一种基于信号处理的电动汽车电池故障诊断方法技术

本发明专利技术公开了一种基于信号处理的电动汽车电池故障诊断方法，该方法采用经验小波变换与样本熵方法对电动汽车电池历史数据进行特征提取，建立电池状态特征空间，以此为训练样本，采用具有多分类性能的层次支持向量机建立电池故障诊断模型；模型输入的测试样本为电池在线数据状态特征空间，模型输出为故障类型，实现对电动汽车电池的在线实时故障诊断。本发明专利技术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，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。高故障诊断精确度。高故障诊断精确度。

【技术实现步骤摘要】
一种基于信号处理的电动汽车电池故障诊断方法


[0001]本专利技术涉及电动汽车电池故障诊断
，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。

技术介绍

[0002]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。
[0003]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。

技术实现思路

[0004]本专利技术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。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]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：
[0007]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；
[0008]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；
[0009]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；
[0010]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。
[0011]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。
[0012]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：
[0013]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；
[0014]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。
[0015]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：
[0016]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。
[0017]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：
[0018]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；
[0019]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(V
i
,Y
i
)(i＝1,2,
…
,120,y∈{
‑
1,1})，如果V
i
∈{正常状态、老化故障}，则y
i
＝1；如果V
i
∈{过充电、过放电}，则y
i
＝
‑
1；
[0020]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，V
i
,V
j
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，a
i
,a
j
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，y
i
,y
j
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(V
i
,V
j
)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(V
i
,Y
i
)(i＝1,2,
…
,60,y∈{
‑
1,1})，如果V
i
∈{正常状态}，则y
i
＝1；如果V
i
∈{老化故障}，则y
i
＝
‑
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(V
i
,Y
i
)(i＝61,2,
…
,120,y∈{
‑
2,2})，如果V
i
∈{过充电}，则y
i
＝2；如果V
i
∈{过放电}，则y
i
＝
‑
2；
[0033]按照步骤S202中的方法训练SVM2的参数与以及SVM3的参数与分别建立本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于信号处理的电动汽车电池故障诊断方法，其特征在于，包括以下步骤：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；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；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；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。2.根据权利要求1所述的基于信号处理的电动汽车电池故障诊断方法，其特征在于，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。3.根据权利要求2所述的基于信号处理的电动汽车电池故障诊断方法，其特征在于，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：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；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。4.根据权利要求3所述的基于信号处理的电动汽车电池故障诊断方法，其特征在于，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。5.根据权利要求4所述的基于信号处理的电动汽车电池故障诊断方法，其特征在于，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：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；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(V
i
,Y
i
)(i＝1,2,
…
,120,y∈{
‑
1,1})，如果V
i
∈{正常状态、老化故障}，则y
i
＝1；如果V
i
∈{过充电、过放电}，则y
i
＝
‑
1；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：其中，取σ2＝0.01，V
i
,V
j
为两个训练样本数据；利用二次规划方法求解目标函数：
得到第一层支持向量机的最优拉格朗日乘子其中，a
i
,a
j
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，y

【专利技术属性】
技术研发人员：赵妙颖，焦智，王宏宇，任思源，刘志宾，
申请(专利权)人：北华航天工业学院，
类型：发明
国别省市：