一种基于制造技术

本发明专利技术提供了一种基于

【技术实现步骤摘要】
一种基于LSTM
‑
GAN的车用动力电池系统故障诊断方法


[0001]本专利技术属于车用动力电池系统故障诊断
，具体涉及一种基于
LSTM
‑
GAN
的车用动力电池系统故障诊断方法
。

技术介绍

[0002]在车用动力电池系统的使用过程中，各单体的电压
、
内阻
、
容量
、
性能常会发生不一致，这些单体不一致性会随着充放电循环的增多还会逐渐加剧，从而带来了电池寿命缩短
、
发生故障与安全风险的可能性增加等问题，因此对电池系统内各单体的状态进行有效监控十分重要
。
然而，由于动力电池系统具使用时的非线性特性，单体状态参数实时变化，使得对单体故障的监管手段受到诸多限制，现有技术中虽然有利用电池样本数据结合机器学习算法进行故障诊断的方法，但其对于样本数据的数量与质量的依赖性过高，较大的计算开销也限制了这些方法的实际应用
。

技术实现思路

[0003]有鉴于此，针对本领域中存在的技术问题，本专利技术提供了一种基于
LSTM
‑
GAN
的车用动力电池系统故障诊断方法，具体包括以下步骤：
[0004]步骤一
、
提取动力电池系统使用中的电池状态参数
、
负载参数
、
外界环境参数以及驾驶意图参数，其中电池状态参数包括：电池单体电压
、SOC、
单体探针温度和总电流，负载参数具体选用电机输出功率，外界环境参数具体选用环境温度，驾驶意图参数具体选用车速；基于电池单体电压时间序列将所提取的数据划分为正常电池单体电压片段和异常电池单体电压片段两部分数据集；
[0005]步骤二
、
使用深度学习框架
Tensorflow
来构建
LSTM
‑
GAN
模型，所述模型中包括一个
LSTM
网络作为生成器以及另一个
LSTM
网络作为鉴别器；所述生成器接受输入的随机噪声并输出伪造的电池单体电压片段，并与真实的电池单体电压片段一起输入所述鉴别器来鉴别片段的真伪，同时生成器与鉴别器均产生相应的误差损失；
[0006]步骤三
、
利用步骤一得到的正常电池单体电压片段对所述
LSTM
‑
GAN
模型进行训练来建立电池单体电压与提取的其他各参数间的对应关系；在训练中，根据鉴别器的真伪鉴别结果不断调整鉴别器及生成器的模型参数，使生成器输出的伪造的电池单体电压片段逐渐接近真实的电池单体电压片段；训练直到达到预设的训练次数或者误差稳定收敛后结束；
[0007]步骤四
、
对训练过程中生成器输出伪造电池单体电压片段的重构误差，与鉴别器的鉴别误差进行统计求和，作为所构建的
LSTM
‑
GAN
模型的偏差系数；
[0008]步骤五
、
将某车辆电池系统使用中的各参数输入
LSTM
‑
GAN
模型后得到所述偏差系数，通过与一定规模数量使用相同动力电池系统的其他车辆所对应的偏差系数进行比较，判断该车辆是否存在电池单体电压异常
。
[0009]进一步地，步骤二中针对由所述生成器与鉴别器组成的
GAN
模型，具体采用
Adam
优
化器最小化其误差函数，实现训练过程中迭代更新生成器和鉴别器的参数
。
[0010]进一步地，步骤三在对
LSTM
‑
GAN
模型的训练具体是对鉴别器和生成器交替进行，每次先训练鉴别器，再训练生成器
。
[0011]进一步地，步骤四中具体是通过下式计算生成器的重构误差
L
G
：
[0012][0013]式中，
N
为样本数量，
G(z
i
)
为生成器对输入噪声
z
i
的生成结果，表示生成器从随机噪声
z
i
中生成的数据，
x
i
为第
i
个真实电池单体电压片段样本数据，
|
·
|
表示向量的
L2
范数
(
欧氏距离
)
；
[0014]并通过下式计算鉴别器的鉴别误差
L
D
：
[0015][0016]式中，
L
D
为鉴别误差，
N
为样本数量，
y
i
为第
i
个样本数据的标签，取值为0或1，如果是真实数据
y
i
＝1；如果是生成数据则
y
i
＝0，
x
i
为第
i
个样本的数据，在此可以是真实数据或生成数据，
D(x
i
)
为鉴别器对样本
x
i
的输出结果，表示将
x
i
判定为真实数据的概率；
[0017]再将两部分误差相加得到模型对第
i
个电池单体计算得到的偏差值
Er
i
：
[0018]Er
i
＝
L
G
+L
D
[0019]将全部电池单体的所述偏差值求和即得到所述偏差系数
Er
：
[0020][0021]M
为动力电池系统中的电池单体总数
。
[0022]进一步地，步骤五中判断电池单体电压异常具体包括以下过程：
[0023]1)
将一定规模数量使用相同动力电池系统的无故障车辆的各使用参数分别输入
LSTM
‑
GAN
模型，得到相应的偏差系数；
[0024]2)
计算所得到的偏差系数的累积分布函数
(CDF)
；
[0025]3)
根据偏差系数分布的累积分布函数标定偏差系数值，并将其作为电池单体电压异常的判断阈值提供给这些车辆的动力电池电压异常诊断模块，使单车上的动力电池电压异常诊断模块将车辆自身实时计算的偏差系数与该阈值比较来判断是否存在异常
。
[0026]上述本专利技术所提供的基于
LSTM
‑
GAN
的车用动力电池系统故障诊断方法，利用车辆历史运行数据并基于
LSTM
‑
GAN
的模型对各电池单体电压与各表征参数间关系进行无监督学习训练，并通过对使用相同电池系统车辆由
LSTM
‑
G本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
LSTM
‑
GAN
的车用动力电池系统故障诊断方法，其特征在于：具体包括以下步骤：步骤一
、
提取动力电池系统使用中的电池状态参数
、
负载参数
、
外界环境参数以及驾驶意图参数，其中电池状态参数包括：电池单体电压
、SOC、
单体探针温度和总电流，负载参数具体选用电机输出功率，外界环境参数具体选用环境温度，驾驶意图参数具体选用车速；基于电池单体电压时间序列将所提取的数据划分为正常电池单体电压片段和异常电池单体电压片段两部分数据集；步骤二
、
使用深度学习框架
Tensorflow
来构建
LSTM
‑
GAN
模型，所述模型中包括一个
LSTM
网络作为生成器以及另一个
LSTM
网络作为鉴别器；所述生成器接受输入的随机噪声并输出伪造的电池单体电压片段，并与真实的电池单体电压片段一起输入所述鉴别器来鉴别片段的真伪，同时生成器与鉴别器均产生相应的误差损失；步骤三
、
利用步骤一得到的正常电池单体电压片段对所述
LSTM
‑
GAN
模型进行训练来建立电池单体电压与提取的其他各参数间的对应关系；在训练中，根据鉴别器的真伪鉴别结果不断调整鉴别器及生成器的模型参数，使生成器输出的伪造的电池单体电压片段逐渐接近真实的电池单体电压片段；训练直到达到预设的训练次数或者误差稳定收敛后结束；步骤四
、
对训练过程中生成器输出伪造电池单体电压片段的重构误差，与鉴别器的鉴别误差进行统计求和，作为所构建的
LSTM
‑
GAN
模型的偏差系数；步骤五
、
将某车辆电池系统使用中的各参数输入
LSTM
‑
GAN
模型后得到所述偏差系数，通过与一定规模数量使用相同动力电池系统的其他车辆所对应的偏差系数进行比较，判断该车辆是否存在电池单体电压异常
。2.
如权利要求1所述的方法，其特征在于：步骤二中针对由所述生成器与鉴别器组成的
GAN
模型，具体采用
Adam
优化器最小化其误差函数，实现训练过程中迭代更新生成器和鉴别器的参数
。3.
如权利要求1所述的方法，其特征在于：步骤三在对
LSTM
‑
GAN
模型的训练具体是对鉴别器和生成器交替进行，每次先训练鉴别器，再训练生成器
。4.
如权利要求1所述的方法...

【专利技术属性】
技术研发人员：王震坡，刘鹏，贾子润，张泽坤，张照生，林倪，李磊，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：