基于贝叶斯网络的故障检测方法与流程

本发明涉及电池管理系统
技术领域：
，具体来说涉及一种故障检测方法。
背景技术：
：随着电池技术的逐步发展，越来越多以电池为储能装置的新能源设备应用到人们生活的方方面面。由于二次电池存在串并联使用、安全性、电池电量难以估算等问题，需要使用电池管理系统对电池单元进行智能化管理与维护，提高电池利用率，监控电池状态，防止电池出现过充电和过放电等问题，延长电池的使用寿命。目前的电池管理系统对于监测电池电量、电池充放电控制已经具备一些较为成熟的方法，但是电池管理系统结构复杂，自身在运行过程中容易出现各类故障，常规的电池管理系统故障检测一般是技术人员根据故障表征，凭借经验，多次试验找出故障成因，这种方法费时费力，效率较低。技术实现要素：本发明的目的是要解决现有电池管理系统故障检测效率较低的问题，提出一种基于贝叶斯网络的故障检测方法。本发明解决上述技术问题所采用的技术方案是：基于贝叶斯网络的故障检测方法，应用于电池管理系统，所述方法包括以下步骤：s1.建立具有常规故障表征和故障成因对应关系的贝叶斯网络拓扑结构；s2.根据电池管理系统的维修记录，训练所述贝叶斯网络拓扑结构，获取条件概率；s3.根据电池管理系统的运行数据，进行贝叶斯网络拓扑结构参数学习，获取故障表征的先验概率；s4.电池管理系统发生某一故障表征后，所述贝叶斯网络拓扑结构根据对应的故障表征的先验概率和条件概率计算各对应故障成因的后验概率；s5.选取所述后验概率最大值对应的故障成因作为故障检测结果。具体的，为节约研发成本，所述步骤s1包括：将常规故障表征作为贝叶斯网络根节点，将故障成因作为贝叶斯网络子节点，根据系统层级建立每一层节点与下一层节点之间的对应关系，直到底层故障成因，得到具有常规故障表征和故障成因对应关系的贝叶斯网络拓扑结构。进一步的，为提升贝叶斯网络的准确性，所述贝叶斯网络根节点的先验概率通过以下方法获取：记录所述贝叶斯网络根节点在运行数据中的总数，以及贝叶斯网络根节点中发生故障的个数,计算根节点对应的故障表征的先验概率。进一步的，为提升贝叶斯网络的精度，所述步骤s2包括：将所述维修记录中的数据矩阵化处理得到故障维修矩阵，采用参数期望最大化算法对故障维修矩阵进行迭代，更新贝叶斯网络拓扑结构。为进一步提升贝叶斯网络的精度，所述步骤s5还包括：根据贝叶斯网络拓扑结构得到的故障成因，对电池管理系统进行维修后，进入步骤s2。具体的，为进行有效的贝叶斯网络参数学习，所述运行数据包括电流数据和/或电压数据和/或温度数据。具体的，为对电池管理系统故障进行全面的检测，所述常规故障表征和故障成因包括bms与ecu通信异常、绝缘监测报警、soc异常、电池电流数据异常、通信控制管理、电池状态分析、状态监测模块、can总线匹配不良剩余电量评估、电流监测、电流传感器和/或显示信号线故障。本发明的有益效果是：本发明所述的基于贝叶斯网络的故障检测方法，将常规故障表征和故障成因作为贝叶斯网络节点，并以此建立具有其对应关系的贝叶斯网络拓扑结构，当故障出现后，通过贝叶斯网络拓扑结构计算故障成因对应的后验概率，得出故障成因，无需技术人员频繁试验，简化了故障检测的流程，提高了电池管理系统故障检测的效率，以及电池管理系统故障检测的可靠性及安全性。附图说明图1为本发明实施例所述的基于贝叶斯网络的故障检测方法的流程示意图；图2为本发明实施例所述的贝叶斯网络拓扑结构的一个示意图；图3为本发明实施例所述的贝叶斯网络拓扑结构的另一个结构示意图。具体实施方式下面将结合附图对本发明的实施方式进行详细描述。本发明所述的基于贝叶斯网络的故障检测方法，应用于电池管理系统，所述方法包括以下步骤：s1.建立具有常规故障表征和故障成因对应关系的贝叶斯网络拓扑结构；s2.根据电池管理系统的维修记录，训练所述贝叶斯网络拓扑结构，获取条件概率；s3.根据电池管理系统的运行数据，进行贝叶斯网络拓扑结构参数学习，获取故障表征的先验概率；s4.电池管理系统发生某一故障表征后，所述贝叶斯网络拓扑结构根据对应的故障表征的先验概率和条件概率计算各对应故障成因的后验概率；s5.选取所述后验概率最大值对应的故障成因作为故障检测结果。当电池管理系统发生故障后，由于常规知识领域中，一种故障表征可能存在多种故障成因，上述故障检测方法中，通过训练贝叶斯网络来获取条件概率，即故障成因存在时，发生对应故障表征的概率，条件概率表示各节点之间的关系强度，通过贝叶斯网络参数学习来获取先验概率，即故障表征发生的概率，当电池管理系统发生某一故障表征后，建立的贝叶斯网络拓扑结构根据先验概率和条件概率计算后验概率，即发生故障表征时，对应故障成因的概率，并选取后验概率最大值对应的故障成因作为故障检测结果，实现对电池管理系统的故障检测。实施例本发明实施例所述的基于贝叶斯网络的故障检测方法，应用于电池管理系统，如图1所示，所述方法包括以下步骤：s1.建立具有常规故障表征和故障成因对应关系的贝叶斯网络拓扑结构；s2.根据电池管理系统的维修记录，训练所述贝叶斯网络拓扑结构，获取条件概率；s3.根据电池管理系统的运行数据，进行贝叶斯网络拓扑结构参数学习，获取故障表征的先验概率；s4.电池管理系统发生某一故障表征后，所述贝叶斯网络拓扑结构根据对应的故障表征的先验概率和条件概率计算各对应故障成因的后验概率；s5.选取所述后验概率最大值对应的故障成因作为故障检测结果。其中，常规故障表征及对应的故障成因通过收集专家领域知识获取，专家领域知识是指在蓄电池应用故障及电池管理系统故障方面已知的、经过实际验证的故障表征及和故障成因的知识，特别是故障成因与故障表征之间的对应关系；系统的维修记录是指在实际当中，通过维修电池组及电池管理系统所做的记录，包括故障表征和对应的维修方法；通过数据收集、建立贝叶斯网络拓扑结构、训练贝叶斯网络、网络参数学习后，形成一个可用于电池管理系统故障检测的贝叶斯网络拓扑结构。所述步骤s1可以包括：将常规故障表征作为贝叶斯网络根节点，将故障成因作为贝叶斯网络子节点，根据系统层级建立每一层节点与下一层节点之间的对应关系，直到底层故障成因，得到具有常规故障表征和故障成因对应关系的贝叶斯网络拓扑结构，其根据专家领域知识及系统逻辑将系统故障由故障表征到根源分层建立对应的联系，使得每一个故障节点都通过有向线与下一层节点相连，直到最后一层节点，本例中的常规故障表征和故障成因包括bms与ecu通信异常、绝缘监测报警、soc异常、电池电流数据异常、通信控制管理、电池状态分析、状态监测模块、can总线匹配不良剩余电量评估、电流监测、电流传感器和/或显示信号线故障，有如下电池管理系统故障专家领域知识表:表1：编号故障编号故障1bms与ecu通信异常7状态监测模块2绝缘监测报警8can总线匹配不良3soc异常9剩余电量评估4电池电流数据异常10电流监测5通信控制管理11电流传感器6电池状态分析12显示信号线故障根据专家领域知识，如图2所示，将表1中的12个故障节点，按照系统层级划分为三层，并建立每个节点与下一层之间的联系，完成贝叶斯网络拓扑结构的建立。所述步骤s2中，使用系统维修记录，将维修记录中的数据矩阵化后，训练贝叶斯网络的拓扑结构，例如，有以下故障维修记录表：表2：故障表征维修方式电池电流数据异常显示信号线更换表3：故障表征维修方式soc异常更换电流传感器对应表2中的故障编号，可将表2、表3的故障维修记录进行矩阵化处理，表2维修记录可记为[0,0,0,1,0,0,1,0,0,1,0,1]，表3维修记录可记为[0,0,1,0,0,0,1,0,0,0,1,0]，如此，便可将系统故障维修记录逐条进行处理，并将处理结果组成故障维修矩阵。由于故障维修数据不是完整数据集，可以使用参数期望最大化算法对故障维修矩阵进行迭代，更新贝叶斯网络拓扑结构，可以提升贝叶斯网络的准确性和精度，如图3所示，更新后的贝叶斯网络拓扑结构中，节点1与节点8建立了有向连接，即bms与edu通信异常与bms的can总线匹配不良有一定联系，此外，节点9与节点10建立了有向联系，即剩余电量评估错误与电流监测有关。电池管理系统的运行数据是指系统在运行过程中，所记录下的电池组的各项数据，可以包括电流、总电压、单体电池电压和温度等数据。所述贝叶斯网络根节点的先验概率可通过以下方法获取：记录所述贝叶斯网络根节点在运行数据中的总数α(i)，以及贝叶斯网络根节点中发生故障的个数β(fa,i),计算根节点对应的故障表征的先验概率所述步骤s5还包括：根据贝叶斯网络拓扑结构得到的故障成因，对电池管理系统进行维修后，进入步骤s2，在每次通过贝叶斯网络拓扑结构完成故障的检测，并进行维修后，再根据每次的维修记录，训练贝叶斯网络拓扑结构，贝叶斯网络不断的学习和更新，提高对电池管理系统的故障检测的准确率。当前第1页12