基于RBF神经网络的动力电池故障诊断系统研究

古　昂，张向文,2

(1.桂林电子科技大学电子工程与自动化学院，广西桂林541004；2.广西自动检测技术与仪器重点实验室(桂林电子科技大学)，广西桂林541004)

基于RBF神经网络的动力电池故障诊断系统研究

古昂1，张向文1,2

(1.桂林电子科技大学电子工程与自动化学院，广西桂林541004；2.广西自动检测技术与仪器重点实验室(桂林电子科技大学)，广西桂林541004)

纯电动车动力电池在性能、成本、寿命、安全性上的局限是制约电动车普及的关键问题。基于RBF神经网络，设计了一套电池故障诊断系统，对动力电池组的故障进行预防和诊断。首先，利用dSPACE中的电池模型，模拟电池的故障，进行神经网络的学习训练，然后，利用三组测试数据对故障诊断系统进行测试。测试结果显示，设计的系统可以准确诊断电池故障类型与故障级别。

纯电动汽车；动力电池；RBF神经网络；dSPACE；故障诊断

纯电动汽车是解决目前的环保和能源问题的主要途径，但是，动力电池的性能限制了纯电动汽车的大面积推广和应用，因此，如何提高动力电池的性能和安全度具有非常重要的意义。

要提高动力电池的性能，需要实时地检测电池的各种参数，对电池的故障进行及时的诊断和处理。动力电池具有电化学结构，一旦出现严重故障往往不可修复，需要预防和避免动力电池发生故障[1-3]，因此，对动力电池故障诊断系统的研究具有重要的理论与应用价值。

目前使用的动力电池管理系统，利用硬件电路检测电池实时数据，通过上位机系统判断电池电压和电流数据的阈值[4]，来对电池进行故障诊断。这种故障诊断系统诊断类型少，诊断准确率低，容易引起误诊断。

动力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。神经网络是一种处理多输入非线性实变系统的重要工具[5-8]，因此，本文基于RBF神经网络，利用dSPACE电池模型，进行动力电池故障诊断技术的研究，设计了一套纯电动汽车动力电池故障诊断系统，并进行了实际测试，测试结果显示，设计的系统可以准确地实现故障诊断。

为了模拟更多的故障类型样本，本文采用dSPACE的动力电池模型模拟电池的故障，进行系统设计与测试。

1　系统方案设计

纯电动车电池故障诊断系统设计方案如图1所示。系统中进行诊断的电池组由12节单体电池串联组成，单节标准工作电压3.20 V，充电上限电压3.62 V，放电下限电压2.50 V。系统由电池参数采集、电池管理系统、故障诊断系统、报警显示组成。系统可通过硬件电路实时检测电池充放电电流、单体电压、温度、内阻、绝缘电阻等数据，电池管理系统通过数据可计算电池SOC，管理系统将参数信息发送诊断系统，诊断系统对这些数据进行分析，判断电池是否或即将发生某种故障，并将诊断信息传送到上位机显示和通知电池管理系统对电池采取相应的措施，上位机对故障信息进行报警和显示。诊断系统会记录部分异常参数以及发生故障的信息，方便电池的维护。处理器选用ARM Cortex-M内核的STM32芯片，保证处理的速度与准确性。

图1　动力电池故障诊断系统设计方案

2　dSPACE电池模型

dSPACE实时仿真系统是由德国dSPACE公司开发的一套基于MATLAB/Simulink的控制系统及半实物仿真的软硬件工作平台。该系统的ASM模型可以实现电动汽车整车的模拟和仿真。

由于实际电池进行故障测试时不稳定且极易出现不可恢复型的损坏，进行故障诊断系统测试时成本过高，本文选用dSPACE中自带的电池模型进行系统测试。电池模型等效电路如图2所示。

图2　电池模型等效电路

电池端电压可以用公式(1)计算：

初始电压为各单体初始电压的和,为：

损耗电压由电池的充(放)电电流获得：

式中：SOH是电池健康状态。

电池温度由电池散热功率获得：

式中：mBat为电池质量；PW为热损耗功率；TBat为电池温度。

3　动力电池故障分析

电动汽车动力电池的故障主要包括温度异常、过充、过放、欠压、过压、均衡失效、充放电电流异常、自放电、内阻异常和电池衰老和各单节电池电压异常[9]。由于电池故障往往具有不确定性，多种故障可能并发产生：例如在电池出现过充时往往伴随着电池电压升高、温度升高；并且同一种故障也会因为发生时的参数不同导致故障级别与对电池的危害不同。所以要完成对电池的故障诊断必须根据电池参数来准确地确定电池发生的故障种类与等级，并上报处理措施,如表1所示。

表1　故障级别与对应处理措施

4　神经网络故障诊断

由于电池的故障类型多，输入状态参数多，变化规律复杂，故障类型容易并发产生，要准确诊断故障类型非常困难。神经网络是一种处理多输入多输出非线性系统辨识问题的有效方法，因此，本文利用神经网络进行故障诊断的研究。

常用的神经网络结构包括BP与RBF网络。BP网络采用S型基函数，它在输入空间中无穷区域取非零值；而RBF网络采用高斯型基函数，它仅在输入空间中的很小的区域取非零值。所以对于解决故障诊断这类参数识别的问题，RBF可以取得更好的精度与运行速度。因此，本文采用RBF神经网络进行动力电池故障诊断系统的设计研究。

本文设计的RBF神经网络结构如图3所示，由输入层、隐含层、输出层构成。输入层的任务是把输入数据简单地映射到隐含层，以实现非线性映射，并不对输入数据进行处理。输入层信息包括电池充(放)电电流、单体电池电压、电池SOC、电池温度、电池总电压、电池总电压变化趋势。电池总电压变化趋势采用[－1,1]的数值来表示。

图3　RBF神经网络结构

输入层将输入向量传到隐层，隐层通过其中的神经元完成输入层到隐层的非线性变化。

隐层中第i个神经元将输入向量x*和它的权重向量ci作为相应径向基函数φi(x*)的输入。径向基函数一般选为高斯函数，为：

式中：φi(x*)为第i个隐层神经元输出；x*=[x*1,x*2,……x*n)]为输入向量，n为输入的数目；ci和φi分别为相应的高斯函数的权重向量和接收域大小的参数。

第三层为输出层。RBF网络输出层节点是线性处理单元，对输入信号具有很好的分类特性。在本神经网络中，输出层输出体现为各种故障的发生及其严重程度。设定0到1之间的值表示对应的故障程度，越接近数值1，表示对应的故障严重程度越大。

5　测试与结果分析

神经网络的训练样本由dSPACE电池模型正常运行状态与各种故障情况下产生的50组数据组成，另选取3组作为测试样本，测试数据如表2所示。

为了简化输出结果表达，在诊断结果中，仅给出相关的故障类型与故障严重程度。

第一个样本诊断结果如图4所示，电池过充，温度偏高，出现严重级故障，诊断系统给出切断充电电流的提示。

表2　3组测试数据

图4　样本1诊断结果图

第二个样本诊断结果如图5所示，4号电池单体有轻微程度的单体过压，系统记录故障参数，不作操作。

图5　样本2诊断结果图

第三个样本诊断结果如图6所示，电池整体欠压，中等程度过放，温度偏高，诊断系统通知电池管理系统降低输出功率。

图6　样本3诊断结果图

根据测试样本的诊断结果和分析，设计的电池故障诊断系统可以正确诊断出电池的故障类型，并且能够给出故障的严重程度，综合各种故障的严重程度，进行报警和提示，因此，该电池故障诊断系统可以提高电池的安全性。

6　结论

基于RBF神经网络，设计实现了一套纯电动汽车动力电池故障诊断系统。利用dSPACE电池模型模拟50种故障样本，进行神经网络的学习训练，通过3组样本进行实际测试，测试结果显示，设计的故障诊断系统可以实时准确地检测出各种故障类型和故障严重程度，提高电池组的可靠性与安全性，可以应用于实际的动力电池组的管理。

[1]尚平，孙白虎.磷酸铁锂化学特性分析及在化学电池中的应用[J].电源技术，2014，38(9)：1619-1620.

[2]李哲，韩雪冰，卢兰光.动力型磷酸铁锂电池的温度特性[J].机械工程学报，2011，18(7)：115-120.

[3]邹玉峰，李杨，张娜.HEV用锂离子动力电池的一种失效模式分析[J].电源技术，2013，37(10)：1749-1754.

[4]张剑波，卢兰光，李哲.车用动力电池系统的关键技术与学科前沿[J].汽车安全与节能学报，2012，3(2)：87-102.

[5]朱大奇，王永安.故障诊断的信息融合方法[J].控制与决策，2007，22(12)：1321-1328.

[6]周东华，胡艳艳.动态系统的故障诊断技术[J].自动化学报，2009，35(6)：748-758.

[7]PATTON R J，CHEN J.Observer-based fault detection and isolation：robustness and applications[J].Control Engineering Practice，1997，5(5)：671-682.

[8]GADSDEN A，HABIBI S R.Model-based fault detection of a battery system in a hybrid electric vehicle[C]//Vehicle Power and Propulsion Conference(VPPC),2011.Chicago：IEEE，2011.

[9]中华人民共和国工业和信息化部.QC/T 897-2011,电动汽车用电池管理系统技术条件[S].北京：中华人民共和国工业和信息化部，2011.

[10]WANG L,LIU B,WANG R X.Comparative investigation of BP and RBF neural network on seismic damage prediction of multistory brick buildings[C]//Information Engineering and Computer Science(ICIECS),2010.Wuhan：IEEE，2010.

Fault diagnosis system for power battery based on RBF neural network

GU Ang1,ZHANG Xiang-wen1,2
(1.School of Electronic Engineering and Automation,Guilin University of Electronic Technology,Guilin Guangxi 541004,China；2.Guilin University of Electronic Technology,Guilin Guangxi 541004,China)

The limitation of power battery in its property,cost,life and safety restricts the popularizing of the electrical vehicle.In this paper,a fault diagnosis system was designed to prevent and diagnose the fault of battery using RBF neural network.First,using the battery model in dSPACE to simulate the fault of battery for the training of RBF neural network.Then the test of the fault diagnosis system was done using three groups of data.The test results show that the system can diagnose the battery fault type and fault level accurately.

electrical vehicle；power battery；RBF neural network；dSPACE；fault diagnosis

TM 912

A

1002-087 X(2016)10-1943-03

2016-03-18

广西科学研究与技术开发课题(桂科重1348003-4)；广西自动检测技术与仪器重点实验室基金(YQ14111)

古昂(1990—)，男，上海市人，硕士研究生，主要研究方向为汽车电子。