一种基于信号处理的电动汽车电池故障诊断方法

1.本发明涉及电动汽车电池故障诊断技术领域，特别是涉及一种基于信号处理的电动汽车电池故障诊断方法。


背景技术：

2.电动汽车的动力主要由内部安装的电池提供。锂电池因其使用寿命长、能量密度高和成本可控等优点，被广泛应用于电动汽车。随着使用时间的累积和充放电循环次数的增加，电池容量会随之减少，出现老化故障，同时单体锂电池间的微小差异也会逐渐增大。当单体锂电池以串并联形式构成电池组时，不同单体间的差异性容易导致锂电池发生过充电、过放电和热失控等故障，降低电池的热稳定性，缩短电池使用寿命，增加电动汽车安全隐患。因此，为增加电池使用寿命，保障电动汽车使用安全，需对电动汽车电池故障诊断技术展开研究。
3.目前，常用的故障诊断方法可以分为三类：基于数学模型的方法、基于信号处理的方法和基于知识的方法。其中，基于数学模型的方法能够实现实时故障检测，但数学模型的建立具有一定难度，且故障检测精度过于依赖数学模型的精确程度，对数学模型的准确度要求较高。基于知识的方法虽无需建立精确的数学模型，但前提条件是事先获取大量的先验知识，对于某些系统来说是有一定难度的。基于信号处理的方法，其基本思想是对系统输出的可测量信号进行信号处理，得到动态系统的输出信号特性，依此判断系统状态与故障类型。这类方法易于实现，无需对复杂系统建立精确的数学模型，提高了故障诊断率。因此，针对电动汽车电池故障诊断，需要加强信号处理方法的应用研究，进一步提高汽车电池故障诊断效率。


技术实现要素：

4.本发明的目的是提供一种基于信号处理的电动汽车电池故障诊断方法，采用信号处理方法，实现电动汽车电池故障类型的在线实时诊断，同时提高故障诊断效率和诊断精确度。
5.为实现上述目的，本发明提供了如下方案：
6.一种基于信号处理的电动汽车电池故障诊断方法，包括以下步骤：
7.s1，获取电动汽车电池历史使用数据，采用经验小波变换与样本熵方法对电动汽车电池历史使用数据进行特征提取，基于提取到的特征矢量，建立电池状态特征空间；
8.s2，以电池状态特征空间为训练样本，采用层次支持向量机建立电动汽车电池故障诊断模型；
9.s3，采集电动汽车电池在线数据，采用与步骤s1相同的手段，对电动汽车电池在线数据进行特征提取，得到电池在线数据状态特征空间；
10.s4，以电池在线数据状态特征空间为测试样本，输入到电动汽车电池故障诊断模型中，输出对应的故障类型。
11.进一步的，所述步骤s1中，所述电动汽车电池历史使用数据包括：正常状态、过充电、过放电和老化故障四种不同状态下的电动汽车电池历史数据。
12.进一步的，所述步骤s1中，采用经验小波变换与样本熵方法对电动汽车电池历史使用数据进行特征提取，基于提取到的特征矢量，建立电池状态特征空间，具体包括：
13.采用经验小波变换对正常状态、过充电、过放电和老化故障四种不同状态下的电动汽车电池历史数据进行自适应分解，产生经验小波函数分量；
14.计算各分量的样本熵，组合电池数据的特征矢量，建立电池状态特征空间。
15.进一步的，所述步骤s2，以电池状态特征空间为训练样本，采用层次支持向量机建立电动汽车电池故障诊断模型，具体包括：
16.所述层次支持向量机，共需3个支持向量机两类分类器，分别为svm1、svm2和svm3，svm1实现{正常状态、老化故障}与{过充电、过放电}的分类；svm2实现正常状态与老化故障的分类；svm3实现过充电与过放电的分类。
17.进一步的，所述步骤s2，以电池状态特征空间为训练样本，采用层次支持向量机建立电动汽车电池故障诊断模型，具体包括：
18.s201，以步骤s1中的电池状态特征空间s为训练样本进行层次支持向量机训练，其中电池状态特征空间s选取120组样本数据，正常状态、过充电、过放电与老化故障各选取30组样本数据；
19.s202，建立第一层支持向量机两类分类器svm1，输入训练样本向量(vi,yi)(i＝1,2,
…
,120,y∈{-1,1})，如果vi∈{正常状态、老化故障}，则yi＝1；如果vi∈{过充电、过放电}，则yi＝-1；
20.所述层次支持向量机进行训练采用的核函数为高斯径向基函数：
[0021][0022]
其中，取σ2＝0.01，vi,vj为两个训练样本数据；
[0023]
利用二次规划方法求解目标函数：
[0024][0025]
得到第一层支持向量机的最优拉格朗日乘子其中，ai,aj分别为第i个和第j个训练样本数据对应的拉格朗日乘子，yi,yj分别为第i个和第j个训练样本数据对应的状态值；
[0026]
将训练样本中的一个支持向量v代入式：
[0027][0028]
其中，f(v)为该向量所属的类别值，即-1或1，计算可得第一层支持向量机的偏差值
[0029]
利用训练好的朗格朗日乘子偏差值和核函数k(vi,vj)建立第一层支持向量机模型：
[0030][0031]
s203，依照步骤s202所述的方法分别建立第二层支持向量机分类器svm2和svm3，svm2的训练样本为由正常状态与老化故障两种样本数据特征矢量构成的特征空间s1＝[v1，v2，
…
，v
60
]，输入训练样本向量(vi,yi)(i＝1,2,
…
,60,y∈{-1,1})，如果vi∈{正常状态}，则yi＝1；如果vi∈{老化故障}，则yi＝-1；
[0032]
同理，svm3的训练样本为由过充电与过放电两种样本数据特征矢量构成的特征空间s2＝[v
61
，v2，
…
，v
120
]，输入训练样本向量(vi,yi)(i＝61,2,
…
,120,y∈{-2,2})，如果vi∈{过充电}，则yi＝2；如果vi∈{过放电}，则yi＝-2；
[0033]
按照步骤s202中的方法训练svm2的参数与以及svm3的参数与分别建立第二层支持向量机模型与第三层支持向量机模型
[0034]
进一步的，所述步骤s4，以电池在线数据状态特征空间为测试样本，输入到电动汽车电池故障诊断模型中，输出对应的故障类型，具体包括：
[0035]
s401，对获取的电动汽车电池在线数据，以1000数据点为一组样本数据进行划分，选取200组样本数据，电池在线数据状态特征空间为s
t
＝[v1，v2，
…
，v
200
]；
[0036]
s402，将特征空间s
t
作为测试样本输入步骤s2建立的电池故障诊断模型中，若输出f(vi)＝1，则该样本属于正常状态；若f(vi)＝-1，则该样本属于老化故障；若f(vi)＝2，则该样本属于过充电状态；若f(vi)＝-2，则该样本属于过放电状态。
[0037]
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的基于信号处理的电动汽车电池故障诊断方法，将基于信号处理的方法与机器学习相结合，通过对电池使用数据的充分利用，实现电动汽车电池故障诊断研究，具体地，采用经验小波变换与样本熵对电动汽车电池使用数据进行特征提取，构建电池状态特征空间，以此为基础，利用层次支持向量机建立电池故障诊断模型，输入电池在线状态，即可输出对应的故障类型，实现对电动汽车电池故障的在线实时诊断；本发明，一方面可避免建立复杂的电化学解析数学模型，提高故障诊断效率，另一方面也可通过有效的特征提取和准确建模提高故障诊断精确度。
附图说明
[0038]
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性的前提下，还可以根据这些附图获得其他的附图。
[0039]
图1为本发明基于信号处理的电动汽车电池故障诊断方法的流程示意图；
[0040]
图2为本发明实施例层次支持向量机决策示意图。
具体实施方式
[0041]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0042]
本发明的目的是提供一种基于信号处理的电动汽车电池故障诊断方法，能够实现电动汽车电池故障类型的在线实时诊断，同时提高故障诊断效率和诊断精确度。
[0043]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0044]
如图1所示本发明提供的基于信号处理的电动汽车电池故障诊断方法，包括以下步骤：
[0045]
s1，获取电动汽车电池历史使用数据，采用经验小波变换与样本熵方法对电动汽车电池历史使用数据进行特征提取，基于提取到的特征矢量，建立电池状态特征空间；所述电动汽车电池历史使用数据包括：正常状态、过充电、过放电和老化故障四种不同状态下的电动汽车电池历史数据；本发明实施例对每一类数据，以1000数据点为一组样本数据进行划分，各选取30组样本数据；
[0046]
s2，以电池状态特征空间为训练样本，采用层次支持向量机建立电动汽车电池故障诊断模型；
[0047]
s3，采集电动汽车电池在线数据，采用与步骤s1相同的手段，对电动汽车电池在线数据进行特征提取，得到电池在线数据状态特征空间；
[0048]
s4，以电池在线数据状态特征空间为测试样本，输入到电动汽车电池故障诊断模型中，输出对应的故障类型。
[0049]
其中，所述步骤s1中，采用经验小波变换与样本熵方法对电动汽车电池历史使用数据进行特征提取，基于提取到的特征矢量，建立电池状态特征空间，具体包括：
[0050]
s101，采用经验小波变换对正常状态、过充电、过放电和老化故障四种不同状态下的电动汽车电池历史数据进行自适应分解，产生经验小波函数分量，具体为：
[0051]
1)，以某一样本数据为例，用时间离散序列x＝[x1,x2,
…
,x
1000
]表示该样本，对x进行傅里叶变换，得到傅里叶频谱f(ω)；
[0052]
2)，按照如下频谱划分原则对f(ω)进行自适应分割：以ωn为边界在[0,π]上将f(ω)划分为n个连续段落，则共有n+1个边界，其中ω0＝0,ωn＝π，其余n-1个边界按如下方法确定：检测f(ω)的局部极大值并按降序排列，假设存在m个极大值，若m≥n，则保留前n-1个极大值；若m≤n，则保留全部极大值并重置n值，最后取两个连续极大值的中间频率作为ωn；
[0053]
3)，根据2)的频谱分段，构造小波滤波器组，确定经验小波函数分量，建立经验小波基，其中经验尺度函数与经验小波母函数分别为：
[0054][0055][0056]
式中，ωn,ω
n+1
分别表示第n个与第n+1个频谱边界，τn,τ
n+1
分别为第n个与第n+1个变换周期长度的一半，通常取τn＝γωn,0＜γ＜1；β(x)满足且
[0057]
经验小波变换为：
[0058]
近似系数为：
[0059]
其中，ψn与φ1分别为经验小波函数与经验尺度函数，与分别是ψn和φ1的复共轭。
[0060]
由经验小波变换恢复原样本序列得到：
[0061]
各经验小波函数分量为：
[0062]
由经验小波变换分解产生的经验小波函数分量记为f1,f2,
…
,fn，其包含了电池样本数据的不同幅频特征信息。
[0063]
s102，计算各分量的样本熵，组合电池数据的特征矢量，建立电池状态特征空间，具体为：
[0064]
1)，以经验小波函数分量f1为例说明样本熵计算过程，计算数据序列f1的标准差其中fi为数据序列中的第i个元素，为该数据序列元素的均值，n＝1000，取相似性容忍度r＝0.2σ，初始化基本参数嵌入维度m；
[0065]
2)，定义维数为m的向量序列ym＝[ym(1),ym(2),
…
,ym(n-m+1)]，其中ym(i)＝[f1(i),f1(i+1),
…
,f1(i+m-1)],1≤i≤n-m+1，计算向量ym(i)与ym(j)之间的距离，得到：
[0066]
3)，对于给定的ym(i)，统计ym(i)与ym(j)之间的距离小于等于r的j(1≤j≤n-m+1,j≠i)的数目，得到：bi＝num(d[ym(i),ym(j)]≤r)；计算其与距离总数的比值，得到：在此基础上，对所有的i取平均值，得到：
[0067]
4)，将维数增加为m+1，重复步骤2)-3)，得到b
m+1
(r)，则经验小波函数分量f1的样本熵为：
[0068]
5)，按照步骤1)-步骤4)计算经验小波函数f1,f2,
…
,fn的样本熵，组合构建电池样本数据的特征矢量v：v＝[sampen1,sampen2,
…
,sampenn]。
[0069]
根据步骤s101、步骤s102对正常状态、老化故障、过充电及过放电等四种不同状态电动汽车电池历史数据(共计120组样本数据)进行特征提取，构建每组样本数据的特征矢量，并由120个样本数据特征矢量构成电池历史状态特征空间s，s＝[v1，v2，
…
，v
120
]。
[0070]
其中，所述步骤s2中，所述层次支持向量机，共需3个支持向量机两类分类器，分别为svm1、svm2和svm3，svm1实现{正常状态、老化故障}与{过充电、过放电}的分类；svm2实现正常状态与老化故障的分类；svm3实现过充电与过放电的分类。
[0071]
所述步骤s2，以电池状态特征空间为训练样本，采用层次支持向量机建立电动汽车电池故障诊断模型，具体包括：
[0072]
s201，以步骤s1中的电池状态特征空间s为训练样本进行层次支持向量机训练，其中电池状态特征空间s选取120组样本数据，正常状态、过充电、过放电与老化故障各选取30组样本数据；
[0073]
s202，建立第一层支持向量机两类分类器svm1，输入训练样本向量(vi,yi)(i＝1,2,
…
,120,y∈{-1,1})，如果vi∈{正常状态、老化故障}，则yi＝1；如果vi∈{过充电、过放电}，则yi＝-1；
[0074]
所述层次支持向量机进行训练采用的核函数为高斯径向基函数：
[0075][0076]
其中，取σ2＝0.01，vi,vj为两个训练样本数据；
[0077]
利用二次规划方法求解目标函数：
[0078][0079]
得到第一层支持向量机的最优拉格朗日乘子其中，ai,aj分别为第i个和第j个训练样本数据对应的拉格朗日乘子，yi,yj分别为第i个和第j个训练样本数据对应的状态值；
[0080]
将训练样本中的一个支持向量v代入式：
[0081][0082]
其中，f(v)为该向量所属的类别值，即-1或1，计算可得第一层支持向量机的偏差值
[0083]
利用训练好的朗格朗日乘子偏差值和核函数k(vi,vj)建立第一层支持向量机模型：
[0084][0085]
s203，依照步骤s202所述的方法分别建立第二层支持向量机分类器svm2和svm3，svm2的训练样本为由正常状态与老化故障两种样本数据特征矢量构成的特征空间s1＝[v1，v2，
…
，v
60
]，输入训练样本向量(vi,yi)(i＝1,2,
…
,60,y∈{-1,1})，如果vi∈{正常状态}，则yi＝1；如果vi∈{老化故障}，则yi＝-1；
[0086]
同理，svm3的训练样本为由过充电与过放电两种样本数据特征矢量构成的特征空间s2＝[v
61
，v2，
…
，v
120
]，输入训练样本向量(vi,yi)(i＝61,2,
…
,120,y∈{-2,2})，如果vi∈{过充电}，则yi＝2；如果vi∈{过放电}，则yi＝-2；
[0087]
按照步骤s202中的方法训练svm2的参数与以及svm3的参数与分别建立第二层支持向量机模型与第三层支持向量机模型
[0088]
所述步骤s4，以电池在线数据状态特征空间为测试样本，输入到电动汽车电池故障诊断模型中，输出对应的故障类型，具体包括：
[0089]
s401，对获取的电动汽车电池在线数据，以1000数据点为一组样本数据进行划分，选取200组样本数据，电池在线数据状态特征空间为s
t
＝[v1，v2，
…
，v
200
]；
[0090]
s402，将特征空间s
t
作为测试样本输入步骤s2建立的电池故障诊断模型中，若输出f(vi)＝1，则该样本属于正常状态；若f(vi)＝-1，则该样本属于老化故障；若f(vi)＝2，则该样本属于过充电状态；若f(vi)＝-2，则该样本属于过放电状态。
[0091]
本发明提供的基于信号处理的电动汽车电池故障诊断方法，将基于信号处理的方法与机器学习相结合，通过对电池使用数据的充分利用，实现电动汽车电池故障诊断研究，具体地，采用经验小波变换与样本熵对电动汽车电池使用数据进行特征提取，构建电池状态特征空间，以此为基础，利用层次支持向量机建立电池故障诊断模型，实现对电动汽车电池故障的在线实时诊断；本发明，一方面可避免建立复杂的电化学解析数学模型，提高故障诊断效率，另一方面也可通过有效的特征提取和准确建模提高故障诊断精确度。
[0092]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说
明即可。
[0093]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。