一种基于改进CNN的动力电池组故障融合诊断方法及系统技术方案

本发明专利技术公开了一种基于改进CNN的动力电池组故障融合诊断方法及系统，包括，对锂电池的电压变化信号与SOC变化信号采用小波包分解处理，得到能量值构成输入特征向量；诊断网络对动力电池组故障进行初步诊断；判断初步诊断结果是否满足确诊条件；若满足确诊条件，则得到动力电池组的诊断结果；若不满足确诊条件，则对动力电池组故障采用CNN网络进行辅助诊断；将初步诊断结果和辅助诊断结果通过D‑S证据理论的方法进行融合诊断；对融合诊断结果进行判断并得到最终诊断结果。本发明专利技术通过改进CNN网络的结构，通过BIC准则确定卷积层中最优的卷积核尺寸，对确诊条件进行判断并进一步采用辅助诊断网络进行辅助和融合诊断，从而提高了动力电池组的故障诊断准确率。

【技术实现步骤摘要】
一种基于改进CNN的动力电池组故障融合诊断方法及系统
本专利技术涉及电池故障诊断的
，尤其涉及一种基于改进CNN的动力电池组故障融合诊断方法及系统。
技术介绍
近年来，锂离子电池凭借其单体电池电压高、循环次数高、能量密度高、无污染等优点，成为了动力电池的重要组成部分，而确保锂离子电池安全可靠运行是其发展的核心。目前我国的锂离子电池技术并非完全成熟，电池组不一致故障初期的特征不易被发现。锂离子电池组的不一致指的是同型号、同规格电池的容量、内阻、电压等参数存在较大偏差，会导致电池在充放电过程中出现过充、过放的现象，严重影响电池组的使用安全与使用寿命。锂离子电池组的不一致故障主要包括容量偏小故障、SOC偏低故障与内阻偏大故障。对锂离子电池组进行故障诊断，具有重要的现实意义目前锂电池故障诊断方法以神经网络、支持向量机等浅层网络为主，例如有的文献利用BP神经网络对锂电池不一致故障进行诊断分析，但仅采用少量样本，无法实现工程应用；有的文献利用RBF神经网络，基于dSPACE电池模型，设计了一套电动汽车动力锂离子电池的故障诊断系统，但由于锂电池组自身结构复杂且工作环境的差异较大，导致其诊断准确性降低；有的文献在决策层采用改进D-S证据理论组合规则融合BP网络和RBF网络两种故障诊断结果，该方法虽然对诊断结果进行改进，却仍然未解决浅层网络诊断准确率低的问题。由于浅层神经网络对复杂特征的学习能力较弱，不适用于特征提取精度要求高的故障诊断领域。针对这种情况，部分学者提出深度学习的故障诊断方法，更深层次的提取信号特征，实现更精确的诊断。卷积神经网络(ConvolutionNeuralNetwork，CNN)作为典型的深度学习算法，被广泛应用于图像识别领域。与传统浅层网络相比，卷积神经网络具有更强大的特征提取能力，运算速度快，避免了训练易陷入局部极值的问题。近年来，国内外学者将卷积神经网络应用于故障诊断中并取得了不错的研究成果。例如在传统CNN网络的基础上增加反馈机制通过调节卷积核的数量与大小提高绝缘子状态检测的正确率；利用短时傅里叶变换生成轴承振动信号的时频谱图，建立CNN诊断模型，通过增加相应环境的数据验证了其鲁棒性；利用深度网络结构实现对原始振动信号特征的自适应层级化提取，在输出端利用Softmax分类器输出诊断结果。但是随着CNN层数的增多，最后得到的特征向量的尺寸不断减小，若仅以最后一层复杂度最高的特征进行分类易出现过拟合的风险，从而导致诊断的正确性降低。
技术实现思路
本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。鉴于上述现有存在的问题，提出了本专利技术。因此，本专利技术解决的一个技术问题是：提供一种基于改进CNN的动力电池组故障融合诊断方法，能够提高动力电池组故障诊断的准确率。为解决上述技术问题，本专利技术提供如下技术方案：一种基于改进CNN的动力电池组故障融合诊断方法，包括，对锂电池的电压变化信号与SOC变化信号采用小波包分解分别处理，得到能量值构成输入特征向量；CNN诊断网络对动力电池组故障进行初步诊断；判断初步诊断结果是否满足确诊条件；若满足确诊条件，则得到动力电池组的诊断结果；若不满足确诊条件，则对动力电池组故障采用CNN网络进行辅助诊断；将初步诊断结果和辅助诊断结果通过D-S证据理论的方法进行融合诊断；对融合诊断结果进行判断并得到最终诊断结果。作为本专利技术所述的基于改进CNN的动力电池组故障融合诊断方法的一种优选方案，其中：所述改进CNN诊断网络包括输入层、隐含层、Concat层、全连接层和输出层，其中所述隐含层由卷积层与池化层交叉堆叠而成，所述Concat层的操作为，其中，为第m层特征数据进行重构后的特征向量。作为本专利技术所述的基于改进CNN的动力电池组故障融合诊断方法的一种优选方案，其中：所述Concat层对第一个卷积层池化后的浅层特征与第二个卷积层提取的高层特征进行融合，并在全连接层将Concat层中融合结果连接成一个一维向量。作为本专利技术所述的基于改进CNN的动力电池组故障融合诊断方法的一种优选方案，其中：所述改进CNN网络训练中使用加入MCE准则修正项后的交叉熵损失函数，计算公式为，其中，yi为样本的训练标签，pi为样本的输出，li为分类损失函数。作为本专利技术所述的基于改进CNN的动力电池组故障融合诊断方法的一种优选方案，其中：所述CNN网络中采用BIC信息准则确定改进CNN网络中的卷积核个数，且BIC信息准则的定义为，BIC＝-2ln(L)+ln(n)·T其中，L为极大似然函数值，n为样本容量，T为模型中未知的参数个数，BIC的值越小表示模型的拟合程度越好。作为本专利技术所述的基于改进CNN的动力电池组故障融合诊断方法的一种优选方案，其中：所述CNN模型的误差服从正态分布时，BIC信息准则的定义为，其中，n为信息量准则计算的数据量，T为模型未知参数的个数，即卷积层参数与全连接层参数的个数和，SSE为残差平方和，且T和SSE分别表示为，T＝∑mh*h+Tf其中，h为单个卷积核内参数的数量，mh为参数数量为h的卷积核的个数，Tf为全连接层的参数个数，y′i、yi分别为第i个实验数据的诊断输出与实际输出值。作为本专利技术所述的基于改进CNN的动力电池组故障融合诊断方法的一种优选方案，其中：所述判断初步诊断结果还包括以下步骤，对初步诊断输出结果中的最大值和次最大值进行求差运算；当两者的差值大于等于0.1时，判断为满足诊断条件；而当两者的差值小于0.1时，判断为不满足确诊条件，进行复诊。作为本专利技术所述的基于改进CNN的动力电池组故障融合诊断方法的一种优选方案，其中：所述D-S证据理论的组合规则为，其中，m(A)为基本分配概率函数，表示证据体对A的支持程度，k为证据体之间的冲突系数。作为本专利技术所述的基于改进CNN的动力电池组故障融合诊断方法的一种优选方案，其中：所述对融合诊断结果需要满足的条件包括，输出状态的基本分配概率函数为所有状态基本分配概率函数的最大值；融合结果中最大基本分配概率函数与次最大基本分配概率函数的差异满足设定的最小值；输出状态的基本分配概率函数值大于设定的阈值。本专利技术解决的另一个技术问题是：提供一种基于改进CNN的动力电池组故障融合诊断系统，使上述方法能够依托于该系统实现。为解决上述技术问题，本专利技术提供如下技术方案：一种基于改进CNN的动力电池组故障融合诊断系统，包括，信号处理模块，所述信号处理模块对信号采用小波包分解进行处理，得到的能量值作为输入特征向量；初诊网络模块，所述初诊网络模块为改进的CNN网络，其输入为信号处理模块处理后得到的特征向量；判断模块，所述判断模块用于对诊断结果进行判断，判断其是否满足确诊条件，能够作为最本文档来自技高网...

【技术保护点】
1.一种基于改进CNN的动力电池组故障融合诊断方法，其特征在于：包括，/n对锂电池的电压变化信号与SOC变化信号分别采用小波包分解处理，得到能量值构成输入特征向量；/nCNN诊断网络对动力电池组故障进行初步诊断；/n判断初步诊断结果是否满足确诊条件；/n若满足确诊条件，则得到动力电池组的诊断结果；/n若不满足确诊条件，则对动力电池组故障采用CNN网络进行辅助诊断；/n将初步诊断结果和辅助诊断结果通过D-S证据理论的方法进行融合诊断；/n对融合诊断结果进行判断并得到最终诊断结果。/n

【技术特征摘要】
1.一种基于改进CNN的动力电池组故障融合诊断方法，其特征在于：包括，
对锂电池的电压变化信号与SOC变化信号分别采用小波包分解处理，得到能量值构成输入特征向量；
CNN诊断网络对动力电池组故障进行初步诊断；
判断初步诊断结果是否满足确诊条件；
若满足确诊条件，则得到动力电池组的诊断结果；
若不满足确诊条件，则对动力电池组故障采用CNN网络进行辅助诊断；
将初步诊断结果和辅助诊断结果通过D-S证据理论的方法进行融合诊断；
对融合诊断结果进行判断并得到最终诊断结果。


2.如权利要求1所述的基于改进CNN的动力电池组故障融合诊断方法，其特征在于：所述改进CNN诊断网络包括输入层、隐含层、Concat层、全连接层和输出层，其中所述隐含层由卷积层与池化层交叉堆叠而成，所述Concat层的操作为，



其中，为第m层特征数据进行重构后的特征向量。


3.如权利要求2所述的基于改进CNN的动力电池组故障融合诊断方法，其特征在于：所述Concat层对第一个卷积层池化后的浅层特征与第二个卷积层提取的高层特征进行融合，并在全连接层将Concat层中融合结果连接成一个一维向量。


4.如权利要求1～3任一所述的基于改进CNN的动力电池组故障融合诊断方法，其特征在于：所述改进CNN网络训练中使用加入MCE准则修正项后的交叉熵损失函数，计算公式为，



其中，yi为样本的训练标签，pi为样本的输出，li为分类损失函数。


5.如权利要求4所述的基于改进CNN的动力电池组故障融合诊断方法，其特征在于：所述CNN网络中采用BIC信息准则确定改进CNN网络中的卷积核个数，且BIC信息准则的定义为，
BIC＝-2ln(L)+ln(n)·T
其中，L为极大似然函数值，n为样本容量，T为模型中未知的参数个数，BIC的值越小表示模型的拟合程度越好。


6.如权利要求5所述的基于改进CNN的动力电池组故障融合诊断方法，其特征在于：所述CNN模型的误差服从正态分布时，BIC信息准则的定义为，



其中，n为信息量准则计算的数据量，T为模型未知参数的个数，即...

【专利技术属性】
技术研发人员：夏飞，彭运赛，张传林，龚春阳，
申请(专利权)人：上海电力大学，
类型：发明
国别省市：上海;31