基于支持向量机的动力电池故障诊断

马宗钰，兰海潮，宋若旸，阙海霞

基于支持向量机的动力电池故障诊断

马宗钰，兰海潮，宋若旸，阙海霞

（长安大学 汽车学院，陕西 西安 710064）

电池故障诊断是电池管理系统中一项十分重要的技术。针对电池故障和电池输出状态量之间不确定的关系，采用模糊逻辑可以对模糊关系进行准确描述。选用合适的隶属度函数来表示输出的电压、电流信号，用模糊数学理论表示不确定的电池故障与电池输出状态量之间的关系，生成模糊数据库，用支持向量机对数据进行训练和测试，由结果可知该方法有较高的准确性。

动力电池；故障诊断；模糊逻辑；支持向量机

前言

为缓解日益严重的全球能源和环境问题以及加快我国汽车产业转型升级、促进经济增长，发展新能源汽车已被提升到国家战略高度。《新能源汽车产业发展规划（2021-2035）》的征求意见稿提出2025年新能源汽车销量占当年汽车总销量的20%，到2030年，新能源汽车形成市场竞争优势，销量占当年汽车总销量的40%。国家针对新能源汽车的政策，给新能源汽车中产销量占较大比重的纯电动汽车的发展以及锂离子动力电池的发展提供契机。

动力电池作为纯电动汽车的动力源，动力电池的性能关系着纯电动汽车的整体性能，也与纯电动汽车的质量、成本和安全性密切相关，因此，提高动力电池的性能和安全性具有十分重要的意义。动力电池除了一些明显的故障之外，还有一些不易诊断的故障，比如电池容量变小、内阻变大等。由于单体电池不能满足电动汽车的动力需求，单体电池通常以串并联成组的方式存在。其中一个单体电池出现故障，就会对整个电池组产生影响。对单体电池故障的准确判断，对于保持电池的性能，保证电池安全性和延长电池使用寿命有十分重要的意义[1]。

1 模糊逻辑

1.1 输入信号模糊化处理

因为用于故障检测的电池信息基本为电池的电压、电流等信息，在用于故障诊断的描述中[2]，例如“充电电压高”、“电压上升快”、“充放电电流小”等都是界限不清楚的模糊集合，目前电池管理系统中，通过判断电池电压和电流的阈值来诊断电池的故障并不是十分合理，这种方法可能会对故障的类型发生误判。

模糊数学和模糊逻辑能很好地处理各种模糊问题，可以用来描述和处理无法用数学来表述的模糊现象，这种方法已经被广泛应用在控制、医疗诊断、人工智能、气象等方面并有了具体的研究成果。模糊故障诊断方法就是对某种类型的故障，选用合适的隶属度函数来表示输出的电压、电流信号，用模糊数学理论表示不确定的电池故障与电池输出状态量之间的关系，形成一组组的模糊数据集合，用这些模糊数据进行动力电池故障诊断[3][4]。

1.2 故障隶属度函数

计算电池故障隶属度，主要有两种方法[4][5]。

第一种方法适用于描述电池输出数据的大小程度，例如“充电电压高”、“电池温度高”等。

第二种方法适用于描述电池输出数据的变化率，例如“充电电压上升快”、“放电电压下降快”等。

上述两种方法算出后，引用参照系数计算故障隶属度。

C为症状参照系数，取值如表1、表2所示。

表1 症状参照系数表

表2 症状参照系数表

例如，某磷酸铁锂单体电池的电压为3.47V，而平均电压为3.3V，则该电池电压高的差值比为：

由表1可知，电池电压高的故障参照系数C=0.08，则该磷酸铁锂单体电池电压高的故障隶属度为：

2 支持向量机

支持向量机是一种监督学习的方法，可用于进行模式识别、分类和非线性回归。支持向量机的基本思想就是建立一个分类超平面作为决策曲面，使正例和反例之间的隔离边缘最大化。支持向量机基于统计学理论和结构风险最小化原理，有较高的准确率和推广性。支持向量机使用铰链损失函数计算经验风险，并在求解系统中加入了了正则化项以优化结构风险，是具有稳健性和稀疏性的分类器[6]。支持向量机可以通过核方法进行非线性分类，是常见的核学习方法之一[7]。

在分类问题上，尽管不利用问题领域内部知识，但是支持向量机能提供良好的泛化性能。支持向量机具有良好的鲁棒性和有效性，并且计算简单，理论完善。支持向量机算法最初是为二值分类问题设计的，本文的需要诊断电池故障种类大于两种，因此需要将二分类模型推广到多分类问题，支持向量机对于多分类问题的办法主要是训练多个二分类器。多分类方式有一对一法和一对多法。本文研究的故障种类不多，因此采用一对一法，即在任意两类样本之间设计一个SVM，对一个未知样本进行分类时，得票最多的类别就是该样本的类别。

3 充放电试验模拟

如果对故障电池进行充放电试验，很难找到各种故障并且故障程度不同的电池，对电池进行破坏会造成财力物力损失，对故障电池进行试验也具有一定的危险性。因此，本文采用仿真实验，运用simulink中的battery模块，通过修改电池的参数来模拟电池内阻大、容量低等故障[8]。

表3 训练样本

选用的电池模型为磷酸铁锂电池模型，电池外界环境温度设为20℃。修改电池的参数，对各种故障模拟，对各种故障和正常的电池模型进行恒流充放电仿真测试试验，得出电池的充放电数据，将各种故障和相应的充放电数据一一对应。并参考1.2节选用相应的方法算出充放电数据的故障隶属度，生成如表3所示的模糊数据库，作为算法的训练集，用训练集对SVM进行训练可以得到分类模型，用得到的模型对表4的数据进行故障类别标签预测，证明支持向量机在动力电池故障诊断方面的准确性。

表4 测试样本

其中，表中故障症状隶属度中的1、2、3、4、5分别代表“放电电压下降快”、“放电电压低”、“充电电压上升快”、“充电电压高”、“充电电压低”；故障类别中的“0”、“1”、“2”、“3”、“4”分别代表“无故障”、“容量小”、“内阻大”、“充电不足”、“内部开路”。

4 故障诊断

用SVM进行故障诊断主要是运用SVM的分类功能，主要有属性矩阵和标签，就可以建立分类模型进行分类预测。

用本文第3节中模拟充放电试验到的表3和表4的数据分别用来进行SVM分类模型的训练和预测，属性标签就是表中的故障症状，标签就是表中的故障类别。

图1 预测结果

预测结果如图1所示。本文中采用径向基函数作为支持向量机的核函数，参数选择c=2，g=1。图中“○”表示实际的测试样本的故障类别，“×”表示预测的测试样本的故障类别，图中两种图形重合，表明预测结果准确，预测的故障类别与实际故障类别相同，运用SVM的分类模型诊断动力电池故障具有一定的准确性。

5 结论

针对动力电池故障和电池输出状态量之间不确定的关系，基于模糊逻辑的优点，用故障隶属度来描述各种故障症状的严重程度，这样可以更清晰地表达出电池故障和故障症状之间的关系。将仿真实验得到的数据模糊化处理后用SVM的分类模型来对动力电池故障进行诊断，结果表明该方法可以准确地诊断出动力电池的故障。

[1] 古昂,张向.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.

[2] 刘文杰.电池组故障诊断专家系统的研究与实现[D].长沙:湖南大学,2005.

[3] 王一卉,姜长泓.模糊神经网络专家系统在动力锂电池组故障诊断中的应用[J].电测与仪,2015,52(14):118-123.

[4] 王一卉.纯电动汽车锂电池故障诊断系统的研究[D].长春:长春工业大学,2015.

[5] 吴建荣.纯电动汽车远程监控系统设计及故障诊断方法研究[D].长春:吉林大学,2011.

[6] 李晓辉,张向文,周永健,等.模糊神经网络的动力电池故障诊断系统[J].电源技术,2019,43(8):1391-1394.

[7] 周志华.机器学习[M].北京:清华大学出版社,2016.

[8] Hsieh,William W. Machine Learning Methods in the Environmental Sciences (Neural Networks and Kernels) || Appendices [J].2009, 10. 1017/CBO9780511627217:318-321.

Power Battery Fault Diagnosis Based on Support Vector Machine

Ma Zongyu, Lan Haichao, Song Ruoyang, Que Haixia

( College of Automobile, Chang'an University, Shaanxi Xi'an 710064 )

Battery fault diagnosis is a very important technology in the battery management system.Aiming at the uncertain relationship between battery failure and battery output state quantity, fuzzy logic can be used to accurately describe the fuzzy relationship.Choose a suitable membership function to represent the output voltage and current signals, use fuzzy mathematics to represent the relationship between uncertain battery faults and battery output status, generate a fuzzy database, and use support vector machines to train and test the data.The result shows that the method has high accuracy.

Power battery; Fault diagnosis; Fuzzy logic; Support vector machine

10.16638/j.cnki.1671-7988.2021.02.002

U467

B

1671-7988(2021)02-05-03

U467

B

1671-7988(2021)02-05-03

马宗钰，硕士研究生，就读于长安大学汽车学院，研究方向：新能源车辆技术。