电池管理系统故障预测方法、装置及可读存储介质与流程

本发明涉及电池管理系统领域，尤其涉及一种电池管理系统故障预测方法、装置及可读存储介质。
背景技术：
：电池管理系统(batterymanagementsystem)是电池与用户之间的纽带，该系统主要应用对象为二次电池。电池管理系统(以下简称bms系统)主要针对电池个体中存在的储能少、寿命短、使用完全性以及电池电量难以估算等问题提供全方位的解决方案，其目的是为了得到电池相关性能参数的实时精确数据并对其进行监控，达到提高电池利用率的目的。bms系统主要包括三个功能：首先是准确估测电池组的荷电状态(stateofcharge，以下简称soc)，即电池的剩余电量，保证soc值维持在合理范围内，防止过充和过放对电池造成损伤。soc值以剩余电量与完全充电状态电量的比值表示。其次是在电池的充放电过程中对电池组进行全参数(包括每块电池端电压、温度、电流、总电压等)动态监测，建立每一块电池以及电池组的历史档案；最后是利用均衡技术使电池组中的各电池都处于均衡一致的状态，从而达到电池利用率最大化的目的。其中能否准确对soc进行估算决定了对电池动态参数的正确评估能力，该行为直接决定电池过充、过放、均衡性等重要指标的准确性，是bms系统能否有效提高电池利用率的最重要因素。随着当今世界的发展，新能源尤其是新能源电池的应用已经在世界范围内成为一个热点问题，电池管理系统(bms)在新能源电池应用中的作用也日渐突出，电池管理系统可以对电池组进行充放电控制、热管理、均衡管理，也可以将电池的状态反馈给用户，在新能源电池应用中起着不可替代的作用。但由于新能源电池组存在大量的串并联使用，在系统运行过程中会发生各种故障影响系统正常运行，电池管理系统故障预测可以帮助系统预判是否在运行当中会出现各类故障，为电池管理系统提供一种运行保障机制，协助用户预防可能出现的系统故障。神经网络是由大量互联的处理单元连接而成，它是基于现代神经生物学以及认知科学在信息处理领域应用的研究成果。它具有大规模并行模拟处理、连续时间动力学和网络全局作用等特点，有很强的自适应学习和非线性拟合能力，使信号处理过程更接近人类思维活动。电池管理系统的故障表征具有相似性，故障征兆与故障表征之间具有较强的模糊性，故障特征相互交织。技术实现要素：本公开的目的是提供一种电池管理系统故障预测方法、装置及可读存储介质，结合电池管理系统故障的特点以及神经网络的优势，采用基于神经网络的故障预测方法对电池管理系统故障进行预测，故障征兆与故障表征更为准确，可以达到更好的效果。为达到上述目的，本公开实施例的第一方面，提供一种电池管理系统故障预测方法，包括如下步骤：从电池组管理系统中提取电池组不同运行时刻的运行参数，其中，所述运行参数包括电池组的总电压、单体电压、电流、温度和震动信号；将所述运行参数按照神经网络模型的输出需求进行特征提取以及归一化以形成神经网络模型的输入量；将所述输入量输入神经网络，所述神经网络判断电池组管理系统的运行状态是否发生故障并输出判断结果；其中，所述神经网络的学习过程包括如下步骤：搭建人工神经网络采用单隐含层方式搭建人工神经网络，该人工神经网络由输入层、隐含层和输出层构成，输入层由若干输入节点构成，输入节点的数量等于需采集参数的个数，隐含层由若干隐含节点构成，输出层只由两个输出节点构成；将电池组的不同运行时刻的总电压、单体电压、电流、温度和震动信号作为输入层的输入节点；随机产生输入层的每个节点对应的权值、隐含层阈值，得出输入层到隐含层的映射规则；根据输入层到隐含层的映射规则推算出隐含层的每个节点收到的从输入层映射来的信息；将电池管理系统故障与否作为输出层输出节点，随机产生隐含层的每个节点对应的权值、电池管理系统的准运行状态出现故障的阀值得到隐含层到输出层的映射规则；根据隐含层到输出层的映射规则，推算出输出层输出节点收到的映射信息；进行误差比较将上述输出结果与电池管理系统的标准运行状态进行比较，判断比较结果是否小于允许最大误差，当比较结果大于允许最大误差时，校准并更新隐含层的每个节点对应的权值、池管理系统的准运行状态出现故障的阀值，校准并更新输入层的每个节点对应的权值、隐含层阈值，重新执行所述根据输入层到隐含层的映射规则推算出隐含层的每个节点收到的从输入层映射来的信息，以及后续步骤；若在允许最大误差范围内，保存最终输入层到隐含层中输入层每个节点对应的权值、隐含层到输出层中隐含层的每个节点对应的权值和输出层阈值，得到电池管理系统的准运行状态与电池组动态参数的映射规则；学习结束。本公开实施例的第二方面，提供一种电池管理系统故障预测装置，包括：数据采集模块，被配置为从电池组管理系统中提取电池组不同运行时刻的运行参数，其中，所述运行参数包括电池组的总电压、单体电压、电流、温度和震动信号；特征提取模块，被配置为将所述运行参数按照神经网络模型的输出需求进行特征提取以及归一化以形成神经网络模型的输入量；以及神经网络模块，被配置为接收来自所述特征提取模块的输入量判断电池组管理系统的运行状态是否发生故障并输出判断结果；其中所述神经网络模块执行如下学习过程：搭建人工神经网络采用单隐含层方式搭建人工神经网络，该人工神经网络由输入层、隐含层和输出层构成，输入层由若干输入节点构成，输入节点的数量等于需采集参数的个数，隐含层由若干隐含节点构成，输出层只由两个输出节点构成；将电池组的不同运行时刻的总电压、单体电压、电流、温度和震动信号作为输入层的输入节点；随机产生输入层的每个节点对应的权值、隐含层阈值，得出输入层到隐含层的映射规则；根据输入层到隐含层的映射规则推算出隐含层的每个节点收到的从输入层映射来的信息；将电池管理系统故障与否作为输出层输出节点，随机产生隐含层的每个节点对应的权值、电池管理系统的准运行状态出现故障的阀值得到隐含层到输出层的映射规则；根据隐含层到输出层的映射规则，推算出输出层输出节点收到的映射信息；进行误差比较将上述输出结果与电池管理系统的标准运行状态进行比较，判断比较结果是否小于允许最大误差，当比较结果大于允许最大误差时，校准并更新隐含层的每个节点对应的权值、池管理系统的准运行状态出现故障的阀值，校准并更新输入层的每个节点对应的权值、隐含层阈值，重新执行所述根据输入层到隐含层的映射规则推算出隐含层的每个节点收到的从输入层映射来的信息，以及后续步骤；若在允许最大误差范围内，保存最终输入层到隐含层中输入层每个节点对应的权值、隐含层到输出层中隐含层的每个节点对应的权值和输出层阈值，得到电池管理系统的准运行状态与电池组动态参数的映射规则；学习结束。可选地，所述数据采集模块所述特征提取模块之间通过can总线、zigbee传输线路或wifi传输数据。本公开实施例的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一方面中任一项所述方法的步骤。本公开实施例的第三方面，提供一种的装置，包括：上述第三方面中所述的计算机可读存储介质；以及一个或者多个处理器，用于执行所述计算机可读存储介质中的程序。采用上述技术方案，至少能够达到如下技术效果：结合电池管理系统故障的特点以及神经网络的优势，采用基于神经网络的故障预测方法对电池管理系统故障进行预测，故障征兆与故障表征更为准确，可以达到更好表征效果，预测系统是否将要发生故障。附图说明为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是神经网络拓扑图；图2是本发明实施例的一个实施例的示意图；图3是本发明实施例的另一个实施例的示意图。具体实施方式在下面的详细描述中，提出了许多具体细节，以便于对本发明的全面理解。但是，对于本领域技术人员来说很明显的是，明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明的更好地理解。下面将结合附图，对本发明实施例的技术方案进行描述。本公开实施提供一种电池管理系统故障预测方法，包括如下步骤：从电池组管理系统中提取电池组不同运行时刻的运行参数，其中，运行参数包括电池组的总电压、单体电压、电流、温度和震动信号；将运行参数按照神经网络模型的输出需求进行特征提取以及归一化以形成神经网络模型的输入量；将输入量输入神经网络，神经网络判断电池组管理系统的运行状态是否发生故障并输出判断结果；其中，神经网络的学习过程包括如下步骤：搭建人工神经网络采用单隐含层方式搭建人工神经网络，该人工神经网络由输入层、隐含层和输出层构成，输入层由若干输入节点构成，输入节点的数量等于需采集参数的个数，隐含层由若干隐含节点构成，输出层只由两个输出节点构成；将电池组的不同运行时刻的总电压、单体电压、电流、温度和震动信号作为输入层的输入节点；随机产生输入层的每个节点对应的权值、隐含层阈值，得出输入层到隐含层的映射规则；根据输入层到隐含层的映射规则推算出隐含层的每个节点收到的从输入层映射来的信息；将电池管理系统故障与否作为输出层输出节点，随机产生隐含层的每个节点对应的权值、电池管理系统的准运行状态出现故障的阀值得到隐含层到输出层的映射规则；根据隐含层到输出层的映射规则，推算出输出层输出节点收到的映射信息；进行误差比较将上述输出结果与电池管理系统的标准运行状态进行比较，判断比较结果是否小于允许最大误差，当比较结果大于允许最大误差时，校准并更新隐含层的每个节点对应的权值、池管理系统的准运行状态出现故障的阀值，校准并更新输入层的每个节点对应的权值、隐含层阈值，重新执行根据输入层到隐含层的映射规则推算出隐含层的每个节点收到的从输入层映射来的信息，以及后续步骤；若在允许最大误差范围内，保存最终输入层到隐含层中输入层每个节点对应的权值、隐含层到输出层中隐含层的每个节点对应的权值和输出层阈值，得到电池管理系统的准运行状态与电池组动态参数的映射规则；学习结束。其中神经网络的算法如下：神经网络是一种典型的多层神经网络，网络基本拓扑结构如图1所示：它包含三层，分别是输入层、隐藏层及输出层，隐藏层可由多级组成，每层上的神经元称为节点或单元，它们由可修正的权值互连。算法由信息的正向传递与误差的反向传播两部分组成。在正向传播过程中，输入信息从输入层经隐含层逐层计算传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层没有得到期望的输出，则计算输出层的误差变化值，然后转向反向传播，通过网络将误差信号沿原来的连接通路反传回来修改各层神经元的权值直至达到期望目标。在使用神经网络预测故障之前，需要对其进行训练，假设输入层节点i(i＝1,2,...n)的输入值ti等于输出值xi，将输出值传入隐层；对于隐层节点j(j＝1,2,...p)的输入值ij和输出值oj分别由以下计算可得：其中，ωji为隐层节点j与输入层节点i之间的权重，θj为节点j的偏置，f为sigmoid函数，其表达式为：设输出层节点k(k＝1,2,...m)的输入输出为ik与yk，其计算公式分别为：其中，ωkj为输出层节点k与隐藏层节点j之间的权重，θk为节点k的偏置。对于给定的训练样本(xp1,xp2,...xpn)，p为样本个数p＝(1,2,...p)，则神经网络训练与训练目标输出值之间的均方误差可以写为：其中，p为样本数，tpl为第p个样本的第l个输出单元的目标输出结果，ypl为第p个样本的第l个输出单元的网络运算结果。网络训练的过程包括网络内部的前向计算和误差的反向传播，其目的就是通过调整网络内部连接权值使网络输出误差最小。对于多层前馈网络中输入层与隐层之间、隐层与输出层之间连接权值利用算法调整。本发明使用的训练样本来自本领域公知的标准知识，将一组已知的系统运行时刻、电流、单体电压、总电压、温度和震动信号与发生故障与否的对应关系作为训练样本输入，按照上述方法和算法训练神经网络，训练完成后的神经网络即可用来对电池管理系统进行故障预测。为了更好的阐述本发明对神经网络的训练及使用，例如下表所示的训练样本：序号时刻电流单体电压总电压温度震动后续故障111:010.00250.00300.03150.00080.0000否211:300.00210.00270.03300.00000.0005是312:150.00180.00270.03260.00090.0001否412:250.00210.00320.03180.00100.0002否513:000.00200.00350.03220.00150.0001是........................5020:070.00310.00250.03250.00090.0000是训练完成后，将另一组维度相同的样本作为测试样本，检验神经网络的训练质量。经训练后的神经网络，使用如下表测试样本进行测试：如图2所示，本公开实施例还提供一种电池管理系统故障预测装置，包括：数据采集模块，被配置为从电池组管理系统中提取电池组不同运行时刻的运行参数，其中，运行参数包括电池组的总电压、单体电压、电流、温度和震动信号；特征提取模块，被配置为将运行参数按照神经网络模型的输出需求进行特征提取以及归一化以形成神经网络模型的输入量；以及神经网络模块，被配置为接收来自特征提取模块的输入量判断电池组管理系统的运行状态是否发生故障并输出判断结果；其中神经网络模块执行如下学习过程：搭建人工神经网络采用单隐含层方式搭建人工神经网络，该人工神经网络由输入层、隐含层和输出层构成，输入层由若干输入节点构成，输入节点的数量等于需采集参数的个数，隐含层由若干隐含节点构成，输出层只由两个输出节点构成；将电池组的不同运行时刻的总电压、单体电压、电流、温度和震动信号作为输入层的输入节点；随机产生输入层的每个节点对应的权值、隐含层阈值，得出输入层到隐含层的映射规则；根据输入层到隐含层的映射规则推算出隐含层的每个节点收到的从输入层映射来的信息；将电池管理系统故障与否作为输出层输出节点，随机产生隐含层的每个节点对应的权值、电池管理系统的准运行状态出现故障的阀值得到隐含层到输出层的映射规则；根据隐含层到输出层的映射规则，推算出输出层输出节点收到的映射信息；进行误差比较将上述输出结果与电池管理系统的标准运行状态进行比较，判断比较结果是否小于允许最大误差，当比较结果大于允许最大误差时，校准并更新隐含层的每个节点对应的权值、池管理系统的准运行状态出现故障的阀值，校准并更新输入层的每个节点对应的权值、隐含层阈值，重新执行根据输入层到隐含层的映射规则推算出隐含层的每个节点收到的从输入层映射来的信息，以及后续步骤；若在允许最大误差范围内，保存最终输入层到隐含层中输入层每个节点对应的权值、隐含层到输出层中隐含层的每个节点对应的权值和输出层阈值，得到电池管理系统的准运行状态与电池组动态参数的映射规则；学习结束。其中，数据采集模块特征提取模块之间通过can总线、zigbee传输线路或wifi传输数据。本公开还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项可选实施例所述一种电池管理系统故障预测方法的方法步骤。本公开实施例还提供一种电池管理系统故障预测的装置，包括：上述的计算机可读存储介质；以及一个或者多个处理器，用于执行所述计算机可读存储介质中的程序。图3是根据一示例性实施例示出的一种电池管理系统故障预测的装置400的框图。如图3所示，该装置400可以包括：处理器401，存储器402，多媒体组件403，输入/输出(i/o)接口404，以及通信组件405。其中，处理器401用于控制该装置400的整体操作，以完成上述的一种电池管理系统故障预测方法中的全部或部分步骤。存储器402用于存储各种类型的数据以支持在该装置400的操作，这些数据例如可以包括用于在该装置400上操作的任何应用程序或方法的指令。该存储器402可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(staticrandomaccessmemory，简称sram)，电可擦除可编程只读存储器(electricallyerasableprogrammableread-onlymemory，简称eeprom)，可擦除可编程只读存储器(erasableprogrammableread-onlymemory，简称eprom)，可编程只读存储器(programmableread-onlymemory，简称prom)，只读存储器(read-onlymemory，简称rom)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件403可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器402或通过通信组件405发送。音频组件还包括至少一个扬声器，用于输出音频信号。i/o接口404为处理器401和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件405用于该装置400与其他设备之间进行有线或无线通信。无线通信，例如wi-fi，蓝牙，近场通信(nearfieldcommunication，简称nfc)，2g、3g或4g，或它们中的一种或几种的组合，因此相应的该通信组件405可以包括：wi-fi模块，蓝牙模块，nfc模块。在一示例性实施例中，装置400可以被一个或多个应用专用集成电路(applicationspecificintegratedcircuit，简称asic)、数字信号处理器(digitalsignalprocessor，简称dsp)、数字信号处理设备(digitalsignalprocessingdevice，简称dspd)、可编程逻辑器件(programmablelogicdevice，简称pld)、现场可编程门阵列(fieldprogrammablegatearray，简称fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的一种电池管理系统故障预测的方法。在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，例如包括程序指令的存储器402，上述程序指令可由装置400的处理器401执行以完成上述的一种电池管理系统故障预测方法。结合电池管理系统故障的特点以及神经网络的优势，采用基于神经网络的故障预测方法对电池管理系统故障进行预测，故障征兆与故障表征更为准确，可以达到更好表征效果，预测系统是否将要发生故障。以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。当前第1页12