CN112858917B - 基于遗传算法优化神经网络的电池系统多故障诊断方法 - Google Patents

基于遗传算法优化神经网络的电池系统多故障诊断方法 Download PDF

Info

Publication number
CN112858917B
CN112858917B CN202110052494.8A CN202110052494A CN112858917B CN 112858917 B CN112858917 B CN 112858917B CN 202110052494 A CN202110052494 A CN 202110052494A CN 112858917 B CN112858917 B CN 112858917B
Authority
CN
China
Prior art keywords
fault
neural network
data
battery system
genetic algorithm
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.)
Active
Application number
CN202110052494.8A
Other languages
English (en)
Other versions
CN112858917A (zh
Inventor
于全庆
俄立新
金毅
王大方
杨博文
张齐
郝自伟
董浩崧
张毕
孙旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Weihai Tianda Automobile Technology Co ltd
Harbin Institute of Technology Weihai
Original Assignee
Weihai Tianda Automobile Technology Co ltd
Harbin Institute of Technology Weihai
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Weihai Tianda Automobile Technology Co ltd, Harbin Institute of Technology Weihai filed Critical Weihai Tianda Automobile Technology Co ltd
Priority to CN202110052494.8A priority Critical patent/CN112858917B/zh
Publication of CN112858917A publication Critical patent/CN112858917A/zh
Application granted granted Critical
Publication of CN112858917B publication Critical patent/CN112858917B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

一种基于遗传算法优化神经网络的电池系统多故障诊断方法，涉及新能源汽车动力电池系统安全领域。对所选动力电池加载动态应力测试实验，对电流传感器采集数据和电压传感器采集数据注入多种类型的故障信号，建立故障特征与故障类型的对应关系，建立神经网络，利用遗传算法对该神经网络进行优化，取得电池系统的电流、电压传感器故障数据，采用min‑max标准化，建立传感器的故障特征与故障类型的样本数据；依据样本建立矩阵导入神经网络中，作为系统输入和目标输出进行训练，建立对多种故障进行综合诊断的检测系统，有效提高了故障诊断的检测范围，同时所引入的遗传算法也提高了神经网络运行的效率以及结果的准确率。

Description

基于遗传算法优化神经网络的电池系统多故障诊断方法
技术领域
本发明涉及新能源汽车动力电池系统安全领域，尤其涉及电池系统传感器的多故障类型诊断方法研究。
背景技术
当今的汽车正在向电动化、智能化、网联化、共享化发展，电动汽车无疑是研究的热点领域，电动汽车的安全性也备受人们关注。而电动汽车的安全问题绕不开动力电池系统，在动力电池系统中，传感器是保障汽车安全的重要部件。由于传感器工作环境复杂，所以极易产生故障，因此对电池系统的传感器进行故障诊断十分有必要。
目前传感器故障诊断方法主要包括基于解析模型的方法、基于信号处理和基于知识的方法。当可以建立比较准确的诊断对象的数学模型时，通常都会选择基于解析模型的方法，而当难以建立诊断对象的解析数学模型时,可以使用基于信号处理的方法，这两种方法也是目前较为常用的故障检测方法，但是传感器故障类型具有未知和不可预测性，在面对一个复杂的传感器系统时，上述两种方法都只能用于传感器单一故障类型的检测，最常见的是针对传感器偏置故障检测，缺乏对传感器的冲击、漂移、完全失效等多故障类型的检测。神经网络作为机器学习的一种方式，凭借其强大的计算能力，为多故障诊断带来了新的可能。
另一方面，纵使神经网络学习计算能力很强，但由于初始权值和初始阈值的随机性，也会使最终结果陷入局部最优从而造成较大的误差，降低了故障诊断的准确性。而遗传算法作为进化算法的一种，可以通过模拟自然界的选择与遗传机理来寻找最优解，不会像其他迭代算法一样陷入局部极小的陷阱而出现死循环或局部最优现象，在减小误差方面有着极大的优势。
发明内容
本发明的目的是提供一种可对传感器的偏置、冲击、漂移、完全失效等多故障类型进行检测，运算效率高、精度高的基于遗传算法优化神经网络的电池系统多故障诊断方法。
本发明的技术方案是：
一种基于遗传算法优化神经网络的电池系统多故障诊断方法，其特征在于包括如下步骤：
步骤一：选择动力电池系统，对动力电池系统传感器的至少两种类型的故障建立其故障特征与故障类型的对应关系，将故障类型与神经网络的输出层变量建立一一对应的关系；
步骤二：对所选动力电池系统的动力电池加载动态应力测试(Dynamic stresstest,DST)实验，分别对得到的电流传感器采集数据和电压传感器采集数据注入a份、每份注入的持续时间为b的故障信号，得到a份电流传感器故障数据和a份电压传感器故障数据；在每份电流传感器故障数据和每份电压传感器故障数据上分别设置5个数据采集点，相邻两个数据采集点的时间间隔为b/5，分别采集5个数据采集点的电流传感器故障数据、电压传感器故障数据、电流传感器故障数据与电流传感器采集数据差值、电压传感器故障数据与电压传感器采集数据差值，将采集的每份电流传感器故障数据、电压传感器故障数据、电流传感器故障数据与电流传感器采集数据差值、电压传感器故障数据与电压传感器采集数据差值作为神经网络的一份输入数据，所有的输入数据为样本数据，对样本数据进行归一化处理，将归一化处理后的样本数据分为训练样本集和测试样本集，使用训练样本集和测试样本集建立BP神经网络诊断模型；
步骤三：对步骤一建立的BP神经网络诊断模型的权值和阈值进行实数编码，随机选取至少30个实数编码对应的权值和阈值的初始个体、构成初始种群，每个初始个体代表问题的一个初始解；
步骤四：计算初始种群中每个个体的适应度；
步骤五：对当前种群中个体进行选择、交叉、变异操作，形成下一代的新种群，对新种群的个体适应度进行评估计算；
步骤六：判断步骤五得到的新种群是否达到收敛条件，是则进入步骤七，否则返回步骤五；
步骤七：在达到收敛条件的种群中选择最优个体，作为BP神经网络诊断模型的初始权值和阈值，完成BP神经网络诊断模型的建立。可使用该BP神经网络诊断模型进行传感器故障诊断。
进一步的，本发明步骤一中对动力电池系统传感器的固定偏差、完全失效、精度下降、漂移四种类型的故障建立其故障特征与故障类型的对应关系。
进一步的，本发明步骤二中所述的a份故障信号中，每份故障信号中包含至少一种步骤1中所述的故障类型的故障信号；a份故障信号中包含步骤1中所述的每一种故障类型的故障信号。
进一步的，本发明步骤二中所述的a份故障信号中，每份故障信号中包含步骤1中所述的全部故障类型的故障信号。
进一步地，步骤二中所述的归一化处理是采用min-max函数对样本数据进行归一化处理。
进一步地，步骤二中所述的BP神经网络诊断模型，具体如下：
输入层神经元个数m为20，输出层神经元个数n为8，(根据经验公式，)隐含层神经元个数h＝5+c，c为1～10中的自然数。本专利所进行的实验h取13。
进一步的，步骤六中所述的判断是否达到收敛条件，具体如下：
预先设定初始种群的进化代数，当进化达到设定的代数时，即终止条件满足，则BP神经网络诊断模型优化过程结束，输出最优个体，作为BP神经网络诊断模型的初始权值和阈值。对由实数编码组成的种群进行一次选择、交叉、变异操作，形成下一代的新种群，即为一次进化、进化代数加一。
本发明中所述的a不小于100，所述的b不小于1；a优选300-1000，b优选5、10、15。在保证精度的前提下，计算量小、运算效率高。
本发明的有益效果在于：
(1)针对以往的传感器故障检测方法都是单一故障类型的检测，本发明实现了对传感器可能发生的各种故障，如漂移、偏置、完全失效等多种故障的全面检测。
(2)针对以往的神经网络稳定性不高，最终权值与阈值容易陷入局部最优，使得故障诊断效果无法达到预期效果的问题，本发明利用了遗传算法对权值和阈值在全局内寻得一个近似最优解，再将其输送到神经网络中，进而极大的提高了运算效率与精度。
附图说明
图1为基于遗传算法优化的神经网络多故障诊断类型方法流程；
图2为matlab神经网络具体训练流程；
图3为遗传算法优化的具体流程；
图4为经遗传算法优化后的神经网络具体训练流程。
具体实施方式
下面结合附图对本发明所提供的传感器故障诊断方法进行详尽的阐述。
本发明所提供的一种基于遗传算法优化的神经网络电池系统传感器多故障类型诊断方法，如图1所示，具体包括以下步骤：
步骤一：建立传感器故障特征与故障类型之间的对应关系
选择动力电池系统，对动力电池系统传感器的固定偏差、完全失效、精度下降、漂移这四种故障建立故障特征、故障类型以及神经网络的输出层变量三者的对应关系，如表1：
Figure BDA0002899564940000031
表1
步骤二：对所选动力电池系统的动力电池加载动态应力测试(Dynamic stresstest,DST)实验，根据步骤一所述的故障特征与故障类型的对应关系，分别对得到的电流传感器采集数据和电压传感器采集数据注入600份、每份注入的持续时间为5秒，即分别持续地对电流传感器采集数据和电压传感器采集数据注入总持续时长为3000秒、单次持续时长为5秒的故障信号；每份故障信号包含固定偏差、完全失效、精度下降、漂移这四种故障中的至少一种故障，且600份故障信号包含固定偏差、完全失效、精度下降、漂移这四种故障的全部故障类型。得到600份电流传感器故障数据和600份电压传感器故障数据；
在每份电流传感器故障数据和每份电压传感器故障数据上分别设置5个(不同时间的)数据采集点：t1,t2,t3,t4,t5，相邻两个数据采集点的时间间隔为1秒，分别采集t1,t2,t3,t4,t5时刻的电流传感器故障数据、电压传感器故障数据、电流传感器故障数据与电流传感器采集数据差值、电压传感器故障数据与电压传感器采集数据差值，将采集的每份电流传感器故障数据、电压传感器故障数据、电流传感器故障数据与电流传感器采集数据差值、电压传感器故障数据与电压传感器采集数据差值(共20个数据)作为神经网络的一份输入数据的输入变量，其具体对应关系如下表2所示：
Figure BDA0002899564940000041
表2
经此变换，共形成了600份神经网络输入数据，下式为神经网络每份输入数据的具体表达形式：
X＝(x1,x2,x3,x4,x5,x6,x7,x8,x9,x10,x11,x12,x13,x14,x15,x16,x17,x18,x19,x20)
将上述600份神经网络输入数据作为样本数据，采用min-max函数对样本数据进行归一化处理。将归一化处理后的样本数据分为训练样本集和测试样本集，其中随机选取500份神经网络输入数据作为训练样本集，剩余100份为测试样本集。根据表1的对应关系生成500份与训练样本集对应的理论故障类型数据作为神经网络的输出数据，其中存在某一故障用1表示，不存在某一故障用0表示。每一份理论故障类型数据为一行包含8个变量的向量，如下所示：
Y＝(y1,y2,y3,y4,y5,y6,y7,y8)
建立神经网络基本模型，其中输入层神经元个数m为20，输出层神经元个数n为8，隐含层神经元个数h为13，神经网络训练过程如图2所示，具体步骤为先将输入数据以及权值、阈值初始化，再采集网络输出数据并计算其误差，接着进入误差判断循环并更新权值、阈值，最终达到要求后结束训练。
步骤三：对步骤一建立的BP神经网络诊断模型的权值和阈值进行实数编码，编码长度即个体的染色体长度S＝20*13+13+13*8+8＝385；接着随机生成一组个体规模数为50的种群作为50个随机解。即：随机选取50个实数编码对应的权值和阈值的初始个体、构成初始种群。每个初始个体代表找寻最优初始权值与初始阈值的一个初始解。
步骤四：计算步骤三所述的种群(初始种群)中每个个体的适应度，具体操作如下：
首先计算损失函数，用误差平方和C(i)来表示，公式为：
Figure BDA0002899564940000051
其中i＝1,...N为染色体数；n为输出层节点数等于8；p为训练样本数等于500；Tn表示第n个输出节点的实际值；Vn表示第n个输出节点的预测值；
计算每一个个体的适应度，本专利将损失函数的倒数作为个体的适应度函数：
Figure BDA0002899564940000052
步骤五：对当前种群(步骤三生成的种群或步骤六返回的种群)中个体进行选择、交叉、变异操作，形成下一代的新种群，
其中选择操作采用轮盘赌法进行，每个个体被选中的概率为：
Figure BDA0002899564940000053
对于交叉概率，本实施例取0.4；对于变异概率，本实施例取0.2。
接着对本步骤形成的新种群的个体进行适应度评估。
步骤六：判断步骤五得到的新种群是否达到收敛条件，是则进入步骤七，否则返回步骤五、重新执行步骤五操作。本实施例中达到收敛条件即预先设定的进化代数后得到最优个体，本专利设定进化代数为100代，遗传算法优化的流程如图3所示，具体步骤为：先将权值、阈值进行编码形成种群的每个个体，接着计算每个个体的适应度，之后对每个个体进行选择、交叉、变异操作形成下一代种群，计算下一代种群中每个个体的适应度，进入适应度判断循环，达到要求后即结束遗传算法。
步骤七：在达到收敛条件的种群中选择最优个体，作为BP神经网络诊断模型的初始权值和阈值，输入到神经网络中完成BP神经网络诊断模型的建立。可对电流、电压传感器的多故障类型诊断。
使用该BP神经网络诊断模型进行传感器故障诊断。
使用本发明提供的BP神经网络诊断模型进行传感器故障诊断的具体操作如下：
1.初始化网络：
X＝(x1,x2,...,xm)
Y＝(y1,y2,...,yn)
其中X为神经网络输入变量，Y为神经网络输出变量，m为输入层神经元个数等于20，n为输出层神经元个数等于8.
2.计算隐含层输出：
Figure BDA0002899564940000061
其中m为输入层神经元个数等于20；h为隐含层神经元个数等于13；ωij为输入层到隐含层的权值；λaj为输入层到隐含层阈值；f为激励函数，表达式如下：
Figure BDA0002899564940000062
3.计算输出层输出：
Figure BDA0002899564940000063
其中n为输出层神经元个数等于8；Haj为隐含层输出；ωjk为隐含层到输出层的权值；λbk为隐含层到输出层的阈值。
4.计算损失函数，用误差平方和C(i)来表示，公式为：
C(k)＝(Hbk-Yk)2，1≤k≤8
其中Hbk表示第k个输出节点的实际值；Yk表示第k个输出节点的预测值；规定目标误差c为0.001，若max[C(k)]≤c，则终止训练，否则进行下一步。
5.更新权值和阈值，更新方式如下：
Figure BDA0002899564940000071
Figure BDA0002899564940000072
Figure BDA0002899564940000073
Figure BDA0002899564940000074
其中ωij为输入层到隐含层的权值；ωjk为隐含层到输出层的权值；λa为输入层到隐含层阈值；λb为隐含层到输出层的权值；η为学习效率，默认取0.1。
权值和阈值更新后进行2-4步，直至满足条件后结束循环。
经遗传算法优化的神经网络训练过程如图4所示，其具体过程为先建立神经网络基本模型，接着将权值、阈值进行编码，利用遗传算法对初始权值、阈值进行优化，优化完毕后将优化好的权值与阈值重新带入神经网络中进行训练，最终得到优化后的神经网络诊断模型。
本发明相比目前普遍采用的直接以电流、电压传感器输出的故障数据值作为神经网络的输入数据，本专利增加了故障数据值与实际信号值的差值这一输入变量，对于一些些故障，如漂移故障和固定偏差故障等，当发生漂移故障的传感器与发生固定偏差故障的传感器所输出的故障数据值会存在一定的相似性，从而导致神经网络在诊断这两种故障时会出现误诊现象，比如实际上传感器发生了漂移故障，神经网络却因为两种故障其输出故障数据的相似性诊断成了固定偏差故障，进而使得神经网络诊断模型的准确率达不到预期效果；当加入故障数据值与真实值的差值这一输入量后，每个故障输入数据之间的相似性便大大减小，如漂移故障的故障数据值与真实值的差值和固定偏差故障的故障数据值与真实值的差值基本不存在相似性，相似性的减少或消失便会减少神经网络的误诊现象，进而大大提高神经网络诊断模型的准确率。从而提高了该神经网络诊断模型的准确率。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (8)

1.一种基于遗传算法优化神经网络的电池系统多故障诊断方法，其特征在于包括如下步骤：
步骤一：选择动力电池系统，对动力电池系统传感器的至少两种类型的故障建立其故障特征与故障类型的对应关系，将故障类型与神经网络的输出层变量建立一一对应的关系；
步骤二：对所选动力电池系统的动力电池加载动态应力测试实验，分别对得到的电流传感器采集数据和电压传感器采集数据注入a份、每份注入的持续时间为b的故障信号，得到a份电流传感器故障数据和a份电压传感器故障数据；在每份电流传感器故障数据和每份电压传感器故障数据上分别设置5个数据采集点，相邻两个数据采集点的时间间隔为b/5，分别采集5个数据采集点的电流传感器故障数据、电压传感器故障数据、电流传感器故障数据与电流传感器采集数据差值、电压传感器故障数据与电压传感器采集数据差值，将采集的每份电流传感器故障数据、电压传感器故障数据、电流传感器故障数据与电流传感器采集数据差值、电压传感器故障数据与电压传感器采集数据差值作为神经网络的一份输入数据，所有的输入数据为样本数据，对样本数据进行归一化处理，将归一化处理后的样本数据分为训练样本集和测试样本集，使用训练样本集和测试样本集建立BP神经网络诊断模型；
步骤三：对步骤一建立的BP神经网络诊断模型的权值和阈值进行实数编码，随机选取至少30个实数编码对应的权值和阈值的初始个体、构成初始种群，每个初始个体代表问题的一个初始解；
步骤四：计算初始种群中每个个体的适应度；
步骤五：对当前种群中个体进行选择、交叉、变异操作，形成下一代的新种群，对新种群的个体适应度进行评估计算；
步骤六：判断步骤五得到的新种群是否达到收敛条件，是则进入步骤七，否则返回步骤五；
步骤七：在达到收敛条件的种群中选择最优个体，作为BP神经网络诊断模型的初始权值和阈值，完成BP神经网络诊断模型的建立，可使用该BP神经网络诊断模型进行传感器故障诊断。
2.根据权利要求1所述的基于遗传算法优化神经网络的电池系统多故障诊断方法，其特征在于步骤一中对动力电池系统传感器的固定偏差、完全失效、精度下降、漂移四种类型的故障建立其故障特征与故障类型的对应关系。
3.根据权利要求1所述的基于遗传算法优化神经网络的电池系统多故障诊断方法，其特征在于步骤二中所述的a份故障信号中，每份故障信号包含至少一种步骤1中所述的故障类型的故障信号，a份故障信号中包含步骤1中的每一种故障类型的故障信号。
4.根据权利要求1所述的基于遗传算法优化神经网络的电池系统多故障诊断方法，其特征在于步骤二中所述的a份故障信号中，每份故障信号包含步骤1中的全部故障类型的故障信号。
5.根据权利要求1所述的基于遗传算法优化神经网络的电池系统多故障诊断方法，其特征在于步骤二中所述的归一化处理是采用min-max函数对样本数据进行归一化处理。
6.根据权利要求1所述的基于遗传算法优化神经网络的电池系统多故障诊断方法，其特征在于步骤二中所述的BP神经网络诊断模型具体如下：
输入层神经元个数m为20，输出层神经元个数n为8，隐含层神经元个数h＝5+c，c为1～10中的自然数。
7.根据权利要求1所述的基于遗传算法优化神经网络的电池系统多故障诊断方法，其特征在于步骤六中所述的判断是否达到收敛条件，具体如下：
预先设定初始种群的进化代数，当进化达到设定的代数时，即终止条件满足，则BP神经网络诊断模型优化过程结束，输出最优个体，作为BP神经网络诊断模型的初始权值和阈值。
8.根据权利要求1所述的基于遗传算法优化神经网络的电池系统多故障诊断方法，其特征在于所述的a不小于100，所述的b不小于1。
CN202110052494.8A 2021-01-15 2021-01-15 基于遗传算法优化神经网络的电池系统多故障诊断方法 Active CN112858917B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110052494.8A CN112858917B (zh) 2021-01-15 2021-01-15 基于遗传算法优化神经网络的电池系统多故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110052494.8A CN112858917B (zh) 2021-01-15 2021-01-15 基于遗传算法优化神经网络的电池系统多故障诊断方法

Publications (2)

Publication Number Publication Date
CN112858917A CN112858917A (zh) 2021-05-28
CN112858917B true CN112858917B (zh) 2022-04-08

Family

ID=76006449

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110052494.8A Active CN112858917B (zh) 2021-01-15 2021-01-15 基于遗传算法优化神经网络的电池系统多故障诊断方法

Country Status (1)

Country Link
CN (1) CN112858917B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN113805065B (zh) * 2021-09-20 2023-08-18 哈尔滨工业大学（威海） 一种基于余弦相似度的混联电池组多故障诊断方法
CN113805066B (zh) * 2021-09-20 2023-08-18 哈尔滨工业大学（威海） 一种基于改进欧氏距离相似度的串联电池组多故障诊断方法
CN114821856B (zh) * 2022-04-18 2023-04-07 大连理工大学 一种并联于行车电脑的汽车快速维修智能辅助装置
CN114814593B (zh) * 2022-04-29 2024-06-11 哈尔滨工业大学（威海） 一种两步检测策略的电池组多故障快速诊断方法
CN115034306A (zh) * 2022-06-13 2022-09-09 昆明理工大学 基于可拓神经网络的铝电解故障预报及安全运维方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103177288A (zh) * 2013-03-05 2013-06-26 辽宁省电力有限公司鞍山供电公司 基于遗传算法优化神经网络的变压器故障诊断方法
CN107122829A (zh) * 2017-06-16 2017-09-01 华北电力大学（保定） 一种利用虚拟样本训练神经网络诊断变压器故障的方法
CN108181591A (zh) * 2018-01-08 2018-06-19 电子科技大学 一种基于改进型bp神经网络的电池soc值的预测方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090112395A1 (en) * 2007-10-31 2009-04-30 Toyota Motor Engineering & Manufacturing North America, Inc.. System for detecting a battery malfunction and performing battery mitigation for an hev
CN102567783A (zh) * 2012-02-10 2012-07-11 广西电网公司电力科学研究院 并联混合型电能质量调节器专家故障分析与诊断方法
CN104142680B (zh) * 2014-05-09 2017-05-24 东南大学 一种基于鲁棒输入训练神经网络的多传感器故障诊断系统及方法
CN106501721A (zh) * 2016-06-03 2017-03-15 湘潭大学 一种基于生物进化的锂电池soc估算方法
CN107422266B (zh) * 2017-03-15 2021-04-16 中国电力科学研究院 一种大容量电池储能系统的故障诊断方法及装置
CN110007235A (zh) * 2019-03-24 2019-07-12 天津大学青岛海洋技术研究院 一种电动汽车蓄电池soc在线预测方法
CN110501631B (zh) * 2019-08-19 2021-10-29 重庆大学 一种在线间歇故障检测与诊断方法
CN112014757A (zh) * 2020-08-27 2020-12-01 湖北工业大学 一种容量增量分析与遗传小波神经网络融合的电池soh估计方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103177288A (zh) * 2013-03-05 2013-06-26 辽宁省电力有限公司鞍山供电公司 基于遗传算法优化神经网络的变压器故障诊断方法
CN107122829A (zh) * 2017-06-16 2017-09-01 华北电力大学（保定） 一种利用虚拟样本训练神经网络诊断变压器故障的方法
CN108181591A (zh) * 2018-01-08 2018-06-19 电子科技大学 一种基于改进型bp神经网络的电池soc值的预测方法

Also Published As

Publication number Publication date
CN112858917A (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
CN112858917B (zh) 基于遗传算法优化神经网络的电池系统多故障诊断方法
CN112131760B (zh) 基于cbam模型的航空发动机剩余寿命预测方法
CN108596327B (zh) 一种基于深度学习的地震速度谱人工智能拾取方法
CN113722985B (zh) 航空发动机健康状态评估和剩余寿命预测方法及系统
CN110888059A (zh) 一种基于改进随机森林联合容积卡尔曼动力电池荷电状态估计的算法
CN116448419A (zh) 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法
CN114266278B (zh) 一种基于双重注意力网络的设备剩余使用寿命预测方法
CN111638034B (zh) 基于深度学习的应变天平温度梯度误差补偿方法及系统
CN113850320A (zh) 基于改进支持向量机回归算法的变压器故障检测方法
CN114169374A (zh) 一种斜拉桥斜拉索损伤识别方法及电子设备
CN115758187A (zh) 一种基于k-cnn--n-gru的煤矿机械电机状态预测方法
CN116109039A (zh) 一种数据驱动异常检测与预警系统
CN114357372A (zh) 一种基于多传感器数据驱动的飞机故障诊断模型生成方法
CN116306226B (zh) 一种燃料电池性能退化预测方法
CN112528554A (zh) 一种适于多发多源火箭试验数据的数据融合方法及系统
CN116613745A (zh) 一种基于变分模态分解的pso-elm电动汽车充电负荷预测方法
CN113933706A (zh) 一种基于bp神经网络的直流电机故障检测方法
CN117688496B (zh) 面向卫星遥测多维时序数据的异常诊断方法、系统及设备
CN117454212B (zh) 一种基于数据聚类的遥测数据互检测方法
CN116106430B (zh) 基于声发射技术的熔铸用耐火材料开裂诊断方法
CN114626195B (zh) 一种利用时空数据进行固体氧化物燃料电池系统的建模方法及系统
Chen et al. A Multivariate Time Series Anomaly Detection Method Based on Generative Model
CN117610397B (zh) 一种基于污水处理设备的使用效果智能分析方法及装置
CN116595654B (zh) 一种基于遗传算法的多轴疲劳试验谱编制方法
Xuefang et al. The Fault Analysis of Analog Circuit Based on BP Neural Network

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
GR01 Patent grant
GR01 Patent grant