小代表模型最佳。在确定CNN网络结构后,对卷积层不同的卷积核尺寸分别进行了实验,得到其BIC值,实验结果如下表1所示。
表1:CNN网络中不同卷积核尺寸的BIC值
卷积层结构 | 准确度值 | 过拟合惩罚 | BIC值 |
C1(1*3*3)-P-C2(1*4*3) | -1347 | 649 | -698 |
C1(1*5*3)-P-C2(1*2*3) | -1308 | 690 | -618 |
C1(1*3*3)-P-C2(1*5*4) | -1338 | 721 | -617 |
C1(1*3*4)-P-C2(1*2*3) | -1317 | 794 | -523 |
C1(1*5*3)-P-C2(1*4*4) | -1254 | 758 | -496 |
由表1可以看出,当采用C1(1*3*3)-P-C2(1*4*3)的卷积层结构时,BIC值为-698,准确度值与过拟合惩罚值分别为-1347、649,均为测试结构中的最低值,本实施例中的方法能够选择出最优卷积核个数,而传统方法则没有经过选择。
为了进一步说明通过BIC准则确定的CNN结构具有较好的诊断效果,分别采用该结构CNN网络和一般CNN网络对动力电池组数据进行测试。这里分别选择了四组故障数据集进行测试,测试结果如图5所示。从图5中可以看出,除测试数据集3中两个网络的准确率相同外,其余数据集中通过BIC准则确定的最优网络均具有较高的准确率。可见采用BIC准则确立的CNN模型在动力电池组故障诊断中具有较高的准确率。
根据以上测试可以看出,基于改进的CNN诊断网络进行动力电池组故障诊断相较于传统的CNN网络,其诊断准确率更高。为分析该诊断网络的性能,分别采用BP神经网络、LSTM网络、一般CNN网络及本实施例提出的改进CNN网络在相同的训练集与测试集中进行特征学习与故障诊断,测试结果参照下表2所示,
表2:不同方法下针对电池组不同故障数据集的诊断准确率
从表2可以看出,本实施例提出的改进CNN方法对于动力电池组故障状态下具有较好的诊断效果,尤其对另外3种方法均无法高效检测出的容量偏小故障,而本实施例提供的改进CNN网络下的检测准确率可达95%。
本实施例中为进一步提高动力电池组故障诊断的准确率,对改进CNN网络的诊断结果加入确诊条件判断的步骤。当不满足确诊条件时,可以将一般CNN网络作为辅助诊断网络对动力电池组故障进行诊断,并将辅助诊断结果和改进CNN网络得到的初步诊断网络结果采用D-S理论进行融合,并根据决策条件得到最终诊断结果。
其中一组动力电池组故障诊断的初步结果如表3第一行所示。由表3可知,在改进CNN网络诊断中,虽然根据输出最大值原则,判断该故障为容量偏小故障,但容量偏小对应的输出和正常的输出差值仅为0.04,不符合确诊条件。所以对该故障继续采用一般CNN网络进行辅助诊断,诊断结果参照表3所示,
表3:动力电池组故障融合诊断测试结果
方法 | A<sub>1</sub> | A<sub>2</sub> | A<sub>3</sub> | A<sub>4</sub> | 判定结果 |
改进CNN | 0.00 | 0.52 | 0.00 | 0.48 | 容量偏小 |
传统CNN | 0.00 | 0.24 | 0.00 | 0.76 | 正常 |
融合诊断 | 0.00 | 0.25 | 0.00 | 0.75 | 正常 |
参照表3,A1、A2、A3和A4分别代表电池组的不同故障类型,其中A1表示SOC偏低故障、A2表示容量偏小故障、A3表示内阻偏大故障、A4表示正常状况。本实施例中将初步诊断结果和辅助诊断结果进行融合,得到融合诊断结果,可以看出,未添加辅助诊断的改进CNN网络中错误诊断的数据经D-S融合后输出正确的判定结果,降低了误诊率。
最后,对相同的动力电池组故障采用本文提出的融合诊断方法进行了测试,得到的测试结果如图6所示。从图6中可以看出,采用融合诊断的方法之后,整体故障诊断准确率由仅采用改进CNN网络得到的95%提高到96%。特别是采用该方法后,电池组正常状态的准确率由88%提升至94%,明显减少了电池组故障诊断中误诊的情况。
实施例2
参照图7的示意,示意为本实施例提出的一种基于改进CNN的动力电池组故障融合诊断系统结构示意图,上述实施例中提出的基于改进CNN的动力电池组故障融合诊断方法能够基于该系统进行实现。
该基于改进CNN的动力电池组故障融合诊断系统包括信号处理模块100、初诊网络模块200、判断模块300、辅助诊断模块400和融合诊断模块500。该系统中各个模块为依赖计算机运行的软件,具体的,
信号处理模块100对信号采用小波包分解进行处理,得到的能量值作为输入特征向量;
初诊网络模块200为改进的CNN网络,其输入为信号处理模块100处理后得到的特征向量;
判断模块300用于对诊断结果进行判断,判断其是否满足确诊条件,能够作为最终诊断结果进行输出;
辅助诊断模块400为CNN网络,能够对初诊结果不符合确诊条件的情况进行辅助诊断;
融合诊断模块500能够将初诊结果和辅助诊断结果采用D-S证据理论的方法进行融合,并得到融合后的最终诊断结果。
系统的测试流程如下:
步骤一:将电池组与信号处理模块100相连;
步骤二:将信号处理模块100的输出结果作为输入连接至初诊网络模块200;
步骤三:将初诊网络模块200的初步诊断结果输入至判断模块300,如果满足确诊条件,则得到诊断结果,跳至步骤六;否则进行步骤四;
步骤四:将信号处理模块100的输出结果作为输入连接至辅助网络模块400,得到辅助诊断结果;
步骤五:将辅助网络模块400的辅助诊断结果和初诊网络模块200的初步诊断结果一起输入融合诊断模块,得到融合诊断结果;
步骤六:诊断结果可以通过计算机输出至电池管理系统(Battery ManagementSystem)的故障诊断界面,供其他软件模块或用户参照,从而得知动力电池组的故障情况。
应当认识到,本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现,其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而,若需要,该程序可以以汇编或机器语言实现。在任何情况下,该语言可以是编译或解释的语言。此外,为此目的该程序能够在编程的专用集成电路上运行。
此外,可按任何合适的顺序来执行本文描述的过程的操作,除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行,并且可作为共同地在一个或多个处理器上执行的代码(例如,可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步,所述方法可以在可操作地连接至合适的任何类型的计算平台中实现,包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现,无论是可移动的还是集成至计算平台,如硬盘、光学读取和/或写入存储介质、RAM、ROM等,使得其可由可编程计算机读取,当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外,机器可读代码,或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时,本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时,本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能,从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中,转换的数据表示物理和有形的对象,包括显示器上产生的物理和有形对象的特定视觉描绘。
如在本申请所使用的,术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体,该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如,组件可以是,但不限于是:在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例,在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中,并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外,这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如,来自一个组件的数据,该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号,以本地和/或远程过程的方式进行通信。
应说明的是,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,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于改进CNN的动力电池组故障融合诊断方法,其特征在于:包括,
对锂电池的电压变化信号与SOC变化信号分别采用小波包分解处理,得到能量值构成输入特征向量;
CNN诊断网络对动力电池组故障进行初步诊断;
判断初步诊断结果是否满足确诊条件;
若满足确诊条件,则得到动力电池组的诊断结果;
若不满足确诊条件,则对动力电池组故障采用CNN网络进行辅助诊断;
将初步诊断结果和辅助诊断结果通过D-S证据理论的方法进行融合诊断;
对融合诊断结果进行判断并得到最终诊断结果。
3.如权利要求2所述的基于改进CNN的动力电池组故障融合诊断方法,其特征在于:所述Concat层对第一个卷积层池化后的浅层特征与第二个卷积层提取的高层特征进行融合,并在全连接层将Concat层中融合结果连接成一个一维向量。
5.如权利要求4所述的基于改进CNN的动力电池组故障融合诊断方法,其特征在于:所述CNN网络中采用BIC信息准则确定改进CNN网络中的卷积核个数,且BIC信息准则的定义为,
BIC=-2ln(L)+ln(n)·T
其中,L为极大似然函数值,n为样本容量,T为模型中未知的参数个数,BIC的值越小表示模型的拟合程度越好。
7.如权利要求5或6所述的基于改进CNN的动力电池组故障融合诊断方法,其特征在于:所述判断初步诊断结果还包括以下步骤,
对初步诊断输出结果中的最大值和次最大值进行求差运算;
当两者的差值大于等于0.1时,判断为满足诊断条件;
而当两者的差值小于0.1时,判断为不满足确诊条件,进行复诊。
9.如权利要求8所述的基于改进CNN的动力电池组故障融合诊断方法,其特征在于:所述对融合诊断结果需要满足的条件包括,
输出状态的基本分配概率函数为所有状态基本分配概率函数的最大值;
融合结果中最大基本分配概率函数与次最大基本分配概率函数的差异满足设定的最小值;
输出状态的基本分配概率函数值大于设定的阈值。
10.一种基于改进CNN的动力电池组故障融合诊断系统,其特征在于:包括,
信号处理模块(100),所述信号处理模块(100)对信号采用小波包分解进行处理,得到的能量值作为输入特征向量;
初诊网络模块(200),所述初诊网络模块(200)为改进的CNN网络,其输入为信号处理模块(100)处理后得到的特征向量;
判断模块(300),所述判断模块(300)用于对诊断结果进行判断,判断其是否满足确诊条件,能够作为最终诊断结果进行输出;
辅助诊断模块(400),所述辅助诊断模块(400)为CNN网络,能够对初诊结果不符合确诊条件的情况进行辅助诊断;
融合诊断模块(500),所述融合诊断模块(500)能够将初诊结果和辅助诊断结果采用D-S证据理论的方法进行融合,并得到融合后的最终诊断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010132434.2A CN111652348B (zh) | 2020-02-29 | 2020-02-29 | 一种基于改进cnn的动力电池组故障融合诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010132434.2A CN111652348B (zh) | 2020-02-29 | 2020-02-29 | 一种基于改进cnn的动力电池组故障融合诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111652348A true CN111652348A (zh) | 2020-09-11 |
CN111652348B CN111652348B (zh) | 2023-09-01 |
Family
ID=72348076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010132434.2A Active CN111652348B (zh) | 2020-02-29 | 2020-02-29 | 一种基于改进cnn的动力电池组故障融合诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111652348B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111856299A (zh) * | 2020-07-29 | 2020-10-30 | 中国联合网络通信集团有限公司 | 电源状态的确定方法、装置及设备 |
CN112215197A (zh) * | 2020-10-27 | 2021-01-12 | 华能国际电力股份有限公司上海石洞口第一电厂 | 基于人工智能的地下电缆故障预警方法和预警系统 |
CN112287979A (zh) * | 2020-10-14 | 2021-01-29 | 北方工业大学 | 一种基于互信息的储能电池状态判定方法 |
CN112365935A (zh) * | 2020-10-20 | 2021-02-12 | 燕山大学 | 一种基于多尺度深度网络的水泥游离钙软测量方法 |
CN113325317A (zh) * | 2021-07-08 | 2021-08-31 | 山东大学 | 基于改进rbf神经网络的动力电池故障诊断方法及系统 |
CN113561853A (zh) * | 2021-06-08 | 2021-10-29 | 北京科技大学 | 燃料电池系统在线故障诊断方法及装置 |
CN113608140A (zh) * | 2021-06-25 | 2021-11-05 | 国网山东省电力公司泗水县供电公司 | 一种电池故障诊断方法及系统 |
CN113884903A (zh) * | 2021-10-19 | 2022-01-04 | 中国计量大学 | 一种基于多层感知器神经网络的电池故障诊断方法 |
CN113985177A (zh) * | 2021-10-29 | 2022-01-28 | 江铃汽车股份有限公司 | 一种混合动力车48v系统故障快速诊断方法及装置 |
CN114636933A (zh) * | 2022-05-23 | 2022-06-17 | 长沙矿冶研究院有限责任公司 | 基于复合神经网络的退役动力电池容量的检测方法及系统 |
CN116774090A (zh) * | 2023-08-17 | 2023-09-19 | 深圳市菲尼基科技有限公司 | 基于状态监控的储能电池健康诊断方法、装置及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109838696A (zh) * | 2019-01-09 | 2019-06-04 | 常州大学 | 基于卷积神经网络的管道故障诊断方法 |
CN110334740A (zh) * | 2019-06-05 | 2019-10-15 | 武汉大学 | 人工智能推理融合的电力设备故障检测定位方法 |
-
2020
- 2020-02-29 CN CN202010132434.2A patent/CN111652348B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109838696A (zh) * | 2019-01-09 | 2019-06-04 | 常州大学 | 基于卷积神经网络的管道故障诊断方法 |
CN110334740A (zh) * | 2019-06-05 | 2019-10-15 | 武汉大学 | 人工智能推理融合的电力设备故障检测定位方法 |
Non-Patent Citations (1)
Title |
---|
夏飞等: ""改进D - S 证据理论在 电动汽车锂电池故障诊断中的应用"" * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111856299A (zh) * | 2020-07-29 | 2020-10-30 | 中国联合网络通信集团有限公司 | 电源状态的确定方法、装置及设备 |
CN112287979B (zh) * | 2020-10-14 | 2023-05-23 | 北方工业大学 | 一种基于互信息的储能电池状态判定方法 |
CN112287979A (zh) * | 2020-10-14 | 2021-01-29 | 北方工业大学 | 一种基于互信息的储能电池状态判定方法 |
CN112365935A (zh) * | 2020-10-20 | 2021-02-12 | 燕山大学 | 一种基于多尺度深度网络的水泥游离钙软测量方法 |
CN112215197A (zh) * | 2020-10-27 | 2021-01-12 | 华能国际电力股份有限公司上海石洞口第一电厂 | 基于人工智能的地下电缆故障预警方法和预警系统 |
CN113561853A (zh) * | 2021-06-08 | 2021-10-29 | 北京科技大学 | 燃料电池系统在线故障诊断方法及装置 |
CN113561853B (zh) * | 2021-06-08 | 2023-10-10 | 北京科技大学 | 燃料电池系统在线故障诊断方法及装置 |
CN113608140A (zh) * | 2021-06-25 | 2021-11-05 | 国网山东省电力公司泗水县供电公司 | 一种电池故障诊断方法及系统 |
CN113325317A (zh) * | 2021-07-08 | 2021-08-31 | 山东大学 | 基于改进rbf神经网络的动力电池故障诊断方法及系统 |
CN113884903B (zh) * | 2021-10-19 | 2023-08-18 | 中国计量大学 | 一种基于多层感知器神经网络的电池故障诊断方法 |
CN113884903A (zh) * | 2021-10-19 | 2022-01-04 | 中国计量大学 | 一种基于多层感知器神经网络的电池故障诊断方法 |
CN113985177A (zh) * | 2021-10-29 | 2022-01-28 | 江铃汽车股份有限公司 | 一种混合动力车48v系统故障快速诊断方法及装置 |
CN114636933B (zh) * | 2022-05-23 | 2022-09-13 | 长沙矿冶研究院有限责任公司 | 基于复合神经网络的退役动力电池容量的检测方法及系统 |
CN114636933A (zh) * | 2022-05-23 | 2022-06-17 | 长沙矿冶研究院有限责任公司 | 基于复合神经网络的退役动力电池容量的检测方法及系统 |
CN116774090A (zh) * | 2023-08-17 | 2023-09-19 | 深圳市菲尼基科技有限公司 | 基于状态监控的储能电池健康诊断方法、装置及设备 |
CN116774090B (zh) * | 2023-08-17 | 2023-10-31 | 深圳市菲尼基科技有限公司 | 基于状态监控的储能电池健康诊断方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111652348B (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111652348A (zh) | 一种基于改进cnn的动力电池组故障融合诊断方法及系统 | |
CN112540317B (zh) | 基于实车数据的电池健康状态估计与剩余寿命预测方法 | |
CN109165687B (zh) | 基于多分类支持向量机算法的车用锂电池故障诊断方法 | |
EP3362809B1 (en) | Battery test system for predicting battery test results | |
KR20200140093A (ko) | 배터리의 충방전 사이클에 따른 용량 변화 예측방법 및 예측시스템 | |
CN112379269A (zh) | 电池异常检测模型训练及其检测方法、装置 | |
CN110941929A (zh) | 一种基于ARMA和Elman神经网络联合建模的电池健康状态评估方法 | |
CN110568360B (zh) | 一种基于模糊逻辑算法的锂电池老化诊断方法 | |
CN111816936A (zh) | 电池梯次利用配组方法、系统、终端设备及存储介质 | |
CN112327194B (zh) | 一种锂电池容量跳水识别方法及装置 | |
CN113093020A (zh) | 基于lstm神经网络预测锂离子电池剩余使用寿命方法 | |
CN114417948A (zh) | 一种基于神经网络预测电池热失控的方法 | |
CN114114039A (zh) | 一种电池系统的单体电芯一致性的评估方法和装置 | |
CN113406503A (zh) | 基于深度神经网络的锂电池soh在线估算方法 | |
CN115510612A (zh) | 一种锂离子电池剩余使用寿命预测方法 | |
CN113791351B (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
CN114325449B (zh) | 一种锂离子电池soh预测方法 | |
CN114280490B (zh) | 一种锂离子电池荷电状态估计方法及系统 | |
CN114839539A (zh) | 基于多层次序列信息自适应融合的锂电池soh估计方法 | |
CN114896865A (zh) | 一种面向数字孪生的自适应演化神经网络健康状态在线预测方法 | |
CN114545279A (zh) | 一种基于神经网络常微分方程的锂电池健康状态估计方法 | |
CN114355218A (zh) | 一种基于多特征量筛选的锂离子电池荷电状态预测方法 | |
CN114295994A (zh) | 一种基于pca-rvm的锂离子电池剩余使用寿命预测方法 | |
Zhou et al. | Research on lithium battery sorting method based on image adaptive recognition of feature points | |
CN114200308B (zh) | 一种基于特征融合的电池组参数不一致性在线评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20200911 Assignee: Shanghai Xunjing Technology Co.,Ltd. Assignor: Shanghai Electric Power University Contract record no.: X2023310000054 Denomination of invention: A Fault Fusion Diagnosis Method and System for Power Battery Pack Based on Improved CNN License type: Common License Record date: 20230421 |
|
GR01 | Patent grant | ||
GR01 | Patent grant |