一种铅酸动力电池系统故障诊断方法
【专利摘要】本发明提出了一种铅酸动力电池系统故障诊断方法。该方法分为离线和在线两部分，具体步骤包括：离线状态下通过仿真模型采集数据，采用归一法方法对数据进行预处理，并得到支持向量机的动力电池系统数据分类训练集和测试集，加入GA算法进行参数自适应寻优，采用“一对一方法”训练获取支持向量机诊断模型，并进行SVM决策分类；在线状态下利用故障发生装置模拟故障信号，信号通过采集模块进行采集，并采用归一法对数据进行预处理，进一步将数据输入到离线训练的SVM模型中，进行SVM算法的故障在线分类。通过本发明，不仅可以实现电池系统故障离线、在线智能诊断，同时提高故障诊断的识别率。
【专利说明】一种铅酸动力电池系统故障诊断方法
【技术领域】
[0001]本专利属于新能源汽车系统故障诊断领域，特别是涉及一种基于GA优选参数的支持向量机(SVM:Support Vector Machine)的铅酸动力电池系统故障诊断方法。
【背景技术】
[0002]电动汽车是未来汽车产业重要的发展方向。动力电池系统作为电动汽车重要组成部分，其安全可靠性直接关系到人车的安全驾驶。然而现阶段动力电池系统故障并不能够被快速、准确、智能的诊断出来，从而影响车辆的正常行驶，甚至引发一些安全隐患，对驾驶员安全带来极大威胁。
[0003]电池系统中参数过多给故障诊断功能的开发带来极大困难，如何快速、准确、智能的对其故障做出判断是动力电池系统故障诊断所面临的难题。在已有的专利中也曾有对电池管理系统故障诊断的相关描述，如名为一种动力电池管理系统的诊断控制方法(专利号201110214891)，该专利中主要是对电池电压采样、电流传感器或回路损坏、温度采样等几项参数的一个诊断。所述电压采样故障诊断中，电池管理系统BMS在采样周期内对采样阀值进行比较判定故障，或者经过大电流比较各采样通道电压值的变化情况来进行诊断。此类方法未考虑到各检测参数之间的耦合性，且不够智能化，具有一定的局限性。
[0004]为了能够准确、智能的对铅酸动力电池系统故障进行诊断，本发明提出了一种铅酸动力电池系统故障诊断 方法。与已有的电池系统故障诊断方法相关专利比较，本发明将支持向量机(SVM)算法应用到铅酸动力电池系统故障诊断中，并通过加入遗传算法(GA)来进行参数自适应寻优，可以快速、准确、智能的对铅酸动力电池系统故障进行诊断，从而提高电池系统的整体性能，大大降低整车的使用和维护成本。
【发明内容】
[0005]本发明的目的在于克服现有动力电池系统故障诊断技术存在的判断识别率不高，且不够智能的缺陷，而提出了一种铅酸动力电池系统故障诊断方法。
[0006]本发明提出的一种铅酸动力电池系统故障检测方法包括如下步骤:
[0007]I)建立SVM数据分类训练集
[0008]首先在MATLAB中建立铅酸动力电池系统模型，然后将此模型添加到整车仿真模型中调试运行成功，采用行驶规范循环工况中的复合工况循环(ECE+EUDC)来进行标准工况的运行循环来对电池系统的各项参数数据进行采集。同时调节仿真环境模型中相应参数，来获取动力电池系统在异常工况及极端工况运行状态下的参数数据，通过对采集数据进行典型特征的筛选，得到动力电池系统故障数据分类训练集。
[0009]2)数据预处理
[0010]对于故障数据训练集数据主要进行归一化的预处理，采用的归一化映射如下:
[0011]/: X 7 = —~(I)
X一 V
maxmin[0012]式中，X, y e Rn, Xmin = min (x), Xmax = max (x),归一化的效果是原始数据被规整到[0，1]范围内，SP yi e [o，l]，i = l，2，……，n，这种归一化方式称为[0，I]区间归一化。
[0013]在MATLAB中通过函数mapminmax来实现训练集数据(dataset)的归一化，即:
[0014][dataset_scale, ps] = mapminmax (dataset，，0，I) (2)
[0015]3)构造多故障分类器
[0016]本发明采用的是“一对一分类”方法来进行处理。此方法基于二分类问题通过构造或组建多个二分类器来实现多分类问题。“一对一分类”是在N类训练样本中构造多有可能的两类分类器，每个分类器仅仅在N类中的两类训练样本上训练，结果共构造N(N-1) /2个分类器。测试样本经过各个分类器进行分类，对所有组合类进行投票，得票最多的类为测试样本所属的类。
[0017]4)利用遗传算法实现支持向量机的参数自适应选择
[0018]利用遗传算法实现SVM参数自适应选择的方法步骤如下:
[0019](I)设置C、g的寻优空间；
[0020](2)设置遗传算法适应度函数，交叉变异概率、群体规模和进化代数，生成C、g的初始种群； [0021](3)应用训练样本集和参数C、g，对支持向量机进行训练，得出参数C、g对应的拉格朗日a j数值；
[0022](4)将^代入适应度函数€((:，0中，获取不同参数C、g的适应度大小；
[0023](5)根据适应度函数和交叉、变异概率值对参数C、g的种群进行选择、复制、交叉和变异操作，获取C、g的新种群；
[0024](6)判断进化代数是否满足，如未满足，继续从步骤(3)重复运行，否则转入下一
I K
少；
[0025](7)获取到参数的优化值,完成支持向量机的参数自动选择,最终实现了参数自动选择的支持向量机方法。
[0026]5)离线数据诊断
[0027]故障样本被分解成k(k_l)/2个两类分类器，同时将遗传算法自适应寻优的参数值添加到SVM算法中，并利用“一对一方法”来进行SVM模型的训练，得到电池系统故障的SVM模型。将铅酸动力电池系统故障测试集数据输入SVM模型中，通过SVM算法进行数据对t匕，并采用投票法进行抉择，最终将得票最多的类别判断为测试集数据的所属类别，同时将此类别与故障数据原始类别作对比，得到铅酸动力电池系统故障诊断识别率。
[0028]6)实时在线诊断
[0029]设计铅酸动力电池系统故障发生装置，实现多路可调模拟信号输出；输出信号经下位机电池管理系统采集并通过CAN总线输入上位机，上位机通过对数据预处理，输入到支持向量机铅酸动力电池系统模型中，最终实现故障在线诊断。
【专利附图】
【附图说明】
[0030]图1为本发明故障诊断方法流程结构图。
[0031]图2为本发明的遗传算法自适应寻优参数流程图。
[0032]图3为本发明“一对一分类”方法的分解示意图。【具体实施方式】
[0033]以下结合附图和具体实施例对本发明做进一步的详细说明:
[0034]本发明是一种铅酸动力电池系统故障诊断方法，包括加入遗传算法寻优参数支持向量机的离线训练识别过程和在线诊断识别两部分。所采用的步骤流程如图1所示。具体操作包括如下步骤:
[0035]一:离线操作
[0036](I)通过在整车虚拟仿真模型中调节不同参数得到的电池系统在标准工况、异常工况、极端工况下采集的数据组成故障检测样本分类训练集，在本项目中选取的电池系统故障样本分为无故障样本、电池总电压异常样本、电池单体电压异常样本、环境温度异常样本、电池温度异常样本、电池充放电电流异常样本、电池SOC异常样本、电池SOH异常样本、电池单体间压差过大异常样本、电池单体间温差过大异常样本。其中每种状态数据各10个样本，10种状态共100个样本。
[0037](2)为了提高SVM算法下电池系统故障故障识别准确率，将电池系统故障样本分类训练集进行[0，1]归一化预处理，所有的原始数据被规整到[0，1]范围内，并建立新的电池系统故障样本分类训练集。
[0038](3)为了进一步提高故障诊断精度，支持向量机惩罚因子参数和高斯核函数宽度参数的值由遗传算法(GA)通过离线方式自动给定其步骤流程图如图2，遗传算法的寻优区间为(0，100)，参数的种群最大选择为10，最大迭代次数选择为200，交叉概率Pc = 0.9，变异概率选择为Pm = 0.1 %，适应度函数设置为分类的正确率，训练样本为步骤(2)获得的约简子集，具体步骤参考说明书中的利用遗传算法实现支持向量机的参数自动选择的7个步骤，通过多次寻优最终筛选出具有最高分类精度的那组参数值即bestC和bestg。多次寻优得到分类精度最高的这组参数值，进而将其加入到SVM的故障诊断算法中。
[0039](4)本发明采用的是“一对一分类”方法来进行电池系统的多故障进行诊断的，所以需要建立相应的多个二分类器来实现多分类问题，具体分类过程如图3。由于训练集中共有10种状态的数据，根据公式计算可得共需要构造45个二分类器，分别为SVM12、SVM13、SVM14、......SVM89、SVM80、SVM90 (SVMij 代表第 i 类与第 j 之间建立的 SVM)。
[0040](5)从整车虚拟仿真模型中通过调节不同参数得到的电池系统故障样本中每类故障样本随机挑选出5组数据，共50组数据组成电池系统故障测试集，然后将测试集输入到步骤(4)支持向量机电池系统故障诊断模型中，经过一系列的数据匹配对比，并对每个二分类器所属类别进行预测，进而采用投票法进行抉择，最终将得票最多的类别规划到测试集数据的所属类别，同时对SVM算法判断后的类别与故障数据原始类别作对比，根据判断错误类别数目与测试集总数相对比，得到SVM算法电池系统故障诊断识别率，此种方法实现了 SVM算法电池系统故障离线验证。
[0041]二:在线操作
[0042](I)通过调节电池系统故障发生装置，使其模拟输出电池系统在运行过程中较易出现的各类典型故障信号。其输出信号经过下位机电池管理系统进行故障信号采集，并进一步通过CAN总线输出到上位机。
[0043](2)上位机将接收到的故障信号进行解析，同时按照支持向量机测试样本格式进行转换保存。故障测试样本通过[O，I]归一化预处理，其数据被规整到[O，I]范围内。
[0044](3)将经过预处理后的电池系统故障测试样本输入到离线方式下训练好的基于支持向量机的电池系统故障模型中。
[0045](4)上位机通过电池系统故障测试样本与支持向量机模型的算法匹配计算，将故障样本所述故障类别进行诊断识别，实现电池系统故障在线诊断识别。
【权利要求】
1.一种铅酸动力电池系统故障诊断方法，其特征在于:故障诊断过程中，采用基于遗传算法自适应优选参数的支持向量机，包括: (1)搭建铅酸动力电池系统仿真模型，获取电池系统运行状态数据； (2)通过采用遗传算法进行支持向量机参数的自适应寻优； (3)基于支持向量机算法的电池系统故障在线诊断。
2.根据权利要求1所述的一种铅酸动力电池系统故障诊断方法，其特征在于:所述的步骤(1)是指:将设计的铅酸电池系统模型添加到整车仿真模型中，首先采用复合工况循环(ECE+EUDC)来对电池系统各运行状态参数数据进行采集，然后调节相应参数，对电池系统在异常工况及极端工况运行状态下参数数据进行采集，最终从采集的动力电池系统各参数数据中找出各参数间耦合性关系。
3.根据权利要求1所述的一种铅酸动力电池系统故障诊断方法，其特征在于:所述步骤(2)是指:将动力电池系统故障识别率设为遗传算法中的适应度函数，并利用遗传算法求出使适应度函数取最大值时相对应的惩罚因子参数和径向基核函数参数值。 利用遗传算法实现SVM参数自适应优选参数步骤如下: (1)设置C、g的寻优空间； (2)设置遗传算法适应度函数，交叉变异概率、群体规模和进化代数，生成C、g的初始种群； (3)应用训练样本集和参数C、g，对支持向量机进行训练，得出参数C、g对应的拉格朗日a i数值； (4)将^代入适应度函数€((:，0中，获取不同参数C、g的适应度大小； (5)根据适应度函数和交叉、变异概率值对参数C、g的种群进行选择、复制、交叉和变异操作，获取C、g的新种群； (6)判断进化代数是否满足，如未满足，继续从步骤(3)重复运行，否则转入下一步； (7)获取到参数的优化值,完成支持向量机的参数自适应选择,最终实现了参数自适应选择的支持向量机方法。
4.根据权利要求1所述一种铅酸动力电池系统故障诊断方法，其特征在于:所述步骤(3)是指:设计铅酸动力电池系统故障发生装置，实现多路可调模拟信号输出；输出信号经下位机电池管理系统采集并通过CAN总线输入上位机支持向量机铅酸动力电池系统模型中实现故障在线诊断。
5.根据权利要求1-4中任一所述的方法，其特征在于:将该方法应用于电动汽车铅酸动力电池系统的故障诊断中。
【文档编号】G06F17/50GK104021238SQ201410113369
【公开日】2014年9月3日 申请日期:2014年3月25日 优先权日:2014年3月25日
【发明者】禄盛, 张骞, 陈平, 张艳 申请人:重庆邮电大学