张俊
摘要
本文通过介绍动力电池经常出现的故障类型,分析了故障产生的原因,总结归纳了诊断方法;结合动力电池系统的故障类型和故障产生的原因,提出了基于神经网络的纯电动汽车动力电池系统故障诊断方案并通过实例进行验证。
【关键词】动力电池 故障诊断 神经网络
纯电动汽车和传统汽车相比有很大的不同之处,纯电动汽车的动力电池、电机和控制系统代替了传统汽车的发动机。由于纯电动汽车的控制系统要比传统车型的复杂,所以在实际运行中纯电动汽车的故障比较多样,对故障诊断及分析起来也比较困难。动力电池系统是纯电动汽车必不可少的一部分。因为动力电池系统很容易受到技术、气候和使用方式等方面的影响,所以它很容易就会发生故障,也是故障诊断的重点。当动力电池系统故障发生时汽车仍在正常行驶,如果未能及时发现和排除,就可能造成重大事故。因此急需对纯电动汽车动力电池系统进行故障分析与诊断的研究。
1动力电池故障类型
通常动力电池出现故障的级别大小可以将其分成两级:I级故障(一般的故障)和II级故障(严重的故障),分类如表1。
2故障产生原因分析
电池系统故障都是有一定的原因造成的,比如:因为生产中存在技术问题,各个单体之间存在电容量、充放电效率的差别,这是本身的问题;长时间不使用,不进行充电维护,长时间电量过低,最后引起电压下降快;充电电流一直很大并且充电的时间也很长,使电池活性物质掉落;电池间的连接是以焊接的方式连接的,焊接处裂开或脱落,导线没接触好、短路等会造成局部发热的故障;动力电源通常是通过串并聯一些电池单体组成的,当出现过分充电时,就会很容易造成电池组的温度上升,从而引起电解液泄露。
电池的故障因素很多而且之间还会相互影响,一种因素的变化可能会引起多种故障的产生。动力电池在使用过程中都在进行着时时刻刻的变化,影响动力电池变化的因素也很多,因此一旦动力电池发生故障,故障就会很复杂诊断起来就会花费很长时间。而且动力电池的内部构造是电化学结构,许多元素会影响到电池的电化学反应也就是电池的工作状态。当多个因素发生变化引起故障时,故障的变化规律就会很复杂,很有可能多个故障同时出现,故障程度过于严重时将会使动力电池不可修复。所以需要一种功能强大而且可以同时对多种因素引起的故障进行准确而详细的诊断。神经网络故障诊断方法就符合这种要求。
3神经网络的故障诊断方案
神经网络是一种可以进行多个参数输入多种结果输出非线性系统识别的有效方法。神经网络可以进行不断地吸收新的东西而且学习能力很强,就像人类的神经网络结构,它可以通过故障的特征现象和故障产生的原因让它们之间存在相应的关系,这个关系可以成为一种固定的神经网络模型。这个模型就是把故障及其原因连在一起,可以从故障的现象找出产生的原因。
对纯电动汽车动力电池系统进行故障诊断要用的是当下使用率较高的多层前向神经网络。它的工作原理是:首先,建一个存储数据的库,这个数据库是用来储存电源系统在工作时一些重要参数的变化数据;然后分析动力电源系统中的故障和故障产生的原因以及故障产生与哪些参数有关系,因为电源系统的变化多样常常是非线性的,所以要把数据库中的数据和故障现象建立一个固定的架构;在架构建立好后神经网络就可以通过这个架构根据数据分析出是否有故障产生,若是有就可以找出故障的原因。电池的故障是比较多的例如:电池温度过高、过充电和过放电造成的电池损害、电压过高过低、均衡失效、充放电时电流不规律,还有长时间放置电池而没电的自放电现象以及电池内阻异常和衰老等问题。多层前向神经网络就是通过电池的一些相关参数的变化来找到故障及故障原因。故障诊断流程大体上如图l所示。
先采集动力电池的参数,再把所得参数输入到电池的管理系统计算出电池的剩余电量(soc),管理系统再把参数信息输入到故障诊断系统,诊断系统对数据分析确定电池有没有出现问题或者已有问题并将会产生故障,这些结果再通过上位机显示出来,有故障时上位机会对故障信息进行预警,同时还会反馈个电池管理系统让其对电池进行相应措施,这样就可以对纯电动汽车的动力电源系统进行故障的分析和诊断了,同时也可以保证电源系统能够正常运行。
4神经网络故障诊断系统的应用
运用神经网络故障诊断系统能够很准确的把纯电动汽车动力电源系统所出现的故障诊断出来,该诊断系统是把故障现象以代码的形式存在数据库内,通过对故障码的分析找出故障现象以完成对故障的诊断。而在此之前需要对故障检测系统进行训练,使代码和故障现象有一个对应关系。以动力电池常出现的故障为例,如表2所示。
当故障现象与故障码建立一种相互对应的关系后,神经网络诊断系统根据样本输入的信息分析可以输出目标信息,它的神经网络训练样本以电池出现的故障为例:电池的活性物质脱落、电极极化和电池电量过低等故障。如表3所示。
神经网络诊断系统从学习的样本中可诊断出所出现的故障,样本输入的信息是an( n=l、2…6)代替故障现象。当an=O时代表没有故障现象发生;当an=l时代表存在故障现象。而目标输出为{l O O}是其中的表示第一个故障存在,因为在样本信息中1表示存在故障现象,O表示没有故障现象。在上面的神经网络训练样本中有三种故障存电池活性物质脱落;电量过低;电池极板硫化。而在输出时,1是代表存在故障,o是代表没有故障。这个过程可以通过MATLAB仿真软件进行故障诊断模拟。
(1)要建立一个BP神经网络也就是表2所示,要故障与故障码相对应作为样本信息的输入,再将故障作为目标信息的输出,从而建立BP神经网络,之后得出程序语句如下:
net=newff(minmax(P),[10,3],‘logsig,‘logsig},‘traingdm);
而且还建立网络结构并进行具体的参数设置,如图2所示。
本文利用Levenberg-Marquardt训练方法,对输入和输出项进行训练,神经网络结构以及具体的训练参数如图2所示。
在训练之后可以得到目标信息输出值如表4所示。
将样本输入和目标输出输入到MATLAB仿真系统中进行训练可以得到如图3的效果训练图。
(2)进行故障诊断时将检测到的故障的码如:a=[0 0 0.9 1 0.2 0]所示,输入到之前训练的BP神经网络中进行诊断,可以得到一个实际的目标输出信息b =[0.9280 0.08970.3649],其与原来训练时的输出目标[1 0 0]相似,既故障是电池活性物质脱落。
5结论
本文根据对纯电动汽车动力电池系统常见的故障类型、产生原因及诊断方法的分析,提出了一种神经网络故障诊断方法,并对神经网络的诊断方法进行了详细的介绍,最后举出了基于神经网络的纯电动汽车动力电池系统故障诊断案例。通过本文的研究可以提高纯电动汽车动力电源系统故障诊断的效率以及准确性。
参考文献
[1]史文杰,某纯电动汽车故障诊断功能的设计和研究[D].合肥工业大学,2015,23-34.
[2]邱纲,陈勇,李东,电动汽车用动力电池的现状及发展趋势[J].辽宁工业大学学报(自然科学版),2004,24 (02):41-44.
[3]张荣沂.基于神经网络的智能故障诊断技术[J].自动化技术与应用,2003,22 (02):15-17.
[4]古昂,张向文.基于RBF神经网络的动力电池故障诊断系统研究[J].电源技术,2016, 40 (10):1943-1945.
[5]李俊松.基于神经网络的混合动力汽车故障诊断研究[D].武汉:武汉理工大学,2003: 23-28.
[6]郭荣春,高树文,基于神经网络的汽车发动机故障诊断研究[J].山东交通学院学报,2011,19 (01):9-17.
[7]胡勇,增程式电动车故障诊断系统研究与控制算法开发[D],吉林:吉林大学,2012,7-24.