基于模糊神经网络的船用锂电池故障诊断的研究

陈晓彬，俞万能

（集美大学轮机工程学院，船舶与海洋工程福建省重点实验室，福建省厦门市 361021）



基于模糊神经网络的船用锂电池故障诊断的研究

陈晓彬，俞万能

（集美大学轮机工程学院，船舶与海洋工程福建省重点实验室，福建省厦门市 361021）

摘 要：本文针对锂电池组成的船舶储能系统，分析锂电池的故障模式和表现特征，建立基于模糊神经网络锂电池组故障诊断模型，通过实验数据进行模型训练并进行仿真。仿真结果证明所提出的模型的正确性，实现锂电池的故障预警，提高系统运行稳定性。

关键词:MATLAB，故障诊断，模糊神经网络，锂电池

0 引言

太阳能和风能等新能源在小型船舶上的应用越来越普遍，比如景区湖泊和内河等配备的游览观光船舶。由于景区行驶距离较短，对船舶续航能力等要求较低，但却有低的噪音、环保、性能可靠等要求，因而合适用太阳能作为能源。

景区在使用游览观光船舶时，由于船舶自身的工作人员技术经验和力量的有限，往往在船舶故障监测与诊断、维修决策等方面都存在问题。

因此，从船舶可靠性、维修性和经济性来考虑，如果能够运用当今先进的计算机和通讯技术对船舶进行远程故障诊断，即把船舶上对安全影响非常重要的参数实时地传到陆上故障诊断系统,远程实时监测船舶运行状态，实现对潜在故障的预测，并及时提供故障报警和诊断，这对保障船舶航行安全、提高维修效率、减少船舶维修费用都有大的帮助。

模糊神经网络从20世纪80年代提出后，发展至今，不仅在理论研究上取得了进展，也已开始应用于工业生产和人们生活中的许多领域[1]。

它的优点是将模糊理论与神经网络融合使用，实现了故障诊断中对不精确或不确定等模糊信息的处理，克服传统神经网络不能很好处理边界分类模糊数据故障的误诊断问题，同时也让基于规则的结构性知识能够得到学习和调整[2-5]。因此，模糊神经网络在图像的处理、模式的识别、工业的生产控制等各个领域取得了丰硕成果，其已用于人脸识别系统的研发、复杂操作要求机械设备的控制、机械故障的诊断等[6,7]。

1 船用锂电池组系统分析

本文所研究的某景区太阳能游览船舶所使用电池为磷酸铁锂电池，每艘船上使用的锂电池组共8箱，每箱锂电池由30节锂电池串联并联组成，单节锂电池标称电压3.2 V，容量100 Ah，每箱总电压为48 V，容量200 Ah，充电终止电压3.65 V，放电终止电压2.8 V，最大充电电流200 A，最大放电电流200 A。

锂电池组是太阳能游览船舶的重要组成部分，它供电给船上各种用电设备和船舶推进电机，而它也是游览船舶可能发生的故障的主要来源。因此对该锂电池进行分析研究，对诊断其可能发生的故障，是十分重要的。

根据该磷酸铁锂电池的相关技术参数和其使用环境，结合锂电池故障分析的知识，对该船用锂电池的故障进行如下分析。

该锂电池在工作中主要出现的故障症状有：电池放电电压低（x1）、放电电压下降快（x2）、充电电压高（x3）、充电电压上升快（x4）、充电电压低（x5）、电压远低于平均电压（x6）、充电电压上升慢（x7）、静置时电压下降快（x8）、充放电时电池温度过高（x9）[8]。

结合实际现场诊断的经验和归纳，该锂电池在使用中实际出现故障的原因有：锂电池容量变小、锂电池内阻过大、锂电池充电不足、锂电池自放电过大、锂电池损坏、锂电池接线连接异常。

各故障的症状和原因的关系分析如下：

1）当充电时电压过高、上升过快，放电时电压过低、下降过快时，则故障原因是锂电池容量变小；

2）当充电时电压过高，放电时电压过低，则故障原因是锂电池内阻过大；

3）当放电时电压过低、下降过快时，充电时电压过低，则故障原因是锂电池充电不足；

4）当放电时电压下降过快，电压远低于平均电压，则故障原因是锂电池损坏；

5）当充电时电压上升过慢，放电时电压下降过快，静置时电压下降过快，则故障原因是锂电池自放电过大；

6）当充电时电压过高，充放电时，电池温度过高，则故障原因是锂电池接线连接异常。

2 船用锂电池的模糊神经网络故障诊断模型

根据上文对该锂电池系统的分析，首先对故障征兆和故障原因分别进行模糊化处理，从而使神经网络的训练样本更精确；然后建立神经网络，根据模糊规则，进行故障原因的学习训练，得出模糊化的故障原因数据；最后将输出结果经反模糊化处理，输出最终的诊断结果。其结构图如图1所示：

图1 诊断模型的结构图

2.1模糊化处理

结合对该锂电池的试验和诊断方面的实践，将各故障症状作为输入变量，并进行模糊化处理，根据实际测试和专家经验，做出各故障症状的隶属度分布如下：

“电池放电电压低”＝1/＜50%+0.8/＜30%+ 0.5/＜15%+0.3/＜10%+0/正常；

“电池放电电压下降快”=1/＞30%+0.8/＞20%+ 0.5/＞10%+0.3/＞5%+0/正常；

“电池充电电压高”＝1/＞50%+0.8/＞30%+ 0.5/＞15%+0.3/＞10%+0/正常；

“电池充电电压上升快”=1/＞30%+0.8/＞20%+ 0.5/＞10%+0.3/＞5%+0/正常；

“电池充电电压低”＝1/＜50%+0.8/＜30%+ 0.5/＜15%+0.3/＜10%+0/正常；

“电池电压远低于平均电压”=1/＜1.2V+0.8/＜1V+0.5/＜0.8V+0.3/＜0.5V+0/正常；

“电池充电电压上升慢”=1/＜30%+0.8/＜20%+ 0.5/＜10%+0.3/＜5%+0/正常；

“电池静置电压下降快”=1/＞30%+0.8/＞20%+ 0.5/＞10%+0.3/＞5%+0/正常；

“电池温度过高”=1/＞62℃+0.8/＞60℃+ 0.5/＞58℃+0.3/＞56℃+0/正常。

结合实际和试验结果，对故障原因的故障模糊范畴进行描述，故障存在的程度可以按如下化分：故障不存在、不太可能存在、不确定是否存在、可能存在、故障存在，对应的隶属度化分如下：0-0.2、0.2-0.4、0.4-0.6、0.6-0.8、0.8-1。

2.2数据获取和样本采集

针对设计的对象，是使用于市区内湖的太阳能游览观光船舶，因此在数据获取，应根据这些实际情况和特点进行针对性的设计。

该船舶上采用的是PLC控制系统，船舶所处地域移动网络信号覆盖完好，且因传递的数据量不大，故选用基于GPRS的DTU设备，通过RS232接口实现DTU与船舶上的PLC控制系统数据传递。然后由DTU将锂电池各参数的实时数据通过GPRS网络传递到Internet网络，最后由计算机上的故障诊断终端软件进行接收处理[9]。

根据专家经验和试验归纳，得到如表1和表2所示的故障征兆与故障原因对应关系的模糊规则库，表中的数据即模糊神经网络的训练样本。

表1 锂电池的故障征兆

2.3模糊神经网络的建立和训练

模糊神经网络的建立和普通神经网络的建立是相同的，都是通过对训练样本的学习，调整输入层和输出层之间的权值，最后得到逼近样本所确定的函数。

神经网络按拓扑结构和学习算法，可分为以下四大类型：前馈网络、反馈网络、竞争网络和随机网络。本文选用的BP网络属于前馈网络。BP网络是De.E.Rumelhart和J.L.McClelland提出的一种利用误差反向传播训练算法的神经网络[10]。在进行 BP 网络的设计时，一般应从网络的层数、每层中的神经元个数以及传递函数等几个方面来进行考虑。

表2 锂电池的故障原因

根据上文表中的训练样本，利用MATLAB中的Neural Network Toolbox(神经网络工具箱)，建立三层BP神经网络的进行样本训练。输入层有9个输入点，分别对应故障征兆x1-x9，输出层有6个节点，分别对应故障原因y1-y6,设定训练的最大循环次数为1000次，学习速率为0.1,目标误差平方和指标为0.0001，因为模糊逻辑隶属度取值在[0，1]之间，所以输出层传递函数选取S型对数函数（logsig），它将输入的范围从（-∞，+∞）映射至（0，1），可与模糊逻辑很好的对应起来，隐含传递函数选取双曲正切S型函数（tansig）。采用L-M算法（反向传播算法）对该网络进行训练，所以训练函数选取trainlm。结合Kolmogorov定理，结合对网络收敛性、收敛速度和仿真精度等要求的考虑，经过不断尝试后，选取隐含层节点数为6个。

该模糊神经网络的训练，在经过10次训练后就收敛了，误差为0.000016。运行结果如图3所示。

3 模糊神经网络故障诊断模型的验证及结果分析

为了检验模糊神经网络故障诊断模型的准确性，首先将样本数据作为输入，输入到建立的模糊神经网络故障诊断模型中，将测试输出的结果，按最大隶属度法则经过反模糊化处理后和样本值进行对比，如图4，从图可见模型的测试输出值与样本值基本重合，满足拟合的精度要求。

图4 样本值与测试输出值对比图

然后使用三组锂电池的实际故障数据对诊断模型进行测试，容量变小的锂电池故障数据P1-[0.8 0.7 0 0 0 0.1 0 0 0.1]，自放电过大的锂电池故障数据P2-[0.1 0.7 0 0 0 0 0.6 0.8 0]，锂电池接线连接异常的故障数据P3-[0 0 0.7 0 0 0 0 0.5 0.9]。将三组数据输入到建立的模糊神经网络故障诊断模型中进行计算，运行得到的结果，如表3所示。

表3 故障诊断模型的输出

对该输出的结果，根据最大隶属度法则进行输出数据的反模糊化处理，处理后的结果，如表4所示。故可知三组数据的故障诊断结果分别为Y1、Y5、Y6，即分别为锂电池容量变小、锂电池自放电过大、锂电池接线连接异常，与实际故障原因相符合。

表4 故障诊断模型输出数据的反模糊化

4 结束语

因此，通过测试的结果证明了本文所提出的模糊神经网络故障诊断模型的正确性，可以比较好的完成对该船用锂电池的故障诊断，实现锂电池的故障预警，提高系统运行稳定性。

而决定该模型准确性的关键是样本数据的确定和模糊神经网络各参数的设置，样本数据是结合专家经验和锂电池实际使用过程中积累的经验而得到的，通过对该样本数据的不断修正和增加，将使建立的模糊神经网络的故障诊断模型准确度更高，诊断结果更可靠。

参考文献：

[1]Garcia F J,Izquierdo V,Luis M J.de,et al.Fault-diagnostic system using analytical fuzzy redundancy[J].Engineering Application of Artificial Intelligence,2000,13(2):441-450.

[2]程冰.模糊神经网络研究[D].广东工业大学,2005.

[3]姜长元.模糊神经网络模型及其应用研究[D].南京师范大学,2005.

[4]王雪苗.模糊神经网络优化及应用研究[D].大连理工大学,2006.

[5]伍世虔,徐军.动态模糊神经网络-设计与应用[M].北京:清华大学出版社,2008.

[6]李医民,胡寿松.模糊神经网络技术在故障诊断中的应用[J].系统工程与电子技术,2005,(5):948-952.

[7]鞠初旭.模糊神经网络的研究及应用[D].电子科技大学,2012.

[8]杨飞.磷酸铁锂动力电池管理系统的研究[D].重庆大学,2010.

[9]李素文,吴永红,俞万能.基于GPRS与Delphi的太阳能游览船无线监控中心设计[J].中国造船,2014,(4):159-163.

[10]李国勇,杨丽娟.神经模糊预测控制及其MATLAB实现[M].北京:电子工业出版社,2013.

Fault Diagnosis of Marine Lithium Batteries Based on Fuzzy Neural Network

Chen Xiaobin,Yu Wanneng
(School of Marine Engineer,Jimei University & Fujian Province Key Laboratory of Naval Architecture and Marine Engineering,Xiamen 361021,Fujian,China)

Abstract:Aimed at ship’s energy storage system with the lithium battery,this paper analyzes the features and failure modes of lithium batteries,and sets up a failure diagnosis model for lithium batteries based on fuzzy neural network.The model training and simulation are accomplished through the experimental data.The simulation results demonstrate the correctness of the proposed model.The fault warning for lithium battery is realized and the operating stability of the system is improved.

Keywords:MATLAB; fault diagnosis; fuzzy neural network; lithium battery

作者简介：陈晓彬（1988-），男，硕士研究生。研究方向：船舶新能源电力系统、船舶电力推进。俞万能（1970-），男，博士，教授。研究方向：船舶电力推进、船舶新能源应用、船舶智能控制。

收稿日期：2015-11-04

中图分类号：TM911.14

文献标识码：A

文章编号：1003-4862（2016）02-0022-04

资助项目：交通部科技项目（2015329815160），福建省科技重点项目（2013H0034），福建省自然科学青年基金项目(2013J05081)