基于KF-ESN算法的新能源汽车电池组故障在线监控系统

2023-10-12 09:41朱布博魏秋兰孙少杰罗明
微型电脑应用 2023年9期
关键词:电池组霍尔监控

朱布博, 魏秋兰, 孙少杰, 罗明

(陕西交通职业技术学院,汽车工程学院,陕西,西安 710018)

0 引言

随着能源的不断匮乏,电动汽车逐渐成为一种新型的交通工具,其是通过充电桩充电的,在充电桩内多个电池组串联后能够形成电池组。如果单一的电池发生故障,将会对整个充电系统的运行造成很大的影响。电池组爆炸是导致事故发生的关键因素,会给车内人员和交通工具带来严重损伤。电池组是新能源汽车的重要能量来源,而电池管理是决定其能否有效运行的关键。电池组的充电电流、放电电流、充电电压、放电电压、放电深度等是电池管理系统的重要组成部分。通过对各主要参数的实时采集与可视化,运维管理人员能够及时地发现电池组中出现的问题。为了保障新能源汽车安全,需设计监控系统对电池组进行实时监控。相关专家给出了一些较好的研究成果:夏庆国等[1]使用的基于光学超精密检测的故障监控方法,利用高精度的激光扫描技术对新能源汽车电池组的表面进行了激光图像处理,从图像中提取出了纹理特征,并对其进行了检测;彭运赛等[2]使用的基于改进CNN电池组故障诊断方法,在整个连接层前端增加了一个串联层,将各个层的特征结合起来,从而构建了一个新的CNN网络模型,应用MCE准则对故障位置进行诊断与分析。但上述两种方法容易出现大样本数据陷入局部最小甚至不能训练的情况,导致故障监控结果不精准。为了解决上述问题,提出基于KF-ESN算法的新能源汽车电池组故障在线监控系统。

1 系统硬件结构设计

基于KF-ESN算法的新能源汽车电池组故障在线监控系统硬件结构主要包括电压检测模块、电流检测模块、温度检测模块、比较模块、控制模块、执行机构和报警模块,如图1所示。

图1 在线监控系统硬件结构

由图1可知:电压检测模块主要通过电压传感器来实现对充电单元进行全电压的测量;电流检测模块主要是对充电电池组内的总电流和单体的电流进行检测;温度检测模块负责检测电池组内部温度;比较模块是将电池堆的整体电压或电流与累积的总电压或电流相比较的模块;控制模块是将控制指令传送给执行机构和报警模块。将所接收的电压或电流与累积的电压或电流值相比较,通过分析充电桩的充放电回路,可向控制模块发送比较结果,同时向控制模块和报警模块发送相关指令,并由执行机构对充电桩进行充电、放电处理,通过报警模块发出报警提醒。

1.1 电压、电流检测模块

电压、电流检测模块是由霍尔电压、电流传感器和普通电压、电流传感器组成的,其中霍尔电压、电流传感器是用来检测电池组电压和电流的,而普通电压、电流传感器则是用来检测电池组内单体的电压和电流的[3]。

霍尔传感器结构如图2所示。

图2 霍尔传感器结构

由图2可知,霍尔传感器是由霍尔元件以及一种能使霍尔输出结果放大和内部线性化集成的电路组成的。霍尔电压传感器与电池组的两端相连以侦测电池组的整体电压;霍尔电流感应器与电池组的汇流相连,以侦测电池组的总电流[4-5]。

1.2 控制模块

控制模块是一个将控制指令传送给执行机构和报警模块的中心处理单元,CPU中央处理器的组成主要有两个部分:运算器和控制器。其中,运算器包括3个部分,分别是包含源操作的寄存器组、用于存放的目标操作寄存器组以及用于暂存读取数据的通用寄存器[6]。暂存读取数据的通用寄存器用来暂时储存从主要存储器中读出的资料,不可将该资料储存于一般的寄存器中,否则该资料的原始资料会被销毁;用于暂存读取数据的通用寄存器是一种通用的暂存器,能暂时地储存 ALU操作的结果信息,并且执行加法操作;而包含源操作的寄存器组则保存了各种状态信息,这些状态信息是通过计算和逻辑操作命令或者试验命令结果而建立的[7]。

在控制模块中使用控制器能够用来在内存中指定下一条命令的存储器的地址,并按照 PC的内容从内存中提取指令。由于程序中的指令(一般)是按照次序进行的,因此PC具有自动递增的特性[8]。图3为控制器取指令的原理图。

图3 控制器取指令结构示意图

由图3可知,把目前的命令地址传送给地址寄存器后,由指令寄存器传送一个由控制总线传送给主存的控制信号。之后,通过地址存储器显示读取的信号内容,该内容经过数据总线传输到地址存储器中,再由地址存储器将信息通过无线通信方式传回到指令寄存器中,构成一个命令地址的控制信号[9]。

1.3 报警模块

报警模块主要由声音和灯光两部分组成,声音是蜂鸣器,灯光是LED。蜂鸣器采用SMD-140035H,其结构如图4所示。

图4 SMD-140035H蜂鸣器结构

由图4可知,通过直流电压驱动的一体化电子蜂鸣器,当电源连接时,由振荡器发出声音,声音信号穿过电磁线圈后形成一个磁场。在该磁场内,振动膜片经过周期性振动后产生报警声音,灯光也亮起。

1.4 CAN总线收发器

CAN总线收发信机采用了USBCAN-II收发信机,能与USB2.OB标准相适应,并支持2路CAN接口。在使用本机时,采用USB接口接入主机,方便、可靠。另外,它的体积很小,方便了测试人员随身携带。在可靠性上,为了防止电磁干扰后生成随机代码,使用了光电隔离模块[10]。在两个完整的CAN节点上设置一个XC2785微控制器与CAN-V2.OB标准相结合。在内部和外部的CAN总线中使用两个CAN节点,可以获得电池组的全部信息,并对其进行控制。

2 系统软件部分设计

2.1 基于KF-ESN算法的电池组故障在线估计

ESN网络作为一种新型的递归神经网络,由输入层、隐藏层(即储备池)、输出层组成。在ESN网络中,其内部的动态储备池(DR)包含了大量稀疏连接的神经元,蕴含系统的运行状态,并具有短期训记忆功能。ESN训练的过程就是训练隐藏层到输出层的连接权值的过程。受到初始化随机权值的影响,网络输出权值是唯一需要确定的参数[11],公式为

w(t+1)=w(t)+γ(t)

(1)

式(1)中,w(t)表示t时刻的输出权值,γ(t)表示储备池运行过程中的噪声,每一时刻输入w(t),储备池都要更新状态。基于此,构建ESN网络状态方程[12]如下:

y(t)=x(t)w(t)+κ(t)

(2)

式(2)中,x(t)表示隐藏层系统输入数据,κ(t)表示运行过程中的观测噪声。

在ESN网络中通过KF算法进行电池组故障在线估计过程时,需先计算t-1时刻的储备池网络输出权值和误差协方差[13],公式为

ω′(t-1)=R(t-1)ω(t-1)

(3)

Z(t-1)=R(t-1)w(t+1)+γ′(t-1)

(4)

式(3)~式(4)中,R(t-1)表示t-1时刻状态转移误差的协方差,ω(t-1)表示隐藏层系统输出偏差,γ′(t-1)表示运行时噪声协方差的先验值。

通过输出层中的目标值校正先验值,输出层的校正差异用e(t)来表示,在ESN网络中,输出层从低维输入空间向高维状态空间映射输入信号,进行状态转移[14],公式为

(5)

式(5)中,f表示输出计算结果对应t时刻的ESN网络状态,从而避免了计算过程的复杂性,有效提高在线评估速率。由于G(t)是输出层的单位状态转换,所以可将公式(5)进行如下转换[15]:

G′(t)=μ-1/2ω′(t-1)

(6)

式(6)中,μ表示期望输出值,在0和1之间,至此,完成ESN网络训练。在线评估过程中,ESN网络的KF只需评估网络输出权值就能得到精准故障监控系统。

2.2 故障在线监控流程设计

因为电池在恶劣的条件下工作,对电压、电流的测量会产生较大的影响,并且有时会使测试结果与标准结果存在一定偏差。但通过上述的基于KF-ESN算法的电池组故障在线估计步骤,能够获取正常值范围,进而能够精准监控电池组出现故障情况。

在判断有无故障时,根据蓄电池的历史数据,确定故障状态为持续高于或低于标准。在计算过程中,通过双向加减计数来计算电池组的超标值。故障在线监控流程如图5所示。

图5 故障在线监控流程图

由图5可知,在判定故障之前将设置的判定次数加到计数装置中:若目前所收集的电压或电流超过设定的警报上限值时,则计数器加1;若低于所设置的警报值下限值时,则计数器减1。计数器会在电压或电流处于正常范围时,载入设置的故障判断时间。如果计数器累积到原来数值的二倍,则认为电池组数据超过最高警报值上限值;如果计数器减到0,则认为电池组数据超过最低警报值下限值。通过这种方法,可以有效地筛选出由于受到干扰而导致数据超出的极限值,从而避免了对正常状态的误判。

3 实验

为了验证基于KF-ESN算法的新能源汽车电池组故障在线监控系统设计的合理性,进行实验验证分析。

3.1 实验数据采集装置

实验数据采集装置结构如图6所示。

图6 实验数据采集装置结构

由图6可知,电池组电压、电流测量通过隔离式电压、电流采集装置采集数据,采集装置的采集误差仅为0.2%,通过控制器自带的模拟量输入卡来采集电压、电流数据。对于电池组的电压和电流测量需要进行分量测量,因此,应对分流器电压进行放大处理。

基于此,采集的故障参数如表1所示。

表1 故障参数采集结果

3.2 实验结果与分析

3.2.1 电池组故障电压数据分析

分别使用基于光学超精密检测的故障监控方法、基于改进CNN电池组故障诊断方法和基于KF-ESN算法的故障在线监控系统,对比分析电池组故障电压数据监控结果,如图7所示。

(a) 基于光学超精密检测的故障监控方法

由图7(a)、图7(b)可知,使用基于光学超精密检测的故障监控方法、基于改进CNN电池组故障诊断方法,不同电池组的最大值和最小值均与标准故障数据相差很大。

由图7(c)可知,使用基于KF-ESN算法的故障在线监控系统方法,1号电池组的最大值为3.81 V、最小值为3.57 V,2号电池组的最大值为3.80 V、最小值为3.45 V,3号电池组的最大值为3.85 V、最小值为3.39 V,4号电池组的最大值为3.73 V、最小值为3.60 V,5号电池组的最大值为3.85 V、最小值为3.42 V。与标准故障数据相比,存在最大为0.02 V的误差。

3.2.2 电池组电流实验数据分析

分别使用3种方法,对比分析电池组故障电流数据监控结果,如图8所示。

(a) 基于光学超精密检测的故障监控方法

对比图8可知,只有使用基于KF-ESN算法的故障在线监控系统在时间点为12:30时1号电池组与标准故障数据存在最大为0.01 A的误差,其余均一致。

4 总结

基于KF-ESN算法的新能源汽车电池组故障在线监控系统设计了电池组信息监控硬件结构及可靠的故障诊断系统。在实验过程中还存在一些问题有待完善:当数据量很大时,数据库的工作效率会下降,在数据提取和分析过程中,会有一个短暂的停滞。要解决这一问题,就需要对程序代码进行修改,用更好的数据库代替。

猜你喜欢
电池组霍尔监控
The Great Barrier Reef shows coral comeback
你被监控了吗?
Zabbix在ATS系统集中监控中的应用
2017年7月原电池及原电池组产量同比增长2.53%
这个大童话讲猫(五)名侦探西尼·霍尔
基于LTC6802的电池组均衡电路设计
离子推力器和霍尔推力器的异同
一种优化的基于ARM Cortex-M3电池组均衡控制算法应用
PDCA循环法在多重耐药菌感染监控中的应用
锂离子电池组不一致性及其弥补措施