【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 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。